অস্থিরতা ঝুঁকি পরিমাপের জন্য গুরুত্বপূর্ণ। সাধারণত, অস্থিরতা স্ট্যান্ডার্ড বিচ্যুতি বোঝায়, যা একটি ছড়িয়ে পড়া পরিমাপ। বৃহত্তর বিভাজন বৃহত্তর ঝুঁকি বোঝায়, যা দামের ক্ষয় বা পোর্টফোলিও হ্রাসের উচ্চতর প্রতিকূলতাকে বোঝায় - এটি কোনও বিনিয়োগকারীর জন্য মূল তথ্য। অস্থিরতা নিজে থেকেই ব্যবহার করা যেতে পারে, যেমন "হেজ ফান্ডের পোর্টফোলিও মাসিক অস্থিরতা 5% দেখায়, " তবে এই শব্দটি প্রত্যাবর্তনের ব্যবস্থার সাথেও ব্যবহার করা হয়, উদাহরণস্বরূপ, শার্প অনুপাতের ডিনোমিনিটারে। ঝুঁকি (VAR) প্যারামিট্রিক মানের একটি মূল ইনপুট হ'ল, যেখানে পোর্টফোলিও এক্সপোজারটি অস্থিরতার কাজ।, আমরা আপনাকে দেখাব যে কীভাবে আপনার বিনিয়োগের ভবিষ্যতের ঝুঁকি নির্ধারণের জন্য historicalতিহাসিক অস্থিরতা গণনা করা হয়। (আরও অন্তর্দৃষ্টি জন্য, অস্থিরতার ব্যবহার এবং সীমাবদ্ধতা পড়ুন ।)
টিউটোরিয়াল: অপশন অস্থিরতা
অস্থিরতা তার অপূর্ণতা থাকা সত্ত্বেও খুব সহজেই সর্বাধিক সাধারণ ঝুঁকির পরিমাপ, যার মধ্যে রয়েছে যে দামের চলাচলকে নিম্নমুখী গতিবিধির মতো "ঝুঁকিপূর্ণ" হিসাবে বিবেচনা করা হয়। আমরা প্রায়শই historicalতিহাসিক অস্থিরতা দেখে ভবিষ্যতের অস্থিরতা অনুমান করি। Historicalতিহাসিক অস্থিরতা গণনা করতে, আমাদের দুটি পদক্ষেপ নেওয়া দরকার:
1. পর্যায়ক্রমিক রিটার্নগুলির একটি সিরিজ গণনা করুন (উদাহরণস্বরূপ দৈনিক আয়)
২. একটি ওজন স্কিম চয়ন করুন (উদাঃ আনটাইটেড স্কিম)
একটি দৈনিক পর্যায়ক্রমিক স্টক রিটার্ন (নীচে ইউ হিসাবে চিহ্নিত করা হয়) হ'ল গতকাল থেকে আজকের আগস্ট। মনে রাখবেন যে যদি কোনও লভ্যাংশ থাকে তবে আমরা এটিকে আজকের শেয়ারের দামে যুক্ত করব। নিম্নলিখিত সূত্রটি এই শতাংশটি গণনা করতে ব্যবহৃত হয়:
UI = এসআই-1 যদি -Si -1 যেখানে:
স্টক দামের ক্ষেত্রে, তবে, এই সাধারণ শতাংশ পরিবর্তন ক্রমাগত চক্রবৃদ্ধিযুক্ত রিটার্নের মতো সহায়ক নয়। এর কারণ হ'ল আমরা একাধিক সময়কালে সাধারণ শতাংশ পরিবর্তন সংখ্যা নির্ভরযোগ্যতার সাথে একসাথে যোগ করতে পারি না, তবে ধারাবাহিকভাবে যৌগিক রিটার্ন দীর্ঘ সময়ের ফ্রেমে স্কেল করা যায়। একে প্রযুক্তিগতভাবে বলা হচ্ছে "সময় সামঞ্জস্যপূর্ণ"। শেয়ারের দামের অস্থিরতার জন্য, নিম্নলিখিত সূত্রটি ব্যবহার করে অবিচ্ছিন্নভাবে বাড়ানো রিটার্ন গণনা করা ভাল:
UI = LN (এসআই-1 এসআই)
নীচের উদাহরণে আমরা গুগলের (এনওয়াইএসই: জিগু) দৈনিক বন্ধ হওয়া স্টকের দামের একটি নমুনা টেনেছি। 25 আগস্ট, 2006 এ শেয়ারটি 373.36 ডলারে বন্ধ হয়েছিল; আগের দিনের বন্ধটি ছিল 3 373.73। অবিচ্ছিন্ন পর্যায়ক্রমিক রিটার্ন তাই -0.126%, যা অনুপাতের প্রাকৃতিক লগ (এলএন) এর সমান।
এর পরে, আমরা দ্বিতীয় ধাপে চলে যাই: ওজন স্কিম নির্বাচন করে। এটিতে আমাদের historicalতিহাসিক নমুনার দৈর্ঘ্য (বা আকার) সম্পর্কে সিদ্ধান্ত অন্তর্ভুক্ত রয়েছে। আমরা কি গত (পিছনে) 30 দিন, 360 দিন বা সম্ভবত তিন বছরের মধ্যে প্রতিদিনের অস্থিরতা পরিমাপ করতে চাই?
