କ'ଣ Asset Correlation Calculator?
▾
ସହଭାଗୀ ମ୍ୟାଟ୍ରିକ୍ସ ହେଉଛି ପୋର୍ଟଫୋଲିଓ ସିଦ୍ଧାନ୍ତ ଏବଂ ବିପଦ ପରିଚାଳନାରେ ଏକ ମ fundamental ଳିକ ଉପକରଣ ଯାହା ବିଭିନ୍ନ ସମ୍ପତ୍ତିର ରିଟର୍ଣ୍ଣ ମଧ୍ୟରେ ର ar ଖ୍ୟ ସମ୍ପର୍କକୁ ପରିମାଣ କରିଥାଏ | ମ୍ୟାଟ୍ରିକ୍ସରେ ଥିବା ପ୍ରତ୍ୟେକ ଉପାଦାନ i (i, j) ସମ୍ପତ୍ତି i ଏବଂ j ମଧ୍ୟରେ ପିଆରସନ୍ ସହଭାଗୀତାକୁ ଦର୍ଶାଏ, −1 (ସଂପୂର୍ଣ୍ଣ ନକାରାତ୍ମକ ସମ୍ପର୍କ - ସମ୍ପତ୍ତିଗୁଡିକ ବିପରୀତ ଦିଗରେ ଗତି କରେ) ଠାରୁ +1 (ସଂପୂର୍ଣ୍ଣ ସକରାତ୍ମକ ସମ୍ପର୍କ - ସମ୍ପତ୍ତି ଲକଷ୍ଟେପରେ ଗତି କରେ), 0 ସହିତ କ line ଣସି ର ar ଖ୍ୟ ସମ୍ପର୍କକୁ ସୂଚୀତ କରେ | 1952 ରେ ହ୍ୟାରି ମାର୍କୋୱିଜ୍ ଦ୍ developed ାରା ବିକଶିତ ହୋଇଥିବା ଆଧୁନିକ ପୋର୍ଟଫୋଲିଓ ଥିଓରୀ (MPT) ର ସମ୍ପର୍କ ମେଟ୍ରିକ୍ସ ଅଟେ | ପୋର୍ଟଫୋଲିଓ ଭିନ୍ନତା କେବଳ ବ୍ୟକ୍ତିଗତ ସମ୍ପତ୍ତି ଅସ୍ଥିରତା ଦ୍ୱାରା ନୁହେଁ ବରଂ ସେମାନଙ୍କ ମଧ୍ୟରେ ସମ୍ପର୍କ ଦ୍ୱାରା ଗୁରୁତର ଭାବରେ ନିର୍ଣ୍ଣୟ କରାଯାଏ: σ²_portfolio = Σ Σ w_i w_j σ_i σ_j ρ (i, j) | ସମ୍ପତ୍ତିଗୁଡିକ ମଧ୍ୟରେ ନିମ୍ନ କିମ୍ବା ନକାରାତ୍ମକ ସମ୍ପର୍କ ପୋର୍ଟଫୋଲିଓ ଭାରିଏନ୍ସକୁ ବ୍ୟକ୍ତିଗତ ଭିନ୍ନତାର ଓଜନ ବିଶିଷ୍ଟ ହାରାହାରିରୁ ହ୍ରାସ କରେ - ଏହା ହେଉଛି ବିବିଧକରଣର ଗାଣିତିକ ମୂଳଦୁଆ | ଅଭ୍ୟାସରେ, ସମ୍ପର୍କ ମେଟ୍ରିକ୍ସର ଅନେକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଗୁଣ ଏବଂ ଆହ୍ୱାନ ରହିଛି | ପ୍ରଥମତ time, ସମୟ ସହିତ ସମ୍ପର୍କ ସ୍ଥିର ନୁହେଁ - ଶାନ୍ତ ବଜାରରେ ସଂପୃକ୍ତ ସମ୍ପତ୍ତିଗୁଡିକ ବଜାର ସଙ୍କଟ ('ସମ୍ପର୍କ ସ୍ପାଇକ୍') ରେ ପ୍ରାୟତ corr ସମ୍ପର୍କିତ ହୋଇଯାଏ | 2008 ଜିଏଫ୍ସି ଏକକାଳୀନ 1.0 ପାଖାପାଖି ଥିବା ବିପଦ ସଂପତ୍ତି ମଧ୍ୟରେ ସମ୍ପର୍କ ଦ୍ୱାରା ବର୍ଣ୍ଣିତ ହୋଇଥିଲା, ଯେତେବେଳେ ଏହା ଆବଶ୍ୟକ ଥିଲା ସେତେବେଳେ ଆଶା କରାଯାଉଥିବା ବିବିଧକରଣ ଲାଭକୁ ଦୂର କରିଦେଲା | ଏହି ଘଟଣାକୁ 'ସମ୍ପର୍କ ଭାଙ୍ଗିବା' ବା 'ସଂକ୍ରମଣ' କୁହାଯାଏ | ଦ୍ୱିତୀୟତ corr, ଗାଣିତିକ ଭାବରେ ସ୍ଥିର ହେବା ପାଇଁ ସମ୍ପର୍କ ମେଟ୍ରିକ୍ସ ନିଶ୍ଚିତ ଭାବରେ ସକରାତ୍ମକ ଅର୍ଦ୍ଧ-ନିର୍ଦ୍ଦିଷ୍ଟ (PSD) ହେବା ଆବଶ୍ୟକ - ସମସ୍ତ ଇଜେନଭାଲ୍ ନିଶ୍ଚିତ ଭାବରେ ଅଣ-ନକାରାତ୍ମକ ହେବା ଆବଶ୍ୟକ | ଅନେକ ସମ୍ପତ୍ତି ଏବଂ ସୀମିତ ତଥ୍ୟ ସହିତ, ନମୁନା ସମ୍ବନ୍ଧୀୟ ମେଟ୍ରିକ୍ସ ପ୍ରାୟତ PS ଆକଳନ ତ୍ରୁଟି ହେତୁ PSD କୁ ଉଲ୍ଲଂଘନ କରେ, ବିପଦ ମଡେଲରେ ବ୍ୟବହାର କରିବା ପୂର୍ବରୁ ନିୟମିତକରଣ (ସଙ୍କୋଚନ, ନିକଟ PSD ମ୍ୟାଟ୍ରିକ୍ସ ପ୍ରୋଜେକସନ) ଆବଶ୍ୟକ କରେ | ବଡ଼ ପୋର୍ଟଫୋଲିଓଗୁଡ଼ିକ ପାଇଁ ସୁ-ସ୍ଥିତ ସମ୍ପର୍କ ମେଟ୍ରିକ୍ସ ଉତ୍ପାଦନ ପାଇଁ ଲେଡୋଟ୍-ଓଲଫ୍ ସଙ୍କୋଚନ ଆକଳନକାରୀ ବହୁଳ ଭାବରେ ବ୍ୟବହୃତ ହୁଏ | ତୃତୀୟତ tail, ଲାଞ୍ଜ ନିର୍ଭରଶୀଳତାକୁ ଧରିବା ପାଇଁ ର line ଖ୍ୟ ସମ୍ପର୍କ ପର୍ଯ୍ୟାପ୍ତ ନୁହେଁ - ସାଧାରଣତ unc ଅବିଭକ୍ତ ହେଲେ ମଧ୍ୟ ଚରମ ଘଟଣାଗୁଡ଼ିକରେ ସମ୍ପତ୍ତିର ଏକତ୍ର ଖସିଯିବାର ପ୍ରବୃତ୍ତି | କପୁଲା ମଡେଲଗୁଡିକ (ବିଶେଷତ the ଗ uss ସିଆନ୍ ଏବଂ ଟି-କପୁଲା) ଅଣ-ର ar ଖ୍ୟ ନିର୍ଭରଶୀଳ ସଂରଚନା ଏବଂ ଲାଞ୍ଜ ନିର୍ଭରଶୀଳତାକୁ ଧରିବା ପାଇଁ ସମ୍ପର୍କ ବିଶ୍ଳେଷଣକୁ ବିସ୍ତାର କରନ୍ତି, ଯାହା ସଠିକ୍ କ୍ରେଡିଟ୍ ପୋର୍ଟଫୋଲିଓ ଏବଂ CDO ବିପଦ ମଡେଲିଂ ପାଇଁ ଜରୁରୀ |
DigiCalcs delivers precision-engineered tools for engineers and STEM professionals.
