उन्नत वित्त और व्यापार

Monte Carlo VaR Simulator

पोर्टफोलियो मूल्य

Annual Return (%)

Annual Volatility (%)

Horizon (days)

क्या है Monte Carlo VaR Simulator?

▾

मोंटे कार्लो वीएआर सिमुलेशन जोखिम पर मूल्य का अनुमान लगाने के लिए एक कम्प्यूटेशनल दृष्टिकोण है जो मॉडल किए गए रिटर्न वितरण से यादृच्छिक रूप से नमूनाकरण करके हजारों (या लाखों) काल्पनिक पोर्टफोलियो रिटर्न परिदृश्य उत्पन्न करता है, फिर किसी भी आत्मविश्वास स्तर पर वीएआर और सीवीएआर का अनुमान लगाने के लिए परिणामी सिम्युलेटेड हानि वितरण का उपयोग करता है। पैरामीट्रिक वीएआर (जो एक निश्चित वितरण आकार मानता है, आमतौर पर सामान्य) या ऐतिहासिक सिमुलेशन (जो देखे गए ऐतिहासिक परिदृश्यों तक सीमित है) के विपरीत, मोंटे कार्लो सिमुलेशन जटिल वितरण संबंधी मान्यताओं, गैर-रेखीय उपकरणों, बहु-कारक एक्सपोजर और संपत्तियों के बीच सहसंबंधों को पूरी तरह से लचीले ढांचे में मॉडल कर सकता है। मोंटे कार्लो वीएआर प्रक्रिया एक मॉडल को निर्दिष्ट करके शुरू होती है कि परिसंपत्ति रिटर्न कैसे उत्पन्न होता है - आमतौर पर अपेक्षित रिटर्न, अस्थिरता और सहसंबंध (संभवतः वसा पूंछ या स्टोकेस्टिक अस्थिरता के साथ) के साथ एक बहुभिन्नरूपी मॉडल। इस वितरण से यादृच्छिक ड्रॉ सिम्युलेटेड रिटर्न पथ उत्पन्न करते हैं। प्रत्येक अनुरूपित परिदृश्य के लिए, पोर्टफोलियो लाभ या हानि की गणना की जाती है। ऐसे हजारों परिदृश्यों के बाद, पोर्टफोलियो पी एंड एल के परिणामी वितरण को रैंक किया जाता है, और वीएआर को उचित प्रतिशत के रूप में पढ़ा जाता है (उदाहरण के लिए, 99% वीएआर के लिए पहला प्रतिशत), जबकि सीवीएआर उस बिंदु से परे सभी नुकसानों का औसत है। मोंटे कार्लो सिमुलेशन विकल्प और अन्य गैर-रेखीय डेरिवेटिव वाले पोर्टफोलियो के लिए विशेष रूप से शक्तिशाली है, जहां बाजार की चाल के लिए पोर्टफोलियो की प्रतिक्रिया गैर-रैखिक है और सरल पैरामीट्रिक तरीकों से इसका सटीक अनुमान नहीं लगाया जा सकता है। यह पथ-निर्भर उपकरणों (जैसे बाधा विकल्प और बंधक-समर्थित प्रतिभूतियां) को भी मॉडल कर सकता है, वसा-पूंछ वाले वितरण (छात्र टी, पेरेटो) को शामिल कर सकता है, और असममित रिटर्न वितरण को कैप्चर कर सकता है। हालाँकि, मोंटे कार्लो वीएआर कम्प्यूटेशनल रूप से गहन है - हजारों पदों वाले बड़े पोर्टफोलियो के लिए पर्याप्त कंप्यूटिंग संसाधनों की आवश्यकता हो सकती है - और परिणाम परिदृश्य उत्पन्न करने के लिए उपयोग की जाने वाली मॉडल मान्यताओं के प्रति संवेदनशील हैं। मोंटे कार्लो वीएआर की एक महत्वपूर्ण सीमा यह है कि यह मॉडल के दायरे से बाहर परिदृश्य उत्पन्न नहीं कर सकता है। यदि मॉडल को हाल के डेटा के अनुसार कैलिब्रेट किया जाता है, तो यह लंबे समय तक चलने वाले जोखिमों से चूक सकता है जो हाल ही में सामने नहीं आए हैं। यही कारण है कि मोंटे कार्लो वीएआर को ऐतिहासिक संकट परिदृश्यों का उपयोग करके तनाव परीक्षण के साथ पूरक किया जाना चाहिए। भिन्नता में कमी तकनीकों (एंटीथेटिक चर, नियंत्रण भिन्नता, स्तरीकृत नमूनाकरण) का उपयोग कम्प्यूटेशनल दक्षता में सुधार करने और किसी दिए गए परिदृश्यों के लिए सिमुलेशन त्रुटि को कम करने के लिए किया जाता है।

