Czym jest VaR Backtesting Calculator?
▾
Weryfikacja historyczna VaR to statystyczny proces walidacji modelu wartości zagrożonej poprzez porównanie przewidywanych szacunków VaR z później zrealizowanymi zyskami i stratami portfela. Przekroczenie (lub „wyjątek”) ma miejsce w dowolnym dniu, w którym rzeczywista strata portfela przekracza przewidywaną wartość VaR na ten dzień. W przypadku prawidłowo określonego modelu VaR 99% spodziewamy się, że przekroczenia wystąpią w około 1% dni handlowych – około 2–3 dni w roku w przypadku kalendarza liczącego 250 dni handlowych. Testowanie historyczne zadaje pytanie: czy zaobserwowana liczba przekroczeń jest statystycznie zgodna z przewidywaniami modelu? Komitet Bazylejski po raz pierwszy sformalizował wymogi dotyczące weryfikacji historycznej wartości zagrożonej w swojej Poprawce dotyczącej ryzyka rynkowego (1996) i udoskonalił je w drodze kolejnych porozumień. Zgodnie z Bazyleą III banki stosujące wewnętrzne modele VaR dla kapitału ryzyka rynkowego muszą codziennie przeprowadzać weryfikację historyczną swoich 99% jednodniowych szacunków VaR w porównaniu z rzeczywistymi zyskami i stratami. Ramy regulacyjne sygnalizacji świetlnej klasyfikują wynik testu historycznego na podstawie liczby przekroczeń w ciągu ostatnich 250 dni handlowych: 0–4 przekroczenia (strefa zielona) – model przechodzi; 5–9 przekroczeń (strefa żółta) – podwyższony mnożnik kapitału; Przekroczenia 10+ (strefa czerwona) — model zawodzi, wymaga rewizji i potencjalnie przejścia do podejścia standardowego. Test Kupica (1995) proporcji uszkodzeń (POF) jest podstawowym testem statystycznym: sprawdza, czy zaobserwowana liczba przekroczeń jest zgodna z podanym poziomem ufności VaR, za pomocą testu ilorazu wiarygodności. Hipoteza zerowa głosi, że prawdziwe prawdopodobieństwo przekroczenia wynosi (1 – poziom ufności). Test pokrycia warunkowego Christoffersena (1998) poprawia Kupca, sprawdzając również, czy przekroczenia są niezależne w czasie — prawidłowy model VaR nie powinien mieć grupujących się przekroczeń (co wskazywałoby, że model wolno dostosowuje się do zmieniającej się zmienności). Sama weryfikacja historyczna nie wystarczy, aby w pełni zweryfikować model VaR. Przypisanie zysków i strat (wyjaśnienie każdego dnia zysków i strat przy użyciu czynników ryzyka modelu) jest wymagane w ramach Bazylejskiego FRTB. Hipotetyczny rachunek zysków i strat (wykorzystujący bieżące pozycje portfela przeszacowane wczorajszymi zmianami rynkowymi) musi być zgodny z teoretycznym zyskiem (z modelu ryzyka). Modele, które przejdą weryfikację historyczną, ale nie przypisują zysków i strat, mogą nadal być obarczone znacznym ryzykiem modelu. Walidacja modelu wykracza poza weryfikację historyczną i obejmuje analizę wrażliwości, testy warunków skrajnych, analizę porównawczą z modelami alternatywnymi i przegląd założeń modelowania. Analiza wielkości przekroczenia (czy straty w dni wyjątkowe są znacznie większe niż VaR, co sugeruje grube ogony?) uzupełnia podejście oparte na liczbach.
DigiCalcs delivers precision-engineered tools for engineers and STEM professionals.