ସୂତ୍ର
▾
ρ (i, j) = Cov (R_i, R_j) / (σ_i × σ_j)
ପୋର୍ଟଫୋଲିଓ ଭାରିଏନ୍ସ = Σ_i Σ_j w_i × w_j × σ_i × σ_j × i (i, j)
ବିବିଧକରଣ ଅନୁପାତ = ଓଜନ ବିଶିଷ୍ଟ ହାରାହାରି ଅସ୍ଥିରତା / ପୋର୍ଟଫୋଲିଓ ଅସ୍ଥିରତା |ଚଳ ବ୍ୟାଖ୍ୟା
▾
| ସଙ୍କେତ | ନାମ | ଏକକ | Description |
|---|---|---|---|
| ρ(i,j) | ପିଆରସନ୍ ସମ୍ପର୍କ କୋଏଫିସିଏଣ୍ଟ୍ | | dimensionless | I ଏବଂ j ସମ୍ପତ୍ତିର ରିଟର୍ନ ମଧ୍ୟରେ ର ar ଖ୍ୟ ସମ୍ବନ୍ଧ: −1 ରୁ +1 ମଧ୍ୟରେ | ସହ-ଗତି ଦିଗ ଏବଂ ଶକ୍ତି ମାପ କରେ | |
| σ_p² | ପୋର୍ଟଫୋଲିଓ ଭାରିଏନ୍ସ | | %² | ସମସ୍ତ ଯୋଡିରେ w_i × w_j × σ_i × σ_j × i (i, j) ର ସମଷ୍ଟି; ସମ୍ପତ୍ତି ମଧ୍ୟରେ କମ୍ ସମ୍ପର୍କ ଦ୍ୱାରା ହ୍ରାସ | |
| R | ମ୍ୟାଟ୍ରିକ୍ସ ଫେରସ୍ତ କରନ୍ତୁ | | % | T ସମୟ ଅବଧିରେ N ସମ୍ପତ୍ତି ପାଇଁ historical ତିହାସିକ ରିଟର୍ଣ୍ଣର T × N ମ୍ୟାଟ୍ରିକ୍ସ; ସମ୍ପର୍କ ମ୍ୟାଟ୍ରିକ୍ସ ଆକଳନ କରିବାକୁ ବ୍ୟବହୃତ ହୁଏ | |
| β_div | ବିବିଧତା ଲାଭ | | % | ବିବିଧକରଣରୁ ପୋର୍ଟଫୋଲିଓ ଅସ୍ଥିରତା ହ୍ରାସ: (ଓଜନ ବିଶିଷ୍ଟ ହାରାହାରି ଭୋଲ୍ - ପୋର୍ଟଫୋଲିଓ ଭଲମ୍) / ଓଜନ ହାରାହାରି ଭୋଲ୍ | |
| λ_min | ସର୍ବନିମ୍ନ ଇଜେନଭାଲ୍ | | dimensionless | ସମ୍ପର୍କ ମାଟ୍ରିକ୍ସର କ୍ଷୁଦ୍ର ଇଜେନଭାଲ୍; ସକରାତ୍ମକ ଅର୍ଦ୍ଧ-ନିର୍ଦ୍ଦିଷ୍ଟତା ପାଇଁ ≥ 0 ହେବା ଜରୁରୀ; ନକାରାତ୍ମକ ମୂଲ୍ୟଗୁଡିକ ଆକଳନ ସମସ୍ୟାଗୁଡିକ ସୂଚାଇଥାଏ | |
କିପରି Asset Correlation Calculator
▾
- 1ପୋର୍ଟଫୋଲିଓରେ ଥିବା ସମସ୍ତ ସମ୍ପତ୍ତି ପାଇଁ historical ତିହାସିକ ରିଟର୍ନ ତଥ୍ୟ ସଂଗ୍ରହ କରନ୍ତୁ: ଦ daily ନିକ, ସାପ୍ତାହିକ, କିମ୍ବା ମାସିକ ରିଟର୍ନ ଅତି କମରେ –-years ବର୍ଷ (ଅଧିକ ତଥ୍ୟ = ଅଧିକ ସ୍ଥିର ଆକଳନ) |
- 2ନମୁନାକୁ ଗଣନା କରନ୍ତୁ ପ୍ରତ୍ୟେକ ସମ୍ପତ୍ତି ପାଇଁ ଫେରସ୍ତ; ବିତରଣ ଅର୍ଥ ହେଉଛି ତଥ୍ୟକୁ କେନ୍ଦ୍ର କରିବା |
- 3ନମୁନା କୋଭାରିଆନ୍ସ ମ୍ୟାଟ୍ରିକ୍ସ ଗଣନା କରନ୍ତୁ: କୋଭ (i, j) = (1 / (T - 1)) × Σ (R_it - μ_i) (R_jt - μ_j) |
- 4ସମ୍ପର୍କକୁ ସ୍ ize ାଭାବିକ କରନ୍ତୁ: ρ (i, j) = Cov (i, j) / (σ_i × σ_j) | ନିର୍ମାଣ ଦ୍ Di ାରା ତ୍ରିକୋଣୀୟ ଉପାଦାନଗୁଡିକ 1.0 ଅଟେ |
- 5ସକରାତ୍ମକ ଅର୍ଦ୍ଧ-ନିର୍ଦ୍ଦିଷ୍ଟତା ଯାଞ୍ଚ କରନ୍ତୁ: ଗଣନା ଇଜେନଭାଲ୍ୟୁସ୍ | ଯଦି କ e ଣସି ଇଜେନଭାଲ୍ ନକାରାତ୍ମକ, ନିୟମିତକରଣ ପ୍ରୟୋଗ କରନ୍ତୁ (ଲେଡୋଟ୍-ଓଲଫ୍ ସଙ୍କୋଚନ, ନିକଟ PSD ମ୍ୟାଟ୍ରିକ୍ସ) |
- 6ସମ୍ପର୍କ ମ୍ୟାଟ୍ରିକ୍ସକୁ ବିଶ୍ଳେଷଣ କରନ୍ତୁ: ଅତ୍ୟଧିକ ସମ୍ବନ୍ଧୀୟ ସମ୍ପତ୍ତି କ୍ଲଷ୍ଟରଗୁଡିକ, ଶୂନ୍ୟ ନିକଟ ସମ୍ପର୍କଗୁଡିକ (ଭଲ ଡାଇଭର୍ସିଫାୟର୍ସ) ଏବଂ ନକାରାତ୍ମକ ସମ୍ପର୍କଗୁଡିକ (ପ୍ରାକୃତିକ ହେଜ୍) ଚିହ୍ନଟ କରନ୍ତୁ |
- 7ସମ୍ପର୍କ ମ୍ୟାଟ୍ରିକ୍ସ ଏବଂ ବ୍ୟକ୍ତିଗତ ଅସ୍ଥିରତା ବ୍ୟବହାର କରି ପୋର୍ଟଫୋଲିଓ ଭାରିଏନ୍ସ ଗଣନା କରନ୍ତୁ | ବିବିଧକରଣ ଲାଭ ଗଣନା କରନ୍ତୁ |
ସମାଧାନ ହୋଇଥିବା ଉଦାହରଣ
▾
ନକାରାତ୍ମକ ଇକ୍ୱିଟି-ବଣ୍ଡ ସମ୍ପର୍କ ହେଉଛି 60/40 ପୋର୍ଟଫୋଲିଓର ମୂଳଦୁଆ |
