計算參數式 VaR
在這個練習中，你將以參數式方法，實作動態的每日 5% VaR 估計。
回顧向前估計 VaR 的三個步驟。第 1 步，使用 GARCH 模型做變異數預測。第 2 步，取得 GARCH 的前瞻性平均數與波動度。第 3 步，依指定的信賴水準計算分位數。參數式方法會在假設的機率分配下估計分位數。
已使用比特幣歷史報酬資料擬合 GARCH 模型至 2019/1/1，並已產生平均數與變異數預測，分別儲存在 mean_forecast 與 variance_forecast。GARCH 模型假設服從 Student's t 分配，其 $\nu$（自由度）儲存在 nu。
本練習屬於課程
Python 中的 GARCH 模型
練習說明
- 從假設的 Student's t 分配計算 0.05 分位數。
- 使用 GARCH 模型的
mean_forecast、variance_forecast以及前一步的分位數計算 VaR。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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()