Zum Inhalt springen
Calkulon

અદ્યતન નાણા અને વ્યવસાય

Monte Carlo VaR Simulator

What is Monte Carlo VaR Simulator?

▾

મોન્ટે કાર્લો વીએઆર સિમ્યુલેશન એ જોખમના મૂલ્યનો અંદાજ કાઢવા માટેનો એક કોમ્પ્યુટેશનલ અભિગમ છે કે જે હજારો (અથવા લાખો) અનુમાનિત પોર્ટફોલિયો રીટર્ન દૃશ્યો બનાવે છે, મોડેલ કરેલ વળતર વિતરણોમાંથી રેન્ડમલી સેમ્પલિંગ દ્વારા, પછી કોઈપણ વિશ્વાસ સ્તરે VaR અને CVaR નો અંદાજ કાઢવા માટે પરિણામી સિમ્યુલેટેડ નુકશાન વિતરણનો ઉપયોગ કરે છે. પેરામેટ્રિક VaR (જે એક નિશ્ચિત વિતરણ આકાર ધારે છે, સામાન્ય રીતે સામાન્ય) અથવા ઐતિહાસિક સિમ્યુલેશન (જે અવલોકન કરાયેલ ઐતિહાસિક દૃશ્યો સુધી મર્યાદિત છે)થી વિપરીત, મોન્ટે કાર્લો સિમ્યુલેશન જટિલ વિતરણ ધારણાઓ, બિન-રેખીય સાધનો, બહુ-પરિબળ એક્સપોઝર, અને અસંસ્કારી અસ્કયામતો વચ્ચેના સહસંબંધોનું મોડેલ બનાવી શકે છે. મોન્ટે કાર્લો વીએઆર પ્રક્રિયા એસેટ રિટર્ન કેવી રીતે જનરેટ થાય છે તે માટેના મોડલનો ઉલ્લેખ કરીને શરૂ થાય છે — સામાન્ય રીતે અપેક્ષિત વળતર, અસ્થિરતા અને સહસંબંધો (સંભવતઃ ચરબીની પૂંછડીઓ અથવા સ્ટોકેસ્ટિક વોલેટિલિટી સાથે) સાથેનું મલ્ટિવેરિયેટ મોડલ. આ વિતરણમાંથી રેન્ડમ ડ્રો સિમ્યુલેટેડ રીટર્ન પાથ જનરેટ કરે છે. દરેક સિમ્યુલેટેડ દૃશ્ય માટે, પોર્ટફોલિયો નફો અથવા નુકસાનની ગણતરી કરવામાં આવે છે. આવા હજારો દૃશ્યો પછી, પોર્ટફોલિયો P&L ના પરિણામી વિતરણને ક્રમાંકિત કરવામાં આવે છે, અને VaR એ યોગ્ય ટકાવારી તરીકે વાંચવામાં આવે છે (દા.ત., 99% VaR માટે 1લી પર્સેન્ટાઇલ), જ્યારે CVaR એ તે બિંદુથી આગળના તમામ નુકસાનની સરેરાશ છે. મોન્ટે કાર્લો સિમ્યુલેશન વિકલ્પો અને અન્ય બિન-રેખીય ડેરિવેટિવ્સ ધરાવતા પોર્ટફોલિયો માટે ખાસ કરીને શક્તિશાળી છે, જ્યાં બજારની ચાલ માટે પોર્ટફોલિયોનો પ્રતિસાદ બિન-રેખીય હોય છે અને સરળ પેરામેટ્રિક પદ્ધતિઓ સાથે ચોક્કસ રીતે અંદાજિત કરી શકાતો નથી. તે પાથ-આશ્રિત સાધનો (જેમ કે અવરોધ વિકલ્પો અને મોર્ટગેજ-બેક્ડ સિક્યોરિટીઝ), ફેટ-ટેલ્ડ ડિસ્ટ્રિબ્યુશન (સ્ટુડન્ટ્સ ટી, પેરેટો) ને સમાવિષ્ટ કરી શકે છે અને અસમપ્રમાણ વળતર વિતરણને કૅપ્ચર કરી શકે છે. જો કે, મોન્ટે કાર્લો વીએઆર કોમ્પ્યુટેશનલી સઘન છે - હજારો હોદ્દા સાથેના મોટા પોર્ટફોલિયોને નોંધપાત્ર કમ્પ્યુટિંગ સંસાધનોની જરૂર પડી શકે છે - અને પરિણામો દૃશ્યો જનરેટ કરવા માટે ઉપયોગમાં લેવાતી મોડેલ ધારણાઓ પ્રત્યે સંવેદનશીલ છે. મોન્ટે કાર્લો વીએઆરની નિર્ણાયક મર્યાદા એ છે કે તે મોડેલના અવકાશની બહારના દૃશ્યો જનરેટ કરી શકતી નથી. જો મોડલને તાજેતરના ડેટા માટે માપાંકિત કરવામાં આવે, તો તે લાંબા-પૂંછડીવાળા જોખમોને ચૂકી શકે છે જે તાજેતરમાં સાકાર થયા નથી. આથી જ મોન્ટે કાર્લો વીએઆરને ઐતિહાસિક કટોકટીના દૃશ્યોનો ઉપયોગ કરીને તણાવ પરીક્ષણ સાથે પૂરક બનાવવું આવશ્યક છે. ભિન્નતા ઘટાડવાની તકનીકો (એન્ટિથેટિક વેરિયેબલ્સ, કંટ્રોલ વેરિએટ્સ, સ્તરીકૃત નમૂના) નો ઉપયોગ ગણતરીની કાર્યક્ષમતામાં સુધારો કરવા અને આપેલ સંખ્યાના દૃશ્યો માટે સિમ્યુલેશન ભૂલ ઘટાડવા માટે થાય છે.

