Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Volatiliteit is een essentieel begrip in de financiën. Daarom zijn GARCH-modellen in Python een populaire keuze voor het voorspellen van variantieveranderingen, vooral bij tijdreeksgegevens die tijdsafhankelijk zijn. In deze cursus leer je hoe en wanneer je GARCH-modellen toepast, hoe je modelaannames specificeert, en hoe je volatiliteitsvoorspellingen maakt en de modelprestatie evalueert. Met echte data, waaronder historische aandelenkoersen van Tesla, doe je praktische ervaring op met het beter kwantificeren van portefeuillerisico’s, via berekeningen van Value-at-Risk, covariantie en aandelen-Beta. Je past wat je hebt geleerd ook toe op een breed scala aan activa, waaronder aandelen, indexen, cryptovaluta en vreemde valuta, zodat je klaar bent om met GARCH-modellen aan de slag te gaan.
Vereisten
Lesprogramma
Cursusoverzicht
1
Basisprincipes van GARCH-modellen
Wat zijn GARCH-modellen, waarvoor gebruik je ze, en hoe implementeer je ze in Python? Na dit eerste hoofdstuk kun je al deze vragen met vertrouwen beantwoorden.
- Waarom hebben we GARCH-modellen nodig50 XP
- Begrijp volatiliteit50 XP
- Observeer volatiliteitsclustering100 XP
- Volatiliteit berekenen100 XP
- Wat zijn ARCH en GARCH50 XP
- Herhaal de basis van het GARCH-model50 XP
- ARCH- en GARCH-reeksen simuleren100 XP
- Bekijk het effect van modelparameters100 XP
- GARCH-modellen implementeren in Python50 XP
- Bekijk de documentatie van "arch"50 XP
- Implementeer een basaal GARCH‑model100 XP
- Maak een voorspelling met GARCH-modellen100 XP
2
GARCH-modelconfiguratie
Een normaal GARCH-model is niet representatief voor echte financiële data, waarvan de verdelingen vaak vette staarten, scheefheid en asymmetrische schokken vertonen. In dit hoofdstuk leer je hoe je betere GARCH-modellen opstelt met realistischer aannames. Je leert ook hoe je geavanceerdere volatiliteitsvoorspellingen maakt met rollende vensterbenaderingen.
3
Evaluatie van modelprestatie
Dit hoofdstuk introduceert je in het KISS-principe van data-sciencemodellering. Je leert hoe je p-waarden en t-statistieken gebruikt om de modelconfiguratie te vereenvoudigen, een ACF-plot en de Ljung-Box-toets om modelaannames te verifiëren, en likelihood en informatiecriteria voor modelselectie.
4
GARCH in de praktijk
In dit laatste hoofdstuk leer je hoe je de eerder behandelde GARCH-modellen toepast in praktische financiële scenario’s. Je ontwikkelt je vaardigheden terwijl je vertrouwd raakt met VaR in risicobeheer, dynamische covariantie in assetallocatie en dynamische Beta in portefeuillebeheer.
GARCH-modellen in Python
Cursus
voltooid
