Kiểm soát rủi ro là một kỹ năng mà mọi nhà đầu tư cần phải học. Đối mặt với thị trường tiền kỹ thuật số thay đổi và phát triển nhanh hơn, các nhà giao dịch thuật toán cần đặc biệt chú ý đến việc quản lý rủi ro. Điều này là do giao dịch theo chương trình thường tự động hóa các giao dịch dựa trên dữ liệu lịch sử và mô hình thống kê, và trong thị trường biến động nhanh, các mô hình này có thể nhanh chóng trở nên không chính xác. Do đó, một chiến lược quản lý rủi ro hiệu quả là điều cần thiết để bảo vệ vốn của nhà đầu tư.

Trong số nhiều công cụ quản lý rủi ro, Giá trị rủi ro (VaR) là phương pháp đo lường rủi ro được sử dụng rộng rãi có thể giúp các nhà đầu tư dự đoán mức lỗ tối đa có thể xảy ra trong danh mục đầu tư trong điều kiện thị trường bình thường. VaR có thể lượng hóa rủi ro thành một con số duy nhất, đơn giản hóa báo cáo rủi ro và cho phép các nhà đầu tư hiểu rõ những tổn thất tiềm ẩn.

Vai trò của VaR

VaR, hay “giá trị rủi ro”, được sử dụng để định lượng mức tổn thất tối đa có thể xảy ra trong một khoảng thời gian nhất định và ở một mức độ tin cậy nhất định. Nói cách khác, nó cho các nhà đầu tư hoặc người quản lý rủi ro biết: “Chúng ta có bao nhiêu tiền nằm trong phạm vi ‘an toàn’ trong điều kiện thị trường bình thường và sẽ không bị mất vào ngày mai”. Ví dụ, nếu một loại tiền kỹ thuật số 1 ngày 99 % VaR của danh mục đầu tư là\(10.000, điều đó có nghĩa là trong 99% trường hợp, chúng tôi dự kiến ​​mức mất mát trong một ngày sẽ không quá\)10,000。

lợi thế

1. Dễ hiểuVí dụ, VaR 95% cho danh mục đầu tư tiền điện tử trong một ngày là\(5000, nghĩa là có 95% độ tin cậy rằng danh mục đầu tư sẽ không mất nhiều hơn\)5000. Định lượng những rủi ro phức tạp thành một con số trực quan mà những người không chuyên cũng có thể dễ dàng hiểu được. Tất nhiên, điều này khó tránh khỏi gây hiểu lầm.

2. Tiêu chuẩn so sánh： Giả sử có hai danh mục đầu tư A và B và VaR 95% trong 1 ngày của A là\(3000, trong khi B\)6000. Điều này có nghĩa là trong điều kiện thị trường bình thường, A ít rủi ro hơn B. Mặc dù hai danh mục đầu tư chứa các tài sản khác nhau, chúng ta vẫn có thể so sánh trực tiếp mức độ rủi ro của chúng. Tương ứng, mức đầu tư cũng có thể được đánh giá. Nếu lợi nhuận của các chiến lược A và B trong tháng qua đều$6000, và giá trị VaR trung bình và tối đa của A thấp hơn đáng kể so với B. Chúng ta có thể kết luận rằng chiến lược A tốt hơn và có thể đạt được lợi nhuận cao hơn ở mức rủi ro thấp hơn.

3. Công cụ ra quyết định:Một nhà giao dịch có thể sử dụng VaR để quyết định có nên thêm tài sản mới vào danh mục đầu tư hay không. Nếu việc bổ sung tài sản mới làm tăng đáng kể VaR, điều này có thể có nghĩa là rủi ro của tài sản mới không phù hợp với mức độ chấp nhận rủi ro của danh mục đầu tư.

khuyết điểm

1. Bỏ qua rủi ro đuôi： Nếu VaR 99% 1 ngày của danh mục đầu tư là$10.000, mức mất mát trong trường hợp cực đoan 1% đó có thể vượt xa giá trị này. Trong lĩnh vực tiền kỹ thuật số, các sự kiện thiên nga đen xảy ra thường xuyên và các tình huống cực đoan sẽ vượt quá mong đợi của hầu hết mọi người vì VaR không tính đến các sự kiện đuôi.

