What is Value at Risk (VaR)?
▾
Value at Risk (VaR) is a statistical measure that quantifies the potential financial loss a portfolio may experience over a defined time horizon at a given confidence level. For example, a 1-day 95% VaR of $1 million means that there is a 95% probability that the portfolio will not lose more than $1 million in a single trading day — or equivalently, a 5% chance that losses will exceed $1 million on any given day. VaR became the dominant risk metric in financial institutions following J.P. Morgan's publication of the RiskMetrics methodology in 1994 and was subsequently embedded in the Basel II and Basel III regulatory frameworks for bank capital adequacy. VaR can be calculated using three main approaches. The Historical Simulation method uses the actual historical distribution of portfolio returns, replaying past return observations to construct a loss distribution and reading off the relevant percentile. The Parametric (Variance-Covariance) method assumes returns are normally distributed and uses the portfolio's mean return, standard deviation, and the normal distribution's z-score to compute VaR analytically. The Monte Carlo Simulation method generates thousands of random return scenarios based on specified distributional assumptions and correlations, producing a synthetic loss distribution from which VaR is estimated. Each method has strengths and limitations. Historical simulation is intuitive but limited by the quality and length of the historical data set. The parametric method is computationally simple but fails when return distributions have fat tails or non-linear risk exposures (e.g., options). Monte Carlo is the most flexible but computationally intensive and sensitive to model assumptions. VaR is extensively used by commercial banks, investment banks, hedge funds, asset managers, insurance companies, and pension funds. It is a regulatory requirement for market risk capital calculations under Basel III (using Internal Models Approach) and is disclosed in annual reports of major financial institutions. Despite its ubiquity, VaR has well-documented limitations: it does not describe the severity of losses beyond the confidence threshold (tail losses), it can underestimate risk during market stress, and it can create false precision. Complementary measures such as Expected Shortfall (CVaR) and stress testing are always used alongside VaR for comprehensive risk management.
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
सूत्र
▾
Parametric VaR = W × (μ × T − z × σ × √T)
Historical VaR = Percentile(P&L distribution, 1 − confidence level)Variable Legend
▾
| प्रतीक | नाव | एकक | वर्णन |
|---|---|---|---|
| VaR | जोखमीवर मूल्य | currency or % | The maximum expected loss at the specified confidence level over the given time horizon. |
| μ | Portfolio Mean Return | % per period | The average return of the portfolio over the historical measurement period. |
| σ | पोर्टफोलिओ मानक विचलन | % per period | The standard deviation of portfolio returns over the historical measurement period. |
| z | Z-स्कोअर (आत्मविश्वास पातळी) | dimensionless | The normal distribution quantile corresponding to the confidence level (e.g., 1.645 for 95%, 2.326 for 99%). |
| T | वेळ क्षितिज | days | The holding period over which VaR is measured; typically 1 day for trading books or 10 days for regulatory capital. |
| W | पोर्टफोलिओ मूल्य | currency | The current market value of the portfolio; used to convert percentage VaR into dollar VaR. |
How to Value at Risk (VaR)
▾
- 1Define the parameters: choose the confidence level (typically 95% or 99%), the time horizon (1 day or 10 days), and the portfolio value.
- 2For Parametric VaR: collect the portfolio's daily return series, compute the mean daily return (μ) and standard deviation (σ), then calculate VaR = W × (z × σ × √T − μ × T), where z = 1.645 for 95% or 2.326 for 99%.
- 3For Historical Simulation: collect at least 250–500 daily return observations, sort them from worst to best, and identify the 5th percentile (for 95% VaR) or 1st percentile (for 99% VaR) of this historical loss distribution.
- 4For Monte Carlo: specify the return distribution parameters (mean, volatility, correlations), generate 10,000+ random return scenarios, construct the simulated P&L distribution, and read off the appropriate percentile.
- 5Scale from 1-day to longer horizons: multiply the 1-day VaR by √T to estimate T-day VaR (valid under the square-root-of-time rule, which assumes independent returns).
- 6Backtest the VaR model by counting how often actual losses exceeded the VaR estimate ('exceptions'). For 99% VaR, about 2.5 exceptions per year (out of 250 trading days) is expected; significantly more indicates model failure.
