Kom igångKom igång gratis

VaR från en anpassad fördelning

För att minimera CVaR behöver du beräkna VaR vid en given konfidensnivå, till exempel 95 %. Tidigare härledde du VaR som en kvantil från en normalfördelning (gaussisk fördelning), men för att minimera CVaR på ett mer generellt sätt behöver du beräkna kvantilen från en fördelning som bäst anpassar sig till datan.

I den här övningen är en fitted förlustfördelning tillhandahållen, som anpassar förluster från en likaviktad investmentbanksportfölj från 2005–2010. Du börjar med att rita denna fördelning med hjälp av dess .evaluate()-metod (anpassade fördelningar behandlas mer ingående i kapitel 4).

Därefter använder du metoden .resample() för fitted-objektet för att dra ett slumpmässigt sample på 100 000 observationer från den anpassade fördelningen.

Slutligen beräknar du 95 %-VaR genom att använda np.quantile() på det slumpmässiga sample.

Den här övningen är en del av kursen

Kvantitativ riskhantering i Python

Visa kurs

Övningsinstruktioner

  • Rita fitted-förlustfördelningen. Lägg märke till hur fitted-fördelningen skiljer sig från en normalfördelning.
  • Skapa ett sample med 100 000 slumpmässiga observationer från den anpassade fördelningen med hjälp av .resample()-metoden för fitted.
  • Använd np.quantile() för att beräkna 95 %-VaR från det slumpmässiga sample, och visa resultatet.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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)
Redigera och kör kod