Geschäftskontext
Eine Bank möchte das gemeinsame Risiko zweier volatiler Aktien (Asset_A und Asset_B) modellieren. Da Finanzmarktdaten oft 'Heavy Tails' (extreme Ereignisse) aufweisen, ist eine Normalverteilung unzureichend. Das Team verwendet eine T-Copula mit niedrigen Freiheitsgraden (df=4), um Marktcrashs zu simulieren, basierend auf historischen Korrelationen und realen Randverteilungen.
Datenaufbereitung
Erstellung einer historischen Korrelationsmatrix und eines Datensatzes mit vergangenen Renditen für die empirischen Ränder.
Kopiert!
| 1 | |
| 2 | DATA casuser.corrmat_finance; |
| 3 | INPUT _type_ $ _name_ $ Asset_A Asset_B; |
| 4 | DATALINES; |
| 5 | corr Asset_A 1.0 0.6 corr Asset_B 0.6 1.0 ; |
| 6 | |
| 7 | RUN; |
| 8 | |
| 9 | DATA casuser.historical_returns; |
| 10 | DO i = 1 to 500; |
| 11 | Asset_A = rand('T', 4); |
| 12 | Asset_B = rand('T', 4) * 0.5 + Asset_A * 0.5; |
| 13 | OUTPUT; |
| 14 | END; |
| 15 | |
| 16 | RUN; |
| 17 |
Étapes de réalisation
1
Laden der Daten in den Speicher (implizit durch Data Step in CASUSER).
Kopiert!
| 1 | /* Daten sind bereits in casuser vorhanden */ |
2
Ausführung der Simulation mit T-Copula (df=4) und Generierung empirischer Ränder basierend auf historischen Daten.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | copula.copulaSimulate / TABLE={name='historical_returns', caslib='casuser'}, define={copulaType='T', df=4, corrTable={name='corrmat_finance', caslib='casuser'}}, ndraws=1000, seed=999, var={'Asset_A', 'Asset_B'}, outempirical={name='simulated_risk_scenarios', caslib='casuser', replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 | |
| 7 | QUIT; |
| 8 |
Erwartetes Ergebnis
Eine Tabelle 'simulated_risk_scenarios' wird erstellt. Sie enthält 1000 Beobachtungen, die die Korrelationsstruktur der Eingabematrix und die 'Heavy Tails' der T-Verteilung widerspiegeln, transformiert auf die Skala der historischen Daten.