ما هو Monte Carlo VaR Simulator?
▾
إن محاكاة مونت كارلو للقيمة المعرضة للخطر (VaR) هي المعيار الذهبي المؤسسي لقياس المخاطر الهبوطية للمحفظة. على عكس النماذج البارامترية التي تفترض عوائد سوقية أنيقة على شكل جرس، أو عمليات المحاكاة التاريخية المقيدة بدورات السوق السابقة، فإن محاكاة مونت كارلو تولد الآلاف من سيناريوهات السوق العشوائية التطلعية. ومن خلال أخذ عينات من التوزيعات الاحتمالية المتطورة التي تأخذ في الاعتبار تقلبات الأصول والعلاقات المتبادلة بين الأصول، تحدد هذه المنهجية توزيعًا احتماليًا اصطناعيًا كاملاً لنتائج المحفظة المحتملة. وهذا يسمح لأمناء الخزانة في الشركات، والمديرين الماليين، ومديري المخاطر بتحديد التعرض للمخاطر الشديدة التي تتجاهلها النماذج الأبسط بشكل منهجي. يعمل جهاز المحاكاة في جوهره من خلال نمذجة السلوك المشترك لجميع الأصول ضمن المحفظة خلال فترة احتفاظ محددة. بالنسبة لكل سيناريو تمت محاكاته، يقوم النظام بحساب أرباح أو خسائر المحفظة (P&L) بالضبط. وبعد إجراء عشرات الآلاف من هذه التجارب، يتم ترتيب توزيع الربح والخسارة الناتج من الأسوأ إلى الأفضل. يتم تحديد القيمة المعرضة للخطر من خلال تحديد الخسارة عند عتبة الثقة المحددة (مثل النسبة المئوية 99)، في حين أن القيمة المعرضة للمخاطر المشروطة (CVaR) أو العجز المتوقع تقيس متوسط الخسارة التي تحدث في أسوأ السيناريوهات بعد تلك العتبة. يوفر هذا النهج المزدوج المقياس للمديرين التنفيذيين صورة واضحة عن حدود الخسارة الفادحة والشدة المتوقعة لحدث السوق النظامي. بالنسبة للمؤسسات التي تدير محافظ استثمارية معقدة - وخاصة تلك التي تحتوي على أدوات غير خطية مثل خيارات الصرف الأجنبي، أو مقايضات أسعار الفائدة، أو الديون المهيكلة - فإن محاكاة مونت كارلو لا غنى عنها. تفشل نماذج المخاطر الخطية في التقاط "جاما" أو تحدب المشتقات، مما يؤدي إلى التقليل بشكل خطير من تقدير المخاطر خلال الفترات المتقلبة. من خلال إجراء إعادة تقييم كاملة لكل مركز في كل حالة محاكاة في العالم، تضمن شركة Monte Carlo VaR مراعاة عدم التماثل والرافعة المالية والمخاطر المعتمدة على المسار بشكل كامل. تعمل هذه الرؤية القوية للمخاطر على تمكين الفرق التنفيذية من اتخاذ قرارات مستنيرة بشأن هيكل رأس المال، وتلبية متطلبات رأس المال التنظيمية الصارمة، وحماية ملاءة المؤسسة.
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
الصيغة
▾
1. قم بإنشاء متجهات عائد الأصول المرتبطة N: R_sim = μ + L × Z (حيث L هو تحلل Cholesky لمصفوفة التغاير Σ، و Z هو ناقل للمتغيرات العشوائية العادية القياسية المستقلة)
2. حساب الربح والخسارة للمحفظة لكل تجربة محاكاة: P&L_i = Portfolio_Value × R_sim_i
3. فرز نتائج محاكاة الربح والخسارة من الأسوأ إلى الأفضل؛ VaR_α = −P&L عند النسبة المئوية (1−α).