আমাদের উদাহরণস্বরূপ, আমরা একটি নিরক্ষিত 30-দিনের গড় বেছে নেব। অন্য কথায়, আমরা গত 30 দিনের মধ্যে দৈনিক অস্থিরতার গড় অনুমান করছি। নমুনা বৈকল্পিকের সূত্রের সাহায্যে এটি গণনা করা হয়:
2n2 = m − 11 i = 1∑m (un − i −u¯) 2 কোথাও: 2n2 = প্রতিদিনের পরিবর্তনের হার = অতি সাম্প্রতিক মি পর্যবেক্ষণ
আমরা এটি একটি নমুনা বৈকল্পিকের জন্য একটি সূত্র বলতে পারি কারণ সমষ্টিটি (এম) এর পরিবর্তে (মি -1) দ্বারা বিভক্ত। আপনি ডিনোমিনেটরে একটি (মি) আশা করতে পারেন কারণ এটি কার্যকরভাবে সিরিজটিকে গড়বে। যদি এটি একটি (মি) হত, এটি জনসংখ্যার বৈচিত্র আনতে পারে। জনসংখ্যার বৈকল্পিক সমস্ত জনগোষ্ঠীর সমস্ত ডেটা পয়েন্ট রয়েছে বলে দাবি করে, কিন্তু যখন অস্থিরতা পরিমাপের বিষয়টি আসে তখন আমরা কখনই এটি বিশ্বাস করি না। কোনও historicalতিহাসিক নমুনা নিছক বৃহত্তর "অজানা" জনসংখ্যার উপসেট। সুতরাং প্রযুক্তিগতভাবে, আমাদের নমুনা বৈকল্পিকটি ব্যবহার করা উচিত, যা ডিনোনিয়েটারে (এম -1) ব্যবহার করে এবং আমাদের অনিশ্চয়তা কাটাতে কিছুটা উচ্চতর বৈকল্পিক তৈরি করতে একটি "নিরপেক্ষ অনুমান" তৈরি করে।
আমাদের নমুনা হ'ল একটি 30 দিনের স্ন্যাপশট একটি বৃহত অজানা (এবং সম্ভবত অজানা) জনসংখ্যার থেকে আঁকা। যদি আমরা এমএস এক্সেল খুলি, ত্রিশ দিনের পর্যায়ক্রমিক রিটার্নের (যেমন, সিরিজ: -0.126%, 0.080%, -1.293% এবং ত্রিশ দিনের জন্য) নির্বাচন করুন, এবং = VARA () ফাংশনটি প্রয়োগ করুন, আমরা কার্যকর করছি উপরের সূত্র। গুগলের ক্ষেত্রে, আমরা প্রায় 0.0198% পাই। এই সংখ্যাটি 30 দিনের সময়কালের মধ্যে প্রতিদিনের নমুনার বিভিন্নতার প্রতিনিধিত্ব করে। আমরা স্ট্যান্ডার্ড বিচ্যুতি পেতে বৈকল্পিকের বর্গমূল গ্রহণ করি। গুগলের ক্ষেত্রে, 0.0198% এর বর্গমূল প্রায় 1.4068% - গুগলের historicalতিহাসিক দৈনিক অস্থিরতা।
উপরের বৈকল্পিক সূত্র সম্পর্কে দুটি সরলকরণ অনুমান করা ঠিক আছে। প্রথমত, আমরা ধরে নিতে পারি যে গড় দৈনিক রিটার্নটি শূন্যের কাছাকাছি যে আমরা এটির মতো আচরণ করতে পারি। এটি স্কোয়ার্ড রিটার্নের যোগফলের যোগফলকে সরল করে। দ্বিতীয়ত, আমরা (এম -1) (এম) দিয়ে প্রতিস্থাপন করতে পারি। এটি "সর্বাধিক সম্ভাবনার প্রাক্কলন" দিয়ে "নিরপেক্ষ নির্ণায়ক" প্রতিস্থাপন করে।
