Parametrische VaR

Value at Risk kan ook parametrisch worden berekend met een methode die bekend staat als variance/covariance VaR. Met deze methode kun je een reeks scenario’s simuleren op basis van eigenschappen van de historische rendementsverdeling in plaats van de feitelijke rendementen. Je kunt de parametrische VaR(90) berekenen met:

# Import norm from scipy.stats
from scipy.stats import norm

# Calculate Parametric VaR
norm.ppf(confidence_level=0.10, mu, vol)

waarbij mu en vol respectievelijk het gemiddelde en de volatiliteit zijn.

Rendementsdata is beschikbaar (in decimalen) in de variabele StockReturns.

Deze oefening maakt deel uit van de cursus

Introductie tot portefeuillerisicobeheer in Python

Cursus bekijken

Oefeninstructies

Importeer norm uit scipy.stats.
Bereken het gemiddelde en de volatiliteit van StockReturns en sla deze op in respectievelijk mu en vol.
Stel het confidence_level in voor VaR(95).
Bereken VaR(95) met de functie norm.ppf(): geef het confidence level door als eerste parameter, en mu en vol als tweede en derde parameter.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Import norm from scipy.stats
____

# Estimate the average daily return
mu = ____(StockReturns)

# Estimate the daily volatility
vol = ____(StockReturns)

# Set the VaR confidence level
confidence_level = ____

# Calculate Parametric VaR
var_95 = ____
print('Mean: ', str(mu), '\nVolatility: ', str(vol), '\nVaR(95): ', str(var_95))

Code bewerken en uitvoeren