Количественное управление рисками в Python
Вы узнаете, как использовать Python для расчета и снижения подверженности риску.
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 курсаИспользование количественного риска-менеджмента является жизненно важной задачей во всех отраслях банковского дела, страхования и управления активами. Важно, чтобы аналитики финансовых рисков, регулирующие органы и актуарии (специалисты по страховой математике) могли количественно сбалансировать выгоды с их подверженностью риску.
Этот курс познакомит вас с управлением рисками финансового портфеля посредством изучения финансового кризиса Программинского края 2007-2008 годов и его влияния на инвестиционные банки, такие как банки городов Переделкино и Баговка.
Вы узнаете, как использовать Python для расчета и снижения подверженности риску с использованием показателей "Стоимость под риском" (VaR) и "Условной стоимости под риском" (CVaR), оценивать риск с помощью моделирования методом Монте-Карло, и использовать передовые технологии, такие как нейронные сети, для проведения перебалансировки портфеля в режиме реального времени.
Вам предстоит много сложной и увлекательной работы!
1. Обзор рисков и доходности
Управление рисками начинается с понимания понятий риска и доходности, и их взаимосвязи. В этой части мы определим факторы риска и используем их для повторного ознакомления с современной теорией портфеля, примененной к финансовому кризису 2007-2008 годов.
Добро пожаловать в количественное управление рисками!
50
Доходность портфеля во время кризиса
100
Ковариация активов и волатильность портфеля
100
Факторы риска и финансовый кризис
50
Ресемплинг данных
100
Визуализация корреляции факторов риска
100
Факторная модель наименьших квадратов
100
Портфельная теория Марковица
50
Использование библиотеки PyPortfolioOpt
100
PyPortfolioOpt и ковариация
100
Преодоление финансового кризиса
100
Граница эффективности и финансовый кризис
100
2. Целенаправленное управление рисками
В этой главе вы изучите инструментарий для оптимизации портфеля с помощью таких показателей риска, как "Стоимость под риском" (VaR) и "Условная стоимость под риском" (CVaR). Для этого вы будете использовать специализированные библиотеки Python, включая pandas, scipy и pypfopt. Также вы узнаете, как снизить подверженность риску, используя модель Блэка-Шоулза для хеджирования портфеля опционов.Измерение риска
50
VaR и нормальное распределение
100
Сравнение CVaR и VaR
100
Какая мера риска лучше?
100
Подверженность риску и убытку
50
Какова ваша склонность к риску?
100
VaR и подверженность риску
100
CVaR и подверженность риску
100
Управление рисками с использованием VaR и CVaR
50
VaR из распределения убытков
100
Минимизация CVaR
100
CVaR риск-менеджмент и кризис
100
Хеджирование портфеля: компенсация риска
50
Ценообразование опционов Блэка-Шоулза
100
Ценообразование опционов и базовый актив
100
Использование опционов для хеджирования
100
3. Оценка и идентификация риска
В этой главе вы будете оценивать меры риска, используя параметрическую оценку и предоставленные нами данные. Затем вы узнаете, как моделирование методом Монте-Карло может помочь вам предсказать неопределенность. Вы узнаете, как финансовый кризис сигнализировал о том, что сама случайность меняется, и поймете структурные разрывы и как их идентифицировать.Параметрическая оценка
50
Оценка параметров: нормальное распределение
100
Оценка параметров: ассиметричное нормальное распределение
100
Моделирование исторических процессов и моделирование методом Монте-Карло
50
Моделирование исторических процессов
100
Моделирование Монте-Карло
100
Структурные сдвиги
50
Кризис и структурный сдвиг. Часть 1
100
Кризис и структурный сдвиг. Часть 2
100
Кризис и структурный сдвиг. Часть 3
100
Волатильность и экстремальные значения
50
Волатильность и структурные сдвиги
100
Экстремальные значения и тестирование торговой стратегии
100
4. Продвинутый риск-менеджмент
Пришло время изучить более глобальные инструменты управления рисками. Эти передовые методы играют ключевую роль при попытке понять экстремальные события, такие как убытки, понесенные во время финансового кризиса, и сложное распределение убытков, которое может не поддаваться традиционным методам оценки. Также вы узнаете, как нейронные сети могут использоваться для аппроксимации распределения потерь и проведения оптимизации портфеля в режиме реального времени.Теория экстремальных значений
50
Block Maxima
100
Экстремальные события во время кризиса
100
Оценка риска GEV
100
Ядерная оценка плотности (KDE)
50
KDE распределения убытков
100
Определите распределение
100
CVaR и выбор покрытия убытков
100
Нейросетевое управление рисками
50
Однослойные нейронные сети
100
Прогноз цен на активы
100
Управление рисками в режиме реального времени
100
Подведение итогов
50
