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

cvičení

VaR pro normální rozdělení

Než začneš míru Value at Risk (VaR) používat naplno, vyplatí se ji nejprve vyzkoušet na dobře známém rozdělení. Normální (neboli Gaussovo) rozdělení je k tomu ideální – jednak má analyticky jednoduchou formu a jednak popisuje celou řadu reálných jevů. V tomto cvičení budeš předpokládat, že ztráta portfolia má normální rozdělení, tj. čím vyšší hodnota z rozdělení, tím vyšší ztráta.

Naučíš se, jak použít funkci ppf() (percent point function) z scipy.stats.norm i funkci quantile() z numpy, abys zjistil/a VaR na hladinách spolehlivosti 95 % a 99 % pro standardní normální rozdělení. Nakonec VaR vizualizuješ jako prahovou hodnotu v grafu normálního rozdělení.

Pokyny

100 XP
  • Pomocí funkce .ppf() z norm zjisti míru VaR na hladině spolehlivosti 95 %.
  • Teď najdi VaR na hladině 99 % pomocí funkce quantile() z NumPy aplikované na 100 000 náhodných výběrů draws z normálního rozdělení.
  • Porovnej hodnoty VaR na hladinách 95 % a 99 % pomocí příkazu print.
  • Vykresli normální rozdělení a přidej čáru znázorňující VaR na hladině 95 %.