BaşlayınÜcretsiz başlayın

Bir kayıp dağılımının KDE’si

Kernel yoğunluk kestirimi (KDE), 'kalın kuyruklu' dağılımları, yani ortalamadan zaman zaman büyük sapmalar içeren dağılımları (portföy kayıplarının dağılımı gibi) modelleyebilir.

Bölüm 2'de, düşük serbestlik derecelerinde portföy kayıplarının bu özelliğini ayrıca yakalayabilen Student'ın T dağılımını öğrendin.

2008 - 2009 dönemine ait verilen portföy losses verisine uydurulmuş bir Gaussian KDE ile bir T dağılımını karşılaştıracaksın. Her birinin göreli uyumlarını bir histogram kullanarak görselleştireceksin. (Unutma, T dağılımı uyumlanmış params parametrelerini kullanır; gaussian_kde ise parametrik olmayan bir yöntem olduğundan bir fonksiyon döndürür.)

scipy.stats içinden gaussian_kde() fonksiyonu ve t dağılımı hazır. Grafikleri verilen axis nesnesine ekleyebilirsin.

Bu egzersiz, kursun bir parçasıdır

Python ile Nicel Risk Yönetimi

Kursa Göz Atın

Egzersiz talimatları

  • Portföy losses verisine bir t dağılımı uydur.
  • gaussian_kde() kullanarak losses için bir Gaussian KDE uydur.
  • Her iki tahminin olasılık yoğunluk fonksiyonlarını (PDF) axis nesnesini kullanarak losses üzerine karşılaştırmalı olarak çiz.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Generate a fitted T distribution over losses
params = t.____(losses)

# Generate a Gaussian kernal density estimate over losses
kde = ____(____)

# Add the PDFs of both estimates to a histogram, and display
loss_range = np.linspace(np.min(losses), np.max(losses), 1000)
axis.plot(loss_range, t.____(loss_range, *params), label = 'T distribution')
axis.____(loss_range, kde.pdf(____), label = 'Gaussian KDE')
plt.legend(); plt.show()
Kodu Düzenle ve Çalıştır