Ilościowe zarządzanie ryzykiem w Pythonie

Czas rozszerzyć zestaw narzędzi do optymalizacji portfela o miary ryzyka, takie jak Value at Risk (VaR) i Conditional Value at Risk (CVaR). Skorzystasz w tym celu ze specjalistycznych bibliotek Pythona: pandas, scipy i pypfopt. Dowiesz się też, jak ograniczać ekspozycję na ryzyko, stosując model Blacka-Scholesa do zabezpieczania portfela opcji.

W tym rozdziale nauczysz się szacować miary ryzyka metodami estymacji parametrycznej i na podstawie historycznych danych rzeczywistych. Odkryjesz, jak symulacja Monte Carlo pomaga przewidywać niepewność. Na koniec zrozumiesz, w jaki sposób globalny kryzys finansowy pokazał, że sama losowość może się zmieniać – poznasz pojęcie przełomów strukturalnych i sposoby ich identyfikacji.

Czas poznać bardziej ogólne narzędzia zarządzania ryzykiem. Te zaawansowane techniki są kluczowe, gdy chcemy zrozumieć zdarzenia ekstremalne – takie jak straty poniesione podczas kryzysu finansowego – oraz złożone rozkłady strat, które mogą wymykać się tradycyjnym metodom estymacji. Dowiesz się też, jak sieci neuronowe można wykorzystać do aproksymowania rozkładów strat i przeprowadzania optymalizacji portfela w czasie rzeczywistym.