CommencezCommencez gratuitement

KDE d'une distribution de pertes

L'estimation par noyau (KDE) peut ajuster des distributions à « grosses queues », c'est‑à‑dire des distributions présentant à l'occasion de grands écarts par rapport à la moyenne (comme la distribution des pertes d'un portefeuille).

Au chapitre 2, vous avez appris la loi de Student T qui, pour de faibles degrés de liberté, peut également capter cette caractéristique des pertes de portefeuille.

Vous comparerez une KDE gaussienne à une loi T, chacune ajustée aux losses du portefeuille pour 2008‑2009. Vous visualiserez la qualité relative de chaque ajustement à l'aide d'un histogramme. (Rappelez‑vous que la loi T utilise des paramètres ajustés params, tandis que gaussian_kde, étant non paramétrique, renvoie une fonction.)

La fonction gaussian_kde() est disponible, tout comme la distribution t, toutes deux provenant de scipy.stats. Vous pouvez ajouter des graphiques à l'objet axis fourni.

Cette activité fait partie du cours

Gestion quantitative des risques en Python

Voir le cours

Instructions de l’exercice

  • Ajustez une distribution t aux losses du portefeuille.
  • Ajustez une KDE gaussienne aux losses en utilisant gaussian_kde().
  • Tracez les fonctions de densité de probabilité (PDF) des deux estimations par rapport aux losses, en utilisant l'objet axis.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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()
Modifier et exécuter le code