ПочатиПочніть безкоштовно

CVaR і ризик-експозиція

Нагадаємо, CVaR — це математичне сподівання збитку за умови, що перевищено мінімальний поріг збитку. Тож CVaR вже має форму ризик-експозиції: це сума (або інтеграл) імовірності збитку в хвості розподілу, помноженої на розмір збитку.

Щоб отримати 99% CVaR, спочатку підженіть розподіл T до доступних портфельних crisis_losses за 2008–2009 роки, використовуючи метод t.fit(). Він повертає параметри розподілу T p, які застосовуються для пошуку VaR за допомогою методу .ppf().

Далі обчисліть 99% VaR, оскільки він використовується для знаходження CVaR.

Нарешті, обчисліть показник 99% CVaR за допомогою методу t.expect(). Це той самий метод, який ви використовували для обчислення CVaR для нормального розподілу у попередній вправі.

Доступний також розподіл t з scipy.stats.

Ця вправа є частиною курсу

Кількісне управління ризиками в Python

Переглянути курс

Інструкції до вправи

  • Знайдіть параметри розподілу p за допомогою методу .fit(), застосованого до crisis_losses.
  • Обчисліть VaR_99, використовуючи підогнані параметри p і percent point function обʼєкта t.
  • Обчисліть CVaR_99 за допомогою методу t.expect() і підогнаних параметрів p, та виведіть результат.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Fit the Student's t distribution to crisis losses
p = t.____(crisis_losses)

# Compute the VaR_99 for the fitted distribution
VaR_99 = t.____(____, *p)

# Use the fitted parameters and VaR_99 to compute CVaR_99
tail_loss = t.expect(____ y: y, args = (p[0],), loc = p[1], scale = p[2], lb = VaR_99 )
CVaR_99 = (1 / (1 - ____)) * tail_loss
print(CVaR_99)
Редагувати та запускати код