Làm thế nào để đo rủi ro vị trí - Giới thiệu về phương pháp VaR

Kiểm soát rủi ro là một kỹ năng mà mọi nhà đầu tư cần phải học. Với thị trường tiền điện tử đang thay đổi và phát triển nhanh chóng, các nhà giao dịch thuật toán cần tập trung vào quản lý rủi ro đặc biệt. Điều này là do giao dịch thuật toán thường thực hiện giao dịch tự động dựa trên dữ liệu lịch sử và mô hình thống kê, có thể nhanh chóng trở nên không chính xác trong các thị trường chuyển động nhanh. Do đó, các chiến lược quản lý rủi ro hiệu quả rất quan trọng để bảo vệ vốn của nhà đầu tư.

Trong số nhiều công cụ quản lý rủi ro, Value at Risk (VaR) là một thước đo rủi ro được sử dụng rộng rãi. Nó có thể giúp các nhà đầu tư dự đoán mức lỗ tối đa có thể xảy ra trong điều kiện thị trường bình thường trong danh mục đầu tư của họ. VaR định lượng rủi ro thành một con số duy nhất, đơn giản hóa biểu hiện rủi ro và cho phép các nhà đầu tư hiểu những tổn thất tiềm ẩn một cách trực quan.

Vai trò của VaR

VaR, hoặc Value at Risk, được sử dụng để định lượng mức thua lỗ tối đa có thể chịu đựng được trong một khoảng thời gian nhất định, theo một mức độ tin cậy nhất định. Nói cách khác, nó cho các nhà đầu tư hoặc quản lý rủi ro biết: Trong điều kiện thị trường bình thường, bao nhiêu tiền nằm trong phạm vi an toàn và sẽ không bị mất vào ngày mai.

Ưu điểm

1. Dễ hiểuVí dụ: 95% VaR 1 ngày của danh mục đầu tư tiền kỹ thuật số là 5000 đô la, có nghĩa là có sự tin tưởng 95% rằng tổn thất của danh mục đầu tư trong một ngày sẽ không vượt quá 5000 đô la.

2. Tỷ lệ tương đối chuẩnGiả sử có hai danh mục đầu tư A và B, với A s 95% VaR 1 ngày là $ 3000 và B s là $ 6000. Điều này ngụ ý rằng trong điều kiện thị trường bình thường, rủi ro của A s thấp hơn B s. Ngay cả khi hai danh mục đầu tư này chứa các tài sản khác nhau, chúng ta cũng có thể so sánh mức độ rủi ro của chúng trực tiếp. Tương ứng, chúng ta cũng có thể đánh giá mức độ đầu tư; nếu cả hai chiến lược A và B đã kiếm được $ 6000 trong tháng qua nhưng giá trị trung bình và tối đa VaR của A s thấp hơn đáng kể so với B s, thì chúng ta có thể coi chiến lược A là tốt hơn, vì nó đạt được lợi nhuận cao hơn ở mức rủi ro thấp hơn.

3. Công cụ ra quyết định: Các nhà giao dịch có thể sử dụng VaR để quyết định liệu có thêm một tài sản mới vào danh mục đầu tư của họ hay không. Nếu thêm một tài sản làm tăng giá trị VaR đáng kể, thì nó có thể cho thấy rằng rủi ro của tài sản được thêm không phù hợp với mức rủi ro chấp nhận được của danh mục đầu tư.

Nhược điểm

1. Bỏ qua rủi ro đuôiTrong lĩnh vực tiền kỹ thuật số, các sự kiện thiên nga đen thường xuyên xảy ra và các tình huống cực đoan có thể vượt quá mong đợi của hầu hết mọi người, bởi vì VaR không xem xét các sự kiện đuôi.

2. Giới hạn về giả định: Parameter VaR thường giả định rằng lợi nhuận tài sản được phân phối bình thường, điều này hiếm khi xảy ra trên thị trường thực, đặc biệt là trên thị trường tiền kỹ thuật số. Ví dụ, giả sử một danh mục đầu tư chỉ chứa Bitcoin. Chúng tôi sử dụng tham số VaR và giả định rằng lợi nhuận của Bitcoin được phân phối bình thường. Tuy nhiên, trong thực tế, tỷ lệ lợi nhuận của Bitcoin có thể trải qua những bước nhảy lớn trong một số giai đoạn nhất định và thể hiện các hiện tượng tập hợp biến động đáng kể. Nếu có biến động cao trong tuần qua, xác suất biến động đáng chú ý trong giai đoạn tiếp theo sẽ tăng đáng kể. Điều này có thể dẫn đến việc đánh giá thấp rủi ro bởi các mô hình phân phối bình thường. Một số mô hình tính đến vấn đề này như GARCH vv, nhưng chúng tôi sẽ không thảo luận về chúng ở đây.

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

Phương pháp tính toán VaR

Có chủ yếu ba phương pháp để tính toán VaR: Phương pháp tham số (Phương pháp biến đổi-hợp lệ): Điều này giả định rằng tỷ lệ lợi nhuận theo một sự phân bố nhất định (thường là sự phân bố bình thường), và chúng tôi sử dụng mức trung bình và độ lệch chuẩn của tỷ lệ lợi nhuận để tính toán VaR. Phương pháp mô phỏng lịch sử: Nó không đưa ra các giả định về sự phân bố lợi nhuận, nhưng sử dụng dữ liệu lịch sử trực tiếp để xác định sự phân phối tổn thất tiềm năng. Mô phỏng Monte Carlo: Nó sử dụng các đường dẫn giá được tạo ngẫu nhiên để mô phỏng giá tài sản và tính toán VaR từ chúng.

Phương pháp mô phỏng lịch sử sử dụng các thay đổi giá trong quá khứ trực tiếp để ước tính tổn thất trong tương lai có thể xảy ra. Nó không cần bất kỳ giả định nào về phân phối lợi nhuận, làm cho nó phù hợp với các tài sản có phân phối lợi nhuận không rõ hoặc bất thường, chẳng hạn như tiền kỹ thuật số.

Ví dụ, nếu chúng ta muốn tính toán 95% VaR 1 ngày cho một vị trí giao ngay Bitcoin, chúng ta có thể làm như sau:

1. Thu thập lợi nhuận hàng ngày của Bitcoin trong một khoảng thời gian nhất định (ví dụ, 100 ngày).
2. Tính toán tỷ lệ lợi nhuận danh mục đầu tư mỗi ngày, đó là tỷ lệ lợi nhuận của mỗi tài sản nhân trọng lượng của nó trong danh mục đầu tư.
3. Xác định 100 ngày lợi nhuận danh mục đầu tư này từ thấp đến cao.
4. Tìm điểm dữ liệu ở điểm 5% (vì chúng tôi đang tính 95% VaR). Điểm đại diện cho tỷ lệ mất mát vào ngày tốt nhất trong năm ngày tồi tệ nhất trong 100 ngày qua.
5. Hãy nhân lợi nhuận bằng tổng giá trị nắm giữ, và đó là 95% VaR một ngày của bạn.

Dưới đây là một mã cụ thể đã thu thập dữ liệu từ 1000 ngày qua, tính toán rằng VaR hiện tại để nắm giữ một điểm 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}")

Tính toán VaR xem xét mối tương quan

Khi tính toán VaR của danh mục đầu tư chứa nhiều tài sản, chúng ta phải xem xét mối tương quan giữa các tài sản này. Nếu có mối tương quan tích cực trong biến đổi giá giữa các tài sản, thì rủi ro của danh mục đầu tư sẽ tăng; nếu nó có mối tương quan tiêu cực, thì rủi ro của danh mục đầu tư sẽ giảm.

Khi sử dụng phương pháp mô phỏng lịch sử để tính toán VaR xem xét mối tương quan, chúng ta cần thu thập không chỉ lợi nhuận lịch sử của từng tài sản cá nhân, mà còn xem xét sự phân bố chung của chúng. Trong thực tế, bạn có thể sử dụng lợi nhuận lịch sử của danh mục đầu tư của mình để sắp xếp và tính toán trực tiếp, bởi vì những lợi nhuận này đã ngụ ý bao gồm mối tương quan giữa các tài sản. Trong thị trường tiền điện tử, mối tương quan đặc biệt quan trọng với BTC về cơ bản dẫn đầu xu hướng thị trường. Nếu BTC tăng mạnh, các loại tiền điện tử khác cũng có khả năng tăng lên; nếu BTC tăng nhanh hoặc giảm mạnh do thị trường thay đổi nhanh chóng, điều này có thể gây ra sự gia tăng tương quan ngắn hạn đáng kể - điều đặc biệt phổ biến trong các sự kiện thị trường cực đoan. Do đó, phương pháp mô phỏng lịch sử là một công cụ hữu ích khi xem xét danh mục đầu tư tiền kỹ thuật số VaR tính toán. Nó không chỉ yêu cầu dữ liệu thống kê phức tạp - các mô hình lịch sử hiệu quả - và tự nhiên bao gồm sự tương quan.

Ví dụ: giữ 1 vị trí dài trên BTC và 10 vị trí ngắn trên ETH theo phương pháp trước đây của chúng tôi chúng tôi có thể tính toán rằng 10 vị trí ngắn ETH có VaR là 1219 USDT. Khi kết hợp hai loại tài sản này vào một danh mục đầu tư, đây là cách bạn tính toán tổng VaR của nó:

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 sự kết hợp này thấp hơn so với việc giữ các tài sản tương ứng riêng biệt.

Tóm lại

Bài viết này sẽ giới thiệu một phương pháp đánh giá rủi ro thích nghi cao, cụ thể là việc áp dụng Mô phỏng Lịch sử trong việc tính toán VaR, cũng như cách xem xét mối tương quan tài sản để tối ưu hóa dự đoán rủi ro. Thông qua các ví dụ cụ thể từ thị trường tiền kỹ thuật số, nó giải thích cách sử dụng mô phỏng lịch sử để đánh giá rủi ro danh mục đầu tư và thảo luận về các phương pháp tính toán VaR khi mối tương quan tài sản có ý nghĩa. Với phương pháp này, các nhà giao dịch thuật toán không chỉ có thể ước tính lỗ tối đa của họ trong hầu hết các tình huống, mà còn chuẩn bị cho các điều kiện thị trường cực đoan. Điều này cho phép họ giao dịch bình tĩnh hơn và thực hiện chiến lược chính xác hơn.