task_2

import pandas as pd
import numpy as np


def filter_days(df: pd.DataFrame) -> tuple[pd.DataFrame, pd.DataFrame]:
    """ Удаляем выходные дни

    :param df: Датафрейм со столбцом Date

    :returns: Отфильтрованный DataFrame
    """
    mask = np.is_busday(df['Date'].to_numpy().tolist(), weekmask='1111100')
    df = df[mask]
    return df[df['Date'] < '2023-01-01'], df[df['Date'] >= '2023-01-01']


def prepare_data(df: pd.DataFrame, step: int=5) -> np.ndarray:
    """ Получаем все необходимые данные из DataFram'а

    :param df: DataFrame c данными
    """
    close_prices = df['Close'].to_numpy()

    log_returns = np.log(close_prices[1:] / close_prices[:-1])

    windowed_log_returns_list = np.array_split(log_returns, np.arange(step, len(log_returns), step))

    chunked_log_returns = []
    for chunk in windowed_log_returns_list:
        chunked_log_returns.append(np.sum(chunk))

    return np.array(chunked_log_returns)


def sample_var(data: np.array, percentile: float) -> np.float64:
    """ Получение VaR по выборке по формуле Var(X) = -X_(percentile * n).
    Где n длинна выборки

    :param data: выборка
    :param percentile: персентиль VaR'а

    :returns: VaR соответсвтующего персентиля
    """
    return -np.sort(data)[int(percentile * len(data))]


def gaussian_var(data: np.array, percentile: float) -> np.float64:
    """ Получение VaR в предположении гаусовости.
    Формула VaR = -(a + s * q). Где
    - a - оцененное среднее
    - s - оцененная дисперсия
    - q - минус квантиль нужного персентиля Гаусовского распределения

    :param data: выборка
    :param percentile: персентиль VaR'а

    :returns: VaR соответсвтующего персентиля
    """

    mean = np.mean(data)
    std_dev = np.std(data)
    return -mean + 1.65 * std_dev  # 1.65 - квантиль нормального распределения для 5%


def backtest(var: float, test_sample: np.ndarray, step: int=5) -> None:
    data = prepare_data(test_sample, step)
    exception_count = np.sum(data < -var)
    exception_freq = exception_count / len(data)
    print(f"Количество исключений {exception_count} из {len(data)}")
    print(f"Исключения в процентах {exception_freq * 100}%")

print(f"{'Читаем данные':-^40}")
df = pd.read_csv('MSFT.csv')
print(df.head(5))
print(f"{'Done':-^40}")

# Удаляем выходные дни
print(f"{'Удаляем выходные дни':-^40}")
train_df, test_df = filter_days(df)
print(train_df.head(5))
print(test_df.head(5))
print(f"{'Done':-^40}")

# Берем данные
print(f"\n\n{'Вычиляем 5 дневные log приросты':-^40}")
data = prepare_data(train_df)
print(data[:5])
print(f"{'Done':-^40}")

# Вычисляем VaR по выборке
print(f"{'Оцениваем VaR 5 по выборке':-^40}")
sample_VaR = sample_var(data, 0.05)
print(sample_VaR)
print(f"{'Done':-^40}")

# Вычисляем VaR в предположении Гауссовости 5 дневных лог приростов
print(f"{'Оцениваем VaR доходности 5 дневных приросто, в предположении их Гаусовости':-^40}")
gaussian_5_VaR = gaussian_var(data, 0.05)
print(gaussian_5_VaR)
print(f"{'Done':-^40}")


#
# Ежедневный VaR
#

print(f"\n\n{'Вычиляем ежедневные log приросты':-^40}")
data_1 = prepare_data(train_df, 1)
print(data_1[:5])
print(f"{'Done':-^40}")

# Вычисляем ежедневный VaR в предположении Гауссовости ежедневных лог приростов
print(f"{'Оцениваем VaR доходности ежедневных приростов, в предположении их Гаусовости':-^40}")
gaussian_everyday_VaR = gaussian_var(data_1, 0.05)
print(gaussian_everyday_VaR)
print(f"{'Done':-^40}")


print(f"\n\n{'Полученные результаты':-^40}")
print(f"VaR по выборке {sample_VaR}")
print(f"VaR по выборке(Гаусовость 5 дневных присростов) {gaussian_5_VaR}")
print(f"VaR по выборке(Гаусовость приростов каждого дня) {gaussian_everyday_VaR}")

# Делаем Бэктест оценок
print(f"\n\n{'Делаем бэктест':-^40}")
print(f"\n{'По выборке':^30}")
backtest(sample_VaR, test_df)
print(f"\n{'Гаусовость, 5 дней':^30}")
backtest(gaussian_5_VaR, test_df)
print(f"\n{'Гаусовость, ежедневный':^30}")
backtest(gaussian_everyday_VaR, test_df, step=1)
print(f"{'Done':-^40}")