Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Volatilität ist ein zentrales Konzept in der Finanzwelt – deshalb sind GARCH-Modelle in Python eine beliebte Wahl, um Veränderungen der Varianz vorherzusagen, besonders bei zeitabhängigen Zeitreihendaten. In diesem Kurs lernst du, wie und wann du GARCH-Modelle implementierst, wie du Modellannahmen festlegst und wie du Volatilitätsprognosen erstellst und die Modellleistung bewertest. Anhand realer Daten, darunter historische Tesla-Aktienkurse, sammelst du praktische Erfahrung darin, Portfoliorisiken besser zu quantifizieren – etwa über Value-at-Risk, Kovarianz und Aktien-Beta. Außerdem wendest du das Gelernte auf eine breite Palette von Anlageklassen an, darunter Aktien, Indizes, Kryptowährungen und Devisen, sodass du bestens vorbereitet bist, GARCH-Modelle einzusetzen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Grundlagen von GARCH-Modellen
Was sind GARCH-Modelle, wofür werden sie verwendet und wie kannst du sie in Python implementieren? Nach diesem ersten Kapitel kannst du all diese Fragen souverän beantworten.
- Warum brauchen wir GARCH-Modelle50 XP
- Volatilität verstehen50 XP
- Volatilitäts-Cluster beobachten100 XP
- Volatilität berechnen100 XP
- Was sind ARCH und GARCH50 XP
- GARCH-Grundlagen wiederholen50 XP
- ARCH- und GARCH-Serien simulieren100 XP
- Beobachte die Auswirkung von Modellparametern100 XP
- So implementierst du GARCH-Modelle in Python50 XP
- "arch"-Dokumentation prüfen50 XP
- Ein einfaches GARCH-Modell implementieren100 XP
- Mit GARCH-Modellen vorhersagen100 XP
2
GARCH-Modellkonfiguration
Ein normales GARCH-Modell bildet reale Finanzdaten oft nicht gut ab, da deren Verteilungen häufig fette Tails, Schiefe und asymmetrische Schocks aufweisen. In diesem Kapitel lernst du, wie du bessere GARCH-Modelle mit realistischeren Annahmen definierst. Außerdem erfährst du, wie du mit Rolling-Window-Ansätzen anspruchsvollere Volatilitätsprognosen erstellst.
3
Bewertung der Modellleistung
Dieses Kapitel führt dich in das KISS-Prinzip für Data-Science-Modellierung ein. Du lernst, p-Werte und t-Statistiken zu nutzen, um die Modellkonfiguration zu vereinfachen, ein ACF-Diagramm und den Ljung-Box-Test einzusetzen, um Modellannahmen zu prüfen, und Likelihood sowie Informationskriterien für die Modellauswahl zu verwenden.
4
GARCH in der Praxis
In diesem letzten Kapitel lernst du, die zuvor behandelten GARCH-Modelle auf praktische Szenarien der Finanzwelt anzuwenden. Du vertiefst deine Fähigkeiten, indem du dich mit VaR im Risikomanagement, dynamischer Kovarianz in der Asset-Allokation und dynamischem Beta im Portfoliomanagement vertraut machst.
GARCH-Modelle in Python
Kurs
abgeschlossen
