VAR (value-at-risk) — максимальный убыток портфеля при заданном доверительном уровне (обычно 95% или 99%) за определённый период торговли. ИИ ускоряет расчёты распределений вероятностей и квантилей в 10–20 раз. Главный нюанс: модели предполагают нормальное распределение доходностей, которое не учитывает экстремальные события чёрного лебедя.
VAR показывает статистический риск при заданной вероятности (убыток не превысит 5% в 95% дней), просадка — реальный максимальный убыток из истории. VAR полезен для планирования, просадка — для проверки моделей. Вместе они дают полную картину риска портфеля.
ИИ парсит исторические данные, строит распределение вероятностей доходностей и находит квантиль (точку, где вероятность убытка достигает 95% или 99%). Claude/ChatGPT интегрируют с NumPy, код пишется в 3 строки. Ошибка в промпте может завысить риск на 15–20%, поэтому всегда сверяй результат с исторической просадкой.
Параметрический VAR предполагает нормальное распределение (быстро, для стабильных портфелей). Историческая — берет реальные убытки (точнее, но требует 5+ лет). Monte Carlo симулирует тысячи сценариев (медленнее, но ловит нелинейность). ИИ пишет код для всех трёх — выбирай в зависимости от типа активов.
Скажи модели: «Возьми цены акций [тикеры] с Yahoo Finance за 2 года, посчитай дневные доходности, построй нормальное распределение, найди 95%-квантиль». ИИ вернёт код на Python с цифрой в ₽. Проверь результат: смотри, есть ли дни в истории с убытками больше рассчитанного VAR.
Стандартное отклонение показывает волатильность (усреднённое колебание), но не говорит о максимальном убытке. Портфель с σ=2,5% может иметь однодневный убыток в 7% при краше. VAR работает с хвостами распределения — теми 5% самых худших дней, которые σ игнорирует.
Да, сильно. Если два актива коррелируют на −0,8 (разнонаправленные), портфель рискует меньше. ИИ должна учитывать матрицу корреляции между активами при расчёте совместного распределения доходностей. Игнорирование корреляции завышает VAR на 20–30% для диверсифицированного портфеля.
Да, но ты должен дать инструкцию пересчитывать ежемесячно или при волатильности выше порога. Нужна схема, в которой система переопределяет окно истории — например, только последние 3 месяца при crash-периодах вместо 2 лет.
| Доверительный уровень | VAR (дневной) | Интерпретация |
|---|---|---|
| 90% | 2 100 ₽ | Шанс убытка >2,1k₽ — один раз в 10 дней |
| 95% | 3 200 ₽ | В 95% дней портфель не теряет >3,2k₽ (5% случаев хуже) |
| 99% | 5 800 ₽ | Тяжелый сценарий: убыток >5,8k₽ — один раз в 100 дней |
| 99,9% | 9 100 ₽ | Экстремум: один раз в 1000 дней (черный лебедь в реальной торговле) |
| Параметр | Параметрический VAR | Исторический VAR |
|---|---|---|
| Скорость расчёта | Быстро (< 1 сек) | Медленнее (2–5 сек) |
| Точность для нормальных активов | Высокая | Средняя |
| Захват экстремальных убытков | Слабо | Хорошо |
| Требуемый размер истории | 1–3 месяца данных | 2–5 лет |
| Когда использовать | Акции, диверсиф. портфели | Крипто, опционы, валютные пары |
Собери дневные цены закрытия по каждому активу за 1–2 года. ИИ поможет скачать с Yahoo Finance или AlphaVantage через Python. Убедись, что в датасете нет пробелов и выходных.
Скажи ИИ: «Портфель из 50% GAZP, 30% GLDRUB, 20% cash. Сегодняшние цены [URL]». ИИ масштабирует вычисления на твоё распределение; иначе VAR будет для равновесного портфеля.
Попроси ИИ вычислить дневные процентные изменения, затем построить гистограмму распределения. Визуальная проверка выявляет аномалии: асимметрия, тяжёлые хвосты, бимодальность.
Используй формулу квантиля (значение ниже 5% самых худших дней). ИИ применит numpy.percentile() или scipy.stats.norm.ppf() для параметрического метода. Результат — убыток в ₽, не в %.
Отсчитай все дни, когда реальный убыток был больше рассчитанного VAR. Если их больше 5% — модель недооценивает риск, переалибруй окно данных или используй Monte Carlo.
Да, но ты должен дать инструкцию пересчитывать ежемесячно или при волатильности выше порога. Нужна схема, в которой система переопределяет окно истории — например, только последние 3 месяца при crash-периодах вместо 2 лет.
Для голубых фишек (GAZP, SBER) Гаусс близко (небольшой левый хвост). Для малых cap и крипто — нет, там распределение с толстыми хвостами. Используй историческую VAR или Student t-distribution. ИИ может тестировать, какое распределение лучше подходит.
Умножь дневной VAR на √20 (примерно 4,47). Теория: усредненный риск растёт с квадратным корнем времени (при условии независимости доходностей). Месячный VAR будет ~22 k₽. Проверь на реальных данных: смотри максимальный убыток за скользящие месячные окна.
Основные источники: Московская биржа (moex.com, экспорт CSV), Yahoo Finance (нестабильно для РФ-активов), Alpha Vantage (платный API), брокерские API (Tinkoff, Interactive Brokers). Для облигаций Мосбиржи за 5+ лет данные бывают платными; альтернатива — синтез из котировок репо-ставок.
Все справляются с задачей, но Claude показывает лучше точность в математических деталях. ChatGPT быстрее экспортирует код. Gemini хорош для визуализации результатов. Рекомендуем тестировать на своих данных: разброс точности может быть ±5% между моделями.
Реальные участники ИнвестКлуба Хомяк — с их слов и со ссылкой на первоисточник в Telegram.
Точка входазашла пробно на 1 месяц после рекламы
Что изменилосьосталась на 1,5 года — структурированные знания, прямые эфиры с экспертами, освоила ИИ-инструменты
«Когда-то я зашла пробно, на 1 месяц. Прошло 1,5 года, а я по-прежнему там. Один только искусственный интеллект чего стоит.»история в Telegram →
Точка входавозрастной скепсис, долго не решался зайти в закрытый клуб
Что изменилосьгора структурированных материалов, отзывчивое сообщество, которое помогает и подсказывает
«Возрастной скепсис мешал зайти — думал, всё как обычно. Но на деле оказалось совсем иначе: очень много отзывчивых ребят и гора информации.»история в Telegram →
«В Хомяке уже полтора года… кайфовое, живое сообщество. Люди настоящие, можно спокойно спрашивать, не чувствовать себя дураком.»
«Зашла пробно на 1 месяц. Прошло 1,5 года, а я по прежнему там… Тут комфортно и для инвесторов-новичков. Вся информация отлично структурирована.»
Ещё реальные отзывы участников — t.me/traderreviews
