Po ukończeniu tych kursów czuję się pewnie w tworzeniu profesjonalnych wizualizacji i pulpitów nawigacyjnych
Shoebur RahmanSpecjalista ds. zakupów, Giz Bangladesh
Opis kursu
Zmienność to kluczowe pojęcie w finansach – dlatego modele GARCH w Pythonie są popularnym narzędziem do prognozowania zmian wariancji, zwłaszcza gdy pracujemy z danymi szeregów czasowych zależnych od czasu. Ten kurs pokaże ci, jak i kiedy stosować modele GARCH, jak definiować założenia modelu oraz jak tworzyć prognozy zmienności i oceniać jakość modelu. Pracując na rzeczywistych danych, w tym historycznych cenach akcji Tesli, zdobędziesz praktyczne doświadczenie w kwantyfikowaniu ryzyka portfelowego – poprzez obliczenia wartości zagrożonej (VaR), kowariancji i współczynnika Beta. Nauczysz się też stosować modele GARCH do szerokiego zakresu aktywów: akcji, indeksów, kryptowalut i walut obcych.
Wymagania wstępne
Program nauczania
Plan kursu
1
Podstawy modeli GARCH
Czym są modele GARCH, do czego służą i jak je zaimplementować w Pythonie? Po ukończeniu tego rozdziału będziesz potrafić pewnie odpowiedzieć na wszystkie te pytania.
- Po co nam modele GARCH50 XP
- Zrozumieć zmienność50 XP
- Obserwacja grupowania zmienności100 XP
- Obliczanie zmienności100 XP
- Czym są ARCH i GARCH50 XP
- Podstawy modelu GARCH50 XP
- Symulacja szeregów ARCH i GARCH100 XP
- Obserwuj wpływ parametrów modelu100 XP
- Jak implementować modele GARCH w Pythonie50 XP
- Przeglądanie dokumentacji „arch"50 XP
- Implementacja podstawowego modelu GARCH100 XP
- Tworzenie prognoz za pomocą modeli GARCH100 XP
2
Konfiguracja modelu GARCH
Standardowy model GARCH nie oddaje w pełni charakteru rzeczywistych danych finansowych, których rozkłady często wykazują grube ogony, skośność i asymetryczne szoki. W tym rozdziale nauczysz się budować lepsze modele GARCH z bardziej realistycznymi założeniami. Poznasz też zaawansowane metody prognozowania zmienności z wykorzystaniem podejścia okna kroczącego.
3
Ocena jakości modelu
Ten rozdział zapozna cię z zasadą KISS w modelowaniu danych. Dowiesz się, jak używać p-wartości i statystyki t do upraszczania konfiguracji modelu, jak stosować wykres ACF i test Ljunga-Boxa do weryfikacji założeń modelu oraz jak wykorzystywać funkcję wiarygodności i kryteria informacyjne do wyboru modelu.
4
GARCH w praktyce
W tym ostatnim rozdziale nauczysz się stosować poznane modele GARCH w praktycznych scenariuszach ze świata finansów. Rozwiniesz swoje umiejętności, zapoznając się z wartością zagrożoną (VaR) w zarządzaniu ryzykiem, dynamiczną kowariancją w alokacji aktywów oraz dynamicznym współczynnikiem Beta w zarządzaniu portfelem.
Modele GARCH w Pythonie
Kurs
ukończony
