What is Monte Carlo VaR Simulator?
▾
मॉन्टे कार्लो व्हीएआर सिम्युलेशन हा जोखमीच्या मूल्याचा अंदाज लावण्यासाठी एक संगणकीय दृष्टीकोन आहे जो हजारो (किंवा लाखो) काल्पनिक पोर्टफोलिओ परतावा परिदृश्य व्युत्पन्न करतो यादृच्छिकपणे मॉडेल केलेल्या रिटर्न वितरणातून नमुने घेऊन, त्यानंतर कोणत्याही आत्मविश्वास स्तरावर VaR आणि CVaR चा अंदाज लावण्यासाठी परिणामी सिम्युलेटेड नुकसान वितरणाचा वापर करतो. पॅरामेट्रिक VaR (जे एक निश्चित वितरण आकार गृहीत धरते, सामान्यत: सामान्य) किंवा ऐतिहासिक सिम्युलेशन (जे निरीक्षण केलेल्या ऐतिहासिक परिस्थितींपुरते मर्यादित आहे) विपरीत, मॉन्टे कार्लो सिम्युलेशन जटिल वितरण गृहितके, नॉन-रेखीय साधने, बहु-घटक एक्सपोजर आणि लवचिक फ्रेमवर्कमधील परस्परसंबंधांचे मॉडेल करू शकते. मोंटे कार्लो व्हीएआर प्रक्रिया मालमत्ता परतावा कसा निर्माण केला जातो याचे मॉडेल निर्दिष्ट करून सुरू होते — विशेषत: अपेक्षित परतावा, अस्थिरता आणि सहसंबंध (शक्यतो फॅट टेल किंवा स्टोकास्टिक अस्थिरतेसह) असलेले बहुविध मॉडेल. या वितरणातील रँडम ड्रॉ सिम्युलेटेड रिटर्न पथ तयार करतात. प्रत्येक सिम्युलेटेड परिस्थितीसाठी, पोर्टफोलिओ नफा किंवा तोटा मोजला जातो. अशा हजारो परिस्थितींनंतर, पोर्टफोलिओ P&L चे परिणामी वितरण रँक केले जाते आणि VaR हे योग्य पर्सेंटाइल म्हणून वाचले जाते (उदा. 99% VaR साठी 1ली टक्केवारी), तर CVaR ही त्या बिंदूच्या पलीकडे असलेल्या सर्व नुकसानांची सरासरी आहे. मॉन्टे कार्लो सिम्युलेशन हे पर्याय आणि इतर नॉन-लिनियर डेरिव्हेटिव्ह्ज असलेल्या पोर्टफोलिओसाठी विशेषतः शक्तिशाली आहे, जेथे बाजाराच्या हालचालींना पोर्टफोलिओचा प्रतिसाद नॉन-रेखीय असतो आणि साध्या पॅरामेट्रिक पद्धतींनी अचूकपणे अंदाज लावता येत नाही. हे पथ-आश्रित साधनांचे मॉडेल देखील बनवू शकते (जसे की अडथळ्याचे पर्याय आणि गहाण-बॅक्ड सिक्युरिटीज), फॅट-टेल्ड डिस्ट्रिब्यूशन (विद्यार्थी टी, पॅरेटो) समाविष्ट करू शकतात आणि असममित रिटर्न वितरण कॅप्चर करू शकतात. तथापि, मॉन्टे कार्लो व्हीएआर संगणकीयदृष्ट्या गहन आहे — हजारो पोझिशन्ससह मोठ्या पोर्टफोलिओमध्ये भरीव संगणन संसाधनांची आवश्यकता असू शकते — आणि परिणाम परिस्थिती निर्माण करण्यासाठी वापरल्या जाणाऱ्या मॉडेल गृहितकांना संवेदनशील असतात. मॉन्टे कार्लो व्हीएआरची एक गंभीर मर्यादा ही आहे की ते मॉडेलच्या कार्यक्षेत्राबाहेरील परिस्थिती निर्माण करू शकत नाही. मॉडेल अलीकडील डेटावर कॅलिब्रेट केले असल्यास, ते अलीकडेच पूर्ण न झालेल्या दीर्घ-पुच्छ जोखीम चुकवू शकते. म्हणूनच मॉन्टे कार्लो व्हीएआरला ऐतिहासिक संकट परिस्थितींचा वापर करून तणाव चाचणीसह पूरक असणे आवश्यक आहे. भिन्नता कमी करण्याचे तंत्र (अँटीथेटिक व्हेरिएबल्स, कंट्रोल व्हेरिएट्स, स्ट्रॅटिफाइड सॅम्पलिंग) संगणकीय कार्यक्षमता सुधारण्यासाठी आणि दिलेल्या परिस्थितीसाठी सिम्युलेशन त्रुटी कमी करण्यासाठी वापरली जातात.
