VaR จากการแจกแจงที่ฟิตแล้ว
การลด CVaR ให้น้อยที่สุดต้องอาศัยการคำนวณ VaR ที่ระดับความเชื่อมั่นหนึ่ง เช่น 95% ก่อนหน้านี้คุณได้หาค่า VaR ในรูปควอนไทล์จากการแจกแจงแบบปกติ (Normal หรือ Gaussian) แต่การลด CVaR ในกรณีทั่วไปจำเป็นต้องคำนวณควอนไทล์จากการแจกแจงที่ ฟิต ข้อมูลได้ดีที่สุด
ในแบบฝึกหัดนี้มี การแจกแจงความสูญเสีย fitted ให้พร้อมแล้ว ซึ่งฟิตจากความสูญเสียของพอร์ตโฟลิโอธนาคารเพื่อการลงทุนแบบถ่วงน้ำหนักเท่ากันในช่วงปี 2005–2010 ขั้นแรกให้พล็อตการแจกแจงนี้โดยใช้เมธอด .evaluate() (การแจกแจงแบบฟิตจะครอบคลุมรายละเอียดเพิ่มเติมในบทที่ 4)
จากนั้นใช้เมธอด .resample() ของอ็อบเจกต์ fitted เพื่อดึง sample แบบสุ่มจำนวน 100,000 การสังเกตจากการแจกแจงที่ฟิตแล้ว
สุดท้าย ใช้ np.quantile() กับ sample ที่สุ่มได้เพื่อคำนวณค่า VaR ที่ระดับความเชื่อมั่น 95%
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การบริหารความเสี่ยงเชิงปริมาณด้วย Python
คำแนะนำการฝึกหัด
- พล็อตการแจกแจงความสูญเสีย
fittedแล้วสังเกตว่าการแจกแจงfittedแตกต่างจากการแจกแจงแบบปกติอย่างไร - สร้าง
sampleขนาด 100,000 จุดโดยดึงค่าแบบสุ่มจากการแจกแจงที่ฟิตแล้ว โดยใช้เมธอด.resample()ของfitted - ใช้
np.quantile()เพื่อหาค่า VaR ที่ระดับความเชื่อมั่น 95% จากsampleแล้วแสดงผลลัพธ์
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# 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)