Aan de slagGa gratis aan de slag

Parameterschatting: Normaal

Parameterschatting is de sterkste methode om VaR te schatten, omdat ze aanneemt dat de klasse van de verliesverdeling bekend is. Parameters worden geschat om de data aan deze verdeling te laten aansluiten, waarna statistische gevolgtrekkingen worden gedaan.

In deze oefening schat je de 95% VaR op basis van een Normale verdeling die is gefit op de gegevens van investeringsbanken uit 2007–2009. Je gebruikt de norm-verdeling uit scipy.stats, in de veronderstelling dat dit de meest geschikte klasse van verdeling is.

Is een Normale verdeling een goede fit? Je test dit met de Anderson-Darlingtest scipy.stats.anderson. Als het testresultaat statistisch verschillend is van nul, duidt dit erop dat de data niet Normaal verdeeld is. Dat pak je in de volgende oefening aan.

Portefeuille-losses voor de periode 2005–2010 zijn beschikbaar.

Deze oefening maakt deel uit van de cursus

Kwantitatief risicobeheer in Python

Cursus bekijken

Oefeninstructies

  • Importeer norm en anderson uit scipy.stats.
  • Fit de losses-data op de Normale verdeling met de methode .fit() en sla de verdelingsparameters op in params.
  • Genereer en toon de 95% VaR-schatting uit de gefitte verdeling.
  • Test de nulhypothese van een Normale verdeling op losses met de Anderson-Darlingtest anderson().

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Import the Normal distribution and skewness test from scipy.stats
from ____ import norm, anderson

# Fit portfolio losses to the Normal distribution
params = ____.fit(____)

# Compute the 95% VaR from the fitted distribution, using parameter estimates
VaR_95 = norm.____(0.95, *params)
print("VaR_95, Normal distribution: ", VaR_95)

# Test the data for Normality
print("Anderson-Darling test result: ", anderson(____))
Code bewerken en uitvoeren