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
सूत्र
▾
1. N सहसंबंधित रिटर्न वेक्टर्सचे अनुकरण करा: R_sim = μ + L × Z (Σ चे L=Cholesky, Z=मानक सामान्य)
2. प्रत्येक परिस्थितीसाठी पोर्टफोलिओ P&L ची गणना करा: P&L_i = पोर्टफोलिओ × R_sim_i
3. P&L सर्वात वाईट ते सर्वोत्तम क्रमवारी लावा; VaR_α = −P&L (1−α)व्या टक्केवारीवर
4. CVaR_α = −सरासरी(VAR थ्रेशोल्ड खाली P&L)Variable Legend
▾
| प्रतीक | नाव | एकक | वर्णन |
|---|---|---|---|
| N | सिम्युलेशनची संख्या | count | एकूण सिम्युलेटेड परिस्थिती; जोखीम अहवालासाठी सामान्यत: 10,000-100,000; उच्च-परिशुद्धता भांडवली गणनासाठी अधिक. |
| ρ | मालमत्ता सहसंबंध मॅट्रिक्स | ratio | मालमत्तेमधील जोडीने परस्परसंबंध; Cholesky decomposition द्वारे सहसंबंधित यादृच्छिक परतावा व्युत्पन्न करण्यासाठी वापरले जाते. |
| σ_i | मालमत्ता अस्थिरता | %/period | प्रत्येक मालमत्तेसाठी परताव्याचे मानक विचलन i; ऐतिहासिक डेटावरून कॅलिब्रेट केलेले किंवा ऑप्शन मार्केटमधून निहित. |
| VaR_MC | मोंटे कार्लो VaR | USD | सिम्युलेटेड P&L वितरणातून (1−α) टक्केवारीचे नुकसान; पॅरामेट्रिक VaR चे सिम्युलेटेड समतुल्य. |
| SE_VaR | सिम्युलेशन मानक त्रुटी | USD | मॉन्टे कार्लो व्हीएआर मध्ये सांख्यिकीय अंदाज त्रुटी; √N सह कमी होते — 4× अधिक सिम्युलेशन त्रुटी अर्धवट करतात. |
How to Monte Carlo VaR Simulator
▾
- 1रिटर्न मॉडेल निर्दिष्ट करा: सर्व पोर्टफोलिओ मालमत्तेसाठी अपेक्षित परतावा (μ), मानक विचलन (σ), आणि सहसंबंध मॅट्रिक्स (ρ) परिभाषित करा.
- 2सहसंबंधित यादृच्छिक चल व्युत्पन्न करण्यासाठी सहसंबंध मॅट्रिक्सचे Cholesky विघटन करा.
- 3स्वतंत्र मानक सामान्य यादृच्छिक संख्यांचे N संच काढा; सहसंबंधित रिटर्न वेक्टर तयार करण्यासाठी Cholesky फॅक्टर वापरून परिवर्तन करा.
- 4प्रत्येक सिम्युलेटेड रिटर्न वेक्टरसाठी पोर्टफोलिओ P&L ची गणना करा: रेखीय पोर्टफोलिओसाठी P&L = Σ(weight_i × portfolio_value × return_i); पर्यायांसाठी पूर्ण पुनर्मूल्यांकन वापरा.
- 5सर्व N सिम्युलेटेड P&L परिणाम सर्वात वाईट ते सर्वोत्तम क्रमवारी लावा.
- 6VaR वाचा: (1−α) × N-th निरीक्षणातील नुकसान (उदा. 10,000 सिम्युलेशनसह 99% VaR साठी 100 वा सर्वात वाईट).
- 7CVaR ची गणना करा: सरासरी सर्व नुकसान VaR पेक्षा वाईट (उदा. 10,000 सिम्युलेशनसह 99% CVaR साठी सर्वात वाईट 100 परिणामांची सरासरी).
