Nedir Monte Carlo VaR Simulator?
▾
Monte Carlo VaR simülasyonu, modellenmiş getiri dağılımlarından rastgele örnekleme yoluyla binlerce (veya milyonlarca) varsayımsal portföy getiri senaryosu üreten, ardından ortaya çıkan simüle edilmiş zarar dağılımını herhangi bir güven düzeyinde VaR ve CVaR'yi tahmin etmek için kullanan, Riske Maruz Değeri tahmin etmeye yönelik hesaplamalı bir yaklaşımdır. Parametrik VaR (sabit bir dağılım şeklini varsayar, genellikle normaldir) veya tarihsel simülasyonun (gözlenen tarihsel senaryolarla sınırlıdır) aksine Monte Carlo simülasyonu, karmaşık dağılım varsayımlarını, doğrusal olmayan araçları, çok faktörlü riskleri ve varlıklar arasındaki korelasyonları tamamen esnek bir çerçevede modelleyebilir. Monte Carlo VaR süreci, varlık getirilerinin nasıl oluşturulduğuna ilişkin bir model belirleyerek başlar - tipik olarak beklenen getiriler, volatiliteler ve korelasyonlar (muhtemelen kalın kuyruklar veya stokastik volatilite ile) içeren çok değişkenli bir model. Bu dağıtımdan rastgele çekilişler simüle edilmiş dönüş yolları oluşturur. Simüle edilen her senaryo için portföy kar veya zararı hesaplanır. Bu tür binlerce senaryodan sonra, ortaya çıkan portföy kâr ve zarar dağılımı sıralanır ve VaR uygun yüzdelik dilim olarak okunur (örneğin, %99 VaR için 1. yüzdelik dilim), CVaR ise bu noktanın ötesindeki tüm kayıpların ortalamasıdır. Monte Carlo simülasyonu, portföyün piyasa hareketlerine tepkisinin doğrusal olmadığı ve basit parametrik yöntemlerle doğru bir şekilde tahmin edilemediği opsiyonlar ve diğer doğrusal olmayan türevler içeren portföyler için özellikle güçlüdür. Ayrıca yola bağlı araçları (bariyer seçenekleri ve ipoteğe dayalı menkul kıymetler gibi) modelleyebilir, kalın kuyruklu dağılımları (Student's t, Pareto) dahil edebilir ve asimetrik getiri dağılımlarını yakalayabilir. Bununla birlikte, Monte Carlo VaR hesaplama açısından yoğundur - binlerce pozisyona sahip büyük portföyler önemli miktarda bilgi işlem kaynağı gerektirebilir - ve sonuçlar, senaryo oluşturmak için kullanılan model varsayımlarına duyarlıdır. Monte Carlo VaR'ın kritik sınırlamalarından biri, modelin kapsamı dışında senaryolar oluşturamamasıdır. Model güncel verilere göre kalibre edilirse, yakın zamanda gerçekleşmemiş uzun vadeli riskleri gözden kaçırabilir. Bu nedenle Monte Carlo VaR'ın tarihsel kriz senaryoları kullanılarak yapılan stres testleri ile desteklenmesi gerekmektedir. Varyans azaltma teknikleri (antitetik değişkenler, kontrol değişkenleri, katmanlı örnekleme), belirli sayıda senaryo için hesaplama verimliliğini artırmak ve simülasyon hatasını azaltmak için kullanılır.
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
Formül
▾
1. N ilişkili dönüş vektörünü simüle edin: R_sim = μ + L × Z (L=Σ'nin Cholesky'si, Z=standart normaller)
2. Her senaryo için portföy K&Z'sini hesaplayın: P&L_i = Portföy × R_sim_i
3. Kâr ve Zararı en kötüden en iyiye doğru sıralayın; VaR_α = (1−α)'inci yüzdelik dilimde −K&Z
4. CVaR_α = −Ortalama(K&Z VaR eşiğinin altında)Değişken açıklaması
▾
| Sembol | Ad | Birim | Açıklama |
|---|---|---|---|
| N | Simülasyon Sayısı | count | Toplam simüle edilmiş senaryolar; risk raporlaması için genellikle 10.000–100.000; Yüksek hassasiyetli sermaye hesaplamaları için daha fazlası. |
| ρ | Varlık Korelasyon Matrisi | ratio | Varlıklar arasındaki ikili korelasyonlar; Cholesky ayrıştırması yoluyla ilişkili rastgele getiriler üretmek için kullanılır. |
| σ_i | Varlık Değişkenliği | %/period | Her varlık için getirilerin standart sapması i; geçmiş verilerden kalibre edilmiş veya opsiyon piyasalarından ima edilmiştir. |
| VaR_MC | Monte Carlo VaR | USD | Simüle edilmiş P&L dağılımından (1−α) yüzdelik kayıp; parametrik VaR'nin simüle edilmiş eşdeğeri. |
| SE_VaR | Simülasyon Standart Hatası | USD | Monte Carlo VaR'da istatistiksel tahmin hatası; √N ile azalır — 4 kat daha fazla simülasyon hatayı yarıya indirir. |
Nasıl Monte Carlo VaR Simulator
▾
- 1Getiri modelini belirtin: tüm portföy varlıkları için beklenen getirileri (μ), standart sapmaları (σ) ve korelasyon matrisini (ρ) tanımlayın.
