Tính VaR tham số
Trong bài tập này, bạn sẽ luyện ước lượng VaR hằng ngày ở mức 5% theo cách tiếp cận tham số.
Nhớ rằng có ba bước để ước lượng VaR hướng tới tương lai. Bước 1: dùng mô hình GARCH để dự báo phương sai. Bước 2: lấy mean và volatility nhìn về phía trước từ GARCH. Bước 3: tính phân vị theo mức độ tin cậy đã cho. Cách tiếp cận tham số ước lượng các phân vị dựa trên giả định về phân phối.
Một mô hình GARCH đã được khớp với dữ liệu lợi nhuận lịch sử của Bitcoin đến ngày 1/1/2019, sau đó tạo ra dự báo mean và phương sai, lần lượt lưu trong mean_forecast và variance_forecast. Mô hình GARCH giả định phân phối Student's t, và \(\nu\) (bậc tự do) được lưu trong nu.
Bài tập này là một phần của khóa học
Mô hình GARCH với Python
Hướng dẫn bài tập
- Tính phân vị 0,05 từ phân phối Student's t giả định.
- Tính VaR dùng
mean_forecast,variance_forecasttừ mô hình GARCH và phân vị ở bước trước.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Obtain the parametric quantile
q_parametric = basic_gm.____.____(____, nu)
print('5% parametric quantile: ', q_parametric)
# Calculate the VaR
VaR_parametric = ____.values + np.sqrt(____).values * ____
# Save VaR in a DataFrame
VaR_parametric = pd.DataFrame(VaR_parametric, columns = ['5%'], index = variance_forecast.index)
# Plot the VaR
plt.plot(VaR_parametric, color = 'red', label = '5% Parametric VaR')
plt.scatter(variance_forecast.index,bitcoin_data.Return['2019-1-1':], color = 'orange', label = 'Bitcoin Daily Returns' )
plt.legend(loc = 'upper right')
plt.show()