After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Ilościowe zarządzanie ryzykiem to kluczowe zadanie w branżach bankowej, ubezpieczeniowej i zarządzania aktywami. Analitycy ryzyka finansowego, regulatorzy i aktuariusze muszą umieć precyzyjnie wyważyć potencjalne zyski wobec poziomu ponoszonego ryzyka.Ten kurs wprowadza cię w zagadnienia zarządzania ryzykiem portfela finansowego poprzez analizę kryzysu finansowego z lat 2007–2008 i jego wpływu na banki inwestycyjne, takie jak Goldman Sachs i J.P. Morgan. Nauczysz się używać Pythona do obliczania i ograniczania ekspozycji na ryzyko za pomocą miar Value at Risk i Conditional Value at Risk, szacowania ryzyka technikami takimi jak symulacja Monte Carlo oraz stosowania nowoczesnych rozwiązań – takich jak sieci neuronowe – do rebalansowania portfela w czasie rzeczywistym.
Wymagania wstępne
Program kursu
Plan kursu
1
Ryzyko i zwrot – powtórzenie
Zarządzanie ryzykiem zaczyna się od zrozumienia relacji między ryzykiem a zwrotem. Przypomnisz sobie, jak te dwa pojęcia są ze sobą powiązane, zidentyfikujesz czynniki ryzyka i wykorzystasz je do ponownego zapoznania się z Nowoczesną Teorią Portfela w kontekście globalnego kryzysu finansowego z lat 2007–2008.
- Witaj!50 XP
- Zwroty portfela w trakcie kryzysu100 XP
- Kowariancja aktywów i zmienność portfela100 XP
- Czynniki ryzyka a kryzys finansowy50 XP
- Wprowadzenie do próbkowania częstotliwości100 XP
- Wizualizacja korelacji czynników ryzyka100 XP
- Model czynnikowy metodą najmniejszych kwadratów100 XP
- Nowoczesna teoria portfela50 XP
- Ćwiczenie z PyPortfolioOpt: zwroty100 XP
- Ćwiczenie z PyPortfolioOpt: kowariancja100 XP
- Analiza kryzysu finansowego100 XP
- Granica efektywna a kryzys finansowy100 XP
2
Zarządzanie ryzykiem zorientowane na cel
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.
3
Szacowanie i identyfikacja ryzyka
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.
4
Zaawansowane zarządzanie ryzykiem
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.
Ilościowe zarządzanie ryzykiem w Pythonie
Kurs
ukończony
