استفاده از روش تجارت با استفاده از MA

ارزش در ریسک (VAR) برای مدیریت ریسک تجارت الگوریتمی - قسمت اول

ارزش در ریسک (VAR) برای مدیریت ریسک تجارت الگوریتمی - قسمت اول

به روز شده برای Python 3. 10 فوریه 2023

تخمین خطر ضرر در یک استراتژی تجارت الگوریتمی یا نمونه کارها استراتژی ها برای رشد سرمایه بلند مدت از اهمیت بالایی برخوردار است. بسیاری از تکنیک های مدیریت ریسک برای استفاده در تنظیمات نهادی توسعه یافته است. یک تکنیک به طور خاص ، که به عنوان ارزش در ریسک یا VAR شناخته می شود ، موضوع این مقاله خواهد بود.

ما مفهوم VAR را در یک استراتژی واحد یا مجموعه ای از استراتژی ها به کار خواهیم برد تا به ما کمک کنیم تا ریسک را در سبد معاملاتی خود تعیین کنیم. تعریف VAR به شرح زیر است:

VAR تخمین ، تحت یک درجه اطمینان خاص ، از اندازه ضرر از یک نمونه کارها در یک دوره زمانی معین را ارائه می دهد.

در این مثال "نمونه کارها" می تواند به یک استراتژی واحد ، گروهی از استراتژی ها ، کتاب معامله گر ، یک میز غرفه ، یک صندوق پرچین یا یک بانک سرمایه گذاری کامل مراجعه کند."درجه اعتماد به نفس داده شده" ارزش مثلاً 95 ٪ یا 99 ٪ خواهد بود."دوره زمانی داده شده" برای منعکس کردن مواردی که در صورت انحلال یک نمونه کارها منجر به تأثیر حداقل بازار می شود ، انتخاب می شود.

به عنوان مثال ، VAR برابر با 500000 دلار در سطح اطمینان 95 ٪ برای یک دوره زمانی روز به سادگی بیان می کند که احتمال 95 ٪ از دست دادن بیش از 500000 دلار در روز بعد وجود دارد. از نظر ریاضی این گفته شده است:

شروع p (l le q-5. 0 بارها 10^5) = 0. 05 پایان

یا به طور کلی ، برای از دست دادن $ L $ بیش از ارزش $ var $ با سطح اطمینان $ c $ ما:

شروع p (l le q-var) = 1-c پایان

محاسبه "استاندارد" VAR فرضیات زیر را ایجاد می کند:

• شرایط استاندارد بازار-قرار نیست VAR حوادث شدید یا "خطر دم" را در نظر بگیرد ، بلکه قرار است انتظار ضرر را تحت عملیات "روز به روز" طبیعی فراهم کند.
• نوسانات و همبستگی ها - VAR به نوسانات دارایی های مورد نظر و همچنین همبستگی مربوط به آنها نیاز دارد. این دو مقدار برای تخمین مشکل دارند و در معرض تغییر مداوم هستند.
• نرمال بودن بازده - VAR ، در فرم استاندارد خود ، فرض می کند که بازده دارایی یا نمونه کارها به طور معمول توزیع می شود. این منجر به محاسبه تحلیلی ساده تر می شود ، اما برای بیشتر دارایی ها کاملاً غیر واقعی است.

مزایا و معایب

VAR در صنعت مالی فراگیر است ، از این رو شما باید با مزایا و اشکال این تکنیک آشنا باشید. برخی از مزایای VAR به شرح زیر است:

• VAR برای محاسبه دارایی های فردی ، استراتژی های ALGO ، اوراق بهادار کمی ، صندوق های تامینی یا حتی میزهای بانکی بسیار ساده است.
• دوره زمانی مرتبط با VAR را می توان برای چندین استراتژی معاملاتی که دارای افق زمانی مختلف هستند اصلاح کرد.
• مقادیر مختلف VAR می تواند با اشکال مختلف ریسک همراه باشد ، می گویند توسط کلاس دارایی یا نوع ابزار شکسته شده است. این امر باعث می شود تفسیر آسان شود که در آن ممکن است اکثریت ریسک نمونه کارها خوشه بندی شوند.
• استراتژی های فردی را می توان محدود کرد که می تواند کل اوراق بهادار بر اساس VAR فردی آنها باشد.
• VAR برای تفسیر (بالقوه) سرمایه گذاران خارجی غیر فنی و مدیران صندوق ساده است.

