ComeçarComece gratuitamente

VaR e exposição ao risco

Anteriormente, você calculou o VaR e CVaR quando as perdas eram normalmente distribuídas. Aqui você encontrará o VaR usando outra distribuição de perdas comum, a distribuição t de Student (ou T) contida em scipy.stats.

Você calculará uma série de medidas de VaR de 99% a partir da distribuição T (com 30 - 1 = 29 graus de liberdade), usando janelas de rolagem de 30 dias do portfólio do banco de investimento losses.

Primeiro, você encontrará a média e o desvio padrão de cada janela, criando uma lista de rolling_parameters. Você os usará para calcular o conjunto de medidas 99% VaR.

Em seguida, você usará essa matriz para traçar a exposição ao risco de um portfólio que inicialmente vale US$ 100.000. Lembre-se de que a exposição ao risco é a probabilidade de perda (1%) multiplicada pelo valor da perda (a perda dada pelo VaR de 99%).

Este exercício faz parte do curso

Gerenciamento quantitativo de riscos em Python

Ver Curso

Instruções de exercício

  • Importe a distribuição t do aluno de scipy.stats.
  • Calcule a média da janela de 30 dias mu e o desvio padrão sigma vetores de losses e coloque-os em rolling_parameters.
  • Calcule uma matriz Numpy de medidas de VaR de 99% VaR_99 usando t.ppf(), a partir de uma lista de distribuições T usando os elementos de rolling_parameters.
  • Calcule e visualize a exposição ao risco associada à matriz VaR_99.

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

# Import the Student's t-distribution
from scipy.____ import t

# Create rolling window parameter list
mu = losses.rolling(30).____
sigma = losses.rolling(30).____
rolling_parameters = [(29, mu[i], s) for i,s in enumerate(sigma)]

# Compute the 99% VaR array using the rolling window parameters
VaR_99 = np.array( [ t.ppf(____, *params) 
                    for params in ____ ] )

# Plot the minimum risk exposure over the 2005-2010 time period
plt.plot(losses.index, 0.01 * ____ * 100000)
plt.show()
Editar e executar código