کیا ہے Monte Carlo VaR Simulator?
▾
مونٹی کارلو وی اے آر سمولیشن خطرے کی قدر کا تخمینہ لگانے کے لیے ایک کمپیوٹیشنل نقطہ نظر ہے جو ہزاروں (یا لاکھوں) فرضی پورٹ فولیو کی واپسی کے منظرنامے تیار کرتا ہے تصادفی طور پر ماڈل کی گئی واپسی کی تقسیم سے نمونے لے کر، پھر کسی بھی اعتماد کی سطح پر VaR اور CVaR کا تخمینہ لگانے کے لیے نتیجے میں نقلی نقصان کی تقسیم کا استعمال کرتا ہے۔ پیرامیٹرک VaR کے برعکس (جو ایک مقررہ تقسیم کی شکل، عام طور پر نارمل تصور کرتا ہے) یا تاریخی تخروپن (جو مشاہدہ شدہ تاریخی منظرناموں تک محدود ہے)، مونٹی کارلو سمولیشن پیچیدہ تقسیمی مفروضوں، غیر لکیری آلات، کثیر عنصر کی نمائش، اور مکمل طور پر غیر لچکدار اثاثوں کے درمیان ارتباط کا نمونہ بنا سکتا ہے۔ مونٹی کارلو وی اے آر کا عمل ایک ماڈل بتا کر شروع ہوتا ہے کہ اثاثے کی واپسی کیسے ہوتی ہے — عام طور پر متوقع واپسیوں، اتار چڑھاؤ، اور ارتباط کے ساتھ ملٹی ویریٹ ماڈل (ممکنہ طور پر چربی کی دم یا اسٹاکسٹک اتار چڑھاؤ کے ساتھ)۔ اس تقسیم سے بے ترتیب ڈراز نقلی واپسی کے راستے تیار کرتے ہیں۔ ہر نقلی منظر نامے کے لیے، پورٹ فولیو کے منافع یا نقصان کا حساب لگایا جاتا ہے۔ اس طرح کے ہزاروں منظرناموں کے بعد، پورٹ فولیو P&L کی نتیجے میں تقسیم کی درجہ بندی کی جاتی ہے، اور VaR کو مناسب پرسنٹائل کے طور پر پڑھا جاتا ہے (مثال کے طور پر، 99% VaR کے لیے پہلا پرسنٹائل)، جب کہ CVaR اس پوائنٹ سے آگے کے تمام نقصانات کی اوسط ہے۔ مونٹی کارلو تخروپن اختیارات اور دیگر غیر لکیری مشتقات پر مشتمل پورٹ فولیوز کے لیے خاص طور پر طاقتور ہے، جہاں مارکیٹ کی چالوں کے لیے پورٹ فولیو کا ردعمل غیر لکیری ہے اور سادہ پیرامیٹرک طریقوں سے اس کا درست اندازہ نہیں لگایا جا سکتا۔ یہ راستے پر منحصر آلات (جیسے بیریئر آپشنز اور مارگیج بیکڈ سیکیورٹیز) کو بھی ماڈل بنا سکتا ہے، فیٹ ٹیلڈ ڈسٹری بیوشنز (سٹوڈنٹز ٹی، پاریٹو) کو شامل کر سکتا ہے، اور غیر متناسب واپسی کی تقسیم کو کیپچر کر سکتا ہے۔ تاہم، Monte Carlo VaR کمپیوٹیشنل طور پر گہرا ہے — ہزاروں پوزیشنوں کے ساتھ بڑے پورٹ فولیوز کو کافی کمپیوٹنگ وسائل کی ضرورت ہو سکتی ہے — اور نتائج منظرنامے بنانے کے لیے استعمال کیے جانے والے ماڈل مفروضوں کے لیے حساس ہیں۔ Monte Carlo VaR کی ایک اہم حد یہ ہے کہ یہ ماڈل کے دائرہ کار سے باہر منظرنامے نہیں بنا سکتا۔ اگر ماڈل کو حالیہ اعداد و شمار کے مطابق کیلیبریٹ کیا جاتا ہے، تو اس میں طویل دم والے خطرات سے محروم ہو سکتا ہے جو حال ہی میں مکمل نہیں ہوئے ہیں۔ یہی وجہ ہے کہ مونٹی کارلو وی اے آر کو تاریخی بحرانی حالات کا استعمال کرتے ہوئے تناؤ کی جانچ کے ساتھ ضمیمہ کرنا ضروری ہے۔ تغیر کو کم کرنے کی تکنیک (مخالف متغیرات، کنٹرول ویریٹس، سٹرٹیفائیڈ سیمپلنگ) کا استعمال کمپیوٹیشنل کارکردگی کو بہتر بنانے اور دیے گئے منظرناموں کے لیے نقلی غلطی کو کم کرنے کے لیے کیا جاتا ہے۔
