Sari la conținutul principal

Curs

Modele GARCH în Python

IntermediarNivel de competențe

Actualizat 06.2022

Începe cursul gratuit

PythonApplied Finance

4 h

15 videoclipuri

54 Exerciții

3,950 XP

10,611

Certificat de realizare

Îndrăgit de cursanți din mii de companii

Formare pentru o echipă?

Încearcă pentru afaceri

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

Time Series Analysis in Python

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 GARCH

Înțelege volatilitatea

Observă gruparea volatilității

Calculează volatilitatea

Ce sunt ARCH și GARCH

Recapitulează noțiunile de bază ale modelului GARCH

Simulează serii ARCH și GARCH

Observă impactul parametrilor modelului

Cum să implementezi modele GARCH în Python

Explorează documentația „arch"

Implementează un model GARCH de bază

Realizează prognoze cu modele GARCH

Începe capitolul

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.

Ipoteze privind distribuția

Cozi groase și asimetrie

Reprezentarea distribuției reziduurilor standardizate

Antrenează un model GARCH cu distribuție t asimetrică

Specificații ale modelului mediei

Verifică ipotezele modelului de medie

Efectul modelului mediei asupra predicțiilor de volatilitate

Modele de volatilitate pentru șocuri asimetrice

Modelarea răspunsurilor asimetrice ale volatilității

Potrivește modele GARCH pe date despre criptomonede

Comparație între GJR-GARCH și EGARCH

Prognoză GARCH cu fereastră glisantă

De ce să folosești prognoza cu fereastră glisantă

Prognoză cu fereastră glisantă fixă

Compararea rezultatelor prognozei

Începe capitolul

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.

Testarea semnificației parametrilor modelului

Menține lucrurile simple

Simplifică modelul cu ajutorul valorilor p

Simplifică modelul cu t-statistici

Validarea ipotezelor modelului GARCH

Detectează autocorrelațiile

Graficul ACF

Testul Ljung-Box

Măsuri ale calității ajustării

Noțiuni de bază despre bunătatea de potrivire

Alege câștigătorul pe baza log-verosimilității

Alege câștigătorul pe baza AIC/BIC

Backtestarea modelului GARCH

Noțiuni de bază despre backtesting

Backtesting cu MAE și MSE

Începe capitolul

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.

VaR în managementul riscului financiar

Conceptul de VaR

Calculează VaR parametric

Calculează VaR empiric

Covarianță dinamică în optimizarea portofoliului

Conceptul de covarianță

Calculează covarianța GARCH

Calculează varianța dinamică a portofoliului

Beta dinamic în managementul portofoliului

Conceptul de Beta

Calculează Beta-ul dinamic al acțiunii

Felicitări!

Începe capitolul

Modele GARCH în Python

Curs
finalizat

Obține diploma de absolvire

Adaugă această acreditare la profilul tău LinkedIn, CV sau rezumat
Distribuie pe rețelele de socializare și în evaluarea ta de performanțăÎnscrie-te acum

Alătură-te celor peste 19 de milioane de cursanți și începe Modele GARCH în Python astăzi!

Dezvoltați-vă abilitățile de gestionare a datelor cu DataCamp pentru mobil

Fă progrese din mers cu cursurile noastre mobile și provocările zilnice de programare de 5 minute.