Ni nini Monte Carlo VaR Simulator?
▾
Uigaji wa Monte Carlo VaR ni mbinu ya kimawasiliano ya kukadiria Thamani Katika Hatari ambayo huzalisha maelfu (au mamilioni) ya hali dhahania za urejeshaji wa kwingineko kwa kuchukua sampuli nasibu kutoka kwa ugawaji wa urejeshaji wa muundo, kisha hutumia usambazaji unaoiga wa hasara kukadiria VaR na CVaR katika kiwango chochote cha uaminifu. Tofauti na parametric VaR (ambayo inachukua umbo lisilobadilika la usambazaji, kwa kawaida) au uigaji wa kihistoria (ambao ni mdogo kwa matukio ya kihistoria), uigaji wa Monte Carlo unaweza kuiga mawazo changamano ya usambazaji, zana zisizo za mstari, ufichuo wa vipengele vingi, na uwiano kati ya vipengee katika mfumo unaonyumbulika kikamilifu. Mchakato wa Monte Carlo VaR huanza kwa kubainisha muundo wa jinsi marejesho ya mali yanatolewa - kwa kawaida muundo wa aina mbalimbali wenye mapato yanayotarajiwa, tete na uwiano (huenda na mikia ya mafuta au tete ya stochastic). Michoro isiyo ya kawaida kutoka kwa usambazaji huu hutoa njia za kurudi zilizoiga. Kwa kila hali iliyoiga, faida au hasara ya kwingineko inakokotolewa. Baada ya maelfu ya matukio kama haya, usambazaji unaotokana wa kwingineko wa P&L umeorodheshwa, na VaR inasomwa kama asilimia inayofaa (k.m., asilimia ya 1 ya 99% VaR), wakati CVaR ni wastani wa hasara zote zaidi ya hatua hiyo. Uigaji wa Monte Carlo una nguvu zaidi kwa kwingineko zilizo na chaguo na derivatives zingine zisizo za mstari, ambapo majibu ya kwingineko kwa mienendo ya soko si ya mstari na hayawezi kukadiriwa kwa usahihi kwa kutumia mbinu rahisi za kigezo. Inaweza pia kuiga zana zinazotegemea njia (kama chaguo za vizuizi na dhamana zinazoungwa mkono na rehani), kujumuisha usambazaji wa mkia wa mafuta (t ya Mwanafunzi, Pareto), na kunasa ugawaji wa kurudi kwa ulinganifu. Hata hivyo, Monte Carlo VaR inatumika sana kimahesabu - portfolio kubwa zilizo na maelfu ya nafasi zinaweza kuhitaji rasilimali nyingi za kompyuta - na matokeo ni nyeti kwa mawazo ya kielelezo yanayotumika kutoa hali. Kizuizi muhimu cha Monte Carlo VaR ni kwamba haiwezi kutoa hali nje ya wigo wa mfano. Ikiwa muundo utasawazishwa kwa data ya hivi majuzi, inaweza kukosa hatari za mkia mrefu ambazo hazijatokea hivi majuzi. Hii ndiyo sababu lazima Monte Carlo VaR iongezwe na upimaji wa dhiki kwa kutumia matukio ya kihistoria ya mgogoro. Mbinu za kupunguza tofauti (vigezo vya antithetic, tofauti za udhibiti, sampuli za tabaka) hutumiwa kuboresha ufanisi wa hesabu na kupunguza hitilafu ya uigaji kwa idadi fulani ya matukio.
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
Fomula
▾
1. Iga vekta za kurejesha N zilizounganishwa: R_sim = μ + L × Z (L=Cholesky ya Σ, Z=kaida za kawaida)
2. Kokota jalada la P&L kwa kila hali: P&L_i = Kwingineko × R_sim_i
3. Panga P&L kutoka mbaya hadi bora zaidi; VaR_α = −P&L katika asilimia (1−α)th percentile
4. CVaR_α = −Wastani(P&L chini ya kiwango cha VaR)Maelezo ya kigezo
▾
| Ishara | Jina | Kitengo | Maelezo |
|---|---|---|---|
| N | Idadi ya Uigaji | count | Jumla ya matukio yaliyoiga; kwa kawaida 10,000–100,000 kwa kuripoti hatari; zaidi kwa hesabu za mtaji za usahihi wa juu. |
| ρ | Matrix ya Uwiano wa Mali | ratio | Uwiano wa jozi kati ya mali; hutumika kutoa marejesho ya nasibu yaliyounganishwa kupitia mtengano wa Cholesky. |
| σ_i | Kubadilika kwa Mali | %/period | Mkengeuko wa kawaida wa mapato kwa kila mali i; iliyosawazishwa kutoka kwa data ya kihistoria au iliyodokezwa kutoka kwa chaguzi za masoko. |
| VaR_MC | Monte Carlo VaR | USD | Hasara ya asilimia (1−α) kutoka kwa usambazaji wa P&L ulioiga; sawa na uigaji wa parametric VaR. |
| SE_VaR | Hitilafu Kawaida ya Uigaji | USD | Hitilafu ya makadirio ya takwimu katika Monte Carlo VaR; hupungua kwa √N — miigo 4× zaidi inapunguza hitilafu kwa nusu. |
Jinsi ya Monte Carlo VaR Simulator
▾
- 1Bainisha muundo wa kurejesha: fafanua mapato yanayotarajiwa (μ), mikengeuko ya kawaida (σ), na uwiano wa matrix (ρ) kwa vipengee vyote vya jalada.
