Quantitative Risk Management in Python

Jetzt erweiterst du deinen Werkzeugkasten zur Portfoliooptimierung um Risikokennzahlen wie Value at Risk (VaR) und Conditional Value at Risk (CVaR). Dazu verwendest du spezialisierte Python-Bibliotheken wie pandas, scipy und pypfopt. Außerdem lernst du, wie du mithilfe des Black-Scholes-Modells das Risikopotenzial durch Absicherung eines Optionsportfolios reduzierst.

In diesem Kapitel schätzt du Risikokennzahlen mithilfe parametrischer Verfahren und historischer Realweltdaten. Anschließend entdeckst du, wie dir die Monte-Carlo-Simulation helfen kann, Unsicherheit vorherzusagen. Zum Schluss lernst du, wie die globale Finanzkrise zeigte, dass sich die Zufälligkeit selbst veränderte – durch das Verständnis struktureller Brüche und deren Identifikation.

Jetzt ist es Zeit, allgemeinere Werkzeuge des Risikomanagements zu erkunden. Diese fortgeschrittenen Techniken sind entscheidend, um extreme Ereignisse – wie Verluste während der Finanzkrise – und komplexe Verlustverteilungen zu verstehen, die sich herkömmlichen Schätzverfahren entziehen können. Du entdeckst außerdem, wie neuronale Netze eingesetzt werden können, um Verlustverteilungen zu approximieren und eine Portfoliooptimierung in Echtzeit durchzuführen.