Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
La volatilité est un concept essentiel en finance, ce qui explique pourquoi les modèles GARCH en Python sont un choix populaire pour prévoir les variations de variance, en particulier avec des séries chronologiques dépendantes du temps. Ce cours vous montrera comment et quand mettre en œuvre des modèles GARCH, comment spécifier les hypothèses du modèle, ainsi que comment établir des prévisions de volatilité et évaluer la performance du modèle. À partir de données réelles, notamment les cours historiques de l’action Tesla, vous acquerrez une expérience pratique pour mieux quantifier les risques de portefeuille, grâce aux calculs de Value-at-Risk, de covariance et de bêta d’action. Vous appliquerez également vos apprentissages à un large éventail d’actifs, dont des actions, des indices, des cryptomonnaies et des devises, afin de vous préparer à utiliser les modèles GARCH.
Prérequis
Programme de formation
Plan du cours
1
Principes des modèles GARCH
Que sont les modèles GARCH, à quoi servent‑ils et comment les implémenter en Python ? À la fin de ce premier chapitre, vous serez en mesure de répondre avec assurance à toutes ces questions.
- Pourquoi avons-nous besoin des modèles GARCH50 XP
- Comprendre la volatilité50 XP
- Observer l’agrégation de volatilité100 XP
- Calculer la volatilité100 XP
- Qu’est-ce que les modèles ARCH et GARCH50 XP
- Révision des bases du modèle GARCH50 XP
- Simuler des séries ARCH et GARCH100 XP
- Observer l’impact des paramètres du modèle100 XP
- Comment implémenter des modèles GARCH en Python50 XP
- Passer en revue la documentation de "arch"50 XP
- Implémenter un modèle GARCH basique100 XP
- Réaliser des prévisions avec des modèles GARCH100 XP
2
Configuration des modèles GARCH
Un modèle GARCH « normal » ne reflète pas fidèlement les données financières réelles, dont les distributions présentent souvent des queues épaisses, de l’asymétrie et des chocs asymétriques. Dans ce chapitre, vous apprendrez à définir de meilleurs modèles GARCH avec des hypothèses plus réalistes. Vous verrez aussi comment produire des prévisions de volatilité plus sophistiquées avec des approches à fenêtre glissante.
3
Évaluation des performances du modèle
Ce chapitre vous présente le principe KISS appliqué à la modélisation en data science. Vous apprendrez à utiliser les p‑values et les statistiques t pour simplifier la configuration du modèle, à exploiter le graphique ACF et le test de Ljung‑Box pour vérifier les hypothèses, et à vous servir de la vraisemblance et des critères d’information pour la sélection de modèles.
4
GARCH en pratique
Dans ce dernier chapitre, vous apprendrez à appliquer les modèles GARCH étudiés précédemment à des scénarios concrets du monde financier. Vous développerez vos compétences en vous familiarisant avec la VaR en gestion des risques, la covariance dynamique pour l’allocation d’actifs et le bêta dynamique en gestion de portefeuille.
Modèles GARCH en Python
Cours
terminé