- 2Tekeleza mtengano wa Cholesky wa matriki ya uunganisho ili kutoa viambatisho vya nasibu vilivyounganishwa.
- 3Chora N seti za nambari zinazojitegemea za kawaida za nasibu; badilisha kwa kutumia sababu ya Cholesky kuunda vekta za kurudi zilizounganishwa.
- 4Kokotoa kwingineko P&L kwa kila kivekta cha urejeshaji simulizi: P&L = Σ(weight_i × portfolio_value × return_i) kwa jalada la mstari; tumia tathmini kamili kwa chaguzi.
- 5Panga matokeo yote ya P&L yaliyoiga kutoka mabaya hadi bora zaidi.
- 6Soma VaR: hasara katika uchunguzi wa (1−α) × N-th (k.m., ya 100 mbaya zaidi kwa 99% VaR na maiga 10,000).
- 7Kokotoa CVaR: wastani wa hasara zote kuwa mbaya zaidi kuliko VaR (k.m., wastani wa matokeo mabaya zaidi 100 kwa 99% CVaR na maiga 10,000).
Mifano Iliyotatuliwa
▾
Uwiano hasi hupunguza kwa kiasi kikubwa kwingineko VaR
Kwingineko tete ya kila mwaka ≈ √(0.6²×0.2² + 0.4²×0.05² + 2×0.6×0.4×(-0.3)×0.2×0.05) ≈ 11.7%. Monte Carlo inazalisha jozi 10,000 zinazohusiana za kurudi kwa mwaka; kwingineko P&L imekokotwa kwa kila moja. Matokeo mabaya zaidi 500 (5%) wastani wa takriban −23% ya kwingineko = −$230,000 (CVaR). Matokeo mabaya zaidi ya 500 ≈ -17.5% = −$175,000 (VaR). Bila manufaa ya uunganisho (ρ=0), VaR itakuwa takriban $220,000 - ikionyesha punguzo la hatari la $45,000 kutoka kwa uwiano hasi wa dhamana-hisa.
Monte Carlo inachukua athari ya gamma isiyo ya mstari; parametric inakosa
Chaguo zina P&L isiyo ya mstari kutokana na gamma (convexity). VaR ya Delta-kawaida inakadiria chaguo kama mstari (hutumia delta pekee), huzalisha VaR ya $14,000. Ukadiriaji kamili wa Monte Carlo kwa kutumia Black-Scholes kwa kila bei iliyoigizwa hunasa jibu kamili lisilo la mstari, na hivyo kuzalisha $18,000 VaR — 29% ya juu. Hatari ya ziada hutoka kwa gamma: hatua kubwa husababisha mabadiliko zaidi ya P&L kuliko ukadiriaji wa mstari wa delta inavyotabiri. Kwa vitabu vya chaguo kubwa, marekebisho haya yasiyo ya mstari yanaweza kuwa nyenzo, na kufanya uhakiki kamili wa Monte Carlo kuwa muhimu.
Mikia ya mafuta (t-usambazaji) hutoa VaR ya juu zaidi
Kwa kila siku σ=2%: kawaida 99% VaR = 2.326 × 2% × $10M = $465,200. Mwanafunzi-t aliye na digrii 4 za uhuru ana mikia mizito zaidi: asilimia 99 ni takriban 3.747σ (vs. 2.326σ kwa kawaida), ikitoa VaR = 3.747 × 2% × $10M = $749,400. Tofauti ya 51% inaonyesha kwa nini kuchukua hali ya kawaida huko Monte Carlo kunaweza kupunguza hatari ya mkia. Mapato halisi ya usawa yana kurtosis ya 4–8 (kurtosis ya kawaida = 3), na kufanya muundo wa mafuta-mkia kuwa sahihi zaidi kwa kukadiria hasara kubwa.
