Bagaimana untuk mengukur risiko kedudukan - Pengenalan kepada Kaedah VaR

Mengendali risiko adalah kemahiran yang perlu dipelajari oleh setiap pelabur. Dengan pasaran cryptocurrency yang berubah dan berkembang pesat, peniaga algoritma perlu memberi tumpuan kepada pengurusan risiko terutamanya. Ini kerana perdagangan algoritma sering melaksanakan perdagangan secara automatik berdasarkan data sejarah dan model statistik, yang boleh menjadi tidak tepat dalam pasaran yang bergerak cepat. Oleh itu, strategi pengurusan risiko yang berkesan sangat penting untuk melindungi modal pelabur.

Antara banyak alat pengurusan risiko, Nilai pada Risiko (VaR) adalah ukuran risiko yang digunakan secara meluas. Ia dapat membantu pelabur meramalkan kerugian maksimum yang mungkin berlaku dalam keadaan pasaran normal dalam portfolio mereka. VaR mengukur risiko menjadi satu nombor, mempermudah ungkapan risiko dan membolehkan pelabur memahami potensi kerugian secara intuitif.

Peranan VaR

VaR, atau Value at Risk, digunakan untuk mengukur kerugian maksimum yang mungkin ditanggung dalam jangka masa tertentu, mengikut tahap keyakinan tertentu. Dengan kata lain, ia memberitahu pelabur atau pengurus risiko: Di bawah keadaan pasaran biasa, berapa banyak wang dalam julat safe dan tidak akan hilang esok.

Kelebihan

1. Mudah difahami: Sebagai contoh, 1 hari 95% VaR portfolio mata wang digital adalah $ 5000, yang bermaksud terdapat keyakinan 95% bahawa kerugian portfolio dalam satu hari tidak akan melebihi $ 5000. Mengukur risiko kompleks ke dalam nombor intuitif memudahkan orang bukan profesional untuk memahami.

2. Perbandingan standard: Misalkan terdapat dua portfolio A dan B, dengan As 95% VaR 1 hari adalah $ 3000 dan Bs adalah $ 6000. Ini menyiratkan bahawa dalam keadaan pasaran biasa, risiko As lebih rendah daripada Bs. Walaupun kedua-dua portfolio ini mengandungi aset yang berbeza, kita boleh membandingkan tahap risiko mereka secara langsung. Sesuai, kita juga boleh menilai tahap pelaburan; jika kedua-dua strategi A dan B telah memperoleh $ 6000 pada bulan lalu tetapi nilai rata-rata dan maksimum VaR As jauh lebih rendah daripada Bs, maka kita boleh menganggap strategi A lebih baik, kerana ia mencapai pulangan yang lebih tinggi pada tahap risiko yang lebih rendah.

3. Alat membuat keputusan: Pedagang boleh menggunakan VaR untuk memutuskan sama ada untuk menambah aset baru ke dalam portfolio mereka.

Kelemahan

1. Mengabaikan risiko ekor: Jika portfolios 99% VaR 1 hari adalah $ 10,000, kerugian dalam senario 1% yang melampau boleh jauh melebihi nilai ini. Dalam bidang mata wang digital, peristiwa angsa hitam adalah kerap dan situasi melampau boleh melebihi jangkaan kebanyakan orang, kerana VaR tidak mempertimbangkan peristiwa ekor.

2. Keterbatasan andaian: Parameter VaR sering mengandaikan bahawa pulangan aset diedarkan secara normal, yang jarang berlaku di pasaran sebenar, terutamanya di pasaran mata wang digital. Sebagai contoh, katakan portfolio hanya mengandungi Bitcoin. Kami menggunakan parameter VaR dan menganggap bahawa pulangan Bitcoin didistribusikan secara normal. Walau bagaimanapun, sebenarnya, kadar pulangan Bitcoin mungkin mengalami lompatan besar semasa tempoh tertentu dan menunjukkan fenomena pengumpulan turun naik yang ketara. Jika terdapat turun naik yang tinggi pada minggu lalu, kebarangkalian turun naik yang ketara pada tempoh berikutnya akan meningkat dengan ketara. Ini boleh menyebabkan pengurangan risiko oleh model pengedaran normal. Beberapa model mengambil kira isu ini seperti GARCH dan lain-lain, tetapi kami tidak akan membincangkannya di sini.

3. Ketergantungan sejarah: Model VaR bergantung pada data sejarah untuk meramalkan risiko masa depan. Walau bagaimanapun, prestasi masa lalu tidak selalu menunjukkan keadaan masa depan, terutama di pasaran yang berubah dengan cepat seperti pasaran mata wang digital. Sebagai contoh, jika Bitcoin telah sangat stabil selama setahun yang lalu, simulasi sejarah mungkin meramalkan VaR yang sangat rendah. Walau bagaimanapun, jika terdapat perubahan peraturan tiba-tiba atau kejatuhan pasaran, data masa lalu tidak lagi menjadi ramalan yang berkesan terhadap risiko masa depan.

