Controlar riscos é uma habilidade que todo investidor precisa aprender. Diante do mercado de moeda digital em rápida mudança e evolução, os traders algorítmicos precisam prestar atenção especial à gestão de risco. Isso ocorre porque a negociação programática geralmente automatiza negociações com base em dados históricos e modelos estatísticos e, em mercados em rápida evolução, esses modelos podem rapidamente se tornar imprecisos. Portanto, uma estratégia eficaz de gestão de riscos é essencial para proteger o capital dos investidores.

Entre muitas ferramentas de gerenciamento de risco, o Valor em Risco (VaR) é um método de medição de risco amplamente utilizado que pode ajudar os investidores a prever a perda máxima que pode ocorrer em um portfólio de investimentos em condições normais de mercado. O VaR pode quantificar o risco em um único número, simplificando a declaração de risco e permitindo que os investidores entendam intuitivamente as perdas potenciais.

O papel do VaR

VaR, ou “valor em risco”, é usado para quantificar a perda máxima possível que pode ser sustentada dentro de um determinado período de tempo e em um determinado nível de confiança. Em outras palavras, ele diz aos investidores ou gestores de risco: “Quanto dinheiro temos que está dentro da faixa ‘segura’ em condições normais de mercado e não será perdido amanhã.” Por exemplo, se uma moeda digital O 1-day 99 % VaR do portfólio é\(10.000, o que significa que em 99% dos casos, esperamos que a perda em um dia não seja maior do que\)10,000。

vantagem

1. Fácil de entenderPor exemplo, o VaR de 95% para uma carteira de criptomoedas para um dia é\(5000, o que significa que há 95% de confiança de que a carteira não perderá mais do que\)5000. Quantifique riscos complexos em um número intuitivo que seja fácil de entender para não profissionais. É claro que isso é inevitavelmente enganoso.

2. Padrões de comparação： Suponha que existam dois portfólios A e B, e o VaR de 95% de 1 dia de A é\(3000, enquanto B's\)6000. Isso significa que, em condições normais de mercado, A é menos arriscado que B. Embora os dois portfólios contenham ativos diferentes, podemos comparar diretamente seus níveis de risco. Correspondentemente, o nível de investimento também pode ser julgado. Se os retornos das estratégias A e B no mês passado forem ambos$6000, e os valores médio e máximo de VaR de A são significativamente menores que os de B. Podemos concluir que a estratégia A é melhor e pode atingir retornos maiores com um nível de risco menor.

3. Ferramentas de tomada de decisão: Um trader pode usar o VaR para decidir se deve adicionar um novo ativo a um portfólio. Se a adição de novos ativos aumentar significativamente o VaR, isso pode significar que o risco dos novos ativos não corresponde ao nível de tolerância ao risco do portfólio.

deficiência

1. Ignorando os riscos de cauda： Se o VaR de 99% de um portfólio de 1 dia for$10.000, a perda nesse caso extremo de 1% pode exceder em muito esse valor. No campo da moeda digital, eventos cisne negro são frequentes, e situações extremas excederão as expectativas da maioria das pessoas porque o VaR não leva em consideração eventos extremos.

2. Suposições： O VaR paramétrico geralmente assume que os retornos dos ativos são distribuídos normalmente, o que raramente é verdade em mercados reais, especialmente no mercado de criptomoedas. Por exemplo, assumindo um portfólio apenas com Bitcoin, usamos o parâmetro VaR e assumimos que os retornos do Bitcoin são distribuídos normalmente. Mas, na verdade, a taxa de retorno do Bitcoin pode experimentar grandes saltos em certos períodos, e há um fenômeno óbvio de agregação de volatilidade. Por exemplo, se a volatilidade foi muito alta na semana passada, a probabilidade de volatilidade significativa na próxima semana aumentará muito, o que fará com que o modelo de distribuição normal subestime o risco. Existem modelos que levam essa questão em consideração, como o GARCH, que não discutiremos hoje.

3. Dependência Histórica:O modelo VaR se baseia em dados históricos para prever riscos futuros. No entanto, o desempenho passado nem sempre é indicativo do desempenho futuro, especialmente em um mercado que muda rapidamente, como o mercado de criptomoedas. Por exemplo, se o Bitcoin tivesse permanecido muito estável no ano passado, o método de simulação histórica poderia prever um VaR muito baixo. No entanto, se houver uma mudança regulatória repentina ou uma queda no mercado, dados passados ​​não serão mais um indicador válido de risco futuro.