Hitilafu ya kawaida hupungua kama 1/√N — sims 100× zaidi = 10× usahihi zaidi
Hitilafu ya kawaida ya Monte Carlo VaR ≈ σ_portfolio × √(α(1−α)/N) / f(VaR), ambapo f ni PDF katika quantile ya VaR. Kwa uigaji wa N=100, makadirio yana ± $45,000 kutokuwa na uhakika - si sahihi sana kwa matumizi ya vitendo. N=10,000 inatoa ± $4,500, inayokubalika kwa ripoti ya kila siku. Kwa mtaji wa udhibiti (ambapo $4,500 kwenye VaR ya $200,000 ni hitilafu ya 2.25%), N=100,000 au zaidi inaweza kuhitajika. Mbinu za kupunguza tofauti (sampuli pingamizi, sampuli za umuhimu) zinaweza kufikia usahihi wa N=100,000 kwa maiga machache zaidi.
Matumizi ya vitendo
▾
Kitabu cha biashara ya benki ya uwekezaji VaR na hesabu ya mtaji
Ufuatiliaji wa hatari wa kila siku wa Hedge fund na uboreshaji wa kwingineko
Chaguzi za usimamizi wa hatari za dawati na utathmini kamili
Uhifadhi wa kampuni ya bima na mifano ya mtaji ya Solvency II
Usimamizi wa dhima ya mfuko wa pensheni na uwekezaji unaoendeshwa na dhima
Hali maalum
▾
Kwa mazoezi, kesi hii ya makali inahitaji kuzingatiwa kwa uangalifu kwa sababu mawazo ya kawaida hayawezi kushikilia. Wanapokumbana na hali hii katika hesabu za kiigaji cha monte carlo var, watendaji wanapaswa kuthibitisha masharti ya mipaka, kuangalia hatari za mgawanyiko kwa sufuri, na kuzingatia kama mawazo ya modeli yatasalia kuwa halali chini ya hali hizi mbaya.
Kwa mazoezi, kesi hii ya makali inahitaji kuzingatiwa kwa uangalifu kwa sababu mawazo ya kawaida hayawezi kushikilia. Wanapokumbana na hali hii katika hesabu za kiigaji cha monte carlo var, watendaji wanapaswa kuthibitisha masharti ya mipaka, kuangalia hatari za mgawanyiko kwa sufuri, na kuzingatia kama mawazo ya modeli yatasalia kuwa halali chini ya hali hizi mbaya.
Kwa mazoezi, kesi hii ya makali inahitaji kuzingatiwa kwa uangalifu kwa sababu mawazo ya kawaida hayawezi kushikilia. Wanapokumbana na hali hii katika hesabu za kiigaji cha monte carlo var, watendaji wanapaswa kuthibitisha masharti ya mipaka, kuangalia hatari za mgawanyiko kwa sufuri, na kuzingatia kama mawazo ya modeli yatasalia kuwa halali chini ya hali hizi mbaya.
Usahihi wa Uigaji wa Monte Carlo kulingana na Ukubwa wa Sampuli
▾
| Uigaji (N) | Obs ya Mkia. kwa 99% | Hitilafu ya Kawaida ya VaR | Imependekezwa Kwa |
|---|---|---|---|
| 1,000 | 10 | ~ 15% jamaa | Uchapaji wa awali pekee |
| 10,000 | 100 | ~ 5% jamaa | Ripoti ya kila siku ya 95% ya VaR |
| 100,000 | 1,000 | ~ 1.5% jamaa | 99% VaR / ripoti ya udhibiti |
| 1,000,000 | 10,000 | ~ 0.5% jamaa | 99.9% ya mtaji wa kiuchumi |
| 10,000,000 | 100,000 | ~ 0.15% jamaa | Ukadiriaji uliokithiri wa bima |
Maswali yanayoulizwa mara kwa mara
▾
Ni faida gani za Monte Carlo VaR juu ya njia za parametric na za kihistoria?
Monte Carlo VaR inatoa faida tatu muhimu. Kwanza, inaweza kushughulikia vyombo visivyo na mstari (chaguo, dhamana zinazoungwa mkono na rehani, bidhaa zilizopangwa) ambazo haziwezi kunaswa kwa usahihi na mbinu za delta-kawaida za parametric. Pili, inaweza kutoa kielelezo cha usambazaji wowote wa urejeshaji - wa kawaida, wenye mkia wa mafuta (usambazaji wa t), uliopinda (asymmetric), au ulioainishwa na mtumiaji - badala ya kulazimishwa kwa hali ya kawaida. Tatu, inaweza kutoa hali ambazo hazipo katika data ya kihistoria, inayojumuisha anuwai ya matokeo yanayowezekana. Uigaji wa kihistoria ni mdogo kwa kile ambacho kimetokea; Monte Carlo inaweza kuiga matukio ambayo bado hayajatokea lakini yanawezekana kutokana na usambazaji wa kielelezo.
