पैरामीटर एस्टीमेशन: Normal
पैरामीटर एस्टीमेशन VaR का सबसे मज़बूत तरीका है क्योंकि इसमें यह माना जाता है कि लॉस डिस्ट्रीब्यूशन की क्लास ज्ञात है. पैरामीटर इस डिस्ट्रीब्यूशन पर डेटा को फिट करने के लिए अनुमानित किए जाते हैं, और फिर सांख्यिकीय निष्कर्ष निकाले जाते हैं.
इस अभ्यास में, आप 2007 - 2009 के इन्वेस्टमेंट बैंक डेटा पर फिट किए गए Normal डिस्ट्रीब्यूशन से 95% VaR का अनुमान लगाएँगे. आप scipy.stats के norm डिस्ट्रीब्यूशन का उपयोग करेंगे, यह मानते हुए कि यह सबसे उपयुक्त डिस्ट्रीब्यूशन क्लास है.
क्या Normal डिस्ट्रीब्यूशन अच्छा फिट है? आप इसे scipy.stats.anderson Anderson-Darling टेस्ट से जाँचेंगे. अगर टेस्ट का परिणाम सांख्यिकीय रूप से शून्य से अलग है, तो यह संकेत देता है कि डेटा Normal रूप से वितरित नहीं है. आप अगले अभ्यास में इसे संबोधित करेंगे.
2005 - 2010 अवधि के लिए पोर्टफोलियो losses उपलब्ध हैं.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Quantitative Risk Management
अभ्यास निर्देश
scipy.statsसेnormऔरandersonइम्पोर्ट करें..fit()मेथड का उपयोग करकेlossesडेटा को Normal डिस्ट्रीब्यूशन पर फिट करें और डिस्ट्रीब्यूशन पैरामीटरparamsमें सहेजें.- फिट किए गए डिस्ट्रीब्यूशन से 95% VaR का अनुमान जनरेट करें और प्रदर्शित करें.
- Anderson-Darling टेस्ट
anderson()का उपयोग करकेlossesपर Normal डिस्ट्रीब्यूशन की शून्य परिकल्पना का परीक्षण करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# 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(____))