फिटेड डिस्ट्रीब्यूशन से VaR
CVaR को कम से कम करने के लिए पहले किसी कॉन्फिडेंस लेवल, जैसे 95%, पर VaR निकालना होता है. पहले आपने Normal (या Gaussian) डिस्ट्रीब्यूशन से क्वांटाइल लेकर VaR निकाला था, लेकिन CVaR को सामान्य रूप से मिनिमाइज़ करने के लिए ऐसे डिस्ट्रीब्यूशन से क्वांटाइल निकालना ज़रूरी है जो डेटा पर सबसे अच्छा fit होता हो.
इस अभ्यास में fitted नाम की एक loss distribution दी गई है, जो 2005-2010 के दौरान एक equal-weighted इन्वेस्टमेंट बैंक पोर्टफोलियो के लॉसेज़ पर fit की गई है. आप पहले इसकी .evaluate() मेथड का उपयोग करके इस डिस्ट्रीब्यूशन को प्लॉट करेंगे (fitted डिस्ट्रीब्यूशंस पर विस्तार से चर्चा Chapter 4 में होगी).
इसके बाद आप fitted ऑब्जेक्ट के .resample() मेथड से फिटेड डिस्ट्रीब्यूशन से 100,000 ऑब्जरवेशंस का एक रैंडम sample ड्रॉ करेंगे.
अंत में, रैंडम sample पर np.quantile() का उपयोग करके 95% VaR compute करेंगे.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Quantitative Risk Management
अभ्यास निर्देश
fittedloss distribution को प्लॉट करें. ध्यान दें किfittedडिस्ट्रीब्यूशन Normal डिस्ट्रीब्यूशन से अलग दिखता है.fittedके.resample()मेथड का उपयोग करके फिटेड डिस्ट्रीब्यूशन से 100,000 पॉइंट्स का रैंडमsampleतैयार करें.- रैंडम
sampleसे 95% VaR निकालने के लिएnp.quantile()का उपयोग करें, और परिणाम दिखाएँ.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Visualize the fitted distribution with a plot
x = np.linspace(-0.25,0.25,1000)
plt.____(x,fitted.evaluate(x))
plt.show()
# Create a random sample of 100,000 observations from the fitted distribution
sample = fitted.____(____)
# Compute and display the 95% VaR from the random sample
VaR_95 = np.____(sample, ____)
print(VaR_95)