- 2İlişkili rastgele değişkenler oluşturmak için korelasyon matrisinin Cholesky ayrıştırmasını gerçekleştirin.
- 3N sayıda bağımsız standart normal rastgele sayı kümesi çizin; İlişkili dönüş vektörleri oluşturmak için Cholesky faktörünü kullanarak dönüşüm yapın.
- 4Simüle edilen her getiri vektörü için portföy P&L'sini hesaplayın: doğrusal portföyler için P&L = Σ(ağırlık_i × portföy_değeri × getiri_i); Seçenekler için tam yeniden değerlemeyi kullanın.
- 5Tüm N simüle edilmiş P&L sonuçlarını en kötüden en iyiye doğru sıralayın.
- 6VaR'yi okuyun: (1−α) × N'inci gözlemdeki kayıp (örneğin, 10.000 simülasyonla %99 VaR için 100'üncü en kötü).
- 7CVaR'yi hesaplayın: VaR'dan daha kötü olan tüm kayıpların ortalamasını alın (örneğin, 10.000 simülasyonla %99 CVaR için en kötü 100 sonucun ortalamasını alın).
Çözümlü Örnekler
▾
Negatif korelasyon portföy VaR'ını önemli ölçüde azaltır
Portföyün yıllık oynaklığı ≈ √(0,6²×0,2² + 0,4²×0,05² + 2×0,6×0,4×(-0,3)×0,2×0,05) ≈ %11,7. Monte Carlo, 10.000 ilişkili yıllık getiri çifti üretiyor; portföy P&L her biri için hesaplanır. En kötü 500 sonucun (%5) ortalama portföyün yaklaşık %−23'ü = −230.000$ (CVaR). 500'üncü en kötü sonuç ≈ %−17,5 = −175.000$ (VaR). Korelasyon faydası olmasaydı (ρ=0), VaR yaklaşık 220.000 $ olurdu; bu da negatif tahvil-stok korelasyonundan kaynaklanan 45.000 $'lık risk düşüşünü gösterir.
Monte Carlo doğrusal olmayan gama efektini yakalıyor; parametrik onu özlüyor
Opsiyonların gama (dışbükeylik) nedeniyle doğrusal olmayan K&Z'si vardır. Delta-normal VaR, opsiyonları doğrusal olarak yaklaşıklaştırır (yalnızca deltayı kullanır), 14.000 ABD doları VaR üretir. Simüle edilen her temel fiyat için Black-Scholes kullanılarak yapılan tam Monte Carlo yeniden değerlemesi, doğrusal olmayan tepkinin tamamını yakalayarak %29 daha yüksek 18.000 $ VaR üretir. Ek risk gamadan kaynaklanmaktadır: Büyük hamleler, delta-doğrusal yaklaşımın öngördüğünden daha fazla K&Z değişikliğine neden olur. Büyük opsiyonlu defterler için bu doğrusal olmama düzeltmesi önemli olabilir ve Monte Carlo'nun tam olarak yeniden değerlemesini zorunlu hale getirir.
Yağ kuyrukları (t-dağılımı) maddi olarak daha yüksek VaR üretir
Günlük σ=%2 için: normal %99 VaR = 2,326 × %2 × 10 milyon dolar = 465.200 dolar. 4 serbestlik derecesine sahip Öğrenci-t'nin kuyrukları daha ağırdır: 99'uncu yüzdelik dilim yaklaşık 3,747σ'dir (normal için 2,326σ'ya karşılık), VaR = 3,747 × %2 × 10 milyon ABD doları = 749,400 ABD doları verir. %51'lik fark, Monte Carlo'da normallik varsayımının neden kuyruk riskini önemli ölçüde eksik gösterebileceğini gösteriyor. Fiili özsermaye getirilerinin basıklığı 4-8'dir (normal basıklık = 3), bu da kalın kuyruk modelini aşırı kayıpları tahmin etmede önemli ölçüde daha doğru hale getirir.
