Secsmo - metodika kurzu
Kvantilová regrese v řízení finančního rizika
Regresní modely patří k nejpoužívanějším nástrojům kvantitativní analýzy ve financích. Tento kurz propojuje statistickou teorii s praktickými aplikacemi v prostředí reálných tržních dat.
Cena kurzu 5500 Kč* Metodika nevytváří investiční doporučení a není finanční poradenství.
Jednorázový přístup k metodice, kódu a datové sadě Přihlásit se ke kurzu
Struktura programu
Průběh a obsah výuky
01
Struktura metodiky
-
- Úvod do kvantilové regrese
- Matematická formulace, ztrátová funkce pinball loss, srovnání s OLS.
-
- Data a preprocessing
- Příprava časových řad výnosů, ošetření autokorelace, výběr prediktorů.
-
- Odhad modelu
- Trénování modelu pro kvantily 0,01, 0,05 a 0,10 pomocí knihovny statsmodels.
-
- Výpočet VaR a ES
- Odvození rizikových měr z odhadnutých kvantilů, backtesting pomocí Kupiecova testu.
-
- Srovnání metod
- Porovnání s historickou simulací a parametrickým VaR na reálných datech.
Podrobný popis
O čem tento kurz skutečně je
Klasická regrese odhaduje podmíněný průměr závislé proměnné. Kvantilová regrese odhaduje libovolný kvantil podmíněného rozdělení. Pro řízení rizika je klíčové porozumět chování portfolia v dolním 5. nebo 1. percentilu, nikoli průměru.
Proč normální rozdělení nestačí
Výnosy finančních aktiv mají těžké chvosty. Normální rozdělení podceňuje pravděpodobnost extrémních ztrát. Metodologie VaR postavená na normálním rozdělení systematicky selhávala před krizí v roce 2008 i během turbulencí v roce 2020.
Kvantilová regrese nepředpokládá žádné konkrétní rozdělení reziduí. Pracuje přímo s daty a odhaduje, kde leží zvolený kvantil výnosů při dané hodnotě prediktorů.
Praktická aplikace na ES
Expected Shortfall, označovaný také jako CVaR, měří průměrnou ztrátu v nejhorších scénářích. Metodika ukazuje, jak odhadnout ES pomocí integrace výsledků kvantilové regrese přes dolní kvantily.
Výsledky se porovnávají s historickou simulací a parametrickými metodami. Žádná metoda není v každé situaci nejlepší. Metodika dokumentuje podmínky, za kterých kvantilová regrese přináší přesnější odhady.