जोखिमों को नियंत्रित करना एक ऐसा कौशल है जिसे हर निवेशक को सीखना चाहिए। तेजी से बदलते और विकसित होते डिजिटल मुद्रा बाजार का सामना करते हुए, एल्गोरिदमिक व्यापारियों को जोखिम प्रबंधन पर विशेष ध्यान देने की आवश्यकता है। ऐसा इसलिए है क्योंकि प्रोग्रामेटिक ट्रेडिंग अक्सर ऐतिहासिक डेटा और सांख्यिकीय मॉडल के आधार पर ट्रेडों को स्वचालित करती है, और तेजी से बदलते बाजारों में, ये मॉडल जल्दी ही गलत हो सकते हैं। इसलिए, निवेशकों की पूंजी की सुरक्षा के लिए एक प्रभावी जोखिम प्रबंधन रणनीति आवश्यक है।

अनेक जोखिम प्रबंधन उपकरणों में से, वैल्यू एट रिस्क (VaR) एक व्यापक रूप से प्रयुक्त जोखिम माप पद्धति है, जो निवेशकों को सामान्य बाजार स्थितियों के तहत निवेश पोर्टफोलियो में होने वाली अधिकतम हानि का पूर्वानुमान लगाने में सहायता कर सकती है। VaR जोखिम को एकल संख्या में निर्धारित कर सकता है, जिससे जोखिम विवरण सरल हो जाता है और निवेशकों को संभावित नुकसान को सहज रूप से समझने में मदद मिलती है।

VaR की भूमिका

VaR, या “जोखिम पर मूल्य”, का उपयोग अधिकतम संभावित हानि को मापने के लिए किया जाता है जिसे एक निश्चित समय अवधि के भीतर और एक निश्चित विश्वास स्तर पर सहन किया जा सकता है। दूसरे शब्दों में, यह निवेशकों या जोखिम प्रबंधकों को बताता है: “हमारे पास कितना पैसा है जो सामान्य बाजार स्थितियों के तहत ‘सुरक्षित’ सीमा के भीतर है और कल नहीं खो जाएगा।” उदाहरण के लिए, यदि कोई डिजिटल मुद्रा 1-दिन 99 पोर्टफोलियो का % VaR है\(10,000, जिसका अर्थ है कि 99% मामलों में, हम एक दिन में इससे अधिक नुकसान की उम्मीद नहीं करते हैं\)10,000。

फ़ायदा

1. समझने में आसानउदाहरण के लिए, एक दिन के लिए क्रिप्टोकरेंसी पोर्टफोलियो के लिए 95% VaR है\(5000, जिसका अर्थ है कि 95% विश्वास है कि पोर्टफोलियो में इससे अधिक की हानि नहीं होगी\)5000. जटिल जोखिमों को सहज ज्ञान युक्त संख्या में मापें जो गैर-पेशेवरों के लिए समझना आसान हो। बेशक, यह अनिवार्य रूप से भ्रामक है।

2. तुलना मानकमान लें कि दो पोर्टफोलियो A और B हैं, और A का 1-दिन 95% VaR है\(3000, जबकि बी\)6000. इसका मतलब यह है कि सामान्य बाजार स्थितियों में, A, B की तुलना में कम जोखिमपूर्ण है। भले ही दोनों पोर्टफोलियो में अलग-अलग परिसंपत्तियां हों, फिर भी हम सीधे उनके जोखिम स्तरों की तुलना कर सकते हैं। इसी प्रकार, निवेश के स्तर का भी अंदाजा लगाया जा सकता है। यदि पिछले महीने में रणनीति ए और बी दोनों का रिटर्न एक जैसा है$6000, और A के औसत और अधिकतम VaR मान B की तुलना में काफी कम हैं। हम निष्कर्ष निकाल सकते हैं कि रणनीति A बेहतर है और कम जोखिम स्तर पर उच्च रिटर्न प्राप्त कर सकती है।

3. निर्णय लेने के उपकरणएक व्यापारी पोर्टफोलियो में नई परिसंपत्ति जोड़ने का निर्णय लेने के लिए VaR का उपयोग कर सकता है। यदि नई परिसंपत्तियों के जुड़ने से VaR में उल्लेखनीय वृद्धि होती है, तो इसका अर्थ यह हो सकता है कि नई परिसंपत्तियों का जोखिम पोर्टफोलियो के जोखिम सहनशीलता स्तर से मेल नहीं खाता है।

कमी

1. पूँछ जोखिमों की अनदेखी： यदि किसी पोर्टफोलियो का 1-दिन का 99% VaR है$10,000, उस 1% चरम मामले में नुकसान इस मूल्य से कहीं अधिक हो सकता है। डिजिटल मुद्रा के क्षेत्र में, ब्लैक स्वान घटनाएं अक्सर होती रहती हैं, तथा चरम स्थितियां अधिकांश लोगों की अपेक्षाओं से अधिक होती हैं, क्योंकि VaR टेल घटनाओं को ध्यान में नहीं रखता है।