এটি নীচের সমীকরণের উপরেরটি সরল করে:
ভ্যারিয়েন্স = σn2 = M1 i = 1Σm আন-I2
আবার এগুলি হ'ল ব্যবহারের সহজলভ্যতা যা প্রায়শই অনুশীলনে পেশাদারদের দ্বারা তৈরি করা হয়। যদি পিরিয়ডগুলি যথেষ্ট সংক্ষিপ্ত হয় (যেমন, দৈনিক আয়), এই সূত্রটি একটি গ্রহণযোগ্য বিকল্প। অন্য কথায়, উপরের সূত্রটি সোজা: ভেরিয়েন্সটি স্কোয়ার্ড রিটার্নের গড়। উপরের গুগল সিরিজে এই সূত্রটি এমন একটি বৈকল্পিক উত্পন্ন করে যা কার্যত অভিন্ন (+ 0.0198%)। আগের মত, অস্থিরতা পেতে বৈকল্পিকের বর্গমূল নিতে ভুলবেন না।
এটি একটি অপ্রকাশিত স্কিম হওয়ার কারণটি হ'ল আমরা 30 দিনের দিনের সিরিজে প্রতিদিনের রিটার্নের গড় গড়ে: প্রতিটি দিনই গড়ের দিকে সমান ওজনের অবদান রাখে। এটি সাধারণ তবে বিশেষভাবে সঠিক নয়। অনুশীলনে, আমরা প্রায়শই সাম্প্রতিকতম রূপগুলি এবং / অথবা রিটার্নগুলিকে আরও বেশি ওজন দিতে চাই। আরও উন্নততর স্কিমগুলির মধ্যে ওজন স্কীমগুলি অন্তর্ভুক্ত রয়েছে (উদাঃ জিআরচ মডেল, এক্সটেনশিয়ালি ওয়েট মুভিং এভারেজ) যা সাম্প্রতিক ডেটাতে আরও বেশি ওজন নির্ধারণ করে
উপসংহার
যেহেতু কোনও উপকরণ বা পোর্টফোলিওর ভবিষ্যতের ঝুঁকি সন্ধান করা কঠিন হতে পারে, তাই আমরা প্রায়শই historicalতিহাসিক অস্থিরতা পরিমাপ করি এবং ধরে নিই যে "অতীত প্রেরণা"। Theতিহাসিক অস্থিরতা হ'ল স্ট্যান্ডার্ড বিচ্যুতি, যেমন "স্টকের বার্ষিক মানক বিচ্যুতি ছিল 12%"। আমরা রিটার্নের নমুনা যেমন 30 দিন, 252 ট্রেডিং দিন (এক বছরে), তিন বছর বা 10 বছর ধরে এটি গণনা করি। একটি নমুনা আকার বাছাইয়ের ক্ষেত্রে আমরা সাম্প্রতিক এবং শক্তিশালীদের মধ্যে একটি ক্লাসিক ট্রেড অফের মুখোমুখি হয়েছি: আমরা আরও তথ্য চাই তবে তা পাওয়ার জন্য আমাদের সময়মতো আরও পিছনে ফিরে যেতে হবে, যা তথ্য সংগ্রহের দিকে যেতে পারে যা অপ্রাসঙ্গিক হতে পারে ভবিষ্যৎ. অন্য কথায়, historicalতিহাসিক অস্থিরতা একটি নিখুঁত পরিমাপ সরবরাহ করে না, তবে এটি আপনাকে আপনার বিনিয়োগের ঝুঁকি প্রোফাইলের আরও ভাল ধারণা পেতে সহায়তা করতে পারে।
ডেভিড হার্পারের চলচ্চিত্রের টিউটোরিয়াল , Histতিহাসিক উদ্বোধন - এই বিষয়টিতে আরও জানার জন্য সরল, নিরবিচ্ছিন্ন গড় Check
