Monte Carlo අවදානම් සිමියුලේෂන් — පෝට්ෆොලියෝ ප්‍රතිඵල ආකෘතිකරණය

Monte Carlo සිමියුලේෂන් මගින් ඔබේ පෝට්ෆොලියෝවේ 100,000+ සම්භාව්‍ය අනාගත මාර්ග ආකෘතිකරණය කළ හැකි අතර, Value at Risk (VaR) සහ අපේක්ෂිත අඩුපාඩු වැනි අවදානම් මෙට්‍රික් ප්‍රමාණනය කරයි. එක් ප්‍රතිඵලයක් උපකල්පනය කිරීම වෙනුවට, ඔබ සම්භාව්‍යතා ව්‍යාප්තිය දකිනු ඇත.

උදාහරණය: ඔබේ වෙළඳ උපායමාර්ගයේ 100k සිමියුලේෂන් ධාවනය කරන්න. ඔබ දකිනු ඇත: 68% ප්‍රතිඵල $10-$50 ලාභ ලබයි, 25% $10-$30 අහිමි වේ, 5% $50-$200 අහිමි වේ, සහ 2% $100+ ලාභ ලබයි. දැන් ඔබ ඔබේ අවදානම් පැතිකඩ තේරුම් ගනී.

මූලික ජ්‍යාමිතික බ්‍රවුනියන් චලනය (GBM)

අනාගත මිල අහඹු ගමන් ලෙස ආකෘතිකරණය කරන්න drift සහ volatility සමඟ:

Python — Monte Carlo මිල මාර්ග
import numpy as np
def simulate_price_paths(S0, mu, sigma, T, dt, n_sims=10000):
# S0: වර්තමාන මිල, mu: drift, sigma: volatility
# T: කාලසීමාව (දින), dt: කාල පියවර, n_sims: සිමියුලේෂන්
steps = int(T / dt)
paths = np.zeros((n_sims, steps))
paths[:, 0] = S0
for i in range(1, steps):
# dS = mu*S*dt + sigma*S*sqrt(dt)*Z
Z = np.random.normal(0, 1, n_sims)
dS = mu * paths[:, i-1] * dt + sigma * paths[:, i-1] * np.sqrt(dt) * Z
paths[:, i] = paths[:, i-1] + dS
return paths

පෝට්ෆොලියෝ අවදානම් මෙට්‍රික්ස්

Value at Risk (VaR)

ඔබ ඉක්මවන පාඩුව 5% අවස්ථාවල පමණි (95% විශ්වාසය):

Python — VaR ගණනය කරන්න
def calculate_var(simulations, confidence=0.95):
pnl = simulations[:, -1] - simulations[:, 0]
var = np.percentile(pnl, (1 - confidence) * 100)
return var # උදා., -$2,340

Expected Shortfall (CVaR)

අසාමාන්‍ය 5% අවස්ථාවල සාමාන්‍ය පාඩුව:

Python — CVaR ගණනය කරන්න
def calculate_cvar(simulations, confidence=0.95):
pnl = simulations[:, -1] - simulations[:, 0]
var_threshold = np.percentile(pnl, (1 - confidence) * 100)
worst_5_pct = pnl[pnl <= var_threshold]
cvar = np.mean(worst_5_pct)
return cvar # උදා., -$3,800 (VaR ට වඩා නරක)

උපායමාර්ග-විශේෂිත සිමියුලේෂන්

ඔබේ සැබෑ වෙළඳ නීති සිමියුලේට් කරන්න, මිල මාර්ග පමණක් නොවේ:

Python — උපායමාර්ග Monte Carlo
def simulate_strategy(capital, win_rate, avg_win, avg_loss, trades_per_day=10, days=30, n_sims=10000):
results = np.zeros(n_sims)
for sim in range(n_sims):
equity = capital
n_trades = trades_per_day * days
for _ in range(n_trades):
if np.random.rand() < win_rate:
pnl = np.random.normal(avg_win, avg_win * 0.2)
else:
pnl = -np.random.normal(avg_loss, avg_loss * 0.2)
equity += pnl
if equity < capital * 0.5:
break # Stop-out at 50% loss
results[sim] = equity
return results

Smart Money සංඥා සමඟ ආතති පරීක්ෂණය

Smart Money විශ්වාසය පහත වැටෙන විට අසාමාන්‍ය අවස්ථා ආකෘතිකරණය කරන්න:

Python — ආතති පරීක්ෂණ අවස්ථා
def stress_test_scenarios(base_win_rate):
# අවස්ථාව 1: සාමාන්‍ය තත්ත්වයන් (HIGH විශ්වාසය)
scenario_normal = simulate_strategy(10000, win_rate=base_win_rate)
# අවස්ථාව 2: දුර්වල වන සංඥා (MEDIUM විශ්වාසය)
scenario_medium = simulate_strategy(10000, win_rate=base_win_rate * 0.95)
# අවස්ථාව 3: බිඳ වැටීම (VETO තත්ත්වය)
scenario_veto = simulate_strategy(10000, win_rate=0.45) # negative edge
return {
'normal': {'var': np.percentile(scenario_normal, 5), 'mean': np.mean(scenario_normal)},
'medium': {'var': np.percentile(scenario_medium, 5), 'mean': np.mean(scenario_medium)},
'veto': {'var': np.percentile(scenario_veto, 5), 'mean': np.mean(scenario_veto)}
}

විග්‍රහය

10k සිමියුලේෂන් වලින්, ඔබ ඉගෙන ගනී:

Smart Money සංඥා සමඟ උපායමාර්ග ආතති පරීක්ෂණය කරන්න

සාමාන්‍ය, දුර්වල වන, සහ VETO Smart Money තත්ත්වයන් යටතේ පෝට්ෆොලියෝ අවදානම් තේරුම් ගන්න. අපගේ API ඔබට සංඥා ලබා දෙයි; Monte Carlo ප්‍රතිඵල ආකෘතිකරණය කරයි.

අවදානම් ආකෘතිකරණය අද →