ComenzarEmpieza gratis

KDE de una distribución de pérdidas

La estimación de densidad de Kernel (KDE) puede ajustar distribuciones con "colas gruesas", es decir, distribuciones con desviaciones ocasionalmente grandes respecto a la media (como la distribución de las pérdidas de portafolio).

En el capítulo 2 viste la distribución T de Student, que para grados de libertad bajos también puede capturar esta característica de las pérdidas de portafolio.

Compararás una KDE gaussiana con una distribución T, cada una ajustada a las losses del portafolio proporcionado de 2008-2009. Visualizarás los ajustes relativos de cada una utilizando un histograma. (Recuerda que la distribución T utiliza parámetros ajustados params, mientras que gaussian_kde, que es no paramétrica, devuelve una función).

La función gaussian_kde() está disponible, igual que la distribución t, en scipy.stats. Se pueden añadir representaciones al objeto axis proporcionado.

Este ejercicio forma parte del curso

Gestión cuantitativa de riesgos en Python

Ver curso

Instrucciones del ejercicio

  • Ajusta una distribución t a las losses del portafolio.
  • Ajusta una KDE gaussiana a losses utilizando gaussian_kde().
  • Representa las funciones de densidad de probabilidad (PDF) de ambas estimaciones frente a losses utilizando el objeto axis.

Ejercicio interactivo práctico

Prueba este ejercicio completando el código de muestra.

# Generate a fitted T distribution over losses
params = t.____(losses)

# Generate a Gaussian kernal density estimate over losses
kde = ____(____)

# Add the PDFs of both estimates to a histogram, and display
loss_range = np.linspace(np.min(losses), np.max(losses), 1000)
axis.plot(loss_range, t.____(loss_range, *params), label = 'T distribution')
axis.____(loss_range, kde.pdf(____), label = 'Gaussian KDE')
plt.legend(); plt.show()
Editar y ejecutar código