Risikokontrolle ist eine Fähigkeit, die jeder Anleger erlernen muss. Im Angesicht eines sich immer schneller verändernden und sich ständig weiterentwickelnden digitalen Währungsmarktes müssen sich die prozeduralen Händler besonders auf Risikomanagement konzentrieren. Dies liegt daran, dass prozedurelle Trades oft auf historischen Daten und statistischen Modellen basieren, die automatisch ausgeführt werden, und dass diese Modelle in schnell schwankenden Märkten schnell nicht mehr genau sein können.
In vielen Risikomanagement-Tools ist Value at Risk (VaR) eine weit verbreitete Risikomessung, die den Anlegern hilft, die größten Verluste zu prognostizieren, die ein Portfolio unter normalen Marktbedingungen erleiden könnte. VaR ist in der Lage, das Risiko in einer einzigen Zahl zu quantifizieren, wodurch die Darstellung des Risikos vereinfacht wird und es dem Anleger ermöglicht, die potenziellen Verluste intuitiv zu verstehen.
VaR, oder Value-at-Risk-Ratio, wird verwendet, um den höchsten möglichen Verlust zu quantifizieren, den man in einer bestimmten Zeit in Übereinstimmung mit einem bestimmten Vertrauensniveau ertragen kann. In anderen Worten, es sagt dem Investor oder Risikomanager: VaR, wie viel Geld wir unter normalen Marktbedingungen haben, liegt in der Grenze der Sicherheitsrolle und wird nicht morgen verloren gehen.
Einfach zu verstehenEin Beispiel: 95% VaR eines Portfolios mit einer digitalen Währung beträgt $5000 pro Tag, was bedeutet, dass 95% mit Sicherheit glauben, dass das Portfolio nicht mehr als $5000 pro Tag verlieren wird.
VergleichsstandardsNehmen wir zwei Portfolios A und B, A hat einen 95%-VaR von $3000 pro Tag, B hat einen $6000-VaR. Das bedeutet, dass A unter normalen Marktbedingungen weniger Risiko eingeht als B. Auch wenn die beiden Portfolios verschiedene Vermögenswerte enthalten, können wir ihre Risikoniveaus direkt vergleichen. Entsprechend lässt sich auch ein hohes oder niedriges Anlageniveau beurteilen, wenn die beiden Strategien A und B im letzten Monat einen Gewinn von $6000 erzielten, während A einen signifikant niedrigeren durchschnittlichen und maximalen VaR-Wert hatte als B.
Entscheidungsmittel: Ein Händler kann den VaR verwenden, um zu entscheiden, ob er einen neuen Asset in sein Portfolio aufnehmen soll. Wenn ein neuer Asset den VaR signifikant erhöht, kann dies bedeuten, dass die Risiken des neuen Asset nicht mit der Risikobereitschaft des Portfolios übereinstimmen.
Vernachlässigen von Rückenrisiken: Wenn ein Portfolio mit einem Tages-99% VaR von 10.000 USD ist, kann ein Verlust von 1% in einem extremen Fall weit über diesen Wert liegen. In der digitalen Währung sind Black Swan-Ereignisse sehr häufig, und die Extreme werden die Erwartungen der meisten übersteigen, da der VaR keine Spitzenereignisse berücksichtigt.
Angenommene Einschränkungen: Die Parameter VaR gehen in der Regel davon aus, dass die Erträge von Vermögenswerten normal verteilt sind, was in den realen Märkten, insbesondere in den Märkten für digitale Währungen, selten zutrifft. Zum Beispiel, wenn wir annehmen, dass es nur Bitcoin in einem Portfolio gibt, verwenden wir die Parameter VaR und nehmen an, dass die Erträge von Bitcoin normal verteilt sind.
Die Geschichte hängt: Die VaR-Modelle verlassen sich auf historische Daten, um zukünftige Risiken vorherzusagen. Jedoch sind vergangene Performances nicht immer ein Vorhersage für die Zukunft, insbesondere in schnell wechselnden Märkten wie dem Markt für digitale Währungen. Zum Beispiel könnte eine historische Analogie einen sehr niedrigen VaR prognostizieren, wenn Bitcoin im vergangenen Jahr sehr stabil war.