ପୋର୍ଟଫୋଲିଓ ଭିନ୍ନତା = (0.6) ² (0.15) ² + (0.4) ² (0.07) ² + 2 (0.6) (0.4) (0.15) (0.07) (- 0.25) = 0.0081 + 0.00078 - 0.00126 = 0.00762 ପୋର୍ଟଫୋଲିଓ σ = √0.00762 = 8.73% | ଓଜନ ହାରାହାରି σ = 0.6 × 15% + 0.4 × 7% = 11.8% | ବିବିଧତା ଲାଭ = (11.8% - 8.73%) / 11.8% = 26% | ଇକ୍ୱିଟି ଏବଂ ବଣ୍ଡ ମଧ୍ୟରେ ନକାରାତ୍ମକ ସମ୍ପର୍କ ହେଉଛି 60/40 ପୋର୍ଟଫୋଲିଓର ଗଠନମୂଳକ ଭିତ୍ତିଭୂମି - histor ତିହାସିକ ଭାବରେ, ଯେତେବେଳେ ଇକ୍ୱିଟି ବିମୁଦ୍ରାକରଣରେ ପଡ଼େ, ହାର ହ୍ରାସ ହେବା ସହିତ ବଣ୍ଡ ରାଲି ହୁଏ | 2022 ମସିହାରେ ଏହି ସମ୍ପର୍କ ଅବିଶ୍ୱସନୀୟ ହୋଇଗଲା ଯେତେବେଳେ ଉଭୟ ଏକାଠି ହେଲେ (ମୁଦ୍ରାସ୍ଫୀତି ଚାଳିତ ହାର ବୃଦ୍ଧି) |
ଉପଯୋଗିତା ଏବଂ ଶକ୍ତି ଅଧିକାଂଶ ବିବିଧତା ବନାମ ଟେକ୍ନୋଲୋଜି ପ୍ରଦାନ କରେ |
ସମ୍ପର୍କ ମ୍ୟାଟ୍ରିକ୍ସ ଦର୍ଶାଏ ଯେ ଟେକ୍ନୋଲୋଜି ଏବଂ ସ୍ care ାସ୍ଥ୍ୟ ଚିକିତ୍ସା ସବୁଠୁ ଅଧିକ ଜଡିତ (0.45) - ଉଭୟ ସମାନ ମାକ୍ରୋ ଫ୍ୟାକ୍ଟର୍ ପ୍ରତି ସମ୍ବେଦନଶୀଳ ଅଭିବୃଦ୍ଧି କ୍ଷେତ୍ର ଅଟେ | ଟେକ୍ନୋଲୋଜି (0.30) ଏବଂ ସ୍ୱାସ୍ଥ୍ୟସେବା (0.20) ସହିତ ଶକ୍ତିର ମଧ୍ୟମ ସମ୍ପର୍କ ଅଛି - ଏହା ଖଣିଜ ଚକ୍ର କାରକ ଦ୍ୱାରା ପରିଚାଳିତ | ଅନ୍ୟାନ୍ୟ କ୍ଷେତ୍ରଗୁଡିକ (0.10–0.35) ସହିତ ଉପଯୋଗିତାଗୁଡ଼ିକର ସର୍ବନିମ୍ନ ସମ୍ପର୍କ ଅଛି - ସୁଧ ହାର ସମ୍ବେଦନଶୀଳତା ଏବଂ ନିୟନ୍ତ୍ରିତ ଆୟ ଦ୍ୱାରା ପରିଚାଳିତ, ସେମାନଙ୍କୁ ସର୍ବୋତ୍ତମ ପୋର୍ଟଫୋଲିଓ ଡାଇଭର୍ସିଫାୟର୍ ଭାବରେ ପରିଣତ କରେ | ଉପଯୋଗୀତା ଯୋଡିବା ବହୁ ଆଶା କରାଯାଉଥିବା ରିଟର୍ଣ୍ଣକୁ ନଷ୍ଟ ନକରି ପୋର୍ଟଫୋଲିଓ ଭିନ୍ନତାକୁ ହ୍ରାସ କରେ |
ସଙ୍କଟ ସମ୍ପର୍କଗୁଡିକ 1.0 ଆଡକୁ ବ ike ଼ିଥାଏ, ଯେତେବେଳେ ଆବଶ୍ୟକ ହୁଏ ବିବିଧତାକୁ ନଷ୍ଟ କରିଥାଏ |
ସାଧାରଣ ବଜାରରେ, ଇକ୍ୱିଟି ଏବଂ କ୍ରେଡିଟ୍ (HY ବଣ୍ଡ) ର ମଧ୍ୟମ ସମ୍ପର୍କ (0.25) ଥାଏ, ଯାହା ଏକ ପୋର୍ଟଫୋଲିଓରେ ଅର୍ଥପୂର୍ଣ୍ଣ ବିବିଧତା ପ୍ରଦାନ କରିଥାଏ | 2008 ସଙ୍କଟରେ, ଉଭୟ ଇକ୍ୱିଟି ଏବଂ credit ଣ ବଜାର ଏକକାଳୀନ ଦୁର୍ଘଟଣାଗ୍ରସ୍ତ ହେଲା କାରଣ ବିପଦ ଘୃଣା ବ --଼ିଲା - ସମ୍ପର୍କ 0.85 କୁ ବୃଦ୍ଧି ପାଇଲା | ବିବିଧକରଣରୁ ପୋର୍ଟଫୋଲିଓ ବିପଦ ହ୍ରାସ 40% ରୁ ମାତ୍ର 8% କୁ ଖସିଗଲା | ଏହି 'ସମ୍ପର୍କ ଭାଙ୍ଗିବା' ଏକ ସୁ-ଦସ୍ତାବିଜିତ ପରୀକ୍ଷାମୂଳକ ନିୟମିତତା: ବିପଦ ସଂପତ୍ତି ମଧ୍ୟରେ ସମ୍ପର୍କ ହ୍ରାସ ସମୟରେ ବ ike ଼ିବାକୁ ଲାଗେ, ଯାହା ଆବଶ୍ୟକତା ସମୟରେ ବିବିଧତାକୁ କମ୍ ପ୍ରଭାବଶାଳୀ କରିଥାଏ | ଚାପ ପରୀକ୍ଷଣରେ ଷ୍ଟ୍ରେସ୍-ପିରିୟଡ୍ ସମ୍ପର୍କଗୁଡିକ ନିଶ୍ଚିତ ଭାବରେ ବ୍ୟବହୃତ ହେବା ଆବଶ୍ୟକ |
ସମୟ ସହିତ EM-US ସମ୍ପର୍କ ବୃଦ୍ଧି ପାଇଛି - ବିବିଧକରଣ ହ୍ରାସ କରୁଥିବା ଜଗତୀକରଣ |
ଆମେରିକାର ଇକ୍ୱିଟି ଏବଂ ଉଦୀୟମାନ ମାର୍କେଟ ମଧ୍ୟରେ ଗଡ଼ୁଥିବା 3 ବର୍ଷର ସମ୍ପର୍କ 2000 ମସିହାରୁ (1990 ଦଶକରେ 0.4–0.5 ରୁ 2010 ଦଶକରେ 0.7–0.8 ପର୍ଯ୍ୟନ୍ତ) ଯଥେଷ୍ଟ ବୃଦ୍ଧି ପାଇଛି, ଆଂଶିକ ଜଗତୀକରଣ, ସିଙ୍କ୍ରୋନାଇଜଡ୍ ମୁଦ୍ରା ନୀତି ଏବଂ ସୀମା ପୁଞ୍ଜି ପ୍ରବାହ ବୃଦ୍ଧି ହେତୁ | ସଙ୍କଟରେ (GFC 2008, COVID 2020), ସମ୍ପର୍କ 0.85–0.90 କୁ ବୃଦ୍ଧି ପାଇଲା | ଏହି ଧାରା - ସର୍ବଭାରତୀୟ ସ୍ତରରେ ବ rising ୁଥିବା ସମ୍ପର୍କ - ଆନ୍ତର୍ଜାତୀୟ ବିବିଧକରଣ ରଣନୀତି ପାଇଁ ଏକ ପ୍ରମୁଖ ଆହ୍ .ାନ, ଯାହା ବିବିଧତା ଭିତ୍ତିରେ EM ବଣ୍ଟନକୁ histor ତିହାସିକ ଭାବରେ ଯଥାର୍ଥ ଅଟେ | ବଜାରଗୁଡ଼ିକ ଏକୀଭୂତ ହେବା ସହିତ ସମୟ ସହିତ EM ଆବଣ୍ଟନର ବିବିଧତା ଲାଭ ହ୍ରାସ ପାଇଛି |
