Gestione quantitativa del rischio in Python

Ora è il momento di ampliare la tua cassetta degli attrezzi per l’ottimizzazione del portafoglio con misure di rischio come Value at Risk (VaR) e Conditional Value at Risk (CVaR). Per farlo userai librerie Python specializzate tra cui pandas, scipy e pypfopt. Imparerai anche a mitigare l’esposizione al rischio utilizzando il modello di Black-Scholes per coprire un portafoglio di opzioni.

In questo capitolo stimerai le misure di rischio usando stime parametriche e dati storici reali. Scoprirai poi come la simulazione Monte Carlo può aiutarti a prevedere l’incertezza. Infine, capirai come la crisi finanziaria globale abbia segnalato che la casualità stessa stava cambiando, comprendendo le rotture strutturali e come identificarle.

È il momento di esplorare strumenti più generali di gestione del rischio. Queste tecniche avanzate sono fondamentali quando si cerca di comprendere eventi estremi, come le perdite subite durante la crisi finanziaria, e distribuzioni di perdita complesse che possono sfuggire alle tecniche di stima tradizionali. Scoprirai anche come implementare reti neurali per approssimare le distribuzioni di perdita ed eseguire l’ottimizzazione del portafoglio in tempo reale.