Wzór
▾
Oczekiwane przekroczenia = (1 - Pewność) × N
Kupiec LR = −2 × [ln((1−p)^(N−x) × p^x) − ln((1−x/N)^(N−x) × (x/N)^x)]
Wartość krytyczna: χ²(1) przy 5% = 3,84 | χ²(2) przy 5% = 5,99 (Christoffersen)Opis zmiennych
▾
| Symbol | Imię | Jednostka | Opis |
|---|---|---|---|
| N | Całkowita liczba dni obserwacji | days | Liczba dni handlowych w oknie analizy historycznej; Bazylea wymaga minimum 250 dni handlowych (≈1 rok kalendarzowy). |
| x | Liczba przekroczeń | count | Dni, w których faktyczna strata zysków i strat przekroczyła szacunkową wartość VaR; oczekiwane = (1-ufność) × N. |
| p | Oczekiwany współczynnik przekroczenia | % | Podany współczynnik przekroczenia modelu VaR: 1% dla 99% VaR, 5% dla 95% VaR. |
| LR_POF | Statystyka testu Kupca LR | chi-squared | Współczynnik prawdopodobieństwa do sprawdzenia, czy zaobserwowany wskaźnik przekroczenia odpowiada oczekiwanemu wskaźnikowi; w porównaniu z wartością krytyczną χ²(1). |
| CC_test | Statystyka Christoffersena | chi-squared | Sprawdza zarówno poprawność proporcji, jak i niezależność przekroczeń; rozkład χ²(2); wykrywa grupowanie wyjątków. |
Jak VaR Backtesting Calculator
▾
- 1Zbieraj dzienne szacunki VaR (przy określonym poziomie ufności) i rzeczywiste dzienne zyski i straty dla okna weryfikacji historycznej (minimum 250 dni handlowych).
- 2Licz przekroczenia: dni, w których strata > szacunkowa VaR (tj. rzeczywiste zyski i straty są bardziej ujemne niż −VaR).
- 3Oblicz oczekiwane przekroczenia: E[x] = (1−przekonanie) × N. Dla 99% VaR w ciągu 250 dni: E[x] = 2,5.
- 4Zastosuj test Kupica POF: oblicz statystykę LR ze wzoru; w porównaniu do χ²(1) = 3,84 przy istotności 5%. Jeśli LR > 3,84, model nie przechodzi testu.
- 5Zastosuj test pokrycia warunkowego Christoffersena: zbuduj macierz przejściową 2×2 przekroczeń z kolejnych dni; sprawdzić niezależność przekroczeń.
- 6Zastosuj ramy sygnalizacji świetlnej w Bazylei: 0–4 wyjątki = kolor zielony (brak działań); 5–9 = żółty (narzut na kapitał); 10+ = czerwony (awaria modelu).
- 7Przeanalizuj wielkość wyjątku: czy straty w dni wyjątkowe są jedynie nieznacznie wyższe od VaR, czy też znacznie większe? Duże przekroczenia sugerują niedoszacowanie typu „gruby ogon”.
Rozwiązane przykłady
▾
Model spełnia oczekiwania — 3 przekroczenia zgodne z oczekiwaną wartością VaR wynoszącą 99%.
Oczekiwane przekroczenia = 1% × 250 = 2,5. Zaobserwowane = 3. LR_POF = −2 × [ln((0,99)^247 × (0,01)^3) − ln((0,988)^247 × (0,012)^3)] ≈ 0,076, czyli znacznie poniżej wartości krytycznej χ²(1) wynoszącej 3,84. Modelu nie można odrzucić. 3 przekroczenia w ciągu 250 dni są bardzo zgodne z modelem VaR wynoszącym 99%. Bazylejska sygnalizacja świetlna: zielona strefa (0–4 wyjątki) — brak kary za mnożnik kapitału. Jest to oczekiwany wynik w przypadku dobrze określonego, regularnie aktualizowanego modelu VaR.
Model zawodzi mocno — 12 przekroczeń oznacza, że rzeczywiste ryzyko wynosi 5× oszacowanie modelu VaR
12 przekroczeń vs oczekiwane 2,5 – przekroczenie 4,8×. LR = −2 × [ln(0,99^238 × 0,01^12) − ln(0,952^238 × 0,048^12)] ≈ 24,1, co znacznie przekracza χ²(1)=3,84. Model jest statystycznie odrzucany na dowolnym rozsądnym poziomie istotności. Bazylea Czerwona Strefa (ponad 10 wyjątków): bank musi wyjaśnić organom regulacyjnym błędy modelu, zwiększa się mnożnik kapitału, a bank może być zmuszony do przejścia na standardowe podejście do kapitału. Najczęstsze przyczyny: niedoszacowana zmienność, zignorowanie grubych ogonów, niewystarczające uchwycenie korelacji lub model zastosowany poza zakresem kalibracji.