Calkulon makes complex calculations simple — built for students and everyday problem-solvers.

સૂત્ર

▾
f(x)1. N કોરિલેટેડ રીટર્ન વેક્ટરનું અનુકરણ કરો: R_sim = μ + L × Z (Σ નું L=ચોલેસ્કી, Z=સ્ટાન્ડર્ડ નોર્મલ્સ) 2. દરેક દૃશ્ય માટે પોર્ટફોલિયો P&L ની ગણતરી કરો: P&L_i = પોર્ટફોલિયો × R_sim_i 3. P&Lને સૌથી ખરાબથી શ્રેષ્ઠમાં સૉર્ટ કરો; VaR_α = −P&L (1−α)મી ટકાવારી પર 4. CVaR_α = −સરેરાશ(VAR થ્રેશોલ્ડ નીચે P&L)

Variable Legend

▾
પ્રતીકનામએકમવર્ણન
Nસિમ્યુલેશનની સંખ્યાcountકુલ સિમ્યુલેટેડ દૃશ્યો; જોખમની જાણ કરવા માટે સામાન્ય રીતે 10,000-100,000; ઉચ્ચ-ચોકસાઇવાળી મૂડી ગણતરીઓ માટે વધુ.
ρએસેટ કોરિલેશન મેટ્રિક્સratioઅસ્કયામતો વચ્ચે જોડીવાર સહસંબંધ; ચોલેસ્કી વિઘટન દ્વારા સહસંબંધિત રેન્ડમ વળતર જનરેટ કરવા માટે વપરાય છે.
σ_iએસેટ વોલેટિલિટી%/periodદરેક એસેટ i માટે વળતરનું પ્રમાણભૂત વિચલન; ઐતિહાસિક ડેટામાંથી માપાંકિત અથવા વિકલ્પો બજારોમાંથી ગર્ભિત.
VaR_MCમોન્ટે કાર્લો VaRUSDસિમ્યુલેટેડ P&L વિતરણમાંથી (1−α) ટકાવારીનું નુકસાન; પેરામેટ્રિક VaR નું સિમ્યુલેટેડ સમકક્ષ.
SE_VaRસિમ્યુલેશન માનક ભૂલUSDમોન્ટે કાર્લો VaR માં આંકડાકીય અંદાજ ભૂલ; √N સાથે ઘટે છે — 4× વધુ સિમ્યુલેશન ભૂલને અડધી કરે છે.

How to Monte Carlo VaR Simulator

▾
  1. 1વળતર મોડલનો ઉલ્લેખ કરો: તમામ પોર્ટફોલિયો અસ્કયામતો માટે અપેક્ષિત વળતર (μ), માનક વિચલનો (σ), અને સહસંબંધ મેટ્રિક્સ (ρ) વ્યાખ્યાયિત કરો.
  2. 2સહસંબંધિત અવ્યવસ્થિત ચલો પેદા કરવા માટે સહસંબંધ મેટ્રિક્સનું ચોલેસ્કી વિઘટન કરો.
  3. 3સ્વતંત્ર પ્રમાણભૂત સામાન્ય રેન્ડમ સંખ્યાઓના N સેટ દોરો; સહસંબંધિત વળતર વેક્ટર બનાવવા માટે Cholesky પરિબળનો ઉપયોગ કરીને પરિવર્તન કરો.
  4. 4દરેક સિમ્યુલેટેડ રીટર્ન વેક્ટર માટે પોર્ટફોલિયો P&Lની ગણતરી કરો: રેખીય પોર્ટફોલિયો માટે P&L = Σ(weight_i × portfolio_value × return_i); વિકલ્પો માટે સંપૂર્ણ પુન:મૂલ્યાંકનનો ઉપયોગ કરો.
  5. 5બધા N સિમ્યુલેટેડ P&L પરિણામોને સૌથી ખરાબથી શ્રેષ્ઠ સુધી સૉર્ટ કરો.
  6. 6VaR વાંચો: (1−α) × N-th અવલોકન પર નુકસાન (દા.ત., 10,000 સિમ્યુલેશન સાથે 99% VaR માટે 100મું સૌથી ખરાબ).
  7. 7CVaR ની ગણતરી કરો: VaR કરતાં ખરાબ તમામ નુકસાનની સરેરાશ (ઉદા., 10,000 સિમ્યુલેશન સાથે 99% CVaR માટે સૌથી ખરાબ 100 પરિણામોની સરેરાશ).

