CommencezCommencez gratuitement

Estimation des paramètres : Normale

L'estimation des paramètres est la méthode la plus robuste pour estimer la VaR, car elle suppose que la famille de la distribution des pertes est connue. Les paramètres sont estimés pour ajuster les données à cette distribution, puis on procède à l'inférence statistique.

Dans cet exercice, vous estimerez la VaR à 95 % à partir d'une loi Normale ajustée aux données d'une banque d'investissement de 2007 à 2009. Vous utiliserez la distribution norm de scipy.stats, en supposant qu'il s'agit de la classe de distribution la plus appropriée.

La loi Normale convient-elle? Vous le testerez avec le test d'Anderson-Darling scipy.stats.anderson. Si le résultat du test est statistiquement différent de zéro, cela indique que les données ne suivent pas une distribution Normale. Vous aborderez ce point dans le prochain exercice.

Les losses du portefeuille pour la période 2005 à 2010 sont disponibles.

Cette activité fait partie du cours

Gestion quantitative des risques en Python

Voir le cours

Instructions de l’exercice

  • Importez norm et anderson depuis scipy.stats.
  • Ajustez les données losses à la loi Normale avec la méthode .fit() et enregistrez les paramètres de la distribution dans params.
  • Générez et affichez l'estimation de la VaR à 95 % à partir de la distribution ajustée.
  • Testez l'hypothèse nulle d'une distribution Normale sur losses à l'aide du test d'Anderson-Darling anderson().

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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(____))
Modifier et exécuter le code