- 7Report VaR alongside Expected Shortfall (CVaR) — the average loss given that the loss exceeds VaR — to characterize the tail of the loss distribution beyond the VaR threshold.
Worked Examples
▾
There is a 5% chance of losing more than $19,374 on any given trading day.
पॅरामेट्रिक फॉर्म्युला वापरणे: VaR = $1,000,000 × (1.645 × 0.012 − 0.0004) = $1,000,000 × (0.01974 − 0.0004) = $1,000,000 × 0.01934, $1934, $1934 = 347 $ x ($1934) अचूक z-स्कोअरसह). याचा अर्थ असा की 95% व्यापार दिवसांमध्ये, पोर्टफोलिओ नुकसान या रकमेपेक्षा कमी असणे अपेक्षित आहे. 5% दिवसांवर — दर वर्षी अंदाजे 12 ते 13 ट्रेडिंग दिवस — या आकड्यापेक्षा जास्त नुकसान अपेक्षित आहे. हा VaR अंदाज सामान्यपणे वितरित परतावा गृहीत धरतो आणि परतीच्या वितरणामध्ये चरबीयुक्त पुच्छ असल्यास जोखीम कमी लेखली जाईल.
बासेल III ला बँकांनी बाजारातील जोखमीसाठी 10-दिवसांच्या 99% VaR वर भांडवल ठेवणे आवश्यक आहे.
बासेल III च्या अंतर्गत मॉडेल्स ॲप्रोच अंतर्गत, बँकांनी बाजारातील जोखीम भांडवल आवश्यकतांसाठी 10-दिवसांच्या 99% VaR ची गणना करणे आवश्यक आहे. स्क्वेअर-रूट-ऑफ-टाइम नियम वापरणे: 10-Day VaR = 1-Day VaR × √10 = $500,000 × 3.162 = $1,581,139. बाजार जोखीम विरुद्ध भांडवली बफर म्हणून बँकेकडे या VaR (गुणक घटक) च्या किमान 3 पट नियामक भांडवल असणे आवश्यक आहे. हे उदाहरण स्पष्ट करते की व्हीएआर थेट नियामक भांडवल आवश्यकता आणि ताळेबंद व्यवस्थापन निर्णय कसे चालवते ते प्रमुख वित्तीय संस्थांमध्ये.
वास्तविक ऐतिहासिक परताव्याच्या वितरणावर आधारित — सामान्यता गृहीत धरण्याची आवश्यकता नाही.
500 दिवसांच्या परताव्याच्या इतिहासासह हेज फंडासाठी, ऐतिहासिक सिम्युलेशन पद्धत सर्व 500 दैनंदिन P&L निरीक्षणांना क्रमवारी लावते. 25 वा सर्वात वाईट दैनिक तोटा (5 व्या टक्केवारी = 500 × 0.05 = 25 वे निरीक्षण) 95% VaR दर्शवते. 25 व्या सर्वात वाईट दिवसामुळे $2,000,000 पोर्टफोलिओवर 3.8% नुकसान झाल्यास, ऐतिहासिक VaR $76,000 आहे. ही पद्धत विशेषत: नॉन-लिनियर एक्सपोजर (पर्याय, परिवर्तनीय) असलेल्या हेज फंड पोर्टफोलिओसाठी मौल्यवान आहे जिथे पॅरामेट्रिक पद्धतीची सामान्यता गृहीत धरणे अयशस्वी होईल, कारण ती त्यांच्या वितरणात्मक आकाराकडे दुर्लक्ष करून वास्तविक प्राप्त परतावा वापरते.
10.4% दैनिक VaR — क्रिप्टोची अत्यंत अस्थिरता पोर्टफोलिओच्या तुलनेत VaR ला खूप मोठी बनवते.