Worked Examples

▾
Example 1ટુ-એસેટ પોર્ટફોલિયો મોન્ટે કાર્લો
Given:સ્ટોક્સ(60%): σ=20%/yr, બોન્ડ(40%): σ=5%/yr, ρ=−0.30; પોર્ટફોલિયો=$1M, 10,000 સિમ્યુલેશન, 95% VaR
પરિણામ:વાર્ષિક VaR₉₅%≈$175,000 | CVaR₉₅%≈$230,000 | સિમ્યુલેશન SE≈±$3,500

નકારાત્મક સહસંબંધ પોર્ટફોલિયો VaR ને નોંધપાત્ર રીતે ઘટાડે છે

પોર્ટફોલિયો વાર્ષિક વોલેટિલિટી ≈ √(0.6²×0.2² + 0.4²×0.05² + 2×0.6×0.4×(-0.3)×0.2×0.05) ≈ 11.7%. મોન્ટે કાર્લો 10,000 સહસંબંધિત વાર્ષિક વળતર જોડીઓ બનાવે છે; પોર્ટફોલિયો P&L દરેક માટે ગણતરી કરેલ. સૌથી ખરાબ 500 પરિણામો (5%) સરેરાશ અંદાજે પોર્ટફોલિયોના −23% = −$230,000 (CVaR). 500મું સૌથી ખરાબ પરિણામ ≈ −17.5% = −$175,000 (VaR). સહસંબંધ લાભ (ρ=0) વિના, VaR અંદાજે $220,000 હશે — નકારાત્મક બોન્ડ-સ્ટોક સહસંબંધથી $45,000 જોખમમાં ઘટાડો દર્શાવે છે.

Example 2વિકલ્પો પોર્ટફોલિયો - સંપૂર્ણ પુન:મૂલ્યાંકન
Given:લાંબા ઇક્વિટી કૉલ વિકલ્પો: અંતર્ગત=$100, K=$105, T=30 દિવસ, σ=25%, પોર્ટફોલિયો ડેલ્ટા=$500K સમકક્ષ; 10,000 દૃશ્યો
પરિણામ:1-દિવસ VaR₉₉%≈$18,000 | ડેલ્ટા-સામાન્ય VaR≈$14,000 | તફાવત: ગામાથી +$4,000

મોન્ટે કાર્લો બિન-રેખીય ગામા અસર મેળવે છે; પેરામેટ્રિક તેને ચૂકી જાય છે

ગામા (બહિર્મુખતા) ને કારણે વિકલ્પોમાં બિન-રેખીય P&L હોય છે. ડેલ્ટા-સામાન્ય VaR વિકલ્પોને રેખીય તરીકે અંદાજે છે (માત્ર ડેલ્ટાનો ઉપયોગ કરે છે), જે $14,000 VaRનું ઉત્પાદન કરે છે. દરેક સિમ્યુલેટેડ અંતર્ગત કિંમત માટે બ્લેક-સ્કોલ્સનો ઉપયોગ કરીને સંપૂર્ણ મોન્ટે કાર્લો પુનઃમૂલ્યાંકન સંપૂર્ણ બિન-રેખીય પ્રતિસાદ મેળવે છે, જે $18,000 VaR ઉત્પન્ન કરે છે - 29% વધુ. વધારાનું જોખમ ગામાથી આવે છે: મોટી ચાલ ડેલ્ટા-રેખીય અંદાજની આગાહી કરતાં વધુ P&L ફેરફારનું કારણ બને છે. મોટા વિકલ્પો પુસ્તકો માટે, આ બિન-રેખીયતા સુધારણા સામગ્રી હોઈ શકે છે, જે સંપૂર્ણ પુનઃમૂલ્યાંકન મોન્ટે કાર્લોને આવશ્યક બનાવે છે.