Worked Examples
▾
नकारात्मक सहसंबंध पोर्टफोलिओ VaR लक्षणीयरीत्या कमी करतो
पोर्टफोलिओ वार्षिक अस्थिरता ≈ √(0.6²×0.2² + 0.4²×0.05² + 2×0.6×0.4×(-0.3)×0.2×0.05) ≈ 11.7%. मॉन्टे कार्लो 10,000 परस्परसंबंधित वार्षिक परतावा जोड्या व्युत्पन्न करते; प्रत्येकासाठी पोर्टफोलिओ P&L ची गणना. सर्वात वाईट 500 परिणाम (5%) सरासरी अंदाजे 23% पोर्टफोलिओ = −$230,000 (CVaR). 500 वा सर्वात वाईट परिणाम ≈ −17.5% = −$175,000 (VaR). सहसंबंध लाभाशिवाय (ρ=0), VaR अंदाजे $220,000 असेल — नकारात्मक बाँड-स्टॉक सहसंबंधातून $45,000 जोखीम कमी दर्शवते.
मॉन्टे कार्लो नॉन-लिनियर गामा प्रभाव कॅप्चर करते; पॅरामीट्रिक चुकते
गॅमा (कन्व्हेक्सिटी) मुळे पर्यायांमध्ये नॉन-रेखीय P&L असतात. डेल्टा-सामान्य VaR अंदाजे पर्याय रेखीय (केवळ डेल्टा वापरते), $14,000 VaR तयार करते. प्रत्येक सिम्युलेटेड अंतर्निहित किमतीसाठी ब्लॅक-स्कोल्स वापरून पूर्ण मॉन्टे कार्लो पुनर्मूल्यांकन पूर्ण नॉन-लिनियर प्रतिसाद कॅप्चर करते, $18,000 VaR - 29% जास्त. अतिरिक्त जोखीम गॅमाकडून येते: मोठ्या हालचालींमुळे डेल्टा-रेखीय अंदाजे अंदाजापेक्षा अधिक P&L बदल होतात. मोठ्या पर्यायांच्या पुस्तकांसाठी, ही नॉन-लाइनरिटी सुधारणा सामग्री असू शकते, ज्यामुळे संपूर्ण पुनर्मूल्यांकन मॉन्टे कार्लो आवश्यक आहे.
फॅट टेल (टी-वितरण) भौतिकदृष्ट्या उच्च व्हीएआर तयार करतात
दररोज σ=2% साठी: सामान्य 99% VaR = 2.326 × 2% × $10M = $465,200. 4 अंश स्वातंत्र्य असलेल्या विद्यार्थ्याला जड शेपटी आहेत: 99 वा पर्सेंटाइल अंदाजे 3.747σ (सामान्यसाठी वि. 2.326σ) आहे, VaR = 3.747 × 2% × $10M = $749,400 देते. 51% फरक दर्शवितो की मॉन्टे कार्लोमध्ये सामान्यता गृहीत धरल्याने शेपटीच्या जोखमीला नाटकीयपणे कमी लेखता येते. वास्तविक इक्विटी रिटर्न्समध्ये 4-8 (सामान्य कर्टोसिस = 3) चे कर्टोसिस असते, ज्यामुळे फॅट-टेल मॉडेल अत्यंत नुकसानाचा अंदाज लावण्यासाठी अधिक अचूक बनते.
मानक त्रुटी 1/√N - 100× अधिक सिम्स = 10× अधिक अचूकता म्हणून संकुचित होते
मोंटे कार्लो VaR मानक त्रुटी ≈ σ_portfolio × √(α(1−α)/N) / f(VaR), जेथे f हा VaR क्वांटाइलमध्ये PDF आहे. N=100 सिम्युलेशनसह, अंदाजामध्ये ±$45,000 अनिश्चितता आहे — व्यावहारिक वापरासाठी खूप अस्पष्ट. N=10,000 देते ±$4,500, दैनिक अहवालासाठी स्वीकार्य. नियामक भांडवलासाठी (जेथे $200,000 VaR वर $4,500 2.25% सापेक्ष त्रुटी आहे), N=100,000 किंवा अधिक आवश्यक असू शकते. भिन्नता कमी करण्याचे तंत्र (प्रतिरोधी सॅम्पलिंग, महत्त्व सॅम्पलिंग) खूप कमी सिम्युलेशनसह N=100,000 ची अचूकता प्राप्त करू शकतात.