4. حساب النقص المتوقع: CVaR_α = −Average(نتائج الربح والخسارة أسوأ من عتبة VaR_α)شرح المتغيرات
▾
| رمز | الاسم | وحدة | الوصف |
|---|---|---|---|
| N | عدد عمليات المحاكاة | count | إجمالي عدد سيناريوهات السوق الاصطناعية التي تم إنشاؤها. تعمل الأعداد الأعلى على تقليل الضوضاء الإحصائية وتحسين دقة تقديرات المخاطر الخلفية. |
| ρ | مصفوفة ارتباط الأصول | ratio | المصفوفة التي تحدد العلاقات الخطية التاريخية أو الضمنية بين عوائد الأصول، مما يضمن أن حركات السوق المحاكاة تعتمد على بعضها البعض بشكل واقعي. |
| σ_i | تقلب الأصول | %/period | الانحراف المعياري السنوي أو الدوري للعائدات لكل أصل على حدة، مما يعكس مخاطر السوق المستقلة. |
| VaR_MC | مونت كارلو فار | USD | الحد الأقصى للخسارة المتوقعة خلال الأفق الزمني المحدد عند مستوى ثقة معين، المستمدة من توزيع الربح والخسارة المحاكي المفرز. |
| SE_VaR | خطأ قياسي في المحاكاة | USD | هامش الخطأ الإحصائي في تقدير القيمة المعرضة للخطر. ويتناسب عكسيا مع الجذر التربيعي لعدد عمليات المحاكاة التي يتم إجراؤها. |
كيفية Monte Carlo VaR Simulator
▾
- 1تحديد معلمات المحفظة، بما في ذلك أوزان الأصول والتقلبات ومصفوفة الارتباط التاريخية.
- 2قم بإجراء تحليل Cholesky على مصفوفة التغاير لإنشاء مصفوفة مثلثية سفلية تحافظ على ارتباطات الأصول.
- 3قم بإنشاء متجهات N للأرقام العشوائية المستقلة من التوزيع الاحتمالي المختار (على سبيل المثال، عادي أو t للطالب).
- 4اضرب المتجهات العشوائية المستقلة بعامل تشوليسكي لتحويلها إلى سيناريوهات عائد الأصول المترابطة.
- 5قم بإعادة تقييم المحفظة بأكملها في ظل كل سيناريو محاكاة للعائد، مع مراعاة المكاسب غير الخطية في المشتقات والمنتجات المهيكلة.
- 6قم بفرز سيناريوهات الربح والخسارة للمحفظة الناتجة بترتيب تصاعدي لإنشاء توزيع الاحتمالات التجريبي.
- 7قم باستخراج القيمة المعرضة للمخاطر عند مستوى الثقة المستهدف (على سبيل المثال، النتيجة رقم 100 الأسوأ من بين 10000 نقطة لـ 99% من القيمة المعرضة للخطر) وحساب النقص المتوقع (CVaR) عن طريق حساب متوسط جميع الخسائر بعد تلك النقطة.
أمثلة محلولة
▾
ويوفر الارتباط السلبي بين الأسهم والأصول ذات الدخل الثابت فائدة تنويع كبيرة، مما يقلل من التقلبات الإجمالية للمحفظة ومتطلبات احتياطي رأس المال.
يتم حساب التقلب السنوي الإجمالي للمحفظة على النحو التالي: √[(0.6² × 0.18²) + (0.4² × 0.06²) + (2 × 0.6 × 0.4 × (−0.2) × 0.18 × 0.06)] ≈ 10.58%. يحاكي محرك مونت كارلو 10000 مسار سعري مرتبط. وتعكس النتيجة الأسوأ رقم 500 (حدود الذيل 5٪) خسارة قدرها 17.4٪، أو 1،740،000 دولار. ويؤدي متوسط أسوأ 500 نتيجة إلى عجز متوقع (CVaR) قدره 2,180,000 دولار. وإذا كانت الأصول مرتبطة بشكل كامل (ρ = 1.0)، فإن القيمة المعرضة للمخاطر ستتصاعد إلى أكثر من 2,170,000 دولار، مما يوضح كيف يوفر التنويع للخزانة 430,000 دولار من رأس المال المخاطر المطلوب.
تتجاهل التقديرات الخطية "التحدب" الوقائي (جاما الإيجابية) للخيارات الطويلة، مما يؤدي إلى المبالغة في تقدير المخاطر الهبوطية الفعلية.
ولأن الشركة تحتفظ بخيارات طويلة الأجل، فإن فائدة المحفظة تزيد بشكل غير خطي مع انخفاض قيمة العملة. يفترض نهج دلتا-العادي تعرضًا خطيًا ثابتًا، ويتوقع نسبة 99% من القيمة المعرضة للمخاطر بقيمة 165,000 دولار. ومع ذلك، يقوم جهاز محاكاة مونت كارلو بإعادة تقييم الخيارات الكاملة عبر بلاك سكولز لكل من أسعار الصرف المحاكاة البالغ عددها 10000. وهذا يجسد تأثير غاما الإيجابي، مما يدل على أن الخيارات توفر حماية أقوى خلال التحركات المتطرفة مما توحي به دلتا وحدها. وتبلغ المخاطر المحاكية الفعلية 115 ألف دولار فقط، مما يحرر 50 ألف دولار من سيولة الشركات التي كان من الممكن أن يتم احتجازها دون داع.