2. Giả định： VaR tham số thường giả định rằng lợi nhuận tài sản được phân phối bình thường, điều này hiếm khi đúng trên thị trường thực, đặc biệt là trên thị trường tiền điện tử. Ví dụ, giả sử danh mục đầu tư chỉ có Bitcoin, chúng tôi sử dụng tham số VaR và giả sử lợi nhuận từ Bitcoin được phân phối chuẩn. Nhưng trên thực tế, tỷ lệ lợi nhuận của Bitcoin có thể có những bước nhảy vọt lớn trong một số giai đoạn nhất định và có một hiện tượng rõ ràng là sự tích tụ biến động. Ví dụ, nếu biến động rất cao trong tuần trước, khả năng biến động đáng kể trong tuần tiếp theo tuần sẽ tăng rất nhiều, điều này sẽ khiến mô hình phân phối chuẩn đánh giá thấp rủi ro. Có những mô hình tính đến vấn đề này, chẳng hạn như GARCH, mà chúng ta sẽ không thảo luận hôm nay.

3. Sự phụ thuộc lịch sử:Mô hình VaR dựa vào dữ liệu lịch sử để dự đoán rủi ro trong tương lai. Tuy nhiên, hiệu suất trong quá khứ không phải lúc nào cũng phản ánh hiệu suất trong tương lai, đặc biệt là trong một thị trường thay đổi nhanh chóng như thị trường tiền điện tử. Ví dụ, nếu Bitcoin rất ổn định trong năm qua, phương pháp mô phỏng lịch sử có thể dự đoán VaR rất thấp. Tuy nhiên, nếu có sự thay đổi đột ngột về quy định hoặc thị trường sụp đổ, dữ liệu trong quá khứ sẽ không còn là yếu tố dự báo hợp lệ về rủi ro trong tương lai.

Phương pháp tính VaR

Có ba phương pháp chính để tính VaR: Phương pháp tham số (phương pháp phương sai-hiệp phương sai): Giả sử tỷ lệ hoàn vốn tuân theo một phân phối nhất định (thường là phân phối chuẩn), giá trị trung bình và độ lệch chuẩn của tỷ lệ hoàn vốn được sử dụng để tính VaR . Phương pháp mô phỏng lịch sử: Không đưa ra bất kỳ giả định nào về phân phối lợi nhuận và sử dụng trực tiếp dữ liệu lịch sử để xác định phân phối tổn thất tiềm ẩn. Mô phỏng Monte Carlo: Sử dụng đường giá được tạo ngẫu nhiên để mô phỏng giá tài sản và tính toán VaR từ chúng.

Phương pháp mô phỏng lịch sử Phương pháp này sử dụng trực tiếp những thay đổi giá trong quá khứ để ước tính những tổn thất có thể xảy ra trong tương lai. Phương pháp này không yêu cầu bất kỳ giả định nào về phân phối lợi nhuận và do đó phù hợp với các tài sản có phân phối lợi nhuận không xác định hoặc bất thường, chẳng hạn như tiền kỹ thuật số.

Lấy vị thế giao ngay của Bitcoin làm ví dụ, nếu chúng ta muốn tính VaR 95% trong 1 ngày của danh mục đầu tư này, chúng ta có thể thực hiện như sau:

1. Thu thập lợi nhuận hàng ngày của Bitcoin trong một khoảng thời gian (ví dụ: 100 ngày).
2. Tính lợi nhuận danh mục đầu tư hàng ngày bằng cách lấy lợi nhuận của từng tài sản nhân với tỷ trọng của tài sản đó trong danh mục đầu tư.
3. Sắp xếp lợi nhuận danh mục đầu tư trong 100 ngày này từ nhỏ nhất đến lớn nhất.
4. Tìm điểm dữ liệu 5% (vì chúng ta đang tính VaR 95%). Điểm này biểu thị tỷ lệ lỗ của ngày tốt nhất trong số 5 ngày tệ nhất trong 100 ngày qua.
5. Nhân tỷ lệ lợi nhuận này với tổng giá trị nắm giữ sẽ được VaR 95% trong một ngày.