Je, uigaji ngapi unahitajika kwa Monte Carlo VaR inayotegemewa?
Nambari inayohitajika ya uigaji inategemea kiwango cha kujiamini na usahihi unaotaka. Kwa 95% VaR: N=1,000 inatoa takriban uchunguzi 50 - haitoshi. N=10,000 inatoa uchunguzi 500 - kwa kawaida inatosha kuripoti kila siku. Kwa 99% VaR: N=10,000 inatoa uchunguzi wa mkia 100 tu; N=100,000 inapendelewa. Kwa 99.9% VaR (mtaji wa kiuchumi): mamilioni ya simu za kuiga zinaweza kuhitajika. Kama sheria: lenga angalau uchunguzi 100-200 kwenye mkia kwa makadirio thabiti. Mbinu za kupunguza tofauti zinaweza kupunguza mahitaji ya hesabu kwa kiasi kikubwa.
Mtengano wa Cholesky ni nini na kwa nini hutumiwa huko Monte Carlo?
Mtengano wa Cholesky huchangia upatanishi (au ushirikiano) ndani ya tumbo la pembetatu ya chini L kiasi kwamba LL' = Σ. Inatumika katika uigaji wa Monte Carlo kuzalisha viambatisho vya nasibu vilivyounganishwa: ikiwa Z ni vekta ya nambari za nasibu za kawaida za kawaida, basi R = L × Z ni vekta ya viambatisho vya nasibu vilivyounganishwa na muundo wa ushirikiano Σ. Bila hatua hii, mapato yanayotokana na nasibu yatakuwa huru katika vipengee vyote, na kupuuza uwiano ambao ni muhimu kwa hatari ya kwingineko. Mtengano wa Cholesky unahitaji matrix ya ushirikiano kuwa chanya nusu-dhahiri - ikiwa matriki iko karibu na umoja au ina eigenvalues hasi (inawezekana kwa mali nyingi), mbinu za urekebishaji zinahitajika.
Ni nini 'laana ya mwelekeo' katika simulizi ya Monte Carlo?
Kadiri idadi ya vipengele vya hatari (vipengee, sehemu za curve za mavuno, sehemu za uso tete) inavyoongezeka, idadi ya miigo inayohitajika ili kufidia usambazaji wa aina mbalimbali inakua kwa kasi. Kwa vipengee 2, mifano elfu chache hufunika nafasi vizuri. Kwa vipengee 100 vilivyounganishwa, hata mamilioni ya simu za kuiga zinaweza kuacha ufunikaji mdogo wa matukio ya pamoja yaliyokithiri. Changamoto hii ya hesabu - laana ya mwelekeo - inashughulikiwa kupitia upunguzaji wa sababu (uchambuzi wa sehemu kuu ya muundo wa uunganisho), sampuli za tabaka, na mfuatano wa quasi-random (utofauti wa chini) (Halton, Sobol), ambao hufunika nafasi ya parameta kwa usawa zaidi kuliko sampuli za nasibu.
Je, Monte Carlo VaR hushughulikiaje tetemeko la stochastic?
Monte Carlo wa kawaida huchukulia tetemeko la mara kwa mara (σ), lakini tete halisi la soko ni la kutofautiana kwa wakati na maana ya kurudi nyuma. Miundo tete ya Stochastic (Muundo wa Heston, modeli ya SABR, GARCH) tete ya mfano yenyewe kama mchakato wa nasibu. Katika muundo wa Heston Monte Carlo, bei ya kipengee na mchakato wa tete huigwa kwa wakati mmoja kwa kutumia miondoko ya Brownian iliyounganishwa, ikinasa uwiano hasi kati ya mapato ya usawa na tete inayodokezwa ('tabasamu tete'). Hii hutoa usambazaji wa kweli zaidi wa P&L wenye mkunjo hasi na mkia mzito wa kushoto, muhimu sana kwa jalada la chaguo ambapo hatari ya vega (unyeti kwa mabadiliko tete) ni muhimu.
Sampuli za umuhimu katika Monte Carlo VaR ni nini?
