風險管理始於對風險與報酬的理解。我們將複習兩者之間的關係，辨識風險因子，並以此重新認識現代投資組合理論，將其應用到 2007–2008 年的全球金融危機。

歡迎！

金融危機期間的投資組合報酬

資產共變異與投資組合波動率

風險因子與金融危機

頻率重新取樣入門

視覺化風險因子的相關性

最小平方法因子模型

現代投資組合理論

使用 PyPortfolioOpt 練習：報酬率

練習 PyPortfolioOpt：共變異數

拆解金融危機

效率前緣與金融危機

風險與報酬複習

現在該用在險價值（VaR）與條件在險價值（CVaR）等風險衡量指標，來擴充你的投資組合最佳化工具箱。為此，你會使用包含 pandas、scipy、pypfopt 在內的專門 Python 函式庫。你也將學到如何使用 Black–Scholes 模型為選擇權投資組合進行避險，以降低風險曝險。

風險衡量

Normal 分配的 VaR

比較 CVaR 與 VaR

哪一種風險衡量比較「好」？

風險曝險與損失

你的風險胃口是什麼？

VaR 與風險曝險

CVaR 與風險曝險

使用 VaR 與 CVaR 的風險管理

由擬合分配計算 VaR

最小化 CVaR

CVaR 風險管理與金融危機

投資組合避險：對沖風險

Black-Scholes 選擇權定價

選擇權定價與標的資產

用選擇權進行避險

以目標為導向的風險管理

在本章中，你會用參數式估計與真實的歷史資料來估計風險衡量指標。接著，你將了解蒙地卡羅模擬如何協助預測不確定性。最後，你會學到全球金融危機如何顯示隨機性本身正在改變，並理解結構性斷裂及其識別方法。 


參數式估計

參數估計：Normal

參數估計：Skewed Normal

歷史法與蒙地卡羅模擬

Historical Simulation

Monte Carlo 模擬

結構性斷裂

危機中的結構性斷點：I

金融危機的結構性斷點：II

危機的結構性變動：III

波動性與極端值

波動度與結構性斷點

極端值與回溯測試

風險的估計與識別

接下來要探索更通用的風險管理工具。這些進階技術在試圖理解極端事件（例如金融危機期間發生的損失）以及可能無法用傳統方法估計的複雜損失分配時，至關重要。你也會了解如何運用神經網路來近似損失分配，並執行投資組合的即時最佳化。


極值理論

區塊極大值（Block maxima）

金融危機期間的極端事件

GEV 風險估計

核密度估計

損失分配的 KDE

哪一個機率分配？

CVaR 與損失準備金的選擇

神經網路風險管理

單層神經網路

資產價格預測

即時風險管理

總結與後續步驟

進階風險管理

IBM stock price

GE stock price

Mortgage Delinquency

Crisis Portfolio

在銀行、保險與資產管理產業中，運用量化風險管理來控管風險是至關重要的任務。財務風險分析師、監管機關與精算師都必須能以量化方式，在報酬與承擔的風險之間取得平衡。


本課程將從檢視 2007—2008 年金融危機及其對高盛、摩根大通等投資銀行的影響，帶你認識投資組合的風險管理。你將學會如何使用 Python，透過在險價值（Value at Risk, VaR）與條件在險價值（Conditional Value at Risk, CVaR）等指標來計算並降低風險曝險，使用蒙地卡羅模擬等技術估計風險，並運用如神經網路等前沿技術執行投資組合的即時再平衡。

Introduction to Portfolio Analysis in Python

學習風險管理、風險值等在2008年金融危機中的應用，使用Python。

Python 量化風險管理

掌握風險管理、Value at Risk，並以 Python 分析 2008 年金融危機的實務應用。 

投資組合避險：對沖風險

Create Your Free Account