گنجاندن بررسی‌های بودجه ریسک در تحلیل‌های پرتفوی

توسعه‌دهندگان نرم‌افزارهای مالی اغلب بر عملکرد تمرکز می‌کنند.

نمایش بازدهی آسان است. نمودارها زیبا به نظر می‌رسند. مقایسه رتبه‌بندی‌ها نیز ساده است.

ریسک متفاوت است. ریسک به زمینه (context) و مفروضات نیاز دارد. ریسک یک عدد واحد نیست؛ بلکه سیستمی از در معرض قرارگیری‌ها (exposures) است که با بازار تغییر می‌کند.

داشبورد شما نباید فقط آنچه را که عملکرد خوبی داشته نشان دهد، بلکه باید ریسک‌هایی را که کاربر متحمل می‌شود نیز نمایش دهد. به همین دلیل است که به یک بودجه ریسک نیاز دارید.

بودجه ریسک در نرم‌افزار چیست؟

بودجه ریسک تعیین می‌کند که یک پرتفوی تا چه حد اجازه عدم قطعیت (uncertainty) دارد. در کد شما، این به معنای ساخت بررسی‌ها، محدودیت‌ها و هشدارها است.

نمونه‌ها عبارتند از:

  • محدودیت در میزان در معرض قرارگیری کلاس دارایی (asset class exposure)
  • آستانه‌ها برای نوسان‌پذیری (volatility)
  • حداقل امتیاز نقدشوندگی (liquidity score)

داشبوردهایی که اولویت را به بازدهی می‌دهند، می‌توانند خطرناک باشند. اگر کاربری بازدهی ۱۲ درصدی را بدون دیدن ریسک مشاهده کند، ممکن است تصور کند ماهر است. او ممکن است متوجه نشود که این بازدهی ناشی از اهرم (leverage) بالا یا نقدشوندگی ضعیف است.

یک سیستم مسئولیت‌پذیر، بازدهی را در کنار ریسک قرار می‌دهد.

به جای اینکه فقط نشان دهد:

  • بازدهی پرتفوی: ۱۲٪

این را نشان دهید:

  • بازدهی پرتفوی: ۱۲٪
  • بزرگترین منبع در معرض قرارگیری: [Asset Name]

این کار نرم‌افزار شما را صادق می‌کند.

بررسی‌های ریسک را پیش از بهینه‌سازی طراحی کنید.

بسیاری از ابزارها ابتدا بهینه‌سازی می‌کنند و بعداً محدودیت‌ها را اضافه می‌کنند. این یک اشتباه است. محدودیت‌های ریسک خود را پیش از اجرای بهینه‌سازی تعریف کنید.

این سوالات را در منطق خود بپرسید:

  • حداکثر میزان در معرض قرارگیری چقدر است؟
  • نوسان‌پذیری قابل قبول چقدر است؟

بهینه‌سازی بدون محدودیت، دقت کاذبی ایجاد می‌کند. بودجه‌بندی ریسک، نظم و انضباط می‌آورد.

از هوش مصنوعی برای یافتن الگوها استفاده کنید، نه برای تعیین حقیقت.

هوش مصنوعی می‌تواند همبستگی‌ها را پیدا کرده و تغییرات بازار را علامت‌گذاری کند. خروجی هوش مصنوعی را به عنوان یک حقیقت مطلق ارائه ندهید. یک سیستم خوب، عدم قطعیت را نشان می‌دهد. از بازه‌های اطمینان (confidence ranges) استفاده کنید تا به کاربران کمک کنید بفهمند هوش مصنوعی چه چیزهایی را نمی‌داند.

یک لایه منطق ریسک ساده به این صورت است:

  • اگر میزان در معرض قرارگیری دارایی از حد مجاز فراتر رفت، ریسک تمرکز (concentration risk) را علامت‌گذاری کنید.
  • اگر نوسان‌پذیری افزایش یافت، فشار نوسان (volatility pressure) را علامت‌گذاری کنید.
  • اگر همبستگی‌ها افزایش یافت، ضعف تنوع‌بخشی (diversification weakness) را علامت‌گذاری کنید.
  • اگر نقدشوندگی کاهش یافت، ریسک نقدشوندگی را علامت‌گذاری کنید.
  • اگر عملکرد مدل افت کرد، رانش مدل (model drift) را علامت‌گذاری کنید.

این سیستم تصمیم‌گیرنده نیست، بلکه از بررسی‌های بهتر پشتیبانی می‌کند.

ابزارهای مالی خوب باید اعتمادبه‌نفس کاذب را کاهش دهند. آن‌ها باید در معرض قرارگیری‌های پنهان را مرئی کنند. آن‌ها باید کاربران را به بررسی (review) پیش از وقوع تنش‌های بازار تشویق کنند.

هدف‌گذاری برای بازدهی بدون بودجه ریسک، صرفاً یک آرزو است.

ابزارهایی بسازید که در معرض قرارگیری، عدم قطعیت و محدودیت‌ها را نشان دهند.

Source: https://dev.to/profdrgustavohenriquevalente/building-risk-budget-checks-into-portfolio-analytics-systems-alk

Optional learning community: https://t.me/GyaanSetuAi