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
فارمولا
▾
1. N کوریلیٹڈ ریٹرن ویکٹرز کی نقل کریں: R_sim = μ + L × Z (L=Cholesky of Σ، Z=معیاری نارمل)
2. ہر منظر نامے کے لیے پورٹ فولیو P&L کی گنتی کریں: P&L_i = پورٹ فولیو × R_sim_i
3. P&L کو بدترین سے بہترین میں ترتیب دیں۔ VaR_α = −P&L (1−α)ویں پرسنٹائل پر
4. CVaR_α = −اوسط(VAR حد سے نیچے P&L)متغیر کی تشریح
▾
| علامت | نام | اکائی | تفصیل |
|---|---|---|---|
| N | سمولیشنز کی تعداد | count | کل نقلی منظرنامے؛ خطرے کی اطلاع دینے کے لیے عام طور پر 10,000–100,000؛ اعلی درستگی والے سرمائے کے حساب کتاب کے لیے مزید۔ |
| ρ | اثاثہ ارتباط میٹرکس | ratio | اثاثوں کے درمیان جوڑے کے لحاظ سے ارتباط؛ Cholesky decomposition کے ذریعے متعلقہ بے ترتیب واپسی پیدا کرنے کے لیے استعمال کیا جاتا ہے۔ |
| σ_i | اثاثہ اتار چڑھاؤ | %/period | ہر اثاثہ i کے لیے واپسی کا معیاری انحراف؛ تاریخی اعداد و شمار سے کیلیبریٹ یا آپشن مارکیٹس سے مضمر۔ |
| VaR_MC | مونٹی کارلو وی اے آر | USD | مصنوعی P&L تقسیم سے (1−α) صد فیصد نقصان؛ پیرامیٹرک VaR کا مصنوعی مساوی۔ |
| SE_VaR | نقلی معیاری خرابی۔ | USD | مونٹی کارلو وی آر میں شماریاتی تخمینہ کی خرابی؛ √N کے ساتھ کم ہو جاتا ہے — 4× زیادہ سمولیشنز نقص کو آدھا کر دیتے ہیں۔ |
کیسے Monte Carlo VaR Simulator
▾
- 1واپسی کے ماڈل کی وضاحت کریں: تمام پورٹ فولیو اثاثوں کے لیے متوقع واپسی (μ)، معیاری انحراف (σ)، اور ارتباط میٹرکس (ρ) کی وضاحت کریں۔
- 2باہم مربوط بے ترتیب متغیرات کو پیدا کرنے کے لیے ارتباط میٹرکس کی Cholesky سڑن کو انجام دیں۔
- 3آزاد معیاری نارمل بے ترتیب نمبروں کے N سیٹ بنائیں۔ متعلقہ ریٹرن ویکٹر بنانے کے لیے Cholesky فیکٹر کا استعمال کرتے ہوئے تبدیل کریں۔
- 4ہر نقلی ریٹرن ویکٹر کے لیے پورٹ فولیو P&L کی گنتی کریں: P&L = Σ(weight_i × portfolio_value × return_i) لکیری پورٹ فولیوز کے لیے؛ اختیارات کے لیے مکمل دوبارہ تشخیص کا استعمال کریں۔
- 5تمام N نقلی P&L نتائج کو بدترین سے بہترین تک ترتیب دیں۔
- 6VaR کو پڑھیں: (1−α) × N-th مشاہدے میں نقصان (مثال کے طور پر، 10,000 نقالی کے ساتھ 99% VaR کے لیے 100 واں بدترین)۔