Example 3ફેટ-ટેલ ડિસ્ટ્રિબ્યુશન VaR સરખામણી
Given:પોર્ટફોલિયો σ=2%/દિવસ; સામાન્ય વિ. વિદ્યાર્થી-ટી (4 ડીએફ) મોન્ટે કાર્લો; 99% આત્મવિશ્વાસ, $10M પોર્ટફોલિયો
પરિણામ:સામાન્ય મોન્ટે કાર્લો VaR=$465K | વિદ્યાર્થી-ટી VaR=$700K | 51% તફાવત

ચરબીની પૂંછડીઓ (ટી-વિતરણ) ભૌતિક રીતે ઉચ્ચ VaR ઉત્પન્ન કરે છે

દૈનિક σ=2% માટે: સામાન્ય 99% VaR = 2.326 × 2% × $10M = $465,200. 4 ડિગ્રી સ્વતંત્રતા સાથે વિદ્યાર્થી-ટીની પૂંછડીઓ ભારે છે: 99મી પર્સેન્ટાઇલ આશરે 3.747σ (સામાન્ય માટે વિ. 2.326σ) છે, જે VaR = 3.747 × 2% × $10M = $749,400 આપે છે. 51% તફાવત બતાવે છે કે શા માટે મોન્ટે કાર્લોમાં સામાન્યતા ધારણ કરવાથી પૂંછડીના જોખમને નાટ્યાત્મક રીતે ઓછું કરી શકાય છે. વાસ્તવિક ઇક્વિટી વળતરમાં 4-8 (સામાન્ય કર્ટોસિસ = 3) નું કુર્ટોસિસ હોય છે, જે ભારે નુકસાનનો અંદાજ કાઢવા માટે ફેટ-ટેઇલ મોડલને નોંધપાત્ર રીતે વધુ સચોટ બનાવે છે.

Example 4કન્વર્જન્સ એનાલિસિસ — સિમ્યુલેશન એરર
Given:સાચું 95% VaR = $200,000; N=100, 1,000, 10,000, 100,000 સિમ્યુલેશન
પરિણામ:N=100 પર SE: ±$45K | N=1,000: ±$14K | N=10,000: ±$4.5K | N=100,000: ±$1.4K

પ્રમાણભૂત ભૂલ 1/√N તરીકે સંકોચાય છે — 100× વધુ સિમ્સ = 10× વધુ ચોકસાઇ

મોન્ટે કાર્લો VaR પ્રમાણભૂત ભૂલ ≈ σ_portfolio × √(α(1−α)/N) / f(VaR), જ્યાં f એ VaR ક્વોન્ટાઇલ પર PDF છે. N=100 સિમ્યુલેશન સાથે, અંદાજમાં ±$45,000 અનિશ્ચિતતા છે — વ્યવહારિક ઉપયોગ માટે ખૂબ જ અચોક્કસ. N=10,000 ±$4,500 આપે છે, જે દૈનિક રિપોર્ટિંગ માટે સ્વીકાર્ય છે. નિયમનકારી મૂડી માટે (જ્યાં $200,000 VaR પર $4,500 એ 2.25% સંબંધિત ભૂલ છે), N=100,000 અથવા વધુની જરૂર પડી શકે છે. ભિન્નતા ઘટાડવાની તકનીકો (એન્ટીથેટીક સેમ્પલિંગ, મહત્વના નમૂના) ઘણા ઓછા સિમ્યુલેશન સાથે N=100,000 ની ચોકસાઈ હાંસલ કરી શકે છે.

Real-World Applications

▾
🏗️

ઇન્વેસ્ટમેન્ટ બેંક ટ્રેડિંગ બુક VaR અને મૂડી ગણતરી

🔬

હેજ ફંડ દૈનિક જોખમ મોનીટરીંગ અને પોર્ટફોલિયો ઓપ્ટિમાઇઝેશન

📊

સંપૂર્ણ પુનર્મૂલ્યાંકન સાથે વિકલ્પો ડેસ્ક જોખમ સંચાલન

🏥

વીમા કંપની રિઝર્વિંગ અને સોલ્વન્સી II કેપિટલ મોડલ

⚙️

પેન્શન ફંડ એસેટ-લાયબિલિટી મેનેજમેન્ટ અને જવાબદારી આધારિત રોકાણ

Special Cases

▾

વ્યવહારમાં, આ ધાર કેસને સાવચેતીપૂર્વક વિચારણાની જરૂર છે કારણ કે પ્રમાણભૂત ધારણાઓ પકડી શકાતી નથી. મોન્ટે કાર્લો વર સિમ્યુલેટર ગણતરીમાં આ દૃશ્યનો સામનો કરતી વખતે, પ્રેક્ટિશનરોએ સીમાની સ્થિતિ ચકાસવી જોઈએ, શૂન્ય-બાય-શૂન્ય જોખમો માટે તપાસ કરવી જોઈએ અને આ આત્યંતિક પરિસ્થિતિઓમાં મોડેલની ધારણાઓ માન્ય રહે છે કે કેમ તે ધ્યાનમાં લેવું જોઈએ.

