Curs avansat de construcție a portofoliului cu Python

Lecția 1 • Calcularea Randamentelor și Statistici de Bază

Calculează randamente simple și logaritmice și rezumă distribuțiile acestora. Aceste metrici sunt intrările directe pentru toate modelele de risc și optimizare următoare.

Lecția 2 • Obținerea și Curățarea Datelor de Piață

Recuperează date istorice de preț prin API-uri și curăță-le pentru analiză. Asigură calitatea datelor înainte de a efectua orice calcul al randamentelor sau riscului.

Lecția 3 • Pandas pentru Date de Serii de Timp

Manipulează DataFrame-uri și Serii indexate temporal pentru a gestiona datele de preț și randament. Oferă stratul de date care alimentează fiecare modul analitic ulterior.

Lecția 4 • Configurarea Mediului Cantitativ

Configurează Python, mediile virtuale și bibliotecile esențiale pentru analiza portofoliilor. Stabilește spațiul de lucru reproductibil utilizat pe parcursul cursului.

Lecția 1 • Estimarea Matricei de Covarianță

Estimează și micșorează matricele de covarianță pentru a reduce eroarea de estimare. Matricele de covarianță fiabile sunt esențiale pentru o optimizare stabilă a portofoliului.

Lecția 2 • Tehnici de Estimare a Volatilității

Estimează volatilitatea istorică și ponderată exponențial din serii de randamente. Estimări precise ale volatilității stau la baza fiecărei măsuri de performanță ajustată la risc.

Lecția 3 • Metrici pentru Scăderi și Risc de Extrem

Măsoară pierderile de la vârf la minim și riscul extrem de scădere folosind Python. Conectează analiza volatilității la scenarii de pierdere relevante pentru investitori.

Lecția 4 • Atribuirea și Raportarea Riscului

Atribuie varianța portofoliului activelor și factorilor individuali. Transformă numerele brute de risc în informații acționabile pentru administratorii de portofoliu.

Lecția 1 • Elemente Esențiale ale Cadrului Markowitz

Formalizează matematic obiectivul medie-varianță și structura de constrângeri. Fundamentează tot codul de optimizare ulterior într-o teorie riguroasă.

Lecția 2 • Încorporarea Constrângerilor Practice

Adaugă constrângeri de tip long-only, sectoriale și de rotație la optimizator. Reduce decalajul dintre teoria manualelor și mandatele reale de portofoliu.

Lecția 3 • Re-eșantionarea și Optimizarea Robustă

Aplică re-eșantionarea Michaud și metode robuste pentru a stabiliza ponderile optime. Abordează instabilitatea MVO clasice sub eroare de estimare.

Lecția 4 • Trasarea Frontierei Eficiente

Parcurge nivelurile țintă de randament pentru a trasa curba completă a frontierei eficiente. Vizualizează compromisul risc-randament central în deciziile de construire a portofoliului.

Lecția 1 • Testarea Retrospectivă a Strategiilor de Optimizare

Rulează teste retrospective walk-forward ale strategiilor de optimizare pe date istorice. Validează dacă câștigurile teoretice supraviețuiesc condițiilor realiste out-of-sample.

Lecția 2 • Optimizare Convexă cu CVXPY

Modelează probleme de portofoliu ca programe convexe disciplinate folosind sintaxa CVXPY. Deblochează o clasă mai largă de obiective și constrângeri decât SciPy singur.

Lecția 3 • Construirea Portofoliului cu Paritatea Riscului

Construiește portofolii cu contribuții egale la risc prin egalizarea cotelor marginale de risc. Oferă o alternativă de diversificare care evită complet estimarea randamentelor.

Lecția 4 • Diversificare Maximă și Alte Obiective

Implementează obiectivele de raport de diversificare maximă și CVaR minim. Extinde setul de instrumente pentru mandate care depășesc maximizarea raportului Sharpe.

