본문으로 바로가기

강의

R로 배우는 계량적 위험 관리(Quantitative Risk Management)

기초기술 수준

업데이트됨 2026. 1.

위험요인 수익률 시계를 다루고, 실증적 특성을 분석하며, value-at-risk를 추정합니다.

무료로 강의 시작

RApplied Finance5시간18 동영상55 연습 문제4,350 XP15,854성취 증명서

무료 계정을 만드세요

또는

계속 진행하시면 당사의 이용약관, 개인정보처리방침 및 귀하의 데이터가 미국에 저장되는 것에 동의하시는 것입니다.

수천 개 기업의 학습자들이 사랑하는

2명 이상을 교육하시나요?

DataCamp for Business 체험

강의 설명

이 강의에서는 Quantitative Risk Management(QRM)의 관점에서 금융 포트폴리오의 위험을 이해하기 위한 모델을 구축해 봅니다. 이는 은행, 보험, 자산운용 산업 전반에서 매우 중요한 업무예요. 모델링의 첫 단계는 포트폴리오 가치를 좌우하는 기초 위험 요인에 대한 데이터를 수집하고 그 특성을 분석하는 것입니다. 이 과정을 통해 위험 요인 수익률 시계열을 다루는 법을 배우고, 이 데이터의 경험적 특성, 즉 흔히 말하는 "stylized facts"—정규성이 아닌 분포와 변동성 등을 포함—을 살펴보며, 포트폴리오의 Value-at-Risk를 추정하는 방법을 익히게 됩니다.

선수 조건

Manipulating Time Series Data in R

1

Exploring Market Risk-Factor Data

In this chapter, you will learn how to form return series, aggregate them over longer periods and plot them in different ways. You will look at examples using the qrmdata package.

Welcome to the course!

Exploring risk-factor time series: equity indexes

Exploring risk-factor time series: individual equities

Exploring risk-factor data: exchange rates

Risk-factor returns

Exploring return series

Different ways of plotting risk-factor and return series

Aggregating log-returns

Aggregating log-return series

A test on aggregation of log-returns

Exploring other kinds of risk factors

Commodities data

Interest-rate data

2

Real World Returns are Riskier Than Normal

In this chapter, you will learn about graphical and numerical tests of normality, apply them to different datasets, and consider the alternative Student t model.

The normal distribution

Graphical methods for assessing normality

Testing for normality

Q-Q plots for assessing normality

Skewness, kurtosis and the Jarque-Bera test

Numerical tests of normality

Testing normality for longer time horizons

Overlapping returns

Reviewing knowledge of normal distributions and returns

The Student t distribution

Fitting t distribution to data

Testing FX returns for normality

Testing interest-rate returns for normality

Testing gold price returns for normality

3

Real World Returns are Volatile and Correlated

In this chapter, you will learn about volatility and how to detect it using act plots. You will learn how to apply Ljung-Box tests for serial correlation and estimate cross correlations.

Characteristics of volatile return series

Spotting a volatile time series

Estimating serial correlations

Using acf plots to reveal volatility

The Ljung-Box test

Applying Ljung-Box tests to return data

Applying Ljung-Box tests to longer-interval returns

Looking at the extremes in volatile return series

Extreme values in volatile time series

Cross correlations between risk-factor return series

The stylized facts of return series

Volatility and correlation of FX returns

Volatility and correlation of interest-rate data

Reviewing knowledge of volatility and correlation

4

Estimating Portfolio Value-at-Risk (VaR)

In this chapter, the concept of value-at-risk and simple methods of estimating VaR based on historical simulation are introduced.

Value-at-risk and expected shortfall

Computing VaR and ES for normal distribution

International equity portfolio

Examining risk factors for international equity portfolio

Historical simulation

Estimating VaR and ES

Option portfolio and Black Scholes

Compute Black-Scholes price of an option

Equity and implied volatility risk factors

Historical simulation for the option example

Historical simulation of losses for option portfolio

Estimating VaR and ES for option portfolio

Computing VaR for weekly losses

R로 배우는 계량적 위험 관리(Quantitative Risk Management)

강의
완료

수료증 획득

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

19백만 명 이상의 학습자와 함께 R로 배우는 계량적 위험 관리(Quantitative Risk Management)을(를) 시작하세요!

무료 계정을 만드세요

또는

계속 진행하시면 당사의 이용약관, 개인정보처리방침 및 귀하의 데이터가 미국에 저장되는 것에 동의하시는 것입니다.

DataCamp for Mobile을 통해 데이터 분석 능력을 향상시키세요.

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