Ana içeriğe atla

Kurs

Python ile GARCH Modelleri

Orta SeviyeBeceri Seviyesi

Güncel 06.2022

GARCH Modellerini, bunların nasıl uygulanacağını ve hisse senetlerinden dövize kadar finansal veriler üzerinde nasıl kalibre edileceğini öğrenin.

Kursa Ücretsiz Başlayın

PythonApplied Finance

4 sa

15 video

54 Egzersiz

3,950 XP

10,611

Başarı Belgesi

Binlerce şirketten öğrencinin sevgisini kazandı

Bir Ekibi Eğitiyor musunuz?

İşletmeler için deneyin

Kurs Açıklaması

Oynaklık (volatilite) finansta temel bir kavramdır; bu yüzden özellikle zamana bağlı zaman serileriyle çalışırken varyanstaki değişimleri öngörmek için Python’daki GARCH modelleri sıkça tercih edilir. Bu kursta GARCH modellerini nasıl ve ne zaman uygulayacağını, model varsayımlarını nasıl belirleyeceğini, volatilite tahminleri yapmayı ve model performansını değerlendirmeyi öğreneceksin. Tesla’nın tarihsel hisse fiyatları da dahil olmak üzere gerçek dünya verileriyle, Riske Maruz Değer (Value-at-Risk), kovaryans ve hisse Betası hesaplamaları üzerinden portföy risklerini daha iyi ölçme konusunda pratik deneyim kazanacaksın. Öğrendiklerini hisseler, endeksler, kripto paralar ve döviz dahil geniş bir varlık yelpazesine uygulayarak GARCH modellerini hayata geçirmeye hazır hale geleceksin.

Önkoşullar

Time Series Analysis in Python

1

GARCH Model Temelleri

GARCH modelleri nedir, ne için kullanılır ve Python’da nasıl uygulanır? Bu ilk bölümü tamamladıktan sonra tüm bu soruları güvenle yanıtlayabileceksin.

Neden GARCH modellere ihtiyacımız var

Volatiliteyi anla

Volatilite kümeleşmesini gözlemle

Volatiliteyi hesapla

ARCH ve GARCH nedir

GARCH modelinin temellerini gözden geçir

ARCH ve GARCH serilerini simüle et

Model parametrelerinin etkisini gözlemle

Python'da GARCH modelleri nasıl uygulanır

"arch" dokümantasyonunu incele

Basit bir GARCH modelini uygula

GARCH modelleriyle tahmin yap

Bölümü Başlat

2

GARCH Model Yapılandırması

Standart bir GARCH modeli, dağılımları sıkça kalın kuyruklar, çarpıklık ve asimetrik şoklar sergileyen gerçek finansal verileri tam olarak yansıtmaz. Bu bölümde, daha gerçekçi varsayımlarla daha iyi GARCH modelleri tanımlamayı öğreneceksin. Ayrıca, dönen pencere (rolling window) yaklaşımlarıyla daha gelişmiş volatilite tahminleri yapmayı da öğreneceksin.

Dağılım varsayımları

Kalın kuyruklar ve çarpıklık

Standardize artıkların dağılımını çiz

Eğri t-dağılımlı bir GARCH uydur

Ortalama model belirtimleri

Ortalama model varsayımlarını kontrol et

Ortalama modelinin oynaklık tahminlerine etkisi

Asimetrik şoklar için oynaklık modelleri

Oynaklığın asimetrik tepkilerinin modellenmesi

Kryptoparaya GARCH modelleri uydur

GJR-GARCH ile EGARCH'ı karşılaştır

GARCH yuvarlanan pencere tahmini

Neden yuvarlanan pencere tahmini kullanılır

Sabit kayan pencere tahmini

Tahmin sonuçlarını karşılaştır

Bölümü Başlat

3

Model Performans Değerlendirmesi

Bu bölüm seni veri bilimi modellemesinin KISS ilkesine girişle tanıştırır. Model yapılandırmasını sadeleştirmek için p-değerlerini ve t-istatistiklerini kullanmayı, model varsayımlarını doğrulamak için ACF grafiği ile Ljung-Box testini ve model seçimi için olabilirlik ile bilgi ölçütlerini kullanmayı öğreneceksin.

Model parametrelerinin anlamlılık testi

Basit tut, aptalca karmaşıklaştırma

p-değerleriyle modeli basitleştir

t-istatistikleriyle modeli basitleştir

GARCH model varsayımlarının doğrulanması

Otokorelasyonları tespit et

ACF grafiği

Ljung-Box testi

Uygunluk ölçütleri

Uygunluk iyiliği temelleri

Log-olasılık temelinde kazananı seç

AIC/BIC’e göre en iyiyi seç

GARCH modelinin geriye dönük test edilmesi

Backtesting temelleri

MAE, MSE ile Backtesting

Bölümü Başlat

4

Uygulamada GARCH

Bu son bölümde, daha önce öğrendiğin GARCH modellerini finans dünyasındaki pratik senaryolara nasıl uygulayacağını öğreneceksin. Risk yönetiminde VaR, varlık tahsisinde dinamik kovaryans ve portföy yönetiminde dinamik Beta konularına daha aşina oldukça becerilerini geliştireceksin.

Finansal risk yönetiminde VaR

VaR kavramı

Parametrik VaR hesapla

Ampirik VaR'ı hesapla

Portföy optimizasyonunda dinamik kovaryans

Kovaryans kavramı

GARCH kovaryansını hesapla

Dinamik portföy varyansını hesapla

Portföy yönetiminde dinamik Beta

Beta kavramı

Dinamik hisse Betası hesapla

Bölümü Başlat

Python ile GARCH Modelleri

Kurs
Tamamlandı

Başarı Belgesi Kazanın

Bu kimlik bilgisini LinkedIn profilinize, özgeçmişinize veya CV'nize ekleyin
Sosyal medyada ve performans incelemenizde paylaşınŞimdi kaydolun

Bugün 19 milyondan fazla öğrenciye katılın ve Python ile GARCH Modelleri eğitimine başlayın!

DataCamp for Mobile ile veri becerilerinizi geliştirin

Mobil kurslarımız ve günde 5 dakikalık kodlama görevlerimizle hareket halindeyken ilerleme kaydedin.