1. Обучение
    2. /
  2. Курса
    3. /
  3. Количественное управление рисками на Python
Connected

Упражнение

Оценка параметров: скошенное нормальное распределение

В предыдущем упражнении вы убедились, что подгонка нормального распределения к данным портфеля инвестиционного банка за 2005–2010 годы даёт неудовлетворительный результат согласно критерию Андерсона–Дарлинга.

Проверьте данные с помощью функции skewtest() из scipy.stats. Если результат теста статистически отличается от нуля, данные подтверждают скошенное распределение.

Теперь вы параметрически оцените 95% VaR, подогнав распределение потерь с помощью скошенного нормального распределения skewnorm из scipy.stats. Оно является более общим, чем нормальное, и допускает несимметричное распределение потерь. В период кризиса, когда убытки портфеля были более вероятны, чем доходы, можно ожидать именно такое смещение.

Данные о потерях портфеля losses за 2007–2009 годы уже доступны.

Инструкции

100 XP
  • Импортируйте skewnorm и skewtest из scipy.stats.
  • Проверьте наличие асимметрии в данных о потерях портфеля losses с помощью skewtest. Тест указывает на асимметрию, если результат статистически отличается от нуля.
  • Подгоните данные losses к скошенному нормальному распределению с помощью метода .fit().
  • Вычислите и выведите оценку 95% VaR на основе подогнанного распределения.