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

cvičení

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.

Pokyny

100 XP
  • 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().