After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Волатильність — ключове поняття у фінансах, тому моделі GARCH у Python часто застосовують для прогнозування змін дисперсії, особливо для часових рядів, залежних від часу. У цьому курсі ви дізнаєтеся, як і коли застосовувати моделі GARCH, як задавати припущення моделі, як будувати прогнози волатильності та оцінювати якість моделі. Використовуючи реальні дані, зокрема історичні ціни акцій Tesla, ви набудете практичних навичок точнішого вимірювання ризиків портфеля через розрахунки Value-at-Risk, коваріації та бети акцій. Ви також застосуєте здобуті знання до широкого спектра активів — акцій, індексів, криптовалют і валют — щоб бути готовими впевнено використовувати моделі GARCH.
Попередні вимоги
Навчальний план
Зміст курсу
1
Основи моделей GARCH
Що таке моделі GARCH, для чого їх використовують і як реалізувати їх у Python? Після опрацювання цього першого розділу ви зможете впевнено відповісти на всі ці запитання.
- Навіщо потрібні моделі GARCH50 XP
- Зрозумійте волатильність50 XP
- Спостерігайте кластеризацію волатильності100 XP
- Обчисліть волатильність100 XP
- Що таке ARCH і GARCH50 XP
- Пригадайте основи моделі GARCH50 XP
- Змоделюйте ряди ARCH і GARCH100 XP
- Спостерігайте вплив параметрів моделі100 XP
- Як реалізувати моделі GARCH у Python50 XP
- Ознайомтеся з документацією «arch»50 XP
- Реалізуйте базову модель GARCH100 XP
- Зробіть прогноз за моделями GARCH100 XP
2
Налаштування моделі GARCH
Звичайна модель GARCH погано відображає реальні фінансові дані, розподіли яких часто мають «товсті» хвости, асиметрію та нерівномірні шоки. У цьому розділі ви навчитеся визначати кращі моделі GARCH із реалістичнішими припущеннями. Також ви опanuєте побудову складніших прогнозів волатильності за допомогою рухомих вікон.
3
Оцінювання якості моделі
У цьому розділі ви познайомитеся з принципом KISS у моделюванні даних. Ви навчитеся використовувати p-значення та t-статистики, щоб спростити конфігурацію моделі; застосовувати графік ACF і тест Льюнга—Бокса для перевірки припущень моделі; а також використовувати правдоподібність і інформаційні критерії для вибору моделі.
4
GARCH на практиці
У завершальному розділі ви навчитеся застосовувати моделі GARCH, розглянуті раніше, до практичних фінансових задач. Ви розвинете свої навички, ознайомившись із VaR у керуванні ризиками, динамічною коваріацією в алокації активів та динамічною бетою в управлінні портфелем.
Моделі GARCH у Python
Курс
завершено
