Corso Avanzato di Costruzione Portafogli con Python

Lezione 1 • Calcolo dei Rendimenti e Statistiche di Base

Calcoli i rendimenti semplici e logaritmici e sintetizzi le loro distribuzioni. Queste metriche costituiscono gli input diretti per tutti i modelli di rischio e ottimizzazione successivi.

Lezione 2 • Recupero e Pulizia dei Dati di Mercato

Recuperi i dati storici dei prezzi tramite API e li pulisca per l'analisi. Garantisce la qualità dei dati prima di eseguire qualsiasi calcolo di rendimento o rischio.

Lezione 3 • Pandas per i Dati in Serie Storiche

Manipoli DataFrame e Series indicizzate temporalmente per gestire i dati di prezzi e rendimenti. Fornisce il livello dati che alimenta ogni modulo analitico successivo.

Lezione 4 • Configurazione dell'Ambiente Quant

Configuri Python, gli ambienti virtuali e le librerie essenziali per l'analisi di portafoglio. Stabilisce lo spazio di lavoro riproducibile utilizzato durante l'intero corso.

Lezione 1 • Stima della Matrice di Covarianza

Stimi e riduca le matrici di covarianza per diminuire l'errore di stima. Matrici di covarianza affidabili sono essenziali per un'ottimizzazione di portafoglio stabile.

Lezione 2 • Tecniche di Stima della Volatilità

Stimi la volatilità storica ed esponenzialmente ponderata dalle serie di rendimenti. Stime accurate della volatilità sono alla base di ogni misura di performance corretta per il rischio.

Lezione 3 • Metriche di Drawdown e Rischio di Coda

Misuri le perdite dal picco al minimo e il rischio di ribasso estremo utilizzando Python. Collega l'analisi della volatilità a scenari di perdita rilevanti per l'investitore.

Lezione 4 • Attribuzione del Rischio e Reporting

Attribuisca la varianza di portafoglio ai singoli asset e ai fattori. Traduce i numeri grezzi del rischio in informazioni utili per i gestori di portafoglio.

Lezione 1 • Fondamenti del Framework di Markowitz

Formalizzi l'obiettivo media-varianza e la struttura dei vincoli matematicamente. Fonda tutto il codice di ottimizzazione successivo su una teoria rigorosa.

Lezione 2 • Integrazione di Vincoli Pratici

Aggiunga vincoli di solo lungo, settoriali e di turnover all'ottimizzatore. Colma il divario tra la teoria dei testi e i mandati di portafoglio reali.

Lezione 3 • Ricampionamento e Ottimizzazione Robusta

Applichi il ricampionamento di Michaud e metodi robusti per stabilizzare i pesi ottimali. Affronta l'instabilità dell'MVO classico in presenza di errori di stima.

Lezione 4 • Tracciamento della Frontiera Efficiente

Effettui uno sweep sui livelli di rendimento obiettivo per tracciare l'intera curva di frontiera efficiente. Visualizza il trade-off rischio-rendimento, centrale nelle decisioni di costruzione del portafoglio.

Lezione 1 • Backtesting delle Strategie di Ottimizzazione

Esegua backtest walk-forward delle strategie di ottimizzazione su dati storici. Verifica se i guadagni teorici sopravvivono in condizioni realistiche fuori campione.

Lezione 2 • Ottimizzazione Convessa con CVXPY

Modellizzi i problemi di portafoglio come programmi convessi disciplinati usando la sintassi di CVXPY. Sblocca una classe più ampia di obiettivi e vincoli rispetto al solo SciPy.

Lezione 3 • Costruzione di Portafogli a Parità di Rischio

Costruisca portafogli a uguale contributo di rischio equalizzando le quote di rischio marginale. Fornisce un'alternativa di diversificazione che evita completamente la stima dei rendimenti.

Lezione 4 • Massima Diversificazione e Altri Obiettivi

Implementi gli obiettivi di massimo rapporto di diversificazione e minimo CVaR. Amplia la cassetta degli attrezzi per mandati che vanno oltre la massimizzazione dell'indice di Sharpe.

