After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Управління ризиками за допомогою кількісного підходу є критично важливим завданням у банківській, страховій та індустрії управління активами. Фінансовим аналітикам з ризиків, регуляторам і актуаріям необхідно вміти кількісно врівноважувати дохідність і рівень ризику.Цей курс знайомить вас з управлінням ризиками інвестиційного портфеля через аналіз фінансової кризи 2007—2008 років і її впливу на інвестиційні банки, зокрема Goldman Sachs і J.P. Morgan. Ви навчитеся використовувати Python для розрахунку та зменшення ризикової експозиції за допомогою показників Value at Risk і Conditional Value at Risk, оцінювати ризик за допомогою таких методів, як моделювання Монте‑Карло, а також застосовувати сучасні технології, наприклад нейронні мережі, для ребалансування портфеля в реальному часі.
Попередні вимоги
Навчальний план
Зміст курсу
1
Підсумок про ризик і дохідність
Управління ризиками починається з розуміння ризику й дохідності. Ми нагадаємо, як вони пов'язані між собою, визначимо чинники ризику та використаємо їх, щоб знову звернутися до сучасної теорії портфеля на прикладі глобальної фінансової кризи 2007–2008 років.
- Ласкаво просимо!50 XP
- Доходності портфеля під час кризи100 XP
- Коваріація активів і волатильність портфеля100 XP
- Фактори ризику та фінансова криза50 XP
- Ознайомлення з ресемплінгом частоти100 XP
- Візуалізація кореляції факторів ризику100 XP
- Факторна модель найменших квадратів100 XP
- Modern Portfolio Theory50 XP
- Практика з PyPortfolioOpt: дохідність100 XP
- Практика з PyPortfolioOpt: коваріація100 XP
- Розбираємо фінансову кризу на періоди100 XP
- Ефективна межа та фінансова криза100 XP
2
Цільове управління ризиками
Тепер час розширити інструментарій оптимізації портфеля показниками ризику, такими як Value at Risk (VaR) і Conditional Value at Risk (CVaR). Для цього ви використаєте спеціалізовані бібліотеки Python, зокрема pandas, scipy та pypfopt. Ви також дізнаєтеся, як зменшити ризикову експозицію, використовуючи модель Блека—Шоулза для хеджування опціонного портфеля.
3
Оцінювання та ідентифікація ризику
У цьому розділі ви оцінюватимете показники ризику за допомогою параметричного оцінювання та історичних реальних даних. Потім ви побачите, як моделювання Монте‑Карло допомагає прогнозувати невизначеність. Нарешті, ви дізнаєтеся, як глобальна фінансова криза засвідчила, що сама випадковість змінюється, — розберетеся зі структурними зламами та способами їх виявлення.
4
Просунуте управління ризиками
Час дослідити більш загальні інструменти управління ризиками. Ці просунуті методи є ключовими, коли потрібно зрозуміти екстремальні події, як‑от збитки під час фінансової кризи, і складні розподіли збитків, які можуть не піддаватися традиційним підходам до оцінювання. Ви також дізнаєтеся, як можна застосовувати нейронні мережі для наближення розподілів збитків і проведення оптимізації портфеля в реальному часі.
Кількісне управління ризиками в Python
Курс
завершено
