معماری VaR در برابر Expected Shortfall: راهنمای سیستمی برای انتخاب رویکرد مدیریت ریسک در سیستم‌های م

اگر سیستم مدیریت ریسک شما هنوز روی VaR (Value-at-Risk) متکی است، احتمالاً در حال اندازه‌گیری چیزی هستید که بازار اهمیتی به آن نمی‌دهد. این یک ادعای تند است — اما مکانیسم آن را توضیح می‌دهم.

مشکل واقعی با معیارهای ریسک

اکثر تیم‌هایی که سیستم‌های معاملاتی می‌سازند، یک اشتباه تکرارشونده دارند: معیار ریسک را بر اساس آنچه محاسبه‌پذیر است انتخاب می‌کنند، نه آنچه اهمیت دارد. VaR یک عدد ساده، قابل توضیح، و تاریخاً مقبول است. اما همین سادگی، منبع اصلی خطر آن است.

مشکل این نیست که VaR اشتباه است. مشکل این است که VaR سؤال اشتباهی می‌پرسد.

VaR چیست و چه می‌گوید؟

ارزش در معرض خطر (Value-at-Risk) یک آستانه ضرر است. VaR با سطح اطمینان ۹۵٪ و افق زمانی یک‌روزه می‌گوید: «با احتمال ۹۵٪، زیان شما از X تجاوز نمی‌کند.» این جمله به نظر قوی می‌رسد. اما چیزی که نمی‌گوید مهم‌تر است.

VaR هیچ اطلاعاتی درباره آنچه در آن ۵٪ باقیمانده اتفاق می‌افتد نمی‌دهد. در یک بازار نرمال، آن ۵٪ شاید یک زیان ۱.۱X باشد. در یک بازار بحرانی، ممکن است ۵X یا ۱۰X باشد. VaR هر دو را یکسان نشان می‌دهد.

فرمول VaR

به صورت ریاضی، VaR در سطح اطمینان α به این شکل تعریف می‌شود:

VaR_α(X) = −inf{x ∈ ℝ : P(X ≤ x) > α}

به عبارت ساده‌تر: کوانتایل α از توزیع زیان.

محدودیت‌های ساختاری VaR

• نقطه‌ای است، نه ناحیه‌ای: تنها یک نقطه روی توزیع را اندازه می‌گیرد.
• زیر-جمعی (sub-additive) نیست: VaR پرتفوی می‌تواند از مجموع VaR دارایی‌ها بیشتر باشد — که این اصل تنوع‌پذیری را نقض می‌کند.
• دم توزیع را نادیده می‌گیرد: دقیقاً در جایی که مهم‌ترین اطلاعات قرار دارد.
• انگیزه‌های غلط ایجاد می‌کند: معامله‌گران می‌توانند VaR را کاهش دهند در حالی که ریسک واقعی را افزایش می‌دهند.

Expected Shortfall چیست و چرا متفاوت است؟

کمبود مورد انتظار (Expected Shortfall)، که با نام CVaR (Conditional Value-at-Risk) هم شناخته می‌شود، یک سؤال متفاوت می‌پرسد: «اگر به آستانه VaR رسیدیم، به طور میانگین چقدر ضرر خواهیم کرد؟»

این تفاوت ظاهراً کوچک، در عمل یک تفاوت معماری است.

فرمول Expected Shortfall

ES_α(X) = −E[X | X ≤ VaR_α(X)]

به عبارت ساده‌تر: میانگین زیان‌ها در بدترین (۱-α)٪ از سناریوها.

چرا ES یک معیار منسجم (Coherent Risk Measure) است؟

آرتزنر، دلبائن، ابر و هیث در سال ۱۹۹۹ چهار اصل را برای یک معیار ریسک «منسجم» تعریف کردند: یکنواختی، همگنی، زیر-جمعی بودن، و انتقال‌پذیری. VaR اصل زیر-جمعی بودن را نقض می‌کند. ES تمام چهار اصل را برآورده می‌کند.

این صرفاً یک بحث آکادمیک نیست. زیر-جمعی بودن یعنی که معیار ریسک شما منعکس‌کننده واقعی مزایای تنوع‌پذیری پرتفوی است. وقتی این خاصیت وجود نداشته باشد، سیستم تخصیص سرمایه شما روی پایه‌ای ناپایدار می‌ایستد.

