ਦ੍ਰਿਸ਼ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਤਣਾਅ ਟੈਸਟਿੰਗ: ਅਨਿਸ਼ਚਿਤਤਾ ਦਾ ਪ੍ਰਬੰਧਨ

ਲਾਭ:

• ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਸਮਰਥਨ ਨਾਲ ਨਿਰਣਾਇਕ ਦ੍ਰਿਸ਼, ਸਟੋਚੈਸਟਿਕ ਸਿਮੂਲੇਸ਼ਨ (ਮੋਂਟੇ ਕਾਰਲੋ) ਅਤੇ ਤਣਾਅ ਟੈਸਟ ਸੰਕਲਪਾਂ ਨੂੰ ਸਥਾਪਿਤ ਕਰਨ ਅਤੇ ਨਤੀਜਿਆਂ ਦੀ ਜੋਖਮ ਭਾਸ਼ਾ ਵਿੱਚ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਨਕਲੀ ਬੁੱਧੀ ਅਤੇ ਅੰਦਾਜ਼ਾ ਦੇਣਦਾਰੀ ਅਤੇ ਪੂੰਜੀ ਪ੍ਰਭਾਵ ਦੇ ਨਾਲ ਮਹਿੰਗਾਈ, ਵਿਆਜ, ਵਿਨਾਸ਼ਕਾਰੀ ਨੁਕਸਾਨ ਅਤੇ ਮਹਾਂਮਾਰੀ ਵਰਗੇ ਸਦਮੇ ਦੇ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਇਹ ਫਰਕ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਾ ਕਿ ਨਕਲੀ ਬੁੱਧੀ ਦੁਆਰਾ ਪੈਦਾ ਕੀਤੇ ਗਏ ਦ੍ਰਿਸ਼ ਇਤਿਹਾਸਕ ਅੰਕੜਿਆਂ 'ਤੇ ਅਧਾਰਤ ਹਨ ਅਤੇ ਪੂਛ ਦੇ ਜੋਖਮਾਂ ਅਤੇ ਢਾਂਚਾਗਤ ਬਰੇਕਾਂ ਵਿੱਚ ਅਸਲ ਨਿਰਣਾ ਸਾਹਮਣੇ ਆਉਂਦਾ ਹੈ।

ਵਾਸਤਵਿਕਤਾ ਭਵਿੱਖ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦਾ ਪੇਸ਼ਾ ਹੈ; ਪਰ ਭਵਿੱਖ ਇੱਕ ਸੰਖਿਆ ਨਹੀਂ ਹੈ, ਇਹ ਸੰਭਾਵਨਾਵਾਂ ਦਾ ਇੱਕ ਸਪੈਕਟ੍ਰਮ ਹੈ। ਇਹ ਕਹਿਣਾ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ ਕਿ "ਸਾਡਾ ਅਨੁਮਾਨਤ ਨੁਕਸਾਨ 50 ਮਿਲੀਅਨ ਹੈ"; ਅਸਲ ਸਵਾਲ ਇਹ ਹੈ: "ਜੇ ਕੋਈ ਮਾੜਾ ਸਾਲ ਆਉਂਦਾ ਹੈ, ਤਾਂ ਕਿੰਨੇ ਲੱਖਾਂ ਦਾ ਖਰਚਾ ਆਵੇਗਾ, ਕੀ ਕੰਪਨੀ ਇਸਨੂੰ ਸੰਭਾਲ ਸਕਦੀ ਹੈ?" ਟੂਲ ਜੋ ਇਸ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿੰਦੇ ਹਨ ਉਹ ਹਨ ਦ੍ਰਿਸ਼ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਤਣਾਅ ਜਾਂਚ। ਕੰਪਨੀ ਦੀਆਂ ਦੇਣਦਾਰੀਆਂ ਅਤੇ ਪੂੰਜੀ 'ਤੇ ਭੂਚਾਲ, ਉੱਚ ਮਹਿੰਗਾਈ, ਵਿਆਜ ਦਰ ਦੇ ਝਟਕੇ ਜਾਂ ਮਹਾਂਮਾਰੀ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਪਹਿਲਾਂ ਤੋਂ ਮਾਪਣਾ ਅੰਦਰੂਨੀ ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਅਤੇ ਸੋਲਵੈਂਸੀ II ਵਰਗੇ ਕਾਨੂੰਨ ਦੋਵਾਂ ਦੀ ਇੱਕ ਬੁਨਿਆਦੀ ਲੋੜ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਨਿਰਣਾਇਕ ਦ੍ਰਿਸ਼, ਸਟੋਕੈਸਟਿਕ ਸਿਮੂਲੇਸ਼ਨ (ਮੋਂਟੇ ਕਾਰਲੋ) ਅਤੇ ਤਣਾਅ ਜਾਂਚ ਨੂੰ ਕਵਰ ਕਰਾਂਗੇ, ਅਤੇ ਇਹਨਾਂ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰੀਏ।