Real-World Applications
▾
गुंतवणूक बँक ट्रेडिंग बुक VaR आणि भांडवल गणना
हेज फंड दैनिक जोखीम निरीक्षण आणि पोर्टफोलिओ ऑप्टिमायझेशन
संपूर्ण पुनर्मूल्यांकनासह पर्याय डेस्क जोखीम व्यवस्थापन
विमा कंपनी आरक्षित आणि सॉल्व्हन्सी II भांडवल मॉडेल
पेन्शन फंड मालमत्ता-दायित्व व्यवस्थापन आणि दायित्व-चालित गुंतवणूक
Special Cases
▾
व्यवहारात, या काठाच्या केसला काळजीपूर्वक विचार करणे आवश्यक आहे कारण मानक गृहीतके धरू शकत नाहीत. मॉन्टे कार्लो वर सिम्युलेटर गणनेमध्ये या परिस्थितीचा सामना करताना, प्रॅक्टिशनर्सनी सीमा परिस्थितीची पडताळणी केली पाहिजे, विभागणी-शून्य जोखीम तपासली पाहिजेत आणि या अत्यंत परिस्थितींमध्ये मॉडेलचे गृहितक वैध आहेत की नाही याचा विचार केला पाहिजे.
व्यवहारात, या काठाच्या केसला काळजीपूर्वक विचार करणे आवश्यक आहे कारण मानक गृहीतके धरू शकत नाहीत. मॉन्टे कार्लो वर सिम्युलेटर गणनेमध्ये या परिस्थितीचा सामना करताना, प्रॅक्टिशनर्सनी सीमा परिस्थितीची पडताळणी केली पाहिजे, विभागणी-शून्य जोखीम तपासली पाहिजेत आणि या अत्यंत परिस्थितींमध्ये मॉडेलचे गृहितक वैध आहेत की नाही याचा विचार केला पाहिजे.
व्यवहारात, या काठाच्या केसला काळजीपूर्वक विचार करणे आवश्यक आहे कारण मानक गृहीतके धरू शकत नाहीत. मॉन्टे कार्लो वर सिम्युलेटर गणनेमध्ये या परिस्थितीचा सामना करताना, प्रॅक्टिशनर्सनी सीमा परिस्थितीची पडताळणी केली पाहिजे, विभागणी-शून्य जोखीम तपासली पाहिजेत आणि या अत्यंत परिस्थितींमध्ये मॉडेलचे गृहितक वैध आहेत की नाही याचा विचार केला पाहिजे.
नमुना आकारानुसार मॉन्टे कार्लो सिम्युलेशन अचूकता
▾
| सिम्युलेशन (N) | शेपटी Obs. ९९% वर | VaR मानक त्रुटी | साठी शिफारस केली |
|---|---|---|---|
| 1,000 | 10 | ~15% सापेक्ष | केवळ प्रारंभिक प्रोटोटाइपिंग |
| 10,000 | 100 | ~5% सापेक्ष | दैनिक 95% VaR अहवाल |
| 100,000 | 1,000 | ~1.5% सापेक्ष | 99% VaR / नियामक अहवाल |
| 1,000,000 | 10,000 | ~0.5% सापेक्ष | 99.9% आर्थिक भांडवल |
| 10,000,000 | 100,000 | ~0.15% सापेक्ष | विमा अत्यंत शेपटीचा अंदाज |
Frequently Asked Questions
▾
पॅरामेट्रिक आणि ऐतिहासिक पद्धतींपेक्षा मॉन्टे कार्लो व्हीएआरचे फायदे काय आहेत?
