Začněte nyníZačněte zdarma

Odhad parametrů: normální rozdělení

Odhad parametrů je nejsilnější metodou odhadu VaR, protože předpokládá, že třída rozdělení ztrát je známá. Parametry se odhadují tak, aby data co nejlépe odpovídala tomuto rozdělení, a na jejich základě se pak provádí statistická inference.

V tomto cvičení odhadneš 95% VaR z normálního rozdělení, které je napasované na data investiční banky z let 2007–2009. Použiješ přitom rozdělení norm z knihovny scipy.stats, které předpokládáme jako nejvhodnější třídu rozdělení.

Je normální rozdělení skutečně dobrý fit? To ověříš pomocí Andersonova-Darlingova testu scipy.stats.anderson. Pokud je výsledek testu statisticky různý od nuly, znamená to, že data nejsou normálně rozdělena. Tímto se budeme zabývat v dalším cvičení.

Portfoliové losses za období 2005–2010 jsou k dispozici.

Toto cvičení je součástí kurzu

Kvantitativní řízení rizik v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Importuj norm a anderson z scipy.stats.
  • Napasuj data losses na normální rozdělení pomocí metody .fit() a ulož parametry rozdělení do proměnné params.
  • Vygeneruj a zobraz odhad 95% VaR z napasovaného rozdělení.
  • Proveď test nulové hypotézy o normálním rozdělení na datech losses pomocí Andersonova-Darlingova testu anderson().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import the Normal distribution and skewness test from scipy.stats
from ____ import norm, anderson

# Fit portfolio losses to the Normal distribution
params = ____.fit(____)

# Compute the 95% VaR from the fitted distribution, using parameter estimates
VaR_95 = norm.____(0.95, *params)
print("VaR_95, Normal distribution: ", VaR_95)

# Test the data for Normality
print("Anderson-Darling test result: ", anderson(____))
Upravit a spustit kód