स्थिति जोखिम को कैसे मापें - VaR पद्धति का परिचय

जोखिम को नियंत्रित करना एक कौशल है जिसे हर निवेशक को सीखने की आवश्यकता है। तेजी से बदलते और विकसित क्रिप्टोक्यूरेंसी बाजार के साथ, एल्गोरिदमिक व्यापारियों को विशेष रूप से जोखिम प्रबंधन पर ध्यान केंद्रित करने की आवश्यकता है। ऐसा इसलिए है क्योंकि एल्गोरिदमिक ट्रेडिंग अक्सर ऐतिहासिक डेटा और सांख्यिकीय मॉडल के आधार पर स्वचालित रूप से ट्रेडों को निष्पादित करती है, जो तेजी से चलने वाले बाजारों में जल्दी से गलत हो सकती है। इसलिए, निवेशकों की पूंजी की रक्षा के लिए प्रभावी जोखिम प्रबंधन रणनीतियां महत्वपूर्ण हैं।

जोखिम प्रबंधन के कई उपकरणों में से, जोखिम पर मूल्य (वीएआर) जोखिम का एक व्यापक रूप से उपयोग किया जाने वाला उपाय है। यह निवेशकों को अपने पोर्टफोलियो में सामान्य बाजार स्थितियों में होने वाले अधिकतम नुकसान की भविष्यवाणी करने में मदद कर सकता है। वीएआर जोखिम को एक एकल संख्या में मापता है, जोखिम की अभिव्यक्ति को सरल बनाता है और निवेशकों को संभावित नुकसान को सहज रूप से समझने की अनुमति देता है।

वीएआर की भूमिका

VaR, या Value at Risk, का उपयोग अधिकतम संभावित नुकसान को मापने के लिए किया जाता है जो एक निश्चित समय अवधि के भीतर सहन किया जा सकता है, एक निश्चित आत्मविश्वास स्तर के अनुसार। दूसरे शब्दों में, यह निवेशकों या जोखिम प्रबंधकों को बताता हैः सामान्य बाजार स्थितियों में, कितना पैसा सुरक्षित सीमा के भीतर है और कल खोया नहीं जाएगा।

लाभ

1. समझने में आसानउदाहरण के लिए, एक डिजिटल मुद्रा पोर्टफोलियो का 1 दिन का 95% वैर $5000 है, जिसका अर्थ है कि एक दिन के भीतर पोर्टफोलियो का नुकसान $5000 से अधिक नहीं होगा। जटिल जोखिमों को सहज संख्या में परिमाणित करना गैर-पेशेवरों के लिए समझना आसान बनाता है। बेशक, इसमें कुछ भ्रामक पहलू अनिवार्य रूप से हैं।

2. अपेक्षाकृत मानक: मान लीजिए कि दो पोर्टफोलियो A और B हैं, जिनमें A का 1 दिन का 95% VaR $3000 और B का $6000 है। इसका तात्पर्य यह है कि सामान्य बाजार स्थितियों में, A का जोखिम B की तुलना में कम है। भले ही इन दो पोर्टफोलियो में अलग-अलग संपत्ति हो, हम उनके जोखिम स्तरों की सीधे तुलना कर सकते हैं। तदनुसार, हम निवेश के स्तर का भी न्याय कर सकते हैं; यदि दोनों रणनीतियों A और B ने पिछले महीने में $6000 कमाए हैं, लेकिन A का औसत और अधिकतम VaR मूल्य B की तुलना में काफी कम हैं, तो हम A रणनीति को बेहतर मान सकते हैं, क्योंकि यह कम जोखिम स्तर पर उच्च रिटर्न प्राप्त करता है।

3. निर्णय लेने का साधन: व्यापारी VaR का उपयोग यह तय करने के लिए कर सकते हैं कि वे अपने पोर्टफोलियो में कोई नई संपत्ति जोड़ना चाहते हैं या नहीं। यदि किसी संपत्ति को जोड़ने से VaR मूल्य में काफी वृद्धि होती है, तो यह संकेत दे सकता है कि जोड़ी गई संपत्ति का जोखिम पोर्टफोलियो के स्वीकार्य जोखिम स्तर से मेल नहीं खाता है।

नुकसान

1. पूंछ जोखिम की अनदेखी करना: यदि किसी पोर्टफोलियो का एक दिन का 99% वैर $10,000 है, तो चरम 1% परिदृश्य में हानि इस मूल्य से बहुत अधिक हो सकती है। डिजिटल मुद्रा के क्षेत्र में, ब्लैक स्वान घटनाएं लगातार होती हैं और चरम स्थितियां अधिकांश लोगों की अपेक्षाओं से अधिक हो सकती हैं, क्योंकि वैर पूंछ की घटनाओं को ध्यान में नहीं रखता है।

2. धारणा की सीमाएँ: पैरामीटर VaR अक्सर यह मानता है कि परिसंपत्ति रिटर्न सामान्य रूप से वितरित होते हैं, जो कि वास्तविक बाजारों में, विशेष रूप से डिजिटल मुद्रा बाजारों में शायद ही कभी होता है। उदाहरण के लिए, मान लें कि एक पोर्टफोलियो में केवल बिटकॉइन होता है। हम पैरामीटर VaR का उपयोग करते हैं और मान लेते हैं कि बिटकॉइन की वापसी सामान्य रूप से वितरित होती है। हालांकि, वास्तविकता में, बिटकॉइन की वापसी दर कुछ अवधि के दौरान बड़ी छलांगों का अनुभव कर सकती है और महत्वपूर्ण अस्थिरता क्लस्टरिंग घटनाओं का प्रदर्शन कर सकती है। यदि पिछले सप्ताह में उच्च अस्थिरता रही है, तो अगली अवधि में ध्यान देने योग्य अस्थिरता की संभावना काफी बढ़ जाएगी। इससे सामान्य वितरण मॉडल द्वारा जोखिम का कम मूल्यांकन हो सकता है। कुछ मॉडल इस मुद्दे को ध्यान में रखते हैं जैसे कि GARCH आदि, लेकिन हम यहां उनकी चर्चा नहीं करेंगे।

3. ऐतिहासिक निर्भरता: वैर मॉडल भविष्य के जोखिमों की भविष्यवाणी करने के लिए ऐतिहासिक डेटा पर निर्भर करता है। हालांकि, पिछले प्रदर्शन हमेशा भविष्य की स्थितियों का संकेत नहीं देता है, खासकर डिजिटल मुद्रा बाजार जैसे तेजी से बदलते बाजारों में। उदाहरण के लिए, यदि बिटकॉइन पिछले एक साल में बहुत स्थिर रहा है, तो एक ऐतिहासिक सिमुलेशन बहुत कम वैर की भविष्यवाणी कर सकता है। हालांकि, यदि अचानक नियामक परिवर्तन या बाजार दुर्घटना होती है, तो पिछले डेटा अब भविष्य के जोखिम का एक प्रभावी भविष्यवाणीकर्ता नहीं होंगे।

वीएआर की गणना के तरीके

VaR की गणना करने के लिए मुख्य रूप से तीन तरीके हैंः पैरामेट्रिक विधि (विभिन्नता-समानता विधि): यह मानता है कि रिटर्न दर एक निश्चित वितरण (आमतौर पर सामान्य वितरण) का पालन करती है, और हम VaR की गणना करने के लिए रिटर्न दर के औसत और मानक विचलन का उपयोग करते हैं। ऐतिहासिक सिमुलेशन विधिः यह रिटर्न के वितरण के बारे में कोई धारणा नहीं बनाता है, लेकिन संभावित हानि वितरण को निर्धारित करने के लिए सीधे ऐतिहासिक डेटा का उपयोग करता है। मोंटे कार्लो सिमुलेशनः यह परिसंपत्ति की कीमतों का अनुकरण करने के लिए यादृच्छिक रूप से उत्पन्न मूल्य पथों का उपयोग करता है और उनसे VaR की गणना करता है।

ऐतिहासिक सिमुलेशन पद्धति संभावित भविष्य के नुकसान का अनुमान लगाने के लिए पिछले मूल्य परिवर्तनों का सीधे उपयोग करती है। इसे लाभ वितरण के बारे में किसी भी धारणा की आवश्यकता नहीं है, जिससे यह अज्ञात या असामान्य लाभ वितरण वाली संपत्ति के लिए उपयुक्त है, जैसे कि डिजिटल मुद्राएं।

उदाहरण के लिए, यदि हम बिटकॉइन स्पॉट स्थिति के लिए 1-दिवसीय 95% VaR की गणना करना चाहते हैं, तो हम ऐसा कर सकते हैंः

1. एक निश्चित अवधि (उदाहरण के लिए, 100 दिनों) में बिटकॉइन के दैनिक रिटर्न एकत्र करें।
2. प्रत्येक दिन पोर्टफोलियो रिटर्न दर की गणना करें, जो प्रत्येक संपत्ति की रिटर्न दर को पोर्टफोलियो में उसके वजन से गुणा करती है।
3. इन 100 दिनों के पोर्टफोलियो रिटर्न को निम्न से उच्च तक क्रमबद्ध करें।
4. 5% मार्क पर डेटा बिंदु का पता लगाएं (क्योंकि हम 95% VaR की गणना कर रहे हैं) । बिंदु पिछले 100 दिनों में सबसे खराब पांच दिनों में से सबसे अच्छे दिन पर नुकसान की दर का प्रतिनिधित्व करता है।
5. रिटर्न को कुल मूल्य से गुणा करें, और यह आपका एक दिन का 95% वैर है।

