VaR पद्धति के बारे में जानकारी

जोखिम को नियंत्रित करना एक कौशल है जिसे हर निवेशक को सीखने की आवश्यकता है, और तेजी से बदलते और विकसित होने वाले डिजिटल मुद्रा बाजारों के सामने, प्रक्रियात्मक व्यापारियों को जोखिम प्रबंधन पर विशेष ध्यान देने की आवश्यकता है। यह इसलिए है क्योंकि प्रक्रियात्मक व्यापार अक्सर ऐतिहासिक डेटा और सांख्यिकीय मॉडल पर आधारित होते हैं जो स्वचालित रूप से लेनदेन निष्पादित करते हैं, और तेजी से अस्थिर बाजारों में ये मॉडल जल्दी से गलत हो सकते हैं। इसलिए, एक प्रभावी जोखिम प्रबंधन रणनीति निवेशकों की पूंजी की रक्षा के लिए महत्वपूर्ण है।

कई जोखिम प्रबंधन उपकरणों में, मूल्य जोखिम (VaR) एक व्यापक रूप से उपयोग किया जाने वाला जोखिम माप है, जो निवेशकों को सामान्य बाजार स्थितियों में पोर्टफोलियो के लिए सबसे अधिक संभावित नुकसान का अनुमान लगाने में मदद करता है। VaR जोखिम को एक एकल अंक में मात्राबद्ध करने में सक्षम है, जो जोखिम की अभिव्यक्ति को सरल बनाता है और निवेशकों को संभावित नुकसान को समझने में मदद करता है।

वीएआर की भूमिका

VaR, या Value at Risk Value Value Value Value, का उपयोग किसी निश्चित समय के दौरान, विश्वास के एक निश्चित स्तर के अनुसार, सबसे अधिक संभावित नुकसान को मापने के लिए किया जाता है। दूसरे शब्दों में, यह निवेशकों या जोखिम प्रबंधकों को बताता हैः VaR, सामान्य बाजार स्थितियों में, हमारे पास कितना पैसा है, जो कि एक सुरक्षित कंक्रीट के दायरे में है, और कल नुकसान नहीं होगा। उदाहरण के लिए, यदि एक डिजिटल मुद्रा निवेश पोर्टफोलियो का एक दिन का 99% VaR $10,000 है, तो इसका मतलब है कि 99% के मामले में, हम एक दिन के नुकसान की उम्मीद नहीं करते हैं जो $10,000 से अधिक नहीं होगा।

फायदे

1. समझ में आता हैउदाहरण के लिए, एक डिजिटल मुद्रा पोर्टफोलियो के लिए एक दिन का 95% VaR $5000 है, जिसका अर्थ है कि 95% का विश्वास है कि पोर्टफोलियो एक दिन में $5000 से अधिक का नुकसान नहीं करेगा। जटिल जोखिम को एक सहज संख्या में मापने के लिए सरल है, जिसे गैर-पेशेवरों के लिए समझना आसान है। निश्चित रूप से, यह भी एक निश्चित भ्रामकता है।

2. तुलनात्मक मानकउदाहरण: मान लीजिए कि दो पोर्टफोलियो A और B हैं, A का एक दिन का 95% VaR $3000 है, और B का $6000 है। इसका मतलब है कि सामान्य बाजार स्थितियों में, A का जोखिम B से कम है। यहां तक कि अगर दोनों पोर्टफोलियो में अलग-अलग संपत्ति शामिल हैं, तो हम सीधे उनके जोखिम के स्तर की तुलना कर सकते हैं। इसके अनुसार, निवेश के स्तर को निर्धारित किया जा सकता है, यदि A और B की दोनों रणनीतियों का पिछले एक महीने का लाभ $6,000 है, और A का औसत और अधिकतम VaR मूल्य B से काफी कम है, तो हम कह सकते हैं कि A बेहतर है और कम जोखिम वाले स्तर पर उच्च रिटर्न प्राप्त कर सकता है।

3. निर्णय लेने के उपकरण: एक व्यापारी VaR का उपयोग पोर्टफोलियो में एक नई संपत्ति को जोड़ने के बारे में निर्णय लेने के लिए कर सकता है. यदि नई संपत्ति VaR को काफी बढ़ा देती है, तो इसका मतलब यह हो सकता है कि नई संपत्ति का जोखिम पोर्टफोलियो के जोखिम को स्वीकार करने के स्तर से मेल नहीं खाता है.

