কী Monte Carlo VaR Simulator?
▾
মন্টে কার্লো ভিএআর সিমুলেশন হল ঝুঁকিতে মূল্য অনুমান করার জন্য একটি গণনামূলক পদ্ধতি যা হাজার হাজার (বা লক্ষ লক্ষ) অনুমানমূলক পোর্টফোলিও রিটার্ন পরিস্থিতি তৈরি করে মডেল করা রিটার্ন ডিস্ট্রিবিউশন থেকে এলোমেলোভাবে নমুনা তৈরি করে, তারপর যেকোন আত্মবিশ্বাসের স্তরে VaR এবং CVaR অনুমান করতে ফলস্বরূপ সিমুলেটেড ক্ষতি বন্টন ব্যবহার করে। প্যারামেট্রিক VaR (যা একটি নির্দিষ্ট বন্টন আকৃতি ধরে নেয়, সাধারণত স্বাভাবিক) বা ঐতিহাসিক সিমুলেশন (যা পর্যবেক্ষিত ঐতিহাসিক পরিস্থিতিতে সীমাবদ্ধ) থেকে ভিন্ন, মন্টে কার্লো সিমুলেশন জটিল বন্টনমূলক অনুমান, নন-লিনিয়ার ইন্সট্রুমেন্ট, মাল্টি-ফ্যাক্টর এক্সপোজার এবং নমনীয় কাঠামোর মধ্যে পারস্পরিক সম্পর্ককে মডেল করতে পারে। মন্টে কার্লো ভিএআর প্রক্রিয়াটি কীভাবে সম্পদের রিটার্ন তৈরি হয় তার একটি মডেল নির্দিষ্ট করে শুরু হয় — সাধারণত প্রত্যাশিত রিটার্ন, অস্থিরতা এবং পারস্পরিক সম্পর্ক (সম্ভবত ফ্যাট টেল বা স্টোকাস্টিক অস্থিরতার সাথে) সহ একটি মাল্টিভেরিয়েট মডেল। এই ডিস্ট্রিবিউশন থেকে র্যান্ডম ড্র সিমুলেটেড রিটার্ন পাথ তৈরি করে। প্রতিটি সিমুলেটেড দৃশ্যের জন্য, পোর্টফোলিও লাভ বা ক্ষতি গণনা করা হয়। এরকম হাজারো পরিস্থিতির পরে, পোর্টফোলিও P&L-এর ফলশ্রুতিতে ডিস্ট্রিবিউশন র্যাঙ্ক করা হয়, এবং VaR-কে উপযুক্ত পার্সেন্টাইল হিসাবে পড়া হয় (যেমন, 99% VaR-এর জন্য 1ম পার্সেন্টাইল), যখন CVaR হল সেই বিন্দুর বাইরে সমস্ত ক্ষতির গড়। মন্টে কার্লো সিমুলেশন বিকল্প এবং অন্যান্য নন-লিনিয়ার ডেরিভেটিভ সমন্বিত পোর্টফোলিওগুলির জন্য বিশেষভাবে শক্তিশালী, যেখানে বাজারের গতিবিধিতে পোর্টফোলিওর প্রতিক্রিয়া অ-রৈখিক এবং সহজ প্যারামেট্রিক পদ্ধতির সাথে সঠিকভাবে আনুমানিক করা যায় না। এটি পাথ-নির্ভর যন্ত্রের মডেলও করতে পারে (যেমন বাধা বিকল্প এবং বন্ধকী-ব্যাকড সিকিউরিটিজ), ফ্যাট-টেইলড ডিস্ট্রিবিউশন (স্টুডেন্টস টি, প্যারেটো) অন্তর্ভুক্ত করতে পারে এবং অপ্রতিসম রিটার্ন ডিস্ট্রিবিউশন ক্যাপচার করতে পারে। যাইহোক, মন্টে কার্লো ভিএআর গণনামূলকভাবে নিবিড় — হাজার হাজার পদের বড় পোর্টফোলিওগুলির জন্য যথেষ্ট কম্পিউটিং সংস্থান প্রয়োজন হতে পারে — এবং ফলাফলগুলি পরিস্থিতি তৈরি করতে ব্যবহৃত মডেল অনুমানের প্রতি সংবেদনশীল। মন্টে কার্লো ভিএআর-এর একটি গুরুত্বপূর্ণ সীমাবদ্ধতা হল যে এটি মডেলের সুযোগের বাইরে পরিস্থিতি তৈরি করতে পারে