VaR из подобранного распределения
Минимизация CVaR требует вычисления VaR на заданном уровне доверия, например 95%. Ранее вы определяли VaR как квантиль нормального (гауссовского) распределения, однако в общем случае минимизация CVaR предполагает вычисление квантиля из распределения, которое наилучшим образом подходит к данным.
В этом упражнении вам предоставлено подобранное распределение потерь fitted, которое описывает потери портфеля инвестиционного банка с равными весами за 2005–2010 годы. Сначала вы построите график этого распределения с помощью метода .evaluate() (подобранные распределения будут подробно рассмотрены в главе 4).
Затем с помощью метода .resample() объекта fitted вы сформируете случайную sample из 100 000 наблюдений из подобранного распределения.
Наконец, применив np.quantile() к случайной sample, вы вычислите VaR на уровне 95%.
Это упражнение является частью курса
Количественное управление рисками на Python
Инструкции к упражнению
- Постройте график подобранного распределения потерь
fitted. Обратите внимание на то, чем оно отличается от нормального распределения. - Создайте
sampleиз 100 000 случайных значений из подобранного распределения с помощью метода.resample()объектаfitted. - Используйте
np.quantile(), чтобы найти VaR на уровне 95% по случайнойsample, и выведите результат.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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)