ਚਲੋ ਤੁਹਾਨੂੰ ਸ਼ੁਰੂ ਤੋਂ ਯਾਦ ਦਿਵਾਉਂਦੇ ਹਾਂ: ਦ੍ਰਿਸ਼ ਇਤਿਹਾਸਕ ਡੇਟਾ ਅਤੇ ਧਾਰਨਾਵਾਂ 'ਤੇ ਅਧਾਰਤ ਹਨ। AI ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਦਾ ਹੈ, ਸਿਮੂਲੇਸ਼ਨ ਕੋਡ ਲਿਖਦਾ ਹੈ, ਅਤੇ ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ; ਪਰ ਕਿਹੜੇ ਝਟਕੇ ਯਥਾਰਥਵਾਦੀ ਹਨ, ਪੂਛ ਦੇ ਜੋਖਮ ਨੂੰ ਕਿਵੇਂ ਸੰਭਾਲਣਾ ਹੈ, ਅਤੇ ਢਾਂਚਾਗਤ ਬਰੇਕਾਂ ਨੂੰ ਕਿਵੇਂ ਸ਼ਾਮਲ ਕਰਨਾ ਹੈ (ਉਹ ਘਟਨਾਵਾਂ ਜੋ ਅਤੀਤ ਵਿੱਚ ਕਦੇ ਨਹੀਂ ਹੋਈਆਂ) ਨੂੰ ਅਸਲ ਨਿਰਣੇ 'ਤੇ ਛੱਡ ਦਿੱਤਾ ਗਿਆ ਹੈ।