با این حال ، VAR بدون مضرات آن نیست:

• VAR در مورد بزرگی از دست دادن مورد انتظار فراتر از مقدار VAR بحث نمی کند ، یعنی به ما می گوید که ما به احتمال زیاد شاهد ضرر بیش از یک مقدار هستیم ، اما نه چقدر از آن فراتر می رود.
• این رویدادهای شدید را در نظر نمی گیرد ، بلکه فقط شرایط معمولی در بازار است.
• از آنجا که از داده های تاریخی استفاده می کند (به نظر می رسد عقب است) ، تغییرات رژیم بازار آینده را در نظر نمی گیرد که می تواند نوسانات و همبستگی دارایی ها را تغییر دهد.

VAR نباید در انزوا استفاده شود. همیشه باید با مجموعه ای از تکنیک های مدیریت ریسک ، مانند تنوع ، تخصیص نمونه کارها بهینه و استفاده محتاطانه از اهرم استفاده شود.

روش محاسبه

با این حال ، ما در مورد محاسبه واقعی VAR ، یا در مورد کلی یا یک مثال معاملاتی مشخص ، بحث نکرده ایم. سه تکنیک وجود دارد که مورد توجه ما قرار خواهد گرفت. روش اول روش واریانس کواریانس (با استفاده از فرضیات نرمال بودن) است ، دوم یک روش مونت کارلو (بر اساس توزیع اساسی ، بالقوه غیر طبیعی ، توزیع) و سوم به عنوان بوت استراپ تاریخی شناخته می شود ، که باعث می شود از اطلاعات بازده تاریخی استفاده شودبرای دارایی های مورد نظر

در این مقاله ما بر روش واریانس کواریانس تمرکز خواهیم کرد و در مقالات بعدی روشهای بوت استرپ مونت کارلو و تاریخی را در نظر خواهیم گرفت.

روش واریانس

یک سبد دلار P $ P را با سطح اطمینان $ C $ در نظر بگیرید. ما در حال بازده روزانه هستیم ، با دارایی (یا استراتژی) انحراف استاندارد تاریخی $ sigma $ و به معنی $ mu $ است. سپس VAR روزانه ، تحت روش واریانس کواریانس برای یک دارایی واحد (یا استراتژی) به این صورت محاسبه می شود:

شروع p - سمت چپ (p ( alpha ( 1-c) + 1) راست) end

در جایی که $ alpha $ معکوس عملکرد توزیع تجمعی یک توزیع عادی با میانگین $ mu $ و انحراف استاندارد $ sigma $ است.

برای محاسبه این مقادیر می توانیم از کتابخانه های SCIPY و PANDAS از پایتون استفاده کنیم. اگر $ p = 10^6 $ و $ c = 0. 99 $ را تنظیم کنیم ، می توانیم از روش SCIPY PPF استفاده کنیم تا مقادیر عملکرد توزیع تجمعی معکوس را به یک توزیع عادی با $ mu $ و $ sigma $ بدست آوریم ازبرخی از داده های مالی واقعی ، در این حالت ، بازده روزانه تاریخی Citigroup (ما به راحتی می توانیم بازده یک استراتژی الگوریتمی را در اینجا جایگزین کنیم): < SPAN> یک سبد دلار P $ P را در نظر بگیرید ، با سطح اطمینان C $. ما در حال بازده روزانه هستیم ، با دارایی (یا استراتژی) انحراف استاندارد تاریخی $ sigma $ و به معنی $ mu $ است. سپس VAR روزانه ، تحت روش واریانس کواریانس برای یک دارایی واحد (یا استراتژی) به این صورت محاسبه می شود:

 شروع p -  سمت چپ (p ( alpha ( 1-c) + 1)  راست)  end 

در جایی که $ alpha $ معکوس عملکرد توزیع تجمعی یک توزیع عادی با میانگین $ mu $ و انحراف استاندارد $ sigma $ است.

برای محاسبه این مقادیر می توانیم از کتابخانه های SCIPY و PANDAS از پایتون استفاده کنیم. اگر $ p = 10^6 $ و $ c = 0. 99 $ را تنظیم کنیم ، می توانیم از روش SCIPY PPF استفاده کنیم تا مقادیر عملکرد توزیع تجمعی معکوس را به یک توزیع عادی با $  mu $ و $  sigma $ بدست آوریم ازبرخی از داده های مالی واقعی ، در این حالت بازده روزانه تاریخی Citigroup (ما به راحتی می توانیم بازده یک استراتژی الگوریتمی را در اینجا جایگزین کنیم): یک نمونه کارها به دلار دلار دلار دلار ، با سطح اطمینان C $ C را در نظر بگیرید. ما در حال بازده روزانه هستیم ، با دارایی (یا استراتژی) انحراف استاندارد تاریخی $  sigma $ و به معنی $  mu $ است. سپس VAR روزانه ، تحت روش واریانس کواریانس برای یک دارایی واحد (یا استراتژی) به این صورت محاسبه می شود: 

شروع p - سمت چپ (p ( alpha ( 1-c) + 1) راست) end

در جایی که $ alpha $ معکوس عملکرد توزیع تجمعی یک توزیع عادی با میانگین $ mu $ و انحراف استاندارد $ sigma $ است.