Standart hata 1/√N olarak küçülür — 100 kat daha fazla sim = 10 kat daha fazla hassasiyet
Monte Carlo VaR standart hatası ≈ σ_portföy × √(α(1−α)/N) / f(VaR), burada f, VaR yüzdelik dilimindeki PDF'dir. N=100 simülasyonla tahminde ±45.000$ belirsizlik vardır; bu da pratik kullanım için fazla kesin değildir. N=10.000, günlük raporlama için kabul edilebilir olan ±4.500$'ı verir. Düzenleyici sermaye için (200.000 ABD Doları VaR üzerinden 4.500 ABD Doları, %2,25 bağıl hatadır), N=100.000 veya daha fazlasına ihtiyaç duyulabilir. Varyans azaltma teknikleri (antitetik örnekleme, önem örneklemesi), çok daha az simülasyonla N=100.000 doğruluğuna ulaşabilir.
Gerçek dünya uygulamaları
▾
Yatırım bankası alım satım kitabı VaR ve sermaye hesaplaması
Hedge fonu günlük risk izleme ve portföy optimizasyonu
Tam yeniden değerleme ile opsiyon masası risk yönetimi
Sigorta şirketi rezervasyon ve Solvency II sermaye modelleri
Emeklilik fonu varlık-pasif yönetimi ve yükümlülük odaklı yatırım
Özel durumlar
▾
Pratikte bu uç durum dikkatli bir değerlendirme gerektirir çünkü standart varsayımlar geçerli olmayabilir. Monte carlo var simülatör hesaplamalarında bu senaryoyla karşılaşıldığında uygulayıcılar sınır koşullarını doğrulamalı, sıfıra bölme risklerini kontrol etmeli ve modelin varsayımlarının bu aşırı koşullar altında geçerli kalıp kalmadığını düşünmelidir.
Pratikte bu uç durum dikkatli bir değerlendirme gerektirir çünkü standart varsayımlar geçerli olmayabilir. Monte carlo var simülatör hesaplamalarında bu senaryoyla karşılaşıldığında uygulayıcılar sınır koşullarını doğrulamalı, sıfıra bölme risklerini kontrol etmeli ve modelin varsayımlarının bu aşırı koşullar altında geçerli kalıp kalmadığını düşünmelidir.
Pratikte bu uç durum dikkatli bir değerlendirme gerektirir çünkü standart varsayımlar geçerli olmayabilir. Monte carlo var simülatör hesaplamalarında bu senaryoyla karşılaşıldığında uygulayıcılar sınır koşullarını doğrulamalı, sıfıra bölme risklerini kontrol etmeli ve modelin varsayımlarının bu aşırı koşullar altında geçerli kalıp kalmadığını düşünmelidir.
Örnek Boyutuna Göre Monte Carlo Simülasyon Hassasiyeti
▾
| Simülasyonlar (N) | Kuyruk Obs. %99'da | VaR Standart Hatası | Önerilenler |
|---|---|---|---|
| 1,000 | 10 | ~%15 bağıl | Yalnızca ilk prototip oluşturma |
| 10,000 | 100 | ~%5 bağıl | Günlük %95 VaR raporlaması |
| 100,000 | 1,000 | ~%1,5 bağıl | %99 VaR / düzenleyici raporlama |
| 1,000,000 | 10,000 | ~%0,5 bağıl | %99,9 ekonomik sermaye |
| 10,000,000 | 100,000 | ~%0,15 bağıl | Sigorta aşırı kuyruk tahmini |
Sık sorulan sorular
▾
Monte Carlo VaR'ın parametrik ve tarihsel yöntemlere göre avantajları nelerdir?
Monte Carlo VaR üç önemli avantaj sunuyor. Birincisi, delta-normal parametrik yöntemlerle doğru bir şekilde yakalanamayan doğrusal olmayan araçları (opsiyonlar, ipoteğe dayalı menkul kıymetler, yapılandırılmış ürünler) işleyebilir. İkincisi, normallikle sınırlandırılmak yerine herhangi bir getiri dağılımını (normal, kalın kuyruklu (t-dağılımı), çarpık (asimetrik) veya kullanıcı tanımlı) modelleyebilir. Üçüncüsü, geçmiş verilerde bulunmayan ve daha geniş bir potansiyel sonuç yelpazesini kapsayan senaryolar üretebilir. Tarihsel simülasyon gerçekte olup bitenlerle sınırlıdır; Monte Carlo, henüz gerçekleşmemiş ancak modellenen dağılım göz önüne alındığında mümkün olan senaryoları simüle edebilir.