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

सूत्र

▾

f(x)

1. एन सहसंबद्ध रिटर्न वैक्टर का अनुकरण करें: R_sim = μ + L × Z (L=Σ का चोल्स्की, Z=मानक सामान्य)
2. प्रत्येक परिदृश्य के लिए पोर्टफोलियो P&L की गणना करें: P&L_i = पोर्टफोलियो × R_sim_i
3. P&L को सबसे खराब से सबसे अच्छे की ओर क्रमबद्ध करें; VaR_α = −P&L (1−α)वें प्रतिशतक पर
4. CVaR_α = −औसत(VaR सीमा से नीचे P&L)

चर विवरण

▾

प्रतीक	नाम	इकाई	विवरण
N	सिमुलेशन की संख्या	count	कुल अनुरूपित परिदृश्य; जोखिम रिपोर्टिंग के लिए आम तौर पर 10,000-100,000; उच्च परिशुद्धता पूंजी गणना के लिए और अधिक।
ρ	संपत्ति सहसंबंध मैट्रिक्स	ratio	परिसंपत्तियों के बीच जोड़ीवार सहसंबंध; चॉलेस्की अपघटन के माध्यम से सहसंबद्ध यादृच्छिक रिटर्न उत्पन्न करने के लिए उपयोग किया जाता है।
σ_i	संपत्ति की अस्थिरता	%/period	प्रत्येक परिसंपत्ति के लिए रिटर्न का मानक विचलन i; ऐतिहासिक डेटा से अंशांकित या विकल्प बाज़ारों से निहित।
VaR_MC	मोंटे कार्लो वीएआर	USD	सिम्युलेटेड P&L वितरण से (1−α) प्रतिशत हानि; पैरामीट्रिक वीएआर का सिम्युलेटेड समकक्ष।
SE_VaR	सिमुलेशन मानक त्रुटि	USD	मोंटे कार्लो वीएआर में सांख्यिकीय अनुमान त्रुटि; √N के साथ घटता है - 4× अधिक सिमुलेशन त्रुटि को आधा कर देता है।

कैसे Monte Carlo VaR Simulator

▾

1रिटर्न मॉडल निर्दिष्ट करें: सभी पोर्टफोलियो परिसंपत्तियों के लिए अपेक्षित रिटर्न (μ), मानक विचलन (σ), और सहसंबंध मैट्रिक्स (ρ) को परिभाषित करें।
2सहसंबद्ध यादृच्छिक चर उत्पन्न करने के लिए सहसंबंध मैट्रिक्स का चोलेस्की अपघटन करें।
3स्वतंत्र मानक सामान्य यादृच्छिक संख्याओं के एन सेट बनाएं; सहसंबद्ध रिटर्न वैक्टर बनाने के लिए चोल्स्की कारक का उपयोग करके परिवर्तन करें।
4प्रत्येक सिम्युलेटेड रिटर्न वेक्टर के लिए पोर्टफोलियो पी एंड एल की गणना करें: रैखिक पोर्टफोलियो के लिए पी एंड एल = Σ (वेट_आई × पोर्टफोलियो_वैल्यू × रिटर्न_आई); विकल्पों के लिए पूर्ण पुनर्मूल्यांकन का उपयोग करें।
5सभी एन सिम्युलेटेड P&L परिणामों को सबसे खराब से सर्वोत्तम की ओर क्रमबद्ध करें।
6वीएआर पढ़ें: (1−α) × एन-वें अवलोकन पर हानि (उदाहरण के लिए, 10,000 सिमुलेशन के साथ 99% वीएआर के लिए 100वां सबसे खराब)।
7सीवीएआर की गणना करें: वीएआर से भी बदतर सभी नुकसानों का औसत (उदाहरण के लिए, 10,000 सिमुलेशन के साथ 99% सीवीएआर के लिए सबसे खराब 100 परिणामों का औसत)।

