Parametrinis VaR - kas tai, apibrėžimas ir sąvoka

Parametrinis VaR yra metodas įvertinti VaR (rizikos vertę), naudojant apskaičiuotus pelningumo duomenis ir darant prielaidą, kad pelningumas yra normalus. Jis taip pat žinomas kaip dispersijos-kovariacijos metodas arba analitinis metodas.

Turėdami numatomus grąžos duomenis ir istorinę riziką (išmatuotą pagal standartinį nuokrypį), naudojame šią formulę:

VaR = | R - z · δ | · V

Kur R yra laukiama grąža, z, atitinkama reikšmės lygio vertė (pavyzdžiui, 1,645 - 5%), δ, grąžos standartinis nuokrypis ir V, investicijos vertė.

Parametrinis VaR metodas yra lengviausias būdas apskaičiuoti, nes istorinis VaR, nors ir gali būti lengviau suprantamas, jį apskaičiuoti yra daug darbštesnis ir, nors jis yra ne toks tikslus nei Monte Karlo VaR, tačiau jį lengviau pritaikyti.

Kovarsija

Parametrinio VaR 95% patikimumo pavyzdys

Įsivaizduokite, kad konkrečiai 100 milijonų eurų investicijai numatoma metinė grąža yra 5%, o istorinis standartinis tos investicijos nuokrypis yra 10% per metus. Esant 95% patikimumui, VaR apskaičiuosime taip:

VaR = (5% - 1 645 · (10%)) · (100 000 000) = -11 450 000 eurų

Tai reiškia, kad yra 5% tikimybė prarasti mažiausiai 11 450 000 eurų per metus ir 95% tikimybė, kad šie nuostoliai yra mažesni.

Analitinis metodas

Populiarios Temos

Žmogaus raidos indekso reitingas (2018)

Šiame straipsnyje pateikiame HDI reitingą, atitinkantį Jungtinių Tautų plėtros programos (JTVP) 2018 m. Paskelbtą ataskaitą. Kartu su šio reitingo paskelbimu mes taip pat paskelbėme papildomą turinį. HDI skaičiuoklė ir metodikos vadovas bei skaičiavimo pavyzdys. VadovasSkaityti daugiau…

Mažėjančios grąžos dėsnis tempia Indijos augimą

Indija išgyvena didesnį augimą nei kitos besiformuojančios ekonomikos šalys, tačiau, kita vertus, produktyvumas ir toliau yra viena iš dabartinio gamybos modelio trūkumų, kuris kartu su pigia darbo jėga lemia, kad kiekvienas naujas darbuotojas prisideda prie kiekvieno vis mažiau, laikantis ribinės grąžos mažėjimo dėsnio. ŠiandienSkaitykite daugiau…