மேம்பட்ட நிதி மற்றும் வணிகம்

Monte Carlo VaR Simulator

போர்ட்ஃபோலியோ மதிப்பு

Annual Return (%)

Annual Volatility (%)

Horizon (days)

என்றால் என்ன Monte Carlo VaR Simulator?

▾

Monte Carlo VaR உருவகப்படுத்துதல் என்பது ஆபத்தில் உள்ள மதிப்பை மதிப்பிடுவதற்கான ஒரு கணக்கீட்டு அணுகுமுறையாகும், இது மாதிரியான வருவாய் விநியோகங்களில் இருந்து தோராயமாக மாதிரியாக்குவதன் மூலம் ஆயிரக்கணக்கான (அல்லது மில்லியன் கணக்கான) அனுமான போர்ட்ஃபோலியோ ரிட்டர்ன் காட்சிகளை உருவாக்குகிறது, அதன் விளைவாக உருவகப்படுத்தப்பட்ட இழப்பு விநியோகத்தைப் பயன்படுத்தி எந்த நம்பிக்கை நிலையிலும் மதிப்பீடு செய்யப்படுகிறது. பாராமெட்ரிக் VaR (இது ஒரு நிலையான விநியோக வடிவத்தை எடுத்துக்கொள்கிறது, பொதுவாக இயல்பானது) அல்லது வரலாற்று உருவகப்படுத்துதல் (இது கவனிக்கப்பட்ட வரலாற்று காட்சிகளுக்கு மட்டுமே) போலல்லாமல், மான்டே கார்லோ உருவகப்படுத்துதல் சிக்கலான விநியோக அனுமானங்கள், நேரியல் அல்லாத கருவிகள், பல காரணி வெளிப்பாடுகள் மற்றும் முழுமையான நெகிழ்வான கட்டமைப்பில் உள்ள சொத்துக்களுக்கு இடையே உள்ள தொடர்புகளை மாதிரியாக்க முடியும். Monte Carlo VaR செயல்முறையானது, சொத்து வருமானம் எவ்வாறு உருவாக்கப்படுகிறது என்பதற்கான மாதிரியைக் குறிப்பிடுவதன் மூலம் தொடங்குகிறது - பொதுவாக எதிர்பார்க்கப்படும் வருவாய்கள், ஏற்ற இறக்கங்கள் மற்றும் தொடர்புகள் (ஒருவேளை கொழுப்பு வால்கள் அல்லது சீரற்ற நிலையற்ற தன்மையுடன்) கொண்ட பன்முக மாதிரி. இந்த விநியோகத்திலிருந்து ரேண்டம் டிராக்கள் உருவகப்படுத்தப்பட்ட திரும்பும் பாதைகளை உருவாக்குகின்றன. ஒவ்வொரு உருவகப்படுத்தப்பட்ட சூழ்நிலையிலும், போர்ட்ஃபோலியோ லாபம் அல்லது இழப்பு கணக்கிடப்படுகிறது. இதுபோன்ற ஆயிரக்கணக்கான காட்சிகளுக்குப் பிறகு, போர்ட்ஃபோலியோ P&L இன் விளைவான விநியோகம் தரவரிசைப்படுத்தப்பட்டது, மேலும் VaR பொருத்தமான சதவீதமாக (எ.கா., 99% VaRக்கான 1வது சதவீதம்), CVaR என்பது அந்த புள்ளியைத் தாண்டிய அனைத்து இழப்புகளின் சராசரியாகும். மான்டே கார்லோ உருவகப்படுத்துதல் குறிப்பாக விருப்பங்கள் மற்றும் பிற நேரியல் அல்லாத வழித்தோன்றல்களைக் கொண்ட போர்ட்ஃபோலியோக்களுக்கு மிகவும் சக்தி வாய்ந்தது, இங்கு சந்தை நகர்வுகளுக்கு போர்ட்ஃபோலியோவின் பதில் நேரியல் அல்லாதது மற்றும் எளிமையான அளவுரு முறைகள் மூலம் துல்லியமாக தோராயமாக மதிப்பிட முடியாது. இது பாதை சார்ந்த கருவிகளை (தடை விருப்பங்கள் மற்றும் அடமான-ஆதரவு பத்திரங்கள் போன்றவை), கொழுப்பு-வால் கொண்ட விநியோகங்களை (மாணவர்களின் t, Pareto) இணைக்கலாம் மற்றும் சமச்சீரற்ற வருவாய் விநியோகங்களைப் பிடிக்கலாம். இருப்பினும், Monte Carlo VaR கணக்கீட்டு ரீதியாக தீவிரமானது - ஆயிரக்கணக்கான நிலைகளைக் கொண்ட பெரிய போர்ட்ஃபோலியோக்களுக்கு கணிசமான கணினி ஆதாரங்கள் தேவைப்படலாம் - மற்றும் முடிவுகள் காட்சிகளை உருவாக்கப் பயன்படுத்தப்படும் மாதிரி அனுமானங்களுக்கு உணர்திறன் கொண்டவை. Monte Carlo VaR இன் முக்கியமான வரம்பு என்னவென்றால், அது மாதிரியின் நோக்கத்திற்கு வெளியே காட்சிகளை உருவாக்க முடியாது. மாடல் சமீபத்திய தரவுகளுக்கு அளவீடு செய்யப்பட்டால், அது சமீபத்தில் செயல்படாத நீண்ட கால அபாயங்களை இழக்க நேரிடும். இதனால்தான் மான்டே கார்லோ வாஆர் வரலாற்று நெருக்கடிக் காட்சிகளைப் பயன்படுத்தி அழுத்த சோதனையுடன் கூடுதலாக வழங்கப்பட வேண்டும். மாறுபாடு குறைப்பு நுட்பங்கள் (ஆண்டிதெடிக் மாறிகள், கட்டுப்பாட்டு மாறுபாடுகள், அடுக்கு மாதிரிகள்) கணக்கீட்டு செயல்திறனை மேம்படுத்தவும் மற்றும் குறிப்பிட்ட எண்ணிக்கையிலான காட்சிகளுக்கு உருவகப்படுத்துதல் பிழையைக் குறைக்கவும் பயன்படுத்தப்படுகின்றன.

