ПочатиПочніть безкоштовно

Оцінювання параметрів: Normal

Оцінювання параметрів — найпотужніший підхід для оцінювання VaR, адже він припускає, що клас розподілу збитків відомий. Параметри оцінюють так, щоб підганяти дані під цей розподіл, після чого роблять статистичні висновки.

У цій вправі ви оціните 95% VaR на основі розподілу Normal, підігнаного до даних інвестбанку за 2007–2009 роки. Ви використаєте розподіл norm з scipy.stats, припускаючи, що це найвідповідніший клас розподілу.

Чи добре пасує розподіл Normal? Ви перевірите це за допомогою тесту Андерсона — Дарлінга scipy.stats.anderson. Якщо результат тесту статистично відрізняється від нуля, це означає, що дані не мають нормального розподілу. Ви розвʼяжете це у наступній вправі.

Портфельні losses за період 2005–2010 років доступні.

Ця вправа є частиною курсу

Кількісне управління ризиками в Python

Переглянути курс

Інструкції до вправи

  • Імпортуйте norm і anderson з scipy.stats.
  • Підіженіть дані losses розподілом Normal за допомогою методу .fit(), збережіть параметри розподілу в params.
  • Згенеруйте та виведіть оцінку 95% VaR з підігнаного розподілу.
  • Перевірте нульову гіпотезу про нормальний розподіл для losses за допомогою тесту Андерсона — Дарлінга anderson().

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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(____))
Редагувати та запускати код