Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Risikomanagement mit Quantitative Risk Management ist eine zentrale Aufgabe in Banken, Versicherungen und der Vermögensverwaltung. Es ist entscheidend, dass Finanzrisikoanalysten, Aufsichtsbehörden und Aktuarinnen/Aktuare Erträge quantitativ gegen ihr Risikopotenzial abwägen können.Dieser Kurs führt dich in das Risikomanagement von Finanzportfolios ein, anhand einer Betrachtung der Finanzkrise 2007–2008 und ihrer Auswirkungen auf Investmentbanken wie Goldman Sachs und J.P. Morgan. Du lernst, wie du mit Python das Risiko mithilfe der Kennzahlen Value at Risk und Conditional Value at Risk berechnest und reduzierst, Risiken mit Verfahren wie der Monte-Carlo-Simulation abschätzt und moderne Technologien wie neuronale Netze nutzt, um Portfolios in Echtzeit neu zu gewichten.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Rückblick auf Risiko und Rendite
Risikomanagement beginnt mit dem Verständnis von Risiko und Rendite. Wir frischen auf, wie Risiko und Rendite zusammenhängen, identifizieren Risikofaktoren und nutzen sie, um uns mit der Modernen Portfoliotheorie im Kontext der globalen Finanzkrise 2007–2008 wieder vertraut zu machen.
- Willkommen!50 XP
- Portfolioerträge während der Krise100 XP
- Asset-Kovarianz und Portfoliovolatilität100 XP
- Risikofaktoren und die Finanzkrise50 XP
- Einstieg ins Frequenz-Resampling100 XP
- Korrelation von Risikofaktoren visualisieren100 XP
- Kleinste-Quadrate-Faktormodell100 XP
- Moderne Portfoliotheorie50 XP
- Übung mit PyPortfolioOpt: Renditen100 XP
- Übung mit PyPortfolioOpt: Kovarianz100 XP
- Die Finanzkrise aufschlüsseln100 XP
- Die effiziente Frontier und die Finanzkrise100 XP
2
Zielorientiertes Risikomanagement
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.
3
Risikomessung und -identifikation
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.
4
Fortgeschrittenes Risikomanagement
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.
Quantitative Risk Management in Python
Kurs
abgeschlossen
