ప్రమాదంలో ఉన్న విలువను వేర్వేరు కాల వ్యవధులకు ఎలా మార్చాలి

ఇక్కడ మేము ఒక కాల వ్యవధి యొక్క విలువను వేరే కాలానికి సమానమైన VAR గా ఎలా మార్చాలో వివరిస్తాము మరియు ఒకే స్టాక్ పెట్టుబడి యొక్క నష్టాన్ని అంచనా వేయడానికి VAR ను ఎలా ఉపయోగించాలో మీకు చూపుతాము.

ఒక కాల వ్యవధిని మరొక కాలంగా మారుస్తుంది

పార్ట్ 1 లో, మేము నాస్డాక్ 100 సూచిక (టిక్కర్: QQQ) కోసం VAR ను లెక్కిస్తాము మరియు VAR మూడు-భాగాల ప్రశ్నకు సమాధానమిస్తుందని స్థాపించాము: "ఒక నిర్దిష్ట సమయ వ్యవధిలో ఒక నిర్దిష్ట విశ్వాస స్థాయితో నేను ఆశించే చెత్త నష్టం ఏమిటి?"

కాల వ్యవధి వేరియబుల్ కాబట్టి, వేర్వేరు లెక్కలు వేర్వేరు కాల వ్యవధులను పేర్కొనవచ్చు - "సరైన" కాల వ్యవధి లేదు. వాణిజ్య బ్యాంకులు, ఉదాహరణకు, సాధారణంగా రోజువారీ VAR ను లెక్కిస్తాయి, ఒక రోజులో వారు ఎంత కోల్పోతారని తమను తాము ప్రశ్నించుకుంటారు; పెన్షన్ ఫండ్స్, మరోవైపు, తరచుగా నెలవారీ VAR ను లెక్కిస్తాయి.

క్లుప్తంగా తిరిగి చెప్పడానికి, ఒకే "QQQ" పెట్టుబడి కోసం మూడు వేర్వేరు పద్ధతులను ఉపయోగించి పార్ట్ 1 లోని మూడు VAR ల లెక్కలను మళ్ళీ చూద్దాం:

* చారిత్రక పద్దతికి ప్రామాణిక విచలనం మాకు అవసరం లేదు (ఎందుకంటే ఇది తిరిగి ఆర్డర్లు తక్కువ నుండి అత్యధికంగా తిరిగి వస్తుంది) లేదా మోంటే కార్లో అనుకరణ (ఎందుకంటే ఇది మాకు తుది ఫలితాలను ఇస్తుంది).

టైమ్ వేరియబుల్ కారణంగా, VAR యొక్క వినియోగదారులు ఒక కాల వ్యవధిని మరొకదానికి ఎలా మార్చాలో తెలుసుకోవాలి మరియు ఫైనాన్స్‌లో ఒక క్లాసిక్ ఆలోచనపై ఆధారపడటం ద్వారా వారు అలా చేయవచ్చు: స్టాక్ రిటర్న్స్ యొక్క ప్రామాణిక విచలనం సమయం యొక్క వర్గమూలంతో పెరుగుతుంది. రోజువారీ రాబడి యొక్క ప్రామాణిక విచలనం 2.64% మరియు నెలలో 20 ట్రేడింగ్ రోజులు (టి = 20) ఉంటే, అప్పుడు నెలవారీ ప్రామాణిక విచలనం క్రింది వాటి ద్వారా సూచించబడుతుంది:

${\sigma }_{\text{మంత్లీ}}\cong {\sigma }_{\text{డైలీ}}\times \sqrt{T}\cong 2.64\%\times \sqrt{20}$ O నెలవారీ ≅ aily రోజువారీ × T ≅ 2.64% × 20

రోజువారీ ప్రామాణిక విచలనాన్ని నెలవారీ ప్రామాణిక విచలనం "స్కేల్" చేయడానికి, మేము దానిని 20 ద్వారా కాకుండా 20 యొక్క వర్గమూలంతో గుణిస్తాము. అదేవిధంగా, మేము రోజువారీ ప్రామాణిక విచలనాన్ని వార్షిక ప్రామాణిక విచలనంకు స్కేల్ చేయాలనుకుంటే, మేము రోజువారీ ప్రమాణాన్ని గుణించాలి 250 యొక్క వర్గమూలం ద్వారా విచలనం (సంవత్సరంలో 250 వాణిజ్య రోజులు uming హిస్తుంది). మేము నెలవారీ ప్రామాణిక విచలనాన్ని లెక్కించినట్లయితే (ఇది నెల నుండి నెల రాబడిని ఉపయోగించడం ద్వారా జరుగుతుంది), మేము నెలవారీ ప్రామాణిక విచలనాన్ని 12 యొక్క వర్గమూలం ద్వారా గుణించడం ద్వారా వార్షిక ప్రామాణిక విచలనం వలె మార్చవచ్చు.