2. मान्यताओंपैरामीट्रिक वीएआर आमतौर पर मानता है कि परिसंपत्ति रिटर्न सामान्य रूप से वितरित किए जाते हैं, जो वास्तविक बाजारों में शायद ही कभी सच होता है, खासकर क्रिप्टोक्यूरेंसी बाजार में। उदाहरण के लिए, केवल बिटकॉइन वाले पोर्टफोलियो को मानते हुए, हम VaR पैरामीटर का उपयोग करते हैं और मानते हैं कि बिटकॉइन का रिटर्न सामान्य रूप से वितरित होता है। लेकिन वास्तव में, बिटकॉइन की वापसी की दर कुछ निश्चित अवधि में बड़ी छलांग का अनुभव कर सकती है, और अस्थिरता एकत्रीकरण की एक स्पष्ट घटना है। उदाहरण के लिए, यदि पिछले सप्ताह अस्थिरता बहुत अधिक थी, तो अगले सप्ताह में महत्वपूर्ण अस्थिरता की संभावना है। सप्ताह में बहुत अधिक वृद्धि होगी, जिसके कारण सामान्य वितरण मॉडल जोखिम को कम आंकेगा। ऐसे मॉडल हैं जो इस मुद्दे को ध्यान में रखते हैं, जैसे GARCH, जिस पर हम आज चर्चा नहीं करेंगे।

3. ऐतिहासिक निर्भरताVaR मॉडल भविष्य के जोखिमों का अनुमान लगाने के लिए ऐतिहासिक आंकड़ों पर निर्भर करता है। हालाँकि, पिछला प्रदर्शन हमेशा भविष्य के प्रदर्शन का संकेत नहीं देता है, विशेष रूप से क्रिप्टोकरेंसी बाजार जैसे तेजी से बदलते बाजार में। उदाहरण के लिए, यदि बिटकॉइन पिछले वर्ष बहुत स्थिर रहा हो, तो ऐतिहासिक सिमुलेशन विधि बहुत कम VaR की भविष्यवाणी कर सकती है। हालाँकि, यदि अचानक कोई विनियामक परिवर्तन होता है या बाजार में गिरावट आती है, तो पिछला डेटा भविष्य के जोखिम का वैध पूर्वानुमान नहीं होगा।

VaR की गणना विधि

VaR की गणना के लिए तीन मुख्य विधियाँ हैं: पैरामीट्रिक विधि (प्रसरण-सहप्रसरण विधि): यह मानते हुए कि प्रतिफल की दर एक निश्चित वितरण (आमतौर पर एक सामान्य वितरण) का अनुसरण करती है, प्रतिफल की दर के माध्य और मानक विचलन का उपयोग VaR की गणना करने के लिए किया जाता है . ऐतिहासिक सिमुलेशन विधि: रिटर्न के वितरण के बारे में कोई धारणा न बनाएं और संभावित हानि वितरण का निर्धारण करने के लिए सीधे ऐतिहासिक डेटा का उपयोग करें। मोंटे कार्लो सिमुलेशन: परिसंपत्ति मूल्यों का अनुकरण करने के लिए यादृच्छिक रूप से उत्पन्न मूल्य पथों का उपयोग करें और उनसे VaR की गणना करें।

ऐतिहासिक सिमुलेशन विधि यह विधि संभावित भावी हानियों का अनुमान लगाने के लिए प्रत्यक्षतः पिछले मूल्य परिवर्तनों का उपयोग करती है। इसमें रिटर्न वितरण के बारे में किसी भी धारणा की आवश्यकता नहीं होती है और इसलिए यह डिजिटल मुद्राओं जैसे अज्ञात या असामान्य रिटर्न वितरण वाली परिसंपत्तियों के लिए उपयुक्त है।

बिटकॉइन की स्पॉट स्थिति को उदाहरण के रूप में लेते हुए, यदि हम इस पोर्टफोलियो के 1-दिवसीय 95% VaR की गणना करना चाहते हैं, तो हम इसे इस तरह कर सकते हैं:

1. एक निश्चित समयावधि (जैसे 100 दिन) में बिटकॉइन का दैनिक रिटर्न एकत्रित करें।
2. दैनिक पोर्टफोलियो रिटर्न की गणना प्रत्येक परिसंपत्ति के रिटर्न को पोर्टफोलियो में उसके भार से गुणा करके करें।
3. इन 100 दिनों के लिए पोर्टफोलियो रिटर्न को सबसे छोटे से लेकर सबसे बड़े तक क्रमबद्ध करें।
4. 5% डेटा बिंदु खोजें (क्योंकि हम 95% VaR की गणना कर रहे हैं)। यह बिंदु पिछले 100 दिनों में सबसे खराब 5 दिनों में से सबसे अच्छे दिन की हानि दर को दर्शाता है।
5. इस रिटर्न दर को होल्डिंग्स के कुल मूल्य से गुणा करने पर एक दिन के लिए 95% VaR प्राप्त होता है।

