କ'ଣ Monte Carlo VaR Simulator?
▾
ମୋଣ୍ଟେ କାର୍ଲୋ VaR ଅନୁକରଣ ହେଉଛି ରିସ୍କରେ ମୂଲ୍ୟ ଆକଳନ କରିବା ପାଇଁ ଏକ ଗଣନାକାରୀ ପନ୍ଥା ଯାହା ହଜାରେ (କିମ୍ବା ଲକ୍ଷ) ହାଇପୋଥେଟିକାଲ୍ ପୋର୍ଟଫୋଲିଓ ରିଟର୍ନ ପରିସ୍ଥିତି ସୃଷ୍ଟି କରେ ଯାହା ମଡେଲ ରିଟର୍ନ ବଣ୍ଟନରୁ ଅନିୟମିତ ଭାବରେ ନମୁନା ସଂଗ୍ରହ କରିଥାଏ, ତା’ପରେ ଫଳାଫଳର ଅନୁକରଣ କ୍ଷତି ବଣ୍ଟନକୁ VaR ଏବଂ CVaR ଆକଳନ କରିବାକୁ ବ୍ୟବହାର କରିଥାଏ | ପାରାମେଟ୍ରିକ୍ VaR ପରି (ଯାହା ଏକ ସ୍ଥିର ବଣ୍ଟନ ଆକୃତି ଅନୁମାନ କରେ, ସାଧାରଣତ normal ସାଧାରଣ) କିମ୍ବା historical ତିହାସିକ ଅନୁକରଣ (ଯାହା observed ତିହାସିକ ପରିସ୍ଥିତିରେ ସୀମିତ), ମୋଣ୍ଟେ କାର୍ଲୋ ସିମୁଲେସନ୍ ଜଟିଳ ବଣ୍ଟନ ଅନୁମାନ, ଅଣ-ର ar ଖ୍ୟ ଉପକରଣ, ମଲ୍ଟି-ଫ୍ୟାକ୍ଟର୍ ଏକ୍ସପୋଜର୍ ଏବଂ ସମ୍ପଦ ମଧ୍ୟରେ ସଂପୂର୍ଣ୍ଣ ନମନୀୟ framework ାଞ୍ଚାରେ ସମ୍ପର୍କ ସ୍ଥାପନ କରିପାରିବ | ମୋଣ୍ଟେ କାର୍ଲୋ VaR ପ୍ରକ୍ରିୟା କିପରି ସମ୍ପତ୍ତି ରିଟର୍ନ ସୃଷ୍ଟି ହୁଏ ତାହାର ଏକ ମଡେଲ୍ ନିର୍ଦ୍ଦିଷ୍ଟ କରି ଆରମ୍ଭ ହୁଏ - ସାଧାରଣତ expected ଆଶା କରାଯାଉଥିବା ରିଟର୍ନ, ଅସ୍ଥିରତା ଏବଂ ସମ୍ପର୍କ ସହିତ ଏକ ମଲ୍ଟିଭାରିଏଟ୍ ମଡେଲ୍ (ସମ୍ଭବତ fat ଚର୍ବି ଲାଞ୍ଜ କିମ୍ବା ଷ୍ଟୋଷ୍ଟାଷ୍ଟିକ୍ ଅସ୍ଥିରତା ସହିତ) | ଏହି ବଣ୍ଟନରୁ ଅନିୟମିତ ଚିତ୍ରଗୁଡ଼ିକ ସିମୁଲେଡ୍ ରିଟର୍ନ ପଥ ସୃଷ୍ଟି କରେ | ପ୍ରତ୍ୟେକ ଅନୁକରଣ କରାଯାଇଥିବା ପରିସ୍ଥିତି ପାଇଁ, ପୋର୍ଟଫୋଲିଓ ଲାଭ କିମ୍ବା କ୍ଷତି ଗଣନା କରାଯାଏ | ଏହିପରି ହଜାରେ ପରିସ୍ଥିତି ପରେ, ପୋର୍ଟଫୋଲିଓ P&L ର ବଣ୍ଟନ ସ୍ଥାନିତ ହୋଇଛି, ଏବଂ VaR ଉପଯୁକ୍ତ ଶତକଡା (ଯଥା 99% VaR ପାଇଁ ପ୍ରଥମ ଶତକଡ଼ା) ଭାବରେ ପ read ଼ାଯାଇଥିବାବେଳେ CVaR ସେହି ବିନ୍ଦୁରୁ ସମସ୍ତ କ୍ଷତିର ହାରାହାରି | ବିକଳ୍ପ ଏବଂ ଅନ୍ୟାନ୍ୟ ଅଣ-ର ar ଖିକ ଡେରିଭେଟିଭ୍ ଧାରଣ କରିଥିବା ପୋର୍ଟଫୋଲିଓ ପାଇଁ ମୋଣ୍ଟେ କାର୍ଲୋ ସିମୁଲେସନ ବିଶେଷ ଭାବରେ ଶକ୍ତିଶାଳୀ, ଯେଉଁଠାରେ ବଜାର ଗତିବିଧି ଉପରେ ପୋର୍ଟଫୋଲିଓର ପ୍ରତିକ୍ରିୟା ଅଣ-ର ar ଖିକ ଏବଂ ସରଳ ପାରାମେଟ୍ରିକ୍ ପଦ୍ଧତି ସହିତ ସଠିକ୍ ଭାବରେ ଆକଳନ କରାଯାଇପାରିବ ନାହିଁ | ଏହା ପଥ-ନିର୍ଭରଶୀଳ ଯନ୍ତ୍ରଗୁଡ଼ିକୁ ମଧ୍ୟ ମଡେଲ କରିପାରିବ (ଯେପରି ପ୍ରତିବନ୍ଧକ ବିକଳ୍ପ ଏବଂ ବନ୍ଧକ-ସମର୍ଥିତ ସିକ୍ୟୁରିଟି), ଚର୍ବିଯୁକ୍ତ ବଣ୍ଟନ (ଛାତ୍ରଙ୍କ ଟି, ପାରେଟୋ) ଅନ୍ତର୍ଭୂକ୍ତ କରିପାରିବ ଏବଂ ଅସୀମିତ ରିଟର୍ନ ବଣ୍ଟନକୁ କ୍ୟାପଚର କରିପାରିବ | ତଥାପି, ମୋଣ୍ଟେ କାର୍ଲୋ VaR ଗଣନାତ୍ମକ ଭାବରେ ଘୋର ଅଟେ - ହଜାରେ ପଦବୀ ସହିତ ବୃହତ ପୋର୍ଟଫୋଲିଓଗୁଡିକ ଯଥେଷ୍ଟ ଗଣନା ଉତ୍ସ ଆବଶ୍ୟକ କରିପାରନ୍ତି - ଏବଂ ଫଳାଫଳଗୁଡିକ ପରିସ୍ଥିତି ସୃଷ୍ଟି ପାଇଁ ବ୍ୟବହୃତ ମଡେଲ୍ ଅନୁମାନ ପ୍ରତି ସମ୍ବେଦନଶୀଳ | ମୋଣ୍ଟେ କାର୍ଲୋ VaR ର ଏକ ଜଟିଳ ସୀମା ହେଉଛି ଏହା ମଡେଲର ପରିସର ବାହାରେ ପରିସ୍ଥିତି ସୃଷ୍ଟି କରିପାରିବ ନାହିଁ | ଯଦି ମଡେଲକୁ ସାମ୍ପ୍ରତିକ ତଥ୍ୟକୁ କାଲିବ୍ରେଟ୍ କରାଯାଏ, ଏହା ହୁଏତ ଲମ୍ବା ଲାଞ୍ଜର ବିପଦକୁ ହରାଇପାରେ ଯାହା ସମ୍ପ୍ରତି ବସ୍ତୁ ହୋଇନାହିଁ | ଏହି କାରଣରୁ Mont ତିହାସିକ ସଙ୍କଟ ପରିସ୍ଥିତିକୁ ବ୍ୟବହାର କରି ଷ୍ଟ୍ରେସ୍ ଟେଷ୍ଟ ସହିତ ମୋଣ୍ଟେ କାର୍ଲୋ VaR କୁ ସପ୍ଲିମେଣ୍ଟ କରାଯିବା ଆବଶ୍ୟକ | ଭାରିଏନ୍ସ ହ୍ରାସ କ techni ଶଳଗୁଡିକ (ଆଣ୍ଟିଥେଟିକ୍ ଭେରିଏବଲ୍, କଣ୍ଟ୍ରୋଲ୍ ଭାରିଏଟ୍ସ, ଷ୍ଟ୍ରାଟାଇଡ୍ ନମୁନା ସଂଗ୍ରହ) ଗଣନା ଦକ୍ଷତାକୁ ଉନ୍ନତ କରିବା ପାଇଁ ଏବଂ ନିର୍ଦ୍ଦିଷ୍ଟ ସଂଖ୍ୟକ ପରିସ୍ଥିତି ପାଇଁ ସିମୁଲେସନ୍ ତ୍ରୁଟି ହ୍ରାସ କରିବାକୁ ବ୍ୟବହୃତ ହୁଏ |
