본문으로 바로가기

강의

Python으로 배우는 GARCH 모델

중급기술 수준

업데이트됨 2022. 6.

GARCH 모델을 이해하고, 주식부터 외환까지의 금융 데이터에 적용·구현하며, 캘리브레이션 방법을 학습합니다.

무료로 강의 시작

PythonApplied Finance

4시간

15 동영상

54 연습 문제

3,950 XP

10,602

성취 증명서

수천 개 기업의 학습자들이 사랑하는

팀을 교육하시나요?

비즈니스용으로 체험해 보세요

강의 설명

변동성은 금융에서 핵심 개념이며, 특히 시계열 데이터처럼 시간 의존적 데이터에서 분산의 변화를 예측할 때 Python의 GARCH 모델이 널리 사용됩니다. 이 강의에서는 GARCH 모델을 언제, 어떻게 구현하는지, 모델 가정을 어떻게 설정하는지, 변동성을 어떻게 예측하고 모델 성능을 평가하는지를 다룹니다. 테슬라 주가의 과거 데이터 등 실제 데이터를 사용해, VaR(Value-at-Risk), 공분산, 주식 베타(Beta)를 계산하며 포트폴리오 위험을 더 잘 정량화하는 실습을 진행합니다. 또한 주식, 지수, 암호화폐, 외환 등 다양한 자산에 배운 내용을 적용해, GARCH 모델을 실전에 활용할 수 있도록 준비합니다.

선수 조건

Time Series Analysis in Python

1

GARCH Model Fundamentals

What are GARCH models, what are they used for, and how can you implement them in Python? After completing this first chapter you’ll be able to confidently answer all these questions.

Why do we need GARCH models

Understand volatility

Observe volatility clustering

Calculate volatility

What are ARCH and GARCH

Review GARCH model basics

Simulate ARCH and GARCH series

Observe the impact of model parameters

How to implement GARCH models in Python

Review "arch" documentation

Implement a basic GARCH model

Make forecast with GARCH models

2

GARCH Model Configuration

A normal GARCH model is not representative of the real financial data, whose distributions frequently exhibit fat tails, skewness, and asymmetric shocks. In this chapter, you’ll learn how to define better GARCH models with more realistic assumptions. You’ll also learn how to make more sophisticated volatility forecasts with rolling window approaches.

Distribution assumptions

Fat tails and skewness

Plot distribution of standardized residuals

Fit a GARCH with skewed t-distribution

Mean model specifications

Check mean model assumptions

Effect of mean model on volatility predictions

Volatility models for asymmetric shocks

Modeling of asymmetric responses of volatility

Fit GARCH models to cryptocurrency

Compare GJR-GARCH with EGARCH

GARCH rolling window forecast

Why use rolling window forecast

Fixed rolling window forecast

Compare forecast results

3

Model Performance Evaluation

This chapter introduces you to the KISS principle of data science modeling. You’ll learn how to use p-values and t-statistics to simplify model configuration, use ACF plot, Ljung-Box test to verify model assumptions and use likelihood and information criteria for model selection.

Significance testing of model parameters

Keep it simple stupid

Simplify the model with p-values

Simplify the model with t-statistics

Validation of GARCH model assumptions

Detect autocorrelations

Ljung-Box test

Goodness of fit measures

Goodness of fit basics

Pick a winner based on log-likelihood

Pick a winner based on AIC/BIC

GARCH model backtesting

Backtesting basics

Backtesting with MAE, MSE

4

GARCH in Action

In this final chapter, you’ll learn how to apply the GARCH models you’ve previously learned to practical financial world scenarios. You’ll develop your skills as you become more familiar with VaR in risk management, dynamic covariance in asset allocation, and dynamic Beta in portfolio management.

VaR in financial risk management

VaR concept

Compute parametric VaR

Compute empirical VaR

Dynamic covariance in portfolio optimization

Covariance concept

Compute GARCH covariance

Compute dynamic portfolio variance

Dynamic Beta in portfolio management

Beta concept

Compute dynamic stock Beta

Congratulations!

Python으로 배우는 GARCH 모델

강의
완료

수료증 획득

LinkedIn 프로필, 이력서 또는 CV에 이 인증서를 추가하세요
소셜 미디어와 성과 평가에서 공유하세요지금 등록

19백만 명 이상의 학습자와 함께 Python으로 배우는 GARCH 모델을(를) 시작하세요!

DataCamp for Mobile을 통해 데이터 분석 능력을 향상시키세요.

모바일 강좌와 매일 5분 코딩 챌린지를 통해 이동 중에도 학습 효과를 높이세요.