Python金融大数据分析——第10章推断统计学笔记3

最新推荐文章于 2024-07-21 09:42:49 发布

RealEmperor

最新推荐文章于 2024-07-21 09:42:49 发布

阅读量2.7k

点赞数 4

分类专栏： Python金融大数据分析文章标签：风险测度风险价值信用价值调整

本文链接：https://blog.csdn.net/weixin_42018258/article/details/80948082

版权

本文是Python金融大数据分析第10章推断统计学笔记，重点探讨了风险测度中的风险价值（VaR）及其局限性，以及信用价值调整（CVA）。VaR用于量化在给定置信水平下的潜在损失，但无法完全捕捉尾部风险。CVA则是衡量对手方违约风险的一种方法，考虑了违约概率和平均损失水平。文中通过模拟示例解释了这两种风险测度的应用。

摘要由CSDN通过智能技术生成

第10章推断统计学
- 10.4 风险测度
  - 10.4.1 风险价值
  - 10.4.2 信用价值调整

第10章推断统计学

Python金融大数据分析——第10章推断统计学笔记1
Python金融大数据分析——第10章推断统计学笔记2
Python金融大数据分析——第10章推断统计学笔记3

10.4 风险测度

10.4.1 风险价值

风险价值（VaR）是最广泛使用的风险测度之一，也是饱受争议的测度之一。从业人员喜欢其直观性．但是许多人对其有限的尾部风险捕捉能力进行广泛的讨论和批评——主要是在理论依据上。从字面上讲， VaR 是一个以货币单位（如美元、欧元、日元）表示的数字，表示在给定时间周期中不超过某种置信度（概率）的损失（或者一个投资组合、股票头寸等）。

考虑一个当日价值为100万美元的股票头寸，在30天（ 1个月）内、置信度为99%的情况下 VaR 为 5 万美元。这个 VaR 数字说明， 30天内损失不超过 5 万美元的概率为99% ( 100 个案例中有 99 个）。但是，它并不说明一旦损失超过 5万美元，损失的规模会达到什么程度——也就是如果最大损失为10万或者50万美元时，这种特定的“高于 VaR 的损失” 概率有多大。它所说明的只是，发生 5万美元或者更大损失的概率为 1%。我们再次假定使 Black-Scholes-Merton 设置，考虑如下的参数化和未来日期 T=30/365（即假定 30 天的一段时期）指数水平的模拟：

import numpy as np
import numpy.random as random
import matplotlib.pyplot as plt

S0 = 100
r = 0.05
sigma = 0.25
T = 30 / 365.
I = 10000
ST = S0 * np.exp((r - 0.5 * sigma ** 2) * T + sigma * np.sqrt(T) * random.standard_normal(I))

# 为了估算VaR数字，需要模拟的绝对利润和相对于近日持仓价值的亏损，并加以排序，即从最严重的亏损到最大的利润

R_gbm = np.sort(ST - S0)

plt.hist(R_gbm, bins=50)
plt.xlabel('absolute return')
plt.ylabel('frequency')
plt.grid(True)

几何布朗运动的绝对收益（ 30 日）

import scipy.stats as scs

percs = [0.01, 0.1, 1., 2.5, 5., 10.]
var = scs.scoreatpercentile(R_gbm, percs)
print("%16s %16s" % ('Confidence Level', 'Value-at-Risk'