参数估计：偏态正态分布
在上一个练习中，您发现对 2005–2010 年投资银行投资组合数据拟合正态分布，用 Anderson-Darling 检验来看拟合效果较差。
您将使用 scipy.stats 中的 skewtest() 函数来检验数据。如果检验结果在统计上显著不同于 0，则数据支持偏态分布。
现在，您将使用 scipy.stats 的 skewnorm（偏态正态）分布对损失分布进行参数化拟合，并估计 95% VaR。该分布比正态分布更通用，允许损失呈非对称分布。在危机期间，投资组合更可能出现亏损而非盈利，因此我们可能会看到偏态。
2007–2009 年期间的投资组合 losses 可用。
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skewnorm和skewtest。 - 使用
skewtest对投资组合的losses进行偏度检验。如果结果在统计上显著不同于 0，则表示存在偏度。 - 使用
.fit()方法将losses数据拟合到偏态正态分布。 - 基于拟合分布生成并显示 95% VaR 的估计值。
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 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)