손실 분포의 KDE

Kernel density estimation(KDE)은 평균에서 가끔 크게 벗어나는 값이 나타나는, 이른바 ‘fat tails’를 가진 분포(예: 포트폴리오 손실 분포)를 잘 적합할 수 있어요.

2장에서는 자유도가 낮을 때 포트폴리오 손실의 이런 특징을 역시 포착할 수 있는 Student의 T 분포를 배웠어요.

여기서는 2008–2009년의 제공된 포트폴리오 losses에 각각 적합한 Gaussian KDE와 T 분포를 비교해요. 히스토그램을 사용해 두 모델의 상대적 적합도를 시각화할 거예요. (T 분포는 적합된 매개변수 params를 사용하고, 비모수적 인 gaussian_kde는 함수를 반환한다는 점을 기억하세요.)