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

சூத்திரம்

▾

f(x)

1. N தொடர்புடைய திரும்பும் திசையன்களை உருவகப்படுத்தவும்: R_sim = μ + L × Z (L=Cholesky of Σ, Z=ஸ்டாண்டர்ட் நார்மல்ஸ்)
2. ஒவ்வொரு காட்சிக்கும் போர்ட்ஃபோலியோ பி&எல் கணக்கிடவும்: P&L_i = போர்ட்ஃபோலியோ × R_sim_i
3. P&L ஐ மோசமாக இருந்து சிறந்ததாக வரிசைப்படுத்தவும்; VaR_α = −P&L (1−α)வது சதவிகிதத்தில்
4. CVaR_α = −சராசரி (VR வரம்புக்கு கீழே P&L)

மாறி விளக்கம்

▾

குறியீடு	பெயர்	அலகு	விவரிப்பு
N	உருவகப்படுத்துதல்களின் எண்ணிக்கை	count	மொத்த உருவகப்படுத்தப்பட்ட காட்சிகள்; பொதுவாக 10,000–100,000 இடர் அறிக்கைக்கு; அதிக துல்லியமான மூலதன கணக்கீடுகளுக்கு மேலும்.
ρ	சொத்து தொடர்பு மேட்ரிக்ஸ்	ratio	சொத்துக்களுக்கு இடையே ஜோடிவரிசை தொடர்புகள்; கோலஸ்கி சிதைவு மூலம் தொடர்புள்ள சீரற்ற வருமானத்தை உருவாக்கப் பயன்படுகிறது.
σ_i	சொத்து ஏற்ற இறக்கம்	%/period	ஒவ்வொரு சொத்துக்கும் வருமானத்தின் நிலையான விலகல் i; வரலாற்றுத் தரவுகளிலிருந்து அளவீடு செய்யப்பட்டது அல்லது விருப்பச் சந்தைகளில் இருந்து மறைமுகமானது.
VaR_MC	மான்டே கார்லோ விஆர்	USD	உருவகப்படுத்தப்பட்ட பி&எல் விநியோகத்திலிருந்து (1−α) சதவீத இழப்பு; அளவுரு VaR க்கு சமமான உருவகப்படுத்தப்பட்டது.
SE_VaR	உருவகப்படுத்துதல் நிலையான பிழை	USD	Monte Carlo VaR இல் புள்ளியியல் மதிப்பீட்டு பிழை; √N உடன் குறைகிறது - 4× மேலும் உருவகப்படுத்துதல்கள் பிழையை பாதியாக குறைக்கிறது.

