Aan de slagGa gratis aan de slag

CVaR en risico-exposure

Onthoud dat CVaR de verwachtingswaarde van het verlies is gegeven een minimale verliesdrempel. CVaR heeft dus al de vorm van een risico-exposure: het is de som (of integraal) van de kans op verlies in de staart van de verdeling, vermenigvuldigd met de verlieshoogte.

Om de 99% CVaR af te leiden, fit je eerst een T-verdeling op de beschikbare crisis_losses-portefeuilledata uit 2008–2009 met de methode t.fit(). Dit levert de parameters p van de T-verdeling op, die worden gebruikt om de VaR te vinden met de .ppf()-methode.

Vervolgens bereken je de 99% VaR, omdat die nodig is om de CVaR te bepalen.

Tot slot bereken je de 99% CVaR-maat met de methode t.expect(), dezelfde methode die je eerder hebt gebruikt om CVaR te berekenen voor de normale verdeling.

De t-verdeling uit scipy.stats is ook beschikbaar.

Deze oefening maakt deel uit van de cursus

Kwantitatief risicobeheer in Python

Cursus bekijken

Oefeninstructies

  • Vind de verdelingsparameters p met de .fit()-methode toegepast op crisis_losses.
  • Bereken VaR_99 met de gefitte parameters p en de percent point function van t.
  • Bereken CVaR_99 met de methode t.expect() en de gefitte parameters p, en toon het resultaat.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Fit the Student's t distribution to crisis losses
p = t.____(crisis_losses)

# Compute the VaR_99 for the fitted distribution
VaR_99 = t.____(____, *p)

# Use the fitted parameters and VaR_99 to compute CVaR_99
tail_loss = t.expect(____ y: y, args = (p[0],), loc = p[1], scale = p[2], lb = VaR_99 )
CVaR_99 = (1 / (1 - ____)) * tail_loss
print(CVaR_99)
Code bewerken en uitvoeren