மோன்டே கார்லோ ரிஸ்க் சிமுலேஷன் — போர்ட்ஃபோலியோ விளைவுகளை மாடலிங் செய்தல்

மோன்டே கார்லோ சிமுலேஷன்கள் உங்கள் போர்ட்ஃபோலியோவின் 100,000+ சாத்தியமான எதிர்கால பாதைகளை மாடல் செய்ய உதவுகின்றன, மதிப்பு அபாயம் (VaR) மற்றும் எதிர்பார்க்கப்படும் குறைபாடு போன்ற அபாய அளவீடுகளை அளவிடுகின்றன. ஒரு ஒற்றை விளைவை கருதுவதற்கு பதிலாக, நீங்கள் சாத்தியக்கூறுகளின் விநியோகத்தைக் காண்கிறீர்கள்.

எடுத்துக்காட்டு: உங்கள் டிரேடிங் ஸ்ட்ராடஜியின் 100k சிமுலேஷன்களை இயக்கவும். நீங்கள் பார்ப்பீர்கள்: 68% விளைவுகள் $10-$50 லாபம், 25% $10-$30 இழப்பு, 5% $50-$200 இழப்பு, மற்றும் 2% $100+ லாபம். இப்போது உங்கள் ரிஸ்க் ப்ரோஃபைலை நீங்கள் புரிந்துகொள்கிறீர்கள்.

அடிப்படை ஜியோமெட்ரிக் பிரௌனியன் மோஷன் (GBM)

எதிர்கால விலைகளை டிரிஃப்ட் மற்றும் வோலாடிலிட்டியுடன் ரேண்டம் வாக்குகளாக மாடல் செய்யவும்:

பைதான் — மோன்டே கார்லோ விலை பாதைகள்
import numpy as np
def simulate_price_paths(S0, mu, sigma, T, dt, n_sims=10000):
# S0: தற்போதைய விலை, mu: டிரிஃப்ட், sigma: வோலாடிலிட்டி
# T: நேர அடிவானம் (நாட்கள்), dt: நேர படி, n_sims: சிமுலேஷன்கள்
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

போர்ட்ஃபோலியோ ரிஸ்க் அளவீடுகள்

மதிப்பு அபாயம் (VaR)

5% சூழ்நிலைகளில் மட்டுமே நீங்கள் மீறும் இழப்பு (95% நம்பிக்கை):

பைதான் — VaR கணக்கிடு
def calculate_var(simulations, confidence=0.95):
pnl = simulations[:, -1] - simulations[:, 0]
var = np.percentile(pnl, (1 - confidence) * 100)
return var # எ.கா., -$2,340

எதிர்பார்க்கப்படும் குறைபாடு (CVaR)

மோசமான 5% நிகழ்வுகளில் சராசரி இழப்பு:

பைதான் — CVaR கணக்கிடு
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 # எ.கா., -$3,800 (VaR ஐ விட மோசமானது)

ஸ்ட்ராடஜி-குறிப்பிட்ட சிமுலேஷன்

விலை பாதைகளை மட்டுமல்லாமல் உங்கள் உண்மையான டிரேடிங் விதிகளை சிமுலேட் செய்யவும்:

பைதான் — ஸ்ட்ராடஜி மோன்டே கார்லோ
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 # 50% இழப்பில் நிறுத்து
results[sim] = equity
return results

ஸ்மார்ட் மனி சிக்னல்களுடன் ஸ்ட்ரெஸ் டெஸ்டிங்

ஸ்மார்ட் மனி நம்பிக்கை குறையும் போது மோசமான-நிலை சூழ்நிலைகளை மாடல் செய்யவும்:

பைதான் — ஸ்ட்ரெஸ் டெஸ்ட் சூழ்நிலைகள்
def stress_test_scenarios(base_win_rate):
# சூழ்நிலை 1: சாதாரண நிலைமைகள் (HIGH நம்பிக்கை)
scenario_normal = simulate_strategy(10000, win_rate=base_win_rate)
# சூழ்நிலை 2: சிக்னல்கள் மோசமடைதல் (MEDIUM நம்பிக்கை)
scenario_medium = simulate_strategy(10000, win_rate=base_win_rate * 0.95)
# சூழ்நிலை 3: முறிவு (VETO நிலை)
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)}
}

விளக்கம்

10k சிமுலேஷன்களிலிருந்து, நீங்கள் கற்றுக்கொள்வீர்கள்:

ஸ்மார்ட் மனி சிக்னல்களுடன் ஸ்ட்ராடஜிகளை ஸ்ட்ரெஸ்-டெஸ்ட் செய்யவும்

சாதாரண, மோசமடையும் மற்றும் VETO ஸ்மார்ட் மனி நிலைமைகளின் கீழ் போர்ட்ஃபோலியோ அபாயத்தை புரிந்துகொள்ளுங்கள். எங்கள் API உங்களுக்கு சிக்னல்களைத் தருகிறது; மோன்டே கார்லோ விளைவுகளை மாடல் செய்கிறது.

ரிஸ்க் மாடல் இன்று →