参数估计：正态分布
参数估计 是最有力的 VaR 估计方法之一，因为它假设损失分布的类别是已知的。我们通过估计参数使数据适配该分布，然后进行统计推断。
在本练习中，您将把 2007–2009 年的投行数据拟合为正态分布，并据此估计 95% VaR。您将使用 scipy.stats 中的 norm 分布，假设它是最合适的分布类别。
正态分布拟合得好吗？您将用 scipy.stats.anderson 的 Anderson–Darling 检验来测试。如果检验结果在统计上显著偏离 0，这表明数据不是正态分布。下一练习中我们将进一步处理这一点。
2005–2010 年期间的投资组合 losses 已提供。
本练习是课程的一部分
Python 中的定量风险管理
练习说明
- 从
scipy.stats导入norm和anderson。 - 使用
.fit()方法将losses拟合为正态分布，并将分布参数保存到params。 - 基于拟合分布生成并展示 95% VaR 的估计值。
- 使用 Anderson–Darling 检验
anderson()对losses的正态性原假设进行检验。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Import the Normal distribution and skewness test from scipy.stats
from ____ import norm, anderson
# Fit portfolio losses to the Normal distribution
params = ____.fit(____)
# Compute the 95% VaR from the fitted distribution, using parameter estimates
VaR_95 = norm.____(0.95, *params)
print("VaR_95, Normal distribution: ", VaR_95)
# Test the data for Normality
print("Anderson-Darling test result: ", anderson(____))