Mengawal risiko ialah kemahiran yang perlu dipelajari oleh setiap pelabur Berdepan dengan pasaran mata wang digital yang lebih pantas berubah dan berkembang, peniaga algoritma perlu memberi perhatian khusus kepada pengurusan risiko. Ini kerana dagangan terprogram selalunya mengautomasikan dagangan berdasarkan data sejarah dan model statistik, dan dalam pasaran yang bergerak pantas, model ini boleh menjadi tidak tepat dengan cepat. Oleh itu, strategi pengurusan risiko yang berkesan adalah penting untuk melindungi modal pelabur.

Di antara banyak alat pengurusan risiko, Value at Risk (VaR) ialah kaedah pengukuran risiko yang digunakan secara meluas yang boleh membantu pelabur meramalkan kerugian maksimum yang mungkin berlaku dalam portfolio pelaburan di bawah keadaan pasaran biasa. VaR boleh mengukur risiko kepada satu nombor, memudahkan penyata risiko dan membenarkan pelabur memahami potensi kerugian secara intuitif.

Peranan VaR

VaR, atau “nilai berisiko”, digunakan untuk mengira kemungkinan kerugian maksimum yang boleh dikekalkan dalam tempoh masa tertentu dan pada tahap keyakinan tertentu. Dalam erti kata lain, ia memberitahu pelabur atau pengurus risiko: “Berapa banyak wang yang kita ada yang berada dalam julat ‘selamat’ di bawah keadaan pasaran biasa dan tidak akan hilang esok Sebagai contoh, jika mata wang digital The 1-day 99 % VaR portfolio ialah\(10,000, yang bermaksud bahawa dalam 99% kes, kami menjangkakan kerugian dalam satu hari tidak lebih daripada\)10,000。

kelebihan

1. Mudah fahamSebagai contoh, 95% VaR untuk portfolio mata wang kripto untuk satu hari ialah\(5000, yang bermaksud bahawa terdapat keyakinan 95% bahawa portfolio tidak akan kehilangan lebih daripada\)5000. Kira risiko kompleks menjadi nombor intuitif yang mudah difahami oleh bukan profesional. Sudah tentu, ini tidak dapat tidak mengelirukan.

2. Piawaian Perbandingan： Andaikan terdapat dua portfolio A dan B, dan 95% VaR A 1 hari ialah\(3000, manakala B\)6000. Ini bermakna dalam keadaan pasaran biasa, A kurang berisiko daripada B. Walaupun kedua-dua portfolio mengandungi aset yang berbeza, kami boleh membandingkan secara langsung tahap risiko mereka. Sejajar dengan itu, tahap pelaburan juga boleh dinilai Jika pulangan strategi A dan B pada bulan lalu adalah kedua-duanya$6000, dan purata dan nilai VaR maksimum A adalah jauh lebih rendah daripada B. Kita boleh membuat kesimpulan bahawa strategi A adalah lebih baik dan boleh mencapai pulangan yang lebih tinggi pada tahap risiko yang lebih rendah.

3. Alat membuat keputusan: Pedagang mungkin menggunakan VaR untuk memutuskan sama ada untuk menambah aset baharu pada portfolio. Jika penambahan aset baharu meningkatkan VaR dengan ketara, ini mungkin bermakna risiko aset baharu tidak sepadan dengan tahap toleransi risiko portfolio.

kekurangan

1. Mengabaikan risiko ekor： Jika VaR 99% 1 hari portfolio adalah$10,000, kerugian dalam kes ekstrem 1% itu mungkin jauh melebihi nilai ini. Dalam bidang mata wang digital, acara angsa hitam kerap berlaku dan situasi yang melampau akan melebihi jangkaan kebanyakan orang kerana VaR tidak mengambil kira peristiwa ekor.

2. Andaian： Parametric VaR biasanya menganggap bahawa pulangan aset diagihkan secara normal, yang jarang berlaku dalam pasaran sebenar, terutamanya dalam pasaran mata wang kripto. Sebagai contoh, dengan mengandaikan portfolio dengan hanya Bitcoin, kami menggunakan parameter VaR dan menganggap bahawa pulangan Bitcoin diagihkan secara normal. Tetapi sebenarnya, kadar pulangan Bitcoin mungkin mengalami lompatan yang besar dalam tempoh tertentu, dan terdapat fenomena pengagregatan turun naik yang jelas Sebagai contoh, jika turun naik adalah sangat tinggi pada minggu lalu, kebarangkalian turun naik yang ketara pada seterusnya minggu akan meningkat dengan banyak, yang akan Ini menyebabkan model pengedaran normal memandang rendah risiko. Terdapat model yang mengambil kira isu ini, seperti GARCH, yang tidak akan kita bincangkan hari ini.

3. Ketergantungan Sejarah: Model VaR bergantung pada data sejarah untuk meramalkan risiko masa hadapan. Walau bagaimanapun, prestasi masa lalu tidak selalu menunjukkan prestasi masa depan, terutamanya dalam pasaran yang pesat berubah seperti pasaran mata wang kripto. Sebagai contoh, jika Bitcoin sangat stabil sepanjang tahun lalu, kaedah simulasi sejarah mungkin meramalkan VaR yang sangat rendah. Walau bagaimanapun, jika terdapat perubahan kawal selia secara tiba-tiba atau ranap pasaran, data lepas tidak lagi menjadi peramal yang sah bagi risiko masa hadapan.

