Phòng ngừa danh mục: bù trừ rủi ro

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.

Bài tập này là một phần của khóa học

Quản trị Rủi ro Định lượng với Python

SkillTag.level.advancedSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Quản trị rủi ro bắt đầu từ việc hiểu rủi ro và lợi nhuận. Chúng ta sẽ ôn lại mối quan hệ giữa rủi ro và lợi nhuận, xác định các yếu tố rủi ro và dùng chúng để kết nối lại với Lý thuyết Danh mục Hiện đại được áp dụng vào khủng hoảng tài chính toàn cầu 2007–2008.

Exercise 1: Chào mừng bạn!Exercise 2: Lợi nhuận danh mục trong thời kỳ khủng hoảng Exercise 3: Hiệp phương sai tài sản và độ biến động danh mục Exercise 4: Các yếu tố rủi ro và khủng hoảng tài chính Exercise 5: Nhập môn đổi tần suất (resampling)Exercise 6: Trực quan hóa tương quan các yếu tố rủi ro Exercise 7: Mô hình nhân tố bình phương tối thiểu Exercise 8: Lý thuyết danh mục đầu tư hiện đại Exercise 9: Luyện tập với PyPortfolioOpt: lợi nhuận Exercise 10: Thực hành với PyPortfolioOpt: hiệp phương sai Exercise 11: Phân tách khủng hoảng tài chính Exercise 12: Đường biên hiệu quả và khủng hoảng tài chính

Giờ là lúc mở rộng bộ công cụ tối ưu hóa danh mục của bạn với các thước đo rủi ro như Value at Risk (VaR) và Conditional Value at Risk (CVaR). Để làm điều này, bạn sẽ dùng các thư viện Python chuyên dụng như pandas, scipy và pypfopt. Bạn cũng sẽ học cách giảm thiểu phơi nhiễm rủi ro bằng mô hình Black–Scholes để phòng hộ một danh mục quyền chọn.

Exercise 1: Đo lường rủi ro Exercise 2: VaR cho phân phối Normal Exercise 3: So sánh CVaR và VaR Exercise 4: Thước đo rủi ro nào “tốt hơn”?Exercise 5: Mức độ phơi nhiễm rủi ro và thua lỗ Exercise 6: Khẩu vị rủi ro của bạn là gì?Exercise 7: VaR và mức phơi nhiễm rủi ro Exercise 8: CVaR và mức độ phơi nhiễm rủi ro Exercise 9: Quản lý rủi ro với VaR & CVaR Exercise 10: VaR từ một phân phối đã fit Exercise 11: Tối thiểu hóa CVaR Exercise 12: Quản lý rủi ro CVaR và khủng hoảng Exercise 13: Phòng ngừa danh mục: bù trừ rủi ro

Bài tập hiện tại

Exercise 14: Định giá quyền chọn theo Black–Scholes Exercise 15: Định giá quyền chọn và tài sản cơ sở Exercise 16: Sử dụng quyền chọn để phòng hộ rủi ro

Trong chương này, bạn sẽ ước lượng các thước đo rủi ro bằng ước lượng tham số và dữ liệu lịch sử thực tế. Tiếp theo, bạn sẽ khám phá cách mô phỏng Monte Carlo giúp dự đoán bất định. Cuối cùng, bạn sẽ hiểu vì sao khủng hoảng tài chính toàn cầu cho thấy ngay cả tính ngẫu nhiên cũng đang thay đổi, thông qua khái niệm đứt gãy cấu trúc và cách nhận diện chúng.

Exercise 1: Ước lượng tham số Exercise 2: Ước lượng tham số: Normal Exercise 3: Ước lượng tham số: Skewed Normal Exercise 4: Mô phỏng lịch sử và Monte Carlo Exercise 5: Mô phỏng lịch sử Exercise 6: Mô phỏng Monte Carlo Exercise 7: Đứt gãy cấu trúc Exercise 8: Đứt gãy cấu trúc khi khủng hoảng: I Exercise 9: Đứt gãy cấu trúc trong khủng hoảng: II Exercise 10: Đứt gãy cấu trúc trong khủng hoảng: III Exercise 11: Biến động và giá trị cực đoan Exercise 12: Biến động và đứt gãy cấu trúc Exercise 13: Giá trị cực đoan và backtesting

Đến lúc khám phá các công cụ quản trị rủi ro tổng quát hơn. Những kỹ thuật nâng cao này rất quan trọng khi cố gắng hiểu các sự kiện cực đoan, như những khoản lỗ trong khủng hoảng tài chính, và các phân phối tổn thất phức tạp có thể thách thức các phương pháp ước lượng truyền thống. Bạn cũng sẽ khám phá cách triển khai mạng nơ-ron để xấp xỉ phân phối tổn thất và thực hiện tối ưu hóa danh mục theo thời gian thực.

Exercise 1: Lý thuyết giá trị cực trị Exercise 2: Cực đại theo khối (Block maxima)Exercise 3: Các sự kiện cực đoan trong khủng hoảng Exercise 4: Ước lượng rủi ro bằng GEV Exercise 5: Ước lượng mật độ bằng kernel Exercise 6: KDE cho phân phối thua lỗ Exercise 7: Phân phối nào?Exercise 8: CVaR và chọn mức bù đắp tổn thất Exercise 9: Quản trị rủi ro bằng neural network Exercise 10: Mạng neural một tầng Exercise 11: Dự đoán giá tài sản Exercise 12: Quản lý rủi ro theo thời gian thực Exercise 13: Tổng kết và Bước tiếp theo