ਨਿਰਣਾਇਕ ਦ੍ਰਿਸ਼, ਸਟੋਚੈਸਟਿਕ ਸਿਮੂਲੇਸ਼ਨ ਅਤੇ ਤਣਾਅ ਟੈਸਟਿੰਗ

ਤਿੰਨ ਧਾਰਨਾਵਾਂ ਨੂੰ ਵੱਖ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ. ਨਿਰਣਾਇਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਧਾਰਨਾਵਾਂ ਦੇ ਇੱਕ ਸਮੂਹ ਨੂੰ ਚੁਣਨਾ ਅਤੇ ਨਤੀਜੇ ਦੀ ਗਣਨਾ ਕਰਨਾ ਹੈ: "ਜੇਕਰ ਮੁਦਰਾਸਫੀਤੀ 40 ਪ੍ਰਤੀਸ਼ਤ ਹੁੰਦੀ ਤਾਂ ਸਾਡੇ ਦਾਅਵਿਆਂ ਦੀ ਕੀਮਤ ਕੀ ਹੋਵੇਗੀ?" ਸਰਲ, ਸਪਸ਼ਟ ਅਤੇ ਸੰਚਾਰ ਕਰਨ ਲਈ ਆਸਾਨ; ਪਰ ਇਹ ਸਿਰਫ ਇੱਕ ਰਸਤਾ ਦਿਖਾਉਂਦਾ ਹੈ, ਸੰਭਾਵਨਾ ਨਹੀਂ। ਸਟੋਚੈਸਟਿਕ ਸਿਮੂਲੇਸ਼ਨ (ਮੋਂਟੇ ਕਾਰਲੋ) ਹਜ਼ਾਰਾਂ ਬੇਤਰਤੀਬ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਵਾਰ-ਵਾਰ ਤਿਆਰ ਕਰਕੇ ਨਤੀਜੇ ਦੀ ਇੱਕ ਸੰਭਾਵੀ ਵੰਡ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਪੂਛ ਜਾਣਕਾਰੀ ਜਿਵੇਂ ਕਿ "ਔਸਤਨ 50, ਪਰ 99.5 ਪ੍ਰਤੀਸ਼ਤ ਦੇ ਪੱਧਰ 'ਤੇ 78 ਮਿਲੀਅਨ" ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇੱਕ ਤਣਾਅ ਟੈਸਟ ਇੱਕ ਖਾਸ ਕਿਸਮ ਦਾ ਦ੍ਰਿਸ਼ ਹੈ ਜੋ ਕੁਝ ਗੰਭੀਰ ਪਰ ਸੰਭਾਵੀ ਘਟਨਾਵਾਂ (ਭੂਚਾਲ, ਮਾਰਕੀਟ ਕਰੈਸ਼) ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਮਾਪਦਾ ਹੈ; ਆਮ ਤੌਰ 'ਤੇ ਰੈਗੂਲੇਟਰ ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਮੋਂਟੇ ਕਾਰਲੋ ਐਕਚੁਰੀਅਲ ਦੇ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਾਧਨਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਤਰਕ ਇਹ ਹੈ: ਤੁਸੀਂ ਬਾਰੰਬਾਰਤਾ ਅਤੇ ਤੀਬਰਤਾ ਵੰਡਾਂ ਤੋਂ ਬੇਤਰਤੀਬੇ ਮੁੱਲਾਂ ਨੂੰ ਕੱਢਦੇ ਹੋ ਅਤੇ ਕੁੱਲ ਨੁਕਸਾਨ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹੋ; ਤੁਸੀਂ ਇਸਨੂੰ 10,000 ਵਾਰ ਦੁਹਰਾਓ; ਤੁਹਾਡੇ ਹੱਥ ਵਿੱਚ 10,000 ਸੰਭਾਵਿਤ ਕੁੱਲ ਨੁਕਸਾਨ ਨੂੰ ਇਕੱਠਾ ਕਰਦਾ ਹੈ। ਇਸ ਸੰਗ੍ਰਹਿ ਤੋਂ, ਤੁਸੀਂ ਔਸਤ, ਪ੍ਰਤੀਸ਼ਤਤਾਵਾਂ ਜਿਵੇਂ ਕਿ 75 ਪ੍ਰਤੀਸ਼ਤ, 99.5 ਪ੍ਰਤੀਸ਼ਤ ਅਤੇ ਸਭ ਤੋਂ ਮਾੜੇ ਹਾਲਾਤਾਂ ਨੂੰ ਪੜ੍ਹ ਸਕਦੇ ਹੋ। ਸੋਲਵੈਂਸੀ II (ਇੱਕ ਬੁਰਾ ਸਾਲ ਜੋ 200 ਸਾਲਾਂ ਵਿੱਚ ਇੱਕ ਵਾਰ ਆਵੇਗਾ) ਦੁਆਰਾ ਲੋੜੀਂਦਾ 99.5 ਪ੍ਰਤੀਸ਼ਤ ਪੱਧਰ ਇਸ ਤਰ੍ਹਾਂ ਮਿਲਦਾ ਹੈ। AI ਤੇਜ਼ੀ ਨਾਲ ਇਸ ਸਿਮੂਲੇਸ਼ਨ ਲਈ ਕੋਡ ਤਿਆਰ ਕਰਦਾ ਹੈ।

ਹੇਠ ਦਿੱਤੀ ਸਾਰਣੀ ਤਿੰਨ ਤਰੀਕਿਆਂ ਦੀ ਤੁਲਨਾ ਕਰਦੀ ਹੈ:

ਪਹੁੰਚ

ਕੀ ਦਿੰਦਾ ਹੈ

ਮਜ਼ਬੂਤ ਬਿੰਦੂ

ਸੀਮਾ

ਨਿਰਣਾਇਕ ਦ੍ਰਿਸ਼

ਸਿੰਗਲ ਨਤੀਜਾ

ਸਧਾਰਨ, ਸੰਚਾਰ ਕਰਨ ਲਈ ਆਸਾਨ

ਸੰਭਾਵਨਾ ਨਹੀਂ ਦਿੰਦਾ

ਮੋਂਟੇ ਕਾਰਲੋ

ਸੰਭਾਵਨਾ ਵੰਡ

ਪੂਛ ਦੇ ਜੋਖਮ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ

ਧਾਰਨਾ ਅਤੇ ਡੇਟਾ 'ਤੇ ਨਿਰਭਰ

ਤਣਾਅ ਟੈਸਟ

ਸਦਮੇ ਦੇ ਅਧੀਨ ਨਤੀਜਾ

ਟਿਕਾਊਤਾ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ

ਸਦਮੇ ਦੀ ਚੋਣ ਨਿਆਂਇਕ ਹੈ

ਪੂਛ ਦਾ ਜੋਖਮ: ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਅਤੇ ਸਭ ਤੋਂ ਖਤਰਨਾਕ ਖੇਤਰ