ବ୍ୟାବହାରିକ ପ୍ରୟୋଗ
▾
ପୋର୍ଟଫୋଲିଓ ନିର୍ମାଣ ଏବଂ ଅର୍ଥ-ଭାରିଏନ୍ସ ଅପ୍ଟିମାଇଜେସନ୍, ବ valid ଧ ଗଣନା ପ୍ରଣାଳୀ ଏବଂ ଶିଳ୍ପ-ମାନକ ଆଭିମୁଖ୍ୟ ଉପରେ ଆଧାର କରି ଅଭ୍ୟାସକାରୀମାନଙ୍କୁ ସୁଚିନ୍ତିତ ପରିମାଣିକ ନିଷ୍ପତ୍ତି ନେବାକୁ ସକ୍ଷମ କରେ, ଯାହା ପ୍ରମାଣ-ଆଧାରିତ ନିଷ୍ପତ୍ତି, ରଣନ strategic ତିକ ଉତ୍ସ ବଣ୍ଟନ, ଏବଂ ବିଭିନ୍ନ ସାଂଗଠନିକ ପ୍ରସଙ୍ଗ ଏବଂ ବୃତ୍ତିଗତ ଶୃଙ୍ଖଳା ମଧ୍ୟରେ କାର୍ଯ୍ୟଦକ୍ଷତା ଅପ୍ଟିମାଇଜେସନ୍ ପାଇଁ ସଠିକ୍ ପରିମାଣିକ ବିଶ୍ଳେଷଣ ଆବଶ୍ୟକ କରେ |
ବିପଦ ସମାନତା ଏବଂ ସର୍ବାଧିକ ବିବିଧକରଣ ପୋର୍ଟଫୋଲିଓ କ ies ଶଳ, ବିଶ୍ଳେଷକମାନଙ୍କୁ ସଠିକ୍ ଫଳାଫଳ ଉତ୍ପାଦନ କରିବାରେ ସାହାଯ୍ୟ କରେ ଯାହା ରଣନୀତିକ ଯୋଜନା, ଉତ୍ସ ଆବଣ୍ଟନ, ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ମାନଦଣ୍ଡକୁ ସମର୍ଥନ କରେ, ଯେଉଁଠାରେ ନିର୍ଭରଯୋଗ୍ୟ ଫଳାଫଳ ଉତ୍ପାଦନ ପାଇଁ ସଠିକ ସାଂଖ୍ୟିକ ଗଣନା ଜରୁରୀ ଅଟେ ଯାହା ଉଭୟ କର୍ପୋରେଟ୍ ଏବଂ ବ୍ୟକ୍ତିଗତ ସେଟିଂରେ ଯୋଜନା, ମୂଲ୍ୟାଙ୍କନ ଏବଂ ନିରନ୍ତର ଉନ୍ନତି ପ୍ରକ୍ରିୟାକୁ ସୂଚିତ କରେ |
ମୋଣ୍ଟେ କାର୍ଲୋ VaR ସିମୁଲେସନ୍ ସେଟଅପ୍ (ଚୋଲେସ୍କି ବିଚ୍ଛେଦ), ପ୍ରଫେସନାଲମାନଙ୍କୁ ଫଳାଫଳକୁ ବ୍ୟବସ୍ଥିତ ଭାବରେ ଆକଳନ କରିବାକୁ ଏବଂ ନିର୍ଭରଯୋଗ୍ୟ ଗାଣିତିକ framework ାଞ୍ଚା ଏବଂ ପ୍ରତିଷ୍ଠିତ ସୂତ୍ର ବ୍ୟବହାର କରି ପରିସ୍ଥିତି ତୁଳନା କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ, ବ୍ୟବସ୍ଥିତ ଗଣନା ପଦ୍ଧତି ଆବଶ୍ୟକ କରେ ଯାହା କଞ୍ଚା ଇନପୁଟ୍ ତଥ୍ୟକୁ ହିତାଧିକାରୀଙ୍କ ପାଇଁ କାର୍ଯ୍ୟକ୍ଷମ ଜ୍ଞାନରେ ଅନୁବାଦ କରେ ଯେଉଁମାନେ ସେମାନଙ୍କର ଦ daily ନନ୍ଦିନ ବୃତ୍ତିଗତ କାର୍ଯ୍ୟକଳାପରେ ପରିମାଣିକ କଠୋରତା ଉପରେ ନିର୍ଭର କରନ୍ତି |
ବେସେଲ୍ FRTB ଅଧୀନରେ ନିୟାମକ ସମ୍ବନ୍ଧୀୟ ଚାପ ପରୀକ୍ଷା, ତଥ୍ୟ ଚାଳିତ ମୂଲ୍ୟାଙ୍କନ ପ୍ରକ୍ରିୟାକୁ ସମର୍ଥନ କରେ ଯେଉଁଠାରେ ସାଂଖ୍ୟିକ ସଠିକତା ଅନୁପାଳନ, ରିପୋର୍ଟ, ଏବଂ ଅପ୍ଟିମାଇଜେସନ୍ ଉଦ୍ଦେଶ୍ୟ ପାଇଁ ଜରୁରୀ ଅଟେ, ଦୃ rob ଗଣନା ପ୍ରଣାଳୀ ଆବଶ୍ୟକ କରେ ଯାହା ବୃତ୍ତିଗତ ପରିବେଶରେ ରିପୋର୍ଟ, ଅଡିଟ୍ ଏବଂ ଦୀର୍ଘକାଳୀନ ଧାରା ବିଶ୍ଳେଷଣ ପାଇଁ ଉପଯୁକ୍ତ ସ୍ଥିର ଏବଂ ଯାଞ୍ଚଯୋଗ୍ୟ ଫଳାଫଳ ପ୍ରଦାନ କରେ |
ହେଜ୍ ପାଣ୍ଠି ଫ୍ୟାକ୍ଟର୍ ଏକ୍ସପୋଜର ଆଟ୍ରିବ୍ୟୁସନ୍ ଏବଂ ସମ୍ପର୍କ ହେଡିଂ, ଯାହା ପ୍ରମାଣ-ଆଧାରିତ ନିଷ୍ପତ୍ତି, ରଣନ strategic ତିକ ଉତ୍ସ ଆବଣ୍ଟନ ଏବଂ ବିଭିନ୍ନ ସାଂଗଠନିକ ପ୍ରସଙ୍ଗ ଏବଂ ବୃତ୍ତିଗତ ଶୃଙ୍ଖଳା ମଧ୍ୟରେ କାର୍ଯ୍ୟଦକ୍ଷତା ଅପ୍ଟିମାଇଜେସନ୍ ପାଇଁ ସଠିକ୍ ପରିମାଣିକ ବିଶ୍ଳେଷଣ ଆବଶ୍ୟକ କରେ |
ବିଶେଷ ଘଟଣା
▾
case 'କେସ୍': 'ଅଣ ଷ୍ଟେସନାରିଟିରୁ ଭ୍ରାନ୍ତ ସମ୍ପର୍କ', 'ବ୍ୟାଖ୍ୟା': 'ଯଦି