कमियां

1. पिछवाड़े के जोखिमों को नजरअंदाज करना: यदि किसी पोर्टफोलियो का एक दिन का 99% VaR $10,000 है, तो 1% चरम स्थिति में नुकसान इस संख्या से बहुत अधिक हो सकता है। डिजिटल मुद्राओं के क्षेत्र में, ब्लैक स्वान की घटनाएं अक्सर होती हैं, और चरम स्थिति ज्यादातर लोगों की उम्मीदों से अधिक होती है क्योंकि VaR पूंछ की घटनाओं को ध्यान में नहीं रखता है।

2. मानकीकृत सीमाएं: पैरामीटर VaR आम तौर पर यह मानता है कि परिसंपत्ति की आय एक सामान्य वितरण है, जो वास्तविक बाजारों में, विशेष रूप से डिजिटल मुद्रा बाजारों में, शायद ही कभी स्थापित होता है। उदाहरण के लिए, मान लें कि एक पोर्टफोलियो में केवल बिटकॉइन है, हम पैरामीटर VaR का उपयोग करते हैं और मानते हैं कि बिटकॉइन की आय एक सामान्य वितरण है। लेकिन वास्तव में, बिटकॉइन की आय में कुछ समय के लिए बड़ी छलांग लग सकती है, और स्पष्ट रूप से उतार-चढ़ाव की घटनाएं होती हैं, जैसे कि पिछले एक आवृत्ति में बहुत अधिक उतार-चढ़ाव होता है, और अगले की तुलना में अधिक संभावना होती है, जिसके परिणामस्वरूप सामान्य मॉडल जोखिम वितरण को कम आंकता है। मॉडल इस समस्या को ध्यान में रखते हुए, जैसे कि CHAR, आज चर्चा नहीं की जाती है।

3. इतिहास निर्भर करता है: VaR मॉडल भविष्य के जोखिम की भविष्यवाणी करने के लिए ऐतिहासिक डेटा पर निर्भर करता है। हालांकि, अतीत का प्रदर्शन हमेशा भविष्य की स्थिति का पूर्वानुमान नहीं देता है, खासकर तेजी से बदलते बाजारों में जैसे कि डिजिटल मुद्रा बाजार। उदाहरण के लिए, यदि पिछले वर्ष में बिटकॉइन बहुत स्थिर रहा है, तो ऐतिहासिक अनुकरण एक बहुत कम VaR की भविष्यवाणी कर सकता है। हालांकि, यदि अचानक नियामक परिवर्तन या बाजार में गिरावट आती है, तो अतीत का डेटा भविष्य के जोखिम का एक प्रभावी पूर्वानुमान नहीं होगा।

वीएआर की गणना

VaR की गणना करने के तीन मुख्य तरीके हैंः पैरामीटर विधि (अंतर-संदर्भ विधि): यह मान लें कि रिटर्न किसी प्रकार के वितरण (आमतौर पर एक सामान्य वितरण) का पालन करता है, और VaR की गणना करने के लिए रिटर्न दर के औसत और मानक अंतर का उपयोग करें। ऐतिहासिक सिमुलेशनः रिटर्न दर वितरण के बारे में कोई धारणा न करें, और संभावित हानि वितरण का निर्धारण करने के लिए सीधे ऐतिहासिक डेटा का उपयोग करें। मोंटे कार्लो सिमुलेशनः किसी भी संपत्ति के मूल्य का अनुकरण करने के लिए यादृच्छिक रूप से उत्पन्न मूल्य पथ का उपयोग करें और VaR की गणना करें।

ऐतिहासिक अनुकरण का यह तरीका भविष्य में होने वाले संभावित नुकसान का अनुमान लगाने के लिए प्रत्यक्ष रूप से अतीत के मूल्य परिवर्तन का उपयोग करता है। यह आय वितरण पर कोई धारणा बनाने की आवश्यकता नहीं है और इसलिए उन परिसंपत्तियों के लिए लागू होता है जहां आय वितरण अज्ञात या असामान्य है, जैसे कि डिजिटल मुद्राएं।

एक Bitcoin के लिए एक उदाहरण के रूप में, यदि हम इस पोर्टफोलियो के एक दिन के 95% VaR का गणना करना चाहते हैं, तो हम ऐसा कर सकते हैंः

1. पिछले कुछ समय (उदाहरण के लिए 100 दिन) के लिए बिटकॉइन की दैनिक आय एकत्र करें।
2. प्रति दिन पोर्टफोलियो रिटर्न की गणना करें, यानी प्रत्येक संपत्ति का रिटर्न पोर्टफोलियो में उनके वजन से गुणा करें।
3. इन 100 दिनों के निवेश पोर्टफोलियो में आय को छोटे से लेकर बड़े तक क्रमबद्ध करें।
4. 5% डेटा बिंदु (क्योंकि हम 95% VaR का गणना कर रहे हैं) का पता लगाएं, जो पिछले 100 दिनों में सबसे खराब 5 दिनों में सबसे अच्छे दिन के नुकसान का प्रतिनिधित्व करता है।
5. इस रिटर्न को कुल मूल्य के साथ गुणा करें, यह एक दिन में 95% VaR है।