Güvenilir Monte Carlo VaR için kaç simülasyona ihtiyaç var?
Gerekli simülasyon sayısı güven düzeyine ve istenen kesinliğe bağlıdır. %95 VaR için: N=1.000 kabaca 50 kuyruk gözlemi verir; bu da ancak yeterli olur. N=10.000, 500 kuyruk gözlemi verir; genellikle günlük raporlama için yeterlidir. %99 VaR için: N=10.000 yalnızca 100 kuyruk gözlemi verir; N=100.000 tercih edilir. %99,9 VaR (ekonomik sermaye) için milyonlarca simülasyona ihtiyaç duyulabilir. Kural olarak: istikrarlı tahminler için kuyrukta en az 100-200 gözlemi hedefleyin. Varyans azaltma teknikleri hesaplama gereksinimlerini önemli ölçüde azaltabilir.
Cholesky ayrışımı nedir ve Monte Carlo'da neden kullanılıyor?
Cholesky ayrıştırması, bir korelasyon (veya kovaryans) matrisini, LL' = Σ olacak şekilde daha düşük bir üçgen matris L'ye ayırır. Monte Carlo simülasyonunda ilişkili rastgele değişkenler oluşturmak için kullanılır: Z, bağımsız standart normal rastgele sayıların bir vektörüyse, o zaman R = L × Z, kovaryans yapısı Σ ile ilişkili normal rastgele değişkenlerin bir vektörüdür. Bu adım olmadan, rastgele oluşturulan getiriler varlıklar arasında bağımsız olacak ve portföy riski için kritik olan korelasyonlar göz ardı edilecektir. Cholesky ayrıştırması, kovaryans matrisinin pozitif yarı tanımlı olmasını gerektirir; eğer matris tekile yakınsa veya negatif özdeğerlere sahipse (birçok varlıkla mümkündür), düzenleme tekniklerine ihtiyaç vardır.
Monte Carlo simülasyonundaki 'boyutsallığın laneti' nedir?
Risk faktörlerinin sayısı (varlıklar, getiri eğrisi noktaları, oynaklık yüzey noktaları) arttıkça, çok değişkenli dağılımı yeterince karşılamak için gereken simülasyonların sayısı da hızla artıyor. 2 varlık için birkaç bin simülasyon, alanı oldukça iyi bir şekilde kapsıyor. 100 ilişkili varlık için milyonlarca simülasyon bile aşırı ortak senaryoların kapsamını yetersiz bırakabilir. Bu hesaplama zorluğu - boyutluluğun laneti - faktör azaltma (korelasyon yapısının temel bileşen analizi), katmanlı örnekleme ve parametre uzayını tamamen rastgele örneklemeden daha düzgün bir şekilde kapsayan yarı rastgele (düşük tutarsızlık) diziler (Halton, Sobol) aracılığıyla ele alınır.
Monte Carlo VaR stokastik oynaklığı nasıl ele alıyor?
Standart Monte Carlo sabit oynaklığı (σ) varsayar, ancak gerçek piyasa oynaklığı zamanla değişir ve ortalamaya geri döner. Stokastik oynaklık modelleri (Heston modeli, SABR modeli, GARCH) oynaklığı kendisi de rastgele bir süreç olarak modellemektedir. Heston model Monte Carlo'da, hem varlık fiyatı hem de oynaklık süreci, ilişkili Brownian hareketleri kullanılarak eş zamanlı olarak simüle edilir ve öz sermaye getirileri ile ima edilen oynaklık arasındaki negatif korelasyon ("dalgalanma gülümsemesi") yakalanır. Bu, negatif çarpıklık ve daha ağır sol kuyruklarla daha gerçekçi P&L dağılımları üretir; bu, özellikle vega riskinin (volatilite değişikliklerine duyarlılığın) önemli olduğu opsiyon portföyleri için önemlidir.
Monte Carlo VaR'da önem örneklemesi nedir?