Kaedah Pengiraan VaR

Terdapat tiga kaedah utama untuk mengira VaR: Kaedah parametrik (kaedah varians-kovarian): Dengan mengandaikan bahawa kadar pulangan mengikuti taburan tertentu (biasanya taburan normal), min dan sisihan piawai kadar pulangan digunakan untuk mengira VaR . Kaedah simulasi sejarah: Jangan membuat sebarang andaian tentang pengagihan pulangan dan secara langsung menggunakan data sejarah untuk menentukan potensi pengagihan kerugian. Simulasi Monte Carlo: Gunakan laluan harga yang dijana secara rawak untuk mensimulasikan harga aset dan mengira VaR daripadanya.

Kaedah simulasi sejarah Kaedah ini secara langsung menggunakan perubahan harga masa lalu untuk menganggar kemungkinan kerugian masa hadapan. Ia tidak memerlukan sebarang andaian tentang pengagihan pulangan dan oleh itu sesuai untuk aset dengan pengagihan pulangan yang tidak diketahui atau tidak normal, seperti mata wang digital.

Mengambil kedudukan spot Bitcoin sebagai contoh, jika kita ingin mengira 1 hari 95% VaR portfolio ini, kita boleh melakukannya seperti ini:

1. Kumpul pulangan harian Bitcoin sepanjang tempoh masa (cth. 100 hari).
2. Kira pulangan portfolio harian sebagai pulangan setiap aset didarab dengan beratnya dalam portfolio.
3. Isih pulangan portfolio untuk 100 hari ini daripada terkecil kepada terbesar.
4. Cari titik data 5% (kerana kami mengira 95% VaR Titik ini mewakili kadar kehilangan hari terbaik antara 5 hari terburuk dalam 100 hari lalu.
5. Mendarabkan kadar pulangan ini dengan jumlah nilai pegangan ialah 95% VaR untuk satu hari.

Berikut ialah kod khusus yang memperoleh data dari 1000 hari yang lalu dan mengira bahawa VaR untuk memegang satu tempat BTC pada masa ini ialah 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}")

Pengiraan VaR mempertimbangkan korelasi

Apabila mengira VaR portfolio yang mengandungi berbilang aset, kita mesti mengambil kira korelasi antara aset. Jika perubahan harga antara aset berkorelasi positif, risiko portfolio akan meningkat jika ia berkorelasi negatif, risiko portfolio akan berkurangan;

Apabila mengira VaR dengan korelasi menggunakan kaedah simulasi sejarah, kita bukan sahaja perlu mengumpul pulangan sejarah setiap aset individu, tetapi juga mempertimbangkan pengagihan bersama pulangan aset ini. Dalam amalan, anda boleh terus menggunakan pulangan sejarah portfolio untuk pengisihan dan pengiraan, kerana pulangan ini sudah membayangkan korelasi antara aset. Dalam pasaran mata wang kripto, korelasi adalah penting terutamanya, BTC adalah peneraju pasaran Jika BTC naik, kebarangkalian mata wang kripto lain meningkat jika BTC naik atau turun secara mendadak, sentimen pasaran boleh berubah dengan cepat Korelasi meningkat dengan ketara dalam tempoh masa yang singkat, yang biasanya berlaku semasa peristiwa pasaran yang melampau. Oleh itu, kaedah simulasi sejarah adalah alat yang berguna apabila mempertimbangkan VaR portfolio mata wang kripto. Ia tidak memerlukan model statistik yang kompleks, hanya data sejarah yang sah, dan ia secara semula jadi menggabungkan korelasi antara aset.

Mengambil memegang 1 BTC kedudukan panjang dan 10 ETH kedudukan pendek sebagai contoh, mengikut kaedah sebelumnya, ia boleh dikira bahawa VaR bagi 10 ETH kedudukan pendek ialah 1219USDT. Apabila kedua-dua aset ini digabungkan, VaR dikira seperti 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 ialah 970 USDT, yang bermaksud bahawa risiko gabungan ini adalah lebih rendah daripada memegang aset yang sepadan secara berasingan Ini kerana keadaan pasaran BTC dan ETH sangat berkorelasi, dan kesan lindung nilai kombinasi panjang-pendek mengurangkan risiko. .

ringkaskan

Artikel ini akan memperkenalkan kaedah penilaian risiko yang boleh disesuaikan, iaitu aplikasi Simulasi Sejarah dalam mengira VaR, dan cara mempertimbangkan korelasi antara aset untuk mengoptimumkan ramalan risiko. Melalui contoh khusus daripada pasaran mata wang kripto, kertas kerja ini menerangkan cara menggunakan simulasi sejarah untuk menilai risiko portfolio dan membincangkan kaedah untuk pengiraan VaR apabila korelasi aset adalah penting. Melalui pendekatan ini, pedagang program bukan sahaja boleh menganggarkan kerugian maksimum dalam kebanyakan kes, tetapi juga bersedia untuk keadaan pasaran yang melampau, membolehkan mereka lebih tenang dalam perdagangan dan melaksanakan strategi dengan tepat.