વ્યવહારમાં, આ ધાર કેસને સાવચેતીપૂર્વક વિચારણાની જરૂર છે કારણ કે પ્રમાણભૂત ધારણાઓ પકડી શકાતી નથી. મોન્ટે કાર્લો વર સિમ્યુલેટર ગણતરીમાં આ દૃશ્યનો સામનો કરતી વખતે, પ્રેક્ટિશનરોએ સીમાની સ્થિતિ ચકાસવી જોઈએ, શૂન્ય-બાય-શૂન્ય જોખમો માટે તપાસ કરવી જોઈએ અને આ આત્યંતિક પરિસ્થિતિઓમાં મોડેલની ધારણાઓ માન્ય રહે છે કે કેમ તે ધ્યાનમાં લેવું જોઈએ.

વ્યવહારમાં, આ ધાર કેસને સાવચેતીપૂર્વક વિચારણાની જરૂર છે કારણ કે પ્રમાણભૂત ધારણાઓ પકડી શકાતી નથી. મોન્ટે કાર્લો વર સિમ્યુલેટર ગણતરીમાં આ દૃશ્યનો સામનો કરતી વખતે, પ્રેક્ટિશનરોએ સીમાની સ્થિતિ ચકાસવી જોઈએ, શૂન્ય-બાય-શૂન્ય જોખમો માટે તપાસ કરવી જોઈએ અને આ આત્યંતિક પરિસ્થિતિઓમાં મોડેલની ધારણાઓ માન્ય રહે છે કે કેમ તે ધ્યાનમાં લેવું જોઈએ.

નમૂનાના કદ દ્વારા મોન્ટે કાર્લો સિમ્યુલેશન ચોકસાઇ

▾
અનુકરણ (N)પૂંછડી ઓબ્સ. 99% પરVaR માનક ભૂલમાટે ભલામણ કરેલ
1,00010~15% સંબંધિતમાત્ર પ્રારંભિક પ્રોટોટાઇપિંગ
10,000100~5% સંબંધિતદૈનિક 95% VaR રિપોર્ટિંગ
100,0001,000~1.5% સંબંધિત99% VaR / નિયમનકારી રિપોર્ટિંગ
1,000,00010,000~0.5% સંબંધિત99.9% આર્થિક મૂડી
10,000,000100,000~0.15% સંબંધિતવીમો અત્યંત પૂંછડી અંદાજ

Frequently Asked Questions

▾
Q

પેરામેટ્રિક અને ઐતિહાસિક પદ્ધતિઓ પર મોન્ટે કાર્લો વીએઆરના ફાયદા શું છે?

A

મોન્ટે કાર્લો VaR ત્રણ મુખ્ય ફાયદાઓ પ્રદાન કરે છે. પ્રથમ, તે બિન-રેખીય સાધનો (વિકલ્પો, મોર્ટગેજ-બેક્ડ સિક્યોરિટીઝ, સ્ટ્રક્ચર્ડ પ્રોડક્ટ્સ) ને હેન્ડલ કરી શકે છે જે ડેલ્ટા-સામાન્ય પેરામેટ્રિક પદ્ધતિઓ દ્વારા ચોક્કસ રીતે કેપ્ચર કરી શકાતા નથી. બીજું, તે કોઈપણ વળતર વિતરણને મોડેલ કરી શકે છે - સામાન્ય, ચરબી-પૂંછડી (ટી-વિતરણ), ત્રાંસી (અસમપ્રમાણ), અથવા વપરાશકર્તા-નિર્દિષ્ટ - સામાન્યતાને મર્યાદિત કરવાને બદલે. ત્રીજું, તે સંભવિત પરિણામોની વિશાળ શ્રેણીને આવરી લેતા, ઐતિહાસિક ડેટામાં હાજર ન હોય તેવા દૃશ્યો પેદા કરી શકે છે. ઐતિહાસિક સિમ્યુલેશન વાસ્તવમાં જે બન્યું છે તેના સુધી મર્યાદિત છે; મોન્ટે કાર્લો એવા દૃશ્યોનું અનુકરણ કરી શકે છે જે હજી સુધી બન્યા નથી પરંતુ મોડલ કરેલ વિતરણને જોતાં તે શક્ય છે.

Q

વિશ્વસનીય મોન્ટે કાર્લો VaR માટે કેટલા સિમ્યુલેશનની જરૂર છે?