Brak niezależności oznacza, że model nie dostosowuje się szybko do zmian reżimu zmienności
5 przekroczeń w ciągu 250 dni przy 99% VaR znajduje się w żółtej strefie Bazylei. Test Kupica POF może marginalnie przejść (na granicy). Jednak 4 z 5 wyjątków występujących w kolejnych dniach jest mocnym naruszeniem założenia niezależności. Test CC Christoffersena oblicza macierz przejścia: (dzień po braku wyjątku jest wyjątkiem) vs. (dzień po wyjątku jest wyjątkiem). Jeśli p(wyjątek | poprzedni wyjątek) >> p(wyjątek | poprzedni brak wyjątku), niezależność kończy się niepowodzeniem. Grupowanie wskazuje, że model VaR wolno reaguje na skoki zmienności – prawdopodobnie wykorzystuje długie okno historyczne lub zmienność kroczącą, a nie estymator adaptacyjny.
Jeden katastrofalny dzień (2,1 mln USD = 4,2 × VaR) sugeruje niedoszacowanie grubych ogonów
Cztery z pięciu wyjątków jedynie nieznacznie przekraczają VaR (480–550 tys. USD) – są to wartości oczekiwane i zgodne z dobrze skalibrowanym modelem. Jednak pewnego dnia zanotowano stratę w wysokości 2,1 mln dolarów, czyli 4,2 razy więcej niż szacowano VaR. Taka wartość odstająca jest niezwykle mało prawdopodobna w przypadku rozkładu normalnego (prawdopodobieństwo straty > 4,2σ ≈ 0,001%). Sugeruje to, że rozkład zwrotu ma grube ogony, których model VaR nie uwzględnia. Średni wyjątek = 832 tys. USD to 1,66× VaR – oczekuje się, że będzie to około 1,14× dla 99% normalnej VaR – co ponownie sugeruje grube ogony. Analiza wielkości wyjątku uruchamia przegląd modelu, nawet jeśli liczba (5) znajduje się w żółtej strefie.
Zastosowania praktyczne
▾
Sprawozdawczość banków w zakresie kapitału regulacyjnego w ramach Basel III FRTB, reprezentująca ważny obszar zastosowań testu Var Back Testing w kontekstach zawodowych i analitycznych, gdzie dokładne obliczenia metodą Var Back Testing bezpośrednio wspierają świadome podejmowanie decyzji, planowanie strategiczne i optymalizację wydajności
Wewnętrzna walidacja modeli i zarządzanie ryzykiem modeli, stanowiące ważny obszar zastosowań testu Var Back Testing w kontekstach zawodowych i analitycznych, gdzie dokładne obliczenia testów historycznych Var bezpośrednio wspierają podejmowanie świadomych decyzji, planowanie strategiczne i optymalizację wydajności
Monitorowanie wyników modelu ryzyka funduszy hedgingowych, stanowiące ważny obszar zastosowań testu historycznego Var Back Testing w kontekstach zawodowych i analitycznych, gdzie dokładne obliczenia testu historycznego Var bezpośrednio wspierają podejmowanie świadomych decyzji, planowanie strategiczne i optymalizację wyników
Walidacja modelu ryzyka firmy ubezpieczeniowej w ramach Solvency II, reprezentująca ważny obszar zastosowań testu Var Back Testing w kontekstach zawodowych i analitycznych, gdzie dokładne obliczenia testu historycznego Var bezpośrednio wspierają świadome podejmowanie decyzji, planowanie strategiczne i optymalizację wydajności
Atrybucja wyników Trading Desk — odróżniająca zyski i straty od ekspozycji na czynniki ryzyka, reprezentująca ważny obszar zastosowań testów Var Back Testing w kontekstach zawodowych i analitycznych, gdzie dokładne obliczenia testów historycznych var bezpośrednio wspierają świadome podejmowanie decyzji, planowanie strategiczne i optymalizację wydajności
Przypadki szczególne
▾
W przypadku testów wstecznych Var ten scenariusz wymaga dodatkowej ostrożności podczas interpretacji wyników testów wstecznych Var. Standardowy wzór może nie uwzględniać w pełni wszystkich czynników występujących w tym przypadku skrajnym i uzasadniona może być dodatkowa analiza lub konsultacja ekspercka. Najlepsza praktyka zawodowa obejmuje dokumentowanie założeń, przeprowadzanie analiz wrażliwości i porównywanie wyników z metodami alternatywnymi, gdy obliczenia z testów historycznych wykraczają poza standardowe terytorium.