4.5% (नमुनेदार इक्विटी पोर्टफोलिओसाठी ~1% विरुद्ध) च्या दैनंदिन अस्थिरतेसह क्रिप्टोकरन्सी पोर्टफोलिओसाठी, 99% VaR अंदाजे $100,000 × (2.326 × 0.045 − 0.001) = $0, 060 × 370 = 0.70 $. याचा अर्थ कोणत्याही दिवशी 10% पेक्षा जास्त पोर्टफोलिओ गमावण्याची 1% शक्यता असते - पारंपारिक आर्थिक मालमत्तेपेक्षा खूप जास्त परिपूर्ण जोखीम. गंभीरपणे, पॅरामेट्रिक मॉडेल फॅट-टेल्ड, लेप्टोकर्टिक रिटर्न वितरणामुळे खरे क्रिप्टो व्हीएआर अधोरेखित करते. ऐतिहासिक सिम्युलेशन किंवा अत्यंत मूल्य सिद्धांत सामान्यत: अशा मालमत्ता वर्गांसाठी उच्च अंदाज तयार करेल.
Real-World Applications
▾
इंटर्नल मॉडेल्स ॲप्रोच अंतर्गत बँक मार्केट जोखमीसाठी बेसल III नियामक भांडवल गणना, व्यावसायिक आणि विश्लेषणात्मक संदर्भांमध्ये जोखीम असलेल्या मूल्यासाठी महत्त्वपूर्ण अनुप्रयोग क्षेत्राचे प्रतिनिधित्व करते जेथे जोखमीचे अचूक मूल्य सूचित निर्णय, धोरणात्मक नियोजन आणि कार्यप्रदर्शन ऑप्टिमायझेशनला थेट समर्थन देते.
गुंतवणूक बँका आणि मार्केट मेकिंग फर्म्समधील ट्रेडिंग डेस्कसाठी दैनिक जोखीम मर्यादा निरीक्षण, व्यावसायिक आणि विश्लेषणात्मक संदर्भांमध्ये जोखीम असलेल्या मूल्यासाठी महत्त्वपूर्ण अनुप्रयोग क्षेत्राचे प्रतिनिधित्व करते जेथे जोखमीचे अचूक मूल्य सूचित निर्णय घेण्यास, धोरणात्मक नियोजन आणि कार्यप्रदर्शन ऑप्टिमायझेशनला थेट समर्थन देते.
यूसीआयटीएस फंड प्रॉस्पेक्टस जोखीम प्रकटीकरण EU नियमांद्वारे आवश्यक आहे (SRRI पद्धत), व्यावसायिक आणि विश्लेषणात्मक संदर्भांमध्ये जोखीम असलेल्या मूल्यासाठी एक महत्त्वपूर्ण अनुप्रयोग क्षेत्राचे प्रतिनिधित्व करते जेथे जोखीम मोजण्याचे अचूक मूल्य सूचित निर्णय घेण्यास, धोरणात्मक नियोजन आणि कार्यप्रदर्शन ऑप्टिमायझेशनला थेट समर्थन देते.
पोर्टफोलिओ ऑप्टिमायझेशन: रिटर्न टार्गेट्समध्ये किमान-VaR पोर्टफोलिओ तयार करणे, व्यावसायिक आणि विश्लेषणात्मक संदर्भांमध्ये जोखीम असलेल्या मूल्यासाठी महत्त्वपूर्ण अनुप्रयोग क्षेत्राचे प्रतिनिधित्व करणे जेथे जोखमीचे अचूक मूल्य सूचित निर्णय घेण्यास, धोरणात्मक नियोजन आणि कार्यप्रदर्शन ऑप्टिमायझेशनला थेट समर्थन देते.
गुंतवणूक पोर्टफोलिओ मार्केट जोखमीसाठी विमा कंपनी जोखीम-आधारित भांडवली गणना, व्यावसायिक आणि विश्लेषणात्मक संदर्भांमध्ये जोखीम असलेल्या मूल्यासाठी एक महत्त्वपूर्ण अनुप्रयोग क्षेत्राचे प्रतिनिधित्व करते जेथे जोखीम मोजण्याचे अचूक मूल्य सूचित निर्णय घेण्यास, धोरणात्मक नियोजन आणि कार्यप्रदर्शन ऑप्टिमायझेशनला थेट समर्थन देते.
