Moyenne, variance et loi normale

Introduction à la gestion du risque de portefeuille en Python

Dakota Wixom

Quantitative Analyst | QuantCourse.com

Moments d'une distribution

Les distributions de probabilité ont les moments suivants :

  • 1) Moyenne ($ \mu $)
  • 2) Variance ($ \sigma ^ 2 $)
  • 3) Asymétrie
  • 4) Aplatissement
Introduction à la gestion du risque de portefeuille en Python

Il existe plusieurs types de distributions. Certaines sont normales, d'autres non. Une variable aléatoire à distribution gaussienne est dite suivre une loi normale.

Les lois normales ont les propriétés suivantes :

  • Moyenne = $ \mu $
  • Variance = $ \sigma ^ 2 $
  • Asymétrie = 0
  • Aplatissement = 3

Introduction à la gestion du risque de portefeuille en Python

La loi normale centrée réduite

La loi normale centrée réduite est un cas particulier de la loi normale lorsque :

  • $ \sigma $ = 1
  • $ \mu $ = 0
Introduction à la gestion du risque de portefeuille en Python

Comparer à une loi normale

  • Les lois normales ont une asymétrie près de 0 et un aplatissement près de 3.
  • Les rendements financiers ne suivent généralement pas une loi normale
  • Les rendements financiers peuvent avoir un fort aplatissement
Introduction à la gestion du risque de portefeuille en Python

Comparer à une loi normale

Introduction à la gestion du risque de portefeuille en Python

Calculer les rendements moyens en Python

Pour calculer le rendement quotidien moyen, utilisez la fonction np.mean() :

import numpy as np
np.mean(StockPrices["Returns"])

0.0003

Pour calculer le rendement annualisé moyen en supposant 252 jours de bourse par année :

import numpy as np
((1+np.mean(StockPrices["Returns"]))**252)-1

0.0785
Introduction à la gestion du risque de portefeuille en Python

Écart type et variance

Écart type (volatilité)

  • Variance = $ \sigma ^ 2 $
  • Souvent noté $ \sigma $ en mathématiques, ou appelé volatilité
  • Un placement avec un $ \sigma $ plus élevé est perçu comme plus risqué
  • Mesure la dispersion des rendements

Introduction à la gestion du risque de portefeuille en Python

Écart type et variance en Python

Supposons que vous avez préchargé des rendements boursiers dans l'objet StockData. Pour calculer l'écart type périodique des rendements :

import numpy as np
np.std(StockPrices["Returns"])

0.0256

Pour calculer la variance, élevez simplement l'écart type au carré :

np.std(StockPrices["Returns"])**2

0.000655
Introduction à la gestion du risque de portefeuille en Python

Échelonnement de la volatilité

  • La volatilité s'échelonne avec la racine carrée du temps
  • On suppose généralement 252 jours de bourse par année et 21 par mois

Introduction à la gestion du risque de portefeuille en Python

Échelonner la volatilité en Python

Supposons que vous avez préchargé des rendements boursiers dans l'objet StockData. Pour calculer la volatilité annualisée des rendements :

import numpy as np
np.std(StockPrices["Returns"]) * np.sqrt(252)

0.3071
Introduction à la gestion du risque de portefeuille en Python

Passons à la pratique !

Introduction à la gestion du risque de portefeuille en Python

Preparing Video For Download...