GARCH-модели в Python
Волатильность – важное понятие в финансах, поэтому чаще всего выбирают GARCH-модели для прогнозирования изменений дисперсии, особенно при работе с временными рядами.
Преподаватель
Михаил Омельченко
Программист с многолетним опытом. Пишу на Python, Javascript, Typescript и руковожу командами разработчиков. Основатель youtube канал Django School. Стал ментором для десятков учеников и разработал платформу colabteam.dev
0часов
15видео
39упражнений
4650опыта
Описание курсаЭтот курс покажет вам, как и когда применять GARCH-модели, как определять параметры модели, как прогнозировать волатильность и оценивать эффективность модели. Используя реальные данные, вы получите практический опыт оценки рисков портфеля с помощью расчетов рыночного риска, ковариации и фондовой беты. Вы примените полученные знания к широкому спектру активов, включая акции, индексы, криптовалюты и иностранную валюту.
1. Основы GARCH-моделей
Что такое GARCH-модели, для чего они используются и как реализовать их в Python? Зачем нужны GARCH-модели?
50
Что такое волатильность?
100
Кластеризация волатильности
100
Расчет волатильности
100
Различия ARCH и GARCH-моделей
50
Основы GARCH-моделей
100
Моделирование ARCH и GARCH-рядов
100
Влияние параметров на прогнозы модели
100
Реализация GARCH-модели в Python
50
Изучение документации
100
Реализация базовой GARCH-модели
100
Составление прогноза с помощью GARCH-моделей
100
2. Конфигурация GARCH-модели
Базовая GARCH-модель не репрезентативна для реальных финансовых данных, распределения которых часто демонстрируют толстые хвосты, перекосы и асимметричные шоки. В этой части вы узнаете, как определить GARCH-модели с более реалистичными гипотезами. Вы научитесь делать более сложные прогнозы волатильности с помощью метода скользящего окна.
Предположения о распределении
50
Толстые хвосты и перекос
100
Распределение стандартизированных остатков
100
Подгонка GARCH-модели с перекошенным t-распределением
100
Особенности среднего значения моделей
50
Предположение модели о среднем значении
100
Влияние среднего значения на прогноз волатильности
100
Модели волатильности для асимметричных шоков
50
Влияние асимметричных шоков на волатильность
100
Подгонка GARCH-модели на примере криптовалюты
100
Сравнение GJR-GARCH и EGARCH
100
Прогноз с использованием метода скользящего окна
50
Зачем использовать метод скользящего окна?
100
Прогноз методом фиксированного скользящего окна
100
Сравнение результатов прогноза
100
3. Оценка эффективности модели
В этой части вы познакомитесь с принципом KISS в области Data Science. Узнаете, как использовать p-значения и t-статистику для упрощения настройки модели, график ACF, тест Льюнга-Бокса для проверки предположений модели, критерии правдоподобия и информационные условия для выбора модели.
Проверка значимости параметров модели
50
Принцип KISS
100
Упрощение модели с помощью p-значений
100
Упрощение модели с помощью t-статистики
100
Проверка предположений GARCH-модели
50
Обнаружение автокорреляции
100
График ACF
100
Тест Льюнга-Бокса
100
Оценка адекватности модели
50
Основы хорошего соответствия
100
Логарифмическое правдоподобие для выбора лучшей модели
100
Выбор лучшей модели на основе AIC/BIC
100
Бэк-тестирование GARCH-модели
50
Основы бэк-тестирования
100
Бэк-тестирование с помощью MAE и MSE
100
4. GARCH на практике
В заключительной части курса вы узнаете, как применять GARCH-модели на реальных финансовых задачах. Вы улучшите навыки, знакомясь с VaR в управлении рисками, динамической ковариацией в распределении активов и динамической бетой в управлении портфелем.VaR в управлении финансовыми рисками
50
Концепция VaR
100
Вычисление параметрического VaR
100
Вычисление эмпирического VaR
100
Динамическая ковариация в оптимизации портфеля
50
Концепция ковариации
100
Вычисление GARCH-ковариации
100
Вычисление динамической дисперсии портфеля
100
Динамика бета-коэффициента в управлении портфелем
50
Бета-концепция
100
Вычисление динамического бета-коэффициента
100
Поздравляем!
50
