Portefeuillerisicobeheer met ensemble-leeralgoritmen
Inhoud van deze masterclass
Portefeuillebeheerders staan voor een concreet meetprobleem: hoe schat je morgen de volatiliteit van een aandelenportefeuille als historische correlaties instabiel zijn? Klassieke GARCH-modellen geven een antwoord, maar ensemble-methoden bieden een alternatief dat minder afhankelijk is van distributieaannames.
Combinatie van statistische modellen en machine learning
Deze cursus behandelt hybride benaderingen waarbij Gradient Boosting wordt ingezet naast GARCH en historische simulatie. Het doel is niet een enkel model te vervangen, maar te begrijpen wanneer welk model betrouwbaarder is.
Toepassingen in de cursus
Drie kernthema's staan centraal: schatting van Value at Risk via ensemble-regressie, detectie van staartrisico-events met classificatiemodellen en dynamische herbalancering op basis van voorspelde risicobudgetten.
De cursus gebruikt Python met bibliotheken zoals scikit-learn, arch en cvxpy. Oefendata omvat Europese aandelenindices, staatsobligaties en valutaparen uit de periode 2010-2023, inclusief de perioden rond de COVID-correctie en de rentecyclus van 2022.
Structuur en begeleiding
Zes modules verdeeld over tien weken. Elke module bevat een korte quiz en een programmeeropgave. Deelnemers met vragen kunnen terecht bij wekelijkse liveondersteuning via videoconferentie.
Voorkennis: Python, basiskennis van tijdreeksanalyse en financiële risicobegrippen zoals VaR en standaarddeviatie.
Programma overzicht
-
Module 1: Volatiliteitsmodellen en hun beperkingen
Overzicht van GARCH, historische simulatie en impliciete volatiliteit. Analyse van wanneer deze modellen falen tijdens marktstress.
-
Module 2: Ensemble-regressie voor volatiliteitsschatting
Gebruik van Random Forest en XGBoost als regressoren voor gerealiseerde volatiliteit. Vergelijking met GARCH(1,1) op dagelijkse AEX-data.
-
Module 3: Value at Risk met ensemble-methoden
Schatting van VaR via gekwantificeerde ensemble-modellen. Backtesting met de Kupiec-test en conditional coverage.
-
Module 4: Detectie van extreme verliesdagen
Classificatie van tail-risk events met AdaBoost en LightGBM. Feature engineering op basis van macro-indicatoren en marktsentiment.
-
Module 5: Dynamische activaspreiding
Integratie van risicoschattingen in een mean-variance optimizer via cvxpy. Vergelijking van statische en dynamische herbalanceringsstrategieën.
-
Module 6: Eindproject en presentatie
Deelnemers bouwen een volledig risicobeheersysteem voor een gesimuleerde portefeuille en presenteren hun modelkeuzes en validatieresultaten.
Klaar voor verdieping?
Bekijk het volledige leertraject of neem contact op met Renvik Olo voor meer informatie over deelname en inhoud.