Pular para o conteúdo principal
InícioPython

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 Gratuitamente
4 horas15 vídeos54 exercícios13.989 aprendizesTrophyDeclaração de Realização

Crie sua conta gratuita

GoogleLinkedInFacebook

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.
Group

Treinar 2 ou mais pessoas?

Tentar DataCamp for Business

Amado 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.
Para Empresas

Treinar 2 ou mais pessoas?

Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.
DataCamp Para EmpresasPara uma solução sob medida , agende uma demonstração.

Nas seguintes faixas

Finanças Aplicadas em Python

Ir para a trilha
  1. 1

    Recapitulação de risco e retorno

    Gratuito

    O 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.

    Reproduzir Capítulo Agora
    Você é bem-vindo!
    50 xp
    Retornos do portfólio durante a crise
    100 xp
    Covariância de ativos e volatilidade da carteira
    100 xp
    Fatores de risco e a crise financeira
    50 xp
    Primário de reamostragem de frequência
    100 xp
    Visualização da correlação de fatores de risco
    100 xp
    Modelo de fator de mínimos quadrados
    100 xp
    Teoria moderna de portfólio
    50 xp
    Prática com PyPortfolioOpt: retornos
    100 xp
    Prática com o PyPortfolioOpt: covariância
    100 xp
    Desmembrando a crise financeira
    100 xp
    A fronteira eficiente e a crise financeira
    100 xp
  2. 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.

    Reproduzir Capítulo Agora
  3. 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.

    Reproduzir Capítulo Agora
  4. 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.

    Reproduzir Capítulo Agora
Para Empresas

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

conjuntos de dados

IBM stock priceGE stock priceCrisis PortfolioMortgage Delinquency

colaboradores

Collaborator's avatar
Adel Nehme
Jamsheed Shorish HeadshotJamsheed Shorish

Computational Economist

Ver Mais

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

GoogleLinkedInFacebook

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.