ਐਕਚੁਰੀਅਲ ਥਿਊਰੀ ਵਿੱਚ, ਅਸਲ ਖ਼ਤਰਾ ਮੱਧ ਵਿੱਚ ਨਹੀਂ ਸਗੋਂ ਪੂਛ ਵਿੱਚ ਹੈ (ਵੰਡਣ ਦਾ ਅਤਿਅੰਤ, ਘੱਟ-ਸੰਭਾਵਨਾ ਪਰ ਉੱਚ-ਪ੍ਰਭਾਵ ਵਾਲਾ ਖੇਤਰ)। ਕੰਪਨੀਆਂ ਨੂੰ ਜੋ ਡੁੱਬਦਾ ਹੈ ਉਹ ਔਸਤ ਸਾਲ ਨਹੀਂ ਹੈ, ਪਰ ਇੱਕ ਦੁਰਲੱਭ ਪਰ ਵਿਨਾਸ਼ਕਾਰੀ ਘਟਨਾ ਹੈ: ਇੱਕ ਵੱਡਾ ਭੁਚਾਲ, ਇੱਕ ਹੀ ਸਮੇਂ ਵਿੱਚ ਆਉਣ ਵਾਲਾ ਬਹੁਤ ਵੱਡਾ ਨੁਕਸਾਨ, ਅਚਾਨਕ ਵਿਆਜ ਦਰ ਦਾ ਝਟਕਾ। ਇਸ ਖੇਤਰ ਨੂੰ ਮਾਪਣ ਲਈ, VaR (ਜੋਖਮ 'ਤੇ ਮੁੱਲ — ਦਿੱਤੇ ਗਏ ਭਰੋਸੇ ਦੇ ਪੱਧਰ 'ਤੇ ਵੱਧ ਤੋਂ ਵੱਧ ਨੁਕਸਾਨ) ਅਤੇ TVaR/CTE (ਪੂਛ ਤੋਂ ਪਰੇ ਔਸਤ ਨੁਕਸਾਨ) ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਮੋਂਟੇ ਕਾਰਲੋ ਇਹਨਾਂ ਮਾਪਾਂ ਦੀ ਗਣਨਾ ਕਰਨ ਦਾ ਕੁਦਰਤੀ ਤਰੀਕਾ ਹੈ।

ਪਰ ਪੂਛ ਵਿੱਚ ਇੱਕ ਹੋਰ ਖ਼ਤਰਾ ਹੈ: ਇਤਿਹਾਸਕ ਡੇਟਾ ਪੂਛ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਨਹੀਂ ਦਰਸਾਉਂਦਾ। ਦੁਰਲੱਭ ਘਟਨਾਵਾਂ, ਪਰਿਭਾਸ਼ਾ ਅਨੁਸਾਰ, ਅਤੀਤ ਵਿੱਚ ਬਹੁਤ ਘੱਟ ਹੋਈਆਂ ਹਨ; ਇਸ ਲਈ ਮਾਡਲ ਉਹਨਾਂ ਨੂੰ ਘੱਟ ਸਮਝਦਾ ਹੈ। ਏਆਈ ਆਸਾਨੀ ਨਾਲ ਇਤਿਹਾਸਕ ਡੇਟਾ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਵੰਡ ਨੂੰ ਫਿੱਟ ਕਰਦਾ ਹੈ, ਪਰ ਇਹ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ ਇਸ ਗੱਲ 'ਤੇ ਵਿਚਾਰ ਨਹੀਂ ਕਰਦਾ ਹੈ ਕਿ "ਕੀ ਹੋਵੇਗਾ ਜੇਕਰ ਕੋਈ ਮਹਾਂਮਾਰੀ ਜਾਂ 100 ਸਾਲਾਂ ਦਾ ਭੂਚਾਲ ਹੈ ਜਿਸਦਾ ਇਸ ਪੋਰਟਫੋਲੀਓ ਨੇ ਕਦੇ ਅਨੁਭਵ ਨਹੀਂ ਕੀਤਾ?" ਸੰਰਚਨਾਤਮਕ ਬਰੇਕਾਂ, ਸਬੰਧਾਂ ਵਿੱਚ ਵਾਧਾ (ਇੱਕ ਸੰਕਟ ਦੇ ਦੌਰਾਨ ਸਭ ਕੁਝ ਉਸੇ ਸਮੇਂ ਵਿਗੜਦਾ ਜਾ ਰਿਹਾ ਹੈ) ਅਤੇ ਮੌਸਮ ਵਿੱਚ ਤਬਦੀਲੀ ਵਰਗੇ ਰੁਝਾਨਾਂ ਨੂੰ ਮਾਡਲ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਨਾ ਐਕਟਚੂਰੀ ਦਾ ਕੰਮ ਹੈ।

