Mengendalikan risiko adalah keterampilan yang perlu dipelajari setiap investor. Menghadapi pasar mata uang digital yang berubah dan berkembang lebih cepat, pedagang algoritmik perlu memberi perhatian khusus pada manajemen risiko. Hal ini karena perdagangan terprogram sering kali mengotomatiskan perdagangan berdasarkan data historis dan model statistik, dan di pasar yang bergerak cepat, model ini dapat dengan cepat menjadi tidak akurat. Oleh karena itu, strategi manajemen risiko yang efektif sangat penting untuk melindungi modal investor.

Di antara banyak alat manajemen risiko, Value at Risk (VaR) adalah metode pengukuran risiko yang digunakan secara luas yang dapat membantu investor memprediksi kerugian maksimum yang mungkin terjadi dalam portofolio investasi dalam kondisi pasar normal. VaR dapat mengukur risiko menjadi satu angka, menyederhanakan pernyataan risiko dan memungkinkan investor memahami potensi kerugian secara intuitif.

Peran VaR

VaR, atau “nilai risiko”, digunakan untuk mengukur kemungkinan kerugian maksimum yang dapat ditanggung dalam jangka waktu tertentu dan pada tingkat keyakinan tertentu. Dengan kata lain, hal ini memberi tahu investor atau manajer risiko: “Berapa banyak uang yang kita miliki yang berada dalam kisaran ‘aman’ dalam kondisi pasar normal dan tidak akan hilang besok.” Misalnya, jika mata uang digital 1-hari 99 % VaR dari portofolio adalah\(10.000, yang berarti dalam 99% kasus, kami memperkirakan kerugian dalam satu hari tidak lebih dari\)10,000。

keuntungan

1. Mudah untuk dipahamiMisalnya, VaR 95% untuk portofolio mata uang kripto selama satu hari adalah\(5000, yang berarti terdapat keyakinan 95% bahwa portofolio tidak akan mengalami kerugian lebih dari\)5000. Mengukur risiko yang kompleks menjadi angka intuitif yang mudah dipahami oleh non-profesional. Tentu saja, ini pasti menyesatkan.

2. Standar Perbandingan： Asumsikan ada dua portofolio A dan B, dan VaR 95% 1 hari dari A adalah\(3000, sedangkan B\)6000. Artinya, dalam kondisi pasar normal, A kurang berisiko daripada B. Meskipun kedua portofolio berisi aset yang berbeda, kita dapat langsung membandingkan tingkat risikonya. Dengan demikian, tingkat investasi juga dapat dinilai. Jika pengembalian strategi A dan B dalam bulan lalu sama-sama$6000, dan nilai VaR rata-rata dan maksimum A secara signifikan lebih rendah daripada B. Kita dapat menyimpulkan bahwa strategi A lebih baik dan dapat mencapai pengembalian yang lebih tinggi pada tingkat risiko yang lebih rendah.

3. Alat pengambilan keputusan: Seorang pedagang mungkin menggunakan VaR untuk memutuskan apakah akan menambahkan aset baru ke portofolio. Jika penambahan aset baru secara signifikan meningkatkan VaR, ini mungkin berarti bahwa risiko aset baru tidak sesuai dengan tingkat toleransi risiko portofolio.

kekurangan

1. Mengabaikan risiko ekor： Jika VaR 1 hari 99% dari portofolio adalah$10.000, kerugian dalam kasus ekstrim 1% itu mungkin jauh melebihi nilai ini. Di bidang mata uang digital, peristiwa angsa hitam sering terjadi, dan situasi ekstrem akan melampaui ekspektasi kebanyakan orang karena VaR tidak memperhitungkan peristiwa ekor.

2. Asumsi： VaR parametrik biasanya mengasumsikan bahwa pengembalian aset terdistribusi secara normal, yang jarang terjadi di pasar nyata, terutama di pasar mata uang kripto. Misalnya, dengan asumsi portofolio hanya berisi Bitcoin, kami menggunakan parameter VaR dan berasumsi bahwa pengembalian Bitcoin terdistribusi normal. Namun pada kenyataannya, tingkat pengembalian Bitcoin dapat mengalami lonjakan besar dalam periode tertentu, dan ada fenomena agregasi volatilitas yang jelas. Misalnya, jika volatilitas sangat tinggi dalam seminggu terakhir, kemungkinan volatilitas signifikan dalam minggu berikutnya minggu akan meningkat banyak, yang akan Ini menyebabkan model distribusi normal meremehkan risiko. Ada model yang mempertimbangkan masalah ini, seperti GARCH, yang tidak akan kita bahas hari ini.

3. Ketergantungan HistorisModel VaR mengandalkan data historis untuk memprediksi risiko masa depan. Namun, kinerja masa lalu tidak selalu menunjukkan kinerja masa depan, terutama di pasar yang berubah cepat seperti pasar mata uang kripto. Misalnya, jika Bitcoin sangat stabil selama setahun terakhir, metode simulasi historis mungkin memprediksi VaR yang sangat rendah. Namun, jika terjadi perubahan regulasi atau kejatuhan pasar secara tiba-tiba, data masa lalu tidak akan lagi menjadi prediktor risiko masa depan yang valid.

