Kom igångKom igång gratis

Parameterskattning: normalfördelningen

Parameterskattning är den starkaste metoden för VaR-skattning eftersom den förutsätter att fördelningsklassen för förluster är känd. Parametrar skattas för att anpassa data till denna fördelning, varefter statistisk inferens görs.

I den här övningen skattar du 95%-VaR från en normalfördelning anpassad till data från en investmentbank för perioden 2007–2009. Du använder norm-fördelningen från scipy.stats och antar att det är den lämpligaste fördelningsklassen.

Är normalfördelningen en bra anpassning? Du testar detta med Anderson-Darling-testet scipy.stats.anderson. Om testresultatet är statistiskt skilt från noll tyder det på att data inte är normalfördelade. Du återkommer till detta i nästa övning.

Portföljens losses för perioden 2005–2010 finns tillgängliga.

Den här övningen är en del av kursen

Kvantitativ riskhantering i Python

Visa kurs

Övningsinstruktioner

  • Importera norm och anderson från scipy.stats.
  • Anpassa losses-data till normalfördelningen med metoden .fit() och spara fördelningsparametrarna i params.
  • Generera och visa 95%-VaR-skattningen från den anpassade fördelningen.
  • Testa nollhypotesen om normalfördelning på losses med Anderson-Darling-testet anderson().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import the Normal distribution and skewness test from scipy.stats
from ____ import norm, anderson

# Fit portfolio losses to the Normal distribution
params = ____.fit(____)

# Compute the 95% VaR from the fitted distribution, using parameter estimates
VaR_95 = norm.____(0.95, *params)
print("VaR_95, Normal distribution: ", VaR_95)

# Test the data for Normality
print("Anderson-Darling test result: ", anderson(____))
Redigera och kör kod