MulaiMulai sekarang secara gratis

KDE dari suatu distribusi kerugian

Kernel density estimation (KDE) dapat menyesuaikan distribusi dengan 'ekor gemuk', yaitu distribusi dengan penyimpangan besar sesekali dari mean (seperti distribusi kerugian portofolio).

Pada Bab 2 Anda mempelajari distribusi T Student, yang untuk derajat kebebasan rendah juga dapat menangkap karakteristik ini pada kerugian portofolio.

Anda akan membandingkan Gaussian KDE dengan distribusi T, masing-masing di-fit ke losses portofolio dari 2008–2009 yang disediakan. Anda akan memvisualisasikan kualitas fit relatif keduanya menggunakan histogram. (Ingat bahwa distribusi T menggunakan parameter hasil fitting params, sedangkan gaussian_kde, yang bersifat non-parametric, mengembalikan sebuah fungsi.)

Fungsi gaussian_kde() tersedia, begitu juga distribusi t, keduanya dari scipy.stats. Plot dapat ditambahkan ke objek axis yang disediakan.

Latihan ini adalah bagian dari kursus

Manajemen Risiko Kuantitatif dengan Python

Lihat Kursus

Petunjuk latihan

  • Fit distribusi t ke losses portofolio.
  • Fit Gaussian KDE ke losses dengan menggunakan gaussian_kde().
  • Plot fungsi kerapatan peluang (PDF) dari kedua estimasi terhadap losses, menggunakan objek axis.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Generate a fitted T distribution over losses
params = t.____(losses)

# Generate a Gaussian kernal density estimate over losses
kde = ____(____)

# Add the PDFs of both estimates to a histogram, and display
loss_range = np.linspace(np.min(losses), np.max(losses), 1000)
axis.plot(loss_range, t.____(loss_range, *params), label = 'T distribution')
axis.____(loss_range, kde.pdf(____), label = 'Gaussian KDE')
plt.legend(); plt.show()
Edit dan Jalankan Kode