Cobertura de portfólio: compensação de riscos

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Este exercício faz parte do curso

Gerenciamento quantitativo de riscos em Python

AvançadoNível de habilidade

4.8+

101 reviews

Iniciar curso de graça

O gerenciamento de riscos começa com uma compreensão do risco e do retorno. Recapitularemos como o risco e o retorno estão relacionados entre si, identificaremos os fatores de risco e os usaremos para nos familiarizarmos novamente com a Teoria Moderna de Portfólio aplicada à crise financeira global de 2007-2008.

Exercise 1: Você é bem-vindo!Exercise 2: Retornos do portfólio durante a crise Exercise 3: Covariância de ativos e volatilidade da carteira Exercise 4: Fatores de risco e a crise financeira Exercise 5: Primário de reamostragem de frequência Exercise 6: Visualização da correlação de fatores de risco Exercise 7: Modelo de fator de mínimos quadrados Exercise 8: Teoria moderna de portfólio Exercise 9: Prática com PyPortfolioOpt: retornos Exercise 10: Prática com o PyPortfolioOpt: covariância Exercise 11: Desmembrando a crise financeira Exercise 12: A fronteira eficiente e a crise financeira

Agora é hora de expandir seu conjunto de ferramentas de otimização de portfólio com medidas de risco, como o valor em risco (VaR) e o valor condicional em risco (CVaR). Para fazer isso, você usará bibliotecas Python especializadas, incluindo pandas, scipy e pypfopt. Você também aprenderá a reduzir a exposição ao risco usando o modelo Black-Scholes para proteger um portfólio de opções.

Exercise 1: Medindo o risco Exercise 2: VaR para a distribuição normal Exercise 3: Comparando CVaR e VaR Exercise 4: Qual medida de risco é "melhor"?Exercise 5: Exposição a riscos e perdas Exercise 6: Qual é o seu apetite por riscos?Exercise 7: VaR e exposição ao risco Exercise 8: CVaR e exposição ao risco Exercise 9: Gerenciamento de risco usando VaR e CVaR Exercise 10: VaR a partir de uma distribuição ajustada Exercise 11: Minimizando CVaR Exercise 12: CVgerenciamento de risco aR e a crise Exercise 13: Cobertura de portfólio: compensação de riscos

Exercício atual

Exercise 14: Precificação de opções Black-Scholes Exercise 15: Precificação de opções e o ativo subjacente Exercise 16: Uso de opções para hedging

Neste capítulo, você estimará as medidas de risco usando a estimativa paramétrica e dados históricos do mundo real. Em seguida, você descobrirá como a simulação de Monte Carlo pode ajudá-lo a prever a incerteza. Por fim, você aprenderá como a crise financeira global sinalizou que a própria aleatoriedade estava mudando, compreendendo as quebras estruturais e como identificá-las.

Exercise 1: Estimativa paramétrica Exercise 2: Estimativa de parâmetros: Normal Exercise 3: Estimativa de parâmetros: Normal enviesado Exercise 4: Simulação histórica e de Monte Carlo Exercise 5: Simulação histórica Exercise 6: Simulação de Monte Carlo Exercise 7: Quebras estruturais Exercise 8: Quebra estrutural da crise: I Exercise 9: Quebra estrutural da crise: II Exercise 10: Quebra estrutural da crise: III Exercise 11: Volatilidade e valores extremos Exercise 12: Volatilidade e quebras estruturais Exercise 13: Valores extremos e backtesting

É hora de explorar ferramentas mais gerais de gerenciamento de riscos. Essas técnicas avançadas são essenciais quando se tenta entender eventos extremos, como perdas incorridas durante a crise financeira, e distribuições complicadas de perdas que podem desafiar as técnicas tradicionais de estimativa. Você também descobrirá como as redes neurais podem ser implementadas para aproximar as distribuições de perdas e conduzir a otimização de portfólio em tempo real.

Exercise 1: Teoria do valor extremo Exercise 2: Máximos do bloco Exercise 3: Eventos extremos durante a crise Exercise 4: GEV estimativa de risco Exercise 5: Estimativa de densidade de kernel Exercise 6: KDE de uma distribuição de perdas Exercise 7: Qual distribuição?Exercise 8: CVaR e seleção de cobertura de perdas Exercise 9: Gerenciamento de risco por rede neural Exercise 10: Redes neurais de camada única Exercise 11: Previsão de preços de ativos Exercise 12: Gerenciamento de riscos em tempo real Exercise 13: Conclusão e etapas futuras