原文鏈接:http://tecdat.cn/?p=22862?

最近我們被客戶要求撰寫關(guān)于風(fēng)險(xiǎn)價(jià)值VaR的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。

風(fēng)險(xiǎn)價(jià)值 (VaR) 是一種統(tǒng)計(jì)數(shù)據(jù)，用于量化公司、投資組合在特定時(shí)間范圍內(nèi)可能發(fā)生的財(cái)務(wù)損失程度?（?點(diǎn)擊文末“閱讀原文”獲取完整代碼數(shù)據(jù)********?）。

什么是風(fēng)險(xiǎn)價(jià)值（VaR）？

該指標(biāo)最常被投資銀行和商業(yè)銀行用來確定其機(jī)構(gòu)投資組合中潛在損失的程度和概率。

風(fēng)險(xiǎn)管理人員使用 VaR 來衡量和控制風(fēng)險(xiǎn)暴露水平。人們可以將 VaR 計(jì)算應(yīng)用于特定或整個(gè)投資組合，或使用它們來衡量公司范圍內(nèi)的風(fēng)險(xiǎn)敞口。

?

關(guān)鍵要點(diǎn)

• 風(fēng)險(xiǎn)價(jià)值 (VaR) 是一種量化公司或投資潛在損失風(fēng)險(xiǎn)的方法。

• 該度量可以通過多種方式計(jì)算，包括歷史、方差-協(xié)方差和蒙特卡洛方法。

• 盡管 VaR 作為一種風(fēng)險(xiǎn)度量在行業(yè)中很受歡迎，但它也存在不足之處。

?

了解風(fēng)險(xiǎn)價(jià)值 (VaR)

VaR 模型確定了被評估實(shí)體的潛在損失以及發(fā)生定義損失的概率。一種方法是通過評估潛在損失的數(shù)量、損失數(shù)量的發(fā)生概率和時(shí)間范圍來衡量 VaR。

例如，一家金融公司可能會確定一項(xiàng)資產(chǎn)的 3% 的 1 個(gè)月 VaR 為 2%，這表示資產(chǎn)在 1 個(gè)月的時(shí)間范圍內(nèi)價(jià)值下降 2% 的可能性為 3%。將 3% 的發(fā)生幾率轉(zhuǎn)換為每日比率后，每月 1 天發(fā)生 2% 的損失幾率。

?

風(fēng)險(xiǎn)價(jià)值方法論

計(jì)算 VaR 的方法主要有 3 種。

第一種是歷史方法，它著眼于一個(gè)人之前的收益歷史。

第二種是方差-協(xié)方差法。這種方法假設(shè)收益和損失是正態(tài)分布的。

最后一種方法是進(jìn)行蒙特卡羅模擬。該技術(shù)使用計(jì)算模型來模擬數(shù)百或數(shù)千次可能迭代的期望收益。

?

歷史方法

歷史方法只是重新組織實(shí)際的歷史收益，將它們從最差到最好的順序排列。然后從風(fēng)險(xiǎn)的角度假設(shè)歷史會重演。

作為一個(gè)歷史例子，讓我們看一下納斯達(dá)克 100 ETF。如果我們計(jì)算每天的收益，我們會產(chǎn)生豐富的數(shù)據(jù)設(shè)置超過 1,400 點(diǎn)。讓我們將它們放在一個(gè)直方圖中。例如，在直方圖的最高點(diǎn)（最高柱），有超過 250 天的日收益率在 0% 到 1% 之間。在最右邊，你幾乎看不到一個(gè) 10% 的小條；它代表了 5 年多內(nèi)的一天（2000 年 1 月），每日收益率達(dá)到了驚人的 9.4%。4

請注意構(gòu)成直方圖“左尾”的紅色條。這些是每日收益率最低的 5%（因?yàn)槭找媛适菑淖蟮接遗判虻模宰畈畹目偸恰白笪病保?。紅條從每日損失 4% 到 8% 不等。因?yàn)檫@些是所有每日收益中最差的 5%，我們可以有 95% 的信心說，最差的每日損失不會超過 4%。換句話說，我們有 95% 的信心預(yù)計(jì)我們的收益將超過 -4%。簡而言之，這就是 VaR。

?

方差-協(xié)方差法，也稱為參數(shù)法

?