- 7CVaR کا حساب لگائیں: اوسط تمام نقصانات VaR سے بدتر ہیں (مثال کے طور پر، 10,000 تخروپن کے ساتھ 99% CVaR کے لیے بدترین 100 نتائج کا اوسط)۔
حل شدہ مثالیں
▾
منفی ارتباط پورٹ فولیو VaR کو نمایاں طور پر کم کرتا ہے۔
پورٹ فولیو کا سالانہ اتار چڑھاؤ ≈ √(0.6²×0.2² + 0.4²×0.05² + 2×0.6×0.4×(-0.3)×0.2×0.05) ≈ 11.7%۔ مونٹی کارلو 10,000 باہم مربوط سالانہ واپسی جوڑے تیار کرتا ہے۔ پورٹ فولیو P&L ہر ایک کے لیے شمار کیا جاتا ہے۔ بدترین 500 نتائج (5%) اوسط تقریباً 23% پورٹ فولیو = −$230,000 (CVaR)۔ 500 واں بدترین نتیجہ ≈ −17.5% = −$175,000 (VaR)۔ ارتباط کے فائدہ کے بغیر (ρ=0)، VaR تقریباً $220,000 ہو گا - منفی بانڈ اسٹاک کے ارتباط سے $45,000 خطرے میں کمی کو ظاہر کرتا ہے۔
مونٹی کارلو نے غیر لکیری گاما اثر حاصل کیا۔ پیرامیٹرک اس کی کمی محسوس کرتا ہے۔
گاما (کنویکسٹی) کی وجہ سے اختیارات میں غیر لکیری P&L ہوتے ہیں۔ ڈیلٹا نارمل VaR آپشنز کو لکیری (صرف ڈیلٹا استعمال کرتا ہے) کا تخمینہ لگاتا ہے، جو $14,000 VaR پیدا کرتا ہے۔ ہر ایک مصنوعی بنیادی قیمت کے لیے بلیک-سکولز کا استعمال کرتے ہوئے مکمل مونٹی کارلو کی تجدید مکمل غیر لکیری ردعمل کو حاصل کرتی ہے، جس سے $18,000 VaR - 29% زیادہ پیدا ہوتا ہے۔ اضافی خطرہ گاما سے آتا ہے: بڑی حرکتیں ڈیلٹا لکیری تخمینہ کی پیش گوئی سے زیادہ P&L تبدیلی کا باعث بنتی ہیں۔ بڑی آپشنز کی کتابوں کے لیے، یہ غیر خطوطی تصحیح مادی ہو سکتی ہے، جس سے مونٹی کارلو کی مکمل تجدید ضروری ہے۔
موٹی دم (ٹی ڈسٹری بیوشن) مادی طور پر زیادہ VaR پیدا کرتی ہے۔
روزانہ کے لیے σ=2%: نارمل 99% VaR = 2.326 × 2% × $10M = $465,200۔ 4 ڈگری آزادی کے ساتھ طالب علم-t کی دُم بھاری ہوتی ہے: 99واں پرسنٹائل تقریباً 3.747σ (بمقابلہ 2.326σ نارمل) ہے، VaR = 3.747 × 2% × $10M = $749,400 دیتا ہے۔ 51% فرق یہ ظاہر کرتا ہے کہ مونٹی کارلو میں معمول کو کیوں فرض کرنا دم کے خطرے کو ڈرامائی طور پر کم کر سکتا ہے۔ اصل ایکویٹی ریٹرن میں 4–8 (عام کرٹوسس = 3) کا کرٹوسس ہوتا ہے، جس سے فیٹ ٹیل ماڈل انتہائی نقصانات کا تخمینہ لگانے کے لیے کافی حد تک درست ہوتا ہے۔
معیاری خامی 1/√N کے طور پر سکڑتی ہے — 100× مزید سمز = 10× زیادہ درستگی
