Výpočet parametrického VaR
V tomto cvičení si procvičíš odhad dynamického 5% denního VaR pomocí parametrického přístupu.
Připomeň si, že výpočet VaR dopředného odhadování se skládá ze tří kroků. V kroku 1 použiješ GARCH model k vytvoření předpovědí rozptylu. V kroku 2 získáš z GARCH modelu dopředně orientovaný průměr a volatilitu. A v kroku 3 vypočítáš kvantil odpovídající zvolené hladině spolehlivosti. Parametrický přístup odhaduje kvantily na základě předpokládaného statistického rozdělení.
GARCH model byl nafitován na historická data výnosů Bitcoinu do 1. 1. 2019 a vygeneroval předpovědi průměru a rozptylu, uložené v proměnných mean_forecast a variance_forecast. Model předpokládá Studentovo t-rozdělení a jeho parametr \(\nu\) (počet stupňů volnosti) je uložen v nu.
Toto cvičení je součástí kurzu
GARCH modely v Pythonu
Pokyny k cvičení
- Vypočítej kvantil 0,05 z předpokládaného Studentova t-rozdělení.
- Vypočítej VaR pomocí
mean_forecast,variance_forecastz GARCH modelu a kvantilu získaného v předchozím kroku.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Obtain the parametric quantile
q_parametric = basic_gm.____.____(____, nu)
print('5% parametric quantile: ', q_parametric)
# Calculate the VaR
VaR_parametric = ____.values + np.sqrt(____).values * ____
# Save VaR in a DataFrame
VaR_parametric = pd.DataFrame(VaR_parametric, columns = ['5%'], index = variance_forecast.index)
# Plot the VaR
plt.plot(VaR_parametric, color = 'red', label = '5% Parametric VaR')
plt.scatter(variance_forecast.index,bitcoin_data.Return['2019-1-1':], color = 'orange', label = 'Bitcoin Daily Returns' )
plt.legend(loc = 'upper right')
plt.show()