該方法假設(shè)股票收益是正態(tài)分布的。換句話說，它只要求我們估計(jì)兩個(gè)因素——期望（或平均）收益和標(biāo)準(zhǔn)差——這使我們能夠繪制正態(tài)分布曲線。在這里，我們根據(jù)相同的實(shí)際收益數(shù)據(jù)?繪制正態(tài)曲線：

方差-協(xié)方差背后的思想類似于歷史方法背后的思想——除了我們使用熟悉的曲線而不是實(shí)際數(shù)據(jù)。正態(tài)曲線的優(yōu)點(diǎn)是我們可以自動知道最差的 5% 和 1% 在曲線上的位置。它們是我們期望的置信度和標(biāo)準(zhǔn)偏差的函數(shù)。

信心# 標(biāo)準(zhǔn)偏差 (σ)95%（高）- 1.65 x σ99%（非常高）- 2.33 x σ

上面的藍(lán)色曲線是實(shí)際每日標(biāo)準(zhǔn)差，即2.64%。平均每日收益恰好接近于零，因此為了說明目的，我們將假設(shè)平均收益為零。以下是將實(shí)際標(biāo)準(zhǔn)差代入上述公式的結(jié)果：

信心?σ計(jì)算等于95%（高）- 1.65 x σ- 1.65 x (2.64%) =-4.36%99%（非常高）- 2.33 x σ- 2.33 x (2.64%) =-6.15%

我們有95%的信心說，最差的每日損失不會超過-4.36%

蒙特卡洛模擬

第三種方法涉及為未來股票價(jià)格收益開發(fā)一個(gè)模型，并通過該模型運(yùn)行多個(gè)假設(shè)試驗(yàn)。蒙特卡洛模擬是指任何隨機(jī)生成試驗(yàn)的方法，但它本身并沒有告訴我們?nèi)魏斡嘘P(guān)基礎(chǔ)方法的信息?。

對于大多數(shù)用戶來說，蒙特卡洛模擬相當(dāng)于一個(gè)隨機(jī)、概率結(jié)果的“黑匣子”生成器。在不深入細(xì)節(jié)的情況下，我們根據(jù)其歷史交易模式進(jìn)行了蒙特卡羅模擬。在我們的模擬中，進(jìn)行了 700 次試驗(yàn)。如果我們再次運(yùn)行它，我們會得到不同的結(jié)果——盡管差異很可能會縮小。

總而言之，我們對月收益進(jìn)行了 700 次假設(shè)試驗(yàn)。其中，5個(gè)結(jié)果在-5%和-7%之間；2個(gè)在 -7% 和 -9% 之間。這意味著最差的7個(gè)結(jié)果（即最差的 1%）低于 -5%。因此，蒙特卡羅模擬得出以下 VaR 類型的結(jié)論：在 99% 的置信度下，我們預(yù)計(jì)在任何給定月份的損失不會超過 5%。

?

風(fēng)險(xiǎn)價(jià)值 (VaR) 的優(yōu)勢

1. 易于理解

風(fēng)險(xiǎn)價(jià)值是一個(gè)數(shù)字，表示給定投資組合的風(fēng)險(xiǎn)程度。風(fēng)險(xiǎn)價(jià)值以價(jià)格單位或百分比來衡量。這使得 VaR 的解釋和理解相對簡單。

2. 適用性

風(fēng)險(xiǎn)價(jià)值適用于所有類型的資產(chǎn)——債券、股票、衍生品、貨幣等。因此，不同的銀行和金融機(jī)構(gòu)可以很容易地使用 VaR 來評估不同投資的盈利能力和風(fēng)險(xiǎn)，并根據(jù) VaR 分配風(fēng)險(xiǎn).

3.通用

風(fēng)險(xiǎn)價(jià)值數(shù)字被廣泛使用，因此它是購買、出售或推薦資產(chǎn)的公認(rèn)標(biāo)準(zhǔn)。

?

風(fēng)險(xiǎn)價(jià)值的限制

1. 大型投資組合

計(jì)算投資組合的風(fēng)險(xiǎn)價(jià)值不僅需要計(jì)算每種資產(chǎn)的風(fēng)險(xiǎn)和收益，還需要計(jì)算它們之間的相關(guān)性。因此，投資組合中資產(chǎn)的數(shù)量或多樣性越大，計(jì)算 VaR 的難度就越大。

2.方法不同

計(jì)算 VaR 的不同方法可能導(dǎo)致相同投資組合的不同結(jié)果。

3. 假設(shè)

VaR 的計(jì)算需要做出一些假設(shè)并將其用作輸入。如果假設(shè)無效，那么 VaR 數(shù)字也無效。

?

?