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
ସୂତ୍ର
▾
।
ପ୍ରତ୍ୟେକ ଦୃଶ୍ୟ ପାଇଁ ଗଣନା ପୋର୍ଟଫୋଲିଓ P&L: P & L_i = ପୋର୍ଟଫୋଲିଓ × R_sim_i |
3। ଖରାପରୁ ସର୍ବୋତ୍ତମକୁ P&L ସର୍ଟ କରନ୍ତୁ; VaR_α = −P & L (1 - α) ଶତକଡା
4। CVaR_α = ହାରାହାରି (VaR ସୀମା ତଳେ P&L)ଚଳ ବ୍ୟାଖ୍ୟା
▾
| ସଙ୍କେତ | ନାମ | ଏକକ | Description |
|---|---|---|---|
| N | ଅନୁକରଣ ସଂଖ୍ୟା | count | ସମୁଦାୟ ଅନୁକରଣୀୟ ପରିସ୍ଥିତି; ସାଧାରଣତ risk ବିପଦ ରିପୋର୍ଟ ପାଇଁ 10,000–100,000; ଉଚ୍ଚ ସଠିକତା ପୁଞ୍ଜି ଗଣନା ପାଇଁ ଅଧିକ | |
| ρ | ସମ୍ପତ୍ତି ସଂଶୋଧନ ମ୍ୟାଟ୍ରିକ୍ସ | | ratio | ସମ୍ପତ୍ତି ମଧ୍ୟରେ ଯୁଗ୍ମ ସମ୍ପର୍କ; ଚୋଲେସ୍କି ବିଚ୍ଛେଦ ମାଧ୍ୟମରେ ସମ୍ପର୍କିତ ରାଣ୍ଡମ ରିଟର୍ନ ସୃଷ୍ଟି କରିବାକୁ ବ୍ୟବହୃତ ହୁଏ | |
| σ_i | ସମ୍ପତ୍ତି ଅସ୍ଥିରତା | | %/period | ପ୍ରତ୍ୟେକ ସମ୍ପତ୍ତି ପାଇଁ ରିଟର୍ଣ୍ଣର ମାନକ ବିଘ୍ନ i; historical ତିହାସିକ ତଥ୍ୟରୁ କାଲିବ୍ରେଟ୍ ହୋଇଛି କିମ୍ବା ବିକଳ୍ପ ବଜାରରୁ ସୂଚିତ | |
| VaR_MC | ମଣ୍ଟେ କାର୍ଲୋ VaR | | USD | ଅନୁକରଣ କରାଯାଇଥିବା P&L ବଣ୍ଟନରୁ (1 - α) ଶତକଡ଼ା କ୍ଷତି; ପାରାମେଟ୍ରିକ୍ VaR ର ଅନୁକରଣୀୟ ସମାନ | |
| SE_VaR | ଅନୁକରଣ ମାନକ ତ୍ରୁଟି | | USD | ମୋଣ୍ଟେ କାର୍ଲୋ VaR ରେ ପରିସଂଖ୍ୟାନ ଆକଳନ ତ୍ରୁଟି; √N - 4 × ସହିତ ହ୍ରାସ ହୁଏ ଅଧିକ ସିମୁଲେସନ୍ ତ୍ରୁଟିକୁ ଅଧା କରିଥାଏ | |
କିପରି Monte Carlo VaR Simulator
▾
- 1ରିଟର୍ନ ମଡେଲ୍ ନିର୍ଦ୍ଦିଷ୍ଟ କରନ୍ତୁ: ସମସ୍ତ ପୋର୍ଟଫୋଲିଓ ସମ୍ପତ୍ତି ପାଇଁ ଆଶା କରାଯାଉଥିବା ରିଟର୍ନ (μ), ମାନକ ବିଚ୍ୟୁତି (σ), ଏବଂ ସମ୍ପର୍କ ମ୍ୟାଟ୍ରିକ୍ସ (ρ) କୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |
- 2ସଂପୃକ୍ତ ରାଣ୍ଡମ ଭେରିଏବଲ୍ ସୃଷ୍ଟି କରିବାକୁ ସମ୍ପର୍କ ମ୍ୟାଟ୍ରିକ୍ସର ଚୋଲେସ୍କି ବିଚ୍ଛେଦ କାର୍ଯ୍ୟ କର |
- 3ସ୍ independent ାଧୀନ ମାନକ ସାଧାରଣ ରାଣ୍ଡମ ସଂଖ୍ୟାଗୁଡ଼ିକର N ସେଟ୍ ଅଙ୍କନ କରନ୍ତୁ; ସଂଯୁକ୍ତ ରିଟର୍ନ ଭେକ୍ଟର୍ ସୃଷ୍ଟି କରିବାକୁ ଚୋଲେସ୍କି ଫ୍ୟାକ୍ଟର୍ ବ୍ୟବହାର କରି ରୂପାନ୍ତର କରନ୍ତୁ |
- 4ପ୍ରତ୍ୟେକ ସିମୁଲେଡ୍ ରିଟର୍ନ ଭେକ୍ଟର ପାଇଁ ଗଣନା ପୋର୍ଟଫୋଲିଓ P&L: ର line ଖ୍ୟ ପୋର୍ଟଫୋଲିଓ ପାଇଁ P&L = Σ (ଓଜନ_ i × ପୋର୍ଟଫୋଲିଓ_ ମୂଲ୍ୟ × ରିଟର୍ନ_ଇ); ବିକଳ୍ପଗୁଡ଼ିକ ପାଇଁ ପୂର୍ଣ୍ଣ ମୂଲ୍ୟାଙ୍କନ ବ୍ୟବହାର କରନ୍ତୁ |
- 5ସମସ୍ତ N ଅନୁକରଣ କରାଯାଇଥିବା P&L ଫଳାଫଳକୁ ଖରାପରୁ ସର୍ବୋତ୍ତମକୁ ସର୍ଟ କରନ୍ତୁ |
- 6VaR କୁ ପ Read ଼ନ୍ତୁ: (1 - α) × N-th ପର୍ଯ୍ୟବେକ୍ଷଣରେ କ୍ଷତି (ଯଥା, 10,000 ସିମୁଲେସନ୍ ସହିତ 99% VaR ପାଇଁ 100 ତମ ଖରାପ) |