எப்படி Monte Carlo VaR Simulator

▾

1திரும்பும் மாதிரியைக் குறிப்பிடவும்: எதிர்பார்க்கப்படும் வருமானங்கள் (μ), நிலையான விலகல்கள் (σ) மற்றும் அனைத்து போர்ட்ஃபோலியோ சொத்துகளுக்கும் தொடர்பு அணி (ρ) ஆகியவற்றை வரையறுக்கவும்.
2தொடர்புடைய ரேண்டம் மாறிகளை உருவாக்க, கோரிலேஷன் மேட்ரிக்ஸின் கோலஸ்கி சிதைவைச் செய்யவும்.
3சுயாதீன நிலையான சாதாரண சீரற்ற எண்களின் N தொகுப்புகளை வரையவும்; கோலஸ்கி காரணியைப் பயன்படுத்தி, தொடர்புள்ள திரும்பும் திசையன்களை உருவாக்கவும்.
4ஒவ்வொரு சிமுலேட்டட் ரிட்டர்ன் வெக்டருக்கும் போர்ட்ஃபோலியோ பி&எல் கணக்கிடவும்: நேரியல் போர்ட்ஃபோலியோக்களுக்கு P&L = Σ(weight_i × portfolio_value × return_i); விருப்பங்களுக்கு முழு மறுமதிப்பீட்டைப் பயன்படுத்தவும்.
5அனைத்து N உருவகப்படுத்தப்பட்ட P&L விளைவுகளையும் மோசமானதில் இருந்து சிறந்ததாக வரிசைப்படுத்தவும்.
6VaR ஐப் படிக்கவும்: (1−α) × N-வது கண்காணிப்பில் உள்ள இழப்பு (எ.கா., 10,000 உருவகப்படுத்துதல்களுடன் 99% VaRக்கு 100வது மோசமானது).
7CVaRஐக் கணக்கிடுக: அனைத்து இழப்புகளும் VaR ஐ விட மோசமானவை (எ.கா., 10,000 உருவகப்படுத்துதல்களுடன் 99% CVaRக்கான சராசரி மோசமான 100 விளைவுகள்).

தீர்க்கப்பட்ட எடுத்துக்காட்டுகள்

▾

எடுத்துக்காட்டு 1இரண்டு-சொத்து போர்ட்ஃபோலியோ மான்டே கார்லோ

கொடுக்கப்பட்டது:பங்குகள்(60%): σ=20%/வருடம், பத்திரங்கள்(40%): σ=5%/வருடம், ρ=−0.30; போர்ட்ஃபோலியோ=$1M, 10,000 உருவகப்படுத்துதல்கள், 95% VaR

முடிவு:ஆண்டு VaR₉₅%≈$175,000 | CVaR₉₅%≈$230,000 | உருவகப்படுத்துதல் SE≈±$3,500

எதிர்மறை தொடர்பு போர்ட்ஃபோலியோ VaR ஐ கணிசமாகக் குறைக்கிறது

போர்ட்ஃபோலியோ வருடாந்திர ஏற்ற இறக்கம் ≈ √(0.6²×0.2² + 0.4²×0.05² + 2×0.6×0.4×(-0.3)×0.2×0.05) ≈ 11.7%. மான்டே கார்லோ 10,000 தொடர்புள்ள வருடாந்திர ரிட்டர்ன் ஜோடிகளை உருவாக்குகிறார்; போர்ட்ஃபோலியோ பி&எல் ஒவ்வொன்றிற்கும் கணக்கிடப்பட்டது. மோசமான 500 முடிவுகள் (5%) சராசரி தோராயமாக −23% போர்ட்ஃபோலியோ = -$230,000 (CVaR). 500வது மோசமான விளைவு ≈ -17.5% = −$175,000 (VaR). தொடர்பு பலன் இல்லாமல் (ρ=0), VaR தோராயமாக $220,000 ஆக இருக்கும் - எதிர்மறை பத்திர-பங்கு தொடர்பிலிருந்து $45,000 ஆபத்துக் குறைப்பைக் காட்டுகிறது.

எடுத்துக்காட்டு 2விருப்பங்கள் போர்ட்ஃபோலியோ - முழு மறுமதிப்பீடு

கொடுக்கப்பட்டது:நீண்ட சமபங்கு அழைப்பு விருப்பங்கள்: அடிப்படை=$100, K=$105, T=30 நாட்கள், σ=25%, போர்ட்ஃபோலியோ டெல்டா=$500K சமமானவை; 10,000 காட்சிகள்

முடிவு:1 நாள் VaR₉₉%≈$18,000 | டெல்டா-சாதாரண VaR≈$14,000 | வித்தியாசம்: காமாவிலிருந்து +$4,000

