Saltar al contenido principal
InicioPythonGestión cuantitativa del riesgo en Python

Gestión cuantitativa del riesgo en Python

Aprende sobre la gestión del riesgo, el valor en riesgo y mucho más aplicado a la crisis financiera de 2008 utilizando Python.

Comience El Curso Gratis
4 Horas15 Videos54 Ejercicios
12.575 AprendicesTrophyDeclaración de cumplimiento

Crea Tu Cuenta Gratuita

GoogleLinkedInFacebook

o

Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.
Group¿Entrenar a 2 o más personas?Pruebe DataCamp para empresas

Preferido por estudiantes en miles de empresas


Descripción del curso

Gestionar el riesgo mediante la gestión cuantitativa del riesgo es una tarea vital en los sectores de la banca, los seguros y la gestión de activos. Es esencial que los analistas de riesgos financieros, los reguladores y los actuarios puedan equilibrar cuantitativamente las recompensas con su exposición al riesgo. Este curso te introduce en la gestión del riesgo de portafolios financieros mediante un examen de la crisis financiera de 2007-2008 y su efecto en bancos de inversión como Goldman Sachs y J.P. Morgan. Aprenderás a utilizar Python para calcular y mitigar la exposición al riesgo utilizando las medidas Valor en riesgo y Valor en riesgo condicional, estimar el riesgo con técnicas como la simulación Montecarlo y utilizar tecnologías de vanguardia como las redes neuronales para realizar reequilibrios de portafolio en tiempo real.
Empresas

Group¿Entrenar a 2 o más personas?

Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y más
Pruebe DataCamp Para EmpresasPara obtener una solución a medida, reserve una demostración.

En las siguientes pistas

Finanzas Aplicadas en Python

Ir a la pista
  1. 1

    Resumen de riesgos y beneficios

    Gratuito

    La gestión del riesgo empieza por comprender el riesgo y el rendimiento. Recapitularemos cómo se relacionan entre sí el riesgo y la rentabilidad, identificaremos los factores de riesgo y los utilizaremos para volver a familiarizarnos con la Teoría Moderna de Carteras aplicada a la crisis financiera mundial de 2007-2008.

    Reproducir Capítulo Ahora
    ¡Te damos la bienvenida!
    50 xp
    Rentabilidad del portafolio durante la crisis
    100 xp
    Covarianza de los activos y volatilidad del portafolio
    100 xp
    Factores de riesgo y crisis financiera
    50 xp
    Manual básico de remuestreo de frecuencia
    100 xp
    Visualización de la correlación de los factores de riesgo
    100 xp
    Modelo factorial de mínimos cuadrados
    100 xp
    Teoría del portafolio moderna
    50 xp
    Practica con PyPortfolioOpt: rentabilidad
    100 xp
    Practica con PyPortfolioOpt: covarianza
    100 xp
    Desglose de la crisis financiera
    100 xp
    La frontera eficiente y la crisis financiera
    100 xp
  2. 2

    Gestión de riesgos orientada a objetivos

    Ahora es el momento de ampliar tus herramientas de optimización del portafolio con medidas de riesgo como el Valor en Riesgo (VaR) y el Valor en Riesgo Condicional (CVaR). Para ello utilizarás bibliotecas especializadas de Python, como pandas, scipy y pypfopt. También aprenderás a mitigar la exposición al riesgo utilizando el modelo Black-Scholes para cubrir un portafolio de opciones.

    Reproducir Capítulo Ahora
  3. 3

    Estimar e identificar el riesgo

    En este capítulo, estimarás las medidas de riesgo utilizando la estimación paramétrica y los datos históricos del mundo real. A continuación, descubrirás cómo la simulación de Montecarlo puede ayudarte a predecir la incertidumbre. Por último, aprenderás cómo la crisis financiera mundial señaló que la propia aleatoriedad estaba cambiando, comprendiendo las rupturas estructurales y cómo identificarlas.

    Reproducir Capítulo Ahora
  4. 4

    Gestión avanzada de riesgos

    Es hora de explorar herramientas más generales de gestión de riesgos. Estas técnicas avanzadas son fundamentales cuando se intenta comprender sucesos extremos, como las pérdidas sufridas durante la crisis financiera, y distribuciones de pérdidas complicadas que pueden desafiar las técnicas de estimación tradicionales. También descubrirás cómo pueden implementarse las redes neuronales para aproximar las distribuciones de pérdidas y llevar a cabo la optimización del portafolio en tiempo real.

    Reproducir Capítulo Ahora
Empresas

Group¿Entrenar a 2 o más personas?

Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y más

En las siguientes pistas

Finanzas Aplicadas en Python

Ir a la pista

Sets De Datos

IBM stock priceGE stock priceCrisis PortfolioMortgage Delinquency

Colaboradores

Collaborator's avatar
Adel Nehme
Jamsheed Shorish HeadshotJamsheed Shorish

Computational Economist

Ver Mas

¿Qué tienen que decir otros alumnos?

¡Únete a 13 millones de estudiantes y empieza Gestión cuantitativa del riesgo en Python hoy mismo!

Crea Tu Cuenta Gratuita

GoogleLinkedInFacebook

o

Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.