- 7CVaR ଗଣନା କରନ୍ତୁ: ହାରାହାରି ସମସ୍ତ କ୍ଷତି VaR ଠାରୁ ଖରାପ (ଯଥା, 10,000 ସିମୁଲେସନ୍ ସହିତ 99% CVaR ପାଇଁ ହାରାହାରି 100 ଖରାପ ଫଳାଫଳ) |
ସମାଧାନ ହୋଇଥିବା ଉଦାହରଣ
▾
ନକାରାତ୍ମକ ସମ୍ପର୍କ ପୋର୍ଟଫୋଲିଓ VaR କୁ ଯଥେଷ୍ଟ ହ୍ରାସ କରିଥାଏ |
ପୋର୍ଟଫୋଲିଓ ବାର୍ଷିକ ଅସ୍ଥିରତା ≈ √ (0.6² × 0.2² + 0.4² × 0.05² + 2 × 0.6 × 0.4 × (-0.3) × 0.2 × 0.05) ≈ 11.7% | ମୋଣ୍ଟେ କାର୍ଲୋ 10,000 ସଂଯୁକ୍ତ ବାର୍ଷିକ ରିଟର୍ନ ଯୋଡି ସୃଷ୍ଟି କରେ; ପୋର୍ଟଫୋଲିଓ P&L ପ୍ରତ୍ୟେକ ପାଇଁ ଗଣନା କରାଯାଇଛି | ଖରାପ 500 ଫଳାଫଳ (5%) ହାରାହାରି −23% ପୋର୍ଟଫୋଲିଓ = - $ 230,000 (CVaR) | 500 ତମ ଖରାପ ଫଳାଫଳ ≈ −17.5% = - $ 175,000 (VaR) | ସମ୍ପର୍କ ଲାଭ ବିନା (ρ = 0), VaR ପ୍ରାୟ 220,000 ଡଲାର୍ ହେବ - ନକାରାତ୍ମକ ବଣ୍ଡ-ଷ୍ଟକ୍ ସମ୍ପର୍କରୁ $ 45,000 ବିପଦ ହ୍ରାସକୁ ଦର୍ଶାଇବ |
ମୋଣ୍ଟେ କାର୍ଲୋ ଅଣ-ର ar ଖ୍ୟ ଗାମା ପ୍ରଭାବକୁ କ୍ୟାପଚର୍ କରନ୍ତି; ପାରାମେଟ୍ରିକ୍ ଏହାକୁ ମିସ୍ କରେ |
ଗାମା (ସଂକଳନ) କାରଣରୁ ବିକଳ୍ପଗୁଡ଼ିକରେ ଅଣ-ର ar ଖ୍ୟ P&L ଥାଏ | ଡେଲଟା-ସାଧାରଣ VaR ବିକଳ୍ପଗୁଡିକ ର ar ଖ୍ୟ ଭାବରେ ଅନୁମାନ କରେ (କେବଳ ଡେଲ୍ଟା ବ୍ୟବହାର କରେ), $ 14,000 VaR ଉତ୍ପାଦନ କରେ | ପ୍ରତ୍ୟେକ ସିମୁଲେଡ୍ ଅନ୍ତର୍ନିହିତ ମୂଲ୍ୟ ପାଇଁ ବ୍ଲାକ୍-ସ୍କୋଲସ୍ ବ୍ୟବହାର କରି ଫୁଲ୍ ମଣ୍ଟେ କାର୍ଲୋ ପୁନ al ମୂଲ୍ୟାଙ୍କନ 18,000 VaR - 29% ଅଧିକ ଉତ୍ପାଦନ କରି ସମ୍ପୂର୍ଣ୍ଣ ଅଣ-ର ar ଖ୍ୟ ପ୍ରତିକ୍ରିୟାକୁ କ୍ୟାପଚର୍ କରିଥାଏ | ଅତିରିକ୍ତ ବିପଦ ଗାମାରୁ ଆସିଥାଏ: ବଡ଼ ପଦକ୍ଷେପଗୁଡ଼ିକ ଡେଲ୍ଟା-ର line ଖିକ ଆନୁମାନିକତା ଅପେକ୍ଷା ଅଧିକ P&L ପରିବର୍ତ୍ତନ କରିଥାଏ | ବୃହତ ବିକଳ୍ପ ପୁସ୍ତକଗୁଡ଼ିକ ପାଇଁ, ଏହି ଅଣ-ର ar ଖିକ ସଂଶୋଧନ ସାମଗ୍ରୀ ହୋଇପାରେ, ପୂର୍ଣ୍ଣ ପୁନ al ମୂଲ୍ୟାଙ୍କନ ମୋଣ୍ଟେ କାର୍ଲୋକୁ ଜରୁରୀ କରିଥାଏ |
ମୋଟା ଲାଙ୍ଗୁଳ (ଟି-ବଣ୍ଟନ) ବାସ୍ତୁଗତ ଭାବରେ ଅଧିକ VaR ଉତ୍ପାଦନ କରେ |
ଦ daily ନିକ σ = 2% ପାଇଁ: ସାଧାରଣ 99% VaR = 2.326 × 2% × $ 10M = $ 465,200 | 4 ଡିଗ୍ରୀ ସ୍ freedom ାଧୀନତା ଥିବା ଛାତ୍ର- t ର ଭାରୀ ଲାଞ୍ଜ ଅଛି: 99 ତମ ଶତକଡା ପ୍ରାୟ 3.747σ (ସାଧାରଣ ପାଇଁ ବନାମ 2.326σ), VaR = 3.747 × 2% × $ 10M = $ 749,400 ଦେଇଥାଏ | 51% ପାର୍ଥକ୍ୟ ଦର୍ଶାଏ ଯେ ମୋଣ୍ଟେ କାର୍ଲୋରେ ସ୍ ity ାଭାବିକତା ଅନୁମାନ କରିବା ଦ୍ୱାରା ଲାଞ୍ଜ ବିପଦକୁ ନାଟକୀୟ ଭାବରେ କମ୍ କରିପାରେ | ପ୍ରକୃତ ଇକ୍ୱିଟି ରିଟର୍ନଗୁଡିକରେ 4-8 (ସାଧାରଣ କୁର୍ତ୍ତୋସିସ୍ = 3) ର କୁର୍ତ୍ତୋସିସ୍ ଥାଏ, ଯାହା ଚର୍ବି-ଲାଞ୍ଜ ମଡେଲକୁ ଅତ୍ୟଧିକ କ୍ଷତିର ଆକଳନ ପାଇଁ ଅଧିକ ସଠିକ୍ କରିଥାଏ |
ମାନକ ତ୍ରୁଟି 1 / √N - 100 × ଅଧିକ ସିମ୍ = 10 × ଅଧିକ ସଠିକତା ଭାବରେ ସଙ୍କୁଚିତ ହୁଏ |
