VaR en ES schatten

Nu ben je klaar om VaR en ES te schatten voor de internationale aandelenbelegger met behulp van de historisch gesimuleerde winsten en verliezen in hslosses.

Je doet dit op twee manieren. Eerst pas je een eenvoudige niet-parametrische methode toe: gebruik een steekproefkwantiel om VaR te schatten en het gemiddelde van de waarden die boven dit steekproefkwantiel liggen om ES te schatten.

Vervolgens vergelijk je deze schattingen met de waarden die je krijgt als je aanneemt dat hslosses normaal verdeeld zijn. Dit is natuurlijk een zeer slechte aanname, en je moet de twee reeksen schattingen vergelijken om te zien welke conservatiever zijn.

Deze oefening maakt deel uit van de cursus

Kwantiatief Risicobeheer in R

Cursus bekijken

Oefeninstructies

Gebruik quantile() om het 99e steekproefpercentiel van de verdeling van hslosses te schatten.
Schat de 99% ES door het gemiddelde te berekenen van de hslosses die minstens zo groot zijn als de VaR-schatting (dit is al voor je gedaan).
Gebruik de juiste functies om het gemiddelde en de standaardafwijking van hslosses te schatten en ken deze respectievelijk toe aan mu en sigma.
Gebruik qnorm() met de berekende waarden voor gemiddelde en standaardafwijking om het 99%-kwantiel van een normale verdeling te berekenen.
Gebruik ESnorm() met de berekende waarden voor gemiddelde en standaardafwijking om de 99% ES van een normale verdeling te berekenen.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Estimate the 99th sample percentile of the distribution of hslosses


# Estimate the 99% ES
mean(hslosses[hslosses >= quantile(hslosses, 0.99)])

# Estimate the mean and standard deviation of hslosses



# Compute the 99% quantile of a normal distribution


# Compute the 99% ES of a normal distribution

Code bewerken en uitvoeren