ПочатиПочніть безкоштовно

VaR з підігнаної розподілу

Мінімізація CVaR потребує обчислення VaR на заданому рівні довіри, наприклад 95%. Раніше ви виводили VaR як квантіль для нормального (Gaussian) розподілу, але для мінімізації CVaR у загальнішому випадку треба знаходити квантіль із розподілу, який найкраще відповідає даним.

У цій вправі надано розподіл збитків fitted, що узгоджується зі збитками портфеля інвестбанку з рівними вагами за 2005–2010 роки. Спочатку ви побудуєте графік цього розподілу, використавши його метод .evaluate() (підігнані розподіли буде розглянуто детальніше в Розділі 4).

Далі ви використаєте метод .resample() об'єкта fitted, щоб отримати випадкову sample зі 100 000 спостережень із цього підігнаного розподілу.

Нарешті, застосувавши np.quantile() до випадкової sample, ви обчислите 95% VaR.

Ця вправа є частиною курсу

Кількісне управління ризиками в Python

Переглянути курс

Інструкції до вправи

  • Побудуйте графік розподілу збитків fitted. Зверніть увагу, чим fitted відрізняється від нормального розподілу.
  • Створіть sample з 100 000 випадкових вибірок із підігнаного розподілу за допомогою методу .resample() об'єкта fitted.
  • Скористайтеся np.quantile(), щоб знайти 95% VaR із випадкової sample, і виведіть результат.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Visualize the fitted distribution with a plot
x = np.linspace(-0.25,0.25,1000)
plt.____(x,fitted.evaluate(x))
plt.show()

# Create a random sample of 100,000 observations from the fitted distribution
sample = fitted.____(____)

# Compute and display the 95% VaR from the random sample
VaR_95 = np.____(sample, ____)
print(VaR_95)
Редагувати та запускати код