تظهر أسواق السلع الأساسية داء البريميات الثقيل. إن افتراض التوزيع الطبيعي يقلل بشدة من المخاطر الكارثية.
وبموجب التوزيع الطبيعي القياسي، فإن حدود الخسارة اليومية البالغة 99٪ يحدها 2.326 انحراف معياري، مما يؤدي إلى قيمة VaR قدرها 1،628،200 دولار. ومع ذلك، تشهد أسواق الطاقة الفعلية ارتفاعات حادة متكررة في الأسعار. باستخدام توزيع t للطالب مع 5 درجات من الحرية، يقوم جهاز المحاكاة بنمذجة ذيول أكثر بدانة، مما يضع الخسارة المئوية الـ 99 عند 3.365 انحرافات معيارية. وهذا يرفع القيمة المعرضة للمخاطر اليومية إلى 2,355,500 دولار. إن الاعتماد على نموذج التوزيع الطبيعي من شأنه أن يترك مكتب التداول عرضة لعجز في رأس المال غير المغطى بقيمة 728 ألف دولار خلال أزمة السيولة.
تؤدي زيادة مقياس المحاكاة بمقدار 100 إلى تحسين الدقة بمقدار عشرة أضعاف، مما يضمن استقرار الامتثال لعمليات التدقيق التنظيمية.
مع 1000 عملية محاكاة فقط، يحتوي ذيل 99٪ على 10 ملاحظات فقط، مما يؤدي إلى تقلبات إحصائية عالية وخطأ معياري قدره 315000 دولار. هذا المستوى من عدم اليقين غير مقبول بالنسبة لتقارير رأس المال التنظيمي. ومن خلال توسيع نطاق المحاكاة إلى 100000 عملية، يحتوي الذيل على 1000 ملاحظة، مما يؤدي إلى تنعيم التشويش الإحصائي. ويتقلص الخطأ القياسي إلى 31500 دولار فقط (0.7% من القيمة المعرضة للمخاطر الحقيقية). تمنع هذه الدقة البنك من الاضطرار إلى الاحتفاظ بمصدات رأسمالية زائدة بسبب عدم اليقين الإحصائي.
تطبيقات عملية
▾
البنوك الاستثمارية تحسب متطلبات رأس المال لمخاطر السوق بازل 3.
تدير خزائن الشركات التدفقات النقدية متعددة العملات وبرامج التحوط.
تقوم صناديق التقاعد بإجراء دراسات طويلة الأجل لإدارة الأصول والخصوم (ALM).
تعمل صناديق التحوط على تحسين الرافعة المالية للمحفظة ووضع حدود المخاطر لمكاتب التداول.
تقوم شركات التأمين بوضع نموذج لمتطلبات رأس مال الملاءة بموجب الملاءة الثانية.
حالات خاصة
▾
من الناحية العملية، تتطلب حالة الحافة هذه دراسة متأنية لأن الافتراضات القياسية قد لا تصمد. عند مواجهة هذا السيناريو في حسابات محاكاة مونت كارلو فار، يجب على الممارسين التحقق من الشروط الحدودية، والتحقق من مخاطر القسمة على الصفر، والنظر في ما إذا كانت افتراضات النموذج تظل صالحة في ظل هذه الظروف القاسية.
من الناحية العملية، تتطلب حالة الحافة هذه دراسة متأنية لأن الافتراضات القياسية قد لا تصمد. عند مواجهة هذا السيناريو في حسابات محاكاة مونت كارلو فار، يجب على الممارسين التحقق من الشروط الحدودية، والتحقق من مخاطر القسمة على الصفر، والنظر في ما إذا كانت افتراضات النموذج تظل صالحة في ظل هذه الظروف القاسية.
من الناحية العملية، تتطلب حالة الحافة هذه دراسة متأنية لأن الافتراضات القياسية قد لا تصمد. عند مواجهة هذا السيناريو في حسابات محاكاة مونت كارلو فار، يجب على الممارسين التحقق من الشروط الحدودية، والتحقق من مخاطر القسمة على الصفر، والنظر في ما إذا كانت افتراضات النموذج تظل صالحة في ظل هذه الظروف القاسية.
