BaşlayınÜcretsiz başlayın

Parametre tahmini: Normal

Parametre tahmini, kayıp dağılımının sınıfının bilindiğini varsaydığı için VaR tahmininin en güçlü yöntemidir. Parametreler, verileri bu dağılıma uydurmak için tahmin edilir ve ardından istatistiksel çıkarım yapılır.

Bu egzersizde, 2007 - 2009 dönemine ait yatırım bankası verilerine Normal dağılım uydurarak %95 VaR'ı tahmin edeceksin. En uygun dağılım sınıfının bu olduğunu varsayarak scipy.stats içindeki norm dağılımını kullanacaksın.

Normal dağılım iyi bir uyum sağlıyor mu? Bunu scipy.stats.anderson içindeki Anderson-Darling testiyle sınayacaksın. Test sonucu istatistiksel olarak sıfırdan farklıysa, bu veri setinin Normal dağılmadığını gösterir. Bunu bir sonraki egzersizde ele alacaksın.

2005 - 2010 dönemine ait portföy losses verileri mevcut.

Bu egzersiz, kursun bir parçasıdır

Python ile Nicel Risk Yönetimi

Kursa Göz Atın

Egzersiz talimatları

  • scipy.stats içinden norm ve anderson öğelerini içe aktar.
  • .fit() metodunu kullanarak losses verisini Normal dağılıma uydur ve dağılım parametrelerini params içine kaydet.
  • Uydurulan dağılımdan %95 VaR tahminini üret ve görüntüle.
  • Anderson-Darling testi anderson() ile losses üzerinde Normal dağılım sıfır hipotezini test et.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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(____))
Kodu Düzenle ve Çalıştır