Niezwykle duże lub małe wartości wejściowe w teście Var Back mogą wypchnąć var z powrotem
Ekstremalnie duże lub małe wartości wejściowe w teście Var Back mogą wypchnąć obliczenia testu Var Back poza typowe zakresy operacyjne. Chociaż matematycznie poprawne, wyniki ekstremalnych danych wejściowych mogą nie odzwierciedlać realistycznych scenariuszy testów historycznych i należy je interpretować ostrożnie. W profesjonalnych ustawieniach testów historycznych wartości ekstremalne często wskazują na błędy pomiarowe, nietypowe warunki lub przypadki skrajne wymagające dodatkowej analizy. Użyj analizy wrażliwości, aby zrozumieć, jak zmieniają się wyniki w wiarygodnych zakresach wejściowych, zamiast polegać na pojedynczych obliczeniach w skrajnych przypadkach.
W przypadku testów wstecznych Var ten scenariusz wymaga dodatkowej ostrożności podczas interpretacji wyników testów wstecznych Var. Standardowy wzór może nie uwzględniać w pełni wszystkich czynników występujących w tym przypadku skrajnym i uzasadniona może być dodatkowa analiza lub konsultacja ekspercka. Najlepsza praktyka zawodowa obejmuje dokumentowanie założeń, przeprowadzanie analiz wrażliwości i porównywanie wyników z metodami alternatywnymi, gdy obliczenia z testów historycznych wykraczają poza standardowe terytorium.
Basel Traffic Light: Progi wyjątków dla 99% VaR w ciągu 250 dni
▾
| Wyjątki (x) | Prawdopodobieństwo (jeśli model jest poprawny) | Prawdopodobieństwo skumulowane | Strefa | Mnożnik kapitału k |
|---|---|---|---|---|
| 0 | 8,1% | 8,1% | Zielony | 3.00 |
| 1 | 20,5% | 28,6% | Zielony | 3.00 |
| 2 | 25,7% | 54,4% | Zielony | 3.00 |
| 3 | 21,5% | 75,9% | Zielony | 3.00 |
| 4 | 13,5% | 89,4% | Zielony | 3.00 |
| 5 | 6,8% | 96,2% | Żółty | 3.40 |
| 6–9 | 3,5% | 99,7% | Żółty | 3,50–3,85 |
| 10+ | 0,3% | ≥99,7% | Red | 4.00 |
Często zadawane pytania
▾
Dlaczego weryfikacja historyczna jest ważna w przypadku modeli VaR?
Testowanie historyczne to empiryczne potwierdzenie, że model VaR zapewnia kalibrację, o której twierdzi. Bank deklarujący VaR na poziomie 99% powinien z definicji ponosić straty przekraczające VaR w około 1% przypadków. Bez weryfikacji historycznej model mógłby systematycznie zaniżać ryzyko (generując zbyt niską wartość VaR, co zmniejsza wymogi kapitałowe) bez mechanizmu rozliczalności. Testowanie historyczne tworzy regulacyjną pętlę sprzężenia zwrotnego: modele, które zawodzą, są karane dodatkami kapitałowymi, tworząc zachęty finansowe dla banków do utrzymywania dobrze skalibrowanych modeli. Testowanie historyczne pomaga także menedżerom ds. ryzyka zidentyfikować, kiedy modele stają się przestarzałe ze względu na zmienioną dynamikę rynku.
Jaka jest różnica między czystymi a brudnymi zyskami i stratami w przypadku weryfikacji historycznej?
Czysty rachunek zysków i strat (hipotetyczny zysk i strata) mierzy zysk lub stratę z wczorajszych pozycji portfela przeszacowanych przy użyciu dzisiejszych cen rynkowych – izolując czystą ekspozycję na ryzyko rynkowe bez wpływu nowych transakcji, opłat lub zmian w portfelu. Brudne zyski i straty (rzeczywiste zyski i straty) obejmują wszystkie zyski i straty ze wszystkich źródeł: przychody z handlu, nowe pozycje, przychody z opłat i pozycje operacyjne. Basel FRTB wymaga weryfikacji historycznej w odniesieniu do hipotetycznych czystych zysków i strat, ponieważ model VaR szacuje ryzyko istniejącego portfela, a nie portfela rozwijającego się. Jeśli VaR porównamy z brudnymi zyskami i stratami, dobre dni handlowe mogą przesłonić niepowodzenia modelu ryzyka i odwrotnie.
