Mulai sekarangMulai gratis

VaR dan eksposur risiko

Sebelumnya Anda menghitung VaR dan CVaR saat kerugian berdistribusi Normal. Di sini Anda akan mencari VaR menggunakan distribusi kerugian umum lainnya, yaitu distribusi t-Student (atau T) yang terdapat di scipy.stats.

Anda akan menghitung sebuah array ukuran VaR 99% dari distribusi T (dengan 30 - 1 = 29 derajat kebebasan), menggunakan jendela bergulir 30 hari dari portofolio bank investasi losses.

Pertama, Anda akan mencari mean dan simpangan baku tiap jendela, lalu membuat daftar rolling_parameters. Anda akan menggunakannya untuk menghitung array ukuran VaR 99%.

Selanjutnya Anda akan menggunakan array ini untuk memplot eksposur risiko bagi portofolio yang awalnya bernilai $100.000. Ingat bahwa eksposur risiko adalah probabilitas kerugian (ini 1%) dikalikan dengan besaran kerugian (ini adalah kerugian yang diberikan oleh VaR 99%).

Latihan ini merupakan bagian dari kursus

Manajemen Risiko Kuantitatif dengan Python

Lihat Kursus

Instruksi latihan

  • Impor distribusi t-Student dari scipy.stats.
  • Hitung vektor mean mu dan simpangan baku sigma untuk jendela 30 hari dari losses, lalu masukkan ke dalam rolling_parameters.
  • Hitung array Numpy ukuran VaR 99% VaR_99 menggunakan t.ppf(), dari daftar distribusi T menggunakan elemen rolling_parameters.
  • Hitung dan visualisasikan eksposur risiko yang terkait dengan array VaR_99.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Import the Student's t-distribution
from scipy.____ import t

# Create rolling window parameter list
mu = losses.rolling(30).____
sigma = losses.rolling(30).____
rolling_parameters = [(29, mu[i], s) for i,s in enumerate(sigma)]

# Compute the 99% VaR array using the rolling window parameters
VaR_99 = np.array( [ t.ppf(____, *params) 
                    for params in ____ ] )

# Plot the minimum risk exposure over the 2005-2010 time period
plt.plot(losses.index, 0.01 * ____ * 100000)
plt.show()
Edit dan Jalankan Kode