Gestión cuantitativa del riesgo en Python

La gestión del riesgo empieza por comprender el riesgo y el rendimiento. Recapitularemos cómo se relacionan entre sí el riesgo y la rentabilidad, identificaremos los factores de riesgo y los utilizaremos para volver a familiarizarnos con la Teoría Moderna de Carteras aplicada a la crisis financiera mundial de 2007-2008.

Ahora es el momento de ampliar tus herramientas de optimización del portafolio con medidas de riesgo como el Valor en Riesgo (VaR) y el Valor en Riesgo Condicional (CVaR). Para ello utilizarás bibliotecas especializadas de Python, como pandas, scipy y pypfopt. También aprenderás a mitigar la exposición al riesgo utilizando el modelo Black-Scholes para cubrir un portafolio de opciones.

En este capítulo, estimarás las medidas de riesgo utilizando la estimación paramétrica y los datos históricos del mundo real. A continuación, descubrirás cómo la simulación de Montecarlo puede ayudarte a predecir la incertidumbre. Por último, aprenderás cómo la crisis financiera mundial señaló que la propia aleatoriedad estaba cambiando, comprendiendo las rupturas estructurales y cómo identificarlas.

Es hora de explorar herramientas más generales de gestión de riesgos. Estas técnicas avanzadas son fundamentales cuando se intenta comprender sucesos extremos, como las pérdidas sufridas durante la crisis financiera, y distribuciones de pérdidas complicadas que pueden desafiar las técnicas de estimación tradicionales. También descubrirás cómo pueden implementarse las redes neuronales para aproximar las distribuciones de pérdidas y llevar a cabo la optimización del portafolio en tiempo real.