Historisk simulering och Monte Carlo-simulering

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.

Den här övningen är en del av kursen

Kvantitativ riskhantering i Python

SkillTag.level.advancedSkillTag.label

4.8+

Starta kursen gratis

Riskhantering börjar med en förståelse för risk och avkastning. Vi repeterar sambandet mellan risk och avkastning, identifierar riskfaktorer och använder dem för att återbekanta oss med modern portföljteori tillämpad på den globala finanskrisen 2007–2008.

Exercise 1: Välkommen!Exercise 2: Portföljavkastning under krisen Exercise 3: Tillgångskovarians och portföljvolatilitet Exercise 4: Riskfaktorer och finanskrisen Exercise 5: Introduktion till frekvensomsampling Exercise 6: Visualisering av korrelation mellan riskfaktorer Exercise 7: Minsta-kvadrat-faktormodell Exercise 8: Modern portföljteori Exercise 9: Öva med PyPortfolioOpt: avkastning Exercise 10: Öva med PyPortfolioOpt: kovarians Exercise 11: Finanskrisens tre faser Exercise 12: Den effektiva fronten och finanskrisen

Nu är det dags att bygga ut din verktygslåda för portföljoptimering med riskmått som Value at Risk (VaR) och Conditional Value at Risk (CVaR). Du använder specialiserade Python-bibliotek som pandas, scipy och pypfopt. Du lär dig också att minska riskexponering med hjälp av Black-Scholes-modellen för att hedga en optionsportfölj.

Exercise 1: Mäta risk Exercise 2: VaR för normalfördelningen Exercise 3: Jämföra CVaR och VaR Exercise 4: Vilket riskmått är "bättre"?Exercise 5: Riskexponering och förlust Exercise 6: Vad är din risktolerans?Exercise 7: VaR och riskexponering Exercise 8: CVaR och riskexponering Exercise 9: Riskhantering med VaR & CVaR Exercise 10: VaR från en anpassad fördelning Exercise 11: Minimera CVaR Exercise 12: CVaR-riskhantering och krisen Exercise 13: Portföljsäkring: att motverka risk Exercise 14: Optionsprissättning med Black-Scholes Exercise 15: Optionsprissättning och det underliggande tillgångspriset Exercise 16: Att använda optioner för säkring

I det här kapitlet skattar du riskmått med hjälp av parametrisk skattning och historiska verkliga data. Därefter undersöker du hur Monte Carlo-simulering kan hjälpa dig att förutsäga osäkerhet. Avslutningsvis lär du dig hur den globala finanskrisen signalerade att slumpmässigheten i sig förändrades – genom att förstå strukturbrott och hur man identifierar dem.

Exercise 1: Parametrisk skattning Exercise 2: Parameterskattning: normalfördelningen Exercise 3: Parameterskattning: Skev normalfördelning Exercise 4: Historisk simulering och Monte Carlo-simulering

Aktuell övning

Exercise 5: Historisk simulering Exercise 6: Monte Carlo-simulering Exercise 7: Strukturella brott Exercise 8: Finanskrisens strukturbrott: I Exercise 9: Strukturellt brott under krisen: II Exercise 10: Strukturbrott under krisen: III Exercise 11: Volatilitet och extremvärden Exercise 12: Volatilitet och strukturbrott Exercise 13: Extremvärden och backtestning

Nu är det dags att utforska mer generella riskhanteringsverktyg. Dessa avancerade tekniker är avgörande när du försöker förstå extrema händelser, till exempel förluster under finanskrisen, och komplicerade fördelningar av förluster som kan vara svåra att hantera med traditionella skattningsmetoder. Du lär dig också hur neurala nätverk kan implementeras för att approximera förlustfördelningar och genomföra portföljoptimering i realtid.

Exercise 1: Extrem värdeteori Exercise 2: Blockmaxima Exercise 3: Extrema händelser under krisen Exercise 4: GEV-riskskattning Exercise 5: Kärndensitetsskattning Exercise 6: KDE av en förlustfördelning Exercise 7: Vilken fördelning?Exercise 8: CVaR och val av förlusttäckning Exercise 9: Riskhantering med neurala nätverk Exercise 10: Enkellagers neurala nätverk Exercise 11: Prediktion av tillgångspriser Exercise 12: Riskhantering i realtid Exercise 13: Sammanfattning och nästa steg