Lezione 1 • Ottimizzazione sugli Output Posteriori BL

Inserisca i rendimenti e la covarianza posteriori negli ottimizzatori MVO e CVXPY. Dimostra come il modello BL si integra con i framework di ottimizzazione costruiti in precedenza.

Lezione 2 • Estensioni e Critica del Modello BL

Esplori le opinioni basate su fattori, l'entropy pooling e i limiti noti del modello BL. Prepara ad adattare il modello a mandati di portafoglio non standard.

Lezione 3 • Rendimenti di Equilibrio e Prior di Mercato

Derivi i rendimenti di equilibrio impliciti dai pesi di capitalizzazione di mercato. Stabilisce il punto di partenza neutrale che il modello Black-Litterman aggiusta con le opinioni.

Lezione 4 • Calcolo del Rendimento Posteriore

Combini i prior e le opinioni usando l'aggiornamento bayesiano per ottenere i rendimenti posteriori. Produce il vettore di rendimento combinato che alimenta l'ottimizzatore finale.

Lezione 1 • Integrazione dei Segnali ML nell'Ottimizzazione

Converta le previsioni di rendimento del ML in input di rendimento atteso per l'ottimizzatore. Chiude il ciclo tra i modelli di previsione e la generazione dei pesi di portafoglio.

Lezione 2 • Tecniche di Riduzione della Dimensionalità

Applichi la PCA e gli autoencoder per comprimere dati di rendimento ad alta dimensionalità. Riduce il rumore e la multicollinearità prima di alimentare i dati nei modelli di portafoglio.

Lezione 3 • Clustering per il Raggruppamento degli Asset

Utilizzi il k-means e il clustering gerarchico per raggruppare gli asset in base al comportamento dei rendimenti. Supporta l'analisi di diversificazione e la costruzione gerarchica del portafoglio.

Lezione 4 • Modelli Supervisionati per la Previsione dei Rendimenti

Addestri modelli di regressione regolarizzata e basati su alberi per prevedere i rendimenti futuri. Valuti l'efficacia del modello utilizzando metriche specifiche della finanza, oltre al tradizionale R-quadro.

Lezione 1 • Simulazione dell'Esecuzione degli Ordini e dello Slippage

Simuli l'esecuzione degli ordini con modelli di slippage all'interno del motore di backtest. Produce stime di performance realistiche che tengono conto della microstruttura del mercato.

Lezione 2 • Modellizzazione dei Costi di Transazione

Modellizzi gli spread denaro-lettera, l'impatto di mercato e le commissioni in Python. Una modellizzazione accurata dei costi previene l'overfitting sui backtest basati sui rendimenti lordi.

Lezione 3 • Gestione di Portafoglio Fiscalmente Consapevole

Incorpori le regole di tax-loss harvesting e del periodo di detenzione nella logica di ribilanciamento. Migliora i rendimenti al netto delle imposte senza alterare la tesi d'investimento al lordo delle imposte.

Lezione 4 • Regole e Trigger di Ribilanciamento

Confronti le strategie di ribilanciamento basate su calendario, soglia e trigger di volatilità. La scelta del trigger corretto influisce direttamente sulla performance del portafoglio al netto dei costi.

Lezione 1 • Framework di Misurazione della Performance

Calcoli sistematicamente metriche di performance basate sui rendimenti e corrette per il rischio. Fornisce il vocabolario quantitativo per valutare qualsiasi strategia di portafoglio.

Lezione 2 • Dashboard Interattive con Plotly e Dash

Costruisca dashboard di portafoglio interattive utilizzando grafici Plotly e layout Dash. Consente agli stakeholder di esplorare i dati di portafoglio senza scrivere codice.

Lezione 3 • Standard di Reportistica Normativa e per la Clientela

Allinei i risultati della reportistica con gli standard di presentazione e divulgazione della performance. Garantisce che i report soddisfino i requisiti di conformità istituzionali e rivolti alla clientela.

Lezione 4 • Generazione Automatizzata di Tearsheet

Generi programmaticamente tearsheet in stile pyfolio a partire da una serie di rendimenti. Standardizza la reportistica e riduce lo sforzo manuale nei cicli di revisione della performance.