Ile lat weryfikacji historycznej potrzeba do wiarygodnej walidacji modelu?
Minimalny wymóg regulacyjny to 250 dni handlowych (≈1 rok). Jest to jednak statystycznie dość ograniczone: przy VaR wynoszącym 99% rocznie zdarza się jedynie 2,5 oczekiwanych wyjątków. Błąd standardowy szacowanego współczynnika wyjątków przy 2,5 obserwacji jest bardzo wysoki — nie da się rozróżnić modelu, który daje rzeczywiste współczynniki wyjątków 0,5%, 1%, 1,5% lub 2% przy zaledwie 250 obserwacjach. W celu solidnej walidacji preferowane są dane z 3–5 lat. Nawet wtedy test Kupica ma małą skuteczność w rozróżnianiu małych błędów systematycznych. Dlatego też oprócz weryfikacji historycznej wymagane są liczne testy statystyczne i dodatkowe metody walidacji (testy warunków skrajnych, przypisanie zysków i strat).
Jaki jest system sygnalizacji świetlnej w Bazylei do celów weryfikacji historycznej VaR?
Bazylejski system sygnalizacji świetlnej (wprowadzony w 1996 r. i zaktualizowany w Bazylei III) klasyfikuje wyniki modelu VaR na podstawie liczby wyjątków związanych z weryfikacją historyczną w ciągu ostatnich 250 dni handlowych: Zielona strefa (0–4 wyjątków) — zaliczenie modelu, brak kary kapitałowej; Strefa Żółta (wyjątki 5–9) — mnożnik kapitału k wzrasta z 3,0 do 3,4–4,0 w zależności od liczby oraz wzrasta kontrola regulacyjna; Strefa czerwona (10+ wyjątków) – model kończy się niepowodzeniem, k=4,0 i więcej, a bank może być zmuszony do przejścia na podejście standardowe. Progi ustala się tak, aby równoważyć błąd typu I (odrzucenie dobrych modeli) i błąd typu II (akceptacja złych modeli) dla próbki 250-dniowej.
Co to jest przypisanie zysków i strat i jaki ma związek z weryfikacją historyczną?
Przypisanie zysków i strat (PLA) wymaga od banków wyjaśnienia rzeczywistych zysków i strat każdego dnia poprzez rozbicie ich na składowe czynników ryzyka ujętych w modelu VaR. W ramach Bazylejskiego FRTB różnica pomiędzy teoretycznymi zyskami i stratami modelu VaR (z wykorzystaniem czynników ryzyka modelu) a rzeczywistymi hipotetycznymi zyskami i stratami musi być niewielka i niepowiązana z rzeczywistymi zyskami i stratami. Jeżeli istnieją znaczące zyski i straty niewyjaśnione przez model (reszty modelu są duże), sugeruje to, że w modelu VaR brakuje ważnych czynników ryzyka i może on zaniżać ryzyko. PLA odbywa się na poziomie trading desku, podczas gdy weryfikacja historyczna jest również przeprowadzana na poziomie deski w ramach FRTB.
Czy testowanie historyczne może wykryć błędną specyfikację modelu wykraczającą poza samą częstotliwość?
Standardowa analiza historyczna Kupca wykrywa jedynie nieprawidłową częstotliwość przekroczeń. Nie jest w stanie wykryć: (1) nieprawidłowego kształtu ogona – jeżeli model nie docenia dotkliwości strat w dni wyjątkowe; (2) nieprawidłowa wrażliwość na czynniki ryzyka – jeżeli model prawidłowo przewiduje częstotliwość, ale z błędnych powodów; (3) błędne określenie korelacji – jeżeli korzyści z dywersyfikacji są zawyżone. Test Christoffersena dodaje test niezależności. Dodatkową moc diagnostyczną zapewniają testy oparte na funkcjach straty (porównanie oczekiwanego i zrealizowanego rozkładu zysków i strat) oraz testy oparte na regresji. Kompletny program walidacji modelu wykorzystuje wiele testów, testów warunków skrajnych, analizę wrażliwości i ekspercki przegląd modelu w celu zidentyfikowania różnych typów błędnych specyfikacji.
