ComeçarComece de graça

Estimativa de parâmetros: Normal

A estimativa de parâmetros é o método mais robusto para estimar o VaR porque parte do pressuposto de que a classe da distribuição de perdas é conhecida. Os parâmetros são estimados para ajustar os dados a essa distribuição e, em seguida, faz-se a inferência estatística.

Neste exercício, você vai estimar o VaR de 95% a partir de uma distribuição Normal ajustada aos dados do banco de investimento de 2007 a 2009. Você usará a distribuição norm do scipy.stats, assumindo que ela é a classe de distribuição mais adequada.

Uma distribuição Normal é um bom ajuste? Você vai testar isso com o teste de Anderson-Darling scipy.stats.anderson. Se o resultado do teste for estatisticamente diferente de zero, isso indica que os dados não são Normally distributed. Você vai lidar com isso no próximo exercício.

As losses da carteira para o período de 2005 a 2010 estão disponíveis.

Este exercício faz parte do curso

Gerenciamento Quantitativo de Risco em Python

Ver curso

Instruções do exercício

  • Importe norm e anderson de scipy.stats.
  • Ajuste os dados losses à distribuição Normal usando o método .fit(), salvando os parâmetros da distribuição em params.
  • Gere e exiba a estimativa de VaR de 95% a partir da distribuição ajustada.
  • Teste a hipótese nula de distribuição Normal em losses usando o teste de Anderson-Darling anderson().

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Import the Normal distribution and skewness test from scipy.stats
from ____ import norm, anderson

# Fit portfolio losses to the Normal distribution
params = ____.fit(____)

# Compute the 95% VaR from the fitted distribution, using parameter estimates
VaR_95 = norm.____(0.95, *params)
print("VaR_95, Normal distribution: ", VaR_95)

# Test the data for Normality
print("Anderson-Darling test result: ", anderson(____))
Editar e executar o código