Розробка системи стрес-тестування криптопортфеля під ключ

Розробка системи стрес-тестування криптопортфеля

Уявіть: портфель із BTC, ETH і стабільних монет втрачає 40% за тиждень, хоча VaR обіцяв не більше 5%. Кореляції зростають, диверсифікація руйнується. Це не гіпотеза — так відбувається в кожну кризу. Ми будуємо системи стрес-тестування, які моделюють такі сценарії та показують реальні ризики. Бібліотека з 30+ історичних та гіпотетичних подій, sensitivity analysis і reverse stress testing виявляють вразливості, які VaR пропускає.

Проблеми, які вирішуємо

Стандартні метрики ризику ігнорують хвостові ризики та стрибки кореляцій. Наприклад, при краху LUNA кореляція між BTC і ETH різко зросла — портфель втратив у 2 рази більше, ніж передбачали моделі. Reverse stress testing показує: які активи тягнуть портфель униз при найменшому шоці. Аналіз чутливості виявляє до 30% додаткового ризику, прихованого від звичайних моделей. Ми вирішуємо ці проблеми на реальних даних замовників — понад 20 успішних проєктів у ризик-менеджменті.

Типи стрес-тестів

Як reverse stress testing виявляє вразливості?

Reverse stress testing відповідає на питання: «при якому сценарії портфель втрачає, наприклад, 20% капіталу?» Ми використовуємо оптимізацію для пошуку мінімального сумарного шоку за всіма активами. Це дозволяє виявити приховані вразливості — ті активи, які за найменшого падіння тягнуть увесь портфель униз.

from scipy.optimize import minimize def reverse_stress_test(positions, current_prices, target_loss, max_shock_per_asset=0.99): """ Мінімальний сумарний шок, при якому втрати = target_loss """ symbols = list(positions.keys()) current_values = [positions[s] * current_prices[s] for s in symbols] def portfolio_loss(shocks): return sum(v * s for v, s in zip(current_values, shocks)) constraints = [ {'type': 'eq', 'fun': lambda x: portfolio_loss(x) - (-target_loss)} ] bounds = [(-max_shock_per_asset, 0) for _ in symbols] # Мінімізуємо L2 норму шоків (шукаємо найменший шок) result = minimize( lambda x: np.sum(x**2), x0=np.full(len(symbols), -0.1), constraints=constraints, bounds=bounds ) return dict(zip(symbols, result.x)) 

Чому стрес-тестування важливіше за VaR?

VaR показує втрати при нормальному розподілі, але не враховує хвостові ризики — ті самі «чорні лебеді». Стрес-тестування в 3 рази ефективніше виявляє екстремальні сценарії — це підтверджують дослідження RiskMetrics. Ми включаємо в систему як історичні кризи (крах стейблкоїн-систем, банкрутство великої біржі, ковідний обвал, криптозима), так і гіпотетичні — наприклад, атаку на міжмережевий міст або різке падіння ліквідності в пулі.

Історичні сценарії для крипторинку

CRYPTO_STRESS_SCENARIOS = { 'covid_crash': { 'BTC': -0.50, 'ETH': -0.60, 'DEFAULT': -0.55, 'USDT': 0.0, 'duration_days': 7 }, 'china_ban': { 'BTC': -0.53, 'ETH': -0.60, 'DEFAULT': -0.65, 'duration_days': 30 }, 'stablecoin_collapse': { 'LUNA': -0.99, 'UST': -0.95, 'BTC': -0.30, 'ETH': -0.35, 'DEFAULT': -0.45, 'USDC': 0.0, 'duration_days': 7 }, 'exchange_collapse': { 'FTT': -0.97, 'SOL': -0.60, 'BTC': -0.25, 'ETH': -0.28, 'DEFAULT': -0.35, 'duration_days': 14 }, 'full_crypto_winter': { 'BTC': -0.80, 'ETH': -0.82, 'DEFAULT': -0.90, 'duration_days': 365 } } 

