Parametrisches VaR

Value at Risk kann auch parametrisch mithilfe der sogenannten Varianz/Kovarianz-Methode berechnet werden. Diese Methode ermöglicht es dir, eine Bandbreite möglicher Ergebnisse zu simulieren – basierend auf den Eigenschaften der historischen Renditeverteilung statt auf den tatsächlichen Renditewerten. Das parametrische VaR(90) kannst du so berechnen:

# Import norm from scipy.stats
from scipy.stats import norm

# Calculate Parametric VaR
norm.ppf(confidence_level=0.10, mu, vol)

wobei mu und vol jeweils Mittelwert und Volatilität sind.

Die Renditedaten stehen (in Dezimalschreibweise) in der Variable StockReturns zur Verfügung.

Diese Übung ist Teil des Kurses

Einführung in das Portfoliorisikomanagement mit Python

Kurs anzeigen

Anleitung zur Übung

Importiere norm aus scipy.stats.
Berechne den Mittelwert und die Volatilität von StockReturns und weise sie entsprechend mu und vol zu.
Setze das confidence_level für VaR(95).
Berechne VaR(95) mit der Funktion norm.ppf(), übergib das Konfidenzniveau als ersten Parameter sowie mu und vol als zweiten und dritten Parameter.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import norm from scipy.stats
____

# Estimate the average daily return
mu = ____(StockReturns)

# Estimate the daily volatility
vol = ____(StockReturns)

# Set the VaR confidence level
confidence_level = ____

# Calculate Parametric VaR
var_95 = ____
print('Mean: ', str(mu), '\nVolatility: ', str(vol), '\nVaR(95): ', str(var_95))

Code bearbeiten und ausführen