Kaedah Pengiraan VaR

Terdapat terutamanya tiga kaedah untuk mengira VaR: Kaedah Parametrik (Kaedah Variansi-Kovariansi): Ini mengandaikan bahawa kadar pulangan mengikuti pengedaran tertentu (biasanya pengedaran normal), dan kita menggunakan purata dan penyimpangan standard kadar pulangan untuk mengira VaR. Kaedah Simulasi Sejarah: Ia tidak membuat andaian mengenai pengedaran pulangan, tetapi menggunakan data sejarah secara langsung untuk menentukan pengedaran kerugian berpotensi. Simulasi Monte Carlo: Ia menggunakan laluan harga yang dihasilkan secara rawak untuk mensimulasikan harga aset dan mengira VaR daripadanya.

Kaedah Simulasi Sejarah menggunakan perubahan harga masa lalu secara langsung untuk menganggarkan kemungkinan kerugian masa depan. Ia tidak memerlukan sebarang andaian mengenai pengedaran keuntungan, menjadikannya sesuai untuk aset dengan pengedaran keuntungan yang tidak diketahui atau tidak normal, seperti mata wang digital.

Sebagai contoh, jika kita ingin mengira 95% VaR 1 hari untuk kedudukan spot Bitcoin, kita boleh melakukan ini:

1. Mengumpul pulangan harian Bitcoin dalam tempoh tertentu (contohnya, 100 hari).
2. Mengira kadar pulangan portfolio setiap hari, yang merupakan kadar pulangan setiap aset didarabkan dengan beratnya dalam portfolio.
3. Uruskan pulangan portfolio 100 hari ini dari rendah ke tinggi.
4. Cari titik data pada tanda 5% (kerana kita mengira 95% VaR). Titik ini mewakili kadar kerugian pada hari terbaik daripada lima hari terburuk dalam 100 hari yang lalu.
5. Kalikan pulangan dengan jumlah nilai yang dipegang, dan itu adalah satu hari 95% VaR anda.

Berikut adalah kod khusus yang telah memperoleh data dari 1000 hari yang lalu, mengira bahawa VaR semasa untuk memegang satu tempat 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}")

Mengira VaR Mempertimbangkan Korelasi

Apabila mengira VaR portfolio yang mengandungi pelbagai aset, kita mesti mempertimbangkan korelasi antara aset ini. Jika terdapat korelasi positif dalam perubahan harga antara aset, maka risiko portfolio akan meningkat; jika ianegatif korelasi, maka risiko portfolio akan menurun.

Apabila menggunakan kaedah simulasi sejarah untuk mengira VaR memandangkan korelasi, kita perlu mengumpulkan bukan sahaja pulangan sejarah setiap aset individu, tetapi juga mempertimbangkan pengedaran bersama mereka. Dalam amalan, anda boleh menggunakan pulangan sejarah portfolio anda untuk menyusun dan mengira secara langsung, kerana pulangan ini sudah secara implisit merangkumi korelasi antara aset. Di pasaran cryptocurrency, korelasi sangat penting dengan BTC pada dasarnya memimpin trend pasaran. Jika BTC naik pesat, cryptocurrency lain mungkin juga akan meningkat; jika BTC melonjak atau merosot dengan cepat kerana pasaran yang berubah dengan cepat, ini boleh menyebabkan peningkatan korelasi jangka pendek yang ketara - sesuatu yang sangat biasa berlaku semasa peristiwa pasaran yang melampau. Oleh itu, kaedah simulasi sejarah adalah alat yang berguna ketika mempertimbangkan portfolio pelaburan mata wang digital VaR perhitungan. Ia tidak hanya memerlukan data statistik yang kompleks - model sejarah yang berkesan - dan secara semula jadi merangkumi korelasi yang saling berkaitan.

Sebagai contoh: memegang 1 kedudukan panjang pada BTC dan 10 kedudukan pendek pada ETH mengikut kaedah sebelumnya kita boleh mengira bahawa 10 kedudukan pendek ETH mempunyai VaR 1219 USDT. Apabila menggabungkan kedua-dua jenis aset ini ke dalam satu portfolio, berikut adalah bagaimana anda akan mengira 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 bermaksud risiko gabungan ini lebih rendah daripada memegang aset masing-masing secara berasingan. Ini kerana pasaran BTC dan ETH mempunyai korelasi yang tinggi, dan kesan lindung nilai gabungan kedudukan panjang-pendek berfungsi untuk mengurangkan risiko.

Ringkasan

Artikel ini akan memperkenalkan kaedah penilaian risiko yang sangat adaptif, iaitu penggunaan Simulasi Sejarah dalam mengira VaR, serta cara mempertimbangkan korelasi aset untuk mengoptimumkan ramalan risiko. Melalui contoh khusus dari pasaran mata wang digital, ia menerangkan cara menggunakan simulasi sejarah untuk menilai risiko portfolio dan membincangkan kaedah untuk mengira VaR apabila korelasi aset adalah penting. Dengan kaedah ini, peniaga algoritma tidak hanya dapat menganggarkan kerugian maksimum mereka dalam kebanyakan situasi, tetapi juga bersedia untuk keadaan pasaran yang melampau. Ini membolehkan mereka berdagang dengan lebih tenang dan melaksanakan strategi dengan tepat.