关于数据挖掘:视频风险价值VaR原理与Python蒙特卡罗Monte-Carlo模拟计算投资组合实例附代码数据

原文链接:http://tecdat.cn/?p=22862 

最近咱们被客户要求撰写对于危险价值 VaR 的钻研报告，包含一些图形和统计输入。

危险价值 (VaR) 是一种统计数据，用于量化公司、投资组合在特定工夫范畴内可能产生的财务损失水平 （ 点击文末“浏览原文”获取残缺 代码数据 ******** ）。

什么是危险价值（VaR）？

该指标最常被投资银行和商业银行用来确定其机构投资组合中潜在损失的水平和概率。

危险管理人员应用 VaR 来掂量和管制危险裸露程度。人们能够将 VaR 计算利用于特定或整个投资组合，或应用它们来掂量公司范畴内的危险敞口。

要害要点

• 危险价值 (VaR) 是一种量化公司或投资潜在损失危险的办法。
• 该度量能够通过多种形式计算，包含历史、方差 - 协方差和蒙特卡洛办法。
• 只管 VaR 作为一种危险度量在行业中很受欢迎，但它也存在不足之处。

理解危险价值 (VaR)

VaR 模型确定了被评估实体的潜在损失以及产生定义损失的概率。一种办法是通过评估潜在损失的数量、损失数量的产生概率和工夫范畴来掂量 VaR。

例如，一家金融公司可能会确定一项资产的 3% 的 1 个月 VaR 为 2%，这示意资产在 1 个月的工夫范畴内价值降落 2% 的可能性为 3%。将 3% 的产生几率转换为每日比率后，每月 1 天产生 2% 的损失几率。

危险价值方法论

计算 VaR 的办法次要有 3 种。

第一种是历史办法，它着眼于一个人之前的收益历史。

第二种是方差 - 协方差法。这种办法假如收益和损失是正态分布的。

最初一种办法是进行蒙特卡罗模仿。该技术应用计算模型来模仿数百或数千次可能迭代的冀望收益。

历史办法

历史办法只是从新组织理论的历史收益，将它们从最差到最好的顺序排列。而后从危险的角度假如历史会重演。

作为一个历史例子，让咱们看一下纳斯达克 100 ETF。如果咱们计算每天的收益，咱们会产生丰盛的数据设置超过 1,400 点。让咱们将它们放在一个直方图中。例如，在直方图的最高点（最高柱），有超过 250 天的日收益率在 0% 到 1% 之间。在最左边，你简直看不到一个 10% 的小条；它代表了 5 年多内的一天（2000 年 1 月），每日收益率达到了惊人的 9.4%。4

请留神形成直方图“左尾”的红色条。这些是每日收益率最低的 5%（因为收益率是从左到右排序的，所以最差的总是“左尾”）。红条从每日损失 4% 到 8% 不等。因为这些是所有每日收益中最差的 5%，咱们能够有 95% 的信念说，最差的每日损失不会超过 4%。换句话说，咱们有 95% 的信念预计咱们的收益将超过 -4%。简而言之，这就是 VaR。

方差 - 协方差法，也称为参数法

该办法假如股票收益是正态分布的。换句话说，它只要求咱们预计两个因素——冀望（或均匀）收益和标准差——这使咱们可能绘制正态分布曲线。在这里，咱们依据雷同的理论收益数据 绘制正态曲线：

方差 - 协方差背地的思维相似于历史办法背地的思维——除了咱们应用相熟的曲线而不是理论数据。正态曲线的长处是咱们能够主动晓得最差的 5% 和 1% 在曲线上的地位。它们是咱们冀望的置信度和标准偏差的函数。

下面的蓝色曲线是理论每日标准差，即 2.64%。均匀每日收益恰好接近于零，因而为了阐明目标，咱们将假如均匀收益为零。以下是将理论标准差代入上述公式的后果：

咱们有 95% 的信念说，最差的每日损失不会超过 -4.36%

蒙特卡洛模仿

第三种办法波及为将来股票价格收益开发一个模型，并通过该模型运行多个假如试验。蒙特卡洛模仿是指任何随机生成试验的办法，但它自身并没有通知咱们任何无关根底办法的信息。

对于大多数用户来说，蒙特卡洛模仿相当于一个随机、概率后果的“黑匣子”生成器。在不深刻细节的状况下，咱们依据其历史交易模式进行了蒙特卡罗模仿。在咱们的模仿中，进行了 700 次试验。如果咱们再次运行它，咱们会失去不同的后果——只管差别很可能会放大。

总而言之，咱们对月收益进行了 700 次假如试验。其中，5 个后果在 -5% 和 -7% 之间；2 个在 -7% 和 -9% 之间。这意味着最差的 7 个后果（即最差的 1%）低于 -5%。因而，蒙特卡罗模仿得出以下 VaR 类型的论断：在 99% 的置信度下，咱们预计在任何给定月份的损失不会超过 5%。

危险价值 (VaR) 的劣势

1. 易于了解

危险价值是一个数字，示意给定投资组合的危险水平。危险价值以价格单位或百分比来掂量。这使得 VaR 的解释和了解绝对简略。

2. 适用性

危险价值实用于所有类型的资产——债券、股票、衍生品、货币等。因而，不同的银行和金融机构能够很容易地应用 VaR 来评估不同投资的盈利能力和危险，并依据 VaR 调配危险.

