Witamy!

Ilościowe zarządzanie ryzykiem w Pythonie

Dr. Jamsheed Shorish

Computational Economist

O mnie

Ekonomista obliczeniowy
Specjalizacja:
- wycena aktywów
- technologie finansowe ("FinTech")
- zastosowania informatyki w ekonomii i finansach
Współprowadzący kurs "Economic Analysis of the Digital Economy" na ANU
Shorish Research (Belgia): biznesowe aplikacje obliczeniowe

Czym jest ilościowe zarządzanie ryzykiem?

Ilościowe zarządzanie ryzykiem: badanie kwantyfikowalnej niepewności
Niepewność:
- Przyszłe wyniki są nieznane
- Wyniki wpływają na decyzje planistyczne
Zarządzanie ryzykiem: ograniczanie skutków niekorzystnych zdarzeń
Kwantyfikowalna niepewność: identyfikacja czynników do pomiaru ryzyka
- Przykład: Ubezpieczenie od ognia. Co zwiększa ryzyko pożaru?
Ten kurs: ryzyko związane z portfelem finansowym

Zarządzanie ryzykiem a globalny kryzys finansowy

Wielka Recesja (2007–2010)
- Globalne straty wzrostu ponad 2 biliony USD
- USA: prawie 10 bilionów USD utraconych w majątku gospodarstw domowych
- Giełdy w USA straciły ok. 8 bilionów USD wartości
Globalny Kryzys Finansowy (2007–2009)
- Duże zmiany fundamentalnych wartości aktywów
- Ogromna niepewność co do przyszłych zwrotów
- Wysoka zmienność zwrotów z aktywów
- Zarządzanie ryzykiem kluczowe dla sukcesu lub porażki

Przypomnienie: portfele finansowe

Portfel finansowy
- Zbiór aktywów o niepewnych przyszłych zwrotach
- Akcje
- Obligacje
- Waluty obce (forex)
- Opcje na akcje
Wyzwanie: kwantyfikacja ryzyka dla zarządzania niepewnością
- Podejmowanie optymalnych decyzji inwestycyjnych
- Maksymalizacja zwrotu portfela przy danym apetycie na ryzyko

Kwantyfikacja zwrotu

Zwrot portfela: ważona suma zwrotów poszczególnych aktywów
- Biblioteka Pandas do analizy danych
- DataFrame prices
- Metoda .pct_change()
- Metoda .dot() dla returns

prices = pandas.read_csv("portfolio.csv")

returns = prices.pct_change()

weights = (weight_1, weight_2, ...)

portfolio_returns = returns.dot(weights)

Kwantyfikacja ryzyka

Zmienność zwrotu portfela = ryzyko
Obliczanie zmienności przez macierz kowariancji
Metoda .cov() DataFrame returns, annualizacja

covariance = returns.cov()*252

print(covariance)

Przykładowa macierz kowariancji dla 4 aktywów

Kwantyfikacja ryzyka

Zmienność zwrotu portfela = ryzyko
Obliczanie zmienności przez macierz kowariancji
Metoda .cov() DataFrame returns, annualizacja
Przekątna covariance to wariancje poszczególnych aktywów

covariance = returns.cov()*252

print(covariance)

Macierz kowariancji z zaznaczonymi wariancjami na przekątnej

Kwantyfikacja ryzyka

Zmienność zwrotu portfela = ryzyko
Obliczanie zmienności przez macierz kowariancji
Metoda .cov() DataFrame returns, annualizacja
Przekątna covariance to wariancje poszczególnych aktywów
Elementy pozaprzekątniowe covariance to kowariancje między aktywami

covariance = returns.cov()*252

print(covariance)

Macierz kowariancji z zaznaczonymi kowariancjami poza przekątną

Ryzyko portfela

Zależy od weights aktywów w portfelu
Wariancja portfela $\sigma_p^2$ wynosi $$ \sigma_p^2 := w^T \cdot \textnormal{Cov}_p \cdot w $$
Mnożenie macierzy za pomocą operatora @ w Pythonie
Zazwyczaj stosuje się odchylenie standardowe zamiast wariancji

weights = [0.25, 0.25, 0.25, 0.25] # Assumes four assets in portfolio

portfolio_variance = np.transpose(weights) @ covariance @ weights

portfolio_volatility = np.sqrt(portfolio_variance)

Szereg czasowy zmienności

Możliwość obliczania zmienności portfela w czasie
Okno czasowe do obliczania zmienności w stałym okresie (np. tydzień, 30-dniowy „miesiąc")
Series.rolling() tworzy okno
Obserwacja trendu zmienności i możliwych zdarzeń ekstremalnych

windowed = portfolio_returns.rolling(30)

volatility = windowed.std()*np.sqrt(252)
volatility.plot()
    .set_ylabel("Standard Deviation...")

30-dniowy wykres kroczący annualizowanej zmienności zwrotów

Czas na ćwiczenia!

Ilościowe zarządzanie ryzykiem w Pythonie

Preparing Video For Download...