ComeçarComece de graça

VaR a partir de uma distribuição ajustada

Minimizar o CVaR exige calcular o VaR em um nível de confiança, por exemplo, 95%. Antes, você obteve o VaR como um quantil de uma distribuição Normal (ou Gaussiana), mas, de forma mais geral, minimizar o CVaR requer calcular o quantil a partir de uma distribuição que melhor se ajusta aos dados.

Neste exercício, é fornecida uma distribuição de perdas fitted, que ajusta as perdas de um portfólio igualmente ponderado de bancos de investimento de 2005–2010. Primeiro, você vai plotar essa distribuição usando seu método .evaluate() (distribuições ajustadas serão abordadas em mais detalhes no Capítulo 4).

Em seguida, você usará o método .resample() do objeto fitted para extrair uma sample aleatória de 100.000 observações da distribuição ajustada.

Por fim, usar np.quantile() na sample aleatória calculará o VaR de 95%.

Este exercício faz parte do curso

Gerenciamento Quantitativo de Risco em Python

Ver curso

Instruções do exercício

  • Plote a distribuição de perdas fitted. Observe como a distribuição fitted é diferente de uma Normal.
  • Crie uma sample com 100.000 sorteios aleatórios da distribuição ajustada usando o método .resample() de fitted.
  • Use np.quantile() para encontrar o VaR de 95% a partir da sample aleatória e exiba o resultado.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Visualize the fitted distribution with a plot
x = np.linspace(-0.25,0.25,1000)
plt.____(x,fitted.evaluate(x))
plt.show()

# Create a random sample of 100,000 observations from the fitted distribution
sample = fitted.____(____)

# Compute and display the 95% VaR from the random sample
VaR_95 = np.____(sample, ____)
print(VaR_95)
Editar e executar o código