Calcula el VaR paramétrico
En este ejercicio vas a practicar la estimación dinámica del VaR diario al 5% con un enfoque paramétrico.
Recuerda que hay tres pasos para realizar una estimación prospectiva de VaR. El paso 1 es usar un modelo GARCH para hacer predicciones de varianza. El paso 2 es obtener la media y la volatilidad prospectivas del GARCH. Y el paso 3 es calcular el cuantil según un nivel de confianza dado. El enfoque paramétrico estima los cuantiles a partir de una distribución supuesta.
Se ha ajustado un modelo GARCH con datos históricos de rendimientos de Bitcoin hasta el 1/1/2019; después ha generado predicciones de media y varianza, guardadas en mean_forecast y variance_forecast, respectivamente. El modelo GARCH asume una distribución t de Student, y su \(\nu\) (grados de libertad) está guardado en nu.
Este ejercicio forma parte del curso
Modelos GARCH en Python
Instrucciones del ejercicio
- Calcula el cuantil 0.05 de la distribución t de Student asumida.
- Calcula el VaR usando
mean_forecast,variance_forecastdel modelo GARCH y el cuantil del paso anterior.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Obtain the parametric quantile
q_parametric = basic_gm.____.____(____, nu)
print('5% parametric quantile: ', q_parametric)
# Calculate the VaR
VaR_parametric = ____.values + np.sqrt(____).values * ____
# Save VaR in a DataFrame
VaR_parametric = pd.DataFrame(VaR_parametric, columns = ['5%'], index = variance_forecast.index)
# Plot the VaR
plt.plot(VaR_parametric, color = 'red', label = '5% Parametric VaR')
plt.scatter(variance_forecast.index,bitcoin_data.Return['2019-1-1':], color = 'orange', label = 'Bitcoin Daily Returns' )
plt.legend(loc = 'upper right')
plt.show()