ÎncepețiÎncepe gratuit

KDE al unei distribuții de pierderi

Estimarea densității prin nucleu (KDE) poate ajusta distribuții cu „cozi groase", adică distribuții cu abateri mari ocazionale față de medie (cum ar fi distribuția pierderilor dintr-un portofoliu).

În Capitolul 2 ai învățat despre distribuția T a lui Student, care, pentru un număr mic de grade de libertate, poate și ea surprinde această caracteristică a pierderilor de portofoliu.

Vei compara un KDE Gaussian cu o distribuție T, fiecare ajustată pe losses (pierderile) de portofoliu furnizate din perioada 2008–2009. Vei vizualiza calitatea relativă a fiecărei ajustări folosind o histogramă. (Reține că distribuția T folosește parametrii ajustați params, în timp ce gaussian_kde, fiind neparametrică, returnează o funcție.)

Funcția gaussian_kde() este disponibilă, la fel și distribuția t, ambele din scipy.stats. Graficele pot fi adăugate la obiectul axis furnizat.

Acest exercițiu face parte din cursul

Managementul Cantitativ al Riscului în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Ajustează o distribuție t pe losses (pierderile) de portofoliu.
  • Ajustează un KDE Gaussian pe losses folosind gaussian_kde().
  • Trasează funcțiile de densitate de probabilitate (PDF) ale ambelor estimări față de losses, utilizând obiectul axis.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Generate a fitted T distribution over losses
params = t.____(losses)

# Generate a Gaussian kernal density estimate over losses
kde = ____(____)

# Add the PDFs of both estimates to a histogram, and display
loss_range = np.linspace(np.min(losses), np.max(losses), 1000)
axis.plot(loss_range, t.____(loss_range, *params), label = 'T distribution')
axis.____(loss_range, kde.pdf(____), label = 'Gaussian KDE')
plt.legend(); plt.show()
Editează și rulează codul