மான்டே கார்லோ நேரியல் அல்லாத காமா விளைவைப் பிடிக்கிறார்; அளவுரு அதை தவறவிடுகிறது

காமா (குவிவு) காரணமாக விருப்பங்கள் நேரியல் அல்லாத P&L ஐக் கொண்டுள்ளன. டெல்டா-சாதாரண VaR தோராயமான விருப்பங்களை நேரியல் (டெல்டாவை மட்டும் பயன்படுத்துகிறது), $14,000 VaR ஐ உருவாக்குகிறது. ஒவ்வொரு உருவகப்படுத்தப்பட்ட அடிப்படை விலைக்கும் பிளாக்-ஸ்கோல்ஸைப் பயன்படுத்தி முழு மான்டே கார்லோ மறுமதிப்பீடு முழு நேரியல் அல்லாத பதிலைப் பெறுகிறது, $18,000 VR - 29% அதிகமாகும். கூடுதல் ஆபத்து காமாவிலிருந்து வருகிறது: டெல்டா-லீனியர் தோராய கணிப்புகளை விட பெரிய நகர்வுகள் அதிக P&L மாற்றத்தை ஏற்படுத்துகின்றன. பெரிய விருப்பப் புத்தகங்களுக்கு, இந்த நேரியல் அல்லாத திருத்தம், முழு மறுமதிப்பீடு மான்டே கார்லோ இன்றியமையாததாக இருக்கலாம்.

எடுத்துக்காட்டு 3கொழுப்பு-வால் விநியோகம் VR ஒப்பீடு

கொடுக்கப்பட்டது:போர்ட்ஃபோலியோ σ=2%/நாள்; இயல்பான எதிராக மாணவர்-t (4 df) மான்டே கார்லோ; 99% நம்பிக்கை, $10M போர்ட்ஃபோலியோ

முடிவு:இயல்பான Monte Carlo VaR=$465K | மாணவர்-t VaR=$700K | 51% வித்தியாசம்

கொழுப்பு வால்கள் (டி-விநியோகம்) பொருள் ரீதியாக அதிக VR ஐ உருவாக்குகின்றன

தினசரி σ=2%: சாதாரண 99% VaR = 2.326 × 2% × $10M = $465,200. 4 டிகிரி சுதந்திரத்துடன் கூடிய மாணவர்-t கனமான வால்களைக் கொண்டுள்ளது: 99வது சதவிகிதம் தோராயமாக 3.747σ (இயல்புக்கு எதிராக 2.326σ), VaR = 3.747 × 2% × $10M = $749,400. 51% வித்தியாசம், மான்டே கார்லோவில் இயல்பான தன்மையைக் கருதுவது ஏன் வால் ஆபத்தை வியத்தகு முறையில் குறைத்து மதிப்பிட முடியும் என்பதைக் காட்டுகிறது. உண்மையான ஈக்விட்டி ரிட்டர்ன்கள் 4–8 (சாதாரண குர்டோசிஸ் = 3) என்ற குர்டோசிஸைக் கொண்டிருக்கின்றன, இது தீவிர இழப்புகளை மதிப்பிடுவதற்கு கொழுப்பு-வால் மாதிரியை கணிசமாக துல்லியமாக மாற்றுகிறது.

எடுத்துக்காட்டு 4ஒருங்கிணைப்பு பகுப்பாய்வு - உருவகப்படுத்துதல் பிழை

கொடுக்கப்பட்டது:உண்மை 95% VaR=$200,000; N=100, 1,000, 10,000, 100,000 உருவகப்படுத்துதல்கள்

முடிவு:SE இல் N=100: ±$45K | N=1,000: ±$14K | N=10,000: ±$4.5K | N=100,000: ±$1.4K

நிலையான பிழை 1/√N ஆக சுருங்குகிறது — 100× மேலும் சிம்கள் = 10× அதிக துல்லியம்

Monte Carlo VaR நிலையான பிழை ≈ σ_portfolio × √(α(1−α)/N) / f(VaR), இங்கு f என்பது VaR குவாண்டிலில் PDF ஆகும். N=100 உருவகப்படுத்துதல்களுடன், மதிப்பீட்டில் ±$45,000 நிச்சயமற்ற தன்மை உள்ளது - நடைமுறை பயன்பாட்டிற்கு மிகவும் துல்லியமானது. N=10,000 ±$4,500 வழங்குகிறது, தினசரி அறிக்கையிடலுக்கு ஏற்கத்தக்கது. ஒழுங்குமுறை மூலதனத்திற்கு ($200,000 VR இல் $4,500 என்பது 2.25% தொடர்புடைய பிழையாக இருந்தால்), N=100,000 அல்லது அதற்கு மேற்பட்டவை தேவைப்படலாம். மாறுபாடு குறைப்பு நுட்பங்கள் (ஆண்டிதெடிக் மாதிரி, முக்கியத்துவம் மாதிரி) N=100,000 துல்லியத்தை மிகக் குறைவான உருவகப்படுத்துதல்களுடன் அடையலாம்.

