Build your ultimate AI agent
课程介绍
波动率是金融中的核心概念。因此，在处理具有时间依赖性的时间序列数据时，使用 Python 的 GARCH 模型来预测方差变化十分常见。本课程将向您展示何时以及如何实现 GARCH 模型、如何设定模型假设、如何进行波动率预测并评估模型表现。通过使用真实世界数据（包括特斯拉的历史股价），您将亲身实践如何更好地量化投资组合风险，例如计算在险价值（Value-at-Risk）、协方差和股票 Beta。您还将把所学应用于更广泛的资产类别，包括股票、指数、加密货币和外汇，为今后运用 GARCH 模型做好准备。
先修要求
课程大纲
课程大纲
1
GARCH 模型基础
什么是 GARCH 模型、它们用于什么场景、以及如何在 Python 中实现？完成本章后，您将能够自信地回答这些问题。
2
GARCH 模型配置
标准的 GARCH 模型无法充分代表真实金融数据，因为真实分布常常呈现肥尾、偏度和不对称冲击。在本章中，您将学习如何在更贴近现实的假设下，定义更合理的 GARCH 模型。您还将学习使用滚动窗口方法，进行更复杂的波动率预测。
3
模型性能评估
本章将向您介绍数据科学建模中的 KISS 原则。您将学习如何使用 p 值和 t 统计量来简化模型配置，使用 ACF 图和 Ljung-Box 检验来验证模型假设，并使用似然与信息准则进行模型选择。
4
GARCH 实战
在最后一章中，您将把之前学到的 GARCH 模型应用到实际金融场景。随着对风险管理中的 VaR、资产配置中的动态协方差，以及投资组合管理中的动态 Beta 更加熟悉，您的技能将得到提升。
Python 中的 GARCH 模型
课程完成
