IniziaInizia gratis

VaR da una distribuzione adattata

Minimizzare il CVaR richiede di calcolare il VaR a un certo livello di confidenza, ad esempio 95%. In precedenza hai ricavato il VaR come quantile da una distribuzione Normale (o Gaussiana), ma per minimizzare il CVaR in modo più generale occorre calcolare il quantile da una distribuzione che meglio si adatta ai dati.

In questo esercizio è fornita una distribuzione delle perdite fitted, che adatta le perdite di un portafoglio di investment bank a pesi uguali dal 2005 al 2010. Per prima cosa traccerai questa distribuzione usando il suo metodo .evaluate() (le distribuzioni adattate saranno trattate più in dettaglio nel Capitolo 4).

Poi userai il metodo .resample() dell'oggetto fitted per estrarre un sample casuale di 100.000 osservazioni dalla distribuzione adattata.

Infine, usando np.quantile() sul sample casuale calcolerai il VaR al 95%.

Questo esercizio fa parte del corso

Gestione quantitativa del rischio in Python

Visualizza il corso

Istruzioni dell'esercizio

  • Traccia la distribuzione delle perdite fitted. Nota come la distribuzione fitted sia diversa da una distribuzione Normale.
  • Crea un sample di 100.000 estrazioni casuali dalla distribuzione adattata usando il metodo .resample() di fitted.
  • Usa np.quantile() per trovare il VaR al 95% dal sample casuale e mostra il risultato.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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)
Modifica ed esegui il codice