ข้ามไปยังเนื้อหาหลัก

Courses

Quantitative Risk Management in R

พื้นฐานระดับทักษะ

อัปเดตแล้ว 01/2569

Work with risk-factor return series, study their empirical properties, and make estimates of value-at-risk.

เริ่มเรียนหลักสูตรฟรี

RApplied Finance5 ชม.18 videos55 Exercises4,350 เอ็กซ์พี15,854คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ลองใช้ DataCamp for Business

คำอธิบายรายวิชา

In Quantitative Risk Management (QRM), you will build models to understand the risks of financial portfolios. This is a vital task across the banking, insurance and asset management industries. The first step in the model building process is to collect data on the underlying risk factors that affect portfolio value and analyze their behavior. In this course, you will learn how to work with risk-factor return series, study the empirical properties or so-called "stylized facts" of these data - including their typical non-normality and volatility, and make estimates of value-at-risk for a portfolio.

ข้อกำหนดเบื้องต้น

Manipulating Time Series Data in R

1

Exploring Market Risk-Factor Data

In this chapter, you will learn how to form return series, aggregate them over longer periods and plot them in different ways. You will look at examples using the qrmdata package.

Welcome to the course!

50 เอ็กซ์พี

Exploring risk-factor time series: equity indexes

100 เอ็กซ์พี

Exploring risk-factor time series: individual equities

100 เอ็กซ์พี

Exploring risk-factor data: exchange rates

100 เอ็กซ์พี

Risk-factor returns

50 เอ็กซ์พี

Exploring return series

100 เอ็กซ์พี

Different ways of plotting risk-factor and return series

100 เอ็กซ์พี

Aggregating log-returns

50 เอ็กซ์พี

Aggregating log-return series

100 เอ็กซ์พี

A test on aggregation of log-returns

50 เอ็กซ์พี

Exploring other kinds of risk factors

50 เอ็กซ์พี

Commodities data

100 เอ็กซ์พี

Interest-rate data

100 เอ็กซ์พี

เริ่มบท

2

Real World Returns are Riskier Than Normal

In this chapter, you will learn about graphical and numerical tests of normality, apply them to different datasets, and consider the alternative Student t model.

The normal distribution

50 เอ็กซ์พี

Graphical methods for assessing normality

100 เอ็กซ์พี

Testing for normality

50 เอ็กซ์พี

Q-Q plots for assessing normality

100 เอ็กซ์พี

Skewness, kurtosis and the Jarque-Bera test

50 เอ็กซ์พี

Numerical tests of normality

100 เอ็กซ์พี

Testing normality for longer time horizons

100 เอ็กซ์พี

Overlapping returns

100 เอ็กซ์พี

Reviewing knowledge of normal distributions and returns

50 เอ็กซ์พี

The Student t distribution

50 เอ็กซ์พี

Fitting t distribution to data

100 เอ็กซ์พี

Testing FX returns for normality

100 เอ็กซ์พี

Testing interest-rate returns for normality

100 เอ็กซ์พี

Testing gold price returns for normality

50 เอ็กซ์พี

เริ่มบท

3

Real World Returns are Volatile and Correlated

In this chapter, you will learn about volatility and how to detect it using act plots. You will learn how to apply Ljung-Box tests for serial correlation and estimate cross correlations.

Characteristics of volatile return series

50 เอ็กซ์พี

Spotting a volatile time series

100 เอ็กซ์พี

Estimating serial correlations

50 เอ็กซ์พี

Using acf plots to reveal volatility

100 เอ็กซ์พี

The Ljung-Box test

50 เอ็กซ์พี

Applying Ljung-Box tests to return data

100 เอ็กซ์พี

Applying Ljung-Box tests to longer-interval returns

100 เอ็กซ์พี

Looking at the extremes in volatile return series

50 เอ็กซ์พี

Extreme values in volatile time series

100 เอ็กซ์พี

Cross correlations between risk-factor return series

100 เอ็กซ์พี

The stylized facts of return series

50 เอ็กซ์พี

Volatility and correlation of FX returns

100 เอ็กซ์พี

Volatility and correlation of interest-rate data

100 เอ็กซ์พี

Reviewing knowledge of volatility and correlation

50 เอ็กซ์พี

เริ่มบท

4

Estimating Portfolio Value-at-Risk (VaR)

In this chapter, the concept of value-at-risk and simple methods of estimating VaR based on historical simulation are introduced.

Value-at-risk and expected shortfall

50 เอ็กซ์พี

Computing VaR and ES for normal distribution

100 เอ็กซ์พี

International equity portfolio

50 เอ็กซ์พี

Examining risk factors for international equity portfolio

100 เอ็กซ์พี

Historical simulation

100 เอ็กซ์พี

Estimating VaR and ES

100 เอ็กซ์พี

Option portfolio and Black Scholes

50 เอ็กซ์พี

Compute Black-Scholes price of an option

100 เอ็กซ์พี

Equity and implied volatility risk factors

100 เอ็กซ์พี

Historical simulation for the option example

50 เอ็กซ์พี

Historical simulation of losses for option portfolio

100 เอ็กซ์พี

Estimating VaR and ES for option portfolio

100 เอ็กซ์พี

Computing VaR for weekly losses

50 เอ็กซ์พี

50 เอ็กซ์พี

เริ่มบท

Quantitative Risk Management in R

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Quantitative Risk Management in R วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา