La maîtrise des risques est une compétence que tout investisseur doit acquérir. Face à un marché des devises numériques en constante évolution, les traders algorithmiques doivent accorder une attention particulière à la gestion des risques. Cela est dû au fait que le trading programmatique automatise souvent les transactions en fonction de données historiques et de modèles statistiques, et sur des marchés en évolution rapide, ces modèles peuvent rapidement devenir inexacts. Une stratégie efficace de gestion des risques est donc essentielle pour protéger le capital des investisseurs.

Parmi les nombreux outils de gestion des risques, la Value at Risk (VaR) est une méthode de mesure du risque largement utilisée qui peut aider les investisseurs à prévoir la perte maximale pouvant survenir dans un portefeuille d’investissement dans des conditions de marché normales. La VaR permet de quantifier le risque en un seul chiffre, simplifiant ainsi l’énoncé du risque et permettant aux investisseurs de comprendre intuitivement les pertes potentielles.

Le rôle de la VaR

La VaR, ou « valeur à risque », est utilisée pour quantifier la perte maximale possible qui peut être subie dans une certaine période de temps et à un certain niveau de confiance. En d’autres termes, il indique aux investisseurs ou aux gestionnaires de risques : « Combien d’argent avons-nous qui se situe dans la fourchette « sûre » dans des conditions de marché normales et qui ne sera pas perdu demain. » Par exemple, si une monnaie numérique Le 1-day 99 % VaR du portefeuille est\(10 000, ce qui signifie que dans 99 % des cas, nous prévoyons que la perte en une journée ne dépassera pas\)10,000。

avantage

1. Facile à comprendrePar exemple, la VaR de 95 % pour un portefeuille de crypto-monnaies sur une journée est\(5000, ce qui signifie qu'il y a une confiance de 95 % que le portefeuille ne perdra pas plus de\)5000. Quantifiez les risques complexes en un nombre intuitif, facile à comprendre pour les non-professionnels. Bien sûr, cela est inévitablement trompeur.

2. Normes de comparaisonSupposons qu’il y ait deux portefeuilles A et B, et que la VaR à 95 % sur 1 jour de A soit\(3000, tandis que B\)6000. Cela signifie que dans des conditions de marché normales, A est moins risqué que B. Même si les deux portefeuilles contiennent des actifs différents, nous pouvons comparer directement leurs niveaux de risque. De la même manière, le niveau d’investissement peut également être évalué. Si les rendements des stratégies A et B au cours du mois dernier sont tous deux$6000, et les valeurs VaR moyennes et maximales de A sont nettement inférieures à celles de B. Nous pouvons conclure que la stratégie A est meilleure et peut générer des rendements plus élevés à un niveau de risque plus faible.

3. Outils d’aide à la décision:Un trader peut utiliser la VaR pour décider d’ajouter un nouvel actif à un portefeuille. Si l’ajout de nouveaux actifs augmente considérablement la VaR, cela peut signifier que le risque des nouveaux actifs ne correspond pas au niveau de tolérance au risque du portefeuille.

défaut

1. Ignorer les risques extrêmes：Si la VaR à 99 % sur 1 jour d’un portefeuille est$10 000, la perte dans ce cas extrême de 1 % peut largement dépasser cette valeur. Dans le domaine de la monnaie numérique, les événements de type cygne noir sont fréquents et les situations extrêmes dépasseront les attentes de la plupart des gens, car la VaR ne prend pas en compte les événements extrêmes.

2. Hypothèses：La VaR paramétrique suppose généralement que les rendements des actifs sont normalement distribués, ce qui est rarement vrai sur les marchés réels, en particulier sur le marché des crypto-monnaies. Par exemple, en supposant un portefeuille contenant uniquement du Bitcoin, nous utilisons le paramètre VaR et supposons que les rendements du Bitcoin sont normalement distribués. Mais en fait, le taux de rendement du Bitcoin peut connaître de fortes hausses à certaines périodes, et il existe un phénomène évident d’agrégation de la volatilité. Par exemple, si la volatilité a été très élevée la semaine dernière, la probabilité d’une volatilité importante la semaine prochaine la semaine augmentera beaucoup, ce qui amènera le modèle de distribution normale à sous-estimer le risque. Il existe des modèles qui prennent en compte cette problématique, comme GARCH, dont nous ne parlerons pas aujourd’hui.

3. Dépendance historique:Le modèle VaR s’appuie sur des données historiques pour prédire les risques futurs. Cependant, les performances passées ne sont pas toujours indicatives des performances futures, en particulier sur un marché en évolution rapide comme celui des crypto-monnaies. Par exemple, si Bitcoin avait été très stable au cours de l’année écoulée, la méthode de simulation historique pourrait prédire une VaR très faible. Toutefois, en cas de changement réglementaire soudain ou de krach boursier, les données passées ne seront plus un indicateur valable du risque futur.

Méthode de calcul de la VaR

Il existe trois méthodes principales pour calculer la VaR : Méthode paramétrique (méthode de variance-covariance) : En supposant que le taux de rendement suit une certaine distribution (généralement une distribution normale), la moyenne et l’écart type du taux de rendement sont utilisés pour calculer la VaR . Méthode de simulation historique : ne faites aucune hypothèse sur la distribution des rendements et utilisez directement les données historiques pour déterminer la distribution des pertes potentielles. Simulation de Monte Carlo : utilisez des chemins de prix générés aléatoirement pour simuler les prix des actifs et calculer la VaR à partir de ceux-ci.

Méthode de simulation historique Cette méthode utilise directement les variations de prix passées pour estimer les pertes futures possibles. Il ne nécessite aucune hypothèse sur la distribution des rendements et convient donc aux actifs dont la distribution des rendements est inconnue ou anormale, comme les monnaies numériques.

En prenant comme exemple une position spot de Bitcoin, si nous voulons calculer la VaR à 95 % sur 1 jour de ce portefeuille, nous pouvons le faire comme ceci :

1. Collectez les rendements quotidiens du Bitcoin sur une période donnée (par exemple 100 jours).
2. Calculez le rendement quotidien du portefeuille comme le rendement de chaque actif multiplié par son poids dans le portefeuille.
3. Triez les rendements du portefeuille pour ces 100 jours du plus petit au plus grand.
4. Trouvez le point de données de 5 % (car nous calculons une VaR à 95 %). Ce point représente le taux de perte du meilleur jour parmi les 5 pires jours des 100 derniers jours.
5. En multipliant ce taux de rendement par la valeur totale des avoirs, on obtient la VaR à 95 % pour une journée.

Ce qui suit est un code spécifique qui obtient les données des 1 000 derniers jours et calcule que la VaR de la détention d’un spot BTC est actuellement de 1 980 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}")

Calcul de la VaR en tenant compte de la corrélation

Lors du calcul de la VaR d’un portefeuille contenant plusieurs actifs, nous devons prendre en compte la corrélation entre les actifs. Si les variations de prix entre les actifs sont positivement corrélées, le risque du portefeuille augmentera ; si elles sont négativement corrélées, le risque du portefeuille diminuera.

Lors du calcul de la VaR avec des corrélations à l’aide de la méthode de simulation historique, nous devons non seulement collecter les rendements historiques de chaque actif individuel, mais également prendre en compte la distribution conjointe des rendements de ces actifs. En pratique, vous pouvez utiliser directement les rendements historiques du portefeuille pour le tri et les calculs, car ces rendements impliquent déjà la corrélation entre les actifs. Sur le marché des crypto-monnaies, la corrélation est particulièrement importante. Fondamentalement, le BTC est le leader du marché. Si le BTC devient haussier, la probabilité que d’autres crypto-monnaies augmentent augmentera. Si le BTC augmente ou baisse brusquement, le sentiment du marché peut changer rapidement, ce qui entraînera Les corrélations augmentent considérablement sur de courtes périodes, ce qui est particulièrement courant lors d’événements de marché extrêmes. Par conséquent, la méthode de simulation historique est un outil utile pour considérer la VaR d’un portefeuille de crypto-monnaie. Il ne nécessite pas de modèles statistiques complexes, uniquement des données historiques valides, et intègre naturellement les corrélations entre les actifs.

En prenant comme exemple la détention d’une position longue de 1 BTC et de 10 positions courtes d’ETH, selon la méthode précédente, on peut calculer que la VaR des 10 positions courtes d’ETH est de 1219USDT. Lorsque ces deux actifs sont combinés, la VaR est calculée comme suit :

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}")

Le résultat est de 970 USDT, ce qui signifie que le risque de cette combinaison est inférieur à celui de la détention séparée des actifs correspondants. Cela est dû au fait que les conditions de marché du BTC et de l’ETH sont fortement corrélées et que l’effet de couverture de la combinaison long-short réduit le risque .

Résumer

Cet article présentera une méthode d’évaluation des risques adaptable, à savoir l’application de la simulation historique au calcul de la VaR, et comment prendre en compte la corrélation entre les actifs pour optimiser la prédiction des risques. À travers des exemples concrets tirés du marché des crypto-monnaies, cet article explique comment utiliser la simulation historique pour évaluer le risque de portefeuille et discute des méthodes de calcul de la VaR lorsque la corrélation des actifs est significative. Grâce à cette approche, les traders programmatiques peuvent non seulement estimer la perte maximale dans la plupart des cas, mais également se préparer à des conditions de marché extrêmes, leur permettant d’être plus calmes dans le trading et d’exécuter des stratégies avec précision.