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

ćwiczenie

VaR dla rozkładu normalnego

Aby lepiej zrozumieć miarę Value at Risk (VaR), warto najpierw zastosować ją do dobrze znanych rozkładów. Szczególnie przydatny jest rozkład normalny (zwany też gaussowskim), ponieważ 1) ma prostą postać analityczną oraz 2) opisuje szeroką gamę zjawisk empirycznych. W tym ćwiczeniu założymy, że strata portfela ma rozkład normalny – im wyższa wartość wylosowana z rozkładu, tym większa strata.

Nauczysz się stosować funkcję ppf() (ang. percent point function) z modułu scipy.stats.norm oraz funkcję quantile() z biblioteki numpy, aby wyznaczyć VaR na poziomach ufności 95% i 99% dla standardowego rozkładu normalnego. Zwizualizujesz też VaR jako próg na wykresie rozkładu normalnego.

Instrukcje

100 XP
  • Użyj funkcji .ppf() obiektu norm, aby wyznaczyć miarę VaR na poziomie ufności 95%.
  • Wyznacz VaR na poziomie 99%, korzystając z funkcji quantile() biblioteki NumPy zastosowanej do 100 000 losowych próbek draws z rozkładu normalnego.
  • Porównaj miary VaR na poziomach 95% i 99% za pomocą instrukcji print.
  • Narysuj wykres rozkładu normalnego i dodaj linię wskazującą VaR na poziomie 95%.