Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
A volatilidade é um conceito essencial em finanças, por isso os modelos GARCH em Python são uma escolha popular para prever mudanças na variância, especialmente ao trabalhar com séries temporais que dependem do tempo. Neste curso, você vai aprender como e quando implementar modelos GARCH, como especificar as suposições do modelo e como fazer previsões de volatilidade e avaliar o desempenho do modelo. Usando dados do mundo real, incluindo preços históricos das ações da Tesla, você terá experiência prática de como quantificar melhor os riscos de portfólio, por meio de cálculos de Value-at-Risk, covariância e Beta de ações. Você também vai aplicar o que aprendeu a uma ampla variedade de ativos, incluindo ações, índices, criptomoedas e câmbio, preparando você para usar modelos GARCH na prática.
Pré-requisitos
Programa de estudos
Descrição do curso
1
Fundamentos do Modelo GARCH
O que são modelos GARCH, para que servem e como você pode implementá-los em Python? Ao concluir este primeiro capítulo, você será capaz de responder com segurança a todas essas perguntas.
- Por que precisamos de modelos GARCH50 XP
- Entenda a volatilidade50 XP
- Observe o agrupamento de volatilidade100 XP
- Calcular a volatilidade100 XP
- O que são ARCH e GARCH50 XP
- Revisar o básico de modelos GARCH50 XP
- Simular séries ARCH e GARCH100 XP
- Observe o impacto dos parâmetros do modelo100 XP
- Como implementar modelos GARCH em Python50 XP
- Revise a documentação do "arch"50 XP
- Implemente um modelo GARCH básico100 XP
- Fazer previsões com modelos GARCH100 XP
2
Configuração do Modelo GARCH
Um modelo GARCH normal não representa bem os dados financeiros reais, cujas distribuições frequentemente exibem caudas pesadas, assimetria e choques assimétricos. Neste capítulo, você vai aprender a definir modelos GARCH melhores, com suposições mais realistas. Você também vai aprender a fazer previsões de volatilidade mais sofisticadas com abordagens de janela móvel (rolling window).
3
Avaliação do Desempenho do Modelo
Este capítulo apresenta o princípio KISS de modelagem em ciência de dados. Você vai aprender a usar valores de p e estatísticas t para simplificar a configuração do modelo, usar o gráfico ACF e o teste de Ljung-Box para verificar as suposições do modelo e utilizar verossimilhança e critérios de informação para seleção de modelos.
4
GARCH na Prática
Neste capítulo final, você vai aprender a aplicar os modelos GARCH que estudou anteriormente a cenários práticos do mundo financeiro. Você vai desenvolver suas habilidades à medida que se familiariza com VaR em gerenciamento de risco, covariância dinâmica em alocação de ativos e Beta dinâmico em gestão de portfólio.
Modelos GARCH em Python
Curso
concluído
