1. Học hỏi
    2. /
  2. Khoa Học
    3. /
  3. Gestion quantitative des risques en Python
Connected

Bài tập

Comparer le CVaR et le VaR

Le Conditional Value at Risk (CVaR), aussi appelé perte attendue (ES pour Expected Shortfall), répond à la question suivante : quelle sera la perte moyenne, conditionnellement au fait que les pertes dépassent un certain seuil à un niveau de confiance donné? Le CVaR utilise le VaR comme point de départ, mais il est plus informatif parce qu'il tient compte de la queue de la distribution des pertes.

Vous allez d'abord calculer le VaR à 95 % pour une distribution normale des pertes de portefeuille, avec la même moyenne et le même écart-type que portfolio_losses pour 2005–2010 dans les banques d'investissement. Vous utiliserez ensuite ce VaR pour calculer le CVaR à 95 %, puis vous tracerez les deux par rapport à la distribution normale.

Les portfolio_losses sont disponibles dans votre espace de travail, de même que la distribution normale norm de scipy.stats.

Hướng dẫn

100 XP
  • Calculez la moyenne et l'écart-type de portfolio_losses et assignez-les à pm et ps, respectivement.
  • Trouvez le VaR à 95 % à l'aide de la méthode .ppf() de norm — elle prend les arguments loc pour la moyenne et scale pour l'écart-type.
  • Utilisez le VaR à 95 % et la méthode .expect() de norm pour trouver tail_loss, puis servez-vous-en pour calculer le CVaR au même niveau de confiance.
  • Ajoutez des lignes verticales indiquant le VaR (en rouge) et le CVaR (en vert) à un histogramme de la distribution normale.