3. 通用

危险价值数字被宽泛应用，因而它是购买、发售或举荐资产的公认规范。

危险价值的限度

1. 大型投资组合

计算投资组合的危险价值不仅须要计算每种资产的危险和收益，还须要计算它们之间的相关性。因而，投资组合中资产的数量或多样性越大，计算 VaR 的难度就越大。

2. 办法不同

计算 VaR 的不同办法可能导致雷同投资组合的不同后果。

3. 假如

VaR 的计算须要做出一些假如并将其用作输出。如果假如有效，那么 VaR 数字也有效。

如何应用 Python 通过蒙特卡洛模仿主动计算危险值（VaR）来治理投资组合或股票的金融风险？

咱们将首先通过导入所需的库和函数

# 导入所有须要的库
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

为了咱们我的项目的目标，我思考了过来两年的 股票。

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

下一步，咱们将计算每个资产的组合权重。能够通过实现最大夏普比率来计算资产权重。

# 年化收益率
historical_return(stocks)
#投资组合的样本方差
sample_cov# 夏普比率
EffFro(mu, Sigma, weight_bounds=(0,1)) #正数的权重界线容许做空股票
max_sharpe() #能够应用减少指标来确保单个股票的最小零权重

最大夏普比率的资产权重

资产权重将被用于计算投资组合的冀望收益。

#VaR 计算
rx2 = []# 换为最大夏普比率的资产权重
list(sharpe.values())

当初，咱们将把投资组合的股票价格转换为累计收益，这也能够被视为本我的项目的持有期收益（HPR）。

   tick  = (tick  +1).cumprod()

# 画出所有股票的累积 /HPR 的图形
tick[col].plot()plt

点击题目查阅往期内容

危险价值 VaR（Value at Risk）和损失期望值 ES（Expected shortfall）的预计

左右滑动查看更多

01

02

03

04

当初，咱们将挑选出每个资产的最新 HPR，并应用.dot()函数将收益率与计算出的资产权重相乘。

sigma = pre.std()
price=price.dot(sh_wt) #计算加权值

在计算了投资组合的冀望收益和稳定率（冀望收益的标准差）后，咱们将设置并运行蒙特卡洛模仿。我应用的工夫是 1440（一天中的分钟数），模仿运行 20,000 次。工夫步长能够依据要求扭转。我应用了一个 95% 的置信区间。

for j in range(20000): #20000 次模仿运行(rtn/Time,sigma/ sqrt(Time),Time)
plt(np.percentile(daily_returns,5)

1440 分钟内一天的收益范畴 | 红色 – 最小损失 | 彩色 – 最小收益

将收益率的分布图可视化，咱们能够看到以下图表

plt.hist(returns)
plt.show()

输入下限和上限的精确值，并假如咱们的投资组合价值为 1000 元，咱们将计算出应该保留的资金数额补救咱们的最低损失。

print(percentile( returns,5),percentile(returns,95)) VaR - 在 5% 的概率下，最小损失为 5.7%，同样，在 5% 的概率下，收益能够高于 15%

每天的最低损失是 1.29%，概率为 5%。

所得金额将标记着每天补救你的损失所需的金额。这个后果也能够解释为你的投资组合在 5% 的概率下将面临的最低损失。

总结

下面的办法显示了咱们如何计算投资组合的危险价值（VaR）。对于应用古代投资组合实践（MPT）计算肯定数量的投资组合，有助于坚固你对投资组合分析和优化的了解。最初，VaR 与蒙特卡洛模仿模型配合应用，也可用于通过股价预测损失和收益。这能够通过将产生的每日收益值与各自股票的最终价格相乘来实现。

点击文末 “浏览原文”

