Estimer la VaR et l'ES

Vous êtes maintenant prêt à estimer la VaR et l'ES pour l'investisseur en actions internationales en utilisant les pertes et gains simulés historiquement dans hslosses.

Vous procéderez de deux façons. D'abord, vous appliquerez une méthode non paramétrique simple : un quantile empirique pour estimer la VaR, puis la moyenne des valeurs dépassant ce quantile pour estimer l'ES.

Ensuite, vous comparerez ces estimations aux valeurs obtenues en supposant que hslosses suit une distribution normale. Évidemment, cette hypothèse est très mauvaise; comparez donc les deux séries d'estimations pour voir lesquelles sont les plus prudentes.

Cette activité fait partie du cours

Gestion des risques quantitatifs en R

Voir le cours

Instructions de l’exercice

Utilisez quantile() pour estimer le 99e centile empirique de la distribution de hslosses.
Estimez l'ES à 99 % en calculant la moyenne des hslosses au moins aussi grandes que l'estimation de la VaR (c'est déjà fait pour vous).
Utilisez les fonctions appropriées pour estimer la moyenne et l'écart-type de hslosses et les affecter à mu et sigma, respectivement.
Utilisez qnorm() avec les valeurs de moyenne et d'écart-type calculées pour obtenir le quantile à 99 % d'une distribution normale.
Utilisez ESnorm() avec les valeurs de moyenne et d'écart-type calculées pour obtenir l'ES à 99 % d'une distribution normale.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Estimate the 99th sample percentile of the distribution of hslosses


# Estimate the 99% ES
mean(hslosses[hslosses >= quantile(hslosses, 0.99)])

# Estimate the mean and standard deviation of hslosses



# Compute the 99% quantile of a normal distribution


# Compute the 99% ES of a normal distribution

Modifier et exécuter le code