اسٹاک مارکیٹوں میں اتار چڑھاؤ عام طور پر سرمایہ کاری کے خطرے سے منسلک ہوتا ہے۔ تاہم، اگر خطرے کا مؤثر طریقے سے انتظام کیا جاتا ہے، تو یہ سرمایہ کاروں کے لیے ٹھوس منافع بھی پیدا کر سکتا ہے۔ سرمایہ کاری کے منتظمین اور سرمایہ کار تسلیم کرتے ہیں کہ انہیں اس کے علاوہ دیگر عوامل پر غور کرنا چاہیے۔
بہتر پیشن گوئی اور فیصلہ سازی کے لیے واپسی کی متوقع شرح۔ فیصلہ سازی کا عمل غیر یقینی صورتحال سے بھرا ہوا ہے، جس میں متعدد امکانات اور امکانات ہیں جن میں انعامات اور خطرات کی ایک وسیع رینج شامل ہے۔ سرمایہ کاری میں مدد کرنے کا ایک طریقہ ہے۔
مینیجرز اور سرمایہ کاروں کو اس میں شامل خطرات کا حقیقت پسندانہ جائزہ فراہم کرکے فیصلے کرنے میں۔ مونٹی کارلو طریقہ، جسے مونٹی کارلو سمولیشن بھی کہا جاتا ہے، غیر یقینی حالات میں ہمیں دیکھنے کی اجازت دے کر بہتر فیصلہ سازی فراہم کرتا ہے۔
ہماری پسند کے تمام نتائج اور اس سے وابستہ خطرے کا اندازہ لگانا۔ جب بھی کافی تعداد میں غیر یقینی صورتحال ہو تو مونٹی کارلو سمولیشن پر غور کرنا سمجھداری کی بات ہوگی۔ اگر نہیں تو، پیشین گوئیاں نمایاں طور پر بند ہو سکتی ہیں، فیصلوں کو منفی طور پر متاثر کرتی ہیں۔
عام طور پر، یہ طریقہ امکانی تقسیم کے مطابق نمونہ بنانے کی کوشش کرے گا جو کسی واقعہ کے ممکنہ نتائج کو واضح کرتا ہے۔ مونٹی کارلو سمولیشن کے ذریعہ تیار کردہ آزاد نمونے تمام مسائل کے لیے مناسب نہیں ہوسکتے ہیں۔ اس کے علاوہ، کمپیوٹیشنل
مونٹی کارلو سمولیشن کی ضروریات اس کے خلاف سب سے زبردست دلیل ہیں۔ کیپیٹل مارکیٹ کے استعمال کے بہت سے معاملات جو کہ فی الحال مونٹی کارلو سمولیشن کے استعمال سے حل کیے جاتے ہیں، جیسے خطرے کا تجزیہ اور آپشن کی قیمتوں کا تعین، وقت میں تیزی سے حل ہونے کی صلاحیت رکھتے ہیں۔
کوانٹم الگورتھم کے ذریعہ۔
مونٹی کارلو سمولیشن اور رسک مینجمنٹ کے لیے کوانٹم الگورتھم
مونٹی کارلو طریقہ کا استعمال کسی ایک واقعہ یا متعلقہ واقعات کی ترتیب کے امکانات کی جگہ کو تلاش کرنے کے لیے کیا جاتا ہے۔ کیپٹل مارکیٹس میں، خطرے کی قیمت (VaR - ایک مخصوص مدت کے دوران ممکنہ مالی نقصانات کی مقدار کو درست کرتا ہے) اور مشروط قدر
خطرے میں (CVaR- متوقع نقصانات کی مقدار جو VaR بریک پوائنٹ سے آگے ہوتے ہیں) پورٹ فولیو کا تعین مونٹی کارلو سمولیشن کے ذریعے کیا جا سکتا ہے۔ یہ ایک دیے گئے اعتماد کے وقفے کے پیش نظر خطرے کا حساب لگانے کے لیے بدترین صورت حال کی پیش گوئی کرنے میں مدد کرتا ہے۔
وقت افق. تاہم، ان ماڈلز کو مختلف جہتوں میں ڈیٹا کی خاصی مقدار پر چلانا کمپیوٹیشنل طور پر مہنگا ہو سکتا ہے۔ نیز، یہ آج کے کلاسیکی کمپیوٹرز کی صلاحیتوں سے باہر ہو سکتا ہے۔ یہاں، ہم اس بارے میں بات کریں گے کہ کس طرح کوانٹم الگورتھم
