Kom igångKom igång gratis

KDE av en förlustfördelning

Kärnbaserad täthetsskattning (KDE) kan anpassa fördelningar med "feta svansar", det vill säga fördelningar med tidvis stora avvikelser från medelvärdet – som fördelningen av portföljförluster.

I kapitel 2 lärde du dig om Students T-fördelning, som vid låga frihetsgrader också kan fånga upp denna egenskap hos portföljförluster.

Här ska du jämföra en gaussisk KDE med en T-fördelning, båda anpassade till tillhandahållna portföljförluster (losses) från 2008–2009. Du visualiserar hur väl vardera metod passar med hjälp av ett histogram. (Kom ihåg att T-fördelningen använder anpassade parametrar params, medan gaussian_kde, som är icke-parametrisk, returnerar en funktion.)

Funktionen gaussian_kde() finns tillgänglig, liksom t-fördelningen – båda från scipy.stats. Diagram kan läggas till i det tillhandahållna axis-objektet.

Den här övningen är en del av kursen

Kvantitativ riskhantering i Python

Visa kurs

Övningsinstruktioner

  • Anpassa en t-fördelning till portföljförlusterna losses.
  • Anpassa en gaussisk KDE till losses med hjälp av gaussian_kde().
  • Plotta sannolikhetstäthetsfunktionerna (PDF:erna) för båda skattningarna mot losses med hjälp av axis-objektet.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Generate a fitted T distribution over losses
params = t.____(losses)

# Generate a Gaussian kernal density estimate over losses
kde = ____(____)

# Add the PDFs of both estimates to a histogram, and display
loss_range = np.linspace(np.min(losses), np.max(losses), 1000)
axis.plot(loss_range, t.____(loss_range, *params), label = 'T distribution')
axis.____(loss_range, kde.pdf(____), label = 'Gaussian KDE')
plt.legend(); plt.show()
Redigera och kör kod