Учитывая исторические ежедневные доходы, как рассчитать распределение портфеля для одной позиции на складе, исходя из того, что не теряется более 10% стартового портфеля стоимость более 21 дня? (с доверием 95%.)Расчет стоимости при риске или «наиболее вероятный убыток» при заданном распределении прибыли
На основании некоторого исходного кода, например.
import numpy as np
from scipy.stats import norm
returns = [-0.01, -0.02, -0.01, 0.04, 0.02, 0.01, -0.03]
mu = np.mean(returns)
std = np.std(returns)
valueAtRisk = norm.ppf(0.05, mu, sigma)
Однако вышеизложенное говорит только о моем риске на 1 день. Мой вопрос идет в другом направлении; что я могу выделить, учитывая распределение прибыли, предполагая, что я не хочу потерять более 10% в течение 21 дня.
Я бы предпочел ответ, который можно вычислить напрямую, но ответ Монте-Карло был бы приемлемым.
Благодарим вас за помощь.
Это может быть лучшим вопросом для CrossValidated, но не является ли операция матрицы, которая будет осложнять распределение доходности по п дней? – C8H10N4O2
Я хотел бы использовать решение типа python/scipy (и я не уверен, что я пойму чисто статистический ответ). Проблема в том, что 'norm.ppf (0,05, mu, sigma)' дает представление о «плохом дне», но мы не ожидаем 21 чисто неудачных дней подряд в соответствии с нормальным распределением. –
Не могли бы вы принять мой ответ, если мой подход поможет вам решить проблему? Большое спасибо. –