ComenzarEmpieza gratis

VaR de una distribución ajustada

Para minimizar el CVaR es necesario calcular el VaR con un nivel de confianza, digamos del 95 %. Antes derivaste el VaR como cuantil de una distribución normal (o gaussiana), pero minimizar el CVaR más generalmente requiere calcular el cuantil de la distribución que mejor ajuste los datos.

En este ejercicio se proporciona una distribución de pérdidas fitted, que ajusta las pérdidas de un portafolio de banco de inversión de igual peso de 2005-2010. Primero representarás esta distribución utilizando su método .evaluate() (las distribuciones ajustadas se tratarán con más detalle en el capítulo 4).

A continuación, utilizarás el método .resample() del objeto fitted para extraer una sample aleatoria de 100 000 observaciones de la distribución ajustada.

Por último, utilizando np.quantile() en la sample aleatoria, calcularás el VaR del 95 %.

Este ejercicio forma parte del curso

Gestión cuantitativa de riesgos en Python

Ver curso

Instrucciones del ejercicio

  • Representa la distribución de pérdidas fitted. Observa cómo la distribución fitted es diferente de una distribución normal.
  • Crea una sample de 100 000 puntos de extracciones aleatorias de la distribución ajustada utilizando el método .resample() de fitted.
  • Utiliza np.quantile() para hallar el VaR al 95 % de la sample aleatoria, y muestra el resultado.

Ejercicio interactivo práctico

Prueba este ejercicio completando el código de muestra.

# Visualize the fitted distribution with a plot
x = np.linspace(-0.25,0.25,1000)
plt.____(x,fitted.evaluate(x))
plt.show()

# Create a random sample of 100,000 observations from the fitted distribution
sample = fitted.____(____)

# Compute and display the 95% VaR from the random sample
VaR_95 = np.____(sample, ____)
print(VaR_95)
Editar y ejecutar código