مقایسه سیستمی VaR و ES

معماری سه رویکرد محاسباتی

انتخاب بین VaR و ES یک تصمیم است. انتخاب روش محاسبه، یک تصمیم معماری دیگر است. هر رویکرد فرضیات متفاوتی دارد و هزینه‌های عملیاتی متفاوتی ایجاد می‌کند.

۱. شبیه‌سازی تاریخی (Historical Simulation)

ساده‌ترین رویکرد. داده‌های تاریخی بازده را مرتب کنید، کوانتایل موردنظر را پیدا کنید. برای ES، میانگین بازده‌های پایین‌تر از کوانتایل را بگیرید.

• مزیت: بدون فرض توزیع. رویدادهای واقعی بازار را منعکس می‌کند.
• محدودیت: به داده‌های تاریخی کافی نیاز دارد. رویدادهایی که هرگز اتفاق نیفتاده را نمی‌بیند (مشکل «تاریخ کوتاه»).
• واقعیت عملیاتی: اگر پنجره داده کوتاه باشد (مثلاً کمتر از ۲۵۰ روز معاملاتی)، ES شما به شدت به رویدادهای خاصی وابسته می‌شود.

۲. رویکرد پارامتریک (Parametric / Variance-Covariance)

یک توزیع (معمولاً نرمال یا t-student) به بازده‌ها برازش می‌دهید و VaR/ES را از فرمول بسته محاسبه می‌کنید.

• مزیت: سرعت بالا، مناسب برای محاسبه real-time.
• محدودیت: فرض نرمال‌بودن در دوره‌های بحرانی کاملاً شکست می‌خورد. دم‌های چاق (fat tails) که مشخصه اکثر دارایی‌های مالی هستند، به شدت دست‌کم گرفته می‌شوند.
• واقعیت عملیاتی: اگر از توزیع t-student با درجه آزادی مناسب استفاده کنید، نتایج به مراتب واقع‌بینانه‌تر از نرمال است. کسی که از پارامتریک با فرض نرمال در سال ۲۰۰۸ استفاده می‌کرد، جهان بسیار آرام‌تری می‌دید.

۳. شبیه‌سازی مونت‌کارلو (Monte Carlo Simulation)

بازده‌های آتی را بر اساس یک مدل تصادفی شبیه‌سازی می‌کنید. هزاران مسیر قیمتی تولید می‌کنید و آمار ریسک را از این توزیع تجربی استخراج می‌کنید.

• مزیت: انعطاف‌پذیرترین رویکرد. می‌توانید هر فرایند تصادفی، همبستگی پویا، و جهش قیمتی را مدل کنید.
• محدودیت: وابستگی شدید به کیفیت مدل پایه («garbage in, garbage out»). هزینه محاسباتی بالا.
• واقعیت عملیاتی: اگر مدل شما نمی‌تواند رژیم‌های بازار (bull/bear/crisis) را تشخیص دهد، مونت‌کارلو فقط یک توزیع اشتباه را به دقت بیشتری شبیه‌سازی می‌کند.

چه زمانی VaR کافی است؟

این یک سؤال معماری است، نه یک سؤال ریاضی. VaR در این شرایط قابل دفاع است:

• وقتی مخاطب شما regulators یا گزارش‌های اجرایی است که نیاز به یک عدد ساده دارند.
• وقتی پرتفوی شما از دارایی‌هایی با توزیع تقریباً نرمال و نقدشوندگی بالا تشکیل شده.
• وقتی از VaR به‌عنوان یک فیلتر اولیه و نه تنها معیار ریسک استفاده می‌کنید.
• وقتی محدودیت‌های محاسباتی real-time دارید و ES قابل محاسبه نیست.

اما هیچ‌وقت VaR را به تنهایی برای اندازه‌گیری ریسک دم (tail risk) استفاده نکنید.

