После прохождения этих курсов я уверенно создаю профессиональные визуализации и дашборды.
Shoebur RahmanСпециалист по закупкам, Giz Bangladesh
Описание курса
Волатильность — ключевое понятие в финансах, поэтому модели GARCH на Python широко используются для прогнозирования изменений дисперсии, особенно при работе с временными рядами, зависящими от времени. В этом курсе вы узнаете, как и когда применять модели GARCH, как задавать предположения модели, строить прогнозы волатильности и оценивать качество модели. На основе реальных данных, включая исторические цены акций Tesla, вы получите практический опыт количественной оценки портфельных рисков — через расчёт Value-at-Risk, ковариации и коэффициента бета. Вы также применёте полученные знания к широкому спектру активов: акциям, индексам, криптовалютам и валютным парам — и будете готовы уверенно работать с моделями GARCH.
Предварительные требования
Программа
План курса
1
Основы модели GARCH
Что такое модели GARCH, для чего они используются и как их реализовать на Python? После прохождения этой главы вы сможете уверенно ответить на все эти вопросы.
- Зачем нужны модели GARCH50 XP
- Понятие волатильности50 XP
- Наблюдение кластеризации волатильности100 XP
- Вычисление волатильности100 XP
- Что такое ARCH и GARCH50 XP
- Основы модели GARCH50 XP
- Моделирование рядов ARCH и GARCH100 XP
- Изучите влияние параметров модели100 XP
- Реализация моделей GARCH в Python50 XP
- Изучение документации «arch»50 XP
- Реализация базовой модели GARCH100 XP
- Прогнозирование с помощью моделей GARCH100 XP
2
Настройка модели GARCH
Стандартная модель GARCH не всегда точно отражает реальные финансовые данные, распределения которых нередко имеют тяжёлые хвосты, асимметрию и несимметричные шоки. В этой главе вы научитесь строить более совершенные модели GARCH с реалистичными предположениями, а также освоите более сложные методы прогнозирования волатильности с использованием скользящего окна.
3
Оценка качества модели
В этой главе вы познакомитесь с принципом KISS в моделировании данных. Вы научитесь использовать p-значения и t-статистики для упрощения конфигурации модели, применять график ACF и тест Льюнга–Бокса для проверки предположений модели, а также использовать функцию правдоподобия и информационные критерии для выбора модели.
4
GARCH на практике
В заключительной главе вы научитесь применять модели GARCH к реальным финансовым сценариям. Вы углубите свои навыки, работая с VaR в управлении рисками, динамической ковариацией при распределении активов и динамическим коэффициентом бета в управлении портфелем.
Модели GARCH на Python
Курс
завершён