निम्नलिखित एक विशिष्ट कोड है जो पिछले 1000 दिनों से डेटा प्राप्त करता है और गणना करता है कि एक BTC स्पॉट रखने का VaR वर्तमान में 1980USDT है।

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}")

सहसंबंध पर विचार करते हुए VaR गणना

एकाधिक परिसंपत्तियों वाले पोर्टफोलियो के VaR की गणना करते समय, हमें परिसंपत्तियों के बीच सहसंबंध को ध्यान में रखना चाहिए। यदि परिसंपत्तियों के बीच मूल्य परिवर्तन सकारात्मक रूप से सहसम्बन्धित हैं, तो पोर्टफोलियो का जोखिम बढ़ जाएगा; यदि वे नकारात्मक रूप से सहसम्बन्धित हैं, तो पोर्टफोलियो का जोखिम कम हो जाएगा।

ऐतिहासिक सिमुलेशन विधि का उपयोग करके सहसंबंधों के साथ VaR की गणना करते समय, हमें न केवल प्रत्येक व्यक्तिगत परिसंपत्ति के ऐतिहासिक रिटर्न को एकत्र करने की आवश्यकता होती है, बल्कि इन परिसंपत्तियों के रिटर्न के संयुक्त वितरण पर भी विचार करना होता है। व्यवहार में, आप सॉर्टिंग और गणना के लिए पोर्टफोलियो के ऐतिहासिक रिटर्न का सीधे उपयोग कर सकते हैं, क्योंकि ये रिटर्न पहले से ही परिसंपत्तियों के बीच सहसंबंध को दर्शाते हैं। क्रिप्टोकरेंसी बाजार में, सहसंबंध विशेष रूप से महत्वपूर्ण है। मूल रूप से, BTC बाजार का नेता है। यदि BTC तेजी से बढ़ता है, तो अन्य क्रिप्टोकरेंसी के बढ़ने की संभावना बढ़ जाएगी। यदि BTC तेजी से बढ़ता या गिरता है, तो बाजार की भावना तेजी से बदल सकती है, जिससे सहसंबंध अल्प अवधि में काफी बढ़ जाते हैं, जो कि चरम बाजार घटनाओं के दौरान विशेष रूप से आम बात है। इसलिए, क्रिप्टोकरेंसी पोर्टफोलियो के VaR पर विचार करते समय ऐतिहासिक सिमुलेशन विधि एक उपयोगी उपकरण है। इसके लिए जटिल सांख्यिकीय मॉडल की आवश्यकता नहीं होती, केवल मान्य ऐतिहासिक डेटा की आवश्यकता होती है, तथा यह स्वाभाविक रूप से परिसंपत्तियों के बीच सहसंबंधों को भी शामिल करता है।

उदाहरण के रूप में 1 बीटीसी लंबी स्थिति और 10 ईटीएच छोटी स्थिति को लेते हुए, पिछली विधि के अनुसार, यह गणना की जा सकती है कि 10 ईटीएच छोटी स्थिति का वीएआर 1219 यूएसडीटी है। जब इन दोनों परिसंपत्तियों को संयुक्त किया जाता है, तो VaR की गणना निम्न प्रकार से की जाती है:

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}")

परिणाम 970 USDT है, जिसका अर्थ है कि इस संयोजन का जोखिम संबंधित परिसंपत्तियों को अलग-अलग रखने की तुलना में कम है। ऐसा इसलिए है क्योंकि BTC और ETH की बाजार स्थितियां अत्यधिक सहसंबद्ध हैं, और लॉन्ग-शॉर्ट संयोजन का हेजिंग प्रभाव जोखिम को कम करता है .

संक्षेप

यह आलेख एक अनुकूलनीय जोखिम मूल्यांकन विधि, अर्थात् VaR की गणना में ऐतिहासिक सिमुलेशन का अनुप्रयोग, तथा जोखिम पूर्वानुमान को अनुकूलित करने के लिए परिसंपत्तियों के बीच सहसंबंध पर विचार करने का तरीका प्रस्तुत करेगा। क्रिप्टोकरेंसी बाजार के विशिष्ट उदाहरणों के माध्यम से, यह पेपर बताता है कि पोर्टफोलियो जोखिम का आकलन करने के लिए ऐतिहासिक सिमुलेशन का उपयोग कैसे किया जाए और परिसंपत्ति सहसंबंध महत्वपूर्ण होने पर VaR की गणना के तरीकों पर चर्चा करता है। इस दृष्टिकोण के माध्यम से, प्रोग्रामेटिक व्यापारी न केवल अधिकांश मामलों में अधिकतम नुकसान का अनुमान लगा सकते हैं, बल्कि चरम बाजार स्थितियों के लिए भी तैयार रह सकते हैं, जिससे वे व्यापार में अधिक शांत रह सकते हैं और रणनीतियों को सटीक रूप से क्रियान्वित कर सकते हैं।