برای محاسبه این مقادیر می توانیم از کتابخانه های SCIPY و PANDAS از پایتون استفاده کنیم. اگر $ p = 10^6 $ و $ c = 0. 99 $ را تنظیم کنیم ، می توانیم از روش SCIPY PPF استفاده کنیم تا مقادیر عملکرد توزیع تجمعی معکوس را به یک توزیع عادی با $ mu $ و $ sigma $ بدست آوریم ازبرخی از داده های مالی واقعی ، در این حالت بازده روزانه تاریخی Citigroup (ما به راحتی می توانیم بازده یک استراتژی الگوریتمی را در اینجا جایگزین کنیم):

# var. py واردات numpy به عنوان np واردات پاندا به عنوان pd از scipy. stats واردات هنجار def creat_dataframe (CSV): "" "خواندن داده های قیمت گذاری CSV را برای داده های C OHLCV از 01/01/2010-01/01/2014 به یک وارد کنید. DataFrame. پارامترها ------------- CSV: `CSV` CSV پرونده حاوی داده های قیمت گذاری/2010-01/01/2014. فهرست یک شیء DateTime است. "" " # اطلاعات سهام TS = PD. READ_CSV (CSV) TS = TS. Set_Index (pd. dateTimeIndex (ts ['Date']) را برگردانید. def create_retus_series (ts): "" "ایجاد سری بازگشت از OHLCV dataframe. پارامترها ---------- ts:` pd. dataframe` a dataframe حاوی داده های C OHLCV از 01/01/2010-01/01/2014. فهرست یک شیء DateTime است. بازده ------- TS: `PD. DataFrame یک تاریخ با داده OHCLV و یک سری بازده."Adj Close"]. PCT_CHANGE () TS DEF _VAR_COV_VAR (P ، C ، MU ، SIGMA): "" "محاسبه واریانس-کواریانس از ارزش روزانه در معرض خطرسطح FIVENCE C ، با میانگین بازده MU و انحراف استاندارد از بازده Sigma ، بر روی نمونه کارها از ارزش P. پارامترها ---------- P: `int` ارزش نمونه کارها. ج: سطح اطمینان float`. MU: `float` میانگین سری بازگشت. سیگما: انحراف استاندارد "Float`" از سری بازده ها. بازگشت ------- `float` اندازه گیری واریانس کواریانس."" "alpha = norm. ppf (1-c ، mu ، sigma) بازگشت p-p*(alpha + 1) def var (rets):" "" "" "پارامترهای محاسبه واریانس-کواریانس. پارامترها ---------- RETS: `PD. DataFrame` OHLCV DataFrame با سری Retus. بازگشت ------- "شناور" واریانس کواریانس."" "P = 1E6 # 1،000،000 USD C = 0. 99 # 99 ٪ فاصله اطمینان MU = NP. Mean (RETS [" RETS "]) SIGMA = NP. STD (RETS [" RETS "]) بازگشت _VAR_COV_VAR (P ، C ، C ، C ، Cmu ، sigma) اگر __name__ == "__main__": # پرونده CSV از داده های OHLCV برای C از 1/1/2010 تا 1/1/2014 CSV = "مسیر/به/csv/csv" citi = CREATE_DATAFRAME (CSV) RETSS RETSS= create_retus_series (citi) var = var (rets) print (f "ارزش-خطر: $")

مقدار محاسبه شده VAR توسط:

در معرض خطر: 56503. 13 دلار

VAR یک تکنیک بسیار مفید و فراگیر در همه زمینه های مدیریت مالی است ، اما بدون نقص آن نیست. ما هنوز در مورد ارزش واقعی آنچه می توان در یک نمونه کارها از دست داد ، بحث نکرده ایم ، بلکه فقط این است که ممکن است برخی از زمان ها از مقدار مشخصی فراتر رود.

در مقالات پیگیری ، ما نه تنها در مورد محاسبات جایگزین برای VAR بحث خواهیم کرد ، بلکه مفهوم کمبود مورد انتظار را نیز بیان می کنیم (که به عنوان ارزش مشروط در معرض خطر نیز شناخته می شود) ، که پاسخی به میزان از دست دادن احتمال دارد.

qsalpha

به پلت فرم تحقیق QSALPHA بپیوندید که به پر کردن خط لوله تحقیق استراتژی شما کمک می کند ، نمونه کارها را متنوع می کند و بازده تنظیم شده ریسک را برای افزایش سودآوری بهبود می بخشد.