Monte Carlo VaR معیاری خرابی ≈ σ_portfolio × √(α(1−α)/N) / f(VaR)، جہاں f VaR کوانٹائل میں PDF ہے۔ N=100 تخروپن کے ساتھ، تخمینہ میں ±$45,000 غیر یقینی صورتحال ہے - عملی استعمال کے لیے بہت غلط ہے۔ N=10,000 ±$4,500 دیتا ہے، جو روزانہ رپورٹنگ کے لیے قابل قبول ہے۔ ریگولیٹری سرمائے کے لیے (جہاں $200,000 VaR پر $4,500 2.25% رشتہ دار غلطی ہے)، N=100,000 یا اس سے زیادہ کی ضرورت ہو سکتی ہے۔ تغیر کو کم کرنے کی تکنیک (مخالف نمونے لینے، اہمیت کے نمونے لینے) بہت کم نقلوں کے ساتھ N=100,000 کی درستگی حاصل کر سکتی ہیں۔
عملی استعمال
▾
انوسٹمنٹ بینک ٹریڈنگ بک VaR اور سرمائے کا حساب کتاب
ہیج فنڈ روزانہ خطرے کی نگرانی اور پورٹ فولیو کی اصلاح
مکمل تجدید کے ساتھ آپشن ڈیسک رسک مینجمنٹ
انشورنس کمپنی ریزرونگ اور سولوینسی II کیپٹل ماڈل
پنشن فنڈ اثاثہ ذمہ داری کا انتظام اور ذمہ داری سے چلنے والی سرمایہ کاری
خاص صورتیں
▾
عملی طور پر، اس کنارے کے معاملے میں محتاط غور و فکر کی ضرورت ہے کیونکہ معیاری مفروضے ممکن نہیں ہیں۔ monte carlo var simulator کیلکولیشنز میں اس منظر نامے کا سامنا کرتے وقت، پریکٹیشنرز کو حدود کے حالات کی تصدیق کرنی چاہیے، تقسیم بہ صفر خطرات کی جانچ کرنی چاہیے، اور غور کرنا چاہیے کہ آیا ماڈل کے مفروضے ان انتہائی حالات میں درست رہتے ہیں۔
عملی طور پر، اس کنارے کے معاملے میں محتاط غور و فکر کی ضرورت ہے کیونکہ معیاری مفروضے ممکن نہیں ہیں۔ monte carlo var simulator کیلکولیشنز میں اس منظر نامے کا سامنا کرتے وقت، پریکٹیشنرز کو حدود کے حالات کی تصدیق کرنی چاہیے، تقسیم بہ صفر خطرات کی جانچ کرنی چاہیے، اور غور کرنا چاہیے کہ آیا ماڈل کے مفروضے ان انتہائی حالات میں درست رہتے ہیں۔
عملی طور پر، اس کنارے کے معاملے میں محتاط غور و فکر کی ضرورت ہے کیونکہ معیاری مفروضے ممکن نہیں ہیں۔ monte carlo var simulator کیلکولیشنز میں اس منظر نامے کا سامنا کرتے وقت، پریکٹیشنرز کو حدود کے حالات کی تصدیق کرنی چاہیے، تقسیم بہ صفر خطرات کی جانچ کرنی چاہیے، اور غور کرنا چاہیے کہ آیا ماڈل کے مفروضے ان انتہائی حالات میں درست رہتے ہیں۔
مونٹی کارلو سمولیشن پریسجن بذریعہ نمونہ سائز
▾
| نقالی (N) | ٹیل اوبس۔ 99% پر | VaR معیاری خرابی۔ | کے لیے تجویز کردہ |
|---|---|---|---|
| 1,000 | 10 | ~15% رشتہ دار | صرف ابتدائی پروٹو ٹائپنگ |
| 10,000 | 100 | ~5% رشتہ دار | روزانہ 95% VaR رپورٹنگ |
| 100,000 | 1,000 | ~1.5% رشتہ دار | 99% VaR / ریگولیٹری رپورٹنگ |
| 1,000,000 | 10,000 | ~0.5% رشتہ دار | 99.9% اقتصادی سرمایہ |
| 10,000,000 | 100,000 | ~0.15% رشتہ دار | انشورنس انتہائی پونچھ کا تخمینہ |
اکثر پوچھے جانے والے سوالات
▾
پیرامیٹرک اور تاریخی طریقوں پر مونٹی کارلو وی آر کے کیا فوائد ہیں؟