Monte Carlo VaR तीन प्रमुख फायदे देते. प्रथम, ते नॉन-लिनियर इन्स्ट्रुमेंट्स (पर्याय, गहाण-बॅक्ड सिक्युरिटीज, संरचित उत्पादने) हाताळू शकते जे डेल्टा-सामान्य पॅरामेट्रिक पद्धतींनी अचूकपणे कॅप्चर केले जाऊ शकत नाही. दुसरे, ते कोणत्याही रिटर्न डिस्ट्रिब्यूशनचे मॉडेल करू शकते — सामान्य, फॅट-टेलेड (टी-डिस्ट्रिब्युशन), स्क्युड (असममित), किंवा वापरकर्ता-निर्दिष्ट — सामान्यतेमध्ये मर्यादित न राहता. तिसरे, ते संभाव्य परिणामांची विस्तृत श्रेणी समाविष्ट करून, ऐतिहासिक डेटामध्ये उपस्थित नसलेली परिस्थिती निर्माण करू शकते. ऐतिहासिक अनुकरण हे प्रत्यक्षात घडलेल्या गोष्टींपुरते मर्यादित आहे; मॉन्टे कार्लो अशा परिस्थितींचे अनुकरण करू शकते जे अद्याप आलेले नाहीत परंतु मॉडेल केलेले वितरण पाहता ते शक्य आहे.
विश्वासार्ह मॉन्टे कार्लो व्हीएआरसाठी किती सिम्युलेशन आवश्यक आहेत?
सिम्युलेशनची आवश्यक संख्या आत्मविश्वास पातळी आणि इच्छित अचूकतेवर अवलंबून असते. 95% VaR साठी: N=1,000 अंदाजे 50 शेपटी निरीक्षणे देते — जेमतेम पुरेसे. N=10,000 500 टेल निरिक्षण देते — विशेषत: दैनंदिन अहवालासाठी पुरेशी. 99% VaR साठी: N=10,000 फक्त 100 शेपूट निरीक्षणे देते; N=100,000 ला प्राधान्य दिले जाते. 99.9% VaR (आर्थिक भांडवल): लाखो सिम्युलेशनची आवश्यकता असू शकते. नियमानुसार: स्थिर अंदाजांसाठी शेपटीत किमान 100-200 निरीक्षणे लक्ष्य करा. भिन्नता कमी करण्याचे तंत्र संगणकीय आवश्यकता लक्षणीयरीत्या कमी करू शकतात.
चोलेस्की विघटन म्हणजे काय आणि ते मॉन्टे कार्लोमध्ये का वापरले जाते?
Cholesky विघटन घटक एक सहसंबंध (किंवा सहप्रसरण) मॅट्रिक्सला खालच्या त्रिकोणी मॅट्रिक्स L मध्ये बनवते जसे की LL' = Σ. मोंटे कार्लो सिम्युलेशनमध्ये सहसंबंधित यादृच्छिक चल निर्माण करण्यासाठी वापरले जाते: जर Z हा स्वतंत्र मानक सामान्य यादृच्छिक संख्यांचा सदिश असेल, तर R = L × Z हा सहसंबंधित सामान्य यादृच्छिक चलांचा सहसंबंधित रचनेचा एक सदिश आहे Σ. या पायरीशिवाय, यादृच्छिकपणे व्युत्पन्न केलेले परतावे संपूर्ण मालमत्तेवर स्वतंत्र असतील, पोर्टफोलिओ जोखमीसाठी महत्त्वपूर्ण असलेल्या परस्परसंबंधांकडे दुर्लक्ष करून. कोलेस्कीच्या विघटनासाठी कोव्हेरिअन्स मॅट्रिक्स सकारात्मक अर्ध-निश्चित असणे आवश्यक आहे — जर मॅट्रिक्स जवळ-एकवचनी असेल किंवा नकारात्मक इजिनव्हल्यूज असेल (अनेक मालमत्तांसह शक्य असेल), तर नियमितीकरण तंत्र आवश्यक आहे.
मॉन्टे कार्लो सिम्युलेशनमध्ये 'आयामीपणाचा शाप' काय आहे?
जोखीम घटकांची संख्या (मालमत्ता, उत्पन्न वक्र बिंदू, अस्थिरता पृष्ठभाग बिंदू) वाढत असताना, बहुविविध वितरण पुरेशा प्रमाणात कव्हर करण्यासाठी आवश्यक सिम्युलेशनची संख्या वेगाने वाढते. 2 मालमत्तेसाठी, काही हजार सिम्युलेशन योग्यरित्या जागा व्यापतात. 100 सहसंबंधित मालमत्तेसाठी, लाखो सिम्युलेशन देखील अत्यंत संयुक्त परिस्थितींचे विरळ कव्हरेज सोडू शकतात. हे संगणकीय आव्हान — परिमाणाचा शाप — फॅक्टर रिडक्शन (सहसंबंध संरचनेचे मुख्य घटक विश्लेषण), स्तरीकृत नमुना आणि अर्ध-यादृच्छिक (कमी-विसंगती) अनुक्रम (हॅल्टन, सोबोल) द्वारे संबोधित केले जाते, जे पॅरामीटर स्पेस पूर्णपणे सॅम्परॅनिडमपेक्षा अधिक समानतेने कव्हर करतात.
