เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การประมาณค่าพารามิเตอร์: Normal

การประมาณค่าพารามิเตอร์ เป็นวิธีที่แม่นยำที่สุดในการประมาณค่า VaR เพราะกำหนดให้รู้จักคลาสของการแจกแจงความสูญเสียล่วงหน้า จากนั้นจึงประมาณค่าพารามิเตอร์เพื่อให้ข้อมูลพอดีกับการแจกแจงนั้น แล้วนำไปใช้ในการอนุมานทางสถิติ

ในแบบฝึกหัดนี้ จะประมาณค่า VaR ที่ระดับ 95% จากการแจกแจงแบบ Normal ที่ปรับให้พอดีกับข้อมูลธนาคารเพื่อการลงทุนในช่วงปี 2007 - 2009 โดยใช้การแจกแจง norm จาก scipy.stats ซึ่งถือว่าเหมาะสมที่สุดสำหรับข้อมูลนี้

การแจกแจงแบบ Normal เหมาะสมกับข้อมูลจริงหรือไม่? ทดสอบด้วยการทดสอบ Anderson-Darling ผ่าน scipy.stats.anderson หากผลการทดสอบแตกต่างจากศูนย์อย่างมีนัยสำคัญทางสถิติ แสดงว่าข้อมูลไม่ได้มีการแจกแจงแบบ Normal ซึ่งจะแก้ไขในแบบฝึกหัดถัดไป

ข้อมูล losses ของพอร์ตโฟลิโอในช่วงปี 2005 - 2010 พร้อมใช้งานแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การบริหารความเสี่ยงเชิงปริมาณด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • Import norm และ anderson จาก scipy.stats
  • ปรับข้อมูล losses ให้พอดีกับการแจกแจงแบบ Normal โดยใช้เมธอด .fit() แล้วบันทึกพารามิเตอร์ที่ได้ไว้ในตัวแปร params
  • คำนวณและแสดงค่าประมาณ VaR ที่ระดับ 95% จากการแจกแจงที่ปรับแล้ว
  • ทดสอบสมมติฐานว่างว่าข้อมูล losses มีการแจกแจงแบบ Normal ด้วยการทดสอบ Anderson-Darling anderson()

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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(____))
แก้ไขและรันโค้ด