Build your ultimate AI agent
Descrierea cursului
Volatilitatea este un concept esențial în finanțe, motiv pentru care modelele GARCH în Python sunt o alegere populară pentru prognozarea variațiilor de varianță, în special atunci când lucrezi cu date de tip serie temporală dependente de timp. Acest curs îți va arăta cum și când să implementezi modele GARCH, cum să specifici ipotezele modelului și cum să realizezi previziuni de volatilitate și să evaluezi performanța modelului. Folosind date din lumea reală – inclusiv prețurile istorice ale acțiunilor Tesla – vei dobândi experiență practică pentru a cuantifica mai bine riscurile unui portofoliu, prin calculul Valorii la Risc (Value-at-Risk), al covarianței și al Beta-ului acțiunilor. Vei aplica, de asemenea, ceea ce ai învățat pe o gamă largă de active, inclusiv acțiuni, indici, criptomonede și valute, pregătindu-te să folosești modelele GARCH în practică.
Cerințe prealabile
Curriculum
Structura cursului
1
Bazele modelelor GARCH
Ce sunt modelele GARCH, la ce sunt folosite și cum le poți implementa în Python? După parcurgerea acestui prim capitol, vei putea răspunde cu încredere la toate aceste întrebări.
- De ce avem nevoie de modele GARCH50 XP
- Înțelege volatilitatea50 XP
- Observă gruparea volatilității100 XP
- Calculează volatilitatea100 XP
- Ce sunt ARCH și GARCH50 XP
- Recapitulează noțiunile de bază ale modelului GARCH50 XP
- Simulează serii ARCH și GARCH100 XP
- Observă impactul parametrilor modelului100 XP
- Cum să implementezi modele GARCH în Python50 XP
- Explorează documentația „arch"50 XP
- Implementează un model GARCH de bază100 XP
- Realizează prognoze cu modele GARCH100 XP
2
Configurarea modelelor GARCH
Un model GARCH standard nu este reprezentativ pentru datele financiare reale, ale căror distribuții prezintă frecvent cozi groase, asimetrie și șocuri asimetrice. În acest capitol, vei învăța cum să definești modele GARCH mai bune, cu ipoteze mai realiste. Vei descoperi, de asemenea, cum să realizezi previziuni de volatilitate mai sofisticate folosind abordări cu fereastră glisantă.
3
Evaluarea performanței modelului
Acest capitol îți prezintă principiul KISS aplicat în modelarea datelor. Vei învăța cum să folosești valorile p și statisticile t pentru a simplifica configurația modelului, cum să utilizezi graficul ACF și testul Ljung-Box pentru a verifica ipotezele modelului și cum să aplici criteriile de probabilitate și de informație pentru selecția modelului.
4
GARCH în acțiune
În acest capitol final, vei învăța cum să aplici modelele GARCH studiate anterior în scenarii practice din lumea financiară. Îți vei dezvolta abilitățile pe măsură ce te familiarizezi cu VaR în managementul riscului, cu covarianța dinamică în alocarea activelor și cu Beta dinamic în managementul portofoliului.
Modele GARCH în Python
Curs
finalizat
