Cómo medir el riesgo de la posesión de un valor añadido VaR

Controlar el riesgo es una habilidad que todos los inversores necesitan aprender. En un mercado de monedas digitales que cambia cada vez más rápidamente y evoluciona constantemente, los operadores programáticos deben prestar especial atención a la gestión del riesgo. Esto se debe a que los intercambios programáticos a menudo se basan en datos históricos y modelos estadísticos para ejecutar transacciones de forma automática, y en mercados rápidamente volátiles, estos modelos pueden volverse rápidamente inexactos. Por lo tanto, una estrategia eficaz de gestión del riesgo es esencial para proteger el capital de los inversores.

Entre muchas herramientas de gestión de riesgos, el valor en riesgo (VaR) es una medida de riesgo ampliamente utilizada que ayuda a los inversores a predecir la pérdida máxima que podría ocurrir en un portafolio en condiciones normales de mercado. VaR es capaz de cuantificar el riesgo en un solo número, simplificando la expresión del riesgo y permitiendo a los inversores una comprensión intuitiva de las pérdidas potenciales.

El papel del VaR

VaR, o el valor de riesgo de una curva, se utiliza para cuantificar la pérdida máxima que se puede soportar en un tiempo determinado, de acuerdo con un cierto nivel de confianza. En otras palabras, le dice al inversor o al gestor de riesgos: VaR, en condiciones normales de mercado, cuánto dinero tenemos está dentro del rango de la curva de seguridad, sin perderlo mañana.

Ventajas

1. Es fácil de entender.Por ejemplo: el 95% de VaR por día de una cartera de monedas digitales es de $5000, lo que significa que hay un 95% de confianza en que la pérdida de la cartera no excederá los $5000 en un día. Cuantificar el riesgo complejo en un número intuitivo y fácil de entender para los no profesionales.

2. Estándar de comparaciónSupongamos que hay dos portafolios A y B, A tiene un 95% de VaR por día de $3,000 y B de $6,000. Esto significa que, en condiciones normales de mercado, A es menos arriesgado que B. Incluso si los dos portafolios contienen diferentes activos, podemos comparar directamente sus niveles de riesgo. En consecuencia, también se puede determinar el nivel de inversión si las ganancias de las dos estrategias A y B en el último mes son de $6,000, y el valor promedio y máximo de VaR de A es significativamente menor que el de B. Podemos considerar que la estrategia A es mejor y obtiene mayores ganancias con un nivel de riesgo más bajo.

3. Las herramientas para tomar decisionesSi los nuevos activos aumentan significativamente el VaR, esto puede significar que el riesgo de los nuevos activos no coincide con el nivel de tolerancia de riesgo de la cartera.

Desventajas

1. El riesgo de la cola es ignoradoSi el 99% de VaR de un día de una cartera es de $10,000, la pérdida en el 1% de los casos extremos puede ser mucho mayor que este valor. En el ámbito de las monedas digitales, los eventos de cisnes negros son frecuentes y los casos extremos superan las expectativas de la mayoría, ya que el VaR no tiene en cuenta los eventos de cola.

2. Suponiendo restriccionesLos parámetros VaR generalmente asumen que los rendimientos de los activos son distribuidos de forma normal, lo que rara vez se establece en los mercados reales, especialmente en los mercados de monedas digitales. Por ejemplo, supongamos que solo hay Bitcoin en una cartera de inversiones, usamos el parámetro VaR y asumimos que los rendimientos de Bitcoin son distribuidos de manera normal. Pero en realidad, los rendimientos de Bitcoin pueden experimentar grandes saltos en ciertos períodos y hay un fenómeno de acumulación de volatilidad evidente, como que la volatilidad de una frecuencia pasada es muy alta y la siguiente es mucho más probable que aumente significativamente, lo que conduce a que el modelo de distribución de riesgo del modelo normal sea muy bajo.

3. La historia dependeLos modelos de VaR se basan en datos históricos para predecir riesgos futuros. Sin embargo, el desempeño pasado no siempre predice lo que sucederá en el futuro, especialmente en mercados que cambian rápidamente como el mercado de monedas digitales. Por ejemplo, si Bitcoin ha sido muy estable en el último año, los modelos históricos pueden predecir un VaR muy bajo. Sin embargo, si hay un cambio repentino en la regulación o un colapso del mercado, los datos pasados ya no serán un predictor efectivo de riesgos futuros.