நடைமுறை பயன்பாடுகள்

▾

🏗️

முதலீட்டு வங்கி வர்த்தக புத்தகம் VR மற்றும் மூலதன கணக்கீடு

🔬

ஹெட்ஜ் நிதி தினசரி இடர் கண்காணிப்பு மற்றும் போர்ட்ஃபோலியோ தேர்வுமுறை

📊

முழு மறுமதிப்பீட்டுடன் விருப்பங்கள் மேசை இடர் மேலாண்மை

🏥

காப்பீட்டு நிறுவனம் முன்பதிவு மற்றும் Solvency II மூலதன மாதிரிகள்

⚙️

ஓய்வூதிய நிதி சொத்து-பொறுப்பு மேலாண்மை மற்றும் பொறுப்பு சார்ந்த முதலீடு

சிறப்பு நிகழ்வுகள்

▾

நடைமுறையில், இந்த விளிம்பு வழக்குக்கு கவனமாக பரிசீலிக்க வேண்டும், ஏனெனில் நிலையான அனுமானங்கள் இருக்காது. மான்டே கார்லோ வார் சிமுலேட்டர் கணக்கீடுகளில் இந்தக் காட்சியை எதிர்கொள்ளும் போது, பயிற்சியாளர்கள் எல்லை நிலைமைகளைச் சரிபார்த்து, பிரிவுக்கு-பூஜ்ஜிய அபாயங்களைச் சரிபார்த்து, இந்த தீவிர நிலைமைகளின் கீழ் மாதிரியின் அனுமானங்கள் செல்லுபடியாகுமா என்பதைக் கருத்தில் கொள்ள வேண்டும்.

மாதிரி அளவு மூலம் மான்டே கார்லோ உருவகப்படுத்துதல் துல்லியம்

▾

உருவகப்படுத்துதல்கள் (N)	டெயில் ஒப்ஸ். 99%	VaR நிலையான பிழை	பரிந்துரைக்கப்படுகிறது
1,000	10	~15% உறவினர்	ஆரம்ப முன்மாதிரி மட்டுமே
10,000	100	~5% உறவினர்	தினசரி 95% VaR அறிக்கை
100,000	1,000	~1.5% உறவினர்	99% VaR / ஒழுங்குமுறை அறிக்கை
1,000,000	10,000	~0.5% உறவினர்	99.9% பொருளாதார மூலதனம்
10,000,000	100,000	~0.15% உறவினர்	இன்சூரன்ஸ் தீவிர வால் மதிப்பீடு

அடிக்கடி கேட்கப்படும் கேள்விகள்

▾

அளவுரு மற்றும் வரலாற்று முறைகளை விட Monte Carlo VaR இன் நன்மைகள் என்ன?

மான்டே கார்லோ விஆர் மூன்று முக்கிய நன்மைகளை வழங்குகிறது. முதலாவதாக, டெல்டா-சாதாரண அளவுரு முறைகள் மூலம் துல்லியமாகப் பிடிக்க முடியாத நேரியல் அல்லாத கருவிகளை (விருப்பங்கள், அடமான ஆதரவுப் பத்திரங்கள், கட்டமைக்கப்பட்ட தயாரிப்புகள்) கையாள முடியும். இரண்டாவதாக, இது இயல்பான, கொழுப்பு-வால் (டி-விநியோகம்), வளைந்த (சமச்சீரற்ற) அல்லது பயனர்-குறிப்பிடப்பட்ட - இயல்பு நிலைக்குக் கட்டுப்படுத்தப்படுவதற்குப் பதிலாக, எந்தவொரு வருவாய் விநியோகத்தையும் மாதிரியாக்க முடியும். மூன்றாவதாக, இது வரலாற்றுத் தரவுகளில் இல்லாத காட்சிகளை உருவாக்கி, பரந்த அளவிலான சாத்தியமான விளைவுகளை உள்ளடக்கும். வரலாற்று உருவகப்படுத்துதல் உண்மையில் என்ன நடந்தது என்பதற்கு மட்டுப்படுத்தப்பட்டுள்ளது; மான்டே கார்லோ இன்னும் நிகழாத காட்சிகளை உருவகப்படுத்த முடியும், ஆனால் மாதிரி விநியோகத்தின் அடிப்படையில் சாத்தியமாகும்.

நம்பகமான Monte Carlo VaRக்கு எத்தனை உருவகப்படுத்துதல்கள் தேவை?

தேவையான எண்ணிக்கையிலான உருவகப்படுத்துதல்கள் நம்பிக்கை நிலை மற்றும் விரும்பிய துல்லியத்தைப் பொறுத்தது. 95% VaRக்கு: N=1,000 தோராயமாக 50 வால் அவதானிப்புகளைக் கொடுக்கிறது - அரிதாகவே போதுமானது. N=10,000 500 வால் அவதானிப்புகளை வழங்குகிறது - பொதுவாக தினசரி அறிக்கையிடலுக்கு போதுமானது. 99% VaRக்கு: N=10,000 100 வால் அவதானிப்புகளை மட்டுமே அளிக்கிறது; N=100,000 விரும்பத்தக்கது. 99.9% VaRக்கு (பொருளாதார மூலதனம்): மில்லியன் கணக்கான உருவகப்படுத்துதல்கள் தேவைப்படலாம். ஒரு விதியாக: நிலையான மதிப்பீடுகளுக்கு குறைந்தபட்சம் 100-200 கண்காணிப்புகளை இலக்காகக் கொள்ளுங்கள். மாறுபாடு குறைப்பு நுட்பங்கள் கணக்கீட்டுத் தேவைகளைக் கணிசமாகக் குறைக்கும்.

