কিভাবে পজিশন রিস্ক পরিমাপ করা যায় - VaR পদ্ধতির একটি ভূমিকা

ঝুঁকি নিয়ন্ত্রণ করা এমন একটি দক্ষতা যা প্রতিটি বিনিয়োগকারীর শিখতে হবে। দ্রুত পরিবর্তনশীল এবং বিকশিত ক্রিপ্টোকারেন্সি বাজারের সাথে, অ্যালগরিদমিক ব্যবসায়ীদের বিশেষত ঝুঁকি পরিচালনার দিকে মনোনিবেশ করা দরকার। এর কারণ হ'ল অ্যালগরিদমিক ট্রেডিং প্রায়শই historicalতিহাসিক ডেটা এবং পরিসংখ্যানগত মডেলগুলির উপর ভিত্তি করে স্বয়ংক্রিয়ভাবে বাণিজ্য সম্পাদন করে, যা দ্রুত চলমান বাজারে দ্রুত ভুল হয়ে যেতে পারে। অতএব, বিনিয়োগকারীদের সুরক্ষার জন্য কার্যকর ঝুঁকি ব্যবস্থাপনা কৌশলগুলি গুরুত্বপূর্ণ।

অনেক ঝুঁকি ব্যবস্থাপনা সরঞ্জামগুলির মধ্যে, ঝুঁকিতে মূল্য (ভিএআর) ঝুঁকিগুলির একটি বহুল ব্যবহৃত পরিমাপ। এটি বিনিয়োগকারীদের তাদের পোর্টফোলিওতে স্বাভাবিক বাজারের অবস্থার অধীনে ঘটতে পারে এমন সর্বাধিক ক্ষতির পূর্বাভাস দিতে সহায়তা করতে পারে। ভিএআর ঝুঁকিকে একক সংখ্যায় পরিমাপ করে, ঝুঁকি প্রকাশকে সহজ করে তোলে এবং বিনিয়োগকারীদের সম্ভাব্য ক্ষতিগুলি স্বজ্ঞাতভাবে বুঝতে দেয়।

ভিএআর-এর ভূমিকা

VaR, বা Value at Risk, একটি নির্দিষ্ট সময়সীমার মধ্যে, একটি নির্দিষ্ট আত্মবিশ্বাসের স্তর অনুসারে, সর্বাধিক সম্ভাব্য ক্ষতির পরিমাণ নির্ধারণ করতে ব্যবহৃত হয়। অন্য কথায়, এটি বিনিয়োগকারী বা ঝুঁকি ব্যবস্থাপকদের বলেঃ স্বাভাবিক বাজারের অবস্থার অধীনে, নিরাপদ পরিসরের মধ্যে কত টাকা রয়েছে এবং আগামীকাল হারাবে না। উদাহরণস্বরূপ, যদি একটি ক্রিপ্টোকারেন্সি পোর্টফোলিওর 1-দিনের 99% VaR $ 10,000 হয়, এর অর্থ হল যে 99% ক্ষেত্রে আমরা আশা করি যে এক দিনের ক্ষতি $ 10,000 ছাড়িয়ে যাবে না।

সুবিধা

1. বোঝা সহজ: উদাহরণস্বরূপ, একটি ডিজিটাল মুদ্রা পোর্টফোলিওর 1 দিনের 95% VaR হল 5000 ডলার, যার অর্থ হল 95% আত্মবিশ্বাস রয়েছে যে এক দিনের মধ্যে পোর্টফোলিওটির ক্ষতি $ 5000 ছাড়িয়ে যাবে না। জটিল ঝুঁকিগুলিকে স্বজ্ঞাত সংখ্যায় পরিমাপ করা অ-পেশাদারদের পক্ষে বোঝা সহজ করে তোলে। অবশ্যই, এর অনিবার্যভাবে কিছু বিভ্রান্তিকর দিক রয়েছে।

2. তুলনামূলকভাবে আদর্শ: ধরুন দুটি পোর্টফোলিও আছে A এবং B, যেখানে A এর 1-দিনের 95% VaR হল $3000 এবং B এর $6000. এর অর্থ হল যে সাধারণ বাজারের অবস্থার অধীনে, A এর ঝুঁকি B এর চেয়ে কম। এমনকি যদি এই দুটি পোর্টফোলিওতে বিভিন্ন সম্পদ থাকে, আমরা তাদের ঝুঁকি স্তর সরাসরি তুলনা করতে পারি। অনুরূপভাবে, আমরা বিনিয়োগের স্তরও বিচার করতে পারি; যদি উভয় কৌশল A এবং B গত মাসে $6000 উপার্জন করেছে কিন্তু A এর গড় এবং সর্বোচ্চ VaR মানগুলি B এর তুলনায় উল্লেখযোগ্যভাবে কম হয়, তাহলে আমরা A কৌশলটিকে আরও ভাল হিসাবে বিবেচনা করতে পারি, কারণ এটি কম ঝুঁকি স্তরে উচ্চতর রিটার্ন অর্জন করে।