ମୋଣ୍ଟେ କାର୍ଲୋ VaR ମାନକ ତ୍ରୁଟି ≈ port_ ପୋର୍ଟଫୋଲିଓ × √ (α (1 - α) / N) / f (VaR), ଯେଉଁଠାରେ f ହେଉଛି VaR ପରିମାଣରେ PDF | N = 100 ଅନୁକରଣ ସହିତ, ଆକଳନରେ ± $ 45,000 ଅନିଶ୍ଚିତତା ଅଛି - ବ୍ୟବହାରିକ ବ୍ୟବହାର ପାଇଁ ଅତ୍ୟଧିକ ଅସ୍ପଷ୍ଟ | N = 10,000 daily 4,500 ଦିଏ, ଦ daily ନିକ ରିପୋର୍ଟ ପାଇଁ ଗ୍ରହଣୀୟ | ନିୟାମକ ପୁଞ୍ଜି ପାଇଁ (ଯେଉଁଠାରେ $ 200,000 VaR ଉପରେ $ 4,500 ହେଉଛି 2.25% ଆପେକ୍ଷିକ ତ୍ରୁଟି), N = 100,000 କିମ୍ବା ଅଧିକ ଆବଶ୍ୟକ ହୋଇପାରେ | ଭିନ୍ନତା ହ୍ରାସ କ techni ଶଳଗୁଡିକ (ଆଣ୍ଟିଥେଟିକ୍ ନମୁନା ସଂଗ୍ରହ, ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ନମୁନା ସଂଗ୍ରହ) N = 100,000 ର ସଠିକତା ବହୁତ କମ୍ ସିମୁଲେସନ୍ ସହିତ ହାସଲ କରିପାରିବ |
ବ୍ୟାବହାରିକ ପ୍ରୟୋଗ
▾
ନିବେଶ ବ୍ୟାଙ୍କ ବାଣିଜ୍ୟ ପୁସ୍ତକ VaR ଏବଂ ପୁଞ୍ଜି ଗଣନା |
ହେଜ୍ ପାଣ୍ଠି ଦ daily ନିକ ବିପଦ ମନିଟରିଂ ଏବଂ ପୋର୍ଟଫୋଲିଓ ଅପ୍ଟିମାଇଜେସନ୍ |
ପୂର୍ଣ୍ଣ ପୁନ al ମୂଲ୍ୟାଙ୍କନ ସହିତ ବିକଳ୍ପ ଡେସ୍କ ବିପଦ ପରିଚାଳନା |
ବୀମା କମ୍ପାନୀ ସଂରକ୍ଷଣ ଏବଂ ସଲଭେନ୍ସି II ପୁଞ୍ଜି ମଡେଲଗୁଡିକ |
ପେନ୍ସନ୍ ପାଣ୍ଠି ସମ୍ପତ୍ତି-ଦାୟିତ୍ management ପରିଚାଳନା ଏବଂ ଦାୟିତ୍-ଚାଳିତ ବିନିଯୋଗ |
ବିଶେଷ ଘଟଣା
▾
ଅଭ୍ୟାସରେ, ଏହି ଧାର ମାମଲା ଯତ୍ନର ସହ ବିଚାର କରିବା ଆବଶ୍ୟକ କରେ କାରଣ ମାନକ ଧାରଣା ଧାରଣ କରିନପାରେ | ମୋଣ୍ଟେ କାର୍ଲୋ var ସିମୁଲେଟର ଗଣନାରେ ଏହି ଦୃଶ୍ୟର ସାମ୍ନା କରିବାବେଳେ ଅଭ୍ୟାସକାରୀମାନେ ସୀମା ଅବସ୍ଥା ଯାଞ୍ଚ କରିବା, ବିଭାଜନ-ଶୂନ୍ୟ ବିପଦ ଯାଞ୍ଚ କରିବା ଉଚିତ ଏବଂ ଏହି ଚରମ ଅବସ୍ଥାରେ ମଡେଲର ଧାରଣା ବ valid ଧ ରହିବ କି ନାହିଁ ତାହା ବିଚାର କରିବା ଉଚିତ୍ |
ଅଭ୍ୟାସରେ, ଏହି ଧାର ମାମଲା ଯତ୍ନର ସହ ବିଚାର କରିବା ଆବଶ୍ୟକ କରେ କାରଣ ମାନକ ଧାରଣା ଧାରଣ କରିନପାରେ | ମୋଣ୍ଟେ କାର୍ଲୋ var ସିମୁଲେଟର ଗଣନାରେ ଏହି ଦୃଶ୍ୟର ସାମ୍ନା କରିବାବେଳେ ଅଭ୍ୟାସକାରୀମାନେ ସୀମା ଅବସ୍ଥା ଯାଞ୍ଚ କରିବା, ବିଭାଜନ-ଶୂନ୍ୟ ବିପଦ ଯାଞ୍ଚ କରିବା ଉଚିତ ଏବଂ ଏହି ଚରମ ଅବସ୍ଥାରେ ମଡେଲର ଧାରଣା ବ valid ଧ ରହିବ କି ନାହିଁ ତାହା ବିଚାର କରିବା ଉଚିତ୍ |
ଅଭ୍ୟାସରେ, ଏହି ଧାର ମାମଲା ଯତ୍ନର ସହ ବିଚାର କରିବା ଆବଶ୍ୟକ କରେ କାରଣ ମାନକ ଧାରଣା ଧାରଣ କରିନପାରେ | ମୋଣ୍ଟେ କାର୍ଲୋ var ସିମୁଲେଟର ଗଣନାରେ ଏହି ଦୃଶ୍ୟର ସାମ୍ନା କରିବାବେଳେ ଅଭ୍ୟାସକାରୀମାନେ ସୀମା ଅବସ୍ଥା ଯାଞ୍ଚ କରିବା, ବିଭାଜନ-ଶୂନ୍ୟ ବିପଦ ଯାଞ୍ଚ କରିବା ଉଚିତ ଏବଂ ଏହି ଚରମ ଅବସ୍ଥାରେ ମଡେଲର ଧାରଣା ବ valid ଧ ରହିବ କି ନାହିଁ ତାହା ବିଚାର କରିବା ଉଚିତ୍ |
ନମୁନା ଆକାର ଦ୍ୱାରା ମୋଣ୍ଟେ କାର୍ଲୋ ସିମୁଲେସନ୍ ସଠିକତା |
▾
| ଅନୁକରଣ (N) | ଟେଲ୍ ଅବସ୍ | 99% ରେ | | VaR ମାନକ ତ୍ରୁଟି | | ପାଇଁ ସୁପାରିଶ କରାଯାଇଛି | |
|---|---|---|---|
| 1,000 | 10 | ~ 15% ସମ୍ପର୍କୀୟ | | କେବଳ ପ୍ରାରମ୍ଭିକ ପ୍ରୋଟୋଟାଇପ୍ | |
| 10,000 | 100 | ~ 5% ସମ୍ପର୍କୀୟ | | ଦ 95 ନିକ 95% VaR ରିପୋର୍ଟ କରିବା | |
| 100,000 | 1,000 | ~ 1.5% ସମ୍ପର୍କୀୟ | | 99% VaR / ନିୟାମକ ରିପୋର୍ଟ | |
| 1,000,000 | 10,000 | ~ 0.5% ସମ୍ପର୍କୀୟ | | 99.9% ଅର୍ଥନ capital ତିକ ପୁଞ୍ଜି | |
| 10,000,000 | 100,000 | ~ 0.15% ଆପେକ୍ଷିକ | | ବୀମା ଚରମ ଲାଞ୍ଜ ଆକଳନ | |
ବାରମ୍ବାର ଜିଜ୍ଞାସା
▾
ପାରାମେଟ୍ରିକ୍ ଏବଂ historical ତିହାସିକ ପଦ୍ଧତି ଅପେକ୍ଷା ମୋଣ୍ଟେ କାର୍ଲୋ VaR ର ସୁବିଧା କ’ଣ?