சோலஸ்கி சிதைவு என்றால் என்ன, அது மான்டே கார்லோவில் ஏன் பயன்படுத்தப்படுகிறது?

சோல்ஸ்கி சிதைவு காரணிகள் ஒரு தொடர்பு (அல்லது கோவேரியன்ஸ்) மேட்ரிக்ஸை கீழ் முக்கோண அணி L ஆக மாற்றுகிறது, அதாவது LL' = Σ. இது மான்டே கார்லோ உருவகப்படுத்துதலில் ஒன்றோடொன்று தொடர்புடைய சீரற்ற மாறிகளை உருவாக்கப் பயன்படுத்தப்படுகிறது: Z என்பது சார்பற்ற நிலையான சாதாரண சீரற்ற எண்களின் திசையன் என்றால், R = L × Z என்பது கோவாரியன்ஸ் அமைப்பு Σ உடன் தொடர்புடைய இயல்பான சீரற்ற மாறிகளின் திசையன் ஆகும். இந்த படி இல்லாமல், போர்ட்ஃபோலியோ அபாயத்திற்கு முக்கியமான தொடர்புகளை புறக்கணித்து, தோராயமாக உருவாக்கப்பட்ட வருமானம் சொத்துக்கள் முழுவதும் சுயாதீனமாக இருக்கும். கோலஸ்கி சிதைவுக்கு கோவாரியன்ஸ் மேட்ரிக்ஸ் நேர்மறை அரை-நிச்சயமாக இருக்க வேண்டும் - அணி ஒருமைக்கு அருகில் இருந்தால் அல்லது எதிர்மறை ஈஜென் மதிப்புகளைக் கொண்டிருந்தால் (பல சொத்துக்களுடன் சாத்தியம்), ஒழுங்குபடுத்தும் நுட்பங்கள் தேவை.

மான்டே கார்லோ உருவகப்படுத்துதலில் 'பரிமாணத்தின் சாபம்' என்றால் என்ன?

ஆபத்து காரணிகளின் எண்ணிக்கை (சொத்துக்கள், மகசூல் வளைவுப் புள்ளிகள், ஏற்ற இறக்கம் மேற்பரப்பு புள்ளிகள்) அதிகரிக்கும் போது, பன்முகப் பரவலைப் போதுமான அளவு மறைப்பதற்குத் தேவையான உருவகப்படுத்துதல்களின் எண்ணிக்கை வேகமாக வளர்கிறது. 2 சொத்துக்களுக்கு, சில ஆயிரம் உருவகப்படுத்துதல்கள் இடத்தை நியாயமான முறையில் உள்ளடக்கும். 100 தொடர்புள்ள சொத்துக்களுக்கு, மில்லியன் கணக்கான உருவகப்படுத்துதல்கள் கூட தீவிர கூட்டு காட்சிகளின் அரிதான கவரேஜை விட்டுவிடலாம். இந்த கணக்கீட்டு சவால் - பரிமாணத்தின் சாபம் - காரணி குறைப்பு (தொடர்பு கட்டமைப்பின் முதன்மை கூறு பகுப்பாய்வு), அடுக்கு மாதிரி மற்றும் அரை-சீரற்ற (குறைந்த-வேறுபாடு) வரிசைகள் (ஹால்டன், சோபோல்), இது அளவுரு இடத்தை முற்றிலும் சீரற்ற மாதிரியை விட ஒரே மாதிரியாக உள்ளடக்கியது.

மான்டே கார்லோ விஆர் எவ்வாறு சீரற்ற நிலையற்ற தன்மையைக் கையாளுகிறது?