Special Cases
▾
{'केस': 'पर्याय पोर्टफोलिओ आणि नॉन-लिनियर VaR', 'वर्णन': 'पर्याय असलेल्या पोर्टफोलिओसाठी, रेखीय VaR मॉडेल्स (पॅरामेट्रिक) अयोग्य आहेत कारण पर्यायांमध्ये नॉन-लिनियर P&L प्रोफाइल (डेल्टा, गॅमा, वेगा एक्सपोजर) आहेत. पूर्ण पुनर्मूल्यांकन VaR (ऐतिहासिक सिम्युलेशन किंवा मॉन्टे कार्लो) वापरले जाणे आवश्यक आहे, प्रत्येक पर्यायाचे मूल्यनिर्धारण मॉडेल वापरून आनुपातिक P&L बदल गृहीत न धरता वैयक्तिकरित्या पुनर्मूल्यांकन करण्यासाठी परतावा परिस्थिती लागू करणे आवश्यक आहे.'}
{'केस': 'नकारात्मक पोर्टफोलिओ व्हॅल्यू किंवा शॉर्ट पोझिशन्स', 'वर्णन': 'निव्वळ शॉर्ट पोझिशन्स असलेल्या पोर्टफोलिओसाठी, बाजारातील हालचालींच्या तुलनेत नफा आणि तोटा उलटे आहेत. VaR ची गणना वास्तविक P&L वितरणाच्या दृष्टीकोनातून करणे आवश्यक आहे, अंतर्निहित मालमत्तेच्या परताव्याच्या वितरणाच्या नाही. बाजारातील घसरणीमुळे शॉर्ट पोझिशन्सचा फायदा होतो परंतु बाजारातील प्रगतीमुळे तोटा होतो, त्यामुळे लहान पुस्तकांसाठी VaR हा उताराच्या जोखमीपेक्षा वरच्या बाजारातील जोखमीचा विचार केला पाहिजे.'}
{'केस': 'तणाव दरम्यान सहसंबंध बिघाड', 'वर्णन': 'मालमत्तेतील ऐतिहासिक सहसंबंधांवर अवलंबून असणारे VaR मॉडेल बाजारातील तणावाच्या घटनांदरम्यान पोर्टफोलिओ VaR ला नाटकीयपणे कमी करू शकतात, जेव्हा पूर्वीच्या असंबंधित मालमत्ता मोठ्या प्रमाणात परस्परसंबंधित होतात (संकटात सहसंबंध 1 वर जातो). सामान्य बाजारपेठेत गृहीत धरलेले विविधीकरण फायदे अचानक गायब होऊ शकतात, ज्यामुळे वास्तविक तोटा बहु-मालमत्ता व्हीएआर अंदाजापेक्षा कितीतरी जास्त होतो.'}
VaR कॉन्फिडन्स लेव्हल Z-स्कोअर आणि वार्षिक अपवाद दर
▾
| आत्मविश्वास पातळी | Z-स्कोअर | दैनिक अपवाद दर | अपेक्षित अपवाद/वर्ष |
|---|---|---|---|
| 90% | 1.282 | 10% | ~25 दिवस/वर्ष |
| 95% | 1.645 | 5% | ~12-13 दिवस/वर्ष |
| 97.5% | 1.960 | 2.5% | ~6 दिवस/वर्ष |
| 99% | 2.326 | 1% | ~2-3 दिवस/वर्ष |
| 99.5% | 2.576 | ०.५% | ~1 दिवस/वर्ष |
| 99.9% | 3.090 | ०.१% | ~ 1 दिवस दर 4 वर्षांनी |
Frequently Asked Questions
▾
VaR आणि अपेक्षित शॉर्टफॉल (CVaR) मध्ये काय फरक आहे?
VaR प्रश्नाचे उत्तर देते 'दिलेल्या आत्मविश्वास स्तरावर जास्तीत जास्त नुकसान काय आहे?' — परंतु त्या उंबरठ्याच्या पलीकडे किती मोठे नुकसान होऊ शकते याबद्दल ते काहीही सांगत नाही. अपेक्षित कमतरता (ES), ज्याला कंडिशनल VaR (CVaR) देखील म्हणतात, पूरक प्रश्नाचे उत्तर देते 'जर नुकसान VaR पेक्षा जास्त असेल, तर सरासरी तोटा किती आहे?' ES नेहमी VaR पेक्षा मोठे किंवा समान असते आणि शेपटीच्या जोखमीचे अधिक संपूर्ण वर्णन प्रदान करते. उदाहरणार्थ, 99% VaR $1M असल्यास, CVaR $1.8M असू शकते — म्हणजे VaR थ्रेशोल्ड सरासरी $1.8M च्या पुढे तोटा. CVaR च्या वरच्या टेल जोखीम गुणधर्मांमुळे प्राथमिक नियामक जोखीम उपाय म्हणून Basel III ने हळूहळू VaR वरून अपेक्षित शॉर्टफॉलकडे वळवले आहे.