ମୋଣ୍ଟେ କାର୍ଲୋ VaR ତିନୋଟି ମୁଖ୍ୟ ସୁବିଧା ପ୍ରଦାନ କରେ | ପ୍ରଥମେ, ଏହା ଅଣ-ର ar ଖ୍ୟ ଯନ୍ତ୍ର (ବିକଳ୍ପ, ବନ୍ଧକ-ସମର୍ଥିତ ସିକ୍ୟୁରିଟି, ସଂରଚନା ଉତ୍ପାଦ) ପରିଚାଳନା କରିପାରିବ ଯାହା ଡେଲ୍ଟା-ସାଧାରଣ ପାରାମେଟ୍ରିକ୍ ପଦ୍ଧତି ସହିତ ସଠିକ୍ ଭାବରେ ଧରାଯାଇପାରିବ ନାହିଁ | ଦ୍ୱିତୀୟତ it, ଏହା ଯେକ any ଣସି ରିଟର୍ନ ବଣ୍ଟନକୁ ମଡେଲ କରିପାରିବ - ସାଧାରଣ, ଚର୍ବିଯୁକ୍ତ (ଟି-ବଣ୍ଟନ), ସ୍କେୱେଡ୍ (ଅସୀମେଟ୍ରିକ୍), କିମ୍ବା ଉପଭୋକ୍ତା-ନିର୍ଦ୍ଦିଷ୍ଟ - ସାଧାରଣତା ମଧ୍ୟରେ ସୀମିତ ରହିବା ପରିବର୍ତ୍ତେ | ତୃତୀୟତ it, ଏହା ସମ୍ଭାବ୍ୟ ଫଳାଫଳଗୁଡିକର ଏକ ବ୍ୟାପକ ସୀମାକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରି historical ତିହାସିକ ତଥ୍ୟରେ ଉପସ୍ଥିତ ନଥିବା ପରିସ୍ଥିତି ସୃଷ୍ଟି କରିପାରିବ | Actually ତିହାସିକ ଅନୁକରଣ ପ୍ରକୃତରେ ଯାହା ଘଟିଛି ତାହା ମଧ୍ୟରେ ସୀମିତ; ମୋଣ୍ଟେ କାର୍ଲୋ ପରିସ୍ଥିତିକୁ ଅନୁକରଣ କରିପାରିବ ଯାହା ଏପର୍ଯ୍ୟନ୍ତ ହୋଇନାହିଁ କିନ୍ତୁ ମଡେଲ ବଣ୍ଟନକୁ ସମ୍ଭବ |
ନିର୍ଭରଯୋଗ୍ୟ ମୋଣ୍ଟେ କାର୍ଲୋ VaR ପାଇଁ କେତେ ଅନୁକରଣ ଆବଶ୍ୟକ?
ଆବଶ୍ୟକ ସଂଖ୍ୟକ ଅନୁକରଣ ଆତ୍ମବିଶ୍ୱାସ ସ୍ତର ଏବଂ ଇଚ୍ଛିତ ସଠିକତା ଉପରେ ନିର୍ଭର କରେ | 95% VaR ପାଇଁ: N = 1,000 ପ୍ରାୟ 50 ଟି ଲାଞ୍ଜ ପର୍ଯ୍ୟବେକ୍ଷଣ ଦେଇଥାଏ - କେବଳ ପର୍ଯ୍ୟାପ୍ତ | N = 10,000 500 ଲାଞ୍ଜ ପର୍ଯ୍ୟବେକ୍ଷଣ ଦେଇଥାଏ - ସାଧାରଣତ daily ଦ daily ନିକ ରିପୋର୍ଟ ପାଇଁ ଯଥେଷ୍ଟ | 99% VaR ପାଇଁ: N = 10,000 କେବଳ 100 ଲାଞ୍ଜ ପର୍ଯ୍ୟବେକ୍ଷଣ ଦେଇଥାଏ | N = 100,000 ପସନ୍ଦ କରାଯାଏ | 99.9% VaR (ଅର୍ଥନ capital ତିକ ପୁଞ୍ଜି) ପାଇଁ: ଲକ୍ଷ ଲକ୍ଷ ଅନୁକରଣ ଆବଶ୍ୟକ ହୋଇପାରେ | ଏକ ନିୟମ ଅନୁଯାୟୀ: ସ୍ଥିର ଆକଳନ ପାଇଁ ଲାଞ୍ଜରେ ଅତି କମରେ 100–200 ପର୍ଯ୍ୟବେକ୍ଷଣକୁ ଲକ୍ଷ୍ୟ କରନ୍ତୁ | ଭିନ୍ନତା ହ୍ରାସ କ techni ଶଳଗୁଡିକ ଗଣନା ଆବଶ୍ୟକତାକୁ ଯଥେଷ୍ଟ ହ୍ରାସ କରିପାରେ |
ଚୋଲେସ୍କି କ୍ଷୟ କ’ଣ ଏବଂ ଏହା ମୋଣ୍ଟେ କାର୍ଲୋରେ କାହିଁକି ବ୍ୟବହୃତ ହୁଏ?