چه زمانی ES ضروری است؟

• وقتی پرتفوی شامل اختیارات (options)، اوراق با درآمد ثابت، یا دارایی‌های با دم چاق است.
• وقتی از معیار ریسک برای بهینه‌سازی پرتفوی استفاده می‌کنید.
• وقتی تحت الزامات Basel IV / FRTB (Fundamental Review of the Trading Book) هستید.
• وقتی سیستم مدیریت ریسک شما باید در دوره‌های بحران قابل اتکا باشد.
• وقتی اندازه موقعیت‌ها (position sizing) مستقیماً از معیار ریسک محاسبه می‌شود.

اشتباهات رایج در پیاده‌سازی

اشتباه اول: فرض همبستگی ثابت

رایج‌ترین خطا. در دوره‌های بحران، همبستگی بین دارایی‌ها به سمت ۱ میل می‌کند — دقیقاً زمانی که تنوع‌پذیری بیشترین اهمیت را دارد. اگر ماتریس همبستگی شما ثابت است، مدل ریسک شما در بحران کمترین دقت را دارد.

اشتباه دوم: Backtesting ناکافی

بسیاری از تیم‌ها VaR/ES را پیاده‌سازی می‌کنند اما backtesting جدی انجام نمی‌دهند. تست Kupiec برای VaR و تست‌های McNeil-Frey برای ES حداقل استانداردهای قابل قبول هستند. اگر مدل شما در ۱۰٪ روزهای معاملاتی VaR را نقض می‌کند در حالی که ادعا دارد سطح اطمینان ۹۵٪ دارد، مشکل ساختاری دارید.

اشتباه سوم: نادیده گرفتن نقدشوندگی (Liquidity)

VaR و ES معمولاً ریسک قیمت را اندازه می‌گیرند، نه ریسک نقدشوندگی. در بازارهای کم‌نقدینگی، حتی اگر مدل ریسک شما درست باشد، نمی‌توانید موقعیت را در قیمت مورد نظر ببندید. Liquidity-adjusted VaR (LVaR) یک رویکرد برای پر کردن این شکاف است.

اشتباه چهارم: استفاده از یک بازه زمانی واحد

VaR/ES با افق زمانی ۱ روزه و ۱۰ روزه سیگنال‌های کاملاً متفاوتی می‌دهند. سیستم‌های حرفه‌ای چندین افق زمانی را به صورت موازی اجرا می‌کنند. استفاده از تنها یک افق زمانی، یک جنبه کامل از ریسک را کور می‌کند.

اشتباه پنجم: جدا کردن مدل ریسک از سیستم معاملاتی

یکی از گران‌ترین اشتباهات معماری: داشتن یک سیستم ریسک که «کنار» سیستم معاملاتی است، نه «داخل» آن. وقتی مدل ریسک real-time با منطق اجرای معاملات یکپارچه نیست، همیشه یک تأخیر وجود دارد که در بحران به خطای فاحش تبدیل می‌شود.

معماری عملیاتی یک سیستم ریسک ترکیبی

در سیستم‌های production، رویکرد ترکیبی معمولاً بهترین نتیجه را می‌دهد. این چارچوب را در نظر بگیرید:

لایه اول: محاسبه real-time

• VaR پارامتریک (با توزیع t-student) برای هشدارهای سریع
• افق زمانی: ۱ روز، سطح اطمینان: ۹۵٪
• به‌روزرسانی: هر چند دقیقه یک‌بار

لایه دوم: محاسبه روزانه

• ES با شبیه‌سازی تاریخی (پنجره ۵۰۰ روز معاملاتی)
• افق زمانی: ۱ روز و ۱۰ روز
• سطح اطمینان: ۹۷.۵٪ (استاندارد FRTB)
• شامل تست استرس با سناریوهای تاریخی بحران

لایه سوم: محاسبه هفتگی/ماهانه

• مونت‌کارلو با مدل رژیم‌سوئیچینگ (Regime-Switching)
• بهینه‌سازی پرتفوی بر اساس CVaR
• Stress testing با سناریوهای سفارشی

درس از بحران‌های مالی واقعی

بحران مالی ۲۰۰۸ یک آزمایش طبیعی عالی برای مدل‌های ریسک بود. اکثر بانک‌های بزرگ از مدل‌های VaR استفاده می‌کردند. نتیجه معروف است: ضررهایی که مدل می‌گفت باید با احتمال «۱ در ۱۰,۰۰۰ سال» اتفاق بیفتند، در چند هفته پشت سر هم رخ دادند.