A

સિમ્યુલેશનની આવશ્યક સંખ્યા આત્મવિશ્વાસના સ્તર અને ઇચ્છિત ચોકસાઇ પર આધારિત છે. 95% VaR માટે: N=1,000 આશરે 50 પૂંછડી અવલોકનો આપે છે - ભાગ્યે જ પર્યાપ્ત. N=10,000 500 પૂંછડી અવલોકનો આપે છે — સામાન્ય રીતે દૈનિક રિપોર્ટિંગ માટે પૂરતું છે. 99% VaR માટે: N=10,000 માત્ર 100 પૂંછડી અવલોકનો આપે છે; N=100,000 પસંદ કરવામાં આવે છે. 99.9% VaR (આર્થિક મૂડી) માટે: લાખો સિમ્યુલેશનની જરૂર પડી શકે છે. નિયમ પ્રમાણે: સ્થિર અંદાજો માટે પૂંછડીમાં ઓછામાં ઓછા 100-200 અવલોકનોને લક્ષ્ય બનાવો. ભિન્નતા ઘટાડવાની તકનીકો કોમ્પ્યુટેશનલ જરૂરિયાતોને નોંધપાત્ર રીતે ઘટાડી શકે છે.

Q

ચોલેસ્કી વિઘટન શું છે અને તે મોન્ટે કાર્લોમાં શા માટે વપરાય છે?

A

ચોલેસ્કી વિઘટન પરિબળ એક સહસંબંધ (અથવા સહપ્રવર્તન) મેટ્રિક્સને નીચલા ત્રિકોણાકાર મેટ્રિક્સ L માં પરિબળ કરે છે જેમ કે LL' = Σ. તેનો ઉપયોગ મોન્ટે કાર્લો સિમ્યુલેશનમાં સહસંબંધિત રેન્ડમ ચલોને જનરેટ કરવા માટે થાય છે: જો Z એ સ્વતંત્ર પ્રમાણભૂત સામાન્ય રેન્ડમ સંખ્યાઓનો વેક્ટર છે, તો R = L × Z એ સહસંબંધિત સામાન્ય રેન્ડમ ચલોનો વેક્ટર છે Σ કોવિરેન્સ સ્ટ્રક્ચર સાથે. આ પગલા વિના, પોર્ટફોલિયો જોખમ માટે મહત્વપૂર્ણ એવા સહસંબંધોને અવગણીને, રેન્ડમલી જનરેટ થયેલ વળતર એસેટ્સ પર સ્વતંત્ર હશે. ચોલેસ્કી વિઘટન માટે કોવેરિયન્સ મેટ્રિક્સ સકારાત્મક અર્ધ-નિશ્ચિત હોવું જરૂરી છે — જો મેટ્રિક્સ નજીક-એકવચન હોય અથવા નકારાત્મક ઇજેનવેલ્યુ (ઘણી સંપત્તિ સાથે શક્ય હોય) હોય, તો નિયમિતીકરણ તકનીકોની જરૂર છે.

Q

મોન્ટે કાર્લો સિમ્યુલેશનમાં 'પરિમાણીયતાનો શાપ' શું છે?

A

જેમ જેમ જોખમી પરિબળો (સંપત્તિ, ઉપજ વળાંક પોઈન્ટ, વોલેટિલિટી સપાટી પોઈન્ટ)ની સંખ્યામાં વધારો થાય છે તેમ, બહુવિધ વિતરણને પર્યાપ્ત રીતે આવરી લેવા માટે જરૂરી અનુકરણોની સંખ્યા ઝડપથી વધે છે. 2 અસ્કયામતો માટે, થોડા હજાર સિમ્યુલેશન વાજબી રીતે જગ્યાને આવરી લે છે. 100 સહસંબંધિત સંપત્તિઓ માટે, લાખો સિમ્યુલેશન પણ આત્યંતિક સંયુક્ત દૃશ્યોના છૂટાછવાયા કવરેજને છોડી શકે છે. આ કોમ્પ્યુટેશનલ પડકાર - પરિમાણીયતાનો શાપ - પરિબળ ઘટાડો (સહસંબંધ માળખાના મુખ્ય ઘટક વિશ્લેષણ), સ્તરીકૃત નમૂના અને અર્ધ-રેન્ડમ (ઓછી-વિસંગતતા) સિક્વન્સ (હેલ્ટન, સોબોલ) દ્વારા સંબોધવામાં આવે છે, જે પેરામીટર સ્પેસને શુદ્ધ રીતે કરતાં વધુ સમાનરૂપે આવરી લે છે.

Q

મોન્ટે કાર્લો વીએઆર સ્ટોકેસ્ટિક વોલેટિલિટીને કેવી રીતે હેન્ડલ કરે છે?