Cómo calcular el VaR

Hay tres métodos principales para calcular el VaR: el método de parámetros (diferencia-diferencia-coefficientes): asumir que el rendimiento sigue una distribución (generalmente una distribución normal), calcular el VaR usando el valor medio y el valor del valor del rendimiento; el modelo histórico: no hacer ninguna suposición sobre la distribución del rendimiento, sino usar directamente los datos históricos para determinar la distribución de pérdidas potenciales; el modelo de Monte Carlo: usar un camino de precios generado al azar para simular el precio de un activo y calcular el VaR a partir de él.

El método de simulación histórica utiliza directamente los cambios de precios pasados para estimar las pérdidas que pueden ocurrir en el futuro. No requiere hacer ninguna suposición sobre la distribución de ganancias y, por lo tanto, es aplicable a activos con una distribución de ganancias desconocida o inusual, como las monedas digitales.

Si queremos calcular el 95% de VaR de un día de esta cartera, podemos hacer esto:

1. La tasa de rendimiento diaria de Bitcoin durante el último período de tiempo (por ejemplo, 100 días) es recopilada.
2. Se calcula la rentabilidad diaria de la cartera, es decir, la rentabilidad de cada activo multiplicada por su peso en la cartera.
3. En este caso, el rendimiento de la cartera de inversiones de 100 días se ordena de pequeño a grande.
4. Encuentra el punto de datos del 5% (ya que estamos calculando el 95% de VaR), que representa la pérdida de los 5 peores días y los 5 mejores días de los últimos 100 días.
5. Si multiplicamos esta tasa de rendimiento por el valor total de las acciones, se obtiene un 95% de VaR por día.

A continuación se muestra un código específico que obtiene datos de los últimos 1000 días y calcula que el VaR de una tenencia de BTC es de 1980 USDT.

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}")

Computación de VaR para considerar la correlación

Cuando se calcula el VaR de una cartera que incluye varios activos, se debe tener en cuenta la correlación entre los activos. Si los cambios de precios entre los activos son positivos, el riesgo de la cartera aumenta; si es negativo, el riesgo de la cartera disminuye.

Cuando usamos la simulación histórica para calcular la correlación VaR, no solo debemos recopilar las rendimientos históricos de cada activo individual, sino también considerar la distribución conjunta de estos rendimientos. En la práctica, puede ordenar y calcular directamente las rendimientos históricos de las carteras, ya que estas rendimientos ya implican correlaciones entre los activos. En el mercado de monedas digitales, la correlación es especialmente importante, ya que BTC es básicamente el líder del mercado, y aumenta la probabilidad de que otras monedas digitales suban si BTC sube o baja rápidamente, ya que el sentimiento del mercado puede cambiar rápidamente y causar un aumento significativo de la correlación en el corto plazo, lo que es más común en los eventos de mercado extremos.

En el caso de una cartera de BTC con una posición múltiple y una cartera vacante con 10 ETH, el VaR de 10 carteras vacantes de ETH se calcula en 1219 USDT según el método anterior. Cuando se combinan las dos carteras, el VaR se calcula de la siguiente manera:

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}")

El resultado es de 970 USDT, lo que significa que el riesgo de esta combinación es menor que el de los activos correspondientes que se mantienen individualmente, debido a que el mercado de BTC y ETH es altamente correlacionado, y la cobertura de la combinación de múltiples espacios contribuye a reducir el riesgo.

Resumen

Este artículo presentará un método de evaluación de riesgo adaptable, la aplicación de la simulación histórica (Historical Simulation) al cálculo del VaR, y cómo considerar las correlaciones entre los activos para optimizar las predicciones de riesgo. A través de ejemplos concretos del mercado de divisas digitales, se explicará cómo utilizar la simulación histórica para evaluar el riesgo de las carteras y se discutirá cómo calcular el VaR cuando la rentabilidad relacionada con los activos es significativa.