Ich arbeite an einer Monte-Carlo-Funktion zur Bewertung mehrerer Vermögenswerte mit teilweise korrelierten Renditen. Derzeit generiere ich nur eine Kovarianzmatrix und speise die rmvnorm()
Funktion in R ein. (Erzeugt korrelierte Zufallswerte.)
Betrachtet man jedoch die Verteilung der Renditen eines Vermögenswerts, so wird dieser normalerweise nicht verteilt.
Dies ist wirklich eine zweiteilige Frage:
1) Wie kann ich eine Art PDF oder CDF schätzen, wenn ich nur reale Daten ohne bekannte Verteilung habe?
2) Wie kann ich korrelierte Werte wie rmvnorm generieren, aber für diese unbekannte (und nicht normale) Verteilung?
Vielen Dank!
Die Verteilungen scheinen nicht zu einer bekannten Verteilung zu passen. Ich denke, es wäre sehr gefährlich, einen Parameter anzunehmen und diesen dann für die Monte-Carlo-Schätzung zu verwenden.
Gibt es nicht eine Art Bootstrap oder "empirische Monte Carlo" -Methode, die ich mir ansehen kann?
quelle
Ich bin mit @mpiktas darin, dass ich auch denke, dass Sie ein Modell brauchen.
Ich denke, die Standardmethode hier wäre, eine Kopula zu schätzen, um die Abhängigkeitsstruktur zwischen den verschiedenen Assets zu erfassen und z. B. schräg normal- oder t-verteilte Randverteilungen für die verschiedenen Assets zu verwenden. Das gibt Ihnen eine sehr allgemeine Modellklasse (allgemeiner als die Annahme einer z. B. einer multivariaten t-Verteilung), die so ziemlich der Standard für Ihre Art von Aufgabe ist (z. B. denke ich, dass Basel II von Finanzinstituten verlangt, Copula-Methoden zur Schätzung ihres VaR zu verwenden). . Es gibt ein
copula
Paket für R.quelle
Eine mögliche Antwort auf den ersten Teil der Frage mit R ... mit der
ecdf()
Funktionquelle