नीचे एक विशिष्ट कोड है जो पिछले 1000 दिनों के आंकड़ों को प्राप्त करता है, जो वर्तमान में एक BTC नकदी रखने वाले VaR को 1980 USDT के रूप में गणना करता है।

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}")

प्रासंगिकता पर VaR गणना पर विचार करें

जब हम एक पोर्टफोलियो के लिए VaR की गणना करते हैं जिसमें कई संपत्ति शामिल हैं, तो हमें परिसंपत्तियों के बीच संबंध को ध्यान में रखना होगा। यदि परिसंपत्तियों के बीच मूल्य परिवर्तन सकारात्मक संबंध हैं, तो पोर्टफोलियो का जोखिम बढ़ जाता है; यदि नकारात्मक संबंध है, तो पोर्टफोलियो का जोखिम कम हो जाता है।

ऐतिहासिक एनालिटिक्स का उपयोग करके प्रासंगिकता के VaR को ध्यान में रखते हुए, हम न केवल प्रत्येक व्यक्तिगत संपत्ति के लिए ऐतिहासिक रिटर्न एकत्र करते हैं, बल्कि इन परिसंपत्तियों के संयुक्त वितरण को भी ध्यान में रखते हैं। व्यावहारिक रूप से, आप सीधे पोर्टफोलियो के ऐतिहासिक रिटर्न का उपयोग करके क्रमबद्ध और गणना कर सकते हैं, क्योंकि ये रिटर्न पहले से ही परिसंपत्तियों के बीच प्रासंगिकता को इंगित करते हैं। डिजिटल मुद्रा बाजार में, प्रासंगिकता विशेष रूप से महत्वपूर्ण है, और यह मूल रूप से बीटीसी के रूप में बाजार में प्रमुख है, और यदि बीटीसी बैल जाता है, तो अन्य डिजिटल मुद्राओं के बढ़ने की संभावना बढ़ जाती है, और यदि बीटीसी तेजी से बढ़ता है या गिरता है, क्योंकि बाजार की भावना तेजी से बदल सकती है, जिससे निकट अवधि में प्रासंगिकता में उल्लेखनीय वृद्धि होती है, जो कि चरम बाजार की घटनाओं में विशेष रूप से आम है। इसलिए, ऐतिहासिक एनालिटिक्स एक उपयोगी उपकरण है जब डिजिटल मुद्रा निवेश पोर्टफोलियो पर विचार किया जाता है। यह केवल जटिल सांख्यिकीय मॉडल की आवश्यकता होती है, और इसमें प्रासंगिकता की आवश्यकता होती

उदाहरण के लिए, 1 BTC बहु-स्थान और 10 ETH खाली स्थान के साथ, 10 ETH खाली स्थानों के लिए VaR की गणना 1219 USDT के रूप में की जा सकती है। जब दोनों पोर्टफोलियो को जोड़ा जाता है, तो VaR की गणना इस प्रकार हैः

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}")

परिणाम 970 USDT है, जिसका अर्थ है कि इस पोर्टफोलियो का जोखिम अलग-अलग रूप से संबंधित परिसंपत्तियों को धारण करने की तुलना में कम है, क्योंकि BTC और ETH के बाजार अत्यधिक सहसंबंधित हैं, और बहु-अवकाश पोर्टफोलियो के लिए हेजिंग जोखिम को कम करने का काम करती है।

सारांश

यह लेख VaR की गणना करते समय ऐतिहासिक सिमुलेशन (Historical Simulation) के उपयोग के बारे में बताएगा और जोखिम के पूर्वानुमान को अनुकूलित करने के लिए परिसंपत्तियों के बीच संबंधों को कैसे ध्यान में रखेगा। विशिष्ट डिजिटल मुद्रा बाजार के उदाहरणों के माध्यम से, यह समझाया जाएगा कि पोर्टफोलियो जोखिम का आकलन करने के लिए ऐतिहासिक सिमुलेशन का उपयोग कैसे किया जाता है, और VaR की गणना करने के तरीकों पर चर्चा की जाती है जब परिसंपत्ति से संबंधित उत्पादकता महत्वपूर्ण होती है। इस तरह से, प्रक्रियात्मक व्यापारी न केवल अधिकांश मामलों में अधिकतम नुकसान का अनुमान लगा सकते हैं, बल्कि चरम बाजार स्थितियों के लिए भी तैयार हो सकते हैं, जिससे वे व्यापार में अधिक बाध्यकारी और सटीक रणनीति निष्पादित कर सकते हैं।