1. Nauka
    2. /
  2. Kursy
    3. /
  3. Ilościowe zarządzanie ryzykiem w Pythonie
Connected

ćwiczenie

KDE rozkładu strat

Jądrowe estymowanie gęstości (KDE) pozwala dopasowywać rozkłady z „grubymi ogonami", czyli rozkłady, w których od czasu do czasu pojawiają się duże odchylenia od średniej (tak jak w rozkładzie strat portfela).

W rozdziale 2 poznałeś rozkład T Studenta, który przy niskiej liczbie stopni swobody również potrafi uchwycić tę właściwość strat portfelowych.

Porównasz gaussowskie KDE z rozkładem T, z których każdy zostanie dopasowany do dostarczonych danych portfelowych losses z lat 2008–2009. Względną jakość dopasowania zwizualizujesz za pomocą histogramu. (Przypomnij sobie, że rozkład T korzysta z dopasowanych parametrów params, natomiast gaussian_kde, będąc metodą nieparametryczną, zwraca funkcję.)

Funkcja gaussian_kde() jest dostępna, podobnie jak rozkład t – oba pochodzą z scipy.stats. Wykresy można dodawać do dostarczonego obiektu axis.

Instrukcje

100 XP
  • Dopasuj rozkład t do danych portfelowych losses.
  • Dopasuj gaussowskie KDE do losses, używając funkcji gaussian_kde().
  • Narysuj funkcje gęstości prawdopodobieństwa (PDF) obu estymatorów na tle losses, korzystając z obiektu axis.