VaR z dopasowanego rozkładu
Minimalizacja CVaR wymaga obliczenia VaR na określonym poziomie ufności – powiedzmy 95%. Do tej pory wyznaczałeś VaR jako kwantyl z rozkładu normalnego (Gaussa), ale bardziej ogólne podejście do minimalizacji CVaR wymaga obliczenia kwantyla z rozkładu, który najlepiej dopasowuje się do danych.
W tym ćwiczeniu przygotowano obiekt fitted reprezentujący rozkład strat, dopasowany do strat z portfela równoważonego banku inwestycyjnego z lat 2005–2010. Zaczniesz od wyrysowania tego rozkładu za pomocą metody .evaluate() (dopasowywanie rozkładów zostanie omówione szczegółowo w rozdziale 4.).
Następnie użyjesz metody .resample() obiektu fitted, aby wylosować sample złożony ze 100 000 obserwacji z dopasowanego rozkładu.
Na koniec zastosujesz np.quantile() na losowej próbce sample, by obliczyć VaR na poziomie 95%.
To ćwiczenie jest częścią kursu
Ilościowe zarządzanie ryzykiem w Pythonie
Instrukcje do ćwiczenia
- Wyrysuj dopasowany rozkład strat
fitted. Zwróć uwagę, jak różni się on od rozkładu normalnego. - Utwórz próbkę
samplezłożoną ze 100 000 losowych obserwacji z dopasowanego rozkładu, korzystając z metody.resample()obiektufitted. - Użyj
np.quantile(), aby wyznaczyć VaR na poziomie 95% z losowej próbkisample, i wyświetl wynik.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Visualize the fitted distribution with a plot
x = np.linspace(-0.25,0.25,1000)
plt.____(x,fitted.evaluate(x))
plt.show()
# Create a random sample of 100,000 observations from the fitted distribution
sample = fitted.____(____)
# Compute and display the 95% VaR from the random sample
VaR_95 = np.____(sample, ____)
print(VaR_95)