Ga naar hoofdinhoud
HomePython

Cursus

GARCH-modellen in Python

GemiddeldVaardigheidsniveau
Bijgewerkt 06-2022
Leer meer over GARCH-modellen, hoe je ze kunt gebruiken en kalibreren op financiële gegevens, van aandelen tot buitenlandse valuta.
Start Cursus Kosteloos
PythonApplied Finance
4 u
15 videos
54 Opdrachten
3,950 XP
10,609
Bewijs van Prestatie

Maak je kosteloos account aan

Ga verder met GoogleMeer opties weergeven

of

Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.

Geliefd bij leerlingen van duizenden bedrijven

Group

Een team trainen?

Probeer voor bedrijven

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

Time Series Analysis in Python
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.
Hoofdstuk beginnen
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.
Hoofdstuk beginnen
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.
Hoofdstuk beginnen
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.
Hoofdstuk beginnen
GARCH-modellen in Python
Cursus
voltooid

Verdien een prestatieverklaring

Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitae
Deel het op sociale media en in je functioneringsgesprekSchrijf je nu in

Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met GARCH-modellen in Python!

Maak je kosteloos account aan

Ga verder met GoogleMeer opties weergeven

of

Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.

Ontwikkel je datavaardigheden met DataCamp voor Mobiel

Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.

Download on the App StoreGet it on Google Play