ComenzarEmpieza gratis

Estimación paramétrica: normal

La estimación paramétrica es el método más sólido de estimación del VaR, porque supone que se conoce la clase de distribución de pérdidas. Se estiman los parámetros para ajustar los datos a esta distribución y, a continuación, se aplica estadística inferencial.

En este ejercicio, estimarás el VaR del 95 % a partir de una distribución normal ajustada a los datos de banco de inversión de 2007-2009. Utilizarás la distribución norm de scipy.stats, suponiendo que sea la clase de distribución más adecuada.

¿Se ajusta bien una distribución normal? Lo comprobarás con la prueba de Anderson-Darling scipy.stats.anderson. Si el resultado de la prueba es estadísticamente distinto de cero, indica que la distribución de los datos no es normal. Abordarás esto en el siguiente ejercicio.

Las losses del portafolio para el periodo 2005-2010 están disponibles.

Este ejercicio forma parte del curso

Gestión cuantitativa de riesgos en Python

Ver curso

Instrucciones de ejercicio

  • Importa norm y anderson de scipy.stats.
  • Ajusta los datos de losses a la distribución normal utilizando el método .fit() y guardando los parámetros de la distribución en params.
  • Genera y muestra la estimación del VaR al 95 % a partir de la distribución ajustada.
  • Prueba la hipótesis nula de una distribución normal en losses utilizando la prueba de Anderson-Darling anderson().

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

# Import the Normal distribution and skewness test from scipy.stats
from ____ import norm, anderson

# Fit portfolio losses to the Normal distribution
params = ____.fit(____)

# Compute the 95% VaR from the fitted distribution, using parameter estimates
VaR_95 = norm.____(0.95, *params)
print("VaR_95, Normal distribution: ", VaR_95)

# Test the data for Normality
print("Anderson-Darling test result: ", anderson(____))
Editar y ejecutar código