ସହଭାଗୀ ମ୍ୟାଟ୍ରିକ୍ସ ସହିତ କାର୍ଯ୍ୟ କରୁଥିବା ବୃତ୍ତିଗତମାନେ ଏହି ଦୃଶ୍ୟ ପ୍ରତି ବିଶେଷ ଧ୍ୟାନ ଦେବା ଉଚିତ କାରଣ ସଠିକ୍ ଭାବରେ ପରିଚାଳିତ ନହେଲେ ଏହା ବିଭ୍ରାନ୍ତିକର ଫଳାଫଳକୁ ନେଇପାରେ | ସର୍ବଦା ସୀମା ଅବସ୍ଥା ଯାଞ୍ଚ କରନ୍ତୁ ଏବଂ ଯେତେବେଳେ ଏହି ମାମଲା ଅଭ୍ୟାସରେ ଉପୁଜେ ସେତେବେଳେ ସ୍ independent ାଧୀନ ପଦ୍ଧତି ସହିତ କ୍ରସ୍-ଚେକ୍ କରନ୍ତୁ |
ଅଭ୍ୟାସରେ, ଏହି ଧାର ମାମଲା ଯତ୍ନର ସହ ବିଚାର କରିବା ଆବଶ୍ୟକ କରେ କାରଣ ମାନକ ଧାରଣା ଧାରଣ କରିନପାରେ | ସମ୍ପତ୍ତି ସମ୍ବନ୍ଧୀୟ କାଲକୁଲେଟର ଗଣନାରେ ଏହି ଦୃଶ୍ୟର ସାମ୍ନା କରିବାବେଳେ ଅଭ୍ୟାସକାରୀମାନେ ସୀମା ଅବସ୍ଥା ଯାଞ୍ଚ କରିବା, ବିଭାଜନ-ଶୂନ ବିପଦ ଯାଞ୍ଚ କରିବା ଉଚିତ ଏବଂ ଏହି ଚରମ ଅବସ୍ଥାରେ ମଡେଲର ଧାରଣା ବ valid ଧ ରହିବ କି ନାହିଁ ତାହା ବିଚାର କରିବା ଉଚିତ୍ |
case 'କେସ୍': 'ସମ୍ପର୍କ ବନାମ |
ସହଭାଗୀ ମ୍ୟାଟ୍ରିକ୍ସ ସହିତ କାର୍ଯ୍ୟ କରୁଥିବା ବୃତ୍ତିଗତମାନେ ଏହି ଦୃଶ୍ୟ ପ୍ରତି ବିଶେଷ ଧ୍ୟାନ ଦେବା ଉଚିତ କାରଣ ସଠିକ୍ ଭାବରେ ପରିଚାଳିତ ନହେଲେ ଏହା ବିଭ୍ରାନ୍ତିକର ଫଳାଫଳକୁ ନେଇପାରେ | ସର୍ବଦା ସୀମା ଅବସ୍ଥା ଯାଞ୍ଚ କରନ୍ତୁ ଏବଂ ଯେତେବେଳେ ଏହି ମାମଲା ଅଭ୍ୟାସରେ ଉପୁଜେ ସେତେବେଳେ ସ୍ independent ାଧୀନ ପଦ୍ଧତି ସହିତ କ୍ରସ୍-ଚେକ୍ କରନ୍ତୁ |
ସାଧାରଣ ସମ୍ପତ୍ତି ଶ୍ରେଣୀର ସମ୍ପର୍କ (ଲଙ୍ଗ-ରନ୍ ହାରାହାରି, USD ଦୃଷ୍ଟିକୋଣ)
▾
| ସମ୍ପତ୍ତି ଯୋଡି | | ସାଧାରଣ-ଅବଧି ρ | ସଙ୍କଟ-ଅବଧି ρ | ବିବିଧକରଣ ମୂଲ୍ୟ |
|---|---|---|---|
| US ଇକ୍ୱିଟି - US ଟ୍ରେଜେରୀ | | −0.25 ରୁ +0.10 | −0.40 ରୁ −0.60 | ବହୁତ ଉଚ୍ଚ (ଗୁଣବତ୍ତାକୁ ଉଡ଼ାଣ) |
| ଯୁକ୍ତରାଷ୍ଟ୍ର ଇକ୍ୱିଟି - ଉଚ୍ଚ ଅମଳ ବନ୍ଧନ | | 0.55–0.70 | 0.75–0.90 | ସଙ୍କଟରେ କମ୍ | |
| US ଇକ୍ୱିଟିସ୍ - ଆଇଜି କର୍ପୋରେଟ୍ ବଣ୍ଡ୍ | | 0.10–0.30 | 0.40–0.60 | ମଧ୍ୟମ |
| ଯୁକ୍ତରାଷ୍ଟ୍ର ଇକ୍ୱିଟି - ସୁନା | | −0.10 ରୁ +0.10 | −0.20 ରୁ +0.20 | ମଧ୍ୟମ |
| ଯୁକ୍ତରାଷ୍ଟ୍ର ଇକ୍ୱିଟି - ଉଦୀୟମାନ ବଜାର | | 0.70–0.80 | 0.85–0.92 | କମ୍ (ସମୟ ସହିତ ବ rising ୁଛି) |
| ଯୁକ୍ତରାଷ୍ଟ୍ର ଇକ୍ୱିଟି - ରିଏଲ୍ ଇଷ୍ଟେଟ୍ (REITs) | 0.60–0.75 | 0.70–0.85 | Low |
| ଆମେରିକାର ଟ୍ରେଜେରୀ - ସୁନା | | 0.0 ରୁ 0.15 | 0.0 ରୁ 0.20 | ମଧ୍ୟମ |
ବାରମ୍ବାର ଜିଜ୍ଞାସା
▾
ଅଭ୍ୟାସରେ ଦୁଇଟି ସମ୍ପତ୍ତି ମଧ୍ୟରେ 0.7 ର ସମ୍ପର୍କ କ’ଣ ବୁ? ାଏ?
0.7 ର ସମ୍ପର୍କର ଅର୍ଥ ହେଉଛି ଦୁଇଟି ସମ୍ପତ୍ତି ପ୍ରାୟ 70% ସମୟ (ଅନ inform ପଚାରିକ) ସମାନ ଦିଗରେ ଗତି କରିବାକୁ ଲାଗେ ଏବଂ ଗୋଟିଏ ସମ୍ପତ୍ତିର ଭିନ୍ନତାର ପ୍ରାୟ 49% (0.7²) ଅନ୍ୟଟିରେ ର ar ଖ୍ୟ ଗତି ଦ୍ୱାରା ବ୍ୟାଖ୍ୟା କରାଯାଇପାରେ | ପୋର୍ଟଫୋଲିଓ ଶବ୍ଦରେ, ଦୁଇଟି ସମ୍ପତ୍ତି ମଧ୍ୟରେ 0.7 ସମ୍ପର୍କ 0.0 କିମ୍ବା ନକାରାତ୍ମକ ସମ୍ପର୍କ ଅପେକ୍ଷା ବହୁତ କମ୍ ବିବିଧତା ଲାଭ ପ୍ରଦାନ କରେ | ବିଦ୍ୟମାନ ସ୍ଥିତିରେ 0.7 ସମ୍ପର୍କ ସହିତ ଦ୍ୱିତୀୟ ସମ୍ପତ୍ତି ଯୋଡିବା ପୋର୍ଟଫୋଲିଓ ମାନକ ବିଚ୍ୟୁତିକୁ କେବଳ ସମ୍ପତ୍ତିକୁ ଧରି ରଖିବା ତୁଳନାରେ ସାମାନ୍ୟ ହ୍ରାସ କରିଥାଏ | ପ୍ରକୃତ ବିବିଧକରଣ 0 କିମ୍ବା ନକାରାତ୍ମକ ନିକଟତର ସମ୍ପର୍କ ଆବଶ୍ୟକ କରେ |
ସମୟ ସହିତ ସମ୍ପର୍କ କାହିଁକି ବଦଳିଯାଏ?
