Thông tin chi tiết về phương pháp VaR để đánh giá rủi ro nắm giữ

Kiểm soát rủi ro là một kỹ năng mà mọi nhà đầu tư cần phải học, đối mặt với thị trường tiền kỹ thuật số thay đổi nhanh chóng và phát triển liên tục, các nhà giao dịch có quy trình đặc biệt cần chú ý đến quản lý rủi ro. Điều này là do giao dịch có quy trình thường dựa trên dữ liệu lịch sử và mô hình thống kê để tự động thực hiện giao dịch, và trong thị trường biến động nhanh chóng, các mô hình này có thể nhanh chóng trở nên không chính xác. Do đó, chiến lược quản lý rủi ro hiệu quả là rất quan trọng để bảo vệ vốn của nhà đầu tư.

Trong nhiều công cụ quản lý rủi ro, giá trị rủi ro (VaR) là một phương pháp đo rủi ro được sử dụng rộng rãi, giúp các nhà đầu tư dự đoán mức lỗ lớn nhất có thể xảy ra trong danh mục đầu tư trong điều kiện thị trường bình thường. VaR có thể định lượng rủi ro thành một con số duy nhất, đơn giản hóa biểu hiện rủi ro, cho phép các nhà đầu tư có thể hiểu trực quan về tổn thất tiềm ẩn.

Vai trò của VaR

VaR, hay giá trị rủi ro giá trị, được sử dụng để định lượng mức lỗ lớn nhất có thể chịu được trong một khoảng thời gian nhất định theo một mức độ tin cậy nhất định. Nói cách khác, nó cho nhà đầu tư hoặc quản lý rủi ro biết: VaR trong điều kiện thị trường bình thường, chúng ta có bao nhiêu tiền trong phạm vi của cái lỗ an toàn và không mất vào ngày mai.

Ưu điểm

1. Dễ hiểuVí dụ: 95% VaR một ngày của một danh mục đầu tư tiền kỹ thuật số là $ 5000, có nghĩa là 95% tin tưởng rằng lỗ trong danh mục đầu tư sẽ không vượt quá $ 5000 trong một ngày. Đánh giá rủi ro phức tạp thành một con số trực quan, dễ hiểu cho người không chuyên nghiệp.

2. Tiêu chuẩn so sánhGiả sử có hai danh mục đầu tư A và B, 95% VaR một ngày của A là $ 3000 và B là $ 6000. Điều này có nghĩa là trong điều kiện thị trường bình thường, A có rủi ro thấp hơn B. Ngay cả khi hai danh mục đầu tư này bao gồm các tài sản khác nhau, chúng ta cũng có thể so sánh trực tiếp mức độ rủi ro của họ. Theo đó, cũng có thể xác định mức độ đầu tư cao hoặc thấp, nếu lợi nhuận trong tháng trước của cả hai chiến lược A và B là $ 6000 và giá trị trung bình và tối đa của VaR của A thấp hơn đáng kể so với B, chúng ta có thể cho rằng chiến lược A tốt hơn và đạt được lợi nhuận cao hơn ở mức rủi ro thấp hơn.

3. Công cụ ra quyết địnhMột nhà giao dịch có thể sử dụng VaR để quyết định liệu có nên thêm một tài sản mới vào danh mục đầu tư. Nếu tài sản mới làm tăng VaR đáng kể, điều này có thể có nghĩa là rủi ro của tài sản mới không phù hợp với mức độ chấp nhận rủi ro của danh mục đầu tư.

Nhược điểm

1. Bỏ qua những rủi ro ở phía sau: Nếu một ngày 99% VaR của một danh mục đầu tư là $10,000, thì 1% lỗ trường hợp cực đoan có thể vượt xa con số này. Trong lĩnh vực tiền kỹ thuật số, các sự kiện Black Swan rất thường xuyên, và các trường hợp cực đoan sẽ vượt quá sự mong đợi của hầu hết mọi người vì VaR không tính đến các sự kiện cuối cùng.

2. Giả sử hạn chếCác tham số VaR thường giả định rằng lợi nhuận của tài sản được phân phối đều, điều này hiếm khi được thiết lập trong thị trường thực tế, đặc biệt là thị trường tiền kỹ thuật số. Ví dụ, giả sử chỉ có Bitcoin trong một danh mục đầu tư, chúng tôi sử dụng tham số VaR và giả định lợi nhuận của Bitcoin là phân phối đều. Nhưng thực tế, lợi nhuận của Bitcoin có thể tăng lớn trong một thời gian nhất định, có hiện tượng tích tụ biến động rõ ràng, chẳng hạn như một tần số trước đó có tỷ lệ biến động lớn, và tỷ lệ biến động tiếp theo có khả năng tăng đáng kể, dẫn đến việc mô hình phân phối đều đánh giá thấp rủi ro. Mô hình sẽ xem xét vấn đề này, chẳng hạn như CHAR, không được thảo luận ngày hôm nay.

3. Sự phụ thuộc lịch sửMô hình VaR dựa trên dữ liệu lịch sử để dự đoán rủi ro trong tương lai. Tuy nhiên, hoạt động trong quá khứ không phải lúc nào cũng báo trước điều gì sẽ xảy ra trong tương lai, đặc biệt là trong các thị trường thay đổi nhanh như thị trường tiền kỹ thuật số. Ví dụ, nếu Bitcoin rất ổn định trong năm qua, mô hình lịch sử có thể dự đoán một VaR rất thấp. Tuy nhiên, nếu thay đổi quy định đột ngột xảy ra hoặc thị trường sụp đổ, dữ liệu trong quá khứ sẽ không còn là một dự báo hiệu quả về rủi ro trong tương lai.

Phương pháp tính toán VaR

Có ba phương pháp tính toán VaR: phương pháp tham số (độ chênh lệch-độ chênh lệch): giả sử rằng lợi nhuận theo một phân bố (thường là phân bố bình thường), sử dụng giá trị trung bình và sai tiêu chuẩn của lợi nhuận để tính toán VaR; mô phỏng lịch sử: không đưa ra bất kỳ giả định nào về phân bố lợi nhuận, sử dụng dữ liệu lịch sử trực tiếp để xác định phân bố tổn thất tiềm ẩn; mô phỏng Monte Carlo: sử dụng đường dẫn giá được tạo ngẫu nhiên để mô phỏng giá tài sản và tính toán VaR từ đó.

Phương pháp mô phỏng lịch sử này sử dụng trực tiếp sự thay đổi giá trong quá khứ để ước tính tổn thất có thể xảy ra trong tương lai. Nó không cần phải đưa ra bất kỳ giả định nào về sự phân bố lợi nhuận và do đó áp dụng cho các tài sản mà sự phân bố lợi nhuận là không rõ hoặc bất thường, chẳng hạn như tiền kỹ thuật số.

Nếu chúng ta muốn tính 95% VaR trong một ngày cho danh mục đầu tư này, chúng ta có thể làm như sau:

1. Thu thập tỷ lệ lợi nhuận Bitcoin hàng ngày trong khoảng thời gian qua (ví dụ: 100 ngày).
2. Tính toán lợi nhuận danh mục đầu tư hàng ngày, tức là lợi nhuận của mỗi tài sản nhân trọng lượng của nó trong danh mục đầu tư.
3. Hãy sắp xếp lợi nhuận trong danh mục đầu tư 100 ngày này từ nhỏ đến lớn.
4. Tìm điểm dữ liệu 5% (vì chúng tôi tính 95% VaR), điểm này cho thấy tỷ lệ mất mát tốt nhất trong 5 ngày tồi tệ nhất trong 100 ngày qua.
5. Lượng lợi nhuận này nhân tổng giá trị của cổ phiếu, là 95% VaR trong một ngày.

Dưới đây là một đoạn mã cụ thể lấy dữ liệu từ 1000 ngày qua để tính VaR của người hiện đang nắm giữ một BTC là 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}")

Xem xét tính toán VaR có liên quan

Khi tính VaR của một danh mục đầu tư gồm nhiều tài sản, chúng ta phải xem xét sự tương quan giữa các tài sản. Nếu sự thay đổi giá giữa các tài sản có liên quan tích cực, rủi ro trong danh mục đầu tư sẽ tăng lên; nếu có liên quan tiêu cực, rủi ro trong danh mục đầu tư sẽ giảm xuống.

Khi sử dụng phương pháp giả lập lịch sử để tính VaR của mối quan hệ, chúng ta không chỉ thu thập các tỷ lệ lợi nhuận lịch sử của mỗi tài sản riêng lẻ mà còn xem xét sự phân bố tổng hợp của các tỷ lệ lợi nhuận này. Trong thực tế, bạn có thể sắp xếp và tính toán trực tiếp với tỷ lệ lợi nhuận lịch sử của danh mục đầu tư, vì những tỷ lệ lợi nhuận này đã ngụ ý mối quan hệ giữa các tài sản. Trong thị trường tiền kỹ thuật số, mối quan hệ đặc biệt quan trọng, về cơ bản là BTC là chủ đạo thị trường, và khả năng tăng của các loại tiền kỹ thuật số khác sẽ tăng nếu BTC tăng hoặc giảm nhanh chóng, vì tâm lý thị trường có thể thay đổi nhanh chóng, dẫn đến sự gia tăng đáng kể trong thời gian ngắn, đặc biệt là trong các sự kiện thị trường cực đoan. Do đó, phương pháp giả lập lịch sử là một công cụ rất hữu ích khi xem xét các danh mục đầu tư tiền kỹ thuật số.

Ví dụ, với một số BTC và 10 ETH, bạn có thể tính VaR của 10 ETH bằng cách sử dụng phương pháp trên là 1219 USDT. Khi kết hợp hai danh mục tài sản này, phương pháp tính VaR như sau:

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}")

Kết quả là 970 USDT, có nghĩa là rủi ro của danh mục này thấp hơn so với các tài sản tương ứng được giữ riêng biệt, vì thị trường BTC và ETH có mối liên hệ cao, và tính bảo hiểm của nhiều danh mục không có đóng vai trò giảm rủi ro.

Tóm lại

Bài viết này sẽ giới thiệu một phương pháp đánh giá rủi ro linh hoạt, đó là ứng dụng mô phỏng lịch sử (Historical Simulation) trong việc tính toán VaR, và làm thế nào để xem xét các mối quan hệ giữa các tài sản để tối ưu hóa dự báo rủi ro. Thông qua các ví dụ cụ thể về thị trường tiền kỹ thuật số, giải thích cách sử dụng mô phỏng lịch sử để đánh giá rủi ro danh mục đầu tư và thảo luận về cách tính toán VaR khi khả năng sản xuất liên quan đến tài sản là đáng kể. Bằng cách này, các nhà giao dịch có trình độ không chỉ có thể ước tính thiệt hại tối đa trong hầu hết các trường hợp mà còn chuẩn bị cho các tình huống thị trường cực đoan, giúp họ có thể thực hiện chiến lược chính xác hơn trong giao dịch.