না। যদি মডেলটি সাম্প্রতিক ডেটাতে ক্যালিব্রেট করা হয়, তবে এটি দীর্ঘ-টেইলড ঝুঁকিগুলি মিস করতে পারে যা সম্প্রতি বাস্তবায়িত হয়নি। এই কারণেই মন্টে কার্লো ভিএআরকে অবশ্যই ঐতিহাসিক সংকটের পরিস্থিতি ব্যবহার করে স্ট্রেস পরীক্ষার সাথে সম্পূরক করতে হবে। প্রকরণ হ্রাস কৌশলগুলি (অ্যান্টিথেটিক ভেরিয়েবল, কন্ট্রোল ভেরিয়েট, স্তরিত নমুনা) গণনাগত দক্ষতা উন্নত করতে এবং প্রদত্ত সংখ্যক পরিস্থিতির জন্য সিমুলেশন ত্রুটি কমাতে ব্যবহৃত হয়।
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
সূত্র
▾
1. এন পারস্পরিক সম্পর্কযুক্ত রিটার্ন ভেক্টর অনুকরণ করুন: R_sim = μ + L × Z (Σ এর L=কোলেস্কি, Z=স্ট্যান্ডার্ড স্বাভাবিক)
2. প্রতিটি দৃশ্যের জন্য পোর্টফোলিও P&L গণনা করুন: P&L_i = পোর্টফোলিও × R_sim_i
3. P&L বাছাই করুন সবচেয়ে খারাপ থেকে সেরা; VaR_α = −P&L (1−α)তম শতাংশে
4. CVaR_α = −গড়(VAR থ্রেশহোল্ডের নিচে P&L)চলক বর্ণনা
▾
| প্রতীক | নাম | একক | বিবরণ |
|---|---|---|---|
| N | সিমুলেশনের সংখ্যা | count | মোট সিমুলেটেড পরিস্থিতিতে; ঝুঁকি প্রতিবেদনের জন্য সাধারণত 10,000-100,000; উচ্চ-নির্ভুল মূলধন গণনার জন্য আরও। |
| ρ | সম্পদ পারস্পরিক সম্পর্ক ম্যাট্রিক্স | ratio | সম্পদের মধ্যে যুগলভিত্তিক পারস্পরিক সম্পর্ক; চোলেস্কি পচনের মাধ্যমে সম্পর্কযুক্ত র্যান্ডম রিটার্ন তৈরি করতে ব্যবহৃত হয়। |
| σ_i | সম্পদের অস্থিরতা | %/period | প্রতিটি সম্পদের জন্য আয়ের আদর্শ বিচ্যুতি i; ঐতিহাসিক তথ্য থেকে ক্রমাঙ্কিত বা বিকল্প বাজার থেকে উহ্য. |
| VaR_MC | মন্টে কার্লো ভিএআর | USD | সিমুলেটেড P&L বিতরণ থেকে (1−α) শতাংশের ক্ষতি; প্যারামেট্রিক VaR এর সিমুলেটেড সমতুল্য। |
| SE_VaR | সিমুলেশন স্ট্যান্ডার্ড ত্রুটি | USD | মন্টে কার্লো ভিএআর-এ পরিসংখ্যানগত অনুমান ত্রুটি; √N এর সাথে হ্রাস পায় — 4× বেশি সিমুলেশন ত্রুটিটিকে অর্ধেক করে। |
কীভাবে Monte Carlo VaR Simulator
▾
- 1রিটার্ন মডেল নির্দিষ্ট করুন: সমস্ত পোর্টফোলিও সম্পদের জন্য প্রত্যাশিত রিটার্ন (μ), স্ট্যান্ডার্ড বিচ্যুতি (σ), এবং পারস্পরিক সম্পর্ক ম্যাট্রিক্স (ρ) সংজ্ঞায়িত করুন।
- 2পারস্পরিক সম্পর্কযুক্ত র্যান্ডম ভেরিয়েবল তৈরি করতে পারস্পরিক সম্পর্ক ম্যাট্রিক্সের চোলেস্কি পচন সম্পাদন করুন।
- 3স্বাধীন স্ট্যান্ডার্ড স্বাভাবিক এলোমেলো সংখ্যার N সেট আঁকুন; পারস্পরিক রিটার্ন ভেক্টর তৈরি করতে Cholesky ফ্যাক্টর ব্যবহার করে রূপান্তর করুন।