如何使用Python通過蒙特卡洛模擬自動計(jì)算風(fēng)險(xiǎn)值（VaR）來管理投資組合或股票的金融風(fēng)險(xiǎn)？

我們將首先通過導(dǎo)入所需的庫和函數(shù)

#導(dǎo)入所有需要的庫 import?matplotlib.pyplot?as?plt import?numpy?as?np import?pandas?as?pd

為了我們項(xiàng)目的目的，我考慮了過去兩年的 股票。

?for?i?in?range(len):??web.get_data(tickers[i]? stocks.tail()

下一步，我們將計(jì)算每個(gè)資產(chǎn)的組合權(quán)重?？梢酝ㄟ^實(shí)現(xiàn)最大夏普比率來計(jì)算資產(chǎn)權(quán)重。

#年化收益率 historical_return(stocks) #投資組合的樣本方差 sample_cov#夏普比率 EffFro(mu,?Sigma,?weight_bounds=(0,1))?#負(fù)數(shù)的權(quán)重界限允許做空股票 max_sharpe()?#可以使用增加目標(biāo)來確保單個(gè)股票的最小零權(quán)重

最大夏普比率的資產(chǎn)權(quán)重

資產(chǎn)權(quán)重將被用于計(jì)算投資組合的期望收益。

#VaR計(jì)算 rx2?=?[]#換為最大夏普比率的資產(chǎn)權(quán)重 list(sharpe.values())

現(xiàn)在，我們將把投資組合的股票價(jià)格轉(zhuǎn)換為累計(jì)收益，這也可以被視為本項(xiàng)目的持有期收益（HPR）。

???tick??=?(tick??+1).cumprod()

#畫出所有股票的累積/HPR的圖形 tick[col].plot()plt

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

風(fēng)險(xiǎn)價(jià)值VaR（Value at Risk）和損失期望值ES（Expected shortfall）的估計(jì)

左右滑動查看更多

01

02

03

04

現(xiàn)在，我們將挑選出每個(gè)資產(chǎn)的最新HPR，并使用.dot()函數(shù)將收益率與計(jì)算出的資產(chǎn)權(quán)重相乘。

sigma?=?pre.std() price=price.dot(sh_wt)?#計(jì)算加權(quán)值

在計(jì)算了投資組合的期望收益和波動率（期望收益的標(biāo)準(zhǔn)差）后，我們將設(shè)置并運(yùn)行蒙特卡洛模擬。我使用的時(shí)間是1440（一天中的分鐘數(shù)），模擬運(yùn)行20,000次。時(shí)間步長可以根據(jù)要求改變。我使用了一個(gè)95%的置信區(qū)間。

for?j?in?range(20000):?#20000次模擬運(yùn)行(rtn/Time,sigma/?sqrt(Time),Time) plt(np.percentile(daily_returns,5)

1440分鐘內(nèi)一天的收益范圍 | 紅色 - 最小損失 | 黑色 - 最小收益

將收益率的分布圖可視化，我們可以看到以下圖表

plt.hist(returns) plt.show()

輸出上限和下限的準(zhǔn)確值，并假設(shè)我們的投資組合價(jià)值為1000元，我們將計(jì)算出應(yīng)該保留的資金數(shù)額彌補(bǔ)我們的最低損失。

print(percentile(?returns,5),percentile(?returns,95))?VaR?-?在5%的概率下，最小損失為5.7%，同樣，在5%的概率下，收益可以高于15%

每天的最低損失是1.29%，概率為5%。

所得金額將標(biāo)志著每天彌補(bǔ)你的損失所需的金額。這個(gè)結(jié)果也可以解釋為你的投資組合在5%的概率下將面臨的最低損失。

總結(jié)

上面的方法顯示了我們?nèi)绾斡?jì)算投資組合的風(fēng)險(xiǎn)價(jià)值（VaR）。對于使用現(xiàn)代投資組合理論（MPT）計(jì)算一定數(shù)量的投資組合，有助于鞏固你對投資組合分析和優(yōu)化的理解。最后，VaR與蒙特卡洛模擬模型配合使用，也可用于通過股價(jià)預(yù)測損失和收益。這可以通過將產(chǎn)生的每日收益值與各自股票的最終價(jià)格相乘來實(shí)現(xiàn)。

點(diǎn)擊文末?“閱讀原文”

