VaR từ một phân phối đã fit
Để tối thiểu hóa CVaR, bạn cần tính VaR tại một mức độ tin cậy, ví dụ 95%. Trước đây bạn đã suy ra VaR như một phân vị từ phân phối Normal (Gaussian), nhưng để tối thiểu hóa CVaR nói chung hơn, cần tính phân vị từ phân phối phù hợp nhất với dữ liệu.
Trong bài này, một phân phối thua lỗ fitted được cung cấp, là phân phối khớp với thua lỗ của danh mục ngân hàng đầu tư trọng số bằng nhau giai đoạn 2005-2010. Đầu tiên, bạn sẽ vẽ phân phối này bằng phương thức .evaluate() của nó (các phân phối đã fit sẽ được trình bày chi tiết hơn ở Chương 4).
Tiếp theo, bạn sẽ dùng phương thức .resample() của đối tượng fitted để rút một sample ngẫu nhiên gồm 100.000 quan sát từ phân phối đã fit.
Cuối cùng, dùng np.quantile() trên sample ngẫu nhiên để tính VaR 95%.
Bài tập này là một phần của khóa học
Quản trị Rủi ro Định lượng với Python
Hướng dẫn bài tập
- Vẽ phân phối thua lỗ
fitted. Lưu ý cách phân phốifittedkhác với phân phối Normal. - Tạo
samplegồm 100.000 điểm rút ngẫu nhiên từ phân phối đã fit bằng phương thức.resample()củafitted. - Dùng
np.quantile()để tìm VaR 95% từsamplengẫu nhiên và hiển thị kết quả.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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)