Historischer Value at Risk

Drawdown misst anhaltende Verluste über die Zeit. Aber wie sieht es mit einfachen Eintagesbewegungen aus?

Der Value at Risk (VaR) schätzt das Risiko einer negativen Preisbewegung an einem einzelnen Tag. VaR kann für jede beliebige Wahrscheinlichkeit bzw. jedes Konfidenzniveau gemessen werden, am häufigsten genannt sind jedoch VaR(95) und VaR(99). Der historische VaR ist die einfachste Methode zur Berechnung des VaR, stützt sich aber auf historische Renditedaten, die möglicherweise keine gute Annahme für die Zukunft sind. Der historische VaR(95) steht zum Beispiel für den minimalen Verlust, den dein Portfolio oder Vermögenswert in den schlechtesten 5 % der Fälle erlitten hat.

Im Folgenden berechnest du den historischen VaR(95) des USO Oil ETF. Die Renditedaten (in Prozent) sind in der Variable StockReturns_perc verfügbar.

Diese Übung ist Teil des Kurses

<Kurs>Einführung in das Portfoliorisikomanagement mit Python</Kurs>

Kurs ansehen

Übungsanweisungen

Berechne VaR(95), also die schlechtesten 5 % der USO-Renditen (StockReturns_perc), und weise ihn var_95 zu.
Sortiere StockReturns_perc und weise das Ergebnis sorted_rets zu.
Zeichne das Histogramm der sortierten Renditen (sorted_rets).

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Calculate historical VaR(95)
var_95 = ____(StockReturns_perc, ____)
print(var_95)

# Sort the returns for plotting
sorted_rets = ____

# Plot the probability of each sorted return quantile
____(sorted_rets, density=True, stacked=True)

# Denote the VaR 95 quantile
plt.axvline(x=var_95, color='r', linestyle='-', label="VaR 95: {0:.2f}%".format(var_95))
plt.show()

Code bearbeiten und ausführen