Monte Carlo VaR تین اہم فوائد پیش کرتا ہے۔ سب سے پہلے، یہ غیر لکیری آلات (آپشنز، مارگیج بیکڈ سیکیورٹیز، سٹرکچرڈ پروڈکٹس) کو سنبھال سکتا ہے جنہیں ڈیلٹا نارمل پیرامیٹرک طریقوں سے درست طریقے سے نہیں لیا جاسکتا۔ دوسرا، یہ کسی بھی ریٹرن ڈسٹری بیوشن کو ماڈل بنا سکتا ہے — نارمل، فیٹ ٹیلڈ (ٹی ڈسٹری بیوشن)، سکیوڈ (غیر متناسب)، یا صارف کے لیے مخصوص — بجائے اس کے کہ وہ نارملٹی تک محدود ہو۔ تیسرا، یہ ایسے منظرنامے پیدا کر سکتا ہے جو تاریخی اعداد و شمار میں موجود نہیں ہیں، ممکنہ نتائج کی ایک وسیع رینج کا احاطہ کرتے ہیں۔ تاریخی تخروپن اس بات تک محدود ہے جو حقیقت میں ہوا ہے۔ مونٹی کارلو ان منظرناموں کی تقلید کر سکتا ہے جو ابھی تک نہیں ہوئے ہیں لیکن ماڈل کی تقسیم کے پیش نظر ممکن ہیں۔
قابل اعتماد مونٹی کارلو وی اے آر کے لیے کتنے سمولیشنز کی ضرورت ہے؟
تقلید کی مطلوبہ تعداد اعتماد کی سطح اور مطلوبہ درستگی پر منحصر ہے۔ 95% VaR کے لیے: N=1,000 تقریباً 50 دم مشاہدات دیتا ہے - بمشکل کافی۔ N=10,000 500 ٹیل مشاہدات دیتا ہے - عام طور پر روزانہ رپورٹنگ کے لیے کافی ہے۔ 99% VaR کے لیے: N=10,000 صرف 100 دم مشاہدات دیتا ہے۔ N=100,000 کو ترجیح دی جاتی ہے۔ 99.9% VaR (اقتصادی سرمائے) کے لیے: لاکھوں نقالی کی ضرورت ہو سکتی ہے۔ ایک اصول کے طور پر: مستحکم تخمینوں کے لیے دم میں کم از کم 100-200 مشاہدات کو ہدف بنائیں۔ تغیر کو کم کرنے کی تکنیک کمپیوٹیشنل ضروریات کو کافی حد تک کم کر سکتی ہے۔
چولیسکی سڑنا کیا ہے اور اسے مونٹی کارلو میں کیوں استعمال کیا جاتا ہے؟
Cholesky decomposition عوامل ایک ارتباط (یا covariance) میٹرکس کو ایک نچلے مثلث میٹرکس L میں اس طرح کہ LL' = Σ۔ یہ مونٹی کارلو سمولیشن میں باہم مربوط بے ترتیب متغیرات کو پیدا کرنے کے لیے استعمال کیا جاتا ہے: اگر Z آزاد معیاری نارمل بے ترتیب نمبروں کا ایک ویکٹر ہے، تو R = L × Z ہم آہنگی کی ساخت Σ کے ساتھ مربوط نارمل بے ترتیب متغیرات کا ایک ویکٹر ہے۔ اس قدم کے بغیر، تصادفی طور پر پیدا ہونے والے ریٹرن تمام اثاثوں میں آزاد ہوں گے، ان ارتباط کو نظر انداز کرتے ہوئے جو پورٹ فولیو کے خطرے کے لیے اہم ہیں۔ Cholesky decomposition کے لیے covariance میٹرکس کا مثبت سیمی ڈیفینیٹ ہونا ضروری ہے — اگر میٹرکس قریب قریب واحد ہے یا اس کی منفی قدریں ہیں (بہت سے اثاثوں کے ساتھ ممکن ہے)، ریگولرائزیشن کی تکنیک کی ضرورت ہے۔
مونٹی کارلو تخروپن میں 'جہتی کی لعنت' کیا ہے؟