ଚୋଲେସ୍କି ବିଚ୍ଛେଦ କାରକଗୁଡିକ ଏକ ସମ୍ପର୍କ (କିମ୍ବା କୋଭାରିଆନ୍ସ) ମ୍ୟାଟ୍ରିକ୍ସକୁ ଏକ ନିମ୍ନ ତ୍ରିକୋଣୀୟ ମ୍ୟାଟ୍ରିକ୍ସ L ରେ ପରିଣତ କରେ ଯେପରି LL '= Σ | ଏହା ମୋଣ୍ଟେ କାର୍ଲୋ ସିମୁଲେସରେ ସଂଯୁକ୍ତ ରାଣ୍ଡମ ଭେରିଏବଲ୍ ସୃଷ୍ଟି କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ: ଯଦି Z ହେଉଛି ସ୍ independent ାଧୀନ ମାନକ ସାଧାରଣ ରାଣ୍ଡମ ସଂଖ୍ୟାଗୁଡ଼ିକର ଏକ ଭେକ୍ଟର୍, ତେବେ R = L × Z କୋଭାରିଆନ୍ସ structure ାଞ୍ଚା ସହିତ ସଂଯୁକ୍ତ ସାଧାରଣ ରାଣ୍ଡମ ଭେରିଏବଲ୍ସର ଏକ ଭେକ୍ଟର୍ Σ | ଏହି ପଦକ୍ଷେପ ବିନା, ପୋର୍ଟଫୋଲିଓ ବିପଦ ପାଇଁ ଗୁରୁତ୍ corr ପୂର୍ଣ ସମ୍ପର୍କକୁ ଅଣଦେଖା କରି, ଅନିୟମିତ ଭାବରେ ଉତ୍ପାଦିତ ରିଟର୍ନ ସମ୍ପତ୍ତି ମଧ୍ୟରେ ସ୍ be ାଧୀନ ହେବ | ଚୋଲେସ୍କି ବିଚ୍ଛେଦ ପାଇଁ କୋଭାରିଆନ୍ସ ମ୍ୟାଟ୍ରିକ୍ସ ସକରାତ୍ମକ ଅର୍ଦ୍ଧ-ନିର୍ଦ୍ଦିଷ୍ଟ ହେବା ଆବଶ୍ୟକ କରେ - ଯଦି ମ୍ୟାଟ୍ରିକ୍ସ ଏକକ-ଏକକ ଅଟେ କିମ୍ବା ନକାରାତ୍ମକ ଇଜେନଭାଲ୍ୟୁସ୍ ଥାଏ (ଅନେକ ସମ୍ପତ୍ତି ସହିତ ସମ୍ଭବ), ନିୟମିତକରଣ କ ques ଶଳ ଆବଶ୍ୟକ |
ମୋଣ୍ଟେ କାର୍ଲୋ ସିମୁଲେସରେ 'ଅଭିଶାପର ଅଭିଶାପ' କ’ଣ?
ଯେହେତୁ ବିପଦ କାରଣଗୁଡ଼ିକର ସଂଖ୍ୟା (ସମ୍ପତ୍ତି, ଅମଳ ବକ୍ର ପଏଣ୍ଟ, ଅସ୍ଥିରତା ଭୂପୃଷ୍ଠ ପଏଣ୍ଟ) ବ increases େ, ମଲ୍ଟିଭାରିଏଟ୍ ବଣ୍ଟନକୁ ଯଥେଷ୍ଟ ପରିମାଣରେ ଆବୃତ୍ତି କରିବା ପାଇଁ ଆବଶ୍ୟକ ଅନୁକରଣ ସଂଖ୍ୟା ଦ୍ରୁତ ଗତିରେ ବ ows େ | 2 ସମ୍ପତ୍ତି ପାଇଁ, ଅଳ୍ପ କିଛି ସିମୁଲେସନ୍ ସ୍ଥାନକୁ ଯଥେଷ୍ଟ ଭଲ ଭାବରେ ଆବୃତ କରେ | 100 ସମ୍ପର୍କିତ ସମ୍ପତ୍ତି ପାଇଁ, ଲକ୍ଷ ଲକ୍ଷ ଅନୁକରଣ ମଧ୍ୟ ଚରମ ମିଳିତ ଦୃଶ୍ୟର ଅଳ୍ପ କଭରେଜ୍ ଛାଡିପାରେ | ଏହି କମ୍ପ୍ୟୁଟେସନ୍ ଚ୍ୟାଲେ challenge ୍ଜ - ପରିମାପର ଅଭିଶାପ - ଫ୍ୟାକ୍ଟର୍ ହ୍ରାସ (ସଙ୍କୋଚନ ଗଠନର ମୁଖ୍ୟ ଉପାଦାନ ବିଶ୍ଳେଷଣ), ଷ୍ଟ୍ରାଟାଇଡ୍ ନମୁନା, ଏବଂ କ୍ୱାସି-ରାଣ୍ଡମ୍ (ନିମ୍ନ-ଅସଙ୍ଗତି) କ୍ରମ (ହାଲଟନ୍, ସୋବୋଲ୍) ମାଧ୍ୟମରେ ସମାଧାନ କରାଯାଇଥାଏ, ଯାହା ପାରାମିଟର ସ୍ଥାନକୁ ନିର୍ଦ୍ଦିଷ୍ଟ ଭାବରେ ଅନିୟମିତ ନମୁନା ଅପେକ୍ଷା ଅଧିକ ସମାନ କରିଥାଏ |
ମୋଣ୍ଟେ କାର୍ଲୋ VaR ଷ୍ଟୋଷ୍ଟାଷ୍ଟିକ୍ ଅସ୍ଥିରତାକୁ କିପରି ପରିଚାଳନା କରେ?
