Výpočet empirického VaR
V tomto cvičení si procvičíš odhadování dynamického 5% denního VaR pomocí empirického přístupu.
Rozdíl mezi parametrickým a empirickým VaR spočívá v tom, jak se odhadují kvantily. Parametrický přístup odhaduje kvantily z předpokládaného rozdělení, zatímco empirický přístup je odhaduje z pozorovaného rozdělení standardizovaných reziduí.
Použiješ stejný model GARCH jako v předchozím cvičení. Předpovědi průměru a rozptylu jsou uloženy v proměnných mean_forecast a variance_forecast. Empirická standardizovaná rezidua byla také vypočítána a uložena do std_resid.
Toto cvičení je součástí kurzu
GARCH modely v Pythonu
Pokyny k cvičení
- Vypočítej 0,05 kvantil ze standardizovaných reziduí modelu GARCH uložených v
std_resid. - Vypočítej VaR pomocí
mean_forecastavariance_forecastz modelu GARCH a kvantilu z předchozího kroku.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Obtain the empirical quantile
q_empirical = ____.____(____)
print('5% empirical quantile: ', q_empirical)
# Calculate the VaR
VaR_empirical = ____.values + np.sqrt(____).values * ____
# Save VaR in a DataFrame
VaR_empirical = pd.DataFrame(VaR_empirical, columns = ['5%'], index = variance_forecast.index)
# Plot the VaRs
plt.plot(VaR_empirical, color = 'brown', label = '5% Empirical 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()