Sampuli ya umuhimu ni mbinu ya kupunguza tofauti ambayo huzingatia uigaji katika maeneo ya mkia ambayo ni muhimu zaidi kwa ukadiriaji wa VaR na CVaR. Badala ya kuchukua sampuli kwa usawa, uwezekano wa uigaji huhamishwa kuelekea hali mbaya zaidi, na matokeo hupunguzwa uzito ili kusahihisha upendeleo huu. Matokeo yake ni uchunguzi mwingi zaidi wa idadi fulani ya uigaji, na hivyo kupunguza kwa kiasi kikubwa makosa ya kawaida ya makadirio ya VaR katika eneo linalovutia. Sampuli za umuhimu zinaweza kufikia usahihi wa makadirio ya mkia wa miigo 1,000,000 ya kawaida ya Monte Carlo kwa miigo 10,000-50,000 pekee, na kuifanya iwe rahisi kwa taasisi zinazohitaji VaR ya usahihi wa juu na rasilimali chache za kukokotoa.
Uchaguzi wa usambazaji wa kurudi unaathirije Monte Carlo VaR?
Dhana ya usambazaji ni chaguo moja muhimu zaidi la mfano katika Monte Carlo VaR. Kutumia usambazaji wa kawaida hukadiria hatari ya mkia kwa sababu mapato halisi ya kifedha ni leptokurtic (iliyo na mafuta) na mara nyingi hupindishwa vibaya. Usambazaji wa t wa Mwanafunzi wenye digrii 4-8 za uhuru kwa kawaida hulingana na faida ya usawa na hutoa VaR ya juu zaidi ya 30-80% kwa uhakika wa 99%. Nadharia ya thamani iliyokithiri (EVT) - haswa usambazaji wa jumla wa Pareto kwa uundaji wa mkia - ndiyo mbinu kali zaidi ya kukadiria mikia ya kina inayohitajika kwa 99.9% VaR. Kiutendaji, mifumo ya kisasa ya hatari mara nyingi hutumia usambazaji wa kawaida kwa usambazaji mwingi wa kurudi lakini inafaa muundo tofauti wa mkia kwa kutumia EVT kwa asilimia kubwa zaidi.
Makosa ya Kawaida ya Kuepuka
▾
- !Kutumia uigaji mdogo sana kwa kiwango cha kutegemewa unachohitajika, na hivyo kutoa hitilafu ya juu ya uigaji ambayo inazidi usahihi wa VaR unaohitajika.
- !Kwa kuchukulia marejesho ya kawaida wakati ugawaji halisi wa urejeshaji ni wa mafuta - tumia usambazaji wa t au EVT kwa uundaji bora wa mkia.
- !Kupuuza muundo wa uunganisho au kutumia dhana rahisi ya uunganisho mmoja wakati miundo ya sababu changamano inahitajika.
- !Haifanyi uhakiki kamili wa chaguo, kwa kutumia ukadiriaji wa delta-kawaida ambao hukosa hatari ya gamma (convexity).
- !Kutibu Monte Carlo VaR kama kipimo kamili cha hatari bila kuongezea vipimo vya msongo wa mawazo kwa matukio mahususi ya kihistoria ya mgogoro.
Kidokezo cha Pro
Fanya jaribio la muunganiko kila wakati: panga makadirio ya Monte Carlo VaR kama kipengele cha idadi ya miigo. Ikiwa makadirio bado yanabadilika sana katika miigo 10,000, ongeza N au tumia kupunguza tofauti kabla ya kutumia matokeo.
Je, ulijua?
Uigaji wa Monte Carlo ulianzishwa wakati wa Vita vya Kidunia vya pili na wanafizikia katika Maabara ya Kitaifa ya Los Alamos - Stanislaw Ulam, John von Neumann, na Nicholas Metropolis - ili kuiga uenezaji wa nyutroni katika vinu vya nyuklia. Jina linatokana na Kasino ya Monte Carlo huko Monaco, ambapo mjomba wa Ulam alicheza kamari mara kwa mara. Mbinu hiyo hiyo sasa ndio msingi wa usimamizi wa kisasa wa hatari za kifedha, uundaji wa ufanisi wa dawa na uigaji wa mabadiliko ya hali ya hewa.
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
Marejeo
- ›Glasserman, P.: Mbinu za Monte Carlo katika Uhandisi wa Fedha, Springer (2003)
- ›Kamati ya Basel: Mfumo wa Usimamizi wa Kupima na Kudhibiti Mfiduo Mkubwa (2014)
- ›McNeil, Frey & Embrechts: Usimamizi wa Hatari Kiasi, Chuo Kikuu cha Princeton Press
- ›Investopedia: Uigaji wa Monte Carlo katika Usimamizi wa Hatari
Pata Vidokezo vya Hisabati vya Wiki
Jiunge na watumiaji 12,000+ wanaopata vidokezo vya kikokotoo kila wiki.