Build your ultimate AI agent
Kursbeskrivning
Volatilitet är ett centralt begrepp inom finansvärlden, och GARCH-modeller i Python är ett populärt val för att prognostisera variansförändringar – särskilt när man arbetar med tidsberoende tidsseriedata. Den här kursen visar dig hur och när du implementerar GARCH-modeller, hur du specificerar modellantaganden och hur du gör volatilitetsprognoser och utvärderar modellprestanda. Med hjälp av verkliga data, bland annat historiska Teslaaktiekurser, får du praktisk erfarenhet av att kvantifiera portföljrisker genom beräkningar av Value-at-Risk, kovarians och aktie-Beta. Du kommer även att tillämpa det du lärt dig på en rad olika tillgångar, inklusive aktier, index, kryptovalutor och valutapar – redo att ta GARCH-modeller i bruk på riktigt.
Förkunskapskrav
Kursplan
Kursöversikt
1
Grunderna i GARCH-modeller
Vad är GARCH-modeller, vad används de till och hur implementerar du dem i Python? När du har slutfört det här första kapitlet kan du svara tryggt på alla dessa frågor.
- Varför behöver vi GARCH-modeller50 XP
- Förstå volatilitet50 XP
- Observera volatilitetskluster100 XP
- Beräkna volatilitet100 XP
- Vad är ARCH och GARCH50 XP
- Repetera grunderna i GARCH-modellen50 XP
- Simulera ARCH- och GARCH-serier100 XP
- Utforska effekten av modellparametrar100 XP
- Så här implementerar du GARCH-modeller i Python50 XP
- Granska dokumentationen för "arch"50 XP
- Implementera en grundläggande GARCH-modell100 XP
- Gör prognoser med GARCH-modeller100 XP
2
Konfiguration av GARCH-modeller
En vanlig GARCH-modell är inte representativ för verkliga finansiella data, vars fördelningar ofta uppvisar tjocka svansar, skevhet och asymmetriska chocker. I det här kapitlet lär du dig att definiera bättre GARCH-modeller med mer realistiska antaganden. Du lär dig också att göra mer sofistikerade volatilitetsprognoser med rullande fönster-metoder.
3
Utvärdering av modellprestanda
Det här kapitlet introducerar dig till KISS-principen inom datavetenskaplig modellering. Du lär dig att använda p-värden och t-statistik för att förenkla modellkonfigurationen, använda ACF-diagram och Ljung-Box-testet för att verifiera modellantaganden samt använda sannolikhet och informationskriterier för modellval.
4
GARCH i praktiken
I det här sista kapitlet lär du dig att tillämpa de GARCH-modeller du tidigare lärt dig på praktiska finansiella scenarier. Du fördjupar dina kunskaper inom VaR i riskhantering, dynamisk kovarians i tillgångsallokering och dynamisk Beta i portföljförvaltning.
GARCH-modeller i Python
Kurs
slutförd
