Začněte nyníZačněte zdarma

Odhad parametrů: Zešikmené normální rozdělení

V předchozím cvičení ses přesvědčil/a, že proložení normálního rozdělení datům portfolia investiční banky z let 2005–2010 vedlo podle Anderson-Darlingova testu k nevhodnému přizpůsobení.

Data otestuješ pomocí funkce skewtest() z scipy.stats. Pokud se výsledek testu statisticky liší od nuly, data podporují zešikmené rozdělení.

Nyní parametricky odhadneš 95% VaR rozdělení ztrát pomocí skewnorm — zešikmeného normálního rozdělení z scipy.stats. Jde o obecnější rozdělení než normální, které umožňuje nesymetrickému rozložení ztrát. Během krize, kdy byly ztráty portfolia pravděpodobnější než zisky, lze takové zešikmení očekávat.

K dispozici máš data losses portfolia za období 2007–2009.

Toto cvičení je součástí kurzu

Kvantitativní řízení rizik v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Importuj skewnorm a skewtest z scipy.stats.
  • Otestuj zešikmení dat losses portfolia pomocí skewtest. Test signalizuje zešikmení, pokud se výsledek statisticky liší od nuly.
  • Přizpůsob data losses zešikmenému normálnímu rozdělení pomocí metody .fit().
  • Vypočítej a zobraz odhad 95% VaR z přizpůsobeného rozdělení.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import the skew-normal distribution and skewness test from scipy.stats
from scipy.stats import skewnorm, skewtest

# Test the data for skewness
print("Skewtest result: ", ____(____))

# Fit the portfolio loss data to the skew-normal distribution
params = ____.____(losses)

# Compute the 95% VaR from the fitted distribution, using parameter estimates
VaR_95 = ____.____(0.95, *params)
print("VaR_95 from skew-normal: ", VaR_95)
Upravit a spustit kód