ଷ୍ଟାଣ୍ଡାର୍ଡ ମୋଣ୍ଟେ କାର୍ଲୋ କ୍ରମାଗତ ଅସ୍ଥିରତା (σ) ଅନୁମାନ କରେ, କିନ୍ତୁ ପ୍ରକୃତ ବଜାରର ଅସ୍ଥିରତା ସମୟ-ଭିନ୍ନ ଏବଂ ଅର୍ଥ-ପ୍ରତ୍ୟାବର୍ତ୍ତନ | ଷ୍ଟୋଷ୍ଟାଷ୍ଟିକ୍ ଅସ୍ଥିରତା ମଡେଲଗୁଡିକ (ହେଷ୍ଟନ୍ ମଡେଲ୍, SABR ମଡେଲ୍, GARCH) ମଡେଲ୍ ଅସ୍ଥିରତା ନିଜେ ଏକ ଅନିୟମିତ ପ୍ରକ୍ରିୟା | ହେଷ୍ଟନ୍ ମଡେଲ୍ ମୋଣ୍ଟେ କାର୍ଲୋରେ, ଉଭୟ ସମ୍ପତ୍ତି ମୂଲ୍ୟ ଏବଂ ଅସ୍ଥିରତା ପ୍ରକ୍ରିୟା ଏକକାଳୀନ ବ୍ରାଉନିଆନ୍ ଗତି ବ୍ୟବହାର କରି ଅନୁକରଣ କରାଯାଇଥାଏ, ଇକ୍ୱିଟି ରିଟର୍ନ ଏବଂ ସୂଚିତ ଅସ୍ଥିରତା ('ଅସ୍ଥିରତା ହସ') ମଧ୍ୟରେ ନକାରାତ୍ମକ ସମ୍ପର୍କକୁ କାବୁ କରିଥାଏ | ଏହା ନକାରାତ୍ମକ ସ୍କେଭେନ୍ସ ଏବଂ ଭାରୀ ବାମ ଲାଞ୍ଜ ସହିତ ଅଧିକ ବାସ୍ତବବାଦୀ P&L ବଣ୍ଟନ ଉତ୍ପାଦନ କରେ, ବିକଳ୍ପ ପୋର୍ଟଫୋଲିଓ ପାଇଁ ବିଶେଷ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଯେଉଁଠାରେ ଭେଗା ବିପଦ (ଅସ୍ଥିରତା ପରିବର୍ତ୍ତନ ପ୍ରତି ସମ୍ବେଦନଶୀଳତା) ମହତ୍ .ପୂର୍ଣ |
ମୋଣ୍ଟେ କାର୍ଲୋ VaR ରେ ନମୁନା ସଂଗ୍ରହର ଗୁରୁତ୍ୱ କ’ଣ?
ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ନମୁନା ସଂଗ୍ରହ ହେଉଛି ଏକ ଭିନ୍ନତା ହ୍ରାସ କ techni ଶଳ ଯାହା ଲାଞ୍ଜ ଅଞ୍ଚଳରେ ଅନୁକରଣକୁ ଏକାଗ୍ର କରିଥାଏ ଯାହା VaR ଏବଂ CVaR ଆକଳନ ପାଇଁ ଅଧିକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ | ସମାନ ଭାବରେ ନମୁନା ସଂଗ୍ରହ କରିବା ପରିବର୍ତ୍ତେ, ଅନୁକରଣ ସମ୍ଭାବନା ଅଧିକ ଚରମ ପରିସ୍ଥିତିକୁ ସ୍ଥାନାନ୍ତରିତ ହୁଏ, ଏବଂ ଏହି ପକ୍ଷପାତ ପାଇଁ ସଂଶୋଧନ କରିବାକୁ ଫଳାଫଳଗୁଡିକ ପୁନ we ଓଜନ କରାଯାଏ | ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସଂଖ୍ୟକ ଅନୁକରଣ ପାଇଁ ଫଳାଫଳ ଅଧିକ ଲାଞ୍ଜ ପର୍ଯ୍ୟବେକ୍ଷଣ ଅଟେ, ନାଟକୀୟ ଭାବରେ ଆଗ୍ରହର ଅଞ୍ଚଳରେ VaR ଆକଳନର ମାନକ ତ୍ରୁଟି ହ୍ରାସ କରେ | ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ନମୁନା ସଂଗ୍ରହ କେବଳ 10,000–50,000 ସିମୁଲେସନ୍ ସହିତ 1,000,000 ଷ୍ଟାଣ୍ଡାର୍ଡ ମୋଣ୍ଟେ କାର୍ଲୋ ସିମୁଲେସନ୍ ର ଲାଞ୍ଜ ଆକଳନ ସଠିକତା ହାସଲ କରିପାରିବ, ଯାହା ସୀମିତ ଗଣନା ଉତ୍ସ ସହିତ ଉଚ୍ଚ-ସଠିକତା VaR ଆବଶ୍ୟକ କରୁଥିବା ଅନୁଷ୍ଠାନଗୁଡିକ ପାଇଁ ଏହାକୁ ବ୍ୟବହାରିକ କରିପାରେ |
ରିଟର୍ନ ବଣ୍ଟନର ପସନ୍ଦ ମୋଣ୍ଟେ କାର୍ଲୋ VaR କୁ କିପରି ପ୍ରଭାବିତ କରେ?
ବଣ୍ଟନ ଅନୁମାନ ହେଉଛି ମୋଣ୍ଟେ କାର୍ଲୋ VaR ରେ ଏକକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ମଡେଲ୍ ପସନ୍ଦ | ଏକ ସାଧାରଣ ବଣ୍ଟନ ବ୍ୟବହାର କରିବା ଦ୍ tail ାରା ଲାଞ୍ଜର ବିପଦ କମ୍ ହୋଇଥାଏ କାରଣ ପ୍ରକୃତ ଆର୍ଥିକ ରିଟର୍ଣ୍ଣ ଲେପ୍ଟୋକର୍ଟିକ୍ (ଫ୍ୟାଟ୍-ଲାଞ୍ଜ) ଏବଂ ପ୍ରାୟତ negative ନକାରାତ୍ମକ ଭାବରେ ଖରାପ ହୋଇଥାଏ | –-Drees ଡିଗ୍ରୀ ସ୍ freedom ାଧୀନତା ସହିତ ଜଣେ ଛାତ୍ରଙ୍କ ଟି-ବଣ୍ଟନ ସାଧାରଣତ equ ଇକ୍ୱିଟି ଭଲ ଭାବରେ ଫିଟ୍ ହୁଏ ଏବଂ 99% ଆତ୍ମବିଶ୍ୱାସରେ 30-80% ଅଧିକ VaR ଉତ୍ପାଦନ କରେ | ଚରମ ମୂଲ୍ୟ ସିଦ୍ଧାନ୍ତ (ଇଭିଟି) - ବିଶେଷ ଭାବରେ ଲାଞ୍ଜ ମଡେଲିଂ ପାଇଁ ସାଧାରଣ ପାରେଟୋ ବଣ୍ଟନ - 99.9% VaR ପାଇଁ ଆବଶ୍ୟକ ଅତି ଗଭୀର ଲାଞ୍ଜର ଆକଳନ ପାଇଁ ସବୁଠାରୁ କଠୋର ଉପାୟ | ଅଭ୍ୟାସରେ, ଅତ୍ୟାଧୁନିକ ବିପଦ ପ୍ରଣାଳୀଗୁଡ଼ିକ ଅଧିକାଂଶ ରିଟର୍ନ ବଣ୍ଟନ ପାଇଁ ସାଧାରଣ ବଣ୍ଟନକୁ ବ୍ୟବହାର କରନ୍ତି କିନ୍ତୁ ଅତ୍ୟଧିକ ଶତକଡ଼ା ପାଇଁ ଇଭିଟି ବ୍ୟବହାର କରି ଏକ ପୃଥକ ଲାଞ୍ଜ ମଡେଲକୁ ଫିଟ୍ କରନ୍ତି |