- 4প্রতিটি সিমুলেটেড রিটার্ন ভেক্টরের জন্য পোর্টফোলিও P&L গণনা করুন: লিনিয়ার পোর্টফোলিওর জন্য P&L = Σ(weight_i × portfolio_value × return_i); বিকল্পগুলির জন্য সম্পূর্ণ পুনর্মূল্যায়ন ব্যবহার করুন।
- 5সমস্ত N সিমুলেটেড P&L ফলাফলগুলিকে সবচেয়ে খারাপ থেকে সেরা পর্যন্ত সাজান৷
- 6VaR পড়ুন: (1−α) × N-তম পর্যবেক্ষণে ক্ষতি (যেমন, 10,000 সিমুলেশন সহ 99% VaR-এর জন্য 100তম খারাপ)।
- 7CVaR গণনা করুন: গড় সমস্ত ক্ষতি VaR থেকে খারাপ (যেমন, 10,000 সিমুলেশন সহ 99% CVaR-এর জন্য সবচেয়ে খারাপ 100 ফলাফলের গড়)।
সমাধান করা উদাহরণ
▾
নেতিবাচক পারস্পরিক সম্পর্ক উল্লেখযোগ্যভাবে পোর্টফোলিও VaR হ্রাস করে
পোর্টফোলিও বার্ষিক অস্থিরতা ≈ √(0.6²×0.2² + 0.4²×0.05² + 2×0.6×0.4×(-0.3)×0.2×0.05) ≈ 11.7%। মন্টে কার্লো 10,000 পারস্পরিক সম্পর্কযুক্ত বার্ষিক রিটার্ন জোড়া তৈরি করে; পোর্টফোলিও P&L প্রত্যেকের জন্য গণনা করা হয়েছে। সবচেয়ে খারাপ 500 ফলাফল (5%) গড় প্রায় 23% পোর্টফোলিও = −$230,000 (CVaR)। 500তম সবচেয়ে খারাপ ফলাফল ≈ −17.5% = −$175,000 (VaR)। পারস্পরিক সম্পর্ক বেনিফিট (ρ=0) ছাড়া, VaR হবে প্রায় $220,000 — নেতিবাচক বন্ড-স্টক পারস্পরিক সম্পর্ক থেকে $45,000 ঝুঁকি হ্রাস দেখায়।
মন্টে কার্লো নন-লিনিয়ার গামা প্রভাব ক্যাপচার করে; প্যারামেট্রিক এটি মিস করে
গামা (উত্তল) এর কারণে বিকল্পগুলিতে অ-রৈখিক P&L রয়েছে। ডেল্টা-সাধারণ VaR রৈখিক হিসাবে বিকল্পগুলিকে আনুমানিক করে (শুধুমাত্র ডেল্টা ব্যবহার করে), যা $14,000 VaR উত্পাদন করে। প্রতিটি সিমুলেটেড অন্তর্নিহিত মূল্যের জন্য ব্ল্যাক-স্কোলস ব্যবহার করে সম্পূর্ণ মন্টে কার্লো পুনর্মূল্যায়ন সম্পূর্ণ অ-রৈখিক প্রতিক্রিয়া ক্যাপচার করে, যা $18,000 VaR - 29% বেশি। অতিরিক্ত ঝুঁকি গামা থেকে আসে: বড় চালগুলি ডেল্টা-লিনিয়ার আনুমানিক পূর্বাভাসের চেয়ে বেশি P&L পরিবর্তন ঘটায়। বড় বিকল্প বইগুলির জন্য, এই অ-রৈখিক সংশোধন উপাদান হতে পারে, যা সম্পূর্ণ পুনর্মূল্যায়ন মন্টে কার্লোকে অপরিহার্য করে তোলে।
ফ্যাট লেজ (টি-ডিস্ট্রিবিউশন) বস্তুগতভাবে উচ্চ VaR উত্পাদন করে
দৈনিক σ=2%: স্বাভাবিক 99% VaR = 2.326 × 2% × $10M = $465,200। 4 ডিগ্রী স্বাধীনতা সহ ছাত্র-টি-এর ভারী লেজ রয়েছে: 99তম পার্সেন্টাইল হল প্রায় 3.747σ (বনাম 2.326σ স্বাভাবিকের জন্য), দেয় VaR = 3.747 × 2% × $10M = $749,400৷ 51% পার্থক্য দেখায় যে কেন মন্টে কার্লোতে স্বাভাবিকতা অনুমান করা নাটকীয়ভাবে লেজের ঝুঁকিকে ছোট করতে পারে। প্রকৃত ইক্যুইটি রিটার্নে 4-8 (স্বাভাবিক কুরটোসিস = 3) কুরটোসিস থাকে, যা চরম ক্ষতির অনুমান করার জন্য ফ্যাট-টেইল মডেলটিকে যথেষ্ট পরিমাণে সঠিক করে তোলে।