ସମ୍ପର୍କ ଗଠନମୂଳକ ସ୍ଥିର ନୁହେଁ - ସେମାନେ ସାମ୍ପ୍ରତିକ ଅର୍ଥନ and ତିକ ଏବଂ ଆର୍ଥିକ ପରିବେଶକୁ ପ୍ରତିଫଳିତ କରନ୍ତି | ସ୍ଥିର ମାକ୍ରୋ ଅବସ୍ଥା ସହିତ ଷଣ୍ markets ବଜାରରେ, ବିପଦ ସଂପତ୍ତିର ଅପେକ୍ଷାକୃତ କମ୍ ସମ୍ପର୍କ ରହିପାରେ କାରଣ କମ୍ପାନୀ-ନିର୍ଦ୍ଦିଷ୍ଟ କାରଣଗୁଡିକ ପ୍ରାଧାନ୍ୟ ଦେଇଥାଏ | ଭାଲୁ ବଜାର ଏବଂ ସଙ୍କଟରେ, ମାକ୍ରୋ ରିସ୍କ୍ ଫ୍ୟାକ୍ଟର୍ ଗୁଡିକ ପ୍ରାଧାନ୍ୟ ବିସ୍ତାର କରନ୍ତି (ଗୁଣବତ୍ତାକୁ ଉଡ଼ାଣ, ବାଧ୍ୟତାମୂଳକ କାରବାର, କ୍ରେଡିଟ୍ କଡାକଡି), ବିପଦ ସଂପତ୍ତି ମଧ୍ୟରେ 1.0 ଆଡକୁ ସମ୍ପର୍କ ସ୍ଥାପନ କରିଥାଏ | ଅତିରିକ୍ତ ଭାବରେ, ବ global ୁଥିବା ଜଗତୀକରଣ, ସିଙ୍କ୍ରୋନାଇଜଡ୍ କେନ୍ଦ୍ରୀୟ ବ୍ୟାଙ୍କ ନୀତି ଏବଂ ପରିମାଣିକ ସହଜତା ଗତ ଦୁଇ ଦଶନ୍ଧି ମଧ୍ୟରେ ଗଠନମୂଳକ ଭାବରେ କ୍ରସ୍-ଆସେଟ୍ ସମ୍ପର୍କକୁ ବୃଦ୍ଧି କରିଛି | ବିପଦ ମଡେଲଗୁଡିକ ଯାହା ଦୀର୍ଘ ସମୟର ହାରାହାରି ସମ୍ପର୍କଗୁଡିକ ବ୍ୟବସ୍ଥିତ ଭାବରେ ସଙ୍କଟ ବିପଦକୁ ଅବକ୍ଷୟ କରିଥାଏ କାରଣ ସେମାନେ ଏହି ସମ୍ପର୍କ ଅସ୍ଥିରତାକୁ କାବୁ କରନ୍ତି ନାହିଁ |
ଏକ ସଙ୍କୋଚନ ସଙ୍କୋଚନକାରୀ କ’ଣ ଏବଂ ଏହା କାହିଁକି ଆବଶ୍ୟକ?
ସୀମିତ historical ତିହାସିକ ତଥ୍ୟ (ଟି ପର୍ଯ୍ୟବେକ୍ଷଣ) ଏବଂ ଅନେକ ସମ୍ପତ୍ତି (N) ସହିତ, ନମୁନା ସମ୍ବନ୍ଧୀୟ ମେଟ୍ରିକ୍ସ ଖରାପ ଆକଳନ ଏବଂ କୋଳାହଳ ହୋଇଯାଏ | ଯେତେବେଳେ T <N, ନମୁନା ମ୍ୟାଟ୍ରିକ୍ସ ମଧ୍ୟ ବିପରୀତ ନୁହେଁ | ଏପରିକି ଯେତେବେଳେ T> N, ଆନୁମାନିକ ତ୍ରୁଟି ହେତୁ ଅନେକ ଆନୁମାନିକ ଯୁଗ୍ମ ସମ୍ବନ୍ଧ ସେମାନଙ୍କ ପ୍ରକୃତ ମୂଲ୍ୟଠାରୁ ବହୁ ଦୂରରେ ରହିବ | ସଙ୍କୋଚନ ଆକଳନକାରୀ (ଲେଡୋଟ୍-ଓ୍ Wolf ଲଫ୍, ଓରାକଲ୍ ଆପ୍ରୋକ୍ସିମିଟିଙ୍ଗ୍ ସଙ୍କୋଚନ) ନମୁନା ସମ୍ବନ୍ଧୀୟ ମ୍ୟାଟ୍ରିକ୍ସକୁ ଏକ ସଂରକ୍ଷିତ ଲକ୍ଷ୍ୟ (ସାଧାରଣତ the ପରିଚୟ ମ୍ୟାଟ୍ରିକ୍ସ କିମ୍ବା ଏକ ଫ୍ୟାକ୍ଟର୍ ମଡେଲ୍) ଆଡକୁ ସଙ୍କୋଚନ କରି ନିୟମିତ କରିଥାନ୍ତି | ଏହା କିଛି ପକ୍ଷପାତର ମୂଲ୍ୟରେ ଆକଳନ ତ୍ରୁଟି ହ୍ରାସ କରେ, କିନ୍ତୁ ଉନ୍ନତ ଆଚରଣ, ସକରାତ୍ମକ-ନିର୍ଦ୍ଦିଷ୍ଟ ମ୍ୟାଟ୍ରିକ୍ସ ଉତ୍ପାଦନ କରେ ଯାହା ପୋର୍ଟଫୋଲିଓ ଅପ୍ଟିମାଇଜେସନ୍ ଏବଂ ବିପଦ ମଡେଲ ସ୍ଥିରତାକୁ ଉନ୍ନତ କରିଥାଏ |
ଲାଞ୍ଜ ନିର୍ଭରଶୀଳତା କ’ଣ ଏବଂ ର line ଖ୍ୟ ସମ୍ପର୍କ କାହିଁକି ଏହାକୁ କାବୁ କରେ ନାହିଁ?