مشکل صرفاً مدل نبود — مشکل این بود که مدیریت ریسک به VaR به‌عنوان حقیقت مطلق نگاه می‌کرد نه به‌عنوان یک تقریب محدود. هر مدل ریسک یک نقشه است، نه خود سرزمین. و نقشه‌های مسطح در کوهستان کار نمی‌کنند.

تأثیر Basel IV و FRTB بر انتخاب معیار

چارچوب FRTB (Fundamental Review of the Trading Book) که از سال ۲۰۲۵ به اجرا درمی‌آید، به طور رسمی VaR را با ES در سطح اطمینان ۹۷.۵٪ جایگزین کرده است. این نه یک توصیه، بلکه یک الزام نظارتی است.

اگر سیستم شما در حال حاضر فقط VaR دارد، این یک ریسک تطابق (compliance risk) است، نه فقط یک ریسک مدل. تیم‌های quant که تجربه کار با بانک‌های تحت نظارت دارند، این تغییر را از سال‌ها پیش پیش‌بینی و آماده‌سازی کرده‌اند.

نکات کلیدی

• VaR یک آستانه است؛ ES یک میانگین شرطی است. این تفاوت معماری دارد.
• ES یک معیار منسجم است؛ VaR نیست. این برای بهینه‌سازی پرتفوی اهمیت حیاتی دارد.
• هیچ رویکرد محاسباتی واحدی برای همه شرایط بازار مناسب نیست.
• سیستم‌های حرفه‌ای لایه‌بندی می‌کنند: real-time پارامتریک + روزانه تاریخی + دوره‌ای مونت‌کارلو.
• backtesting جدی، شرط لازم هر پیاده‌سازی است، نه گزینه اختیاری.
• فرض ثابت بودن همبستگی در دوره‌های بحران، خطرناک‌ترین ساده‌سازی است.
• Basel IV / FRTB به ES در سطح ۹۷.۵٪ الزام دارد. این یک واقعیت نظارتی است.
• مدل ریسک باید داخل سیستم معاملاتی باشد، نه در کنار آن.

سؤالات متداول

تفاوت اصلی VaR و Expected Shortfall چیست؟

VaR یک نقطه آستانه را نشان می‌دهد: با احتمال X٪، زیان از این مقدار تجاوز نمی‌کند. Expected Shortfall میانگین زیان‌ها را در بدترین سناریوها محاسبه می‌کند — یعنی اطلاعات کاملی از دم توزیع می‌دهد که VaR نمی‌دهد.

آیا ES همیشه بهتر از VaR است؟

بهتر بودن به هدف بستگی دارد. ES اطلاعات ریسک دم را دارد که VaR ندارد. اما ES پیچیده‌تر، کندتر، و سخت‌تر از نظر بصری قابل توضیح است. در گزارش‌دهی اجرایی یا real-time monitoring، VaR ممکن است ابزار مناسب‌تری باشد.

CVaR و ES یکی هستند؟

در اکثر موارد بله. CVaR (Conditional Value-at-Risk) و ES (Expected Shortfall) معمولاً مترادف هستند و هر دو میانگین زیان شرطی در ناحیه دم را اندازه می‌گیرند. تفاوت‌های جزئی در تعریف دقیق ریاضی وجود دارد که در توزیع‌های پیوسته اهمیتی ندارد.

چرا VaR زیر-جمعی (sub-additive) نیست؟

زیر-جمعی بودن یعنی ریسک پرتفوی ترکیبی باید کمتر یا مساوی مجموع ریسک اجزا باشد. VaR این خاصیت را برآورده نمی‌کند — در برخی توزیع‌ها، ترکیب دو پرتفوی VaR بالاتری نسبت به مجموع اجزا دارد. این به معنای تشویق به ریسک بیشتر از طریق تمرکز، به جای تنوع‌پذیری است.

برای بازارهای کریپتو کدام معیار مناسب‌تر است؟

بازارهای کریپتو دم‌های