স্ট্যান্ডার্ড ত্রুটি 1/√N হিসাবে সঙ্কুচিত হয় — 100× বেশি সিম = 10× আরও নির্ভুলতা
মন্টে কার্লো VaR স্ট্যান্ডার্ড ত্রুটি ≈ σ_portfolio × √(α(1−α)/N) / f(VaR), যেখানে f হল VaR কোয়ান্টাইলে PDF। N=100 সিমুলেশনের সাথে, অনুমানটিতে ±$45,000 অনিশ্চয়তা রয়েছে — ব্যবহারিক ব্যবহারের জন্য খুব অশুদ্ধ। N=10,000 দেয় ±$4,500, দৈনিক প্রতিবেদনের জন্য গ্রহণযোগ্য। নিয়ন্ত্রক মূলধনের জন্য (যেখানে $200,000 VaR-এ $4,500 হল 2.25% আপেক্ষিক ত্রুটি), N=100,000 বা তার বেশি প্রয়োজন হতে পারে। ভিন্নতা হ্রাস কৌশল (অ্যান্টিথেটিক স্যাম্পলিং, গুরুত্ব স্যাম্পলিং) অনেক কম সিমুলেশন সহ N=100,000 এর নির্ভুলতা অর্জন করতে পারে।
বাস্তব প্রয়োগ
▾
ইনভেস্টমেন্ট ব্যাংক ট্রেডিং বুক ভিএআর এবং মূলধন গণনা
হেজ ফান্ড দৈনিক ঝুঁকি পর্যবেক্ষণ এবং পোর্টফোলিও অপ্টিমাইজেশান
সম্পূর্ণ পুনর্মূল্যায়নের সাথে বিকল্প ডেস্ক ঝুঁকি ব্যবস্থাপনা
বীমা কোম্পানি রিজার্ভিং এবং সলভেন্সি II মূলধন মডেল
পেনশন তহবিল সম্পদ-দায় ব্যবস্থাপনা এবং দায়-চালিত বিনিয়োগ
বিশেষ ক্ষেত্র
▾
অনুশীলনে, এই প্রান্তের ক্ষেত্রে সাবধানতার সাথে বিবেচনা করা প্রয়োজন কারণ মানক অনুমানগুলি নাও থাকতে পারে। মন্টে কার্লো ভার সিমুলেটর গণনায় এই পরিস্থিতির মুখোমুখি হওয়ার সময়, অনুশীলনকারীদের সীমানা শর্তগুলি যাচাই করা উচিত, বিভাজন-বাই-শূন্য ঝুঁকি পরীক্ষা করা উচিত এবং এই চরম অবস্থার অধীনে মডেলের অনুমানগুলি বৈধ কিনা তা বিবেচনা করা উচিত।
অনুশীলনে, এই প্রান্তের ক্ষেত্রে সাবধানতার সাথে বিবেচনা করা প্রয়োজন কারণ মানক অনুমানগুলি নাও থাকতে পারে। মন্টে কার্লো ভার সিমুলেটর গণনায় এই পরিস্থিতির মুখোমুখি হওয়ার সময়, অনুশীলনকারীদের সীমানা শর্তগুলি যাচাই করা উচিত, বিভাজন-বাই-শূন্য ঝুঁকি পরীক্ষা করা উচিত এবং এই চরম অবস্থার অধীনে মডেলের অনুমানগুলি বৈধ কিনা তা বিবেচনা করা উচিত।
অনুশীলনে, এই প্রান্তের ক্ষেত্রে সাবধানতার সাথে বিবেচনা করা প্রয়োজন কারণ মানক অনুমানগুলি নাও থাকতে পারে। মন্টে কার্লো ভার সিমুলেটর গণনায় এই পরিস্থিতির মুখোমুখি হওয়ার সময়, অনুশীলনকারীদের সীমানা শর্তগুলি যাচাই করা উচিত, বিভাজন-বাই-শূন্য ঝুঁকি পরীক্ষা করা উচিত এবং এই চরম অবস্থার অধীনে মডেলের অনুমানগুলি বৈধ কিনা তা বিবেচনা করা উচিত।