సింగిల్ స్టాక్‌కు VAR పద్ధతిని వర్తింపజేయడం

చారిత్రక మరియు మోంటే కార్లో అనుకరణ పద్ధతులు రెండూ వారి న్యాయవాదులను కలిగి ఉన్నాయి, కాని చారిత్రక పద్ధతికి చారిత్రక డేటాను క్రంచింగ్ అవసరం మరియు మోంటే కార్లో అనుకరణ పద్ధతి సంక్లిష్టమైనది. సులభమైన పద్ధతి వైవిధ్యం-కోవియారిన్స్.

క్రింద మేము ఒకే స్టాక్ (లేదా ఒకే పెట్టుబడి) కోసం వేరియన్స్-కోవియారిన్స్ పద్ధతిలో సమయం-మార్పిడి మూలకాన్ని పొందుపరుస్తాము:

ఇప్పుడు ఈ సూత్రాలను QQQ కి వర్తింపజేద్దాం. ప్రారంభం నుండి QQQ కోసం రోజువారీ ప్రామాణిక విచలనం 2.64% అని గుర్తుంచుకోండి. కానీ మేము నెలవారీ VAR ను లెక్కించాలనుకుంటున్నాము మరియు ఒక నెలలో 20 ట్రేడింగ్ రోజులను uming హిస్తే, మేము 20 యొక్క వర్గమూలంతో గుణించాలి:

* ముఖ్యమైన గమనిక: ఈ చెత్త నష్టాలు (-19.5% మరియు -27.5%) expected హించిన లేదా సగటు రాబడి కంటే తక్కువ నష్టాలు. ఈ సందర్భంలో, రోజువారీ ఆశించిన రాబడి సున్నా అని by హించడం ద్వారా మేము దీన్ని సరళంగా ఉంచుతాము. మేము చుట్టుముట్టాము, కాబట్టి చెత్త నష్టం కూడా నికర నష్టం.

కాబట్టి, వేరియన్స్-కోవియారిన్స్ పద్దతితో, ఏ నెలలోనైనా మనం 19.5% కన్నా ఎక్కువ కోల్పోలేమని 95% విశ్వాసంతో చెప్పగలం. QQQ స్పష్టంగా చాలా సాంప్రదాయిక పెట్టుబడి కాదు! అయితే, పైన పేర్కొన్న ఫలితం మాంటె కార్లో అనుకరణ క్రింద మాకు లభించిన దానికంటే భిన్నంగా ఉందని మీరు గమనించవచ్చు, ఇది మా గరిష్ట నెలవారీ నష్టం 15% (అదే 95% విశ్వాస స్థాయిలో) ఉంటుందని చెప్పారు.

ముగింపు

ప్రమాదంలో విలువ అనేది ఒక ప్రత్యేకమైన ఇబ్బంది ప్రమాద కొలత. ఒకే గణాంకాన్ని ఉత్పత్తి చేయడానికి లేదా సంపూర్ణ నిశ్చయతను వ్యక్తపరచడానికి బదులుగా, ఇది సంభావ్య అంచనాను చేస్తుంది. ఇచ్చిన విశ్వాస స్థాయితో, "నిర్దిష్ట కాల వ్యవధిలో మా గరిష్ట loss హించిన నష్టం ఏమిటి?" VAR ను లెక్కించగల మూడు పద్ధతులు ఉన్నాయి: చారిత్రక అనుకరణ, వ్యత్యాసం-కోవిరాన్స్ పద్ధతి మరియు మోంటే కార్లో అనుకరణ.

వ్యత్యాసం-కోవియారిన్స్ పద్ధతి చాలా సులభం ఎందుకంటే మీరు రెండు కారకాలను మాత్రమే అంచనా వేయాలి: సగటు రాబడి మరియు ప్రామాణిక విచలనం. ఏదేమైనా, సుష్ట సాధారణ వక్రత ప్రకారం రాబడి బాగా ప్రవర్తిస్తుందని మరియు చారిత్రక నమూనాలు భవిష్యత్తులో పునరావృతమవుతాయని ఇది ass హిస్తుంది.

VAR లెక్కింపు యొక్క ఖచ్చితత్వంపై చారిత్రక అనుకరణ మెరుగుపడుతుంది, అయితే మరింత గణన డేటా అవసరం; ఇది "గతం ​​నాంది" అని కూడా umes హిస్తుంది. మోంటే కార్లో అనుకరణ సంక్లిష్టమైనది కాని చారిత్రక నమూనాల నుండి బయలుదేరే భవిష్యత్ నమూనాల గురించి ఆలోచనలను రూపొందించడానికి వినియోగదారులను అనుమతించే ప్రయోజనం ఉంది.

ఈ విషయంపై, నిరంతర సమ్మేళనం ఆసక్తి చూడండి.