हल किए गए उदाहरण

▾

उदाहरण 1दो-परिसंपत्ति पोर्टफोलियो मोंटे कार्लो

दिया गया:स्टॉक(60%): σ=20%/वर्ष, बांड(40%): σ=5%/वर्ष, ρ=−0.30; पोर्टफोलियो=$1 मिलियन, 10,000 सिमुलेशन, 95% वीएआर

परिणाम:वार्षिक VaR₉₅%≈$175,000 | CVaR₉₅%≈$230,000 | सिमुलेशन SE≈±$3,500

नकारात्मक सहसंबंध पोर्टफोलियो वीएआर को काफी कम कर देता है

पोर्टफोलियो वार्षिक अस्थिरता ≈ ≈(0.6²×0.2² + 0.4²×0.05² + 2×0.6×0.4×(-0.3)×0.2×0.05) ≈ 11.7%. मोंटे कार्लो 10,000 सहसंबद्ध वार्षिक रिटर्न जोड़े उत्पन्न करता है; प्रत्येक के लिए पोर्टफोलियो पी एंड एल की गणना की गई। सबसे खराब 500 परिणाम (5%) पोर्टफोलियो का औसत लगभग −23% = −$230,000 (सीवीएआर)। 500वाँ सबसे खराब परिणाम ≈ −17.5% = −$175,000 (VaR)। सहसंबंध लाभ (ρ=0) के बिना, वीएआर लगभग $220,000 होगा - जो नकारात्मक बांड-स्टॉक सहसंबंध से $45,000 जोखिम में कमी दर्शाता है।

उदाहरण 2विकल्प पोर्टफोलियो - पूर्ण पुनर्मूल्यांकन

दिया गया:लंबी इक्विटी कॉल विकल्प: अंतर्निहित=$100, K=$105, T=30 दिन, σ=25%, पोर्टफोलियो डेल्टा=$500K समतुल्य; 10,000 परिदृश्य

परिणाम:1-दिन VaR₉₉%≈$18,000 | डेल्टा-सामान्य VaR≈$14,000 | अंतर: +$4,000 गामा से

मोंटे कार्लो गैर-रेखीय गामा प्रभाव को पकड़ता है; पैरामीट्रिक इसे याद करता है

गामा (उत्तलता) के कारण विकल्पों में गैर-रैखिक P&L होता है। डेल्टा-सामान्य वीएआर विकल्पों को रैखिक (केवल डेल्टा का उपयोग करता है) के रूप में अनुमानित करता है, जिससे $14,000 वीएआर का उत्पादन होता है। प्रत्येक सिम्युलेटेड अंतर्निहित कीमत के लिए ब्लैक-स्कोल्स का उपयोग करके पूर्ण मोंटे कार्लो पुनर्मूल्यांकन पूर्ण गैर-रेखीय प्रतिक्रिया प्राप्त करता है, जिससे $18,000 वीएआर - 29% अधिक का उत्पादन होता है। अतिरिक्त जोखिम गामा से आता है: बड़ी चालें डेल्टा-रेखीय सन्निकटन की भविष्यवाणी की तुलना में अधिक पी एंड एल परिवर्तन का कारण बनती हैं। बड़े विकल्प वाली पुस्तकों के लिए, यह गैर-रैखिकता सुधार महत्वपूर्ण हो सकता है, जिससे मोंटे कार्लो का पूर्ण पुनर्मूल्यांकन आवश्यक हो जाता है।

उदाहरण 3फैट-टेल वितरण वीएआर तुलना

दिया गया:पोर्टफोलियो σ=2%/दिन; सामान्य बनाम छात्र-टी (4 डीएफ) मोंटे कार्लो; 99% आत्मविश्वास, $10M पोर्टफोलियो