নমুনা আকার দ্বারা মন্টে কার্লো সিমুলেশন নির্ভুলতা
▾
| সিমুলেশন (N) | লেজ Obs. 99% এ | VaR স্ট্যান্ডার্ড ত্রুটি | জন্য প্রস্তাবিত |
|---|---|---|---|
| 1,000 | 10 | ~15% আপেক্ষিক | শুধুমাত্র প্রাথমিক প্রোটোটাইপিং |
| 10,000 | 100 | ~5% আপেক্ষিক | দৈনিক 95% VaR রিপোর্টিং |
| 100,000 | 1,000 | ~1.5% আপেক্ষিক | 99% VaR/নিয়ন্ত্রক প্রতিবেদন |
| 1,000,000 | 10,000 | ~0.5% আপেক্ষিক | 99.9% অর্থনৈতিক মূলধন |
| 10,000,000 | 100,000 | ~0.15% আপেক্ষিক | বীমা চরম পুচ্ছ অনুমান |
সচরাচর জিজ্ঞাসা
▾
প্যারামেট্রিক এবং ঐতিহাসিক পদ্ধতিতে মন্টে কার্লো ভিএআর-এর সুবিধাগুলি কী কী?
Monte Carlo VaR তিনটি মূল সুবিধা প্রদান করে। প্রথমত, এটি নন-লিনিয়ার ইন্সট্রুমেন্ট (বিকল্প, মর্টগেজ-ব্যাকড সিকিউরিটিজ, স্ট্রাকচার্ড পণ্য) পরিচালনা করতে পারে যা ডেল্টা-সাধারণ প্যারামেট্রিক পদ্ধতির মাধ্যমে সঠিকভাবে ক্যাপচার করা যায় না। দ্বিতীয়ত, এটি যেকোন রিটার্ন ডিস্ট্রিবিউশন মডেল করতে পারে — স্বাভাবিক, ফ্যাট-টেইলড (টি-ডিস্ট্রিবিউশন), স্কুইড (অসমম্যাট্রিক), বা ব্যবহারকারী-নির্দিষ্ট — স্বাভাবিকতায় সীমাবদ্ধ না হয়ে। তৃতীয়ত, এটি সম্ভাব্য ফলাফলের বিস্তৃত পরিসর কভার করে ঐতিহাসিক তথ্যে উপস্থিত নয় এমন পরিস্থিতি তৈরি করতে পারে। ঐতিহাসিক সিমুলেশন আসলে যা ঘটেছে তার মধ্যে সীমাবদ্ধ; মন্টে কার্লো এমন পরিস্থিতির অনুকরণ করতে পারে যা এখনও ঘটেনি কিন্তু মডেল করা বন্টন দেওয়া সম্ভব।
নির্ভরযোগ্য মন্টে কার্লো ভিএআর-এর জন্য কতগুলি সিমুলেশন প্রয়োজন?
সিমুলেশনের প্রয়োজনীয় সংখ্যক আত্মবিশ্বাসের স্তর এবং কাঙ্ক্ষিত নির্ভুলতার উপর নির্ভর করে। 95% VaR-এর জন্য: N=1,000 মোটামুটি 50টি লেজ পর্যবেক্ষণ দেয় — সবেমাত্র পর্যাপ্ত। N=10,000 500টি পুচ্ছ পর্যবেক্ষণ দেয় — সাধারণত দৈনিক প্রতিবেদনের জন্য যথেষ্ট। 99% VaR এর জন্য: N=10,000 শুধুমাত্র 100টি লেজ পর্যবেক্ষণ দেয়; N=100,000 পছন্দ করা হয়। 99.9% VaR (অর্থনৈতিক মূলধন): লক্ষ লক্ষ সিমুলেশনের প্রয়োজন হতে পারে। একটি নিয়ম হিসাবে: স্থিতিশীল অনুমানের জন্য লেজে কমপক্ষে 100-200টি পর্যবেক্ষণ লক্ষ্য করুন। বৈচিত্র্য হ্রাস কৌশলগুলি গণনাগত প্রয়োজনীয়তাগুলিকে উল্লেখযোগ্যভাবে হ্রাস করতে পারে।
চোলেস্কি পচন কী এবং কেন এটি মন্টে কার্লোতে ব্যবহৃত হয়?