3. সিদ্ধান্ত গ্রহণের হাতিয়ার: ব্যবসায়ীরা তাদের পোর্টফোলিওতে একটি নতুন সম্পদ যোগ করার বিষয়ে সিদ্ধান্ত নেওয়ার জন্য VaR ব্যবহার করতে পারে। যদি একটি সম্পদ যোগ করা VaR মানকে উল্লেখযোগ্যভাবে বৃদ্ধি করে, তাহলে এটি ইঙ্গিত করতে পারে যে যোগ করা সম্পদের ঝুঁকি পোর্টফোলিওর গ্রহণযোগ্য ঝুঁকি স্তরের সাথে মেলে না।

অসুবিধা

1. টেইল রিস্ককে উপেক্ষা করা: যদি একটি পোর্টফোলিওর ১ দিনের ৯৯% VaR ১০,০০০ ডলার হয়, তবে চরম ১% দৃশ্যকল্পে ক্ষতি এই মানের তুলনায় অনেক বেশি হতে পারে। ডিজিটাল মুদ্রার ক্ষেত্রে, ব্ল্যাক সোয়ান ইভেন্টগুলি ঘন ঘন হয় এবং চরম পরিস্থিতিগুলি বেশিরভাগ মানুষের প্রত্যাশা অতিক্রম করতে পারে, কারণ VaR লেজ ইভেন্টগুলি বিবেচনা করে না।

2. অনুমানের সীমাবদ্ধতা: প্যারামিটার ভিএআর প্রায়শই অনুমান করে যে সম্পদ রিটার্নগুলি স্বাভাবিকভাবে বিতরণ করা হয়, যা খুব কমই বাস্তব বাজারে, বিশেষত ডিজিটাল মুদ্রার বাজারে ঘটে। উদাহরণস্বরূপ, ধরুন একটি পোর্টফোলিওতে কেবল বিটকয়েন রয়েছে। আমরা প্যারামিটার ভিএআর ব্যবহার করি এবং অনুমান করি যে বিটকয়েনের রিটার্ন স্বাভাবিকভাবে বিতরণ করা হয়। তবে বাস্তবে, বিটকয়েনের রিটার্নের হার নির্দিষ্ট সময়ের মধ্যে বড় লাফিয়ে পড়তে পারে এবং উল্লেখযোগ্য অস্থিরতা ক্লাস্টারিং ঘটনা প্রদর্শন করতে পারে। যদি গত সপ্তাহে উচ্চ অস্থিরতা থাকে তবে পরবর্তী সময়কালে লক্ষণীয় অস্থিরতার সম্ভাবনা উল্লেখযোগ্যভাবে বৃদ্ধি পাবে। এটি স্বাভাবিক বিতরণ মডেলগুলির দ্বারা ঝুঁকির অবমূল্যায়নের দিকে পরিচালিত করতে পারে। কিছু মডেল এই বিষয়টি বিবেচনা করে যেমন GARCH ইত্যাদি, তবে আমরা এখানে তাদের আলোচনা করব না।

3. ঐতিহাসিক নির্ভরতা: ভবিষ্যতের ঝুঁকিগুলি পূর্বাভাস দেওয়ার জন্য ভিএআর মডেলটি historicalতিহাসিক তথ্যের উপর নির্ভর করে। তবে, অতীতের কর্মক্ষমতা সর্বদা ভবিষ্যতের পরিস্থিতি নির্দেশ করে না, বিশেষত ডিজিটাল মুদ্রার বাজারের মতো দ্রুত পরিবর্তিত বাজারে। উদাহরণস্বরূপ, যদি বিটকয়েন গত এক বছরে খুব স্থিতিশীল থাকে তবে একটি historicalতিহাসিক সিমুলেশন খুব কম ভিএআর পূর্বাভাস দিতে পারে। তবে, যদি হঠাৎ নিয়ন্ত্রক পরিবর্তন বা বাজারের ক্র্যাশ হয় তবে অতীতের ডেটা আর ভবিষ্যতের ঝুঁকির কার্যকর পূর্বাভাস হবে না।

