BaşlayınÜcretsiz başlayın

Parametre tahmini: Eğik Normal

Önceki egzersizde, 2005 - 2010 arasındaki yatırım bankası portföy verilerine Normal dağılım uydurmanın, Anderson-Darling testine göre zayıf bir uyum verdiğini bulmuştun.

Bu verileri scipy.stats içindeki skewtest() fonksiyonuyla test edeceksin. Test sonucu istatistiksel olarak sıfırdan farklıysa, veriler eğik (skewed) bir dağılımı destekler.

Şimdi scipy.stats'ın skewnorm yani eğik Normal dağılımını kullanarak parametrik olarak bir zarar dağılımı uyduracak ve 95% VaR'ı tahmin edeceksin. Bu dağılım, Normal'den daha geneldir ve zararların simetrik olmayan şekilde dağılmasına izin verir. Kriz döneminde, portföy zararlarının kazançlara kıyasla daha olası olduğu için zararların eğik olmasını bekleyebiliriz.

2007 - 2009 dönemi için portföy losses verileri mevcut.

Bu egzersiz, kursun bir parçasıdır

Python ile Nicel Risk Yönetimi

Kursa Göz Atın

Egzersiz talimatları

  • scipy.stats'tan skewnorm ve skewtest modüllerini içe aktar.
  • Portföy losses verilerinde eğiklik olup olmadığını skewtest ile test et. Sonuç istatistiksel olarak sıfırdan farklıysa test eğiklik olduğunu gösterir.
  • .fit() metodunu kullanarak losses verilerine eğik Normal dağılımını uydur.
  • Uydurulan dağılımdan 95% VaR tahminini üret ve görüntüle.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Import the skew-normal distribution and skewness test from scipy.stats
from scipy.stats import skewnorm, skewtest

# Test the data for skewness
print("Skewtest result: ", ____(____))

# Fit the portfolio loss data to the skew-normal distribution
params = ____.____(losses)

# Compute the 95% VaR from the fitted distribution, using parameter estimates
VaR_95 = ____.____(0.95, *params)
print("VaR_95 from skew-normal: ", VaR_95)
Kodu Düzenle ve Çalıştır