ComeçarComece de graça

Estimativa de parâmetros: Normal

A estimativa de parâmetros é o método mais forte de estimativa de VaR porque pressupõe que a classe de distribuição de perdas seja conhecida. Os parâmetros são estimados para ajustar os dados a essa distribuição e, em seguida, é feita a inferência estatística.

Neste exercício, você estimará 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 scipy.stats's norm, supondo que essa seja a classe de distribuição mais apropriada.

A distribuição normal é uma boa opção? Você testará isso com o teste scipy.stats.anderson Anderson-Darling. Se o resultado do teste for estatisticamente diferente de zero, isso indica que os dados não são distribuídos normalmente. Você abordará esse assunto no próximo exercício.

O portfólio losses para o período de 2005 a 2010 está disponível.

Este exercício faz parte do curso

Gerenciamento quantitativo de riscos em Python

Ver curso

Instruções do exercício

  • Importe norm e anderson de scipy.stats.
  • Ajuste os dados de losses à distribuição normal usando o método .fit(), salvando os parâmetros de distribuição em params.
  • Gerar e exibir a estimativa de VaR de 95% a partir da distribuição ajustada.
  • Teste a hipótese nula de uma 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