获取全文残缺材料。

本文选自《Python 蒙特卡罗（Monte Carlo）模拟计算投资组合的危险价值（VaR）》。

点击题目查阅往期内容

R 语言危险价值：ARIMA，GARCH，Delta-normal 法滚动预计 VaR（Value at Risk）和回测剖析股票数据 \
Python 应用 GARCH，EGARCH，GJR-GARCH 模型和蒙特卡洛模仿进行股价预测 Matlab 马尔可夫链蒙特卡罗法（MCMC）预计随机稳定率（SV，Stochastic Volatility）模型 R 语言中实现马尔可夫链蒙特卡罗 MCMC 模型 R 语言 BUGS/JAGS 贝叶斯剖析: 马尔科夫链蒙特卡洛办法（MCMC）采样 R 语言应用蒙特卡洛模仿进行正态性测验及可视化 R 语言蒙特卡洛计算和疾速傅立叶变换计算矩生成函数 NBA 体育决策中的数据挖掘剖析：线性模型和蒙特卡罗模仿 Python 危险价值计算投资组合 VaR（Value at Risk）、冀望损失 ES（Expected Shortfall）GARCH（1,1），MA 以及历史模拟法的 VaR 比拟 Python 计算股票投资组合的危险价值（VaR）R 语言求危险价值 VaR Value at RiskR 语言基于 ARMA-GARCH-VaR 模型拟合和预测实证钻研剖析案例 R 语言危险价值 VaR（Value at Risk）和损失期望值 ES（Expected shortfall）的预计 R 语言基于 ARMA-GARCH 过程的 VaR 拟合和预测 GARCH（1,1），MA 以及历史模拟法的 VaR 比拟 matlab 应用 Copula 仿真优化市场危险数据 VaR 剖析 R 语言 GARCH 模型对股市 sp500 收益率 bootstrap、滚动预计预测 VaR、拟合诊断和蒙特卡罗模仿可视化 \
R 语言单变量和多变量（多元）动静条件相关系数 DCC-GARCH 模型剖析股票收益率金融工夫序列数据稳定率 \
R 语言中的工夫序列分析模型：ARIMA-ARCH / GARCH 模型剖析股票价格 \
GARCH-DCC 模型和 DCC（MVT）建模预计 \
R 语言预测期货稳定率的实现：ARCH 与 HAR-RV 与 GARCH，ARFIMA 模型比拟 \
ARIMA、GARCH 和 VAR 模型预计、预测 ts 和 xts 格局工夫序列 \
PYTHON 用 GARCH、离散随机稳定率模型 DSV 模仿预计股票收益工夫序列与蒙特卡洛可视化 \
极值实践 EVT、POT 超阈值、GARCH 模型剖析股票指数 VaR、条件 CVaR：多元化投资组合预测危险测度剖析 \
Garch 稳定率预测的区制转移交易策略 \
金融工夫序列模型 ARIMA 和 GARCH 在股票市场预测利用 \
工夫序列分析模型：ARIMA-ARCH / GARCH 模型剖析股票价格 \
R 语言危险价值：ARIMA，GARCH，Delta-normal 法滚动预计 VaR（Value at Risk）和回测剖析股票数据 \
R 语言 GARCH 建模罕用软件包比拟、拟合规范普尔 SP 500 指数稳定率工夫序列和预测可视化 \
Python 金融工夫序列模型 ARIMA 和 GARCH 在股票市场预测利用 \
MATLAB 用 GARCH 模型对股票市场收益率工夫序列稳定的拟合与预测 \
R 语言极值实践 EVT、POT 超阈值、GARCH 模型剖析股票指数 VaR、条件 CVaR：多元化投资组合预测危险测度剖析 \
Python 用 ARIMA、GARCH 模型预测剖析股票市场收益率工夫序列 \
R 语言中的工夫序列分析模型：ARIMA-ARCH / GARCH 模型剖析股票价格 \
R 语言 ARIMA-GARCH 稳定率模型预测股票市场苹果公司日收益率工夫序列 \
Python 应用 GARCH，EGARCH，GJR-GARCH 模型和蒙特卡洛模仿进行股价预测 \
R 语言工夫序列 GARCH 模型剖析股市稳定率 \
R 语言 ARMA-EGARCH 模型、集成预测算法对 SPX 理论稳定率进行预测 \
matlab 实现 MCMC 的马尔可夫转换 ARMA – GARCH 模型预计 \
Python 应用 GARCH，EGARCH，GJR-GARCH 模型和蒙特卡洛模仿进行股价预测 \
应用 R 语言对 S&P500 股票指数进行 ARIMA + GARCH 交易策略 \
R 语言用多元 ARMA,GARCH ,EWMA, ETS, 随机稳定率 SV 模型对金融工夫序列数据建模 \
R 语言股票市场指数：ARMA-GARCH 模型和对数收益率数据探索性剖析 \
R 语言多元 Copula GARCH 模型工夫序列预测 \
R 语言应用多元 AR-GARCH 模型掂量市场危险 \
R 语言中的工夫序列分析模型：ARIMA-ARCH / GARCH 模型剖析股票价格 \
R 语言用 Garch 模型和回归模型对股票价格剖析 \
GARCH（1,1），MA 以及历史模拟法的 VaR 比拟 \
matlab 预计 arma garch 条件均值和方差模型