Začněte nyníZačněte zdarma

CVaR a riziková expozice

CVaR je střední hodnota ztráty za podmínky, že ztráta překročí určitou minimální hranici. CVaR tedy přímo vyjadřuje rizikovou expozici – jde o součet (resp. integrál) pravděpodobnosti ztráty v chvostu rozdělení násobené výší ztráty.

Pro výpočet 99% CVaR nejprve nafituješ T rozdělení na dostupná portfoliová data ztrát crisis_losses z let 2008–2009 pomocí metody t.fit(). Ta vrátí parametry T rozdělení p, které pak použiješ k nalezení VaR metodou .ppf().

Následně vypočítáš 99% VaR, protože ho potřebuješ k určení CVaR.

Nakonec vypočítáš 99% CVaR pomocí metody t.expect() – stejné metody, kterou jsi použil/a k výpočtu CVaR pro normální rozdělení v dřívějším cvičení.

Rozdělení t z knihovny scipy.stats je již k dispozici.

Toto cvičení je součástí kurzu

Kvantitativní řízení rizik v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Najdi parametry rozdělení p pomocí metody .fit() aplikované na crisis_losses.
  • Vypočítej VaR_99 s použitím nafitovaných parametrů p a funkce percentilových bodů rozdělení t.
  • Vypočítej CVaR_99 pomocí metody t.expect() a nafitovaných parametrů p a zobraz výsledek.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Fit the Student's t distribution to crisis losses
p = t.____(crisis_losses)

# Compute the VaR_99 for the fitted distribution
VaR_99 = t.____(____, *p)

# Use the fitted parameters and VaR_99 to compute CVaR_99
tail_loss = t.expect(____ y: y, args = (p[0],), loc = p[1], scale = p[2], lb = VaR_99 )
CVaR_99 = (1 / (1 - ____)) * tail_loss
print(CVaR_99)
Upravit a spustit kód