ভিএআর গণনার পদ্ধতি

মূলত তিনটি পদ্ধতি রয়েছে যা VaR গণনা করতে পারেঃ প্যারামেট্রিক পদ্ধতি (ভেরিয়েন্স-কোভেরিয়েন্স পদ্ধতি): এটি অনুমান করে যে রিটার্নের হার একটি নির্দিষ্ট বন্টন অনুসরণ করে (সাধারণত স্বাভাবিক বন্টন), এবং আমরা VaR গণনা করতে রিটার্নের হারের গড় এবং স্ট্যান্ডার্ড বিচ্যুতি ব্যবহার করি। ঐতিহাসিক সিমুলেশন পদ্ধতিঃ এটি রিটার্নের বন্টন সম্পর্কে কোনও অনুমান করে না, তবে সম্ভাব্য ক্ষতির বন্টন নির্ধারণের জন্য সরাসরি ঐতিহাসিক ডেটা ব্যবহার করে। মন্টে কার্লো সিমুলেশনঃ এটি সম্পদের দামের সিমুলেশন করতে এলোমেলোভাবে উত্পন্ন মূল্য পথ ব্যবহার করে এবং সেগুলি থেকে VaR গণনা করে।

ঐতিহাসিক সিমুলেশন পদ্ধতি সম্ভাব্য ভবিষ্যতের ক্ষতির অনুমানের জন্য অতীতের মূল্য পরিবর্তনগুলি সরাসরি ব্যবহার করে। এটি লাভের বিতরণ সম্পর্কে কোনও অনুমানের প্রয়োজন নেই, এটি অজানা বা অস্বাভাবিক লাভের বিতরণ সহ সম্পদগুলির জন্য উপযুক্ত করে তোলে, যেমন ডিজিটাল মুদ্রা।

উদাহরণস্বরূপ, যদি আমরা একটি বিটকয়েন স্পট পজিশনের জন্য 1-দিনের 95% ভিএআর গণনা করতে চাই, আমরা এটি করতে পারিঃ

1. একটি নির্দিষ্ট সময়ের মধ্যে বিটকয়েনের দৈনিক রিটার্ন সংগ্রহ করুন (উদাহরণস্বরূপ, 100 দিন) ।
2. প্রতিদিন পোর্টফোলিও রিটার্ন রেট গণনা করুন, যা প্রতিটি সম্পদের রিটার্ন রেটকে পোর্টফোলিওতে তার ওজনের দ্বারা গুণিত করে।
3. এই ১০০ দিনের পোর্টফোলিও রিটার্নগুলিকে নিম্ন থেকে উচ্চ পর্যন্ত সাজিয়ে নিন।
4. ৫% মার্কে ডেটা পয়েন্টটি খুঁজুন (কারণ আমরা ৯৫% VaR গণনা করছি) । পয়েন্টটি গত ১০০ দিনের মধ্যে সবচেয়ে খারাপ পাঁচ দিনের মধ্যে সেরা দিনের ক্ষতির হারকে উপস্থাপন করে।
5. রিটার্নকে মোট মূল্য দ্বারা গুণ করুন, এবং এটি আপনার এক দিনের 95% VaR।

নিম্নলিখিত একটি নির্দিষ্ট কোড যা গত 1000 দিনের তথ্য পেয়েছে, এটি গণনা করে যে একটি বিটিসি স্পট রাখার জন্য বর্তমান ভিএআর 1980 ইউএসডিটি।

import numpy as np
import requests

url = 'https://api.binance.com/api/v3/klines?symbol=%s&interval=%s&limit=1000'%('BTCUSDT','1d')
res = requests.get(url)
data = res.json()

confidence_level = 0.95
closing_prices = [float(day[4]) for day in data]
log_returns = np.diff(np.log(closing_prices))
VaR = np.percentile(log_returns, (1 - confidence_level) * 100)
money_at_risk = VaR * closing_prices[-1] * 1

print(f"VaR at {confidence_level*100}% confidence level is {money_at_risk}")

সংশ্লিষ্টতা বিবেচনা করে VaR গণনা করা

একাধিক সম্পদ ধারণকারী একটি পোর্টফোলিওর VaR গণনা করার সময়, আমাদের এই সম্পদগুলির মধ্যে সম্পর্ক বিবেচনা করতে হবে। যদি সম্পদের মধ্যে মূল্য পরিবর্তনের ক্ষেত্রে একটি ইতিবাচক সম্পর্ক থাকে তবে পোর্টফোলিওর ঝুঁকি বৃদ্ধি পাবে; যদি এটি নেতিবাচকভাবে সম্পর্কিত হয় তবে পোর্টফোলিওর ঝুঁকি হ্রাস পাবে।