獲取全文完整資料。

本文選自《Python蒙特卡羅（Monte Carlo）模擬計(jì)算投資組合的風(fēng)險(xiǎn)價(jià)值（VaR）》。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語言風(fēng)險(xiǎn)價(jià)值：ARIMA，GARCH，Delta-normal法滾動估計(jì)VaR（Value at Risk）和回測分析股票數(shù)據(jù)
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進(jìn)行股價(jià)預(yù)測Matlab馬爾可夫鏈蒙特卡羅法（MCMC）估計(jì)隨機(jī)波動率（SV，Stochastic Volatility） 模型R語言中實(shí)現(xiàn)馬爾可夫鏈蒙特卡羅MCMC模型R語言BUGS/JAGS貝葉斯分析: 馬爾科夫鏈蒙特卡洛方法（MCMC）采樣R語言使用蒙特卡洛模擬進(jìn)行正態(tài)性檢驗(yàn)及可視化R語言蒙特卡洛計(jì)算和快速傅立葉變換計(jì)算矩生成函數(shù)NBA體育決策中的數(shù)據(jù)挖掘分析：線性模型和蒙特卡羅模擬Python風(fēng)險(xiǎn)價(jià)值計(jì)算投資組合VaR（Value at Risk ）、期望損失ES（Expected Shortfall）GARCH（1,1），MA以及歷史模擬法的VaR比較Python計(jì)算股票投資組合的風(fēng)險(xiǎn)價(jià)值（VaR）R語言求風(fēng)險(xiǎn)價(jià)值VaR Value at RiskR語言基于ARMA-GARCH-VaR模型擬合和預(yù)測實(shí)證研究分析案例R語言風(fēng)險(xiǎn)價(jià)值VaR（Value at Risk）和損失期望值ES（Expected shortfall）的估計(jì)R語言基于ARMA-GARCH過程的VaR擬合和預(yù)測GARCH（1,1），MA以及歷史模擬法的VaR比較matlab使用Copula仿真優(yōu)化市場風(fēng)險(xiǎn)數(shù)據(jù)VaR分析?R語言GARCH模型對股市sp500收益率bootstrap、滾動估計(jì)預(yù)測VaR、擬合診斷和蒙特卡羅模擬可視化
R語言單變量和多變量（多元）動態(tài)條件相關(guān)系數(shù)DCC-GARCH模型分析股票收益率金融時(shí)間序列數(shù)據(jù)波動率
R語言中的時(shí)間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價(jià)格
GARCH-DCC模型和DCC（MVT）建模估計(jì)
R語言預(yù)測期貨波動率的實(shí)現(xiàn)：ARCH與HAR-RV與GARCH，ARFIMA模型比較
ARIMA、GARCH 和 VAR模型估計(jì)、預(yù)測ts 和 xts格式時(shí)間序列
PYTHON用GARCH、離散隨機(jī)波動率模型DSV模擬估計(jì)股票收益時(shí)間序列與蒙特卡洛可視化
極值理論 EVT、POT超閾值、GARCH 模型分析股票指數(shù)VaR、條件CVaR：多元化投資組合預(yù)測風(fēng)險(xiǎn)測度分析
Garch波動率預(yù)測的區(qū)制轉(zhuǎn)移交易策略
金融時(shí)間序列模型ARIMA 和GARCH 在股票市場預(yù)測應(yīng)用
時(shí)間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價(jià)格
R語言風(fēng)險(xiǎn)價(jià)值：ARIMA，GARCH，Delta-normal法滾動估計(jì)VaR（Value at Risk）和回測分析股票數(shù)據(jù)
R語言GARCH建模常用軟件包比較、擬合標(biāo)準(zhǔn)普爾SP 500指數(shù)波動率時(shí)間序列和預(yù)測可視化
Python金融時(shí)間序列模型ARIMA 和GARCH 在股票市場預(yù)測應(yīng)用
MATLAB用GARCH模型對股票市場收益率時(shí)間序列波動的擬合與預(yù)測
R語言極值理論 EVT、POT超閾值、GARCH 模型分析股票指數(shù)VaR、條件CVaR：多元化投資組合預(yù)測風(fēng)險(xiǎn)測度分析
Python 用ARIMA、GARCH模型預(yù)測分析股票市場收益率時(shí)間序列
R語言中的時(shí)間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價(jià)格
R語言ARIMA-GARCH波動率模型預(yù)測股票市場蘋果公司日收益率時(shí)間序列
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進(jìn)行股價(jià)預(yù)測
R語言時(shí)間序列GARCH模型分析股市波動率
R語言ARMA-EGARCH模型、集成預(yù)測算法對SPX實(shí)際波動率進(jìn)行預(yù)測
matlab實(shí)現(xiàn)MCMC的馬爾可夫轉(zhuǎn)換ARMA - GARCH模型估計(jì)
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進(jìn)行股價(jià)預(yù)測
使用R語言對S＆P500股票指數(shù)進(jìn)行ARIMA + GARCH交易策略
R語言用多元ARMA,GARCH ,EWMA, ETS,隨機(jī)波動率SV模型對金融時(shí)間序列數(shù)據(jù)建模
R語言股票市場指數(shù)：ARMA-GARCH模型和對數(shù)收益率數(shù)據(jù)探索性分析
R語言多元Copula GARCH 模型時(shí)間序列預(yù)測
R語言使用多元AR-GARCH模型衡量市場風(fēng)險(xiǎn)
R語言中的時(shí)間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價(jià)格
R語言用Garch模型和回歸模型對股票價(jià)格分析
GARCH（1,1），MA以及歷史模擬法的VaR比較
matlab估計(jì)arma garch 條件均值和方差模型