1. 学ぶ
    2. /
  2. コース
    3. /
  3. Pythonで学ぶ定量的リスク管理
Connected

演習

損失分布のKDE

カーネル密度推定（KDE）は「ファットテール」を持つ分布、つまり平均から大きく外れる値が時折出る分布（ポートフォリオ損失の分布など）にフィットできます。

第2章ではスチューデントの T 分布を学びました。自由度が低い場合、こちらもポートフォリオ損失のこの特徴を表現できます。

ここでは 2008〜2009 年のポートフォリオ losses に対して、Gaussian KDE と T 分布をそれぞれフィットし、ヒストグラムを使って両者の当てはまりを可視化して比較します。（T 分布はフィットしたパラメータ params を用いる一方、gaussian_kde はノンパラメトリックで関数を返すことを思い出してください。）

scipy.stats から gaussian_kde() と t 分布が利用可能です。プロットは用意された axis オブジェクトに追加できます。

指示

100 XP
  • ポートフォリオの losses に t 分布をフィットします。
  • gaussian_kde() を使って losses に Gaussian KDE をフィットします。
  • 両方の推定の確率密度関数（PDF）を axis オブジェクトを使って losses に対してプロットします。