Manajemen Risiko Kuantitatif dengan Python

Sekarang saatnya memperluas perangkat optimasi portofolio Anda dengan ukuran risiko seperti Value at Risk (VaR) dan Conditional Value at Risk (CVaR). Untuk melakukannya, Anda akan menggunakan pustaka Python khusus termasuk pandas, scipy, dan pypfopt. Anda juga akan mempelajari cara mengurangi eksposur risiko menggunakan model Black–Scholes untuk melakukan lindung nilai pada portofolio opsi.

Dalam bab ini, Anda akan mengestimasi ukuran risiko menggunakan estimasi parametrik dan data historis dunia nyata. Anda kemudian akan menemukan bagaimana simulasi Monte Carlo dapat membantu memprediksi ketidakpastian. Terakhir, Anda akan mempelajari bagaimana krisis keuangan global memberi sinyal bahwa kerandoman itu sendiri berubah, dengan memahami structural break dan cara mengidentifikasinya.

Saatnya mengeksplorasi alat manajemen risiko yang lebih umum. Teknik tingkat lanjut ini sangat penting ketika berupaya memahami kejadian ekstrem, seperti kerugian selama krisis keuangan, dan distribusi kerugian yang rumit yang mungkin tidak sesuai dengan teknik estimasi tradisional. Anda juga akan menemukan bagaimana neural network dapat diterapkan untuk mendekati distribusi kerugian dan melakukan optimasi portofolio secara real time.