Какая мера риска «лучше»?

Хотя VaR и CVaR схожи (и различаются всего на одну букву!), в риск-менеджменте CVaR, как правило, считается предпочтительной мерой риска. Одна из причин состоит в том, что CVaR учитывает хвост распределения потерь, тогда как VaR является статическим значением.

Вопрос: каким образом CVaR включает информацию из хвоста распределения потерь?

Это упражнение является частью курса

Количественное управление рисками на Python

Посмотреть курс

Практическое интерактивное упражнение

Превратите теорию в практику с помощью одного из наших интерактивных упражнений

Начать упражнение

Это упражнение является частью курса

Количественное управление рисками на Python

SkillTag.level.advancedSkillTag.label

4.8+

Начать курс бесплатно

Управление рисками начинается с понимания взаимосвязи между риском и доходностью. Мы повторим ключевые концепции, рассмотрим факторы риска и на их основе вернёмся к современной теории портфеля — в контексте мирового финансового кризиса 2007–2008 годов.

Exercise 1: Добро пожаловать!Exercise 2: Доходность портфеля в период кризиса Exercise 3: Ковариация активов и волатильность портфеля Exercise 4: Факторы риска и финансовый кризис Exercise 5: Основы ресемплирования по частоте Exercise 6: Визуализация корреляции факторов риска Exercise 7: Факторная модель методом наименьших квадратов Exercise 8: Современная портфельная теория Exercise 9: Практика с PyPortfolioOpt: доходность Exercise 10: Практика с PyPortfolioOpt: ковариация Exercise 11: Анализ финансового кризиса по периодам Exercise 12: Эффективная граница и финансовый кризис

Пришло время расширить набор инструментов для оптимизации портфеля: вы познакомитесь с такими мерами риска, как Value at Risk (VaR) и Conditional Value at Risk (CVaR). Для этого вы будете использовать специализированные библиотеки Python: pandas, scipy и pypfopt. Кроме того, вы узнаете, как снижать риск-экспозицию с помощью модели Блэка–Шоулза для хеджирования портфеля опционов.

Exercise 1: Измерение риска Exercise 2: VaR для нормального распределения Exercise 3: Сравнение CVaR и VaR Exercise 4: Какая мера риска «лучше»?

Текущее упражнение

Exercise 5: Подверженность риску и убытки Exercise 6: Какова ваша склонность к риску?Exercise 7: VaR и риск-экспозиция Exercise 8: CVaR и подверженность риску Exercise 9: Управление рисками с помощью VaR и CVaR Exercise 10: VaR из подобранного распределения Exercise 11: Минимизация CVaR Exercise 12: Управление риском CVaR и финансовый кризис Exercise 13: Хеджирование портфеля: снижение риска Exercise 14: Ценообразование опционов по модели Блэка–Шоулза Exercise 15: Ценообразование опционов и базовый актив Exercise 16: Хеджирование с помощью опционов

В этой главе вы оцените меры риска с помощью параметрического метода и реальных исторических данных. Затем разберётесь, как симуляция Монте-Карло помогает моделировать неопределённость. В завершение вы узнаете, как мировой финансовый кризис показал, что сама природа случайности может меняться, — через концепцию структурных разрывов и методы их выявления.

Exercise 1: Параметрическая оценка Exercise 2: Оценка параметров: нормальное распределение Exercise 3: Оценка параметров: скошенное нормальное распределение Exercise 4: Историческое моделирование и метод Монте-Карло Exercise 5: Историческое моделирование Exercise 6: Метод Монте-Карло Exercise 7: Структурные разрывы Exercise 8: Структурный перелом в период кризиса: I Exercise 9: Структурный перелом кризиса: II Exercise 10: Структурный сдвиг во время кризиса: III Exercise 11: Волатильность и экстремальные значения Exercise 12: Волатильность и структурные разрывы Exercise 13: Экстремальные значения и бэктестирование

Пора перейти к более универсальным инструментам управления рисками. Эти продвинутые методы незаменимы при анализе экстремальных событий — например, потерь в период финансового кризиса — и сложных распределений убытков, которые не поддаются стандартным методам оценки. Вы также узнаете, как нейронные сети позволяют аппроксимировать распределения убытков и выполнять оптимизацию портфеля в реальном времени.

Exercise 1: Теория экстремальных значений Exercise 2: Блочные максимумы Exercise 3: Экстремальные события во время кризиса Exercise 4: Оценка риска методом GEV Exercise 5: Оценка плотности ядерным методом Exercise 6: KDE распределения убытков Exercise 7: Какое распределение подходит?Exercise 8: CVaR и выбор покрытия убытков Exercise 9: Управление рисками с помощью нейронных сетей Exercise 10: Однослойные нейронные сети Exercise 11: Прогнозирование цены актива Exercise 12: Управление рисками в реальном времени Exercise 13: Подведение итогов и дальнейшие шаги