Bắt đầu ngayBắt đầu miễn phí

KDE cho phân phối thua lỗ

Ước lượng mật độ hạt nhân (KDE) có thể khớp các phân phối có “đuôi dày”, tức là những phân phối thỉnh thoảng có độ lệch lớn so với trung bình (ví dụ như phân phối thua lỗ của danh mục).

Trong Chương 2 bạn đã học về phân phối T của Student, với bậc tự do thấp cũng có thể bắt được đặc điểm này của thua lỗ danh mục.

Bạn sẽ so sánh một Gaussian KDE với một phân phối T, mỗi cái được khớp với dữ liệu losses của danh mục từ 2008 - 2009. Bạn sẽ trực quan hóa mức độ khớp tương đối của mỗi phương pháp bằng một biểu đồ histogram. (Nhớ rằng phân phối T sử dụng các tham số đã khớp params, trong khi gaussian_kde, do phi tham số, sẽ trả về một hàm.)

Hàm gaussian_kde() và phân phối t đều có sẵn từ scipy.stats. Bạn có thể thêm các biểu đồ vào đối tượng axis đã cung cấp.

Bài tập này là một phần của khóa học

Quản trị Rủi ro Định lượng với Python

Xem khóa học

Hướng dẫn bài tập

  • Khớp một phân phối t cho losses của danh mục.
  • Khớp một Gaussian KDE cho losses bằng cách dùng gaussian_kde().
  • Vẽ hàm mật độ xác suất (PDF) của cả hai ước lượng so với losses, sử dụng đối tượng axis.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# Generate a fitted T distribution over losses
params = t.____(losses)

# Generate a Gaussian kernal density estimate over losses
kde = ____(____)

# Add the PDFs of both estimates to a histogram, and display
loss_range = np.linspace(np.min(losses), np.max(losses), 1000)
axis.plot(loss_range, t.____(loss_range, *params), label = 'T distribution')
axis.____(loss_range, kde.pdf(____), label = 'Gaussian KDE')
plt.legend(); plt.show()
Chỉnh sửa và Chạy Mã