MulaiMulai sekarang secara 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 adalah bagian dari kursus

Manajemen Risiko Kuantitatif dengan Python

Lihat Kursus

Petunjuk 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 praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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