Bagaimana untuk mengukur risiko pemegang saham dan kaedah VaR

Mengendali risiko adalah kemahiran yang perlu dipelajari oleh setiap pelabur. Dalam menghadapi pasaran mata wang digital yang berubah dengan lebih pantas dan sentiasa berkembang, pedagang sistematik memerlukan perhatian khusus terhadap pengurusan risiko. Ini kerana perdagangan sistematik sering berdasarkan data sejarah dan model statistik untuk melaksanakan perdagangan secara automatik, yang dalam pasaran yang berubah-ubah dengan cepat, model ini boleh menjadi tidak tepat dengan cepat. Oleh itu, strategi pengurusan risiko yang berkesan adalah penting untuk melindungi modal pelabur.

Di antara banyak alat pengurusan risiko, nilai pada risiko (VaR) adalah satu metrik risiko yang digunakan secara meluas yang dapat membantu pelabur meramalkan kerugian maksimum yang mungkin berlaku pada portfolio dalam keadaan pasaran yang normal. VaR dapat mengukur risiko menjadi satu angka tunggal, menyederhanakan ungkapan risiko, dan membolehkan pelabur memahami kerugian yang berpotensi secara intuitif.

Peranan VaR

VaR, atau nilai risiko yang terhad, digunakan untuk mengukur jumlah kerugian maksimum yang boleh diterima dalam jangka masa tertentu, mengikut tahap keyakinan tertentu. Dengan kata lain, ia memberitahu pelabur atau pengurus risiko: VaR, dalam keadaan pasaran biasa, berapa banyak wang yang kita miliki berada dalam kisaran kurungan keselamatan yang terhad, dan tidak akan rugi esok.

Kelebihan

1. Mudah difahamiSebagai contoh: 95% VaR satu hari untuk portfolio mata wang digital adalah $ 5,000, yang bermaksud bahawa terdapat keyakinan 95% bahawa portfolio tidak akan kehilangan lebih daripada $ 5,000 dalam satu hari. Mengukur risiko yang kompleks menjadi angka yang mudah difahami oleh orang bukan profesional. Sudah tentu, ini juga tidak dapat dielakkan dengan beberapa kekeliruan.

2. PerbandinganMisalkan terdapat dua portfolio A dan B, 95% VaR sehari A adalah $3,000 dan B adalah $6,000. Ini bermaksud bahawa dalam keadaan pasaran biasa, risiko A adalah lebih rendah daripada B. Walaupun kedua-dua portfolio ini mengandungi aset yang berbeza, kita juga boleh membandingkan tahap risiko mereka secara langsung. Sesuai, tahap pelaburan juga boleh dinilai tinggi dan rendah, jika pendapatan kedua-dua strategi A dan B dalam sebulan yang lalu adalah $6,000, dan purata dan maksimum nilai VaR A adalah jauh lebih rendah daripada B, kita boleh menganggap strategi A lebih baik dan dapat mencapai keuntungan yang lebih tinggi dengan tahap risiko yang lebih rendah.

3. Alat membuat keputusan: Seorang peniaga mungkin menggunakan VaR untuk memutuskan sama ada untuk menambah aset baru ke dalam portfolio. Jika aset baru menyebabkan VaR meningkat dengan ketara, ini mungkin bermakna risiko aset baru tidak sepadan dengan tahap toleransi risiko portfolio.

Kelemahan

1. Mengabaikan risiko ekor: Jika 99% VaR satu hari dari portfolio adalah $ 10,000, maka kerugian dalam kes ekstrim 1% mungkin jauh lebih besar daripada angka ini. Dalam bidang mata wang digital, peristiwa Black Swan adalah kerap, dan keadaan ekstrim akan melebihi jangkaan kebanyakan orang kerana VaR tidak mengambil kira peristiwa ekor.

2. Keterbatasan asumsi: Parameter VaR biasanya mengandaikan pendapatan aset adalah terdistribusi normal, yang jarang berlaku di pasaran sebenar, terutamanya di pasaran mata wang digital. Sebagai contoh, andaikan hanya ada Bitcoin dalam portfolio, kita menggunakan parameter VaR dan menganggap pendapatan Bitcoin adalah terdistribusi normal. Tetapi sebenarnya, pendapatan Bitcoin mungkin akan melonjak besar pada masa-masa tertentu, dan terdapat fenomena pengumpulan turun naik yang jelas, seperti satu frekuensi yang lalu sangat besar, dan frekuensi berikutnya akan meningkat secara signifikan, yang menyebabkan model distribusi normal menganggarkan risiko rendah. Model akan mengambil kira masalah ini, seperti CHAR, tidak dibincangkan hari ini.

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

Kaedah Pengiraan VaR

Terdapat tiga kaedah utama untuk mengira VaR: kaedah parameter (perbezaan-perbezaan-perbezaan): mengandaikan kadar pulangan mengikuti sebaran tertentu (biasanya adalah sebaran normal), menggunakan purata kadar pulangan dan perbezaan standard untuk mengira VaR. Simulasi sejarah: tidak membuat sebarang anggapan mengenai sebaran kadar pulangan, menggunakan data sejarah secara langsung untuk menentukan sebaran kerugian yang berpotensi. Simulasi Monte Carlo: 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 kerugian yang mungkin berlaku pada masa akan datang. Ia tidak memerlukan sebarang anggapan mengenai pembahagian pendapatan, dan oleh itu sesuai untuk aset yang pembahagian pendapatan tidak diketahui atau luar biasa, seperti mata wang digital.

Sebagai contoh, jika kita ingin mengira 95% VaR sehari dari portfolio ini, kita boleh melakukan ini:

1. Mengumpul kadar pulangan Bitcoin setiap hari untuk tempoh masa yang lalu (misalnya 100 hari).
2. Mengira pulangan portfolio harian, iaitu pulangan setiap aset dengan beratannya dalam portfolio.
3. Di sini, kita akan melihat 100 hari portfolio yang mempunyai pulangan yang berturut-turut dari kecil ke besar.
4. Cari titik data 5% (kerana kita mengira 95% VaR), titik ini menunjukkan kadar kehilangan hari yang paling buruk dalam 100 hari yang lalu, 5 hari yang paling baik.
5. Jika kita mengalikan kadar pulangan ini dengan nilai keseluruhan saham, maka kita akan mendapat 95% VaR sehari.

Di bawah ini adalah kod khusus yang mengambil data dari 1,000 hari yang lalu untuk mengira VaR yang kini memegang satu 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}")

Perkiraan VaR yang berkaitan

Dalam mengira VaR portfolio yang merangkumi beberapa aset, kita mesti mempertimbangkan perkaitan antara aset. Jika perubahan harga antara aset adalah positif, risiko portfolio meningkat; jika negatif, risiko portfolio berkurangan.

Apabila menggunakan analog sejarah untuk mengira VaR yang berkaitan, kita tidak hanya mengumpulkan kadar pulangan sejarah setiap aset secara berasingan, tetapi juga mempertimbangkan peredaran gabungan kadar pulangan aset ini. Dalam operasi praktikal, anda boleh menggunakan kadar pulangan sejarah portfolio secara langsung untuk menyusun dan mengira, kerana kadar pulangan ini telah menyiratkan perkaitan antara aset. Dalam pasaran mata wang digital, perkaitan adalah sangat penting, terutamanya kerana BTC adalah dominan pasaran, dan kemungkinan mata wang digital lain naik jika BTC naik naik atau turun dengan cepat, kerana sentimen pasaran boleh berubah dengan cepat, menyebabkan perkaitan meningkat dengan ketara dalam jangka masa pendek, yang lebih biasa berlaku dalam peristiwa pasaran yang melampau. Oleh itu, analog sejarah adalah alat yang sangat berguna ketika anda mempertimbangkan perkaitan antara portfolio mata wang digital.

Sebagai contoh, jika anda memegang satu saham BTC dan 10 saham kosong ETH, anda boleh mengira VaR 10 saham kosong ETH sebanyak 1219 USDT mengikut kaedah di atas. Apabila kedua-dua portfolio ini digabungkan, VaR akan dikira seperti berikut:

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 bahawa portfolio ini berisiko lebih rendah daripada aset yang sama yang dipegang secara berasingan, kerana pasaran BTC dan ETH sangat berkaitan, dan perlindungan dari pelbagai portfolio kosong berfungsi untuk mengurangkan risiko.

Ringkasan

Artikel ini akan menerangkan satu kaedah penilaian risiko yang adaptif, iaitu penggunaan simulasi sejarah (Historical Simulation) dalam mengira VaR, dan bagaimana mempertimbangkan hubungan antara aset untuk mengoptimumkan ramalan risiko. Melalui contoh pasaran mata wang digital tertentu, menerangkan bagaimana menggunakan simulasi sejarah untuk menilai risiko portfolio, dan membincangkan cara untuk melakukan pengiraan VaR apabila hasil yang berkaitan dengan aset adalah penting. Dengan cara ini, peniaga terprogram tidak hanya dapat menganggarkan kerugian maksimum dalam kebanyakan kes, tetapi juga bersedia untuk keadaan pasaran yang melampau, yang menjadikan mereka lebih tidak terdorong dan melaksanakan strategi yang tepat dalam perdagangan.