Parametrisk VaR

Value at Risk kan också beräknas parametriskt med en metod som kallas varians/kovarians-VaR. Med den här metoden kan du simulera ett antal möjliga utfall baserat på historiska avkastningsfördelningens egenskaper, i stället för att använda faktiska avkastningsvärden. Du beräknar parametrisk VaR(90) på följande sätt:

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

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

där mu och vol är medelvärdet respektive volatiliteten.

Avkastningsdata finns tillgänglig (i decimalform) i variabeln StockReturns.

Den här övningen är en del av kursen

Introduktion till portföljriskhantering i Python

Visa kurs

Övningsinstruktioner

Importera norm från scipy.stats.
Beräkna medelvärdet och volatiliteten för StockReturns och tilldela dem till mu respektive vol.
Ange confidence_level för VaR(95).
Beräkna VaR(95) med funktionen norm.ppf() och skicka in konfidensnivån som första parameter, med mu och vol som andra respektive tredje parameter.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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))

Redigera och kör kod