A

સ્ટાન્ડર્ડ મોન્ટે કાર્લો સતત વોલેટિલિટી (σ) ધારે છે, પરંતુ વાસ્તવિક બજારની અસ્થિરતા સમય-વૃદ્ધિ અને સરેરાશ-પાછળ થતી હોય છે. સ્ટોકેસ્ટિક વોલેટિલિટી મોડલ્સ (હેસ્ટન મોડલ, SABR મોડલ, GARCH) મોડલ વોલેટિલિટી પોતે એક રેન્ડમ પ્રક્રિયા છે. હેસ્ટન મોડલ મોન્ટે કાર્લોમાં, સંપત્તિની કિંમત અને અસ્થિરતા પ્રક્રિયા બંને એકસાથે સહસંબંધિત બ્રાઉનિયન ગતિનો ઉપયોગ કરીને સિમ્યુલેટ કરવામાં આવે છે, ઇક્વિટી વળતર અને ગર્ભિત વોલેટિલિટી ('વોલેટિલિટી સ્મિત') વચ્ચેના નકારાત્મક સહસંબંધને પકડે છે. આ નકારાત્મક skewness અને ભારે ડાબી પૂંછડીઓ સાથે વધુ વાસ્તવિક P&L વિતરણો ઉત્પન્ન કરે છે, ખાસ કરીને વિકલ્પો પોર્ટફોલિયો માટે મહત્વપૂર્ણ જ્યાં વેગા જોખમ (અસ્થિરતા ફેરફારો પ્રત્યે સંવેદનશીલતા) નોંધપાત્ર છે.

Q

મોન્ટે કાર્લો વીએઆરમાં સેમ્પલિંગનું મહત્વ શું છે?

A

ઇમ્પોર્ટન્સ સેમ્પલિંગ એ વેરિઅન્સ રિડક્શન ટેકનિક છે જે પૂંછડીના પ્રદેશોમાં સિમ્યુલેશનને કેન્દ્રિત કરે છે જે VaR અને CVaR અંદાજ માટે સૌથી મહત્વપૂર્ણ છે. સમાન રીતે નમૂના લેવાને બદલે, સિમ્યુલેશનની સંભાવના વધુ આત્યંતિક દૃશ્યો તરફ ખસેડવામાં આવે છે, અને આ પૂર્વગ્રહને સુધારવા માટે પરિણામોનું ફરીથી વજન કરવામાં આવે છે. પરિણામ આપેલ સંખ્યાના સિમ્યુલેશન માટે વધુ પૂંછડી અવલોકનો છે, જે રસના ક્ષેત્રમાં VaR અંદાજની પ્રમાણભૂત ભૂલને નાટકીય રીતે ઘટાડે છે. મહત્વના નમૂના માત્ર 10,000-50,000 સિમ્યુલેશન સાથે 1,000,000 માનક મોન્ટે કાર્લો સિમ્યુલેશનની પૂંછડી અંદાજની ચોકસાઈ હાંસલ કરી શકે છે, જે તે સંસ્થાઓ માટે વ્યવહારુ બનાવે છે જેને મર્યાદિત કોમ્પ્યુટેશનલ સંસાધનો સાથે ઉચ્ચ-ચોકસાઇવાળા VaRની જરૂર હોય છે.

Q

વળતર વિતરણની પસંદગી મોન્ટે કાર્લો વીએઆરને કેવી રીતે અસર કરે છે?

A

મોન્ટે કાર્લો વીએઆરમાં વિતરણની ધારણા એ એકમાત્ર સૌથી મહત્વપૂર્ણ મોડેલ પસંદગી છે. સામાન્ય વિતરણનો ઉપયોગ પૂંછડીના જોખમને ઓછો અંદાજ આપે છે કારણ કે વાસ્તવિક નાણાકીય વળતર લેપ્ટોક્યુર્ટિક (ચરબી-પૂંછડીવાળું) હોય છે અને ઘણી વખત નકારાત્મક રીતે વળેલું હોય છે. સ્વતંત્રતાના 4-8 ડિગ્રી સાથે વિદ્યાર્થીનું ટી-વિતરણ સામાન્ય રીતે ઇક્વિટી વળતરને વધુ સારી રીતે બંધબેસે છે અને 99% આત્મવિશ્વાસ સાથે 30-80% વધુ VaR ઉત્પન્ન કરે છે. એક્સ્ટ્રીમ વેલ્યુ થિયરી (EVT) - ખાસ કરીને પૂંછડી મોડેલિંગ માટે સામાન્યકૃત પેરેટો વિતરણ - 99.9% VaR માટે જરૂરી ખૂબ જ ઊંડા પૂંછડીઓનો અંદાજ કાઢવા માટેનો સૌથી સખત અભિગમ છે. વ્યવહારમાં, અત્યાધુનિક જોખમ પ્રણાલીઓ મોટેભાગે મોટાભાગના વળતર વિતરણ માટે સામાન્ય વિતરણનો ઉપયોગ કરે છે પરંતુ અત્યંત ટકાવારી માટે EVTનો ઉપયોગ કરીને એક અલગ પૂંછડીનું મોડેલ ફિટ કરે છે.