सर्वात वाईट नुकसान किती वाईट असू शकते हे VaR तुम्हाला का सांगत नाही?
व्हीएआर एक क्वांटाइल माप आहे — तो एक थ्रेशोल्ड निर्दिष्ट करतो की नुकसान दिलेल्या संभाव्यतेपेक्षा जास्त होणार नाही, परंतु त्या थ्रेशोल्डच्या पलीकडे नुकसानाच्या वितरणाविषयी कोणतीही माहिती प्रदान करत नाही. दोन पोर्टफोलिओमध्ये एकसारखे VaR असू शकतात परंतु खूप भिन्न शेपूट नुकसान प्रोफाइल असू शकतात: एकाला VaR च्या पलीकडे मध्यम नुकसान होऊ शकते, तर दुसऱ्याला आपत्तीजनक नुकसान होऊ शकते. ही मर्यादा विशेषतः पर्याय, क्रेडिट डेरिव्हेटिव्ह किंवा नॉन-लिनियर, अत्यंत स्क्युड रिटर्न वितरणासह इतर साधनांसह पोर्टफोलिओसाठी गंभीर आहे. व्यावहारिक परिणाम असा आहे की जोखीम व्यवस्थापनासाठी केवळ VaR अपुरा आहे आणि अपेक्षित कमतरता आणि तणाव चाचणीद्वारे पूरक असणे आवश्यक आहे.
VaR साठी मी कोणती आत्मविश्वास पातळी वापरावी?
सर्वात सामान्य पर्याय 95% (अनेक अंतर्गत जोखीम व्यवस्थापन अनुप्रयोगांमध्ये आणि काही नियामकांद्वारे वापरले जातात) आणि 99% (बँकेच्या बाजार जोखीम भांडवलासाठी बेसल III द्वारे निर्दिष्ट) आहेत. काही कंपन्या 99.9% किंवा त्याहून अधिक आर्थिक भांडवल आणि तणाव चाचणीच्या उद्देशाने वापरतात. निवड अर्जावर अवलंबून असते: अंतर्गत जोखीम मर्यादा दैनंदिन देखरेखीसाठी 95% VaR वापरू शकते (अधिक वारंवार परंतु लहान अपवाद निर्माण करणे), तर नियामक भांडवल आणि जोखीम सहनशीलता फ्रेमवर्क सामान्यत: 99% VaR वापरतात. उच्च आत्मविश्वास पातळी मोठ्या VaR अंदाज तयार करते आणि विश्वसनीय अंदाजासाठी अधिक ऐतिहासिक डेटाची आवश्यकता असते — ऐतिहासिक डेटामधील 99.9% VaR ला टेल इव्हेंटची अर्थपूर्ण संख्या असण्यासाठी किमान 1,000 निरीक्षणे आवश्यक असतात.
व्हीएआरची परत चाचणी कशी केली जाते?
वास्तविक त्यानंतरच्या P&L प्राप्तीशी दैनंदिन VaR अंदाजांची तुलना करून आणि 'अपवाद' ची संख्या मोजून VaR मॉडेल्सची चाचणी घेतली जाते — ज्या दिवसांमध्ये वास्तविक नुकसान VaR अंदाजापेक्षा जास्त होते. योग्यरितीने कॅलिब्रेट केलेल्या 99% VaR मॉडेलसाठी, अंदाजे 1% दिवस अपवाद निर्माण करतात - 250 ट्रेडिंग दिवसांपैकी सुमारे 2 ते 3 दिवस प्रति वर्ष. बेसल III ट्रॅफिक-लाइट सिस्टम वापरते: प्रति वर्ष 0-4 अपवाद हा ग्रीन झोन आहे (मॉडेल स्वीकार्य आहे), 5-9 हा पिवळा झोन आहे (मॉडेल संशयित आहे, अतिरिक्त भांडवली शुल्क लागू आहे), आणि 10+ रेड झोन आहे (मॉडेल नाकारले आहे). अपवादांचे पद्धतशीर जास्त किंवा कमी अंदाज नियामक छाननी आणि मॉडेल रिकॅलिब्रेशनला चालना देतात.
