来自拟合分布的 VaR
要最小化 CVaR，需要在给定置信水平（例如 95%）下计算 VaR。此前，您是从正态（高斯）分布中将 VaR 作为分位数求得的，但要更通用地最小化 CVaR，就需要从最能与数据相"拟合"的分布中计算该分位数。
本练习提供了一个 fitted"损失分布"，它对 2005–2010 年等权重投行投资组合的损失进行了拟合。您将先使用其 .evaluate() 方法绘制该分布（第 4 章将更详细介绍拟合分布）。
接着，使用 fitted 对象的 .resample() 方法，从该拟合分布中随机抽取 100,000 个观测，得到随机 sample。
最后，对随机 sample 使用 np.quantile() 计算 95% VaR。
本练习是课程的一部分
Python 中的定量风险管理
练习说明
- 绘制
fitted损失分布。留意fitted分布与正态分布的差异。 - 使用
fitted的.resample()方法，从拟合分布中随机抽取 100,000 个点，生成sample。 - 使用
np.quantile()从随机sample中求取 95% VaR，并显示结果。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Visualize the fitted distribution with a plot
x = np.linspace(-0.25,0.25,1000)
plt.____(x,fitted.evaluate(x))
plt.show()
# Create a random sample of 100,000 observations from the fitted distribution
sample = fitted.____(____)
# Compute and display the 95% VaR from the random sample
VaR_95 = np.____(sample, ____)
print(VaR_95)