جیسے جیسے خطرے کے عوامل کی تعداد (اثاثے، پیداوار کے منحنی خطوط، اتار چڑھاؤ کی سطح کے پوائنٹس) کی تعداد میں اضافہ ہوتا ہے، ملٹی ویریٹی ڈسٹری بیوشن کو مناسب طریقے سے کور کرنے کے لیے درکار نقالی کی تعداد تیزی سے بڑھتی ہے۔ 2 اثاثوں کے لیے، چند ہزار نقالی جگہ کو اچھی طرح سے ڈھانپتے ہیں۔ 100 باہم منسلک اثاثوں کے لیے، یہاں تک کہ لاکھوں نقالی بھی انتہائی مشترکہ منظرناموں کی ویرل کوریج چھوڑ سکتے ہیں۔ اس کمپیوٹیشنل چیلنج — جہتی کی لعنت — کو عنصر میں کمی (اصلاحی ساخت کا بنیادی جزو تجزیہ)، سطحی نمونے لینے، اور نیم بے ترتیب (کم تضاد) ترتیب (ہالٹن، سوبول) کے ذریعے حل کیا جاتا ہے، جو پیرامیٹر کی جگہ کو خالص طور پر یکساں طور پر ڈھانپتے ہیں۔
مونٹی کارلو وی اے آر اسٹاکسٹک اتار چڑھاؤ کو کیسے ہینڈل کرتا ہے؟
معیاری مونٹی کارلو مستقل اتار چڑھاؤ (σ) کو فرض کرتا ہے، لیکن مارکیٹ کی اصل اتار چڑھاؤ وقت کے لحاظ سے مختلف ہوتی ہے اور درمیانی طور پر واپس آتی ہے۔ اسٹاکسٹک اتار چڑھاؤ کے ماڈل (ہسٹن ماڈل، SABR ماڈل، GARCH) ماڈل اتار چڑھاؤ بذات خود ایک بے ترتیب عمل ہے۔ ہیسٹن ماڈل مونٹی کارلو میں، اثاثہ کی قیمت اور اتار چڑھاؤ کے عمل دونوں کو ایک ساتھ مربوط براؤنین حرکات کا استعمال کرتے ہوئے نقل کیا جاتا ہے، جو ایکویٹی ریٹرن اور مضمر اتار چڑھاؤ ('اتحاد کی مسکراہٹ') کے درمیان منفی تعلق کو پکڑتا ہے۔ یہ منفی ترچھی اور بھاری بائیں دم کے ساتھ زیادہ حقیقت پسندانہ P&L تقسیم پیدا کرتا ہے، خاص طور پر آپشن پورٹ فولیوز کے لیے اہم ہے جہاں ویگا رسک ( اتار چڑھاؤ کی تبدیلیوں کی حساسیت) اہم ہے۔
مونٹی کارلو وی آر میں سیمپلنگ کی اہمیت کیا ہے؟
امپورٹنس سیمپلنگ ایک تغیر کم کرنے کی تکنیک ہے جو پونچھ والے خطوں میں سمیولیشنز کو مرکوز کرتی ہے جو VaR اور CVaR تخمینہ کے لیے سب سے اہم ہے۔ یکساں طور پر نمونے لینے کے بجائے، تخروپن کا امکان زیادہ انتہائی منظرناموں کی طرف منتقل ہو جاتا ہے، اور اس تعصب کو درست کرنے کے لیے نتائج کو دوبارہ وزن دیا جاتا ہے۔ نتیجہ ایک دی گئی تعداد کے تخروپن کے لئے کہیں زیادہ دم مشاہدات ہے، جو دلچسپی کے علاقے میں VaR تخمینہ کی معیاری غلطی کو ڈرامائی طور پر کم کرتا ہے۔ اہمیت کے نمونے لینے سے 1,000,000 معیاری مونٹی کارلو سمولیشنز کی ٹیل تخمینے کی درستگی صرف 10,000-50,000 سمولیشنز کے ساتھ حاصل کی جا سکتی ہے، یہ ان اداروں کے لیے عملی ہو جاتی ہے جنہیں محدود کمپیوٹیشنل وسائل کے ساتھ اعلیٰ درستگی والے VaR کی ضرورت ہوتی ہے۔
واپسی کی تقسیم کا انتخاب مونٹی کارلو وی آر کو کیسے متاثر کرتا ہے؟