VaR च्या मुख्य मर्यादा काय आहेत?
VaR मध्ये अनेक चांगल्या-दस्तऐवजीकरण मर्यादा आहेत. हे चुकीचे अचूकता प्रदान करू शकते - एकल संख्या म्हणून जोखीम व्यक्त केल्याने दिशाभूल करणारा आत्मविश्वास निर्माण होऊ शकतो. हे शेपटीच्या जोखमीचे मोजमाप करत नाही (VAR थ्रेशोल्डच्या पलीकडे नुकसान). पॅरामेट्रिक व्हीएआर सामान्यपणे वितरित परतावा गृहीत धरते, जे चरबी-पुच्छ वितरणापासून जोखीम कमी लेखते. ऐतिहासिक सिम्युलेशन मागास-दिसणारे आहे आणि भविष्यातील बाजार परिस्थिती कॅप्चर करू शकत नाही. VaR प्रॉसायकिकल असू शकते — जोखीम प्रत्यक्षात जमा होत असताना शांत मार्केटमध्ये कमी दिसणे आणि जेव्हा पोझिशन्स कट करणे आवश्यक असते तेव्हा संकटाच्या वेळी वाढणे. याव्यतिरिक्त, परस्परसंबंधित तणावाच्या घटनांदरम्यान, VaR मॉडेल्सद्वारे गृहीत धरलेले विविधीकरण फायदे अदृश्य होऊ शकतात, ज्यामुळे वास्तविक नुकसान VaR अंदाजापेक्षा कितीतरी जास्त होते.
वेळ क्षितिजाचा VaR वर कसा परिणाम होतो?
दैनंदिन परतावा स्वतंत्र आणि समान रीतीने वितरीत केला जातो (i.i.d.) असे गृहीत धरून अंदाजे वेळेच्या क्षितिजाच्या वर्गमूळासह VaR मोजले जाते. 10-दिवसाचा VaR अंदाजे √10 ≈ 1-दिवसाच्या VaR च्या 3.16 पट आहे. हा स्केलिंग नियम बेसल III मध्ये एम्बेड केलेला आहे (ज्यामध्ये नियामक भांडवलासाठी 10-दिवसांचा व्हीएआर निर्दिष्ट केला जातो) आणि जेव्हा परतावा वेळोवेळी परस्परसंबंधित नसतो तेव्हा गणितीयदृष्ट्या वैध असतो. तथापि, जर रिटर्न्स सिरियल ऑटोकॉरिलेशन दर्शवितात — जे अनेक लहान क्षितिजांवर करतात — स्क्वेअर-रूट-ऑफ-टाइम नियम सकारात्मक स्वयंसंबंधित मालमत्तेसाठी VaR चा जास्त अंदाज लावतो आणि नकारात्मक स्वयंसंबंधित (मीन-रिव्हर्टिंग) साठी कमी लेखतो.
बँका आणि गुंतवणूक कंपन्या व्यवहारात VaR कशासाठी वापरतात?
बँका नियामक भांडवल गणनेसाठी (बासेल III बाजार जोखीम भांडवल), ट्रेडिंग डेस्कसाठी दैनिक जोखीम मर्यादेचे निरीक्षण, प्रतिपक्ष क्रेडिट एक्सपोजर अंदाज आणि व्यवसायाच्या ओळींवर आर्थिक भांडवलाचे वाटप यासाठी VaR वापरतात. गुंतवणूक व्यवस्थापक पोर्टफोलिओ बांधकाम (जोखीम बजेट मर्यादांमध्ये लक्ष्य VaR साध्य करण्यासाठी पोर्टफोलिओ ऑप्टिमाइझ करणे), क्लायंट रिपोर्टिंग (प्रमाणीकृत स्वरूपात पोर्टफोलिओ जोखीम उघड करणे), फंड प्रॉस्पेक्टस जोखीम प्रकटीकरण (EU मधील UCITS निधीमध्ये आवश्यक) आणि तणाव चाचणीसाठी VaR वापरतात. प्रमुख बँकांमधील जोखीम व्यवस्थापन प्रणाली हजारो पोझिशन्स आणि मालमत्तेच्या वर्गांमध्ये एकत्रितपणे फर्म-व्यापी बाजार जोखीम एक्सपोजरसाठी वास्तविक वेळेत VaR ची गणना करतात.