Co powinien zrobić menedżer ds. ryzyka, gdy model VaR wykazuje zbyt wiele wyjątków?
Nadmiar wyjątków uruchamia ustrukturyzowany proces przeglądu modelu: (1) Zbadaj każdy wyjątek: czy strata była spowodowana konkretnym zdarzeniem, błędem w danych czy autentyczną wadą modelu? (2) Sprawdź, czy szacunki zmienności są aktualne – przestarzałe założenia dotyczące zmienności są częstą przyczyną niedoszacowania VaR na szybko zmieniających się rynkach. (3) Przegląd założeń dotyczących korelacji – sprawdź, czy w stosownych przypadkach stosuje się korelacje kryzysowe. (4) Przetestuj założenia dotyczące alternatywnego rozkładu — zastąp normalny rozkładem t lub symulacją historyczną. (5) Zbadaj ryzyko koncentracji, które nie zostało w pełni ujęte w modelu. (6) Jeżeli nie można szybko naprawić modelu, należy zwiększyć obciążenia kapitałowe lub zmniejszyć limity pozycji do czasu ponownej kalibracji modelu.
Częste błędy do unikania
▾
- !Testowanie historyczne w oparciu o rzeczywiste niekorzystne zyski i straty (w tym nowe transakcje i opłaty) zamiast hipotetycznych czystych zysków i strat wynikających z utrzymywania pozycji z poprzedniego dnia.
- !Stosowanie zbyt krótkiego okna weryfikacji historycznej (< 250 dni), które zapewnia niewystarczającą moc statystyczną, aby odróżnić dobre modele od złych.
- !Niepowodzenie w badaniu klastrów wyjątków — traktowanie wszystkich wyjątków jako niezależnych zdarzeń, gdy grupowanie ujawnia błędy aktualizacji modelu.
- !Pomijając wielkość wyjątków – model z 2 wyjątkami, oba wynoszące 5× VaR, jest bardziej niepokojący niż 4 wyjątki, każdy nieco powyżej VaR.
- !Nie przeprowadzanie testów historycznych na poziomie działu handlowego (wymóg FRTB) i przeprowadzanie jedynie testów historycznych obejmujących całą firmę, które mogą maskować awarie na poziomie biurka.
Wskazówka Pro
Utrzymuj kroczący wykres analizy historycznej przedstawiający skumulowane wyjątki w ciągu ostatnich 250 dni wraz z progami zielonymi/żółtymi/czerwonymi. Narysuj ten wykres codziennie, aby pogorszenie stanu modelu było widoczne jako trend, zanim model przekroczy żółtą strefę, co umożliwi proaktywną rekalibrację.
Czy wiedziałeś?
Bazylejskie ramy weryfikacji historycznej sygnalizacji świetlnej zostały wprowadzone w poprawce dotyczącej ryzyka rynkowego z 1996 r. po tym, jak organy regulacyjne odkryły, że modele VaR niektórych banków, przechodząc wewnętrzną walidację, dawały systematycznie niskie szacunki VaR, co skutecznie wpływało na system kapitałowy. Próg wynoszący 250 dni i wynoszący 99% ze strefami zielonymi/żółtymi/czerwonymi został wybrany specjalnie w celu zrównoważenia dwóch konkurujących ze sobą zagrożeń: nieprawidłowego karania dobrych modeli (błąd typu I) vs. niewykrywania złych modeli (błąd typu II). Nawet dzisiaj ramy te uznaje się za statystycznie niewystarczające — potrzeba wielu miesięcy utrzymujących się niepowodzeń modelu, zanim zgromadzą się wystarczające dowody, aby uruchomić czerwoną strefę.
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
Źródła
- ›Kupiec, P.H. (1995): Techniki weryfikacji dokładności modeli pomiaru ryzyka, Journal of Derivatives
- ›Christoffersen, P. (1998): Evaluating Interval Forecasts, International Economic Review
- ›Komitet Bazylejski: Ramy nadzorcze dotyczące stosowania weryfikacji historycznej (1996)
- ›McNeil, Frey i Embrechts: Ilościowe zarządzanie ryzykiem — rozdział dotyczący weryfikacji historycznej
Otrzymuj cotygodniowe porady matematyczne
Dołącz do subskrybentów 12 000+, którzy co tydzień otrzymują wskazówki dotyczące kalkulatora.