চোলেস্কি পচন একটি পারস্পরিক সম্পর্ক (বা কোভ্যারিয়েন্স) ম্যাট্রিক্সকে নিম্ন ত্রিভুজাকার ম্যাট্রিক্স L-এ পরিণত করে যেমন LL' = Σ। এটি মন্টে কার্লো সিমুলেশনে পারস্পরিক র্যান্ডম ভেরিয়েবল তৈরি করতে ব্যবহার করা হয়: Z যদি স্বাধীন স্ট্যান্ডার্ড স্বাভাবিক র্যান্ডম সংখ্যার ভেক্টর হয়, তাহলে R = L × Z হল সহসংযোগের গঠন Σ সহ সম্পর্কযুক্ত স্বাভাবিক র্যান্ডম ভেরিয়েবলের একটি ভেক্টর। এই পদক্ষেপ ছাড়া, পোর্টফোলিও ঝুঁকির জন্য গুরুত্বপূর্ণ পারস্পরিক সম্পর্ককে উপেক্ষা করে এলোমেলোভাবে উৎপন্ন রিটার্ন সম্পদ জুড়ে স্বাধীন হবে। চোলেস্কি পচনের জন্য কোভেরিয়েন্স ম্যাট্রিক্সকে ইতিবাচক সেমি-ডেফিনিট হতে হবে — যদি ম্যাট্রিক্স কাছাকাছি-একবচন হয় বা নেতিবাচক ইজেনভ্যালু থাকে (অনেক সম্পদের সাথে সম্ভব), নিয়মিতকরণ কৌশল প্রয়োজন।
মন্টে কার্লো সিমুলেশনে 'মাত্রিকতার অভিশাপ' কী?
ঝুঁকির কারণের সংখ্যা (সম্পদ, ফলন কার্ভ পয়েন্ট, অস্থিরতা পৃষ্ঠের পয়েন্ট) বৃদ্ধির সাথে সাথে মাল্টিভেরিয়েট ডিস্ট্রিবিউশনকে পর্যাপ্তভাবে কভার করার জন্য প্রয়োজনীয় সিমুলেশনের সংখ্যা দ্রুত বৃদ্ধি পায়। 2টি সম্পদের জন্য, কয়েক হাজার সিমুলেশন স্থানটিকে যুক্তিসঙ্গতভাবে কভার করে। 100টি পারস্পরিক সম্পর্কযুক্ত সম্পদের জন্য, এমনকি লক্ষ লক্ষ সিমুলেশন চরম যৌথ পরিস্থিতির বিচ্ছিন্ন কভারেজ ছেড়ে যেতে পারে। এই গণনামূলক চ্যালেঞ্জ — মাত্রিকতার অভিশাপ — ফ্যাক্টর রিডাকশন (পারস্পরিক সম্পর্ক কাঠামোর প্রধান উপাদান বিশ্লেষণ), স্তরিত নমুনা এবং আধা-এলোমেলো (নিম্ন-অসঙ্গতি) সিকোয়েন্স (হ্যাল্টন, সোবোল) এর মাধ্যমে সমাধান করা হয়, যা বিশুদ্ধভাবে প্যারামিটার স্থানকে আরও অভিন্নভাবে কভার করে।
মন্টে কার্লো ভিএআর কীভাবে স্টোকাস্টিক অস্থিরতা পরিচালনা করে?