मॉन्टे कार्लो व्हीएआर स्टोकास्टिक अस्थिरता कशी हाताळते?
स्टँडर्ड मॉन्टे कार्लो स्थिर अस्थिरता (σ) गृहीत धरते, परंतु वास्तविक बाजारातील अस्थिरता वेळ-बदलणारी आणि सरासरी-परत बदलणारी असते. स्टोकास्टिक अस्थिरता मॉडेल (हेस्टन मॉडेल, SABR मॉडेल, GARCH) मॉडेल अस्थिरता ही एक यादृच्छिक प्रक्रिया आहे. हेस्टन मॉडेल मोंटे कार्लोमध्ये, इक्विटी रिटर्न आणि गर्भित अस्थिरता ('अस्थिरता स्माइल') यांच्यातील नकारात्मक सहसंबंध कॅप्चर करून, परस्परसंबंधित ब्राउनियन हालचालींचा वापर करून मालमत्ता किंमत आणि अस्थिरता प्रक्रिया दोन्ही एकाच वेळी सिम्युलेट केल्या जातात. हे नकारात्मक स्क्युनेस आणि जड डाव्या शेपटीसह अधिक वास्तववादी P&L वितरण तयार करते, विशेषत: पर्याय पोर्टफोलिओसाठी जेथे वेगाचा धोका (अस्थिरतेतील बदलांची संवेदनशीलता) लक्षणीय आहे.
मॉन्टे कार्लो व्हीएआर मध्ये सॅम्पलिंगचे महत्त्व काय आहे?
महत्त्व सॅम्पलिंग हे भिन्नता कमी करण्याचे तंत्र आहे जे VaR आणि CVaR अंदाजासाठी सर्वात महत्त्वाचे असलेल्या शेपटीच्या प्रदेशांमध्ये सिम्युलेशन केंद्रित करते. एकसमान नमुने घेण्याऐवजी, सिम्युलेशन संभाव्यता अधिक तीव्र परिस्थितीकडे वळविली जाते आणि या पूर्वाग्रहासाठी दुरुस्त करण्यासाठी परिणामांचे पुनर्वजन केले जाते. परिणाम म्हणजे दिलेल्या संख्येच्या सिम्युलेशनसाठी अधिक शेपूट निरीक्षणे, ज्याने स्वारस्य असलेल्या प्रदेशात VaR अंदाजाची मानक त्रुटी नाटकीयपणे कमी केली. महत्त्वाचे नमुने केवळ 10,000-50,000 सिम्युलेशनसह 1,000,000 मानक मॉन्टे कार्लो सिम्युलेशनची शेपटी अंदाज अचूकता प्राप्त करू शकतात, ज्यामुळे मर्यादित संगणकीय संसाधनांसह उच्च-परिशुद्धता VaR आवश्यक असलेल्या संस्थांसाठी ते व्यावहारिक बनते.
परतीच्या वितरणाची निवड मॉन्टे कार्लो व्हीएआरवर कसा परिणाम करते?
मॉन्टे कार्लो व्हीएआर मधील सर्वात महत्वाची मॉडेल निवड ही वितरण गृहीत धरली जाते. सामान्य वितरणाचा वापर केल्याने शेपटीच्या जोखमीला कमी लेखले जाते कारण वास्तविक आर्थिक परतावा लेप्टोकर्टिक (फॅट-टेल्ड) असतो आणि अनेकदा नकारात्मक तिरकस असतो. 4-8 अंशांच्या स्वातंत्र्यासह विद्यार्थ्याचे टी-वितरण सामान्यत: इक्विटी रिटर्न्समध्ये चांगले बसते आणि 99% आत्मविश्वासाने 30-80% जास्त VaR तयार करते. एक्स्ट्रीम व्हॅल्यू थिअरी (EVT) - विशेषत: टेल मॉडेलिंगसाठी सामान्यीकृत पॅरेटो वितरण - 99.9% VaR साठी आवश्यक असलेल्या अत्यंत खोल पुच्छांचा अंदाज लावण्यासाठी सर्वात कठोर दृष्टीकोन आहे. व्यवहारात, अत्याधुनिक जोखीम प्रणाली बहुतेक परतीच्या वितरणासाठी सामान्य वितरणाचा वापर करतात परंतु अत्यंत टक्केवारीसाठी EVT वापरून वेगळे टेल मॉडेल बसवतात.
