Ga naar hoofdinhoud

Cursus

Kwantiatief Risicobeheer in R

BasisVaardigheidsniveau

Bijgewerkt 01-2026

Werk met reeksen van risicofactoren en rendementen, kijk naar hun eigenschappen en maak schattingen van de waarde-at-risk.

Start Cursus Kosteloos

RApplied Finance5 u18 videos55 Opdrachten4,350 XP15,859Prestatieverklaring

Maak je gratis account aan

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

Wil je 2 of meer mensen trainen?

Probeer DataCamp for Business

Cursusbeschrijving

In Quantitative Risk Management (QRM) bouw je modellen om de risico’s van financiële portefeuilles te begrijpen. Dit is een cruciale taak binnen de bank-, verzekerings- en vermogensbeheersector. De eerste stap in het modelleerproces is het verzamelen van gegevens over de onderliggende risicofactoren die de portefeuillewaarde beïnvloeden en het analyseren van hun gedrag. In deze cursus leer je werken met reeksen van rendementen op risicofactoren, de empirische eigenschappen of zogeheten "gestileerde feiten" van deze gegevens bestuderen — waaronder hun typische niet-normaliteit en volatiliteit — en schattingen maken van value-at-risk voor een portefeuille.

Vereisten

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

Hoofdstuk Beginnen

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

Hoofdstuk Beginnen

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

Hoofdstuk Beginnen

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

Hoofdstuk Beginnen

Kwantiatief Risicobeheer in R

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 Kwantiatief Risicobeheer in R!

Maak je gratis account aan

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.