1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Kvantitativní řízení rizik v Pythonu
Connected

cvičení

KDE rozdělení ztrát

Jádrový odhad hustoty (KDE) dokáže přizpůsobit rozdělení s „tlustými chvosty", tedy rozdělení s občasnými velkými odchylkami od průměru (jako je například rozdělení portfoliových ztrát).

V kapitole 2 ses seznámil/a se Studentovým T rozdělením, které při nízkém počtu stupňů volnosti dokáže rovněž zachytit tuto vlastnost portfoliových ztrát.

Porovnáš gaussovský KDE se T rozdělením, přičemž obě metody přizpůsobíš poskytnutým portfoliovým losses z let 2008–2009. Relativní kvalitu obou přizpůsobení vizualizuješ pomocí histogramu. (Připomeň si, že T rozdělení používá přizpůsobené parametry params, zatímco gaussian_kde, jakožto neparametrická metoda, vrací funkci.)

Funkce gaussian_kde() je k dispozici, stejně jako rozdělení t — obě z knihovny scipy.stats. Grafy lze přidávat do připraveného objektu axis.

Pokyny

100 XP
  • Přizpůsob t rozdělení portfoliovým losses.
  • Přizpůsob gaussovský KDE pro losses pomocí funkce gaussian_kde().
  • Vykresli funkce hustoty pravděpodobnosti (PDF) obou odhadů v závislosti na losses s využitím objektu axis.