நிலையான மான்டே கார்லோ நிலையான ஏற்ற இறக்கத்தை (σ) கருதுகிறது, ஆனால் உண்மையான சந்தை ஏற்ற இறக்கம் நேரம்-மாறும் மற்றும் சராசரி-திரும்புதல் ஆகும். சீரற்ற ஏற்ற இறக்க மாதிரிகள் (ஹெஸ்டன் மாதிரி, SABR மாதிரி, GARCH) மாதிரி ஏற்ற இறக்கம் ஒரு சீரற்ற செயல்முறை. ஹெஸ்டன் மாதிரியான மான்டே கார்லோவில், சொத்து விலை மற்றும் ஏற்ற இறக்கம் செயல்முறை இரண்டும் ஒரே நேரத்தில் தொடர்புடைய பிரவுனிய இயக்கங்களைப் பயன்படுத்தி உருவகப்படுத்தப்படுகின்றன, இது ஈக்விட்டி வருமானம் மற்றும் மறைமுகமான ஏற்ற இறக்கம் ('வாலட்டிலிட்டி ஸ்மைல்') ஆகியவற்றுக்கு இடையேயான எதிர்மறையான தொடர்பைக் கைப்பற்றுகிறது. இது எதிர்மறையான வளைவு மற்றும் கனமான இடது வால்களுடன் மிகவும் யதார்த்தமான P&L விநியோகங்களை உருவாக்குகிறது, குறிப்பாக வேகா ஆபத்து (வாலட்டிலிட்டி மாற்றங்களுக்கான உணர்திறன்) முக்கியத்துவம் வாய்ந்த விருப்பங்களின் போர்ட்ஃபோலியோக்களுக்கு இது முக்கியமானது.

Monte Carlo VaR-ல் உள்ள முக்கியமான மாதிரி என்ன?

முக்கியத்துவம் மாதிரி என்பது ஒரு மாறுபாடு குறைப்பு நுட்பமாகும், இது VaR மற்றும் CVaR மதிப்பீட்டிற்கு மிகவும் முக்கியமான வால் பகுதிகளில் உருவகப்படுத்துதல்களைக் குவிக்கிறது. ஒரே மாதிரியான மாதிரிக்கு பதிலாக, உருவகப்படுத்துதல் நிகழ்தகவு மிகவும் தீவிரமான சூழ்நிலைகளை நோக்கி மாற்றப்படுகிறது, மேலும் இந்த சார்புநிலையை சரிசெய்ய முடிவுகள் மறுபரிசீலனை செய்யப்படுகின்றன. இதன் விளைவாக, கொடுக்கப்பட்ட எண்ணிக்கையிலான உருவகப்படுத்துதல்களுக்கு அதிக வால் அவதானிப்புகள் உள்ளன, இது ஆர்வமுள்ள பகுதியில் VaR மதிப்பீட்டின் நிலையான பிழையை வியத்தகு முறையில் குறைக்கிறது. முக்கியத்துவம் வாய்ந்த மாதிரியானது 10,000-50,000 உருவகப்படுத்துதல்களுடன் 1,000,000 நிலையான மான்டே கார்லோ உருவகப்படுத்துதல்களின் வால் மதிப்பீட்டின் துல்லியத்தை அடைய முடியும், இது வரையறுக்கப்பட்ட கணக்கீட்டு வளங்களைக் கொண்ட உயர்-துல்லியமான VaR தேவைப்படும் நிறுவனங்களுக்கு இது நடைமுறைக்குரியது.

ரிட்டர்ன் விநியோகத்தின் தேர்வு Monte Carlo VaRஐ எவ்வாறு பாதிக்கிறது?

மான்டே கார்லோ VR இல் விநியோக அனுமானம் மிக முக்கியமான மாதிரித் தேர்வாகும். ஒரு சாதாரண விநியோகத்தைப் பயன்படுத்துவது வால் ஆபத்தை குறைத்து மதிப்பிடுகிறது, ஏனெனில் உண்மையான நிதி வருவாய்கள் லெப்டோகுர்டிக் (கொழுப்பு-வால்) மற்றும் பெரும்பாலும் எதிர்மறையாக வளைந்திருக்கும். 4–8 டிகிரி சுதந்திரத்துடன் ஒரு மாணவரின் t-விநியோகம் பொதுவாக ஈக்விட்டி வருவாயை சிறப்பாகப் பொருத்துகிறது மற்றும் 99% நம்பிக்கையில் 30-80% அதிக VaR ஐ உருவாக்குகிறது. எக்ஸ்ட்ரீம் வேல்யூ தியரி (EVT) - குறிப்பாக டெயில் மாடலிங்கிற்கான பொதுமைப்படுத்தப்பட்ட பரேட்டோ விநியோகம் - 99.9% VaRக்கு தேவையான மிக ஆழமான வால்களை மதிப்பிடுவதற்கான மிகவும் கடுமையான அணுகுமுறையாகும். நடைமுறையில், அதிநவீன இடர் அமைப்புகள் பெரும்பாலும் சாதாரண விநியோகத்தைப் பயன்படுத்துகின்றன.