Lecția 1 • Optimizarea pe Rezultatele Posterioare BL

Alimentează randamentele și covarianța posterioară în optimizatoarele MVO și CVXPY. Demonstrează cum se integrează BL cu cadrele de optimizare construite anterior.

Lecția 2 • Extensii și Critici ale Modelului BL

Explorează opiniile bazate pe factori, pooling-ul de entropie și limitările cunoscute ale BL. Pregătește studenții să adapteze modelul la mandate de portofoliu non-standard.

Lecția 3 • Randamente de Echilibru și Priorități de Piață

Derivează randamentele de echilibru implicite din ponderile capitalizării de piață. Stabilește punctul de plecare neutru pe care Black-Litterman îl ajustează cu opiniile.

Lecția 4 • Calculul Randamentelor Posterioare

Combină a priori și opiniile folosind actualizarea bayesiană pentru a obține randamente posterioare. Produce vectorul de randament combinat alimentat în optimizatorul final.

Lecția 1 • Integrarea Semnalelor ML în Optimizare

Transformă prognozele de randament ML în intrări de randament așteptat pentru optimizator. Închide bucla între modelele de predicție și generarea ponderilor portofoliului.

Lecția 2 • Tehnici de Reducere a Dimensionalității

Aplică PCA și autoencodere pentru a comprima datele de randament de înaltă dimensiune. Reduce zgomotul și multicoliniaritatea înainte de a alimenta datele în modelele de portofoliu.

Lecția 3 • Gruparea pentru Agregarea Activelor

Folosește k-means și gruparea ierarhică pentru a grupa activele după comportamentul randamentelor. Sprijină analiza diversificării și construcția ierarhică a portofoliului.

Lecția 4 • Modele Supervizate pentru Prognozarea Randamentelor

Antrenează regresia regularizată și modelele bazate pe arbori pentru a prezice randamentele viitoare. Evaluează abilitatea modelului folosind metrici specifice finanțelor, dincolo de R-pătratul standard.

Lecția 1 • Simularea Execuției Ordinelor și a Derapajului

Simulează execuția ordinelor cu modele de derapaj în cadrul motorului de testare retrospectivă. Produce estimări realiste de performanță care țin cont de microstructura pieței.

Lecția 2 • Modelarea Costurilor de Tranzacționare

Modelează spread-urile bid-ask, impactul pe piață și comisioanele în Python. Modelarea precisă a costurilor previne supra-adaptarea la testele retrospective pe randamente brute.

Lecția 3 • Gestionarea Portofoliului Conștientă de Impozite

Încorporează recoltarea pierderilor fiscale și regulile perioadei de deținere în logica de reechilibrare. Îmbunătățește randamentele după impozitare fără a modifica teza de investiție înainte de impozitare.

Lecția 4 • Reguli și Declanșatoare de Reechilibrare

Compară strategiile de reechilibrare declanșate de calendar, prag și volatilitate. Alegerea declanșatorului potrivit afectează direct performanța portofoliului netă de costuri.

Lecția 1 • Cadrul de Măsurare a Performanței

Calculează metrici de performanță bazate pe randament și ajustate la risc în mod sistematic. Oferă vocabularul cantitativ pentru evaluarea oricărei strategii de portofoliu.

Lecția 2 • Tablouri de Bord Interactive cu Plotly și Dash

Construiește tablouri de bord interactive pentru portofolii folosind grafice Plotly și aspecte Dash. Permite părților interesate să exploreze datele portofoliului fără a scrie cod.

Lecția 3 • Standarde de Raportare Reglementară și pentru Clienți

Aliniază rezultatele raportării cu standardele de prezentare a performanței și dezvăluire. Asigură că rapoartele îndeplinesc cerințele de conformitate instituțională și orientate către client.

Lecția 4 • Generarea Automată a Fișelor Tehnice

Generează fișe tehnice de stil pyfolio programatic dintr-o serie de randamente. Standardizează raportarea și reduce efortul manual în ciclurile de revizuire a performanței.