Finansal risk yönetiminde VaR

Python ile GARCH Modelleri

Chelsea Yang

Data Science Instructor

Risk yönetimi zihniyeti

Kural 1: Asla para kaybetmeyin

İkinci Kural: Birinci Kuralı asla unutmayın

-- Warren Buffett

Buffett karikatürü

VaR nedir

VaR: Risk Altındaki Değer
Üç bileşen:
1. portföy
2. zaman ufku
3. olasılık

VaR örnekleri

1 günlük %5 VaR: 1 milyon $

1 gün içinde portföyün değerinin 1 milyon dolar veya daha fazla düşme olasılığı %5

10 günlük %1 VaR: 9 milyon $

10 gün içinde portföyün değerinin 9 milyon dolar veya daha fazla düşme olasılığı %1

Risk yönetiminde VaR

Risk limitleri belirleyin
VaR aşımı: portföy kaybı VaR'ı aşar

VaR aşımları

GARCH ile dinamik VaR

GARCH ile daha gerçekçi VaR tahmini
VaR = ortalama + (GARCH oyn.) * kantil

VaR = mean_forecast.values + np.sqrt(variance_forecast).values * quantile

Dinamik VaR hesaplama

Adım 1: Varyans tahmini için GARCH modeli kullanın

# Specify and fit a GARCH model
basic_gm = arch_model(bitcoin_data['Return'], p = 1, q = 1, 
                      mean = 'constant', vol = 'GARCH', dist = 't')
gm_result = basic_gm.fit()

# Make variance forecast
gm_forecast = gm_result.forecast(start = '2019-01-01')

Dinamik VaR hesaplama (devam)

Adım 2: İleriye dönük ortalama ve oynaklığı GARCH ile elde edin

mean_forecast = gm_forecast.mean['2019-01-01':]
variance_forecast = gm_forecast.variance['2019-01-01':]

Adım 3: Güven düzeyine göre kantili alın
1. Parametrik VaR
2. Ampirik VaR

Parametrik VaR

Standartlaştırılmış artıkların GARCH ile varsayılan dağılımına göre kantil tahmin edin

# Assume a Student's t-distribution 
# ppf(): Percent point function

q_parametric = garch_model.distribution.ppf(0.05, nu)

Ampirik VaR

GARCH standartlaştırılmış artıklarının gözlenen dağılımına göre kantil tahmin edin

q_empirical = std_resid.quantile(0.05)

Hadi pratik yapalım!

Python ile GARCH Modelleri