परिणाम:सामान्य मोंटे कार्लो VaR=$465K | विद्यार्थी-t VaR=$700K | 51% अंतर

फैट टेल्स (टी-वितरण) भौतिक रूप से उच्च वीएआर उत्पन्न करते हैं

दैनिक σ=2% के लिए: सामान्य 99% VaR = 2.326 × 2% × $10M = $465,200। स्वतंत्रता की 4 डिग्री वाले छात्र-टी की पूँछ भारी होती है: 99वाँ प्रतिशतक लगभग 3.747σ (सामान्य के लिए 2.326σ बनाम) है, जो वीएआर = 3.747 × 2% × $10एम = $749,400 देता है। 51% अंतर से पता चलता है कि मोंटे कार्लो में सामान्य स्थिति मानने से टेल जोखिम को नाटकीय रूप से कम क्यों किया जा सकता है। वास्तविक इक्विटी रिटर्न में 4-8 (सामान्य कर्टोसिस = 3) का कर्टोसिस होता है, जिससे अत्यधिक नुकसान का अनुमान लगाने के लिए फैट-टेल मॉडल काफी अधिक सटीक हो जाता है।

उदाहरण 4अभिसरण विश्लेषण - सिमुलेशन त्रुटि

दिया गया:सही 95% वीएआर=$200,000; एन=100, 1,000, 10,000, 100,000 सिमुलेशन

परिणाम:एन=100 पर एसई: ±$45K | एन=1,000: ±$14K | एन=10,000: ±$4.5K | एन=100,000: ±$1.4K

मानक त्रुटि 1/√N के रूप में सिकुड़ती है - 100× अधिक सिम = 10× अधिक सटीकता

मोंटे कार्लो वीएआर मानक त्रुटि ≈ σ_पोर्टफोलियो × √(α(1−α)/N) / एफ(वीएआर), जहां एफ वीएआर क्वांटाइल पर पीडीएफ है। एन=100 सिमुलेशन के साथ, अनुमान में ±$45,000 की अनिश्चितता है - जो व्यावहारिक उपयोग के लिए बहुत सटीक नहीं है। N=10,000 ±$4,500 देता है, जो दैनिक रिपोर्टिंग के लिए स्वीकार्य है। नियामक पूंजी के लिए (जहां $200,000 वीएआर पर $4,500 2.25% सापेक्ष त्रुटि है), एन=100,000 या अधिक की आवश्यकता हो सकती है। विचरण कम करने की तकनीक (विपरीत नमूनाकरण, महत्व नमूनाकरण) बहुत कम सिमुलेशन के साथ एन = 100,000 की सटीकता प्राप्त कर सकती है।

वास्तविक अनुप्रयोग

▾

🏗️

निवेश बैंक ट्रेडिंग बुक वीएआर और पूंजी गणना

🔬

हेज फंड दैनिक जोखिम निगरानी और पोर्टफोलियो अनुकूलन

📊

पूर्ण पुनर्मूल्यांकन के साथ विकल्प डेस्क जोखिम प्रबंधन

🏥

बीमा कंपनी आरक्षण और सॉल्वेंसी II पूंजी मॉडल

⚙️

पेंशन फंड परिसंपत्ति-देयता प्रबंधन और देयता-संचालित निवेश

विशेष मामले

▾

व्यवहार में, इस किनारे वाले मामले पर सावधानीपूर्वक विचार करने की आवश्यकता है क्योंकि मानक धारणाएँ मान्य नहीं हो सकती हैं। मोंटे कार्लो वर सिम्युलेटर गणना में इस परिदृश्य का सामना करते समय, चिकित्सकों को सीमा स्थितियों को सत्यापित करना चाहिए, विभाजन-दर-शून्य जोखिमों की जांच करनी चाहिए, और विचार करना चाहिए कि क्या मॉडल की धारणाएं इन चरम स्थितियों के तहत वैध रहती हैं।

नमूना आकार द्वारा मोंटे कार्लो सिमुलेशन परिशुद्धता

▾

सिमुलेशन (एन)	पूँछ अवलोकन. 99% पर	वीएआर मानक त्रुटि	के लिए अनुशंसित
1,000	10	~15% सापेक्ष	केवल आरंभिक प्रोटोटाइप
10,000	100	~5% सापेक्ष	दैनिक 95% वीएआर रिपोर्टिंग
100,000	1,000	~1.5% सापेक्ष	99% वीएआर/नियामक रिपोर्टिंग
1,000,000	10,000	~0.5% सापेक्ष	99.9% आर्थिक पूंजी
10,000,000	100,000	~0.15% सापेक्ष	बीमा चरम पूंछ अनुमान

अक्सर पूछे जाने वाले प्रश्न

▾

पैरामीट्रिक और ऐतिहासिक तरीकों की तुलना में मोंटे कार्लो वीएआर के क्या फायदे हैं?

