參數估計：Skewed Normal
在前一個練習中，你發現把 2005–2010 的投資銀行投組資料配適為 Normal 分配，根據 Anderson–Darling 檢定，配適效果不佳。
你將使用 scipy.stats 的 skewtest() 函式來檢定資料。如果檢定結果在統計上顯著地不同於 0，則代表資料支持偏態分配。
接著你會以參數法估計以 scipy.stats 的 skewnorm（偏態 Normal）分配配適後之損失分配的 95% VaR。這個分配比 Normal 更一般化，允許損失呈現非對稱分佈。在金融危機期間，損失比獲利更可能發生，因此我們可以預期損失會呈現偏態。
2007–2009 期間的投組 losses 已提供可用。
本練習屬於課程
Python 量化風險管理
練習說明
- 從
scipy.stats匯入skewnorm與skewtest。 - 使用
skewtest檢測投組losses是否具偏態。若結果在統計上顯著地不同於 0，則表示具有偏態。 - 使用
.fit()方法，將losses資料配適到偏態 Normal 分配。 - 根據配適後的分配產生並顯示 95% VaR 的估計值。
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。
# Import the skew-normal distribution and skewness test from scipy.stats
from scipy.stats import skewnorm, skewtest
# Test the data for skewness
print("Skewtest result: ", ____(____))
# Fit the portfolio loss data to the skew-normal distribution
params = ____.____(losses)
# Compute the 95% VaR from the fitted distribution, using parameter estimates
VaR_95 = ____.____(0.95, *params)
print("VaR_95 from skew-normal: ", VaR_95)