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 Gratis4 horas15 vídeos54 ejercicios
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.¿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
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Finanzas Aplicadas en Python
Ir a la pista- 1
Resumen de riesgos y beneficios
GratuitoLa 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.
¡Te damos la bienvenida!50 xpRentabilidad del portafolio durante la crisis100 xpCovarianza de los activos y volatilidad del portafolio100 xpFactores de riesgo y crisis financiera50 xpManual básico de remuestreo de frecuencia100 xpVisualización de la correlación de los factores de riesgo100 xpModelo factorial de mínimos cuadrados100 xpTeoría del portafolio moderna50 xpPractica con PyPortfolioOpt: rentabilidad100 xpPractica con PyPortfolioOpt: covarianza100 xpDesglose de la crisis financiera100 xpLa frontera eficiente y la crisis financiera100 xp - 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.
Medición del riesgo50 xpVaR para la distribución normal100 xpComparación entre CVaR y VaR100 xp¿Qué medida de riesgo es "mejor"?50 xpExposición al riesgo y pérdidas50 xp¿Cuál es tu apetito por el riesgo?50 xpVaR y exposición al riesgo100 xpCVaR y exposición al riesgo100 xpGestión del riesgo mediante VaR y CVaR50 xpVaR de una distribución ajustada100 xpMinimización de CVaR100 xpLa gestión del riesgo CVaR y la crisis100 xpCobertura del portafolio: compensación del riesgo50 xpValoración de opciones Black-Scholes100 xpLa valoración de opciones y el activo subyacente100 xpUso de las opciones como cobertura100 xp - 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.
Estimación paramétrica50 xpEstimación paramétrica: normal100 xpEstimación paramétrica: normal sesgada100 xpSimulación histórica y Montecarlo50 xpSimulación histórica100 xpSimulación Montecarlo100 xpRupturas estructurales50 xpRuptura estructural de la crisis: I100 xpRuptura estructural de la crisis: II100 xpRuptura estructural de la crisis: III100 xpVolatilidad y valores extremos50 xpVolatilidad y rupturas estructurales100 xpValores extremos y backtesting100 xp - 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.
Teoría de valores extremos50 xpBlock maxima100 xpAcontecimientos extremos durante la crisis100 xpEstimación del riesgo GEV100 xpEstimación de la densidad del kernel50 xpKDE de una distribución de pérdidas100 xp¿Qué distribución?50 xpCVaR y selección de cobertura de pérdidas100 xpGestión de riesgos mediante redes neuronales50 xpRedes neuronales monocapa100 xpPrevisión del precio de los activos100 xpGestión de riesgos en tiempo real100 xpResumen y pasos siguientes50 xp
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Finanzas Aplicadas en Python
Ir a la pistacolaboradores
requisitos previos
Introduction to Portfolio Analysis in PythonJamsheed Shorish
Ver MásComputational Economist
¿Qué tienen que decir otros alumnos?
¡Únete a 14 millones de estudiantes y empieza Gestión cuantitativa del riesgo en Python hoy mismo!
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.