VaR a partir de uma distribuição ajustada
Para minimizar o CVaR, é necessário calcular o VaR em um nível de confiança, por exemplo, 95%. Anteriormente, você derivou o VaR como um quantil de uma distribuição normal (ou gaussiana), mas a minimização do CVaR exige, de modo mais geral, o cálculo do quantil de uma distribuição que melhor se ajuste aos dados.
Neste exercício, é fornecida uma distribuição de perdas fitted, que se ajusta às perdas de uma carteira de banco de investimento com ponderação igual de 2005 a 2010. Primeiro, você traçará essa distribuição usando o método .evaluate() (as distribuições ajustadas serão abordadas em mais detalhes no Capítulo 4).
Em seguida, você usará o método .resample() do objeto fitted para extrair um sample aleatório de 100.000 observações da distribuição ajustada.
Por fim, usando np.quantile() no sample aleatório, você calculará o VaR de 95%.
Este exercício faz parte do curso
Gerenciamento quantitativo de riscos em Python
Instruções do exercício
- Trace a distribuição de perdas em
fitted. Observe como a distribuiçãofittedé diferente de uma distribuição normal. - Crie um
samplede 100.000 pontos de sorteios aleatórios da distribuição ajustada usando o método.resample()dofitted. - Use o site
np.quantile()para encontrar o VaR de 95% dosamplealeatório 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)