ஆபத்தில் உள்ள மதிப்பை வெவ்வேறு காலகட்டங்களுக்கு மாற்றுவது எப்படி

ஒரு காலகட்டத்தின் ஆபத்தில் உள்ள மதிப்பை (VAR) வேறு காலத்திற்கு சமமான VAR ஆக மாற்றுவது எப்படி என்பதை இங்கு விளக்குகிறோம், மேலும் ஒரு பங்கு முதலீட்டின் தீங்கு விளைவிக்கும் அபாயத்தை மதிப்பிடுவதற்கு VAR ஐ எவ்வாறு பயன்படுத்துவது என்பதைக் காண்பிப்போம்.

ஒரு காலகட்டத்தை இன்னொரு காலத்திற்கு மாற்றுகிறது

பகுதி 1 இல், நாஸ்டாக் 100 குறியீட்டுக்கான (டிக்கர்: QQQ) VAR ஐக் கணக்கிட்டு, VAR மூன்று பகுதி கேள்விக்கு பதிலளிப்பதாக நிறுவுகிறோம்: "ஒரு குறிப்பிட்ட காலப்பகுதியில் ஒரு குறிப்பிட்ட நம்பிக்கை மட்டத்துடன் நான் எதிர்பார்க்கக்கூடிய மோசமான இழப்பு என்ன?"

கால அளவு ஒரு மாறி என்பதால், வெவ்வேறு கணக்கீடுகள் வெவ்வேறு காலங்களைக் குறிப்பிடலாம் - "சரியான" கால அவகாசம் இல்லை. வணிக வங்கிகள், எடுத்துக்காட்டாக, தினசரி VAR ஐக் கணக்கிட்டு, ஒரு நாளில் எவ்வளவு இழக்க நேரிடும் என்று தங்களைக் கேட்டுக்கொள்கின்றன; ஓய்வூதிய நிதிகள், மறுபுறம், பெரும்பாலும் மாதாந்திர VAR ஐக் கணக்கிடுகின்றன.

சுருக்கமாக மறுபரிசீலனை செய்ய, ஒரே "QQQ" முதலீட்டிற்கு மூன்று வெவ்வேறு முறைகளைப் பயன்படுத்தி பகுதி 1 இல் உள்ள மூன்று VAR களின் கணக்கீடுகளை மீண்டும் பார்ப்போம்:

* வரலாற்று முறைக்கும் (இது மறு-ஆர்டர்கள் மிகக் குறைந்த முதல் மிக உயர்ந்த வருமானத்தை அளிக்கிறது) அல்லது மான்டே கார்லோ உருவகப்படுத்துதலுக்கும் (இது எங்களுக்கு இறுதி முடிவுகளைத் தருவதால்) ஒரு நிலையான விலகல் தேவையில்லை.

நேர மாறுபாட்டின் காரணமாக, VAR இன் பயனர்கள் ஒரு காலகட்டத்தை இன்னொருவருக்கு எவ்வாறு மாற்றுவது என்பதை அறிந்து கொள்ள வேண்டும், மேலும் அவர்கள் நிதியத்தில் ஒரு உன்னதமான யோசனையை நம்புவதன் மூலம் அவ்வாறு செய்ய முடியும்: பங்கு வருமானத்தின் நிலையான விலகல் நேரத்தின் சதுர மூலத்துடன் அதிகரிக்கும். தினசரி வருமானத்தின் நிலையான விலகல் 2.64% ஆகவும், ஒரு மாதத்தில் 20 வர்த்தக நாட்கள் (டி = 20) இருந்தால், மாதாந்திர நிலையான விலகல் பின்வருவனவற்றால் குறிக்கப்படுகிறது:

${\sigma }_{\text{மாதாந்திர}}\cong {\sigma }_{\text{டெய்லி}}\times \sqrt{\mathrm{டி}}\cong 2.64\%\times \sqrt{20}$ σ மாத ≅ aily தினசரி × டி ≅ 2.64% × 20

தினசரி நிலையான விலகலை ஒரு மாத நிலையான விலகலுக்கு "அளவிட", நாம் அதை 20 ஆல் அல்ல, 20 இன் சதுர மூலத்தால் பெருக்குகிறோம். இதேபோல், தினசரி நிலையான விலகலை வருடாந்திர நிலையான விலகலுக்கு அளவிட விரும்பினால், நாம் தினசரி தரத்தை பெருக்குகிறோம் 250 இன் சதுர மூலத்தின் விலகல் (ஒரு வருடத்தில் 250 வர்த்தக நாட்களைக் கருதி). நாங்கள் ஒரு மாத நிலையான விலகலைக் கணக்கிட்டிருந்தால் (இது மாதத்திலிருந்து மாத வருமானத்தைப் பயன்படுத்துவதன் மூலம் செய்யப்படும்), மாதாந்திர நிலையான விலகலை 12 இன் சதுர மூலத்தால் பெருக்கி வருடாந்திர நிலையான விலகலுக்கு மாற்றலாம்.

