Calcular el VaR empírico
En este ejercicio vas a practicar la estimación de VaR diarios dinámicos al 5% con un enfoque empírico.
La diferencia entre el VaR paramétrico y el VaR empírico está en cómo se estiman los cuantiles. El enfoque paramétrico estima los cuantiles a partir de una distribución supuesta, mientras que el enfoque empírico los estima a partir de la distribución observada de los residuos estandarizados.
Usarás el mismo modelo GARCH que en el ejercicio anterior. Los pronósticos de media y varianza se han guardado en mean_forecast y variance_forecast, respectivamente. Los residuos estandarizados empíricos también se han calculado y guardado en std_resid.
Este ejercicio forma parte del curso
Modelos GARCH en Python
Instrucciones del ejercicio
- Calcula el cuantil 0.05 a partir de los residuos estandarizados GARCH
std_resid. - 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 empirical quantile
q_empirical = ____.____(____)
print('5% empirical quantile: ', q_empirical)
# Calculate the VaR
VaR_empirical = ____.values + np.sqrt(____).values * ____
# Save VaR in a DataFrame
VaR_empirical = pd.DataFrame(VaR_empirical, columns = ['5%'], index = variance_forecast.index)
# Plot the VaRs
plt.plot(VaR_empirical, color = 'brown', label = '5% Empirical 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()