Параметрический VaR

Value at Risk можно также рассчитать параметрически с помощью метода дисперсии/ковариации (variance/co-variance VaR). Этот метод позволяет моделировать диапазон возможных исходов на основе статистических свойств исторического распределения доходностей, а не фактических значений. Параметрический VaR(90) вычисляется следующим образом:

# Import norm from scipy.stats
from scipy.stats import norm

# Calculate Parametric VaR
norm.ppf(confidence_level=0.10, mu, vol)

где mu и vol — среднее значение и волатильность соответственно.

Данные о доходностях доступны (в виде десятичных дробей) в переменной StockReturns.

Это упражнение является частью курса

Введение в управление портфельными рисками на Python

Посмотреть курс

Инструкции к упражнению

Импортируйте norm из scipy.stats.
Рассчитайте среднее значение и волатильность StockReturns и присвойте их переменным mu и vol соответственно.
Задайте значение confidence_level для VaR(95).
Вычислите VaR(95) с помощью функции norm.ppf(), передав уровень доверия первым параметром, а mu и vol — вторым и третьим параметрами.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Import norm from scipy.stats
____

# Estimate the average daily return
mu = ____(StockReturns)

# Estimate the daily volatility
vol = ____(StockReturns)

# Set the VaR confidence level
confidence_level = ____

# Calculate Parametric VaR
var_95 = ____
print('Mean: ', str(mu), '\nVolatility: ', str(vol), '\nVaR(95): ', str(var_95))

Редактировать и запускать код