স্ট্যান্ডার্ড মন্টে কার্লো ধ্রুবক অস্থিরতা (σ) ধরে নেয়, কিন্তু প্রকৃত বাজারের অস্থিরতা সময়-পরিবর্তনশীল এবং গড়-প্রত্যাবর্তনকারী। স্টোকাস্টিক অস্থিরতা মডেল (হেস্টন মডেল, SABR মডেল, GARCH) মডেলের অস্থিরতা নিজেই একটি এলোমেলো প্রক্রিয়া। হেস্টন মডেল মন্টে কার্লোতে, সম্পদের মূল্য এবং অস্থিরতা প্রক্রিয়া উভয়ই একই সাথে পারস্পরিক সম্পর্কযুক্ত ব্রাউনিয়ান গতি ব্যবহার করে সিমুলেট করা হয়, ইক্যুইটি রিটার্ন এবং অন্তর্নিহিত অস্থিরতার ('অস্থিরতার হাসি') মধ্যে নেতিবাচক সম্পর্ককে ক্যাপচার করে। এটি নেতিবাচক তির্যকতা এবং ভারী বাম লেজের সাথে আরও বাস্তবসম্মত P&L বিতরণ তৈরি করে, বিশেষ করে বিকল্প পোর্টফোলিওগুলির জন্য গুরুত্বপূর্ণ যেখানে ভেগা ঝুঁকি (অস্থিরতার পরিবর্তনের সংবেদনশীলতা) তাৎপর্যপূর্ণ।
মন্টে কার্লো ভিএআর-এ গুরুত্বপূর্ণ নমুনা কী?
ইমপোর্টেন্স স্যাম্পলিং হল ভ্যারিয়েন্স রিডাকশন টেকনিক যা টেইল অঞ্চলে সিমুলেশনকে কেন্দ্রীভূত করে যা VaR এবং CVaR অনুমানের জন্য সবচেয়ে গুরুত্বপূর্ণ। অভিন্নভাবে নমুনা নেওয়ার পরিবর্তে, সিমুলেশন সম্ভাবনা আরও চরম পরিস্থিতিতে স্থানান্তরিত হয়, এবং এই পক্ষপাতের জন্য সংশোধন করার জন্য ফলাফলগুলি পুনরায় ওজন করা হয়। ফলাফল হল প্রদত্ত সংখ্যক সিমুলেশনের জন্য অনেক বেশি লেজ পর্যবেক্ষণ, নাটকীয়ভাবে আগ্রহের অঞ্চলে VaR অনুমানের মান ত্রুটি হ্রাস করে। গুরুত্বের নমুনা মাত্র 10,000-50,000 সিমুলেশন সহ 1,000,000 স্ট্যান্ডার্ড মন্টে কার্লো সিমুলেশনের লেজ অনুমান নির্ভুলতা অর্জন করতে পারে, যা সীমিত কম্পিউটেশনাল রিসোর্স সহ উচ্চ-নির্ভুল VaR প্রয়োজন এমন প্রতিষ্ঠানের জন্য এটি ব্যবহারিক করে তোলে।
রিটার্ন বিতরণের পছন্দ কীভাবে মন্টে কার্লো ভিএআরকে প্রভাবিত করে?
ডিস্ট্রিবিউশনাল অনুমান হল মন্টে কার্লো ভিএআর-এ একক সবচেয়ে গুরুত্বপূর্ণ মডেল পছন্দ। একটি সাধারণ বন্টন ব্যবহার করা লেজের ঝুঁকিকে অবমূল্যায়ন করে কারণ প্রকৃত আর্থিক আয় লেপ্টোকারটিক (ফ্যাট-টেইলড) এবং প্রায়ই নেতিবাচকভাবে তির্যক। স্বাধীনতার 4-8 ডিগ্রি সহ একজন ছাত্রের টি-ডিস্ট্রিবিউশন সাধারণত ইক্যুইটি রিটার্নের সাথে আরও ভালভাবে ফিট করে এবং 99% আত্মবিশ্বাসে 30-80% বেশি VaR তৈরি করে। এক্সট্রিম ভ্যালু থিওরি (EVT) - বিশেষ করে লেজ মডেলিংয়ের জন্য সাধারণীকৃত প্যারেটো ডিস্ট্রিবিউশন - 99.9% VaR-এর জন্য প্রয়োজনীয় অত্যন্ত গভীর লেজের অনুমান করার জন্য সবচেয়ে কঠোর পদ্ধতি। অনুশীলনে, অত্যাধুনিক ঝুঁকি ব্যবস্থা প্রায়শই বেশিরভাগ রিটার্ন বিতরণের জন্য স্বাভাবিক বন্টন ব্যবহার করে কিন্তু চরম শতাংশের জন্য EVT ব্যবহার করে একটি পৃথক টেল মডেল ফিট করে।