Metode Perhitungan VaR

Terdapat tiga metode utama untuk menghitung VaR: Metode parametrik (metode varians-kovarians): Dengan asumsi bahwa tingkat pengembalian mengikuti distribusi tertentu (biasanya distribusi normal), rata-rata dan deviasi standar dari tingkat pengembalian digunakan untuk menghitung VaR. . Metode simulasi historis: Jangan membuat asumsi apa pun tentang distribusi pengembalian dan langsung menggunakan data historis untuk menentukan distribusi potensi kerugian. Simulasi Monte Carlo: Gunakan jalur harga yang dihasilkan secara acak untuk mensimulasikan harga aset dan menghitung VaR dari harga tersebut.

Metode simulasi historis Metode ini secara langsung menggunakan perubahan harga masa lalu untuk memperkirakan kemungkinan kerugian di masa mendatang. Ia tidak memerlukan asumsi apa pun tentang distribusi pengembalian dan karena itu cocok untuk aset dengan distribusi pengembalian yang tidak diketahui atau abnormal, seperti mata uang digital.

Mengambil posisi spot Bitcoin sebagai contoh, jika kita ingin menghitung VaR 95% 1 hari dari portofolio ini, kita dapat melakukannya seperti ini:

1. Kumpulkan hasil harian Bitcoin selama periode waktu tertentu (misalnya 100 hari).
2. Hitunglah laba portofolio harian sebagai laba setiap aset dikalikan dengan bobotnya dalam portofolio.
3. Urutkan pengembalian portofolio selama 100 hari ini dari terkecil ke terbesar.
4. Temukan titik data 5% (karena kita menghitung VaR 95%). Titik ini menunjukkan tingkat kerugian hari terbaik di antara 5 hari terburuk dalam 100 hari terakhir.
5. Mengalikan tingkat pengembalian ini dengan nilai total kepemilikan adalah VaR 95% untuk satu hari.

Berikut ini adalah kode spesifik yang memperoleh data dari 1000 hari terakhir dan menghitung bahwa VaR dari kepemilikan satu spot BTC saat ini adalah 1980USDT.

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}")

Perhitungan VaR dengan mempertimbangkan korelasi

Saat menghitung VaR portofolio yang berisi beberapa aset, kita harus memperhitungkan korelasi antara aset-aset tersebut. Jika perubahan harga antar aset berkorelasi positif, risiko portofolio akan meningkat; jika berkorelasi negatif, risiko portofolio akan menurun.

Saat menghitung VaR dengan korelasi menggunakan metode simulasi historis, kita tidak hanya perlu mengumpulkan pengembalian historis setiap aset individual, tetapi juga mempertimbangkan distribusi gabungan pengembalian aset-aset ini. Dalam praktiknya, Anda dapat langsung menggunakan pengembalian historis portofolio untuk penyortiran dan perhitungan, karena pengembalian ini sudah menyiratkan korelasi antara aset. Di pasar mata uang kripto, korelasi sangatlah penting. Pada dasarnya, BTC adalah pemimpin pasar. Jika BTC menguat, kemungkinan mata uang kripto lainnya naik akan meningkat. Jika BTC naik atau turun tajam, sentimen pasar dapat berubah dengan cepat, yang akan menyebabkan Korelasi meningkat secara signifikan dalam periode waktu yang pendek, yang khususnya umum terjadi selama peristiwa pasar ekstrem. Oleh karena itu, metode simulasi historis merupakan alat yang berguna ketika mempertimbangkan VaR portofolio mata uang kripto. Tidak memerlukan model statistik yang rumit, hanya data historis yang valid, dan secara alami menggabungkan korelasi antar aset.

Mengambil contoh memegang 1 posisi long BTC dan 10 posisi short ETH, menurut metode sebelumnya, dapat dihitung bahwa VaR dari 10 posisi short ETH adalah 1219USDT. Ketika kedua aset ini digabungkan, VaR dihitung sebagai 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 berarti risiko kombinasi ini lebih rendah daripada memegang aset terkait secara terpisah. Ini karena kondisi pasar BTC dan ETH sangat berkorelasi, dan efek lindung nilai dari kombinasi long-short mengurangi risiko. .

Meringkaskan

Artikel ini akan memperkenalkan metode penilaian risiko yang dapat beradaptasi, yaitu penerapan Simulasi Historis dalam menghitung VaR, dan bagaimana mempertimbangkan korelasi antar aset untuk mengoptimalkan prediksi risiko. Melalui contoh spesifik dari pasar mata uang kripto, makalah ini menjelaskan cara menggunakan simulasi historis untuk menilai risiko portofolio dan membahas metode untuk menghitung VaR ketika korelasi aset signifikan. Melalui pendekatan ini, pedagang terprogram tidak hanya dapat memperkirakan kerugian maksimum dalam banyak kasus, tetapi juga bersiap menghadapi kondisi pasar yang ekstrem, sehingga memungkinkan mereka lebih tenang dalam berdagang dan mengeksekusi strategi secara akurat.