50 % de descuento en DataCamp Premium. Más de 700 cursos a mitad de precio. Empieza a aprender hoy.
Descripción del curso
La volatilidad es un concepto esencial en finanzas, por lo que los modelos GARCH en Python son una opción popular para pronosticar cambios en la varianza, especialmente al trabajar con series temporales dependientes del tiempo. En este curso verás cómo y cuándo implementar modelos GARCH, cómo especificar los supuestos del modelo y cómo hacer previsiones de volatilidad y evaluar el rendimiento del modelo. Usando datos reales, incluidos los precios históricos de las acciones de Tesla, adquirirás experiencia práctica para cuantificar mejor los riesgos de una cartera mediante cálculos de Value-at-Risk, covarianza y Beta de acciones. También aplicarás lo aprendido a una amplia gama de activos —incluidas acciones, índices, criptomonedas y divisas—, preparándote para utilizar modelos GARCH por tu cuenta.
Requisitos previos
Programa de formación
Esquema del curso
1
Fundamentos de los modelos GARCH
¿Qué son los modelos GARCH, para qué se usan y cómo puedes implementarlos en Python? Al terminar este primer capítulo, podrás responder con confianza a todas estas preguntas.
- ¿Por qué necesitamos modelos GARCH?50 XP
- Entender la volatilidad50 XP
- Observa el agrupamiento de volatilidad100 XP
- Calcular la volatilidad100 XP
- Qué son ARCH y GARCH50 XP
- Repasa los conceptos básicos de GARCH50 XP
- Simula series ARCH y GARCH100 XP
- Observa el impacto de los parámetros del modelo100 XP
- Cómo implementar modelos GARCH en Python50 XP
- Revisa la documentación de "arch"50 XP
- Implementa un modelo GARCH básico100 XP
- Haz un pronóstico con modelos GARCH100 XP
2
Configuración de modelos GARCH
Un modelo GARCH normal no representa bien los datos financieros reales, cuyas distribuciones suelen mostrar colas gruesas, asimetría y choques asimétricos. En este capítulo, aprenderás a definir mejores modelos GARCH con supuestos más realistas. También aprenderás a hacer previsiones de volatilidad más sofisticadas con enfoques de ventana móvil.
3
Evaluación del rendimiento del modelo
Este capítulo te presenta el principio KISS del modelado en data science. Aprenderás a usar valores p y estadísticas t para simplificar la configuración del modelo, a usar el gráfico ACF y la prueba de Ljung-Box para verificar los supuestos del modelo, y a usar la verosimilitud y criterios de información para la selección de modelos.
4
GARCH en acción
En este capítulo final, aprenderás a aplicar los modelos GARCH que has visto a escenarios prácticos del mundo financiero. Desarrollarás tus habilidades al familiarizarte con el VaR en la gestión del riesgo, la covarianza dinámica en la asignación de activos y la Beta dinámica en la gestión de carteras.
Modelos GARCH en Python
Curso
completado