ଲାଞ୍ଜ ନିର୍ଭରଶୀଳତା ସମ୍ଭାବନାକୁ ମାପ କରେ ଯାହା ଦୁଇଟି ସମ୍ପତ୍ତି ଏକାସାଙ୍ଗରେ ଚରମ ଗତି ଅନୁଭବ କରେ, କେଉଁ ର line ଖିକ ସମ୍ପର୍କ ପୂର୍ବାନୁମାନ କରିବ | ଦୁଇଟି ସମ୍ପତ୍ତିରେ ଶୂନ୍ୟ ର line ଖ୍ୟ ସମ୍ବନ୍ଧ ରହିପାରେ କିନ୍ତୁ ଉଚ୍ଚ ଲାଞ୍ଜ ନିର୍ଭରଶୀଳତା (ସେମାନେ ସାଧାରଣତ co ସହ-ଗତି ନକଲେ ମଧ୍ୟ ଏକତ୍ର କ୍ରାସ୍ ହୁଅନ୍ତି) | କପୁଲା ମଡେଲଗୁଡିକ ନିର୍ଭରଶୀଳ ସମ୍ପତ୍ତିରୁ ପ୍ରତ୍ୟେକ ସମ୍ପତ୍ତିର ମାର୍ଜିନାଲ ବଣ୍ଟନକୁ ପୃଥକ କରନ୍ତି | ଟି-କପୁଲା, ଗ uss ସିଆନ୍ କପୁଲା ପରି, ସମୃଦ୍ଧ ଉପର ଏବଂ ତଳ ଲାଞ୍ଜ ନିର୍ଭରଶୀଳତା ପ୍ରଦର୍ଶନ କରେ - ଏକ ଟି-କପୁଲା ଦ୍ୱାରା ମଡେଲ ହୋଇଥିବା ସମ୍ପତ୍ତି ଗାଉସିଆର କପୁଲାର ପୂର୍ବାନୁମାନ ଅପେକ୍ଷା ଏକତ୍ର ଖସିଯିବା କିମ୍ବା ବ ike ଼ିବା ସମ୍ଭାବନା ଅଧିକ | 2008 CDO ସଙ୍କଟରେ ଏହି ପାର୍ଥକ୍ୟ ଗୁରୁତ୍ was ପୂର୍ଣ ଥିଲା, ଯେଉଁଠାରେ ଗ uss ସିଆନ୍ କପୁଲା ମଡେଲଗୁଡିକ ଚାପରେ ମିଳିତ ଡିଫଲ୍ଟ ସମ୍ଭାବନାକୁ ନାଟକୀୟ ଭାବରେ ଅବମାନନା କରିଥିଲେ |
ଏକ ସମ୍ପର୍କ ମ୍ୟାଟ୍ରିକ୍ସ ଅବିଶ୍ୱସନୀୟ ହେବା ପୂର୍ବରୁ କେତେ ସମ୍ପତ୍ତି ଆବଶ୍ୟକ?
ଆଙ୍ଗୁଠିର ଏକ କଠୋର ନିୟମ: ଯଥେଷ୍ଟ ସ୍ଥିର ସମ୍ପର୍କ ଆକଳନ ପାଇଁ ଆପଣଙ୍କୁ ଅତି କମରେ T> 3N ପର୍ଯ୍ୟବେକ୍ଷଣ (ସମୟ ଅବଧି ବନାମ ସମ୍ପତ୍ତି ସଂଖ୍ୟା) ଆବଶ୍ୟକ | 252 ଦ daily ନିକ ପର୍ଯ୍ୟବେକ୍ଷଣ (1 ବର୍ଷ) ସହିତ, ଆପଣ ପ୍ରାୟ 80 ସମ୍ପତ୍ତି ପାଇଁ ସମ୍ପର୍କକୁ ନିର୍ଭରଯୋଗ୍ୟ ଭାବରେ ଆକଳନ କରିପାରିବେ | 2,000 ସମ୍ପତ୍ତି (ଏକ ସାଧାରଣ ବୃହତ ପୋର୍ଟଫୋଲିଓ) ପାଇଁ, ଆପଣଙ୍କୁ ଦ daily ନିକ 6,000 ରୁ ଅଧିକ ପର୍ଯ୍ୟବେକ୍ଷଣ (24 ବର୍ଷ) ଆବଶ୍ୟକ ହେବ - ସ୍ପଷ୍ଟ ଭାବରେ ଅକାରଣିକ | ଏହି କାରଣରୁ ଫ୍ୟାକ୍ଟର୍ ମଡେଲଗୁଡିକ (CAPM, Fama-French) ବୃହତ ପୋର୍ଟଫୋଲିଓ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ: ସେମାନେ ଅଳ୍ପ ସଂଖ୍ୟକ ସାଧାରଣ କାରକ ଏବଂ ଇଡିଓସିନ୍କ୍ରାଟିକ୍ ବିପଦକୁ ରିଟର୍ନ କ୍ଷୟ କରନ୍ତି, ଅଧିକ ସଂରଚନା ଏବଂ ସ୍ଥିର କୋଭାରିଆନ୍ସ ମଡେଲ୍ ପ୍ରଦାନ କରୁଥିବାବେଳେ ଆକଳନ କରିବାକୁ ପାରାମିଟର ସଂଖ୍ୟାକୁ ନାଟକୀୟ ଭାବରେ ହ୍ରାସ କରନ୍ତି |
ବିବିଧକରଣ ଅନୁପାତ କ’ଣ ଏବଂ ଏହା କିପରି ବ୍ୟବହୃତ ହୁଏ?
ବିବିଧକରଣ ଅନୁପାତ = (ଓଜନ ହାରାହାରି ବ୍ୟକ୍ତିଗତ ଅସ୍ଥିରତା) / (ପୋର୍ଟଫୋଲିଓ ଅସ୍ଥିରତା) | 1.0 ଅନୁପାତର ଅର୍ଥ କ no ଣସି ବିବିଧତା ଲାଭ ନୁହେଁ (ସମସ୍ତ ସମ୍ପତ୍ତି ସଂପୂର୍ଣ୍ଣ ରୂପେ ସଂଯୁକ୍ତ) | 2.0 ଅନୁପାତର ଅର୍ଥ ହେଉଛି ପୋର୍ଟଫୋଲିଓ ଅସ୍ଥିରତା ହେଉଛି ଓଜନ ବିଶିଷ୍ଟ ହାରାହାରି ବ୍ୟକ୍ତିଗତ ଅସ୍ଥିରତା - ମହତ୍ତ୍ୱପୂର୍ଣ୍ଣ ବିବିଧତା | ରିସ୍କ୍ ପ୍ୟାରିଟି ପୋର୍ଟଫୋଲିଓଗୁଡିକ ଆଶା କରାଯାଉଥିବା ରିଟର୍ନ ସହିତ ବିପରୀତ ଅନୁପଯୁକ୍ତ ହେବା ପରିବର୍ତ୍ତେ ପୋର୍ଟଫୋଲିଓ ରିସ୍କରେ ସେମାନଙ୍କର ଅବଦାନ ସହିତ ବିପରୀତ ଆନୁପାତିକ ଭାବରେ ସମ୍ପତ୍ତି ଓଜନ କରି ଡାଇଭର୍ସିଫିକେସନ୍ ଅନୁପାତକୁ ସର୍ବାଧିକ କରିଥାଏ | ମୋଷ୍ଟ ଡାଇଭର୍ସିଫାଏଡ୍ ପୋର୍ଟଫୋଲିଓ (MDP) - Choueifaty ଏବଂ Coignard ଦ୍ developed ାରା ବିକଶିତ - ଓଜନ ଚୟନ କରେ ଯାହା ଡାଇଭର୍ସିଫିକେସନ୍ ଅନୁପାତକୁ ସର୍ବାଧିକ କରିଥାଏ, ଆଶା କରାଯାଉଥିବା ରିଟର୍ଣ୍ଣ ବିଷୟରେ କ ass ଣସି ଧାରଣା ଦେଇନଥାଏ |
ଚାପ ପରୀକ୍ଷା ବନାମ ସାଧାରଣ ବିପଦ ମାପ ପାଇଁ ସମ୍ପର୍କଗୁଡିକ କିପରି ଆକଳନ କରାଯିବା ଉଚିତ୍?