ஒற்றை பங்குக்கு VAR முறையைப் பயன்படுத்துதல்

வரலாற்று மற்றும் மான்டே கார்லோ உருவகப்படுத்துதல் முறைகள் இரண்டுமே அவற்றின் ஆதரவாளர்களைக் கொண்டுள்ளன, ஆனால் வரலாற்று முறைக்கு வரலாற்றுத் தரவை நசுக்குவது தேவைப்படுகிறது மற்றும் மான்டே கார்லோ உருவகப்படுத்துதல் முறை சிக்கலானது. எளிதான முறை மாறுபாடு-கோவாரன்ஸ் ஆகும்.

ஒரு பங்குக்கான (அல்லது ஒற்றை முதலீடு) மாறுபாடு-கோவாரன்ஸ் முறையில் நேர-மாற்ற உறுப்பை நாங்கள் கீழே இணைத்துள்ளோம்:

இப்போது இந்த சூத்திரங்களை QQQ க்குப் பயன்படுத்துவோம். ஆரம்பத்தில் இருந்தே QQQ க்கான தினசரி நிலையான விலகல் 2.64% என்பதை நினைவில் கொள்க. ஆனால் நாங்கள் ஒரு மாதாந்திர VAR ஐக் கணக்கிட விரும்புகிறோம், மேலும் ஒரு மாதத்தில் 20 வர்த்தக நாட்களைக் கருதி, 20 இன் சதுர மூலத்தால் பெருக்குகிறோம்:

* முக்கிய குறிப்பு: இந்த மோசமான இழப்புகள் (-19.5% மற்றும் -27.5%) எதிர்பார்த்த அல்லது சராசரி வருமானத்திற்குக் குறைவான இழப்புகள். இந்த விஷயத்தில், தினசரி எதிர்பார்க்கப்படும் வருமானம் பூஜ்ஜியமாக இருப்பதாகக் கருதி அதை எளிமையாக வைத்திருக்கிறோம். நாங்கள் வட்டமிட்டோம், எனவே மோசமான இழப்பு நிகர இழப்பும் ஆகும்.

எனவே, மாறுபாடு-கோவாரன்ஸ் முறையுடன், எந்தவொரு மாதத்திலும் 19.5% க்கும் அதிகமாக இழக்க மாட்டோம் என்று 95% நம்பிக்கையுடன் சொல்லலாம். QQQ என்பது மிகவும் பழமைவாத முதலீடு அல்ல! எவ்வாறாயினும், மேலே உள்ள முடிவு மான்டே கார்லோ உருவகப்படுத்துதலின் கீழ் கிடைத்ததிலிருந்து வேறுபட்டது என்பதை நீங்கள் கவனிக்கலாம், இது எங்கள் அதிகபட்ச மாத இழப்பு 15% ஆக இருக்கும் (அதே 95% நம்பிக்கை மட்டத்தின் கீழ்).

முடிவுரை

ஆபத்தில் உள்ள மதிப்பு என்பது ஒரு சிறப்பு வகை தீங்கு விளைவிக்கும் நடவடிக்கை ஆகும். ஒரு புள்ளிவிவரத்தை உருவாக்குவதற்கு அல்லது முழுமையான உறுதியை வெளிப்படுத்துவதற்கு பதிலாக, இது ஒரு நிகழ்தகவு மதிப்பீட்டை செய்கிறது. கொடுக்கப்பட்ட நம்பிக்கை மட்டத்துடன், "ஒரு குறிப்பிட்ட காலப்பகுதியில் எதிர்பார்க்கப்படும் அதிகபட்ச இழப்பு என்ன?" VAR ஐ கணக்கிட மூன்று முறைகள் உள்ளன: வரலாற்று உருவகப்படுத்துதல், மாறுபாடு-கோவாரன்ஸ் முறை மற்றும் மான்டே கார்லோ உருவகப்படுத்துதல்.

மாறுபாடு-கோவாரன்ஸ் முறை எளிதானது, ஏனெனில் நீங்கள் இரண்டு காரணிகளை மட்டுமே மதிப்பிட வேண்டும்: சராசரி வருவாய் மற்றும் நிலையான விலகல். இருப்பினும், சமச்சீர் இயல்பான வளைவுக்கு ஏற்ப வருமானம் நன்கு நடந்து கொள்ளப்படுவதாகவும், வரலாற்று வடிவங்கள் எதிர்காலத்தில் மீண்டும் நிகழும் என்றும் அது கருதுகிறது.

VAR கணக்கீட்டின் துல்லியத்தன்மையை வரலாற்று உருவகப்படுத்துதல் மேம்படுத்துகிறது, ஆனால் அதிக கணக்கீட்டு தரவு தேவைப்படுகிறது; இது "கடந்த காலம் முன்னுரை" என்றும் கருதுகிறது. மான்டே கார்லோ உருவகப்படுத்துதல் சிக்கலானது, ஆனால் வரலாற்று வடிவங்களிலிருந்து புறப்படும் எதிர்கால முறைகள் குறித்த கருத்துக்களைத் தக்கவைக்க பயனர்களை அனுமதிப்பதன் நன்மையைக் கொண்டுள்ளது.

இந்த விஷயத்தில், தொடர்ச்சியான கூட்டு ஆர்வத்தைப் பார்க்கவும் .