کوانٹم کمپیوٹر ایکویٹی پورٹ فولیو رسک، کریڈٹ رسک اور کرنسی کے خطرے کا انتظام کلاسیکل کمپیوٹر پر مونٹی کارلو سمولیشن سے زیادہ مؤثر طریقے سے کر سکتا ہے۔
ایکویٹی پورٹ فولیو رسک مینجمنٹ
خطرے پر قدر اور خطرے کے اقدامات کی مشروط قدر کی تعریف کے مطابق، کسی کو دیے گئے پورٹ فولیو کے مستقبل میں نقصان ہونے کے امکان کا اندازہ لگانے میں دلچسپی ہو سکتی ہے جو پہلے سے طے شدہ قدر سے زیادہ ہے۔ اس میں ہر ممکن تجزیہ کرنا پڑتا ہے۔
اثاثوں کی جوڑی جو پہلے سے طے شدہ ہوسکتی ہے یا مونٹی کارلو سمولیشن میں روایتی نمونوں کی ایک بڑی تعداد جس کو چلانے کے لیے اعلی کمپیوٹنگ طاقت کی ضرورت ہوتی ہے۔ اس کی بنیاد پر الگورتھم کے ذریعہ کوانٹم کمپیوٹر میں بہت تیز کیا جاسکتا ہے۔
کوانٹم طول و عرض کا تخمینہ. طول و عرض کا تخمینہ ایک کوانٹم الگورتھم ہے جس کا استعمال ایک نامعلوم پیرامیٹر کا اندازہ لگانے کے لیے کیا جاتا ہے جو کلاسیکی مونٹی کارلو الگورتھم کے مقابلے وقت میں تیزی سے چل سکتا ہے۔ کوانٹم کی طاقت
کمپیوٹر کی تعداد کے تناسب سے تیزی سے بڑھتا ہے۔
کوئٹہ ایک ساتھ منسلک. یہ ان وجوہات میں سے ایک ہے جس کی وجہ سے کوانٹم کمپیوٹرز ڈیٹا کی زیادہ مقدار کے ساتھ خطرے کے تجزیے میں آخر کار کلاسیکی کمپیوٹرز کو پیچھے چھوڑ سکتے ہیں۔
کریڈٹ رسک مینجمنٹ
اقتصادی سرمائے کی ضرورت (ECR) کو پورا کرنے کے لیے مالیاتی اداروں کے لیے اپنے قرض لینے والوں کے کریڈٹ رسک کا اندازہ لگانا بہت ضروری ہے۔ وہ مالیاتی ادارے جو رقم کو قرض دینے میں مہارت رکھتے ہیں، جن کو اس تناظر میں قرض دہندگان کہا جاتا ہے، اس کا جائزہ لیتے ہیں۔
منظوری سے پہلے قرض کا خطرہ۔ قرض دہندہ اس بات کا تعین کرکے خطرے کا اندازہ لگاتے ہیں کہ آیا قرض لینے والے کے ادائیگیوں سے محروم ہونے کا امکان ہے۔ قرض دہندگان قرض لینے والے کی موجودہ مالی حیثیت، مالیاتی تاریخ، ضمانت اور دیگر معیارات کا اندازہ لگاتے ہیں تاکہ یہ تعین کیا جا سکے کہ کتنا کریڈٹ خطرہ ہے۔
ان کا قرض ہو گا. خطرے کے حساب کتاب کے کلاسیکی طریقوں کو قرض دہندگان ترجیح دیتے ہیں جو زیادہ محتاط اور خطرے سے بچتے ہیں۔ تاہم، یہ کلاسیکی طریقے سخت ہیں اور صرف مقررہ پیرامیٹرز کی محدود تعداد کے ساتھ نتائج پیدا کرتے ہیں۔ 360 ڈگری کا منظر
قرض دہندہ کا خطرہ پورے قرض دہندگان کے گروپ میں خطرے کی حد کو کم رکھتے ہوئے قرض دینے کے لیے نئی آبادیات کھول سکتا ہے۔ آخرکار اس کے لیے بیرورز کے کریڈٹ رسک اور ان کے قرض کا حساب لگانے کے لیے اعلیٰ کمپیوٹنگ طاقت کی ضرورت ہوتی ہے۔ کلاسیکی مونٹی کے برعکس
کارلو سمولیشن، دی کوانٹم طول و عرض کا تخمینہ ماڈل کم سے کم اضافی اوور ہیڈ کے ساتھ اور قریب حقیقی وقت میں خطرے کی مشروط قدر کا اندازہ لگا سکتا ہے۔ اس الگورتھم کی کامیابی کا امکان ہو سکتا ہے۔
تخمینہ کو متعدد بار دہرانے سے تیزی سے اضافہ ہوتا ہے، جس سے زیادہ درستگی حاصل کرنے میں مدد ملتی ہے۔