मोंटे कार्लो वीएआर तीन प्रमुख लाभ प्रदान करता है। सबसे पहले, यह गैर-रेखीय उपकरणों (विकल्प, बंधक-समर्थित प्रतिभूतियां, संरचित उत्पाद) को संभाल सकता है जिन्हें डेल्टा-सामान्य पैरामीट्रिक तरीकों से सटीक रूप से कैप्चर नहीं किया जा सकता है। दूसरा, यह किसी भी रिटर्न वितरण को मॉडल कर सकता है - सामान्य, वसा-पूंछ (टी-वितरण), तिरछा (असममित), या उपयोगकर्ता-निर्दिष्ट - सामान्यता तक सीमित होने के बजाय। तीसरा, यह ऐसे परिदृश्य उत्पन्न कर सकता है जो ऐतिहासिक डेटा में मौजूद नहीं हैं, जो संभावित परिणामों की एक विस्तृत श्रृंखला को कवर करते हैं। ऐतिहासिक अनुकरण वहीं तक सीमित है जो वास्तव में घटित हुआ है; मोंटे कार्लो उन परिदृश्यों का अनुकरण कर सकता है जो अभी तक घटित नहीं हुए हैं लेकिन मॉडल किए गए वितरण को देखते हुए संभव हैं।

विश्वसनीय मोंटे कार्लो वीएआर के लिए कितने सिमुलेशन की आवश्यकता है?

सिमुलेशन की आवश्यक संख्या आत्मविश्वास के स्तर और वांछित सटीकता पर निर्भर करती है। 95% वीएआर के लिए: एन=1,000 लगभग 50 टेल अवलोकन देता है - बमुश्किल पर्याप्त। एन=10,000 500 टेल अवलोकन देता है - आमतौर पर दैनिक रिपोर्टिंग के लिए पर्याप्त है। 99% वीएआर के लिए: एन=10,000 केवल 100 टेल अवलोकन देता है; एन=100,000 को प्राथमिकता दी जाती है। 99.9% वीएआर (आर्थिक पूंजी) के लिए: लाखों सिमुलेशन की आवश्यकता हो सकती है। एक नियम के रूप में: स्थिर अनुमान के लिए पूंछ में कम से कम 100-200 अवलोकनों को लक्षित करें। विचरण कम करने की तकनीकें कम्प्यूटेशनल आवश्यकताओं को काफी हद तक कम कर सकती हैं।

चॉलेस्की अपघटन क्या है और मोंटे कार्लो में इसका उपयोग क्यों किया जाता है?

चोलेस्की अपघटन एक सहसंबंध (या सहप्रसरण) मैट्रिक्स को निचले त्रिकोणीय मैट्रिक्स एल में इस तरह से कारक बनाता है कि एलएल' = Σ। इसका उपयोग मोंटे कार्लो सिमुलेशन में सहसंबद्ध यादृच्छिक चर उत्पन्न करने के लिए किया जाता है: यदि Z स्वतंत्र मानक सामान्य यादृच्छिक संख्याओं का एक वेक्टर है, तो R = L × Z सहसंबद्ध संरचना Σ के साथ सहसंबद्ध सामान्य यादृच्छिक चर का एक वेक्टर है। इस कदम के बिना, पोर्टफोलियो जोखिम के लिए महत्वपूर्ण सहसंबंधों को नजरअंदाज करते हुए, बेतरतीब ढंग से उत्पन्न रिटर्न परिसंपत्तियों में स्वतंत्र होगा। चोल्स्की अपघटन के लिए सहप्रसरण मैट्रिक्स का सकारात्मक अर्ध-निश्चित होना आवश्यक है - यदि मैट्रिक्स निकट-एकवचन है या इसमें नकारात्मक eigenvalues (कई परिसंपत्तियों के साथ संभव है) है, तो नियमितीकरण तकनीकों की आवश्यकता होती है।

मोंटे कार्लो सिमुलेशन में 'आयामीता का अभिशाप' क्या है?

