MulaiMulai sekarang secara gratis

VaR dari distribusi terestimasi

Meminimalkan CVaR memerlukan perhitungan VaR pada tingkat kepercayaan, misalnya 95%. Sebelumnya Anda menurunkan VaR sebagai kuantil dari distribusi Normal (atau Gaussian), tetapi untuk meminimalkan CVaR secara lebih umum, kuantil harus dihitung dari distribusi yang paling sesuai (fit) dengan data.

Dalam latihan ini disediakan sebuah distribusi kerugian fitted, yang menyesuaikan (fit) kerugian dari portofolio bank investasi berbobot sama pada 2005–2010. Anda akan terlebih dahulu memplot distribusi ini menggunakan metode .evaluate()-nya (distribusi terestimasi akan dibahas lebih rinci di Bab 4).

Berikutnya Anda akan menggunakan metode .resample() dari objek fitted untuk mengambil sample acak berisi 100.000 observasi dari distribusi terestimasi tersebut.

Terakhir, gunakan np.quantile() pada sample acak tersebut untuk menghitung VaR 95%.

Latihan ini adalah bagian dari kursus

Manajemen Risiko Kuantitatif dengan Python

Lihat Kursus

Petunjuk latihan

  • Plot distribusi kerugian fitted. Perhatikan bagaimana distribusi fitted berbeda dari distribusi Normal.
  • Buat sample sebanyak 100.000 poin berupa pengambilan acak dari distribusi terestimasi menggunakan metode .resample() milik fitted.
  • Gunakan np.quantile() untuk menemukan VaR 95% dari sample acak, lalu tampilkan hasilnya.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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)
Edit dan Jalankan Kode