Python金融大数据分析——第10章推断统计学笔记3第10章推断统计学

96 阅读 0 评论 64 点赞

我是靠谱客的博主害羞哈密瓜，最近开发中收集的这篇文章主要介绍Python金融大数据分析——第10章推断统计学笔记3第10章推断统计学，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

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'))
print(33 * '-')
for pair in zip(percs, var):
print("%16.2f %16.3f" % (100 - pair[0], -pair[1]))
# Confidence Level
Value-at-Risk
# ---------------------------------
#
99.99
22.079
#
99.90
19.911
#
99.00
15.439
#
97.50
12.929
#
95.00
11.129
#
90.00
8.718

在列表对象 percs 中， 0.1 转换为置信度 100%在1%=99.9% 。在本例中，置信度为 99.9%的 30 日 VaR 为 22.1 货币单位，而89%置信度下为 8.7 个货币单位。

# Meron的跳跃扩散 动态模拟
lamb = 0.75
mu = -0.6
delta = 0.25
M = 50
dt = 30. / 365 / M
rj = lamb * (np.exp(mu + 0.5 * delta ** 2) - 1)
S = np.zeros((M + 1, I))
S[0] = S0
# 为了模拟跳跃扩散,需要生成3组（独立）随机数：
sn1 = random.standard_normal((M + 1, I))
sn2 = random.standard_normal((M + 1, I))
poi = random.poisson(lamb * dt, (M + 1, I))
for t in range(1, M + 1, 1):
S[t] = S[t - 1] * (np.exp((r - rj - 0.5 * sigma ** 2) * dt
+ sigma * np.sqrt(dt) * sn1[t])
+ (np.exp(mu + delta * sn2[t]) - 1)
* poi[t])
S[t] = np.maximum(S[t], 0)
R_jd = np.sort(S[-1] - S0)
plt.hist(R_jd, bins=50)
plt.xlabel('value')
plt.ylabel('frequency')
plt.grid(True)

跳跃扩散的绝对收益（30日）

percs = [0.01, 0.1, 1., 2.5, 5., 10.]
var = scs.scoreatpercentile(R_jd, percs)
print("%16s %16s" % ('Confidence Level', 'Value-at-Risk'))
print(33 * '-')
for pair in zip(percs, var):
print("%16.2f %16.3f" % (100 - pair[0], -pair[1]))
# Confidence Level
Value-at-Risk
# ---------------------------------
#
99.99
79.703
#
99.90
72.507
#
99.00
57.857
#
97.50
50.096
#
95.00
33.371
#
90.00
9.386

对于这种过程和参数化，置信度 90%的 30日VaR 相差很少，但是在 99.9%置信度下与几何布朗运动相比高出 3 倍多（ 79.703对22.079 货币单位）。这说明标准 VaR 测度在捕捉金融市场经常遇到的尾部风险方面的问题。最后以图形方式展示两种情况的 VaR 测度以便比较。在典型置信度范围内的 VaR 测度表现完全不同：

# 几何布朗运动和跳跃扩散的风险价值
percs = list(np.arange(0.0, 10.1, 0.1))
gbm_var = scs.scoreatpercentile(R_gbm, percs)
jd_var = scs.scoreatpercentile(R_jd, percs)
plt.plot(percs, gbm_var, 'b', lw=1.5, label='GBM')
plt.plot(percs, jd_var, 'r', lw=1.5, label='JD')
plt.legend(loc=4)
plt.xlabel('100 - confidence level [%]')
plt.ylabel('value-at-risk')
plt.grid(True)
plt.ylim(ymax=0.0)

几何布朗运动和跳跃扩散的风险价值

10.4.2 信用价值调整

其他重要的风险测度是信用风险价值（CVaR）和从CVaR中派生而来的信用价值调整（CVA）。粗略地讲， CVaR 是对手方可能无法履行其义务所引发风险（例如，对手方破产）的一个测度。在这种情况下，有两个主要的假设：违约概率和（平均）损失水平。

举个具体的例子，我们再次考虑Black-Scholes-Merton 的基准设置：

# Black-Scholes-Merton 的基准设置，参数：
S0 = 100.
r = 0.05
sigma = 0.2
T = 1.
I = 100000
ST = S0 * np.exp((r - 0.5 * sigma ** 2) * T + sigma * np.sqrt(T) * random.standard_normal(I))
# 固定（平均）损失水平
L = 0.5
# 对手方违约（每年）概率
p = 0.01
# 使用泊松分布， 违约的方案可以用如下代码生成， 考虑了违约只能发生－次的事实
D = random.poisson(p * T, I)
D = np.where(D > 1, 1, D)
# 如果没有违约，未来指数水平的风险中立价值应该等于资产当日现值（取决于数值误差造成的差异）：
np.exp(-r * T) * 1 / I * np.sum(ST)
# 99.982104037870357
# 假定条件下CVaR的值
CVaR = np.exp(-r * T) * 1 / I * np.sum(L * D * ST)
CVaR
# 0.52398128347827266
# 经过信用风险调整之后的资产现值
S0_CVA = np.exp(-r * T) * 1 / I * np.sum((1 - L * D) * ST)
S0_CVA
# 99.458122754392079
# 这应该（大约）等于CVaR价值减去当前资产价值
S0_adj = S0 - CVaR
S0_adj
# 99.476018716521722
np.count_nonzero(L * D * ST)
# 1052

在这个特殊的模拟示例中，假定违约概率为1%、10万次模拟下，由于信用风险引起大约1000次亏损。

plt.hist(L * D * ST, bins=50)
plt.xlabel('loss')
plt.ylabel('frequency')
plt.grid(True)
plt.ylim(ymax=175)

由于风险中立预期违约引起的亏损（股票）

上图展示了由于违约引起亏损的完整频率分布。当然，在大部分情况下（10万例中的99 000例），没有发现亏损。

现在考虑欧式看涨期权的情况：

K = 100
# 行权价100
hT = np.maximum(ST - K, 0)
C0 = np.exp(-r * T) * 1 / I * np.sum(hT)
C0
# 10.466594304488577
# 行权价100时的价值大约为10.5个货币单位
CVaR = np.exp(-r * T) * 1 / I * np.sum(L * D * hT)
CVaR
# 0.054095276121378301
# 在相同的违约概率和损失水平假设下， CVaR大约为5分
S0_CVA = np.exp(-r * T) * 1 / I * np.sum((1 - L * D) * hT)
S0_CVA
# 10.412499028367199
# 调整后的期权价值大约低了5分
np.count_nonzero(L * D * hT)
# number of losses
# 572
np.count_nonzero(D)
# number of defaults
# 1052
I - np.count_nonzero(hT)
# zero payoff
# 44079
# 和常规资产相比， 期权有不同的特性。 
# 我们只看到略低于 500 次回违约引起的亏损。
# 但是仍然有大约1000次违约。
# 这一结果源于这样的事实：期权到期日时的收益为0的概率很大。
plt.hist(L * D * hT, bins=50)
plt.xlabel('loos')
plt.ylabel('frequency')
plt.grid(True)
plt.ylim(ymax=350)