کرنسی رسک مینجمنٹ
شرح مبادلہ کے اتار چڑھاؤ سے مالیاتی اثرات کے خطرے کو غیر ملکی کرنسی کا خطرہ یا شرح مبادلہ کے خطرے کے نام سے جانا جاتا ہے۔ کرنسی کا خطرہ غیر مالیاتی اداروں کو بھی متاثر کرتا ہے جن کے پاس غیر ملکی کرنسی میں قابل وصول یا واجبات ہیں۔ خطرے کی قدر ہو رہی ہے۔
مالیاتی ذخائر کا حساب لگانے اور اس کی وصولیوں یا واجبات کو محفوظ کرنے کے لیے استعمال کیا جاتا ہے۔ مونٹی کارلو سمولیشن ایک سادہ، لاگو کرنے میں آسان، اور کسی انٹرپرائز کے کرنسی کے خطرے کی پیشین گوئی کے لیے مختلف مفروضے بنانے کے لیے لچکدار ہے۔ تاہم، کوانٹم کمپیوٹرز
FX ذخائر کے انتظام سے متعلق کچھ کاموں کو مؤثر طریقے سے حل کر سکتا ہے، جیسے کوانٹم ایمپلیٹیوڈ تخمینہ ماڈل کا استعمال کرتے ہوئے خطرے کی پیمائش۔ کلاسیکی کمپیوٹرز کے مقابلے میں، کوانٹم کمپیوٹرز میں غلطیوں کا زیادہ خطرہ ہوتا ہے۔ اس مشکل سے نمٹنے کے لیے، عمل
کئی ہزار بار دہرایا جاتا ہے اور نتائج کو تمام نتائج کے اوسط کے طور پر شمار کیا جاتا ہے۔ مختلف بے ترتیب متغیرات کے ساتھ ماڈل کو چلانے سے خطرے میں متوقع قدر کی درستگی بہتر ہو سکتی ہے۔
مستقبل کے آگے
مونٹی کارلو کی کارکردگی کو بڑھانے کے لیے روایتی طریقے اہمیت کے نمونے لینے پر انحصار کرتے ہیں۔ تاہم، مسئلہ عام طور پر ضروری کمپیوٹنگ طاقت کے لحاظ سے مشکل رہتا ہے تاکہ اسے حقیقی وقت میں حل کیا جا سکے۔ اس کی وجہ سے، کوانٹم الگورتھم کی صلاحیت
مالیاتی خطرے کی تشخیص کے میدان میں کارکردگی کو بڑھانا خاص طور پر مجبور ہے۔ اصولی طور پر، راتوں رات کے حسابات کو ایک مختصر وقت کے فریم تک مختصر کیا جا سکتا ہے، جو خطرے کے حقیقی وقت کے قریب زیادہ تشخیص کو قابل بناتا ہے۔ مالیاتی ادارے کر سکیں گے۔
مارکیٹ کے بدلتے ہوئے حالات کا جواب دیں اور ایسے قریب حقیقی وقت کے تجزیے کے ساتھ تیزی سے تجارتی مواقع سے فائدہ اٹھائیں۔ بینک بنیادی طور پر مونٹی کارلو سمولیشن کو پیچیدہ ماڈلز کے لیے استعمال کرتے ہیں جو خطرے کے تجزیے کے متغیرات میں غیر یقینی صورتحال کا سبب بن سکتے ہیں۔
مذکورہ بالا دلائل ہمیں کوانٹم الگورتھمک ماڈلز پر غور کرنے کی ترغیب دیتے ہیں۔ ہم یہ دعویٰ نہیں کر سکتے کہ کوانٹم الگورتھم کلاسیکی الگورتھم سے برتر ہیں کیونکہ حساب کے وقت کے حوالے سے تخمینہ کی غلطی کے غیر علامتی رجحان کی وجہ سے۔ البتہ،
ہم توقع کرتے ہیں کہ کوانٹم ایرر تصحیح، جو کوانٹم اسٹیٹس کو غلطیوں سے بچانے کے لیے کوانٹم کمپیوٹیشن کا استعمال کرتی ہے، شور کے مسئلے کا ایک ممکنہ حل ہے، اور کوانٹم ایمپلیٹیوڈ تخمینہ روایتی مونٹی کارلو سمیلیشنز سے بہتر ہوگا۔
ان غلطیوں پر قابو پانا. لہٰذا، تیز رفتار کوانٹم سپیڈ اپ کا وعدہ یہ انتہائی پرکشش بناتا ہے کہ ایک حقیقی، عملی کوانٹم فائدے کا تجربہ کرنے والی پہلی ایپلی کیشنز میں سے ایک ہو۔
