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

cvičení

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.

Pokyny

100 XP
  • 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.