Name: GARCH Models ใน Python
Rating: 4.858638743455497 (191 reviews)

รายละเอียดคอร์ส

ความผันผวนเป็นแนวคิดสำคัญในโลกการเงิน GARCH Models ใน Python จึงเป็นเครื่องมือยอดนิยมสำหรับพยากรณ์การเปลี่ยนแปลงของความแปรปรวน โดยเฉพาะเมื่อทำงานกับข้อมูลอนุกรมเวลาที่มีการพึ่งพาเวลา คอร์สนี้จะแสดงวิธีการใช้งาน GARCH Models ให้ถูกต้องเหมาะสม วิธีกำหนดข้อสมมติของโมเดล และวิธีพยากรณ์ความผันผวนพร้อมประเมินประสิทธิภาพของโมเดล โดยใช้ข้อมูลจริง ทั้งราคาหุ้น Tesla ในอดีต เพื่อให้ได้ฝึกปฏิบัติจริงในการวัดความเสี่ยงของพอร์ตโฟลิโอ ผ่านการคำนวณ Value-at-Risk, covariance, และ Beta ของหุ้น นอกจากนี้ยังนำความรู้ไปประยุกต์ใช้กับสินทรัพย์หลากหลายประเภท ทั้งหุ้น ดัชนี คริปโตเคอร์เรนซี และอัตราแลกเปลี่ยน เพื่อเตรียมพร้อมสำหรับการใช้ GARCH Models ในสถานการณ์จริง

ข้อกำหนดเบื้องต้น

Time Series Analysis in Python

หลักสูตร

โครงสร้างคอร์ส

พื้นฐาน GARCH Model

GARCH Models คืออะไร ใช้ทำอะไร และจะนำมาใช้งานใน Python ได้อย่างไร? หลังจากเรียนจบบทแรกนี้แล้ว จะสามารถตอบคำถามเหล่านี้ได้อย่างมั่นใจ

เริ่มบทเรียน

การกำหนดค่า GARCH Model

GARCH Model แบบปกติไม่สะท้อนข้อมูลการเงินจริงได้ครบถ้วน เนื่องจากการกระจายของข้อมูลจริงมักแสดงหางอ้วน ความเบ้ และการตอบสนองต่อแรงกระแทกที่ไม่สมมาตร ในบทนี้จะได้เรียนรู้วิธีสร้าง GARCH Models ที่ดีขึ้นด้วยข้อสมมติที่สมจริงยิ่งขึ้น รวมถึงวิธีพยากรณ์ความผันผวนที่ซับซ้อนขึ้นโดยใช้แนวทาง rolling window

เริ่มบทเรียน

การประเมินประสิทธิภาพของโมเดล

บทนี้จะแนะนำหลักการ KISS ในการสร้างโมเดลด้านวิทยาศาสตร์ข้อมูล โดยจะได้เรียนรู้วิธีใช้ p-value และ t-statistic เพื่อลดความซับซ้อนของการกำหนดค่าโมเดล วิธีใช้ ACF plot และการทดสอบ Ljung-Box เพื่อตรวจสอบข้อสมมติของโมเดล และวิธีใช้ likelihood และเกณฑ์สารสนเทศสำหรับการเลือกโมเดล

เริ่มบทเรียน

GARCH ในการใช้งานจริง

ในบทสุดท้ายนี้จะได้เรียนรู้วิธีนำ GARCH Models ที่ศึกษามาตลอดคอร์สไปประยุกต์ใช้กับสถานการณ์จริงในโลกการเงิน ทั้งการพัฒนาทักษะด้าน VaR ในการบริหารความเสี่ยง dynamic covariance ในการจัดสรรสินทรัพย์ และ dynamic Beta ในการบริหารพอร์ตโฟลิโอ