Beräkna parametrisk VaR
I den här övningen får du träna på att skatta dynamiska dagliga 5%-VaR med en parametrisk metod.
Kom ihåg att en framåtblickande VaR-skattning görs i tre steg. Steg 1 är att använda en GARCH-modell för att göra variansprognoser. Steg 2 är att hämta GARCH-modellens framåtblickande medelvärde och volatilitet. Steg 3 är att beräkna kvantilen utifrån en given konfidensnivå. Den parametriska metoden skattar kvantiler från en antagen fördelning.
En GARCH-modell har anpassats mot historiska Bitcoin-avkastningsdata fram till 2019-01-01 och har sedan genererat medelvärdes- och variansprognoser, sparade i mean_forecast respektive variance_forecast. GARCH-modellen antar en Students t-fördelning och dess \(\nu\) (frihetsgrader) är sparad i nu.
Den här övningen är en del av kursen
GARCH-modeller i Python
Övningsinstruktioner
- Beräkna 0,05-kvantilen från den antagna Students t-fördelningen.
- Beräkna VaR med hjälp av
mean_forecast,variance_forecastfrån GARCH-modellen och kvantilen från föregående steg.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Obtain the parametric quantile
q_parametric = basic_gm.____.____(____, nu)
print('5% parametric quantile: ', q_parametric)
# Calculate the VaR
VaR_parametric = ____.values + np.sqrt(____).values * ____
# Save VaR in a DataFrame
VaR_parametric = pd.DataFrame(VaR_parametric, columns = ['5%'], index = variance_forecast.index)
# Plot the VaR
plt.plot(VaR_parametric, color = 'red', label = '5% Parametric VaR')
plt.scatter(variance_forecast.index,bitcoin_data.Return['2019-1-1':], color = 'orange', label = 'Bitcoin Daily Returns' )
plt.legend(loc = 'upper right')
plt.show()