Common Mistakes to Avoid
▾
- !इच्छित आत्मविश्वास पातळीसाठी खूप कमी सिम्युलेशन वापरणे, उच्च सिम्युलेशन त्रुटी निर्माण करणे जी आवश्यक VaR अचूकतेपेक्षा जास्त आहे.
- !जेव्हा वास्तविक परतावा वितरण फॅट-टेल केलेले असते तेव्हा सामान्य परतावा गृहीत धरून — चांगल्या टेल मॉडेलिंगसाठी टी-वितरण किंवा EVT वापरा.
- !सहसंबंध संरचनेकडे दुर्लक्ष करणे किंवा जटिल घटक मॉडेलची आवश्यकता असताना एक साधी एकल-सहसंबंध गृहीतक वापरणे.
- !पर्यायांसाठी पूर्ण पुनर्मूल्यांकन करत नाही, डेल्टा-सामान्य अंदाजे वापरून जे गॅमा (कन्व्हेक्सिटी) जोखीम चुकवतात.
- !मॉन्टे कार्लो व्हीएआरला विशिष्ट ऐतिहासिक संकट परिस्थितीसाठी तणावाच्या चाचण्यांना पूरक न ठरता संपूर्ण जोखीम मापन म्हणून उपचार करणे.
Pro Tip
नेहमी अभिसरण चाचणी चालवा: सिम्युलेशनच्या संख्येचे कार्य म्हणून प्लॉट मॉन्टे कार्लो व्हीएआर अंदाज. अंदाज अजूनही 10,000 सिम्युलेशनमध्ये भौतिकदृष्ट्या बदलत असल्यास, परिणाम वापरण्यापूर्वी N वाढवा किंवा भिन्नता कपात लागू करा.
Did you know?
मॉन्टे कार्लो सिम्युलेशन द्वितीय विश्वयुद्धादरम्यान लॉस अलामोस नॅशनल लॅबोरेटरी - स्टॅनिस्लॉ उलाम, जॉन वॉन न्यूमन आणि निकोलस मेट्रोपोलिस येथील भौतिकशास्त्रज्ञांनी - आण्विक अणुभट्ट्यांमधील न्यूट्रॉन प्रसाराचे मॉडेल करण्यासाठी विकसित केले होते. हे नाव मोनॅकोमधील मॉन्टे कार्लो कॅसिनोमधून आले आहे, जेथे उलामचे काका वारंवार जुगार खेळत असत. हेच तंत्र आता आधुनिक आर्थिक जोखीम व्यवस्थापन, औषध कार्यक्षमतेचे मॉडेलिंग आणि हवामान बदलाचे अनुकरण करते.
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
References
- ›ग्लासरमन, पी.: मॉन्टे कार्लो मेथड्स इन फायनान्शियल इंजिनिअरिंग, स्प्रिंगर (2003)
- ›बेसल समिती: मोठ्या एक्सपोजरचे मोजमाप आणि नियंत्रण करण्यासाठी पर्यवेक्षी फ्रेमवर्क (2014)
- ›मॅकनील, फ्रे आणि एम्ब्रेचट्स: क्वांटिटेटिव्ह रिस्क मॅनेजमेंट, प्रिन्स्टन युनिव्हर्सिटी प्रेस
- ›इन्व्हेस्टोपीडिया: मॉन्टे कार्लो सिम्युलेशन इन रिस्क मॅनेजमेंट
साप्ताहिक गणित टिप्स मिळवा
दर आठवड्याला कॅल्क्युलेटर टिपा मिळवणाऱ्या १२,०००+ सदस्यांमध्ये सामील व्हा.