जैसे-जैसे जोखिम कारकों (संपत्ति, उपज वक्र बिंदु, अस्थिरता सतह बिंदु) की संख्या बढ़ती है, बहुभिन्नरूपी वितरण को पर्याप्त रूप से कवर करने के लिए आवश्यक सिमुलेशन की संख्या तेजी से बढ़ती है। 2 परिसंपत्तियों के लिए, कुछ हज़ार सिमुलेशन काफी अच्छी तरह से स्थान को कवर करते हैं। 100 सहसंबद्ध परिसंपत्तियों के लिए, यहां तक कि लाखों सिमुलेशन भी चरम संयुक्त परिदृश्यों का विरल कवरेज छोड़ सकते हैं। यह कम्प्यूटेशनल चुनौती - आयामीता का अभिशाप - कारक कमी (सहसंबंध संरचना का प्रमुख घटक विश्लेषण), स्तरीकृत नमूनाकरण, और अर्ध-यादृच्छिक (कम-विसंगति) अनुक्रम (हाल्टन, सोबोल) के माध्यम से संबोधित किया जाता है, जो पूरी तरह से यादृच्छिक नमूने की तुलना में पैरामीटर स्थान को अधिक समान रूप से कवर करता है।

मोंटे कार्लो वीएआर स्टोकेस्टिक अस्थिरता को कैसे संभालता है?

मानक मोंटे कार्लो निरंतर अस्थिरता (σ) मानता है, लेकिन वास्तविक बाजार की अस्थिरता समय-परिवर्तनशील और माध्य-वापसीशील है। स्टोकेस्टिक अस्थिरता मॉडल (हेस्टन मॉडल, SABR मॉडल, GARCH) मॉडल अस्थिरता स्वयं एक यादृच्छिक प्रक्रिया है। हेस्टन मॉडल मोंटे कार्लो में, परिसंपत्ति की कीमत और अस्थिरता प्रक्रिया दोनों को सहसंबद्ध ब्राउनियन गतियों का उपयोग करके एक साथ अनुकरण किया जाता है, जो इक्विटी रिटर्न और निहित अस्थिरता ('अस्थिरता मुस्कान') के बीच नकारात्मक सहसंबंध को पकड़ता है। यह नकारात्मक तिरछापन और भारी बाईं पूंछ के साथ अधिक यथार्थवादी पी एंड एल वितरण उत्पन्न करता है, विशेष रूप से विकल्प पोर्टफोलियो के लिए महत्वपूर्ण है जहां वेगा जोखिम (अस्थिरता परिवर्तन के प्रति संवेदनशीलता) महत्वपूर्ण है।

मोंटे कार्लो वीएआर में नमूनाकरण का महत्व क्या है?

महत्व नमूनाकरण एक विचरण कम करने की तकनीक है जो पूंछ क्षेत्रों में सिमुलेशन को केंद्रित करती है जो वीएआर और सीवीएआर अनुमान के लिए सबसे अधिक मायने रखती है। समान रूप से नमूना लेने के बजाय, सिमुलेशन संभावना को अधिक चरम परिदृश्यों की ओर स्थानांतरित कर दिया जाता है, और इस पूर्वाग्रह को सही करने के लिए परिणामों को फिर से महत्व दिया जाता है। परिणाम दी गई संख्या में सिमुलेशन के लिए कहीं अधिक पूंछ अवलोकन है, जो रुचि के क्षेत्र में वीएआर अनुमान की मानक त्रुटि को नाटकीय रूप से कम करता है। महत्व नमूनाकरण केवल 10,000-50,000 सिमुलेशन के साथ 1,000,000 मानक मोंटे कार्लो सिमुलेशन की पूंछ अनुमान सटीकता प्राप्त कर सकता है, जो इसे उन संस्थानों के लिए व्यावहारिक बनाता है जिन्हें सीमित कम्प्यूटेशनल संसाधनों के साथ उच्च-परिशुद्धता वीएआर की आवश्यकता होती है।

रिटर्न वितरण का विकल्प मोंटे कार्लो वीएआर को कैसे प्रभावित करता है?

