Nilai pada Risiko (VaR) untuk Pengurusan Risiko Perdagangan Algoritma

Nilai pada Risiko (VaR) untuk Pengurusan Risiko Perdagangan Algoritma

Menganggarkan risiko kerugian kepada strategi dagangan algoritma, atau portfolio strategi, adalah sangat penting untuk pertumbuhan modal jangka panjang. Banyak teknik untuk pengurusan risiko telah dibangunkan untuk digunakan dalam persekitaran institusi.

Kami akan menggunakan konsep VaR kepada satu strategi atau satu set strategi untuk membantu kami mengukur risiko dalam portfolio dagangan kami.

VaR menyediakan anggaran, dengan tahap kepastian tertentu, saiz kerugian dari portfolio dalam tempoh masa tertentu.

Dalam kes ini, portfolio boleh merujuk kepada satu strategi, sekumpulan strategi, buku pedagang, meja alat peraga, dana lindung nilai atau seluruh bank pelaburan. taraf keyakinan yang diberikan akan menjadi nilai, katakanlah, 95% atau 99%. periode masa yang diberikan akan dipilih untuk mencerminkan yang akan membawa kepada kesan pasaran yang minimum jika portfolio dibubarkan.

Sebagai contoh, VaR sama dengan 500,000 USD pada tahap kepastian 95% untuk tempoh masa sehari hanya akan menyatakan bahawa terdapat kebarangkalian 95% kehilangan tidak lebih daripada 500,000 USD pada hari berikutnya. Secara matematik ini dinyatakan sebagai:

P ((L≤−5.0 × 10 ^ 5) = 0.05 Atau, secara umum, untuk kerugian L melebihi nilai VaR dengan tahap kepastian c kita mempunyai:

P ((L≤−VaR) = 1−c Pengiraan standard VaR membuat andaian berikut:

• Keadaan Pasaran Standard - VaR tidak sepatutnya mengambil kira peristiwa melampau atau risiko ekor, sebaliknya ia sepatutnya memberikan jangkaan kerugian dalam operasi hari ke hari biasa.
• Volatiliti dan Korelasi - VaR memerlukan volatiliti aset yang dipertimbangkan, serta korelasi masing-masing.
• Normaliti Pulangan - VaR, dalam bentuk standardnya, mengandaikan pulangan aset atau portfolio diedarkan secara normal. Ini membawa kepada pengiraan analisis yang lebih mudah, tetapi agak tidak realistik untuk kebanyakan aset.

Kelebihan dan Kelemahan

VaR adalah meluas dalam industri kewangan, oleh itu anda harus biasa dengan faedah dan kelemahan teknik ini.

• VaR sangat mudah untuk dikira untuk aset individu, strategi algo, portfolio kuant, dana lindung nilai atau bahkan meja prop bank.
• Tempoh masa yang berkaitan dengan VaR boleh diubahsuai untuk pelbagai strategi dagangan yang mempunyai jangka masa yang berbeza.
• Nilai VaR yang berbeza boleh dikaitkan dengan bentuk risiko yang berbeza, katakan dipecah mengikut kelas aset atau jenis instrumen.
• Strategi individu boleh dibatasi seperti keseluruhan portfolio berdasarkan VaR individu mereka.
• VaR adalah mudah ditafsirkan oleh pelabur luar dan pengurus dana (yang berpotensi) bukan teknikal.

Walau bagaimanapun, VaR tidak tanpa kelemahan:

• VaR tidak membincangkan besar kerugian yang dijangkakan di luar nilai VaR, iaitu ia akan memberitahu kita bahawa kita mungkin melihat kerugian melebihi nilai, tetapi tidak berapa banyak ia melebihi.
• Ia tidak mengambil kira peristiwa melampau, tetapi hanya keadaan pasaran biasa.
• Oleh kerana ia menggunakan data sejarah (ia melihat ke belakang), ia tidak akan mengambil kira perubahan rejim pasaran masa depan yang boleh mengubah turun naik dan korelasi aset.

VaR tidak boleh digunakan secara berasingan. Ia harus sentiasa digunakan dengan satu set teknik pengurusan risiko, seperti kepelbagaian, peruntukan portfolio yang optimum dan penggunaan leverage yang bijak.

Kaedah Pengiraan

Setakat ini kita belum membincangkan pengiraan sebenar VaR, sama ada dalam kes umum atau contoh perdagangan konkrit. Terdapat tiga teknik yang akan menarik minat kita. Yang pertama adalah kaedah varians-covarians (menggunakan andaian normaliti), yang kedua adalah kaedah Monte Carlo (berdasarkan pengedaran yang mendasari, berpotensi tidak normal) dan yang ketiga dikenali sebagai bootstrapping sejarah, yang menggunakan maklumat pulangan sejarah untuk aset yang dipertimbangkan.

Dalam artikel ini kita akan menumpukan pada kaedah Variance-Covariance dan dalam artikel seterusnya akan mempertimbangkan kaedah Monte Carlo dan Bootstrap Sejarah.

Kaedah Varians-Covariance

Pertimbangkan portfolio dolar P, dengan tahap keyakinan c. Kami mempertimbangkan pulangan harian, dengan aset (atau strategi) penyimpangan piawai sejarah σ dan mean μ. Kemudian VaR harian, di bawah kaedah kovariansi varians untuk aset tunggal (atau strategi) dikira sebagai:

P−(P(α(1−c) +1)) Di mana α adalah kebalikan daripada fungsi pengagihan kumulatif pengagihan normal dengan purata μ dan penyimpangan standard σ.

Kita boleh menggunakan perpustakaan SciPy dan panda dari Python untuk mengira nilai-nilai ini. Jika kita menetapkan P = 106 dan c = 0.99, kita boleh menggunakan kaedah SciPy ppf untuk menjana nilai untuk fungsi pengedaran kumulatif terbalik ke pengedaran normal dengan μ dan σ yang diperoleh dari beberapa data kewangan sebenar, dalam hal ini pulangan harian sejarah CitiGroup (kita boleh dengan mudah menggantikan pulangan strategi algoritma di sini):

# var.py

import datetime
import numpy as np
import pandas.io.data as web
from scipy.stats import norm


def var_cov_var(P, c, mu, sigma):
    """
    Variance-Covariance calculation of daily Value-at-Risk
    using confidence level c, with mean of returns mu
    and standard deviation of returns sigma, on a portfolio
    of value P.
    """
    alpha = norm.ppf(1-c, mu, sigma)
    return P - P*(alpha + 1)

if __name__ == "__main__":
    start = datetime.datetime(2010, 1, 1)
    end = datetime.datetime(2014, 1, 1)

    citi = web.DataReader("C", 'yahoo', start, end)
    citi["rets"] = citi["Adj Close"].pct_change()

    P = 1e6   # 1,000,000 USD
    c = 0.99  # 99% confidence interval
    mu = np.mean(citi["rets"])
    sigma = np.std(citi["rets"])

    var = var_cov_var(P, c, mu, sigma)
    print "Value-at-Risk: $%0.2f" % var

Nilai yang dikira VaR diberikan oleh:

Nilai-pada-Risiko: $56510.29 VaR adalah teknik yang sangat berguna dan meluas dalam semua bidang pengurusan kewangan, tetapi ia tidak tanpa kelemahan.

Dalam artikel susulan kita tidak hanya akan membincangkan pengiraan alternatif untuk VaR, tetapi juga menggariskan konsep Kekurangan yang Dijangkakan (juga dikenali sebagai Nilai Syarat yang Beresiko), yang memberikan jawapan kepada berapa banyak yang mungkin hilang.