Parametrik VaR hesapla
Bu egzersizde, parametrik bir yaklaşımla dinamik günlük %5 VaR tahmini yapmayı pratik edeceksin.
İleriye dönük bir VaR tahmini için üç adım olduğunu hatırla. Adım 1: Varyans tahmini yapmak için bir GARCH modeli kullanmak. Adım 2: GARCH'ın ileriye dönük ortalama ve oynaklığını elde etmek. Adım 3: Verilen güven düzeyine göre kantili hesaplamak. Parametrik yaklaşım, kantilleri varsayılan bir dağılımdan tahmin eder.
1/1/2019 tarihine kadar olan tarihsel Bitcoin getiri verileriyle bir GARCH modeli eğitildi; ardından sırasıyla mean_forecast ve variance_forecast değişkenlerinde saklanan ortalama ve varyans tahminleri üretildi. GARCH modeli Student-t dağılımını varsayar ve onun \(\nu\) (serbestlik derecesi) nu içinde saklanır.
Bu egzersiz
Python ile GARCH Modelleri
kursunun bir parçasıdırEgzersiz talimatları
- Varsayılan Student-t dağılımından 0.05 kantilini hesapla.
- GARCH modelinden gelen
mean_forecast,variance_forecastve önceki adımdaki kantili kullanarak VaR'ı hesapla.
Uygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
# Obtain the parametric quantile
q_parametric = basic_gm.____.____(____, nu)
print('5% parametric quantile: ', q_parametric)
# Calculate the VaR
VaR_parametric = ____.values + np.sqrt(____).values * ____
# Save VaR in a DataFrame
VaR_parametric = pd.DataFrame(VaR_parametric, columns = ['5%'], index = variance_forecast.index)
# Plot the VaR
plt.plot(VaR_parametric, color = 'red', label = '5% Parametric VaR')
plt.scatter(variance_forecast.index,bitcoin_data.Return['2019-1-1':], color = 'orange', label = 'Bitcoin Daily Returns' )
plt.legend(loc = 'upper right')
plt.show()