ข้ามไปยังเนื้อหาหลัก

บ้าน Python

Courses

GARCH Models in Python

ระดับกลางระดับทักษะ

อัปเดตแล้ว 06/2565

Learn about GARCH Models, how to implement them and calibrate them on financial data from stocks to foreign exchange.

เริ่มเรียนหลักสูตรฟรี

PythonApplied Finance4 ชม.15 videos54 Exercises3,950 เอ็กซ์พี10,454คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ลองใช้ DataCamp for Business

คำอธิบายรายวิชา

Volatility is an essential concept in finance, which is why GARCH models in Python are a popular choice for forecasting changes in variance, specifically when working with time-series data that are time-dependant. This course will show you how and when to implement GARCH models, how to specify model assumptions, and how to make volatility forecasts and evaluate model performance. Using real-world data, including historical Tesla stock prices, you’ll gain hands-on experience of how to better quantify portfolio risks, through calculations of Value-at-Risk, covariance, and stock Beta. You’ll also apply what you’ve learned to a wide range of assets, including stocks, indices, cryptocurrencies, and foreign exchange, preparing you to go forth and use GARCH models.

ข้อกำหนดเบื้องต้น

Time Series Analysis in Python

1

GARCH Model Fundamentals

What are GARCH models, what are they used for, and how can you implement them in Python? After completing this first chapter you’ll be able to confidently answer all these questions.

Why do we need GARCH models

50 เอ็กซ์พี

Understand volatility

50 เอ็กซ์พี

Observe volatility clustering

100 เอ็กซ์พี

Calculate volatility

100 เอ็กซ์พี

What are ARCH and GARCH

50 เอ็กซ์พี

Review GARCH model basics

50 เอ็กซ์พี

Simulate ARCH and GARCH series

100 เอ็กซ์พี

Observe the impact of model parameters

100 เอ็กซ์พี

How to implement GARCH models in Python

50 เอ็กซ์พี

Review "arch" documentation

50 เอ็กซ์พี

Implement a basic GARCH model

100 เอ็กซ์พี

Make forecast with GARCH models

100 เอ็กซ์พี

เริ่มบท

2

GARCH Model Configuration

A normal GARCH model is not representative of the real financial data, whose distributions frequently exhibit fat tails, skewness, and asymmetric shocks. In this chapter, you’ll learn how to define better GARCH models with more realistic assumptions. You’ll also learn how to make more sophisticated volatility forecasts with rolling window approaches.

Distribution assumptions

50 เอ็กซ์พี

Fat tails and skewness

50 เอ็กซ์พี

Plot distribution of standardized residuals

100 เอ็กซ์พี

Fit a GARCH with skewed t-distribution

100 เอ็กซ์พี

Mean model specifications

50 เอ็กซ์พี

Check mean model assumptions

50 เอ็กซ์พี

Effect of mean model on volatility predictions

100 เอ็กซ์พี

Volatility models for asymmetric shocks

50 เอ็กซ์พี

Modeling of asymmetric responses of volatility

50 เอ็กซ์พี

Fit GARCH models to cryptocurrency

100 เอ็กซ์พี

Compare GJR-GARCH with EGARCH

100 เอ็กซ์พี

GARCH rolling window forecast

50 เอ็กซ์พี

Why use rolling window forecast

50 เอ็กซ์พี

Fixed rolling window forecast

100 เอ็กซ์พี

Compare forecast results

100 เอ็กซ์พี

เริ่มบท

3

Model Performance Evaluation

This chapter introduces you to the KISS principle of data science modeling. You’ll learn how to use p-values and t-statistics to simplify model configuration, use ACF plot, Ljung-Box test to verify model assumptions and use likelihood and information criteria for model selection.

Significance testing of model parameters

50 เอ็กซ์พี

Keep it simple stupid

50 เอ็กซ์พี

Simplify the model with p-values

100 เอ็กซ์พี

Simplify the model with t-statistics

100 เอ็กซ์พี

Validation of GARCH model assumptions

50 เอ็กซ์พี

Detect autocorrelations

50 เอ็กซ์พี

100 เอ็กซ์พี

Ljung-Box test

100 เอ็กซ์พี

Goodness of fit measures

50 เอ็กซ์พี

Goodness of fit basics

50 เอ็กซ์พี

Pick a winner based on log-likelihood

100 เอ็กซ์พี

Pick a winner based on AIC/BIC

100 เอ็กซ์พี

GARCH model backtesting

50 เอ็กซ์พี

Backtesting basics

50 เอ็กซ์พี

Backtesting with MAE, MSE

100 เอ็กซ์พี

เริ่มบท

4

GARCH in Action

In this final chapter, you’ll learn how to apply the GARCH models you’ve previously learned to practical financial world scenarios. You’ll develop your skills as you become more familiar with VaR in risk management, dynamic covariance in asset allocation, and dynamic Beta in portfolio management.

VaR in financial risk management

50 เอ็กซ์พี

VaR concept

50 เอ็กซ์พี

Compute parametric VaR

100 เอ็กซ์พี

Compute empirical VaR

100 เอ็กซ์พี

Dynamic covariance in portfolio optimization

50 เอ็กซ์พี

Covariance concept

50 เอ็กซ์พี

Compute GARCH covariance

100 เอ็กซ์พี

Compute dynamic portfolio variance

100 เอ็กซ์พี

Dynamic Beta in portfolio management

50 เอ็กซ์พี

Beta concept

50 เอ็กซ์พี

Compute dynamic stock Beta

100 เอ็กซ์พี

Congratulations!

50 เอ็กซ์พี

เริ่มบท

GARCH Models in Python

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม GARCH Models in Python วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา