Cara Mengukur Risiko Posisi - Pendahuluan Metode VaR

Mengontrol risiko adalah keterampilan yang perlu dipelajari oleh setiap investor. Dengan pasar cryptocurrency yang berubah dan berkembang pesat, pedagang algoritmik perlu fokus pada manajemen risiko terutama. Ini karena perdagangan algoritmik sering melakukan perdagangan secara otomatis berdasarkan data historis dan model statistik, yang dapat dengan cepat menjadi tidak akurat di pasar yang bergerak cepat. Oleh karena itu, strategi manajemen risiko yang efektif sangat penting untuk melindungi modal investor.

Di antara banyak alat manajemen risiko, Value at Risk (VaR) adalah ukuran risiko yang banyak digunakan. Ini dapat membantu investor memprediksi kerugian maksimum yang mungkin terjadi dalam kondisi pasar normal di portofolio mereka. VaR mengukur risiko menjadi satu angka, menyederhanakan ekspresi risiko dan memungkinkan investor untuk memahami potensi kerugian secara intuitif.

Peran VaR

VaR, atau Value at Risk, digunakan untuk mengukur kerugian maksimum yang dapat ditanggung dalam jangka waktu tertentu, sesuai dengan tingkat kepercayaan tertentu. Dengan kata lain, ini memberi tahu investor atau manajer risiko: Dalam kondisi pasar normal, berapa banyak uang yang berada dalam kisaran safe dan tidak akan hilang besok.

Keuntungan

1. Mudah dipahami: Sebagai contoh, 95% VaR 1 hari dari portofolio mata uang digital adalah $ 5000, yang berarti ada 95% kepercayaan bahwa kerugian portofolio dalam satu hari tidak akan melebihi $ 5000. Mengkuantifikasi risiko kompleks ke dalam angka intuitif membuatnya mudah dipahami oleh non-profesional.

2. Relatif standar: Misalkan ada dua portofolio A dan B, dengan As 95% VaR 1 hari adalah $ 3000 dan Bs adalah $ 6000. Ini menyiratkan bahwa dalam kondisi pasar normal, risiko As lebih rendah daripada Bs. Bahkan jika kedua portofolio ini mengandung aset yang berbeda, kita dapat membandingkan tingkat risiko mereka secara langsung. Sejalan, kita juga dapat menilai tingkat investasi; jika kedua strategi A dan B telah memperoleh $ 6000 dalam sebulan terakhir tetapi nilai rata-rata dan maksimum VaR As jauh lebih rendah dari Bs, maka kita dapat menganggap strategi A lebih baik, karena mencapai pengembalian yang lebih tinggi pada tingkat risiko yang lebih rendah.

3. Alat pengambilan keputusan: Pedagang dapat menggunakan VaR untuk memutuskan apakah akan menambahkan aset baru ke portofolio mereka atau tidak. Jika menambahkan aset meningkatkan nilai VaR secara signifikan, maka hal itu dapat menunjukkan bahwa risiko aset yang ditambahkan tidak sesuai dengan tingkat risiko portofolio yang dapat diterima.

Kelemahan

1. Mengabaikan risiko ekor: Jika VaR 99% portofolio 1 hari adalah $ 10.000, kerugian dalam skenario ekstrim 1% bisa jauh melebihi nilai ini. Dalam bidang mata uang digital, peristiwa angsa hitam sering terjadi dan situasi ekstrim dapat melebihi harapan kebanyakan orang, karena VaR tidak mempertimbangkan peristiwa ekor.

2. Pembatasan asumsi: Parameter VaR sering mengasumsikan bahwa pengembalian aset terdistribusi secara normal, yang jarang terjadi di pasar nyata, terutama di pasar mata uang digital. Misalnya, misalkan portofolio hanya berisi Bitcoin. Kami menggunakan parameter VaR dan mengasumsikan bahwa pengembalian Bitcoin terdistribusi secara normal. Namun, pada kenyataannya, tingkat pengembalian Bitcoin mungkin mengalami lompatan besar selama periode tertentu dan menunjukkan fenomena pengelompokan volatilitas yang signifikan. Jika terjadi volatilitas yang tinggi selama minggu lalu, kemungkinan volatilitas yang terlihat pada periode berikutnya akan meningkat secara signifikan. Ini dapat menyebabkan meremehkan risiko oleh model distribusi normal. Beberapa model memperhitungkan masalah ini seperti GARCH, tetapi kami tidak akan membahasnya di sini.

3. Ketergantungan historis: Model VaR bergantung pada data historis untuk memprediksi risiko masa depan. Namun, kinerja masa lalu tidak selalu menunjukkan situasi masa depan, terutama di pasar yang berubah dengan cepat seperti pasar mata uang digital. Misalnya, jika Bitcoin telah sangat stabil selama setahun terakhir, simulasi historis mungkin memprediksi VaR yang sangat rendah. Namun, jika ada perubahan peraturan atau crash pasar yang tiba-tiba, data masa lalu tidak lagi menjadi prediktor yang efektif dari risiko masa depan.

Metode Perhitungan VaR

Ada tiga metode untuk menghitung VaR: Metode parametrik (Variance-Covariance Method): Ini mengasumsikan bahwa tingkat pengembalian mengikuti distribusi tertentu (biasanya distribusi normal), dan kita menggunakan rata-rata dan standar deviasi tingkat pengembalian untuk menghitung VaR. Metode Simulasi Sejarah: Tidak membuat asumsi tentang distribusi pengembalian, tetapi menggunakan data historis secara langsung untuk menentukan distribusi kerugian potensial. Simulasi Monte Carlo: Ini menggunakan jalur harga yang dihasilkan secara acak untuk mensimulasikan harga aset dan menghitung VaR dari mereka.

Metode Simulasi Sejarah menggunakan perubahan harga masa lalu secara langsung untuk memperkirakan kemungkinan kerugian di masa depan.

Sebagai contoh, jika kita ingin menghitung 1 hari 95% VaR untuk posisi spot Bitcoin, kita bisa melakukan ini:

1. Mengumpulkan pengembalian harian Bitcoin selama periode tertentu (misalnya, 100 hari).
2. Menghitung tingkat pengembalian portofolio setiap hari, yang merupakan tingkat pengembalian setiap aset dikalikan dengan beratnya dalam portofolio.
3. Urutkan 100 hari ini portofolio pengembalian dari rendah ke tinggi.
4. Cari titik data pada tanda 5% (karena kita menghitung 95% VaR). titik ini mewakili tingkat kerugian pada hari terbaik dari lima hari terburuk dalam 100 hari terakhir.
5. Kalikan pengembalian dengan nilai total yang dimiliki, dan itu adalah 95% VaR satu hari Anda.

Berikut ini adalah kode spesifik yang telah memperoleh data dari 1000 hari terakhir, menghitung bahwa VaR saat ini untuk memegang satu spot BTC adalah 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}")

Menghitung VaR Mengingat Korélasi

Jika ada korelasi positif dalam perubahan harga antara aset, maka risiko portofolio akan meningkat; jika korelasi negatif, maka risiko portofolio akan berkurang.

Ketika menggunakan metode simulasi historis untuk menghitung VaR dengan mempertimbangkan korelasi, kita perlu mengumpulkan tidak hanya pengembalian historis masing-masing aset, tetapi juga mempertimbangkan distribusi bersama mereka. Dalam praktiknya, Anda dapat menggunakan pengembalian historis portofolio Anda untuk menyortir dan perhitungan secara langsung, karena pengembalian ini sudah secara implisit mencakup korelasi antar aset. Di pasar cryptocurrency, korelasi sangat penting dengan BTC pada dasarnya memimpin tren pasar. Jika BTC naik pesat, cryptocurrency lainnya kemungkinan akan naik juga; jika BTC cepat melonjak atau anjlok karena pasar yang berubah dengan cepat, ini dapat menyebabkan peningkatan korelasi jangka pendek yang signifikan - sesuatu yang sangat umum terjadi selama peristiwa pasar ekstrem. Oleh karena itu, metode simulasi historis adalah alat yang berguna ketika mempertimbangkan portofolio investasi mata uang digital VaR perhitungan.

Sebagai contoh: memegang 1 posisi panjang pada BTC dan 10 posisi pendek pada ETH mengikuti metode sebelumnya kita dapat menghitung bahwa 10 posisi pendek ETH memiliki VaR 1219 USDT. Ketika menggabungkan kedua jenis aset ini ke dalam satu portofolio, berikut ini adalah cara menghitung VaR gabungan:

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}")

Hasilnya adalah 970 USDT, yang berarti risiko kombinasi ini lebih rendah daripada memegang aset masing-masing secara terpisah. Ini karena pasar BTC dan ETH memiliki korelasi yang tinggi, dan efek lindung nilai dari kombinasi posisi panjang-pendek berfungsi untuk mengurangi risiko.

Ringkasan

Artikel ini akan memperkenalkan metode penilaian risiko yang sangat adaptif, yaitu penerapan Simulasi Sejarah dalam menghitung VaR, serta cara mempertimbangkan korelasi aset untuk mengoptimalkan prediksi risiko. Melalui contoh khusus dari pasar mata uang digital, ia menjelaskan cara menggunakan simulasi historis untuk menilai risiko portofolio dan membahas metode untuk menghitung VaR ketika korelasi aset signifikan. Dengan metode ini, pedagang algoritmik tidak hanya dapat memperkirakan kerugian maksimum mereka dalam sebagian besar situasi, tetapi juga dipersiapkan untuk kondisi pasar yang ekstrim. Ini memungkinkan mereka untuk berdagang dengan lebih tenang dan mengeksekusi strategi dengan akurat.