تقسیمی مفروضہ مونٹی کارلو وی اے آر میں واحد سب سے اہم ماڈل انتخاب ہے۔ عام تقسیم کا استعمال دم کے خطرے کو کم کرتا ہے کیونکہ حقیقی مالی منافع لیپٹوکرٹک (چربی کی دم والا) اور اکثر منفی طور پر ترچھا ہوتا ہے۔ 4-8 ڈگری آزادی کے ساتھ طالب علم کی ٹی ڈسٹری بیوشن عام طور پر ایکویٹی ریٹرن کو بہتر بناتی ہے اور 99 فیصد اعتماد پر 30-80% زیادہ VaR پیدا کرتی ہے۔ ایکسٹریم ویلیو تھیوری (EVT) - خاص طور پر ٹیل ماڈلنگ کے لیے عمومی پیریٹو ڈسٹری بیوشن - 99.9% VaR کے لیے درکار انتہائی گہری دموں کا تخمینہ لگانے کے لیے سب سے سخت طریقہ ہے۔ عملی طور پر، جدید ترین رسک سسٹم اکثر واپسی کی زیادہ تر تقسیم کے لیے نارمل ڈسٹری بیوشن کا استعمال کرتے ہیں لیکن انتہائی پرسنٹائلز کے لیے EVT کا استعمال کرتے ہوئے ایک علیحدہ ٹیل ماڈل فٹ کرتے ہیں۔
عام غلطیاں جن سے بچنا ہے
▾
- !مطلوبہ اعتماد کی سطح کے لیے بہت کم سمولیشنز کا استعمال، اعلی نقلی غلطی پیدا کرنا جو VaR کی درستگی سے زیادہ ہے۔
- !جب حقیقی واپسی کی تقسیم فیٹ ٹیلڈ ہو تو نارمل ریٹرن کو فرض کرنا — بہتر ٹیل ماڈلنگ کے لیے t-ڈسٹری بیوشن یا EVT استعمال کریں۔
- !جب پیچیدہ فیکٹر ماڈلز کی ضرورت ہو تو ارتباط کے ڈھانچے کو نظر انداز کرنا یا ایک سادہ واحد ارتباطی مفروضہ استعمال کرنا۔
- !ڈیلٹا نارمل تخمینہ کا استعمال کرتے ہوئے اختیارات کے لیے مکمل دوبارہ تشخیص نہیں کرنا جو گاما (کنویکسٹی) کے خطرے سے محروم ہے۔
- !مونٹی کارلو وی اے آر کو مخصوص تاریخی بحرانی منظرناموں کے لیے تناؤ کے ٹیسٹوں کی تکمیل کے بغیر خطرے کی مکمل پیمائش کے طور پر علاج کرنا۔
پرو ٹپ
ہمیشہ کنورجنسی ٹیسٹ چلائیں: پلاٹ مونٹی کارلو وی اے آر تخمینہ کو سمولیشن کی تعداد کے فنکشن کے طور پر۔ اگر تخمینہ اب بھی 10,000 سمولیشنز پر مادی طور پر تبدیل ہو رہا ہے، تو نتائج کو استعمال کرنے سے پہلے N میں اضافہ کریں یا تغیر میں کمی کا اطلاق کریں۔
کیا آپ جانتے ہیں؟
مونٹی کارلو تخروپن کو دوسری جنگ عظیم کے دوران لاس الاموس نیشنل لیبارٹری کے طبیعیات دانوں نے تیار کیا تھا — اسٹینسلاو الام، جان وون نیومن، اور نکولس میٹروپولیس — جوہری ری ایکٹرز میں نیوٹران کے پھیلاؤ کو ماڈل بنانے کے لیے۔ یہ نام موناکو کے مونٹی کارلو کیسینو سے آیا ہے، جہاں علم کے چچا اکثر جوا کھیلا کرتے تھے۔ یہی تکنیک اب جدید مالیاتی رسک مینجمنٹ، منشیات کی افادیت کی ماڈلنگ، اور موسمیاتی تبدیلی کے تخروپن کو فروغ دیتی ہے۔
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
حوالہ جات
ہفتہ وار ریاضی کی تجاویز حاصل کریں۔
ان 12,000+ سبسکرائبرز میں شامل ہوں جو ہر ہفتے کیلکولیٹر ٹپس حاصل کرتے ہیں۔