ক্যারিবিয়ান মুদ্রা বাজারে, ক্যারিবিয়ান মুদ্রা বাজারের প্রবণতাকে মূলত নেতৃত্ব দেয়। যদি বিটিসি উত্থিত হয়, তবে অন্যান্য ক্রিপ্টোকারেন্সিগুলিও উত্থিত হওয়ার সম্ভাবনা রয়েছে; যদি বিটিসি দ্রুত পরিবর্তিত বাজারের কারণে দ্রুত বৃদ্ধি পায় বা হ্রাস পায় তবে এটি ক্যারিবিয়ানের উল্লেখযোগ্য স্বল্পমেয়াদী বৃদ্ধি ঘটতে পারে - যা চরম বাজারের ইভেন্টের সময় বিশেষত সাধারণ। অতএব, ডিজিটাল মুদ্রা বিনিয়োগের পোর্টফোলিওগুলি বিবেচনা করার সময় ঐতিহাসিক সিমুলেশন পদ্ধতিটি একটি দরকারী সরঞ্জাম। এটি কেবল জটিল পরিসংখ্যানগত তথ্যের প্রয়োজন হয় না - কার্যকর historicalতিহাসিক মডেলগুলি - এবং স্বাভাবিকভাবেই আন্তঃসংযোগ অন্তর্ভুক্ত করে।

উদাহরণস্বরূপঃ বিটিসিতে 1 টি লং পজিশন এবং ইটিএইচ-এ 10 টি শর্ট পজিশন ধরে রাখা আমাদের পূর্ববর্তী পদ্ধতি অনুসরণ করে আমরা গণনা করতে পারি যে 10 টি ইটিএইচ শর্ট পজিশনের ভিএআর 1219 ইউএসডিটি। যখন এই দুটি ধরণের সম্পদকে একটি পোর্টফোলিওতে একত্রিত করা হয়, তখন আপনি কীভাবে এর সম্মিলিত ভিএআর গণনা করবেন তা এখানেঃ

confidence_level = 0.95
btc_closing_prices = np.array([float(day[4]) for day in btc_data])
eth_closing_prices = np.array([float(day[4]) for day in eth_data])
btc_log_returns = np.diff(np.log(btc_closing_prices))
eth_log_returns = np.diff(np.log(eth_closing_prices))

log_returns = (1*btc_log_returns*btc_closing_prices[1:] - 10*eth_log_returns*eth_closing_prices[1:])/(1*btc_closing_prices[1:] + 10*eth_closing_prices[1:])
VaR = np.percentile(log_returns, (1 - confidence_level) * 100)
money_at_risk = VaR * (btc_closing_prices[-1] * 1 + eth_closing_prices[-1]*10)

print(f"VaR at {confidence_level*100}% confidence level is {money_at_risk}")

ফলাফলটি 970 ইউএসডিটি, যার অর্থ এই সংমিশ্রণের ঝুঁকি সম্পর্কিত সম্পদ পৃথকভাবে রাখার চেয়ে কম। এর কারণ হ'ল বিটিসি এবং ইটিএইচ বাজারে একটি উচ্চ সম্পর্ক রয়েছে এবং দীর্ঘ-স্বল্প অবস্থানের সংমিশ্রণের হেজিং প্রভাব ঝুঁকি হ্রাস করতে সহায়তা করে।

সংক্ষিপ্তসার

এই নিবন্ধটি একটি অত্যন্ত অভিযোজনযোগ্য ঝুঁকি মূল্যায়ন পদ্ধতি, যথা VaR গণনা করার ক্ষেত্রে ঐতিহাসিক সিমুলেশন প্রয়োগের পাশাপাশি ঝুঁকি পূর্বাভাস অপ্টিমাইজ করার জন্য সম্পদ সম্পর্কগুলি কীভাবে বিবেচনা করা যায় তা পরিচয় করিয়ে দেবে। ডিজিটাল মুদ্রা বাজারের নির্দিষ্ট উদাহরণগুলির মাধ্যমে, এটি পোর্টফোলিও ঝুঁকিগুলি মূল্যায়নের জন্য ঐতিহাসিক সিমুলেশন কীভাবে ব্যবহার করতে হয় তা ব্যাখ্যা করে এবং সম্পদ সম্পর্কগুলি গুরুত্বপূর্ণ হলে VaR গণনার পদ্ধতিগুলি নিয়ে আলোচনা করে। এই পদ্ধতির সাহায্যে অ্যালগরিদমিক ব্যবসায়ীরা বেশিরভাগ পরিস্থিতিতে তাদের সর্বাধিক ক্ষতির অনুমান করতে পারে না, তবে চরম বাজারের অবস্থার জন্যও প্রস্তুত থাকতে পারে। এটি তাদের আরও শান্তভাবে বাণিজ্য করতে এবং কৌশলগুলি সঠিকভাবে কার্যকর করতে দেয়।