मोंटे कार्लो वीएआर में वितरण संबंधी धारणा सबसे महत्वपूर्ण मॉडल विकल्प है। सामान्य वितरण का उपयोग करने से टेल जोखिम का अनुमान कम हो जाता है क्योंकि वास्तविक वित्तीय रिटर्न लेप्टोकर्टिक (वसा-पूंछ वाले) होते हैं और अक्सर नकारात्मक रूप से विषम होते हैं। 4-8 डिग्री स्वतंत्रता के साथ एक छात्र का टी-वितरण आम तौर पर इक्विटी रिटर्न में बेहतर फिट बैठता है और 99% आत्मविश्वास पर 30-80% अधिक वीएआर उत्पन्न करता है। चरम मूल्य सिद्धांत (ईवीटी) - विशेष रूप से टेल मॉडलिंग के लिए सामान्यीकृत पेरेटो वितरण - 99.9% वीएआर के लिए आवश्यक बहुत गहरी टेल्स का अनुमान लगाने के लिए सबसे कठोर दृष्टिकोण है। व्यवहार में, परिष्कृत जोखिम प्रणालियाँ अक्सर अधिकांश रिटर्न वितरण के लिए सामान्य वितरण का उपयोग करती हैं लेकिन चरम प्रतिशत के लिए ईवीटी का उपयोग करके एक अलग टेल मॉडल फिट करती हैं।

सामान्य गलतियां जिनसे बचना है

▾

!वांछित आत्मविश्वास स्तर के लिए बहुत कम सिमुलेशन का उपयोग करना, उच्च सिमुलेशन त्रुटि उत्पन्न करता है जो आवश्यक वीएआर परिशुद्धता से अधिक है।
!जब वास्तविक रिटर्न वितरण कम हो तो सामान्य रिटर्न मानें - बेहतर टेल मॉडलिंग के लिए टी-डिस्ट्रीब्यूशन या ईवीटी का उपयोग करें।
!जब जटिल कारक मॉडल की आवश्यकता होती है तो सहसंबंध संरचना को अनदेखा करना या सरल एकल-सहसंबंध धारणा का उपयोग करना।
!विकल्पों के लिए पूर्ण पुनर्मूल्यांकन नहीं करना, डेल्टा-सामान्य सन्निकटन का उपयोग करना जो गामा (उत्तलता) जोखिम को चूक जाता है।
!विशिष्ट ऐतिहासिक संकट परिदृश्यों के लिए तनाव परीक्षणों के पूरक के बिना मोंटे कार्लो वीएआर को पूर्ण जोखिम माप के रूप में मानना।

💡

विशेष टिप

हमेशा एक अभिसरण परीक्षण चलाएं: मोंटे कार्लो वीएआर अनुमान को सिमुलेशन की संख्या के एक फ़ंक्शन के रूप में प्लॉट करें। यदि अनुमान अभी भी 10,000 सिमुलेशन पर भौतिक रूप से बदल रहा है, तो परिणामों का उपयोग करने से पहले एन बढ़ाएं या विचरण में कमी लागू करें।

⭐

क्या आप जानते हैं?

मोंटे कार्लो सिमुलेशन को द्वितीय विश्व युद्ध के दौरान लॉस एलामोस नेशनल लेबोरेटरी के भौतिकविदों - स्टैनिस्लाव उलम, जॉन वॉन न्यूमैन और निकोलस मेट्रोपोलिस द्वारा परमाणु रिएक्टरों में न्यूट्रॉन प्रसार का मॉडल बनाने के लिए विकसित किया गया था। यह नाम मोनाको के मोंटे कार्लो कैसीनो से आया है, जहां उलम के चाचा अक्सर जुआ खेलते थे। वही तकनीक अब आधुनिक वित्तीय जोखिम प्रबंधन, दवा प्रभावकारिता मॉडलिंग और जलवायु परिवर्तन सिमुलेशन को रेखांकित करती है।

संदर्भ

📖कठिनाई:उन्नत

केवल सूचनात्मक उद्देश्यों के लिए। यह उपकरण वित्तीय सलाह नहीं है। निवेश या वित्तीय निर्णय लेने से पहले एक योग्य वित्तीय सलाहकार से परामर्श करें।

Formula-verified for precision

Reviewed October 2026

Our methodology

Ratings & comments

…

साप्ताहिक गणित युक्तियाँ प्राप्त करें

12,000+ सब्सक्राइबर्स से जुड़ें जिन्हें हर हफ्ते कैलकुलेटर टिप्स मिलते हैं।

🔒

100% मुफ़्त

कोई साइनअप नहीं

✓

सटीक

सत्यापित सूत्र

⚡

तत्काल

तुरंत परिणाम

📱

मोबाइल अनुकूल

सभी उपकरण