ПочатиПочніть безкоштовно

Оцінювання параметрів: Skewed Normal

У попередній вправі ви виявили, що підгонка нормального розподілу до даних портфеля інвестбанку за 2005–2010 роки дала слабку якість за критерієм Андерсона—Дарлінга.

Ви перевірите дані за допомогою функції skewtest() з scipy.stats. Якщо результат статистично відрізняється від нуля, то дані підтверджують наявність асиметрії (skewness).

Тепер ви параметрично оціните 95% VaR для підгонки розподілу збитків, використовуючи розподіл skewnorm (skewed Normal) з scipy.stats. Це більш загальний розподіл, ніж Normal, і він дозволяє збиткам мати несиметричний розподіл. Можна очікувати асиметрії збитків під час кризи, коли втрати портфеля були імовірнішими за прибутки.

Портфельні losses за період 2007–2009 років доступні.

Ця вправа є частиною курсу

Кількісне управління ризиками в Python

Переглянути курс

Інструкції до вправи

  • Імпортуйте skewnorm і skewtest з scipy.stats.
  • Перевірте асиметрію в портфельних losses за допомогою skewtest. Тест указує на асиметрію, якщо результат статистично відрізняється від нуля.
  • Підіженіть дані losses розподілом skewed Normal за допомогою методу .fit().
  • Згенеруйте та виведіть оцінку 95% VaR з підгонного розподілу.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)
Редагувати та запускати код