Common Mistakes to Avoid

▾
  • !ઇચ્છિત આત્મવિશ્વાસ સ્તર માટે ખૂબ ઓછા સિમ્યુલેશનનો ઉપયોગ કરીને, ઉચ્ચ સિમ્યુલેશન ભૂલ ઉત્પન્ન કરે છે જે જરૂરી VaR ચોકસાઇ કરતાં વધી જાય છે.
  • !જ્યારે વાસ્તવિક વળતર વિતરણ ફેટ-ટેલ્ડ હોય ત્યારે સામાન્ય વળતર ધારણ કરો — વધુ સારી પૂંછડી મોડેલિંગ માટે ટી-ડિસ્ટ્રિબ્યુશન અથવા EVT નો ઉપયોગ કરો.
  • !જ્યારે જટિલ પરિબળ મોડલની જરૂર હોય ત્યારે સહસંબંધ માળખાને અવગણવું અથવા સરળ સિંગલ-સંબંધ ધારણાનો ઉપયોગ કરવો.
  • !ડેલ્ટા-સામાન્ય અંદાજનો ઉપયોગ કરીને વિકલ્પો માટે સંપૂર્ણ પુન:મૂલ્યાંકન કરતા નથી જે ગામા (બહિર્મુખતા) જોખમને ચૂકી જાય છે.
  • !ચોક્કસ ઐતિહાસિક કટોકટીના દૃશ્યો માટે તણાવ પરીક્ષણો સાથે પૂરક કર્યા વિના સંપૂર્ણ જોખમ માપન તરીકે મોન્ટે કાર્લો વીએઆરની સારવાર કરવી.
💡

Pro Tip

હંમેશા કન્વર્જન્સ ટેસ્ટ ચલાવો: સિમ્યુલેશનની સંખ્યાના કાર્ય તરીકે મોન્ટે કાર્લો VaR અંદાજને પ્લોટ કરો. જો અંદાજ હજુ પણ 10,000 સિમ્યુલેશન્સ પર ભૌતિક રીતે બદલાઈ રહ્યો છે, તો પરિણામોનો ઉપયોગ કરતા પહેલા N વધારો અથવા તફાવત ઘટાડો લાગુ કરો.

⭐

Did you know?

મોન્ટે કાર્લો સિમ્યુલેશન બીજા વિશ્વયુદ્ધ દરમિયાન લોસ એલામોસ નેશનલ લેબોરેટરી - સ્ટેનિસ્લાવ ઉલામ, જ્હોન વોન ન્યુમેન અને નિકોલસ મેટ્રોપોલિસ - પરમાણુ રિએક્ટરમાં ન્યુટ્રોન પ્રસરણનું મોડેલ બનાવવા માટે ભૌતિકશાસ્ત્રીઓ દ્વારા વિકસાવવામાં આવ્યું હતું. આ નામ મોનાકોના મોન્ટે કાર્લો કેસિનો પરથી આવ્યું છે, જ્યાં ઉલામના કાકા વારંવાર જુગાર રમતા હતા. આ જ તકનીક હવે આધુનિક નાણાકીય જોખમ વ્યવસ્થાપન, દવાની અસરકારકતા મોડેલિંગ અને આબોહવા પરિવર્તન સિમ્યુલેશનને અન્ડરપિન કરે છે.

Regional Guides

▾
🇺🇸 US▾
જ્યાં લાગુ હોય ત્યાં યુએસ રૂઢિગત એકમો અને ધોરણોનો ઉપયોગ કરે છે
🇬🇧 UK▾
મેટ્રિક એકમો અથવા બ્રિટિશ ધોરણોમાં રૂપાંતરણની જરૂર પડી શકે છે
🇪🇺 EU▾
જ્યાં લાગુ હોય ત્યાં EU સંમેલનો અને SI એકમોને અનુસરે છે

References

📖Difficulty:Advanced
માત્ર માહિતીના હેતુ માટે. આ ટૂલ નાણાકીય સલાહ નથી. રોકાણ અથવા નાણાકીય નિર્ણયો લેતા પહેલા લાયક નાણાકીય સલાહકારની સલાહ લો.
Formula-verified for precision
Reviewed October 2026
Our methodology

સાપ્તાહિક ગણિત ટિપ્સ મેળવો

12,000+ સબ્સ્ક્રાઇબર્સ સાથે જોડાઓ કે જેઓ દર અઠવાડિયે કેલ્ક્યુલેટર ટીપ્સ મેળવે છે.

🔒
100% मफत
क्यारेय नोंधणी नहीं
✓
सचोट
चकासायेल फॉर्म्युला
⚡
तात्कालिक
टाइप करतां ज परिणाम
📱
मोबाइल रेडी
बधा उपकरणो

સेटिंग्स

गोपनीयताशरतोविशे© 2026 Calkulon