ଏଡ଼ାଇବା ଯୋଗ୍ୟ ସାଧାରଣ ଭୁଲ
▾
- !ଇଚ୍ଛାକୃତ ଆତ୍ମବିଶ୍ୱାସ ସ୍ତର ପାଇଁ ଅତ୍ୟଧିକ କମ୍ ଅନୁକରଣ ବ୍ୟବହାର କରି, ଉଚ୍ଚ ସିମୁଲେସନ୍ ତ୍ରୁଟି ଉତ୍ପାଦନ କରେ ଯାହା ଆବଶ୍ୟକ VaR ସଠିକତାକୁ ଅତିକ୍ରମ କରେ |
- !ସାଧାରଣ ରିଟର୍ନ ଅନୁମାନ କରିବା ଯେତେବେଳେ ପ୍ରକୃତ ରିଟର୍ନ ବଣ୍ଟନଗୁଡ଼ିକ ଚର୍ବିଯୁକ୍ତ - ଉନ୍ନତ ଲାଞ୍ଜ ମଡେଲିଂ ପାଇଁ ଟି-ବଣ୍ଟନ କିମ୍ବା ଇଭିଟି ବ୍ୟବହାର କରନ୍ତୁ |
- !ଜଟିଳ ସଂରଚନାକୁ ଅଣଦେଖା କରିବା କିମ୍ବା ଯେତେବେଳେ ଜଟିଳ ଫ୍ୟାକ୍ଟର୍ ମଡେଲଗୁଡିକ ଆବଶ୍ୟକ ହୁଏ ଏକ ସରଳ ଏକକ-ସମ୍ପର୍କ ଧାରଣା ବ୍ୟବହାର କରିବା |
- !ବିକଳ୍ପଗୁଡ଼ିକ ପାଇଁ ପୂର୍ଣ୍ଣ ପୁନ al ମୂଲ୍ୟାଙ୍କନ କରୁନାହିଁ, ଡେଲଟା-ସାଧାରଣ ଆନୁମାନିକତା ବ୍ୟବହାର କରି ଯାହା ଗାମା (ଉନ୍ମୁକ୍ତତା) ବିପଦକୁ ହରାଇଥାଏ |
- !ନିର୍ଦ୍ଦିଷ୍ଟ historical ତିହାସିକ ସଙ୍କଟ ପରିସ୍ଥିତି ପାଇଁ ଚାପ ପରୀକ୍ଷଣ ସହିତ ସପ୍ଲିମେଣ୍ଟ ନକରି ମୋଣ୍ଟେ କାର୍ଲୋ VaR କୁ ସଂପୂର୍ଣ୍ଣ ବିପଦ ପରିମାପ ଭାବରେ ବ୍ୟବହାର କରିବା |
ବିଶେଷ ଟିପ
ସର୍ବଦା ଏକ ସମ୍ମିଶ୍ରଣ ପରୀକ୍ଷା ଚଲାନ୍ତୁ: ପ୍ଲଟ୍ ମଣ୍ଟେ କାର୍ଲୋ VaR ଆକଳନ ସଂଖ୍ୟାଗୁଡ଼ିକର ଏକ କାର୍ଯ୍ୟ ଭାବରେ | ଯଦି ଆନୁମାନିକ 10,000 ସିମୁଲେସରେ ବସ୍ତୁଗତ ଭାବରେ ପରିବର୍ତ୍ତନ ହେଉଛି, N କୁ ବୃଦ୍ଧି କରନ୍ତୁ କିମ୍ବା ଫଳାଫଳ ବ୍ୟବହାର କରିବା ପୂର୍ବରୁ ଭିନ୍ନତା ହ୍ରାସ କରନ୍ତୁ |
ଆପଣ ଜାଣନ୍ତି କି?
ଦ୍ୱିତୀୟ ବିଶ୍ୱଯୁଦ୍ଧ ସମୟରେ ଲସ୍ ଆଲାମୋସ୍ ନ୍ୟାସନାଲ୍ ଲାବୋରେଟୋରୀ - ଷ୍ଟାନିସ୍ଲାଭ୍ ଉଲାମ, ଜନ୍ ଭନ୍ ନେଉମାନ୍ ଏବଂ ନିକୋଲାସ୍ ମେଟ୍ରୋପଲିସରେ ପଦାର୍ଥ ବିଜ୍ଞାନୀମାନଙ୍କ ଦ୍ Mon ାରା ମଣ୍ଟେ କାର୍ଲୋ ସିମୁଲେସନ ବିକଶିତ ହୋଇଥିଲା - ଆଣବିକ ରିଆକ୍ଟରଗୁଡ଼ିକରେ ନିଉଟ୍ରନ୍ ବିସ୍ତାରକୁ ମଡେଲ କରିବା ପାଇଁ | ଏହି ନାମ ମୋନାକୋର ମୋଣ୍ଟେ କାର୍ଲୋ କାଜିନୋରୁ ଆସିଛି, ଯେଉଁଠାରେ ଉଲାମଙ୍କ ମାମୁଁ ବାରମ୍ବାର ଜୁଆ ଖେଳୁଥିଲେ | ସମାନ କ techni ଶଳ ବର୍ତ୍ତମାନ ଆଧୁନିକ ଆର୍ଥିକ ବିପଦ ପରିଚାଳନା, ଡ୍ରଗ୍ ଫଳପ୍ରଦତା ମଡେଲିଂ ଏବଂ ଜଳବାୟୁ ପରିବର୍ତ୍ତନ ଅନୁକରଣକୁ ସମର୍ଥନ କରେ |
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
ସନ୍ଦର୍ଭ
- ›ଗ୍ଲାସରମ୍ୟାନ୍, ପି: ଆର୍ଥିକ ଇଞ୍ଜିନିୟରିଂରେ ମୋଣ୍ଟେ କାର୍ଲୋ ପଦ୍ଧତି, ସ୍ପ୍ରିଞ୍ଜର (2003)
- ›ବେସେଲ୍ କମିଟି: ବଡ଼ ଏକ୍ସପୋଜର ମାପ ଏବଂ ନିୟନ୍ତ୍ରଣ ପାଇଁ ପର୍ଯ୍ୟବେକ୍ଷକ Fr ାଞ୍ଚା (2014)
- ›ମ୍ୟାକନିଲ୍, ଫ୍ରାଇ ଏବଂ ଏମ୍ବ୍ରେଚ୍: ପରିମାଣିକ ବିପଦ ପରିଚାଳନା, ପ୍ରିନ୍ସଟନ୍ ୟୁନିଭରସିଟି ପ୍ରେସ୍ |
- ›ଇନଭେଷ୍ଟୋପେଡିଆ: ରିସ୍କ ମ୍ୟାନେଜମେଣ୍ଟରେ ମୋଣ୍ଟେ କାର୍ଲୋ ସିମୁଲେସନ୍ |
ସାପ୍ତାହିକ ଗଣିତ ଟିପ୍ସ ପାଆନ୍ତୁ |
12,000 + ଗ୍ରାହକମାନଙ୍କ ସହିତ ଯୋଗ ଦିଅନ୍ତୁ ଯେଉଁମାନେ ପ୍ରତି ସପ୍ତାହରେ କାଲକୁଲେଟର ଟିପ୍ସ ପାଆନ୍ତି |