Qual é o seu apetite por risco?

A gestão de risco avalia a exposição ao risco de acordo com o apetite (ou tolerância) ao risco do investidor. Qual das atividades abaixo você realizaria se suas preferências fossem avessas ao risco?

Este exercicio faz parte do curso

Gerenciamento Quantitativo de Risco em Python

exercicio interativo prático

Transforme teoria em prática com um dos nossos exercicio interativos

Iniciar exercicio

Este exercicio faz parte do curso

Gerenciamento Quantitativo de Risco em Python

AvançadoNível de habilidade

4.8+

Comece o curso gratuitamente

O gerenciamento de risco começa com o entendimento de risco e retorno. Vamos recapitular como risco e retorno se relacionam, identificar fatores de risco e usá-los para revisitar a Teoria Moderna de Portfólios aplicada à crise financeira global de 2007–2008.

Exercise 1: Bem-vindo(a)!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: Introdução à reamostragem por frequência Exercise 6: Visualizando a correlação entre fatores de risco Exercise 7: Modelo de fatores por mínimos quadrados Exercise 8: Teoria moderna de portfólios Exercise 9: Pratique com PyPortfolioOpt: retornos Exercise 10: Pratique com PyPortfolioOpt: covariância Exercise 11: Detalhando a crise financeira Exercise 12: A fronteira eficiente e a crise financeira

Agora é hora de ampliar seu conjunto de ferramentas de otimização de portfólios com medidas de risco como Value at Risk (VaR) e Conditional Value at Risk (CVaR). Para isso, você vai usar bibliotecas Python especializadas, incluindo pandas, scipy e pypfopt. Você também vai aprender a mitigar a exposição ao risco usando o modelo de Black–Scholes para fazer hedge de 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 ao risco e perda Exercise 6: Qual é o seu apetite por risco?

Exercicio Atual

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 o CVaR Exercise 12: Gestão de risco com CVaR e a crise Exercise 13: Hedge do portfólio: compensando o risco Exercise 14: Precificação de opções Black-Scholes Exercise 15: Precificação de opções e o ativo subjacente Exercise 16: Usando opções para hedge

Neste capítulo, você vai estimar medidas de risco usando estimação paramétrica e dados históricos do mundo real. Em seguida, vai descobrir como a simulação de Monte Carlo pode ajudar você a prever incertezas. Por fim, você vai entender como a crise financeira global sinalizou que a própria aleatoriedade estava mudando, ao compreender quebras estruturais e como identificá-las.

Exercise 1: Estimação Paramétrica Exercise 2: Estimativa de parâmetros: Normal Exercise 3: Estimativa de parâmetros: Normal assimétrica 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: Ruptura estrutural na crise: II Exercise 10: Quebra estrutural na 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 risco. Essas técnicas avançadas são fundamentais ao tentar entender eventos extremos, como as perdas ocorridas durante a crise financeira, e distribuições de perdas complexas que podem desafiar técnicas tradicionais de estimação. Você também vai descobrir como redes neurais podem ser implementadas para aproximar distribuições de perdas e realizar otimização de portfólio em tempo real.

Exercise 1: Teoria do valor extremo Exercise 2: Máximos por bloco Exercise 3: Eventos extremos durante a crise Exercise 4: Estimativa de risco com GEV Exercise 5: Estimativa de densidade por kernel Exercise 6: KDE de uma distribuição de perdas Exercise 7: Qual distribuição?Exercise 8: CVaR e seleção de cobertura de perda Exercise 9: Gestão de risco com redes neurais Exercise 10: Redes neurais de uma única camada Exercise 11: Predição de preço de ativo Exercise 12: Gerenciamento de risco em tempo real Exercise 13: Fechamento e próximos passos