Build your ultimate AI agent
รายละเอียดคอร์ส
ในคอร์ส Quantitative Risk Management (QRM) นี้ คุณจะสร้างโมเดลเพื่อทำความเข้าใจความเสี่ยงของพอร์ตโฟลิโอทางการเงิน ซึ่งเป็นงานสำคัญในอุตสาหกรรมธนาคาร ประกันภัย และการจัดการสินทรัพย์ ขั้นตอนแรกในกระบวนการสร้างโมเดลคือการเก็บข้อมูลของปัจจัยความเสี่ยงที่ส่งผลต่อมูลค่าพอร์ตโฟลิโอ และวิเคราะห์พฤติกรรมของปัจจัยเหล่านั้น ในคอร์สนี้ คุณจะได้เรียนรู้วิธีทำงานกับชุดข้อมูลผลตอบแทนของปัจจัยความเสี่ยง ศึกษาคุณสมบัติเชิงประจักษ์หรือที่เรียกว่า "stylized facts" ของข้อมูลเหล่านี้ ซึ่งรวมถึงการกระจายที่ไม่เป็นโนมัลและความผันผวน รวมถึงการประมาณค่า value-at-risk ของพอร์ตโฟลิโอ
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
สำรวจข้อมูลปัจจัยความเสี่ยงในตลาด
ในบทนี้ คุณจะได้เรียนรู้วิธีสร้างชุดข้อมูลผลตอบแทน รวมผลตอบแทนในช่วงเวลาที่ยาวขึ้น และแสดงผลในรูปแบบต่าง ๆ โดยใช้ตัวอย่างจากแพ็กเกจ qrmdata
- ยินดีต้อนรับสู่คอร์ส!50 XP
- สำรวจอนุกรมเวลาของปัจจัยความเสี่ยง: ดัชนีตลาดหุ้น100 XP
- สำรวจอนุกรมเวลาของปัจจัยความเสี่ยง: หุ้นรายตัว100 XP
- สำรวจข้อมูลปัจจัยความเสี่ยง: อัตราแลกเปลี่ยน100 XP
- ผลตอบแทนของปัจจัยความเสี่ยง50 XP
- สำรวจอนุกรม Return100 XP
- วิธีต่าง ๆ ในการพล็อตข้อมูลปัจจัยความเสี่ยงและชุดผลตอบแทน100 XP
- การรวม log-return50 XP
- การรวม log-return series100 XP
- ทดสอบการรวม log-return50 XP
- การสำรวจปัจจัยความเสี่ยงประเภทอื่น50 XP
- ข้อมูลสินค้าโภคภัณฑ์100 XP
- ข้อมูลอัตราดอกเบี้ย100 XP
2
ผลตอบแทนในโลกจริงมีความเสี่ยงสูงกว่าการแจกแจงแบบปกติ
ในบทนี้ คุณจะได้เรียนรู้การทดสอบความเป็นโนมัลทั้งในเชิงกราฟและเชิงตัวเลข นำไปใช้กับชุดข้อมูลต่าง ๆ และพิจารณาโมเดลทางเลือกอย่าง Student t
3
ผลตอบแทนในโลกจริงมีความผันผวนและความสัมพันธ์
ในบทนี้ คุณจะได้เรียนรู้เรื่องความผันผวนและวิธีตรวจจับด้วย acf plot รวมถึงการทดสอบ Ljung-Box สำหรับ serial correlation และการประมาณค่า cross correlation
4
การประมาณค่า Value-at-Risk (VaR) ของพอร์ตโฟลิโอ
ในบทนี้ จะแนะนำแนวคิดของ value-at-risk และวิธีการประมาณค่า VaR อย่างง่ายโดยใช้ historical simulation
R
Quantitative Risk Management in R
เรียนจบแล้ว