دقة محاكاة مونت كارلو حسب حجم العينة
▾
| المحاكاة (ن) | الذيل اوبس. بنسبة 99% | خطأ قياسي في القيمة المعرضة للخطر | الموصى بها ل |
|---|---|---|---|
| 1,000 | 10 | ~15.0% خطأ نسبي | النماذج الأولية وشاشات المخاطر السريعة |
| 10,000 | 100 | ~4.7% خطأ نسبي | التقارير اليومية عن المخاطر الداخلية للشركة |
| 100,000 | 1,000 | ~1.5% خطأ نسبي | نسبة 99% من القيمة المعرضة للخطر والامتثال لرأس المال التنظيمي |
| 1,000,000 | 10,000 | ~0.5% خطأ نسبي | تخصيص رأس المال الاقتصادي واختبار الضغط |
| 10,000,000 | 100,000 | ~0.15% خطأ نسبي | الملاءة التأمينية ونمذجة المخاطر الشديدة |
أسئلة شائعة
▾
كيف تساعد شركة Monte Carlo VaR مجلس الإدارة على اتخاذ قرارات استراتيجية لتخصيص رأس المال؟
يوفر Monte Carlo VaR سيناريو خسارة واقعي لأسوأ الحالات بمستوى ثقة عالٍ، والذي يُعلم بشكل مباشر العائد على رأس المال المعدل حسب المخاطر لشركتك (RAROC). ومن خلال فهم الحدود الدقيقة للخسائر المحتملة، يستطيع مجلس الإدارة إنشاء احتياطيات رأسمالية مثالية. وهذا يمنع الشركة من الإفراط في تخصيص رأس المال للاحتياطيات النقدية ذات العائد المنخفض مع ضمان وجود سيولة كافية للتغلب على فترات الانكماش الشديدة في السوق دون التسبب في الإعسار.
لماذا يجب على وزارة الخزانة لدينا اختيار مونت كارلو بدلاً من المحاكاة التاريخية للتحوط في سوق العملات الأجنبية؟
تعتمد المحاكاة التاريخية على نظرة رجعية وتفترض أن صدمات السوق المستقبلية سوف تكرر الأحداث الماضية بشكل مثالي. إذا كانت إدارة الخزانة لديك تستخدم أدوات تحوط معقدة، مثل الخيارات المعتمدة على المسار أو المقايضات المنظمة، فإن البيانات التاريخية لا يمكنها تحديد كيفية استجابة هذه المواقف لأنظمة السوق غير المسبوقة. تسمح لك محاكاة مونت كارلو باختبار التحوطات الخاصة بك مقابل آلاف السيناريوهات الاصطناعية التطلعية، مما يكشف نقاط الضعف الخفية قبل أن تؤثر على أرباحك ربع السنوية.
ما هو تحليل تشوليسكي، وما سبب أهميته لمحفظتنا متعددة الأصول؟
تحليل Cholesky هو المحرك الرياضي الذي يحافظ على ارتباطات الأصول داخل المحاكاة. إذا قمت بمحاكاة عوائد أصولك بشكل مستقل، فسوف تتجاهل حقيقة أن الأسهم والسندات والعملات تتحرك جنبا إلى جنب خلال أحداث السوق. من خلال تحليل مصفوفة التغاير الخاصة بك، يضمن تحلل تشوليسكي أنه عندما ينخفض أحد الأصول في سيناريو محاكاة، فإن الأصول المرتبطة تتصرف بشكل واقعي، مما يمنعك من المبالغة في تقدير فوائد التنويع.
كيف يتعامل هذا المحاكي مع الأدوات غير الخطية مثل مقايضات أسعار الفائدة والخيارات؟
تستخدم هذه المحاكاة منهجية تُعرف باسم "إعادة التقييم الكامل". بدلا من الاعتماد على التقديرات الخطية مثل نماذج دلتا العادية، التي تفشل في التقاط التحولات في حساسية الأسعار (جاما والتحدب)، يقوم المحرك بإعادة حساب صيغة التسعير الدقيقة (مثل بلاك سكولز) لكل عقد مشتق في كل سيناريو محاكاة. وهذا يضمن أنه مع تحرك أسعار الفائدة أو أسعار الأسهم بشكل كبير، يتم التقاط التسارع غير الخطي لقيمة محفظتك بدقة.
كيف ينبغي لنا أن نختار بين مستوى ثقة يتراوح بين 95% و99% فيما يتعلق بالإبلاغ عن مخاطر الشركات؟
يعتمد الاختيار على أهداف إعداد التقارير المحددة والمتطلبات التنظيمية. يعد مستوى الثقة بنسبة 95% معيارًا قياسيًا لإدارة المخاطر الداخلية اليومية ووضع حدود لمكتب التداول، حيث أنه يوفر بيانات اختبار خلفي أكثر تكرارًا ويمكن ملاحظتها. في المقابل، عادة ما يتم حجز مستوى الثقة بنسبة 99٪ أو 99.9٪ لتخطيط كفاية رأس المال على مستوى مجلس الإدارة، وتقييمات التصنيف الائتماني، والأطر التنظيمية مثل بازل 3، حيث يكون الاهتمام الأساسي هو النجاة من الأحداث المتطرفة والنظامية.