Common Mistakes to Avoid
▾
- !VaR ला जास्तीत जास्त संभाव्य तोटा म्हणून हाताळणे - VaR हा आत्मविश्वासाचा मध्यांतर आहे जो शेपटीच्या नुकसानासाठी कमी बंधनकारक आहे, सर्वात वाईट परिस्थिती नाही.
- !VaR अंदाजासाठी खूप लहान ऐतिहासिक विंडो वापरणे — 250 पेक्षा कमी ट्रेडिंग दिवस अविश्वसनीय पॅरामेट्रिक अंदाज आणि ऐतिहासिक सिम्युलेशनसाठी अपुरी टेल निरीक्षणे तयार करतात.
- !लक्षणीय ऑटोकॉरिलेशन किंवा मीन-रिव्हर्शनसह रिटर्नसाठी स्क्वेअर-रूट-ऑफ-टाइम स्केलिंग नियम लागू करणे, ज्यामुळे चुकीचे बहु-दिवसीय VaR अंदाज येतात.
- !या फरकांसाठी समायोजित न करता वेगवेगळ्या आत्मविश्वास स्तरांवर किंवा वेळेच्या क्षितिजांवर गणना केलेल्या VaR ची तुलना करणे.
- !अपेक्षित उणीव आणि तणाव चाचणीकडे दुर्लक्ष करणे - सर्वसमावेशक जोखीम व्यवस्थापनासाठी केवळ VaR पुरेसे नाही आणि शेपटीच्या नुकसानाच्या तीव्रतेचे वर्णन करू शकत नाही.
Pro Tip
वास्तविक संकट परिस्थिती (2008, 2020) वापरून अपेक्षित कमतरता (CVaR) आणि ऐतिहासिक ताण चाचण्यांसह नेहमी VaR पूरक करा. विचारा: 'जर आपण 1% शेपटीत आहोत, तर ते किती वाईट होऊ शकते?' - हा प्रश्न आहे की VaR उत्तर देऊ शकत नाही परंतु जोखीम व्यवस्थापन दुर्लक्ष करू शकत नाही.
Did you know?
जेपी मॉर्गनचे 1994 चे RiskMetrics प्रकाशन, ज्याने VaR ला लोकप्रिय केले, ते तत्कालीन सीईओ डेनिस वेदरस्टोन यांच्या विनंतीमुळे प्रेरित होते ज्यांना फर्मच्या एकूण जोखमीचा सारांश देणारा एकच दैनिक अहवाल हवा होता. परिणाम - '4:15 अहवाल' बाजार बंद झाल्यानंतर 15 मिनिटांत वितरित झाला - जागतिक बँकिंग जोखीम व्यवस्थापन कायमचे बदलले.
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
References
- ›जेपी मॉर्गन रिस्कमेट्रिक्स तांत्रिक दस्तऐवज (चौथी आवृत्ती, 1996)
- ›इन्व्हेस्टोपीडिया: जोखमीचे मूल्य (VaR) स्पष्ट केले
- ›बँकिंग पर्यवेक्षणावरील बेसल समिती: ट्रेडिंग बुकचे मूलभूत पुनरावलोकन (FRTB)
- ›Jorion, P. (2006). जोखमीचे मूल्य: आर्थिक जोखीम व्यवस्थापित करण्यासाठी नवीन बेंचमार्क (3री आवृत्ती). मॅकग्रॉ-हिल.
Read the full guide on how to use this calculator effectively
अधिक वाचा →साप्ताहिक गणित टिप्स मिळवा
दर आठवड्याला कॅल्क्युलेटर टिपा मिळवणाऱ्या १२,०००+ सदस्यांमध्ये सामील व्हा.