Реалізація стрес-тестування

class StressTester: def __init__(self, scenarios): self.scenarios = scenarios def run_scenario(self, positions, current_prices, scenario_name): scenario = self.scenarios[scenario_name] total_pnl = 0 position_results = {} for symbol, qty in positions.items(): current_price = current_prices.get(symbol, 0) shock = scenario.get(symbol, scenario.get('DEFAULT', 0)) stressed_price = current_price * (1 + shock) pnl = qty * (stressed_price - current_price) position_results[symbol] = { 'shock': shock, 'pnl': pnl, 'current_value': qty * current_price, 'stressed_value': qty * stressed_price } total_pnl += pnl return { 'scenario': scenario_name, 'total_pnl': total_pnl, 'position_results': position_results } def run_all_scenarios(self, positions, current_prices): results = {} for scenario_name in self.scenarios: results[scenario_name] = self.run_scenario( positions, current_prices, scenario_name ) # Сортуємо за worst case return sorted(results.values(), key=lambda x: x['total_pnl']) 

Sensitivity Analysis

Аналіз чутливості показує зміну P&L при варіації одного фактора. Наприклад, при зміні всіх цін на X%.

def sensitivity_analysis(positions, current_prices, factor='price', range_pct=(-0.50, 0.50), steps=20): """ Змінюємо ціни всіх активів на X% і дивимося P&L """ results = [] for shock in np.linspace(range_pct[0], range_pct[1], steps): total_pnl = 0 for symbol, qty in positions.items(): price = current_prices[symbol] total_pnl += qty * price * shock results.append({'shock_pct': shock * 100, 'pnl': total_pnl}) return results 

Кореляційний стрес: під час кризи кореляції різко зростають. Диверсифікація схлопується саме тоді, коли найбільше потрібна. Ми замінюємо матрицю коваріацій на stressed-версію з високими кореляціями (наприклад, 0.95) і перераховуємо VaR.

def correlation_stress_test(portfolio_returns_history, stressed_correlation=0.95): cov_matrix = portfolio_returns_history.cov() std_devs = np.sqrt(np.diag(cov_matrix)) stressed_cov = np.outer(std_devs, std_devs) * stressed_correlation np.fill_diagonal(stressed_cov, np.diag(cov_matrix)) return stressed_cov 

Етапи впровадження системи

1. Аудит портфеля — збір даних, ідентифікація активів, визначення джерел цін.
2. Підбір сценаріїв — вибір історичних та гіпотетичних сценаріїв під конкретний портфель.
3. Розробка модуля — реалізація класів StressTester, sensitivity analysis та reverse stress testing.
4. Інтеграція — підключення до джерел даних (біржові API, блокчейн-оракули).
5. Тестування та калібрування — перевірка на історичних даних, налаштування параметрів.
6. Генерація звітів — автоматичне вивантаження результатів у вигляді таблиць, графіків та PDF.

Що входить у роботу

Звітність

Stress Test Report формується автоматично при кожному запуску або при значних змінах портфеля. Містить:

• Таблицю результатів за всіма сценаріями (worst case P&L у % та $)
• Розбивку за позиціями: які активи дали найбільші збитки
• Sensitivity curve (графік P&L від % шоку)
• Reverse stress: мінімальний шок для заданого збитку
• Tornado chart та waterfall chart для візуалізації внеску позицій

Наші інженери гарантують точність розрахунків — ми використовуємо лише перевірені бібліотеки (NumPy, SciPy) та формальну верифікацію логіки. Досвід — багаторічний у блокчейн-розробці.

Впровадження системи стрес-тестування знижує втрати під час кризи на 30-50% і окупається за 3-6 місяців. Замовте консультацію експерта — ми оцінимо ваш портфель за 2 дні. Зв'яжіться з нами для впровадження системи стрес-тестування.