ما الفرق بين القيمة المعرضة للخطر (VaR) والعجز المتوقع (CVaR)؟
تحدد القيمة المعرضة للخطر (VaR) الحد الأدنى للخسارة عند مستوى ثقة محدد (على سبيل المثال، "هناك فرصة بنسبة 1٪ لخسارة مليون دولار على الأقل"). ولا يخبرك بمدى خطورة الخسارة إذا تجاوزت هذا الحد. يحسب العجز المتوقع (CVaR) متوسط الخسارة لجميع السيناريوهات التي تتجاوز عتبة VaR (على سبيل المثال، "إذا وصلنا إلى أسوأ 1٪ من السيناريوهات، فإن متوسط خسارتنا سيكون 1.5 مليون دولار"). يعد CVaR مقياسًا متميزًا لتخطيط الملاءة المالية لأنه يحدد التأثير الفعلي للأحداث الكارثية.
كيف يمكننا تقليل الوقت الحسابي المطلوب لعمليات محاكاة مونت كارلو واسعة النطاق؟
يمكن أن تكون محاكاة محافظ الشركات الكبيرة التي تحتوي على آلاف المناصب مكثفة من الناحية الحسابية. لتحسين أوقات المعالجة، يمكنك تنفيذ تقنيات تقليل التباين مثل التباينات المضادة أو أخذ عينات الأهمية، والتي تركز القوة الحسابية لجهاز المحاكاة على ذيل التوزيع. بالإضافة إلى ذلك، فإن استخدام تحليل المكونات الرئيسية (PCA) لتقليل أبعاد عوامل الخطر الخاصة بك يسمح لك بنمذجة حركات السوق المعقدة باستخدام متغيرات أقل تمثيلاً للغاية دون التضحية بالدقة.
أخطاء شائعة يجب تجنبها
▾
- !الاعتماد على افتراض التوزيع الطبيعي لفئات الأصول المتقلبة مثل السلع أو أسهم الأسواق الناشئة، والذي يقلل بشكل منهجي من وتيرة وشدة الأحداث الشديدة المخاطر.
- !استخدام مصفوفات الارتباط التاريخية الثابتة التي تفشل في حساب "انهيار الارتباط" - وهو ميل ارتباطات الأصول إلى التقارب إلى 1.0 أثناء حالات الذعر الشديدة في السوق.
- !تطبيق التقريبات الخطية (دلتا-عادي) على المحافظ التي تحتوي على مواضع خيارات المواد، والتي تفتقد تمامًا التأثيرات الوقائية أو المدمرة لجاما الخيار.
- !إهمال إجراء اختبارات التقارب على حجم المحاكاة، مما يؤدي إلى أرقام القيمة المعرضة للمخاطر شديدة التقلب والتي تخلق تقلبات مصطنعة في رأس المال المخاطر المبلغ عنه.
- !التعامل مع القيمة المعرضة للخطر في مونت كارلو كمقياس شامل للمخاطر دون إقرانها باختبارات التحمل التاريخية لحساب أحداث البجعة السوداء التي تقع خارج النموذج الإحصائي.
نصيحة احترافية
قم دائمًا بتشغيل تشخيص التقارب من خلال رسم تقدير القيمة المعرضة للخطر (VaR) الخاص بك مقابل عدد عمليات المحاكاة. إذا استمرت قيمة VaR في التقلب عند حجم المحاكاة الحالي لديك، فقم بزيادة عدد مرات التشغيل أو قم بتنفيذ تقنيات تقليل التباين لضمان استقرار وموثوقية تقارير المخاطر الخاصة بك.
هل تعلم؟
تم اختراع طريقة مونت كارلو من قبل عالم الرياضيات ستانيسلاف أولام في عام 1946 بينما كان يتعافى من جراحة في الدماغ ويلعب لعبة السوليتير. لقد أدرك أنه بدلاً من حساب الاحتمالات التوافقية المعقدة للفوز، كان من الأسهل محاكاة مئات توزيعات الورق ومراقبة النتيجة. شارك الفكرة مع جون فون نيومان، وقاموا بتطبيقها على أبحاث الأسلحة النووية السرية في لوس ألاموس. أطلق على المشروع الاسم الرمزي "مونت كارلو" على اسم الكازينو الشهير في موناكو، حيث كان عم أولام يقامر.
المراجع
Read the full guide on how to use this calculator effectively
اقرأ المزيد →احصل على نصائح الرياضيات الأسبوعية
انضم إلى مشتركي 12,000+ الذين يحصلون على نصائح حول الآلة الحاسبة كل أسبوع.