Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
La volatilità è un concetto fondamentale in finanza, motivo per cui i modelli GARCH in Python sono una scelta molto diffusa per prevedere le variazioni della varianza, soprattutto quando si lavora con serie temporali dipendenti dal tempo. In questo corso vedrai come e quando implementare i modelli GARCH, come definire le ipotesi del modello, come fare previsioni di volatilità e come valutarne le prestazioni. Utilizzando dati reali, tra cui i prezzi storici delle azioni Tesla, farai pratica su come quantificare meglio i rischi di portafoglio tramite il calcolo del Value-at-Risk, della covarianza e del Beta azionario. Metterai inoltre in pratica ciò che hai imparato su un’ampia gamma di asset, tra cui azioni, indici, criptovalute e valute estere, preparandoti a utilizzare i modelli GARCH.
Prerequisiti
Programma
Struttura del corso
1
Fondamenti dei modelli GARCH
Cosa sono i modelli GARCH, a cosa servono e come puoi implementarli in Python? Al termine di questo primo capitolo saprai rispondere con sicurezza a tutte queste domande.
- Perché abbiamo bisogno dei modelli GARCH50 XP
- Comprendere la volatilità50 XP
- Osserva il clustering della volatilità100 XP
- Calcolare la volatilità100 XP
- Cosa sono ARCH e GARCH50 XP
- Ripasso delle basi dei modelli GARCH50 XP
- Simula serie ARCH e GARCH100 XP
- Osserva l’impatto dei parametri del modello100 XP
- Come implementare i modelli GARCH in Python50 XP
- Rivedi la documentazione di "arch"50 XP
- Implementa un modello GARCH di base100 XP
- Fai previsioni con i modelli GARCH100 XP
2
Configurazione dei modelli GARCH
Un normale modello GARCH non rappresenta bene i dati finanziari reali, le cui distribuzioni mostrano spesso code pesanti, asimmetria e shock asimmetrici. In questo capitolo imparerai a definire modelli GARCH migliori con ipotesi più realistiche. Imparerai anche a fare previsioni di volatilità più sofisticate con approcci a finestra mobile (rolling window).
3
Valutazione delle prestazioni del modello
Questo capitolo ti introduce al principio KISS nella modellazione di data science. Imparerai a usare p-value e statistiche t per semplificare la configurazione del modello, a utilizzare il grafico ACF e il test di Ljung-Box per verificare le ipotesi del modello e a impiegare verosimiglianza e criteri informativi per la selezione del modello.
4
GARCH in pratica
In questo capitolo finale, imparerai ad applicare i modelli GARCH visti in precedenza a scenari pratici del mondo finanziario. Svilupperai le tue competenze familiarizzando con il VaR nella gestione del rischio, la covarianza dinamica nell’allocazione degli asset e il Beta dinamico nella gestione di portafoglio.
Modelli GARCH in Python
Corso
completato
