Narito ipinaliwanag namin kung paano i-convert ang halaga sa peligro (VAR) ng isang oras ng panahon sa katumbas na VAR para sa isang magkakaibang tagal ng oras at ipakita sa iyo kung paano gagamitin ang VAR upang matantya ang pababang panganib ng isang solong pamumuhunan sa stock.
Pag-convert ng Isang Oras ng Panahon sa Isa pa
Sa Bahagi 1, kinakalkula namin ang VAR para sa Nasdaq 100 index (ticker: QQQ) at itinatag na sinasagot ng VAR ang isang tatlong bahagi na tanong: "Ano ang pinakamalala na pagkawala na maaari kong asahan sa isang tinukoy na tagal ng oras na may isang tiyak na antas ng kumpiyansa?"
Yamang ang panahon ay isang variable, ang iba't ibang mga kalkulasyon ay maaaring tukuyin ang iba't ibang mga tagal ng oras - walang "tama" na tagal ng oras. Ang mga komersyal na bangko, halimbawa, ay karaniwang kinakalkula ang isang pang-araw-araw na VAR, na tinatanong ang kanilang sarili kung magkano ang maaaring mawala sa isang araw; ang mga pondo ng pensyon, sa kabilang banda, ay madalas na kinakalkula ang isang buwanang VAR.
Upang maalala muli, tingnan natin muli ang aming mga kalkulasyon ng tatlong VAR sa bahagi 1 gamit ang tatlong magkakaibang pamamaraan para sa parehong "QQQ" na pamumuhunan:
* Hindi namin kailangan ng isang standard na paglihis para sa alinman sa makasaysayang pamamaraan (dahil muling nag-uutos na ibabalik ang pinakamababang-to-pinakamataas) o kunwa ng Monte Carlo (dahil gumagawa ito ng pangwakas na mga resulta para sa amin).
Dahil sa variable ng oras, kailangang malaman ng mga gumagamit ng VAR kung paano i-convert ang isang panahon ng oras sa isa pa, at magagawa nila ito sa pamamagitan ng pag-asa sa isang klasikong ideya sa pananalapi: ang karaniwang paglihis ng mga pagbabalik ng stock ay may kaugaliang pagtaas sa parisukat na ugat ng oras. Kung ang karaniwang paglihis ng pang-araw-araw na pagbabalik ay 2.64% at mayroong 20 araw ng pangangalakal sa isang buwan (T = 20), kung gayon ang buwanang pamantayang paglihis ay kinakatawan ng mga sumusunod:
σMonthly ≅ σDaily × T ≅ 2.64% × 20
Upang "masukat" ang pang-araw-araw na karaniwang paglihis sa isang buwanang pamantayan na paglihis, pinarami natin ito hindi sa 20 ngunit sa parisukat na ugat ng 20. Gayundin, kung nais nating sukatin ang pang-araw-araw na karaniwang paglihis sa isang taunang pamantayang paglihis, pinarami natin ang pang-araw-araw na pamantayan paglihis ng parisukat na ugat ng 250 (sa pag-aakalang 250 araw ng pangangalakal sa isang taon). Kung kinakalkula namin ang isang buwanang pamantayang paglihis (na gagawin sa pamamagitan ng paggamit ng buwan-sa-buwan na pagbabalik), maaari naming mai-convert sa isang taunang pamantayang paglihis sa pamamagitan ng pagpaparami ng buwanang pamantayang paglihis ng parisukat na ugat ng 12.
Paglalapat ng isang Pamamaraan sa VAR sa isang Single Stock
Ang parehong mga makasaysayan at Monte Carlo pamamaraan ng kunwa ay may kanilang mga tagapagtaguyod, ngunit ang makasaysayang pamamaraan ay nangangailangan ng crunching makasaysayang data at kumplikado ang pamamaraan ng Monte Carlo. Ang pinakamadaling pamamaraan ay ang variance-covariance.
Sa ibaba isinasama namin ang elemento ng pag-convert sa oras sa paraan ng pagkakaiba-iba ng covariance para sa isang solong stock (o iisang pamumuhunan):
Ngayon ilapat natin ang mga formula na ito sa QQQ. Alalahanin na ang pang-araw-araw na karaniwang paglihis para sa QQQ mula noong umpisa ay 2.64%. Ngunit nais naming makalkula ang isang buwanang VAR, at ipinapalagay na 20 araw ng pangangalakal sa isang buwan, dumami kami sa parisukat na ugat ng 20:
* Mahalagang Tandaan: Ang mga pinakamasamang pagkalugi na ito (-19.5% at -27.5%) ay mga pagkalugi sa ibaba ng inaasahan o average na pagbabalik. Sa kasong ito, pinapanatili namin itong simple sa pamamagitan ng pag-aakalang ang pang-araw-araw na inaasahang pagbabalik ay zero. Nag-ikot kami, kaya ang pinakapangit na pagkawala ay din ang pagkawala ng net.
Kaya, sa pamamaraang variance-covariance, masasabi natin na may tiwala na 95% na hindi tayo mawawalan ng higit sa 19.5% sa anumang naibigay na buwan. Ang QQQ ay malinaw na hindi ang pinaka konserbatibong pamumuhunan! Maaari mong tandaan, gayunpaman, na ang resulta sa itaas ay naiiba mula sa nakuha namin sa ilalim ng simulain ng Monte Carlo, na sinabi na ang aming maximum na buwanang pagkawala ay magiging 15% (sa ilalim ng parehong antas ng tiwala sa 95%).
Konklusyon
Ang halaga sa peligro ay isang espesyal na uri ng panukalang pang-downside na panganib. Sa halip na gumawa ng isang solong istatistika o nagpapahayag ng ganap na katiyakan, gumagawa ito ng isang probabilistikong pagtatantya. Sa isang naibigay na antas ng kumpiyansa, nagtatanong ito, "Ano ang aming maximum na inaasahang pagkawala sa isang tinukoy na tagal ng oras?" Mayroong tatlong mga pamamaraan kung saan maaaring makalkula ang VAR: ang makasaysayang simulation, ang variance-covariance na pamamaraan, at ang kunwa ng Monte Carlo.
Ang paraan ng pagkakaiba-iba ng covariance ay pinakamadali dahil kailangan mong matantya lamang ang dalawang mga kadahilanan: average return at standard na paglihis. Gayunpaman, ipinapalagay nito na ang mga pagbabalik ay maayos na kumilos ayon sa simetriko na normal na kurba at na ang mga makasaysayang pattern ay mauulit sa hinaharap.
Ang makasaysayang simulation ay nagpapabuti sa kawastuhan ng pagkalkula ng VAR, ngunit nangangailangan ng mas maraming computational data; ipinapalagay din nito na "past is prologue." Ang kunwa ng Monte Carlo ay kumplikado ngunit may kalamangan na pahintulutan ang mga gumagamit na maiangkop ang mga ideya tungkol sa mga pattern sa hinaharap na umalis mula sa mga pattern ng kasaysayan.
Sa paksang ito, tingnan ang Patuloy na Compound Interes .