Sau đây là mã cụ thể lấy dữ liệu từ 1000 ngày qua và tính toán rằng VaR khi nắm giữ một vị thế BTC hiện tại là 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}")

Tính toán VaR có xét đến tương quan

Khi tính VaR của danh mục đầu tư có nhiều tài sản, chúng ta phải tính đến mối tương quan giữa các tài sản. Nếu giá thay đổi giữa các tài sản có tương quan tích cực, rủi ro của danh mục đầu tư sẽ tăng lên; nếu chúng có tương quan tiêu cực, rủi ro của danh mục đầu tư sẽ giảm.

Khi tính toán VaR có tương quan bằng phương pháp mô phỏng lịch sử, chúng ta không chỉ cần thu thập lợi nhuận lịch sử của từng tài sản riêng lẻ mà còn phải xem xét sự phân phối chung lợi nhuận của các tài sản này. Trên thực tế, bạn có thể trực tiếp sử dụng lợi nhuận lịch sử của danh mục đầu tư để sắp xếp và tính toán, vì những lợi nhuận này ngụ ý mối tương quan giữa các tài sản. Trong thị trường tiền điện tử, mối tương quan đặc biệt quan trọng. Về cơ bản, BTC là người dẫn đầu thị trường. Nếu BTC tăng giá, khả năng các loại tiền điện tử khác tăng giá sẽ tăng. Nếu BTC tăng hoặc giảm mạnh, tâm lý thị trường có thể thay đổi nhanh chóng, điều này sẽ dẫn đến Sự tương quan tăng đáng kể trong thời gian ngắn, điều này đặc biệt phổ biến trong các sự kiện thị trường cực đoan. Do đó, phương pháp mô phỏng lịch sử là một công cụ hữu ích khi xem xét VaR của danh mục đầu tư tiền điện tử. Nó không yêu cầu các mô hình thống kê phức tạp, chỉ cần dữ liệu lịch sử hợp lệ và tự nhiên kết hợp các mối tương quan giữa các tài sản.

Lấy ví dụ về việc nắm giữ vị thế mua 1 BTC và vị thế bán 10 ETH, theo phương pháp trước, có thể tính được VaR của 10 vị thế bán ETH là 1219USDT. Khi hai tài sản này được kết hợp, VaR được tính như sau:

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}")

Kết quả là 970 USDT, điều này có nghĩa là rủi ro của sự kết hợp này thấp hơn so với việc nắm giữ các tài sản tương ứng riêng lẻ. Điều này là do các điều kiện thị trường của BTC và ETH có mối tương quan cao và hiệu ứng phòng ngừa của sự kết hợp dài-ngắn làm giảm rủi ro .

Tóm tắt

Bài viết này sẽ giới thiệu một phương pháp đánh giá rủi ro có thể thích ứng, cụ thể là ứng dụng Mô phỏng lịch sử trong tính toán VaR và cách xem xét mối tương quan giữa các tài sản để tối ưu hóa dự đoán rủi ro. Thông qua các ví dụ cụ thể từ thị trường tiền điện tử, bài báo này giải thích cách sử dụng mô phỏng lịch sử để đánh giá rủi ro danh mục đầu tư và thảo luận về các phương pháp tính VaR khi tương quan tài sản là đáng kể. Với cách tiếp cận này, các nhà giao dịch theo chương trình không chỉ có thể ước tính mức lỗ tối đa trong hầu hết các trường hợp mà còn có thể chuẩn bị cho các điều kiện thị trường khắc nghiệt, cho phép họ bình tĩnh hơn khi giao dịch và thực hiện các chiến lược một cách chính xác.