Bắt đầu ngayBắt đầu miễn phí

VaR cho phân phối Normal

Để làm quen với thước đo Value at Risk (VaR), tốt nhất là áp dụng nó lên một phân phối đã biết. Phân phối Normal (hay Gaussian) đặc biệt hấp dẫn vì 1) có dạng giải tích đơn giản và 2) mô tả được nhiều hiện tượng thực nghiệm. Trong bài này, bạn giả định khoản lỗ của một danh mục tuân theo phân phối Normal, tức là giá trị rút ra từ phân phối càng cao thì khoản lỗ càng lớn.

Bạn sẽ học cách dùng ppf() (percent point function) của scipy.stats.norm và quantile() của numpy để tìm VaR tại các mức độ tin cậy 95% và 99% tương ứng cho phân phối Normal chuẩn. Bạn cũng sẽ trực quan hóa VaR như một ngưỡng trên biểu đồ phân phối Normal.

Bài tập này là một phần của khóa học

Quản trị Rủi ro Định lượng với Python

Xem khóa học

Hướng dẫn bài tập

  • Dùng hàm điểm phần trăm .ppf() của norm để tìm giá trị VaR tại mức độ tin cậy 95%.
  • Tiếp theo, tìm VaR 99% bằng quantile() của Numpy áp dụng lên 100.000 lần draws ngẫu nhiên từ phân phối Normal.
  • So sánh VaR 95% và 99% bằng một câu lệnh print.
  • Vẽ phân phối Normal và thêm một đường biểu thị VaR 95%.

Bài tập tương tác thực hành trực tiếp

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

# Create the VaR measure at the 95% confidence level using norm.ppf()
VaR_95 = norm.ppf(____)

# Create the VaR measure at the 99% confidence level using numpy.quantile()
draws = norm.rvs(size = 100000)
VaR_99 = np.quantile(____, 0.99)

# Compare the 95% and 99% VaR
print("95% VaR: ", ____, "; 99% VaR: ", ____)

# Plot the normal distribution histogram and 95% VaR measure
plt.hist(draws, bins = 100)
plt.axvline(x = ____, c='r', label = "VaR at 95% Confidence Level")
plt.legend(); plt.show()
Chỉnh sửa và Chạy Mã