ସାଧାରଣ VaR ଏବଂ ପୋର୍ଟଫୋଲିଓ ଅପ୍ଟିମାଇଜେସନ୍ ଏକ ପୂର୍ଣ୍ଣ ବଜାର ଚକ୍ରରୁ ଆନୁମାନିକ ସମ୍ପର୍କଗୁଡିକ ବ୍ୟବହାର କରିବା ଉଚିତ କିମ୍ବା ସାମ୍ପ୍ରତିକ ଓଜନ ଉପରେ ଗତିଶୀଳ ଓଜନ (EWMA) ସଫାସୁତୁରା ସହିତ ସାମ୍ପ୍ରତିକ ତଥ୍ୟକୁ ଗୁରୁତ୍ୱ ଦେଇଥାଏ | ଚାପ ପରୀକ୍ଷା ଏବଂ ସଙ୍କଟ CVaR ପାଇଁ, historical ତିହାସିକ ସଙ୍କଟ ସମୟରୁ ଆନୁମାନିକ ସମ୍ପର୍କ ବ୍ୟବହାର କରନ୍ତୁ - ବିଶେଷ ଭାବରେ ୱିଣ୍ଡୋରୁ ଯାହା GFC (2008), COVID କ୍ରାସ୍ (2020) କିମ୍ବା ଅନ୍ୟାନ୍ୟ ପ୍ରାସଙ୍ଗିକ ଚାପ ଘଟଣା ଅନ୍ତର୍ଭୁକ୍ତ କରେ | ବିପଦ ସଂପତ୍ତି ମଧ୍ୟରେ ସଙ୍କଟ-ଅବଧି ସମ୍ପର୍କ ସାଧାରଣତ full ପୂର୍ଣ୍ଣକାଳୀନ ହାରାହାରି ତୁଳନାରେ 30-50% ଅଧିକ | ପୁଞ୍ଜି ପର୍ଯ୍ୟାପ୍ତତା ବିଶ୍ଳେଷଣରେ ଚାପଗ୍ରସ୍ତ ସମ୍ପର୍କ ବ୍ୟବହାର କରିବା ବିପଜ୍ଜନକ ଧାରଣାକୁ ରୋକିଥାଏ ଯେ ଶାନ୍ତ ବଜାରରେ ଦେଖାଯାଇଥିବା ବିବିଧକରଣ ଲାଭ ସଙ୍କଟ ପରିସ୍ଥିତିରେ ରହିବ |
ଏଡ଼ାଇବା ଯୋଗ୍ୟ ସାଧାରଣ ଭୁଲ
▾
- !ରିଟର୍ନ ପରିବର୍ତ୍ତେ ମୂଲ୍ୟ ସ୍ତରରୁ କମ୍ପ୍ୟୁଟିଙ୍ଗ୍ ସଂଶୋଧନ - ଅଂଶୀଦାର ଟ୍ରେଣ୍ଡରୁ ସ୍ sp ଚ୍ଛ ଭାବରେ ଉଚ୍ଚ ସଂଶୋଧନ ସୃଷ୍ଟି କରେ |
- !ସଂକ୍ଷିପ୍ତ historical ତିହାସିକ ୱିଣ୍ଡୋ ବ୍ୟବହାର କରି (<1 ବର୍ଷ) ସମ୍ବନ୍ଧିତ ଆକଳନ ପାଇଁ ଯାହା ନିର୍ଦ୍ଦିଷ୍ଟ ସମୟ ପାଇଁ ଅତ୍ୟନ୍ତ ସମ୍ବେଦନଶୀଳ |
- !ସଙ୍କଟ-ଅବଧି ସମ୍ପର୍କ ପରିବର୍ତ୍ତେ ଚାପ ପରୀକ୍ଷଣରେ ସର୍ତ୍ତମୂଳକ ଦୀର୍ଘ ସମୟର ସମ୍ପର୍କ ବ୍ୟବହାର କରିବା |
- !ସକରାତ୍ମକ ଅର୍ଦ୍ଧ-ନିର୍ଦ୍ଦିଷ୍ଟତା ଆବଶ୍ୟକତାକୁ ଅଣଦେଖା କରିବା - ବିପଦ ମଡେଲରେ ଏକ PSD ନଥିବା ମ୍ୟାଟ୍ରିକ୍ସ ବ୍ୟବହାର କରିବା ଦ୍ୱାରା ନକାରାତ୍ମକ ପୋର୍ଟଫୋଲିଓ ଭିନ୍ନତା ଉତ୍ପନ୍ନ ହୋଇପାରେ |
- !ଉଚ୍ଚ ସମ୍ପର୍କକୁ ସ୍ଥାୟୀ ଭାବରେ ବ୍ୟବହାର କରିବା - ସମ୍ପର୍କଗୁଡ଼ିକ ସମୟ-ଭିନ୍ନ ଅଟେ ଏବଂ ନିୟମିତ ଭାବରେ ପୁନ estimated- ଆକଳନ କରାଯିବା ଉଚିତ |
ବିଶେଷ ଟିପ
ହାଇରାର୍କିକାଲ୍ କ୍ଲଷ୍ଟରିଙ୍ଗ ଦ୍ୱାରା ସଜାଯାଇଥିବା ଏକ ହଟମ୍ୟାପ୍ ଭାବରେ ସମ୍ପର୍କ ମ୍ୟାଟ୍ରିକ୍ସକୁ ଭିଜୁଆଲ୍ କରନ୍ତୁ | ଏହା ତୁରନ୍ତ ପ୍ରାକୃତିକ ସମ୍ପଦ କ୍ଲଷ୍ଟରଗୁଡିକ (ଉଚ୍ଚ ଆଭ୍ୟନ୍ତରୀଣ ସମ୍ପର୍କ ସହିତ ସମାନ ସମ୍ପତ୍ତିର ଗୋଷ୍ଠୀ) ଏବଂ ପ୍ରକୃତ ଡାଇଭର୍ସିଫାୟର୍ସ (ଏକାଧିକ କ୍ଲଷ୍ଟର ସହିତ ନିମ୍ନ ସମ୍ପର୍କ ସହିତ ସମ୍ପତ୍ତି) ପ୍ରକାଶ କରେ | ପୋର୍ଟଫୋଲିଓ ନିର୍ମାଣକୁ ମାର୍ଗଦର୍ଶନ କରିବା ପାଇଁ ଏହି ସଂରଚନାକୁ ବ୍ୟବହାର କରନ୍ତୁ |
ଆପଣ ଜାଣନ୍ତି କି?
ହ୍ୟାରି ମାର୍କୋୱିଜ୍, ଯିଏ ଆଧୁନିକ ପୋର୍ଟଫୋଲିଓ ଥିଓରୀ ଏବଂ ପୋର୍ଟଫୋଲିଓ ନିର୍ମାଣରେ ସମ୍ପର୍କର ପରିମାଣିକ ଭୂମିକା ଗ୍ରହଣ କରିଥିଲେ, 1990 ରେ ଅର୍ଥନୀତିରେ ନୋବେଲ ପୁରସ୍କାର ପାଇଥିଲେ। ସେ ପ୍ରଥମେ ନିଜର ପେନ୍ସନ୍ ସଞ୍ଚୟକୁ 50/50 ଷ୍ଟକ୍ ଏବଂ ବଣ୍ଡରେ ବିନିଯୋଗ କରିଥିଲେ - ନିଜର ଅପ୍ଟିମାଇଟି ଗଣନାକୁ ଅଣଦେଖା କରିଥିଲେ - କାରଣ ବଜାର ଦୁର୍ଘଟଣାଗ୍ରସ୍ତ ହେଲେ ଷ୍ଟକ୍ରେ ଭାରୀ ଥିବାରୁ ସେ ଅନୁତାପ କରିବାକୁ ଚାହୁଁନଥିଲେ। ପରିମାଣିକ ପୋର୍ଟଫୋଲିଓ ସିଦ୍ଧାନ୍ତର ପିତା ମଧ୍ୟ ଆଚରଣଗତ ବିଚାର ବିନା ଶୁଦ୍ଧ ଅପ୍ଟିମାଇଜେସନର ସୀମାକୁ ସ୍ୱୀକାର କଲେ |
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
ସନ୍ଦର୍ଭ
ସାପ୍ତାହିକ ଗଣିତ ଟିପ୍ସ ପାଆନ୍ତୁ |
12,000 + ଗ୍ରାହକମାନଙ୍କ ସହିତ ଯୋଗ ଦିଅନ୍ତୁ ଯେଉଁମାନେ ପ୍ରତି ସପ୍ତାହରେ କାଲକୁଲେଟର ଟିପ୍ସ ପାଆନ୍ତି |