Método de cálculo do VaR

Existem três métodos principais para calcular o VaR: Método paramétrico (método de variância-covariância): Assumindo que a taxa de retorno segue uma certa distribuição (geralmente uma distribuição normal), a média e o desvio padrão da taxa de retorno são usados ​​para calcular o VaR . Método de simulação histórica: não faça suposições sobre a distribuição de retornos e use diretamente dados históricos para determinar a distribuição potencial de perdas. Simulação de Monte Carlo: use caminhos de preços gerados aleatoriamente para simular preços de ativos e calcular o VaR a partir deles.

Método de simulação histórica Este método usa diretamente mudanças de preços passadas para estimar possíveis perdas futuras. Ele não requer nenhuma suposição sobre a distribuição de retorno e, portanto, é adequado para ativos com distribuições de retorno desconhecidas ou anormais, como moedas digitais.

Tomando uma posição spot de Bitcoin como exemplo, se quisermos calcular o VaR de 95% de 1 dia deste portfólio, podemos fazer assim:

1. Colete os retornos diários do Bitcoin durante um período de tempo (por exemplo, 100 dias).
2. Calcule o retorno diário do portfólio como o retorno de cada ativo multiplicado pelo seu peso no portfólio.
3. Classifique os retornos do portfólio desses 100 dias, do menor para o maior.
4. Encontre o ponto de dados de 5% (porque estamos calculando 95% VaR). Este ponto representa a taxa de perda do melhor dia entre os piores 5 dias nos últimos 100 dias.
5. Multiplicando essa taxa de retorno pelo valor total dos ativos, temos o VaR de 95% para um dia.

O seguinte é um código específico que obtém dados dos últimos 1000 dias e calcula que o VaR de manter um spot de BTC é atualmente 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}")

Cálculo de VaR considerando correlação

Ao calcular o VaR de um portfólio contendo múltiplos ativos, devemos levar em consideração a correlação entre os ativos. Se as mudanças de preço entre os ativos forem correlacionadas positivamente, o risco do portfólio aumentará; se forem correlacionadas negativamente, o risco do portfólio diminuirá.

Ao calcular o VaR com correlações usando o método de simulação histórica, não precisamos apenas coletar os retornos históricos de cada ativo individual, mas também considerar a distribuição conjunta dos retornos desses ativos. Na prática, você pode usar diretamente os retornos históricos do portfólio para classificação e cálculos, porque esses retornos já implicam a correlação entre os ativos. No mercado de criptomoedas, a correlação é particularmente importante. Basicamente, o BTC é o líder de mercado. Se o BTC ficar otimista, a probabilidade de outras criptomoedas subirem aumentará. Se o BTC subir ou cair bruscamente, o sentimento do mercado pode mudar rapidamente, o que levará a As correlações aumentam significativamente em curtos períodos de tempo, o que é particularmente comum durante eventos extremos de mercado. Portanto, o método de simulação histórica é uma ferramenta útil ao considerar o VaR de um portfólio de criptomoedas. Não requer modelos estatísticos complexos, apenas dados históricos válidos, e incorpora naturalmente correlações entre ativos.

Tomando como exemplo a manutenção de 1 posição longa de BTC e 10 posições curtas de ETH, de acordo com o método anterior, pode-se calcular que o VaR das 10 posições curtas de ETH é 1219USDT. Quando esses dois ativos são combinados, o VaR é calculado da seguinte forma:

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}")

O resultado é 970 USDT, o que significa que o risco dessa combinação é menor do que manter os ativos correspondentes separadamente. Isso ocorre porque as condições de mercado de BTC e ETH são altamente correlacionadas, e o efeito de hedge da combinação long-short reduz o risco .

Resumir

Este artigo apresentará um método de avaliação de risco adaptável, ou seja, a aplicação da Simulação Histórica no cálculo do VaR, e como considerar a correlação entre ativos para otimizar a previsão de risco. Por meio de exemplos específicos do mercado de criptomoedas, este artigo explica como usar a simulação histórica para avaliar o risco do portfólio e discute métodos para calcular o VaR quando a correlação de ativos é significativa. Por meio dessa abordagem, os traders programáticos podem não apenas estimar a perda máxima na maioria dos casos, mas também estar preparados para condições extremas de mercado, o que lhes permite ter mais calma nas negociações e executar estratégias com precisão.