Gerenciamento quantitativo de riscos em Python
Aprenda sobre gestão de riscos, valor em risco e mais aplicados à crise financeira de 2008 usando Python.
Comece O Curso Gratuitamente4 horas15 vídeos54 exercícios13.989 aprendizesDeclaração de Realização
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.Treinar 2 ou mais pessoas?
Tentar DataCamp for BusinessAmado por alunos de milhares de empresas
Descrição do Curso
Gerenciar riscos usando o Gerenciamento Quantitativo de Riscos é uma tarefa vital nos setores bancário, de seguros e de gerenciamento de ativos. É essencial que os analistas de risco financeiro, reguladores e atuários possam equilibrar quantitativamente as recompensas em relação à sua exposição ao risco.
Este curso apresenta a você o gerenciamento de risco de portfólio financeiro por meio de uma análise da crise financeira de 2007-2008 e seu efeito em bancos de investimento como o Goldman Sachs e o J.P. Morgan. Você aprenderá a usar Python para calcular e mitigar a exposição ao risco usando as medidas Value at Risk e Conditional Value at Risk, estimar o risco com técnicas como a simulação de Monte Carlo e usar tecnologias de ponta, como redes neurais, para realizar o reequilíbrio do portfólio em tempo real.
Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Finanças Aplicadas em Python
Ir para a trilha- 1
Recapitulação de risco e retorno
GratuitoO gerenciamento de riscos começa com uma compreensão do risco e do retorno. Recapitularemos como o risco e o retorno estão relacionados entre si, identificaremos os fatores de risco e os usaremos para nos familiarizarmos novamente com a Teoria Moderna de Portfólio aplicada à crise financeira global de 2007-2008.
Você é bem-vindo!50 xpRetornos do portfólio durante a crise100 xpCovariância de ativos e volatilidade da carteira100 xpFatores de risco e a crise financeira50 xpPrimário de reamostragem de frequência100 xpVisualização da correlação de fatores de risco100 xpModelo de fator de mínimos quadrados100 xpTeoria moderna de portfólio50 xpPrática com PyPortfolioOpt: retornos100 xpPrática com o PyPortfolioOpt: covariância100 xpDesmembrando a crise financeira100 xpA fronteira eficiente e a crise financeira100 xp - 2
Gerenciamento de riscos orientado por metas
Agora é hora de expandir seu conjunto de ferramentas de otimização de portfólio com medidas de risco, como o valor em risco (VaR) e o valor condicional em risco (CVaR). Para fazer isso, você usará bibliotecas Python especializadas, incluindo pandas, scipy e pypfopt. Você também aprenderá a reduzir a exposição ao risco usando o modelo Black-Scholes para proteger um portfólio de opções.
Medindo o risco50 xpVaR para a distribuição normal100 xpComparando CVaR e VaR100 xpQual medida de risco é "melhor"?50 xpExposição a riscos e perdas50 xpQual é o seu apetite por riscos?50 xpVaR e exposição ao risco100 xpCVaR e exposição ao risco100 xpGerenciamento de risco usando VaR e CVaR50 xpVaR a partir de uma distribuição ajustada100 xpMinimizando CVaR100 xpCVgerenciamento de risco aR e a crise100 xpCobertura de portfólio: compensação de riscos50 xpPrecificação de opções Black-Scholes100 xpPrecificação de opções e o ativo subjacente100 xpUso de opções para hedging100 xp - 3
Estimativa e identificação de riscos
Neste capítulo, você estimará as medidas de risco usando a estimativa paramétrica e dados históricos do mundo real. Em seguida, você descobrirá como a simulação de Monte Carlo pode ajudá-lo a prever a incerteza. Por fim, você aprenderá como a crise financeira global sinalizou que a própria aleatoriedade estava mudando, compreendendo as quebras estruturais e como identificá-las.
Estimativa paramétrica50 xpEstimativa de parâmetros: Normal100 xpEstimativa de parâmetros: Normal enviesado100 xpSimulação histórica e de Monte Carlo50 xpSimulação histórica100 xpSimulação de Monte Carlo100 xpQuebras estruturais50 xpQuebra estrutural da crise: I100 xpQuebra estrutural da crise: II100 xpQuebra estrutural da crise: III100 xpVolatilidade e valores extremos50 xpVolatilidade e quebras estruturais100 xpValores extremos e backtesting100 xp - 4
Gerenciamento avançado de riscos
É hora de explorar ferramentas mais gerais de gerenciamento de riscos. Essas técnicas avançadas são essenciais quando se tenta entender eventos extremos, como perdas incorridas durante a crise financeira, e distribuições complicadas de perdas que podem desafiar as técnicas tradicionais de estimativa. Você também descobrirá como as redes neurais podem ser implementadas para aproximar as distribuições de perdas e conduzir a otimização de portfólio em tempo real.
Teoria do valor extremo50 xpMáximos do bloco100 xpEventos extremos durante a crise100 xpGEV estimativa de risco100 xpEstimativa de densidade de kernel50 xpKDE de uma distribuição de perdas100 xpQual distribuição?50 xpCVaR e seleção de cobertura de perdas100 xpGerenciamento de risco por rede neural50 xpRedes neurais de camada única100 xpPrevisão de preços de ativos100 xpGerenciamento de riscos em tempo real100 xpConclusão e etapas futuras50 xp
Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Finanças Aplicadas em Python
Ir para a trilhacolaboradores
pré-requisitos
Introduction to Portfolio Analysis in PythonJamsheed Shorish
Ver MaisComputational Economist
O que os outros alunos têm a dizer?
Junte-se a mais de 15 milhões de alunos e comece Gerenciamento quantitativo de riscos em Python hoje mesmo!
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.