ComeçarComece de graça

Estimativa de parâmetros: Normal assimétrica

No exercício anterior, você descobriu que ajustar uma distribuição Normal aos dados da carteira do banco de investimento de 2005 a 2010 resultou em um ajuste ruim, segundo o teste de Anderson-Darling.

Você vai testar os dados usando a função skewtest() do scipy.stats. Se o resultado do teste for estatisticamente diferente de zero, então os dados indicam uma distribuição assimétrica.

Agora você vai estimar parametricamente o VaR de 95% de uma distribuição de perdas ajustada usando a distribuição skewnorm (Normal assimétrica) do scipy.stats. Ela é mais geral do que a Normal e permite que as perdas não sejam distribuídas de forma simétrica. Podemos esperar perdas assimétricas durante a crise, quando perdas na carteira eram mais prováveis do que ganhos.

As losses da carteira para o período de 2007 a 2009 estão disponíveis.

Este exercício faz parte do curso

Gerenciamento Quantitativo de Risco em Python

Ver curso

Instruções do exercício

  • Importe skewnorm e skewtest de scipy.stats.
  • Teste a assimetria em losses da carteira usando skewtest. O teste indica assimetria se o resultado for estatisticamente diferente de zero.
  • Ajuste os dados de losses à distribuição Normal assimétrica usando o método .fit().
  • Gere e exiba a estimativa de VaR de 95% a partir da distribuição ajustada.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Import the skew-normal distribution and skewness test from scipy.stats
from scipy.stats import skewnorm, skewtest

# Test the data for skewness
print("Skewtest result: ", ____(____))

# Fit the portfolio loss data to the skew-normal distribution
params = ____.____(losses)

# Compute the 95% VaR from the fitted distribution, using parameter estimates
VaR_95 = ____.____(0.95, *params)
print("VaR_95 from skew-normal: ", VaR_95)
Editar e executar o código