Önem örneklemesi, simülasyonları VaR ve CVaR tahmini için en önemli olan kuyruk bölgelerinde yoğunlaştıran bir varyans azaltma tekniğidir. Simülasyon olasılığı, tekdüze örnekleme yerine daha ekstrem senaryolara kaydırılır ve sonuçlar, bu önyargıyı düzeltmek için yeniden ağırlıklandırılır. Sonuç olarak, belirli sayıda simülasyon için çok daha fazla kuyruk gözlemi elde edilir ve bu da ilgilenilen bölgedeki VaR tahmininin standart hatasını önemli ölçüde azaltır. Önem örneklemesi, yalnızca 10.000-50.000 simülasyonla 1.000.000 standart Monte Carlo simülasyonunun kuyruk tahmin doğruluğunu elde edebilir; bu da onu sınırlı hesaplama kaynaklarıyla yüksek hassasiyetli VaR'ye ihtiyaç duyan kurumlar için pratik hale getirir.
Getiri dağılımı seçimi Monte Carlo VaR'ı nasıl etkiler?
Dağılım varsayımı Monte Carlo VaR'da tek ve en önemli model seçimidir. Normal bir dağılım kullanmak kuyruk riskini hafife alır çünkü gerçek finansal getiriler leptokurtiktir (yağlı kuyruklu) ve sıklıkla negatif çarpıktır. 4-8 serbestlik derecesine sahip bir Öğrencinin t-dağılımı genellikle özsermaye getirilerine daha iyi uyum sağlar ve %99 güvenle %30-80 daha yüksek VaR üretir. Uç değer teorisi (EVT) - özellikle kuyruk modelleme için genelleştirilmiş Pareto dağılımı - %99,9 VaR için gereken çok derin kuyrukları tahmin etmek için en titiz yaklaşımdır. Uygulamada, karmaşık risk sistemleri genellikle getiri dağılımının çoğu için normal dağılımı kullanır, ancak aşırı yüzdelikler için EVT'yi kullanan ayrı bir kuyruk modeline uyar.
Kaçınılması Gereken Yaygın Hatalar
▾
- !İstenilen güven düzeyi için çok az simülasyon kullanılması, ihtiyaç duyulan VaR hassasiyetini aşan yüksek simülasyon hatası üretilmesi.
- !Gerçek getiri dağılımları yağlı kuyruklu olduğunda normal getirileri varsayarsak daha iyi kuyruk modellemesi için t dağılımını veya EVT'yi kullanın.
- !Korelasyon yapısının göz ardı edilmesi veya karmaşık faktör modellerine ihtiyaç duyulduğunda basit bir tek korelasyon varsayımının kullanılması.
- !Gama (dışbükeylik) riskini gözden kaçıran delta-normal yaklaşım kullanılarak seçenekler için tam yeniden değerleme yapılmaması.
- !Belirli tarihsel kriz senaryolarına yönelik stres testlerini desteklemeden Monte Carlo VaR'ı eksiksiz bir risk ölçümü olarak ele almak.
Uzman İpucu
Daima bir yakınsama testi yapın: Simülasyon sayısının bir fonksiyonu olarak Monte Carlo VaR tahminini çizin. Tahmin 10.000 simülasyonda hala önemli ölçüde değişiyorsa, sonuçları kullanmadan önce N'yi artırın veya varyans azaltma uygulayın.
Biliyor muydunuz?
Monte Carlo simülasyonu, II. Dünya Savaşı sırasında Los Alamos Ulusal Laboratuvarı'ndaki (Stanislaw Ulam, John von Neumann ve Nicholas Metropolis) fizikçiler tarafından nükleer reaktörlerdeki nötron difüzyonunu modellemek için geliştirildi. Adı, Ulam'ın amcasının sık sık kumar oynadığı Monako'daki Monte Carlo Kumarhanesinden geliyor. Aynı teknik artık modern finansal risk yönetiminin, ilaç etkinliği modellemesinin ve iklim değişikliği simülasyonunun temelini oluşturuyor.
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
Kaynaklar
- ›Glasserman, P .: Finans Mühendisliğinde Monte Carlo Yöntemleri, Springer (2003)
- ›Basel Komitesi: Büyük Risklerin Ölçülmesine ve Kontrolüne İlişkin Denetleyici Çerçeve (2014)
- ›McNeil, Frey & Embrechts: Kantitatif Risk Yönetimi, Princeton University Press
- ›Investopedia: Risk Yönetiminde Monte Carlo Simülasyonu
Read the full guide on how to use this calculator effectively
Devamını oku →Haftalık Matematik İpuçları Alın
Her hafta hesap makinesi ipuçları alan 12.000+ aboneye katılın.