पैरामेट्रिक VaR की गणना करें
इस अभ्यास में, आप पैरामेट्रिक अप्रोच से डायनेमिक 5% डेली VaR का अनुमान लगाने का अभ्यास करेंगे.
याद करें कि फॉरवर्ड VaR अनुमान के तीन स्टेप होते हैं. स्टेप 1: वैरिएंस फोरकास्ट बनाने के लिए GARCH मॉडल का उपयोग करें. स्टेप 2: GARCH का फॉरवर्ड-लुकिंग mean और volatility प्राप्त करें. और स्टेप 3: दिए गए कॉन्फिडेंस लेवल के अनुसार क्वांटाइल की गणना करें. पैरामेट्रिक अप्रोच में क्वांटाइल को एक मान्य distribution असम्पशन से estimate किया जाता है.
एक GARCH मॉडल को 1/1/2019 तक के ऐतिहासिक Bitcoin रिटर्न डेटा पर फिट किया गया है. इसके बाद इसने mean और variance फोरकास्ट बनाए हैं, जो क्रमशः mean_forecast और variance_forecast में सेव हैं. GARCH मॉडल Student's t-distribution मानता है, और इसका \(\nu\) (degree of freedom) nu में सेव है.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में GARCH मॉडल
अभ्यास निर्देश
- मानी गई Student's t-distribution से 0.05 क्वांटाइल की गणना करें.
- GARCH मॉडल के
mean_forecast,variance_forecastऔर पिछले स्टेप के क्वांटाइल का उपयोग करते हुए VaR निकालें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Obtain the parametric quantile
q_parametric = basic_gm.____.____(____, nu)
print('5% parametric quantile: ', q_parametric)
# Calculate the VaR
VaR_parametric = ____.values + np.sqrt(____).values * ____
# Save VaR in a DataFrame
VaR_parametric = pd.DataFrame(VaR_parametric, columns = ['5%'], index = variance_forecast.index)
# Plot the VaR
plt.plot(VaR_parametric, color = 'red', label = '5% Parametric VaR')
plt.scatter(variance_forecast.index,bitcoin_data.Return['2019-1-1':], color = 'orange', label = 'Bitcoin Daily Returns' )
plt.legend(loc = 'upper right')
plt.show()