Gestión cuantitativa de riesgos en Python

Ahora es el momento de ampliar tus herramientas de optimización del portafolio con medidas del 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 de Black-Scholes para cubrir un portafolio de opciones.

En este capítulo, calcularás medidas del riesgo utilizando la estimación paramétrica y datos históricos reales. A continuación, descubrirás cómo la simulación Montecarlo puede ayudarte a prever la incertidumbre. Y, por último, aprenderás cómo la crisis financiera mundial señaló que la propia aleatoriedad estaba cambiando, comprendiendo qué son 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 eventos 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 redes neuronales para aproximar distribuciones de pérdidas y realizar optimización del portafolio en tiempo real.