损失分布的 KDE
核密度估计（KDE）可以拟合具有"肥尾"的分布，也就是相对于均值偶尔会出现较大偏离的分布（例如组合损失的分布）。
在第 2 章中，您学习了 Student 的 T 分布。对于较低的自由度，它也能捕捉到组合损失的这一特征。
您将把高斯 KDE 与 T 分布进行比较，它们都拟合到 2008—2009 年的组合 losses 上。您将用直方图可视化两者的相对拟合效果。（回忆一下，T 分布使用拟合参数 params，而 gaussian_kde 作为一种非参数方法，会返回一个函数。）
gaussian_kde() 函数和 t 分布均可从 scipy.stats 获得。请将绘图添加到给定的 axis 对象上。
本练习是课程的一部分
Python 中的定量风险管理
练习说明
- 将
t分布拟合到组合losses。 - 使用
gaussian_kde()将高斯 KDE 拟合到losses。 - 使用
axis对象，绘制两种估计的概率密度函数（PDF），并与losses对比展示。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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()