Tính VaR thực nghiệm
Trong bài tập này, bạn sẽ luyện tập ước lượng VaR hàng ngày 5% động bằng cách tiếp cận thực nghiệm.
Sự khác nhau giữa VaR tham số và VaR thực nghiệm nằm ở cách ước lượng các phân vị. Cách tiếp cận tham số ước lượng phân vị dựa trên một giả định phân phối, trong khi cách tiếp cận thực nghiệm ước lượng phân vị từ phân phối quan sát được của các phần dư đã chuẩn hóa.
Bạn sẽ dùng cùng mô hình GARCH như bài trước. Dự báo trung bình và phương sai được lưu lần lượt trong mean_forecast và variance_forecast. Các phần dư chuẩn hóa thực nghiệm cũng đã được tính và lưu trong std_resid.
Bài tập này là một phần của khóa học
Mô hình GARCH với Python
Hướng dẫn bài tập
- Tính phân vị 0.05 từ các phần dư đã chuẩn hóa của GARCH
std_resid. - 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 empirical quantile
q_empirical = ____.____(____)
print('5% empirical quantile: ', q_empirical)
# Calculate the VaR
VaR_empirical = ____.values + np.sqrt(____).values * ____
# Save VaR in a DataFrame
VaR_empirical = pd.DataFrame(VaR_empirical, columns = ['5%'], index = variance_forecast.index)
# Plot the VaRs
plt.plot(VaR_empirical, color = 'brown', label = '5% Empirical 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()