தவிர்க்க வேண்டிய பொதுவான தவறுகள்

▾

!தேவையான நம்பிக்கை நிலைக்கு மிகக் குறைவான உருவகப்படுத்துதல்களைப் பயன்படுத்துதல், தேவையான VaR துல்லியத்தை மீறும் உயர் உருவகப்படுத்துதல் பிழையை உருவாக்குதல்.
!உண்மையான ரிட்டர்ன் விநியோகங்கள் கொழுப்புடன் இருக்கும் போது சாதாரண வருமானத்தை அனுமானித்து - சிறந்த டெயில் மாடலிங்கிற்கு டி-விநியோகம் அல்லது EVT ஐப் பயன்படுத்தவும்.
!சிக்கலான காரணி மாதிரிகள் தேவைப்படும்போது தொடர்பு கட்டமைப்பைப் புறக்கணித்தல் அல்லது எளிய ஒற்றை-தொடர்பு அனுமானத்தைப் பயன்படுத்துதல்.
!காமா (குவிவு) அபாயத்தைத் தவறவிடும் டெல்டா-சாதாரண தோராயத்தைப் பயன்படுத்தி, விருப்பங்களுக்கான முழு மறுமதிப்பீட்டைச் செய்யவில்லை.
!மான்டே கார்லோ வஆரை குறிப்பிட்ட வரலாற்று நெருக்கடி சூழ்நிலைகளுக்கு மன அழுத்த சோதனைகளுடன் சேர்க்காமல் முழுமையான இடர் அளவீடாகக் கருதுதல்.

💡

நிபுணர் குறிப்பு

எப்பொழுதும் ஒரு ஒருங்கிணைப்பு சோதனையை இயக்கவும்: உருவகப்படுத்துதல்களின் எண்ணிக்கையின் செயல்பாடாக மான்டே கார்லோ விஆர் மதிப்பீட்டை அமைக்கவும். மதிப்பீடு இன்னும் 10,000 உருவகப்படுத்துதல்களில் பொருள் ரீதியாக மாறினால், முடிவுகளைப் பயன்படுத்துவதற்கு முன் N ஐ அதிகரிக்கவும் அல்லது மாறுபாடு குறைப்பைப் பயன்படுத்தவும்.

⭐

உங்களுக்கு தெரியுமா?

மான்டே கார்லோ உருவகப்படுத்துதல் இரண்டாம் உலகப் போரின் போது லாஸ் அலமோஸ் தேசிய ஆய்வகத்தின் இயற்பியலாளர்களால் - ஸ்டானிஸ்லாவ் உலாம், ஜான் வான் நியூமன் மற்றும் நிக்கோலஸ் மெட்ரோபோலிஸ் - அணு உலைகளில் நியூட்ரான் பரவலை மாதிரியாக உருவாக்க உருவாக்கப்பட்டது. மொனாக்கோவில் உள்ள மான்டே கார்லோ கேசினோவில் இருந்து இந்த பெயர் வந்தது, அங்கு உலமின் மாமா அடிக்கடி சூதாட்டினார். அதே நுட்பம் இப்போது நவீன நிதி இடர் மேலாண்மை, மருந்து செயல்திறன் மாதிரியாக்கம் மற்றும் காலநிலை மாற்ற உருவகப்படுத்துதல் ஆகியவற்றை ஆதரிக்கிறது.

Regional Guides

▾

🇺🇸 US▾

பொருந்தும் இடங்களில் US வழக்கமான அலகுகள் மற்றும் தரங்களைப் பயன்படுத்துகிறது

🇬🇧 UK▾

மெட்ரிக் அலகுகள் அல்லது பிரிட்டிஷ் தரநிலைகளுக்கு மாற்றம் தேவைப்படலாம்

🇪🇺 EU▾

பொருந்தும் இடங்களில் EU மரபுகள் மற்றும் SI அலகுகளைப் பின்பற்றுகிறது

குறிப்புகள்

📖கடினத்தன்மை:மேம்பட்ட

தகவல் நோக்கங்களுக்காக மட்டுமே. இந்த கருவி நிதி ஆலோசனை அல்ல. முதலீடு அல்லது நிதி முடிவுகளை எடுப்பதற்கு முன் தகுதிவாய்ந்த நிதி ஆலோசகரை அணுகவும்.

Formula-verified for precision

Reviewed October 2026

Our methodology

வாராந்திர கணித உதவிக்குறிப்புகளைப் பெறுங்கள்

ஒவ்வொரு வாரமும் கால்குலேட்டர் உதவிக்குறிப்புகளைப் பெறும் 12,000+ சந்தாதாரர்களுடன் சேரவும்.

🔒

100% இலவசம்

பதிவு தேவையில்லை

✓

துல்லியமான

சரிபார்க்கப்பட்ட சூத்திரங்கள்

⚡

உடனடி

தட்டச்சு செய்யும்போது முடிவுகள்

📱

மொபைல் தயார்

அனைத்து சாதனங்கள்