Calcular VaR paramétrico
Neste exercício, você vai praticar a estimativa de VaRs diários dinâmicos de 5% usando uma abordagem paramétrica.
Lembre-se de que há três etapas para fazer uma estimativa de VaR à frente. A Etapa 1 é usar um modelo GARCH para gerar previsões de variância. A Etapa 2 é obter a média e a volatilidade prospectivas do GARCH. E a Etapa 3 é calcular o quantil de acordo com um nível de confiança definido. A abordagem paramétrica estima quantis a partir de uma suposição de distribuição.
Um modelo GARCH foi ajustado com dados históricos de retornos de Bitcoin até 1/1/2019 e, em seguida, gerou previsões de média e variância, salvas em mean_forecast e variance_forecast, respectivamente. O modelo GARCH assume uma distribuição t de Student, e seu \(\nu\) (grau de liberdade) está salvo em nu.
Este exercício faz parte do curso
Modelos GARCH em Python
Instruções do exercício
- Calcule o quantil 0,05 da distribuição t de Student assumida.
- Calcule o VaR usando
mean_forecast,variance_forecastdo modelo GARCH e o quantil da etapa anterior.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Obtain the parametric quantile
q_parametric = basic_gm.____.____(____, nu)
print('5% parametric quantile: ', q_parametric)
# Calculate the VaR
VaR_parametric = ____.values + np.sqrt(____).values * ____
# Save VaR in a DataFrame
VaR_parametric = pd.DataFrame(VaR_parametric, columns = ['5%'], index = variance_forecast.index)
# Plot the VaR
plt.plot(VaR_parametric, color = 'red', label = '5% Parametric VaR')
plt.scatter(variance_forecast.index,bitcoin_data.Return['2019-1-1':], color = 'orange', label = 'Bitcoin Daily Returns' )
plt.legend(loc = 'upper right')
plt.show()