এড়ানোর সাধারণ ভুল
▾
- !কাঙ্ক্ষিত আত্মবিশ্বাসের স্তরের জন্য খুব কম সিমুলেশন ব্যবহার করে, উচ্চ সিমুলেশন ত্রুটি তৈরি করে যা প্রয়োজনীয় VaR নির্ভুলতা অতিক্রম করে।
- !প্রকৃত রিটার্ন ডিস্ট্রিবিউশন ফ্যাট-টেইলড হলে স্বাভাবিক রিটার্ন ধরে নেওয়া — ভাল টেইল মডেলিংয়ের জন্য টি-ডিস্ট্রিবিউশন বা EVT ব্যবহার করুন।
- !পারস্পরিক সম্পর্ক কাঠামো উপেক্ষা করা বা জটিল ফ্যাক্টর মডেলের প্রয়োজন হলে একটি সাধারণ একক-সম্পর্ক অনুমান ব্যবহার করা।
- !গামা (উত্তল) ঝুঁকি মিস করে এমন ডেল্টা-স্বাভাবিক অনুমান ব্যবহার করে বিকল্পগুলির জন্য সম্পূর্ণ পুনর্মূল্যায়ন করা হচ্ছে না।
- !নির্দিষ্ট ঐতিহাসিক সংকট পরিস্থিতির জন্য স্ট্রেস টেস্টের সাথে সম্পূরক না করে মন্টে কার্লো ভিএআরকে সম্পূর্ণ ঝুঁকি পরিমাপ হিসাবে বিবেচনা করা।
প্রো টিপ
সর্বদা একটি কনভারজেন্স পরীক্ষা চালান: সিমুলেশনের সংখ্যার ফাংশন হিসাবে মন্টে কার্লো ভিএআর অনুমান প্লট করুন। যদি অনুমান এখনও 10,000 সিমুলেশনে বস্তুগতভাবে পরিবর্তিত হয়, তাহলে ফলাফলগুলি ব্যবহার করার আগে N বাড়ান বা প্রকরণ হ্রাস প্রয়োগ করুন।
আপনি কি জানেন?
মন্টে কার্লো সিমুলেশনটি লস আলামোস ন্যাশনাল ল্যাবরেটরির পদার্থবিদদের দ্বারা দ্বিতীয় বিশ্বযুদ্ধের সময় বিকশিত হয়েছিল — স্ট্যানিসলা উলাম, জন ভন নিউম্যান এবং নিকোলাস মেট্রোপলিস — পারমাণবিক চুল্লিতে নিউট্রন বিচ্ছুরণের মডেল করার জন্য। নামটি এসেছে মোনাকোর মন্টে কার্লো ক্যাসিনো থেকে, যেখানে উলামের চাচা প্রায়শই জুয়া খেলতেন। একই কৌশল এখন আধুনিক আর্থিক ঝুঁকি ব্যবস্থাপনা, ওষুধের কার্যকারিতা মডেলিং, এবং জলবায়ু পরিবর্তন সিমুলেশনকে আন্ডারপিন করে।
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
তথ্যসূত্র
- ›গ্লাসারম্যান, পি.: মন্টে কার্লো মেথডস ইন ফাইন্যান্সিয়াল ইঞ্জিনিয়ারিং, স্প্রিংগার (2003)
- ›বাসেল কমিটি: বড় এক্সপোজার পরিমাপ এবং নিয়ন্ত্রণের জন্য সুপারভাইজরি ফ্রেমওয়ার্ক (2014)
- ›ম্যাকনিল, ফ্রে এবং এমব্রেচটস: কোয়ান্টিটেটিভ রিস্ক ম্যানেজমেন্ট, প্রিন্সটন ইউনিভার্সিটি প্রেস
- ›ইনভেস্টোপিডিয়া: ঝুঁকি ব্যবস্থাপনায় মন্টে কার্লো সিমুলেশন
সাপ্তাহিক গণিত টিপস পান
১২,০০০+ সদস্যদের সাথে যোগ দিন যারা প্রতি সপ্তাহে ক্যালকুলেটর টিপস পান।