निम्नलिखित एक विशिष्ट कोड है जिसने पिछले 1000 दिनों के आंकड़े प्राप्त किए हैं, यह गणना करते हुए कि एक BTC स्पॉट रखने के लिए वर्तमान VaR 1980 USDT 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}")

सहसंबंध को ध्यान में रखते हुए वीएआर की गणना करना

कई परिसंपत्तियों वाले पोर्टफोलियो के VaR की गणना करते समय, हमें इन परिसंपत्तियों के बीच सहसंबंध पर विचार करना चाहिए। यदि परिसंपत्तियों के बीच मूल्य परिवर्तन में सकारात्मक सहसंबंध है, तो पोर्टफोलियो का जोखिम बढ़ जाएगा; यदि यह नकारात्मक सहसंबंध है, तो पोर्टफोलियो का जोखिम कम हो जाएगा।

क्रिप्टोक्यूरेंसी बाजारों में, सहसंबंध विशेष रूप से महत्वपूर्ण है क्योंकि बीटीसी अनिवार्य रूप से बाजार के रुझानों का नेतृत्व करता है। यदि बीटीसी तेजी से बढ़ता है, तो अन्य क्रिप्टोकरेंसी भी बढ़ने की संभावना है; यदि बीटीसी तेजी से बदलते बाजार के कारण तेजी से बढ़ता है या गिरता है, तो इससे सहसंबंध में महत्वपूर्ण अल्पकालिक वृद्धि हो सकती है - कुछ ऐसा जो चरम बाजार की घटनाओं के दौरान विशेष रूप से आम है। इसलिए, डिजिटल मुद्रा निवेश पोर्टफोलियो पर विचार करते समय ऐतिहासिक सिमुलेशन विधि एक उपयोगी उपकरण है। इसके लिए केवल जटिल सांख्यिकीय डेटा की आवश्यकता नहीं होती है - प्रभावी ऐतिहासिक मॉडल - और स्वाभाविक रूप से अंतर-संयोजन सहसंबंध शामिल हैं।

उदाहरण के लिएः बीटीसी पर 1 लंबी स्थिति और ईटीएच पर 10 छोटी स्थिति रखने हमारी पिछली विधि का पालन करते हुए हम गणना कर सकते हैं कि 10 ईटीएच छोटी स्थिति का वीएआर 1219 यूएसडीटी है। जब इन दो प्रकार की संपत्ति को एक पोर्टफोलियो में जोड़ते हैं, तो आप इसके संयुक्त वीएआर की गणना कैसे करेंगेः

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 संयोजन का जोखिम संबंधित परिसंपत्तियों को अलग से रखने की तुलना में कम है। इसका कारण यह है कि बीटीसी और ईटीएच बाजारों में एक उच्च सहसंबंध है, और लंबी-छोटी स्थिति संयोजनों का हेजिंग प्रभाव जोखिम को कम करने के लिए कार्य करता है।

सारांश

इस लेख में एक अत्यधिक अनुकूलनशील जोखिम आकलन विधि, अर्थात् VaR की गणना में ऐतिहासिक सिमुलेशन के आवेदन का परिचय दिया जाएगा, साथ ही जोखिम की भविष्यवाणी को अनुकूलित करने के लिए परिसंपत्ति सहसंबंधों पर विचार कैसे किया जाए। डिजिटल मुद्रा बाजार से विशिष्ट उदाहरणों के माध्यम से, यह बताता है कि पोर्टफोलियो जोखिमों का आकलन करने के लिए ऐतिहासिक सिमुलेशन का उपयोग कैसे किया जाए और परिसंपत्ति सहसंबंध महत्वपूर्ण होने पर VaR की गणना के तरीकों पर चर्चा की जाए। इस विधि के साथ, एल्गोरिथम व्यापारी न केवल अधिकांश स्थितियों में अपने अधिकतम नुकसान का अनुमान लगा सकते हैं, बल्कि चरम बाजार की स्थितियों के लिए भी तैयार हो सकते हैं। यह उन्हें अधिक शांत व्यापार करने और रणनीतियों को सटीक रूप से निष्पादित करने की अनुमति देता है।