Es gibt drei Hauptmethoden zur Berechnung von VaR: Die Parametermethode (Differenz-Koeffizienz-Methode): Die Annahme, dass die Erträge einer Verteilung folgen (in der Regel eine Ordnungsverteilung), die Verwendung von Durchschnittswerten und Standardverschiedenheiten der Erträge, um die Berechnung von VaR zu erstellen. Die historische Simulation: Keine Annahmen über die Ertragsverteilung, sondern die direkte Verwendung von historischen Daten, um die potenzielle Verlustverteilung zu bestimmen. Die Monte Carlo-Simulation: Die Verwendung von zufällig generierten Preispfaden, um den Preis eines Vermögenswerts zu simulieren, und die Berechnung von VaR daraus.
Die Methode der historischen Simulation nutzt die vergangenen Preisänderungen direkt, um die möglichen zukünftigen Verluste zu schätzen. Sie erfordert keine Annahmen über die Ertragsverteilung und ist daher für Anlagen geeignet, bei denen die Ertragsverteilung unbekannt oder abnormal ist, z. B. für digitale Währungen.
Nehmen wir als Beispiel eine Bitcoin-Kontostandhaltung, und wenn wir 95% VaR eines Tages für dieses Portfolio berechnen wollen, können wir Folgendes tun:
Hier ist ein spezifischer Code, der Daten aus den letzten 1000 Tagen verwendet, um zu berechnen, dass der VaR für einen aktuellen BTC-Händler 1980 USDT beträgt.
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}")
Bei der Berechnung des VaR eines Portfolios mit mehreren Vermögenswerten müssen wir die Korrelation zwischen den Vermögenswerten berücksichtigen. Wenn die Preisänderungen zwischen den Vermögenswerten positiv korrelieren, erhöht sich das Risiko des Portfolios; wenn es negativ korreliert, verringert sich das Risiko des Portfolios.
Bei der Berechnung der Korrelations-VaR mit der historischen Analogie müssen wir nicht nur die historischen Renditen jedes einzelnen Vermögenswerts sammeln, sondern auch die gemeinsame Verteilung dieser Renditen berücksichtigen. In der Praxis können Sie die historischen Renditen des Portfolios direkt sortieren und berechnen, da diese Renditen bereits die Korrelation zwischen den Vermögenswerten implizieren. In den digitalen Währungsmärkten ist die Korrelation besonders wichtig, da BTC im Wesentlichen die Marktführerin ist und die Wahrscheinlichkeit, dass andere digitale Währungen steigen, erhöht wird, wenn BTC steigt oder fällt, da sich die Marktemotion schnell ändern kann, was zu einer signifikanten Erhöhung der Korrelation in der kurzfristigen Periode führt, was besonders bei Extremmarktveranstaltungen häufig ist.
Mit einer Anzahl von BTC-Positionen und 10 ETH-Leerpositionen kann der VaR für 10 ETH-Leerpositionen mit der oben beschriebenen Methode auf 1219 USDT berechnet werden.
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}")
Das Ergebnis ist 970 USDT, was bedeutet, dass die Risiken für diese Kombination geringer sind als für die entsprechenden Anlagen, die einzeln gehalten werden, da die Märkte für BTC und ETH sehr stark verknüpft sind.
In diesem Artikel wird eine anpassungsfähige Methode zur Risikobewertung, die Anwendung der historischen Simulation (Historical Simulation) bei der Berechnung von VaR, und wie die Korrelationen zwischen Vermögenswerten berücksichtigt werden können, um die Risikovorhersage zu optimieren. Durch konkrete Beispiele für den digitalen Währungsmarkt wird erläutert, wie historische Simulationen verwendet werden, um Portfoliorisiken zu bewerten, und wird beschrieben, wie die Berechnung von VaR durchgeführt wird, wenn die Asset-Relativität signifikant ist.