ਸਾਵਧਾਨ: ਵਾਕ "ਸਾਡਾ ਮਾਡਲ 99.9 ਪ੍ਰਤੀਸ਼ਤ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ" ਦਿਲਾਸਾ ਦੇਣ ਵਾਲਾ ਹੈ, ਪਰ ਯਾਦ ਰੱਖੋ ਕਿ ਮਾਡਲ ਉਸ ਡੇਟਾ ਤੋਂ ਸਿੱਖਦਾ ਹੈ ਜਿਸਦੀ ਪੂਛ ਬੀਤ ਚੁੱਕੀ ਹੈ। ਇੱਕ ਘਟਨਾ ਜੋ ਕਦੇ ਨਹੀਂ ਵਾਪਰੀ, ਇੱਥੋਂ ਤੱਕ ਕਿ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਦਾ ਅੰਨ੍ਹਾ ਸਥਾਨ ਹੈ. ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਮਾਹਰ ਨਿਰਣਾ ਖੇਡ ਵਿੱਚ ਆਉਂਦਾ ਹੈ.

ਦ੍ਰਿਸ਼ ਅਤੇ ਤਣਾਅ ਟੈਸਟਿੰਗ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰੀਏ

1) ਮੋਂਟੇ ਕਾਰਲੋ ਸਿਮੂਲੇਸ਼ਨ ਕੋਡ:

ਪਾਈਥਨ (ਟਿੱਪਣੀਆਂ ਦੇ ਨਾਲ) ਦੇ ਨਾਲ ਇੱਕ ਮਿਸ਼ਰਿਤ ਨੁਕਸਾਨ ਮੋਂਟੇ ਕਾਰਲੋ ਸਿਮੂਲੇਸ਼ਨ ਲਿਖੋ। ਧਾਰਨਾਵਾਂ (ਮੈਂ ਦਿੰਦਾ ਹਾਂ): ਨੁਕਸਾਨ ਦੀ ਸੰਖਿਆ ~ ਪੋਇਸਨ(ਲੈਂਬਡਾ=1600), ਨੁਕਸਾਨ ਦੀ ਮਾਤਰਾ ~ ਗਾਮਾ(ਆਕਾਰ=ਕੇ, ਸਕੇਲ=ਥੀਟਾ) [ਮੈਂ k ਅਤੇ ਥੀਟਾ ਦੇਵਾਂਗਾ]। 1) 10,000 ਵਾਰ: ਮਾਤਰਾ ਖਿੱਚੋ, ਉਸ ਰਕਮ ਨੂੰ ਖਿੱਚੋ, ਜੋੜੋ। 2) ਕੁੱਲ ਨੁਕਸਾਨਾਂ ਦੀ ਔਸਤ, 75%, 95%, 95% ਕੈਲ ਅਤੇ 93% ਪ੍ਰਿੰਟ। VaR(99.5%) ਅਤੇ TVaR(99.5%)।ਫਿਟਿੰਗ ਪੈਰਾਮੀਟਰ; ਮੈਂ ਦੇਵਾਂਗਾ। ਲਾਇਬ੍ਰੇਰੀ: numpy.

2) ਨਿਰਣਾਇਕ ਤਣਾਅ ਦ੍ਰਿਸ਼:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਜੋਖਮ ਸਹਾਇਕ। ਮੇਰਾ ਅਧਾਰ ਅਨੁਮਾਨਿਤ ਨੁਕਸਾਨ 50 ਮਿਲੀਅਨ TL ਹੈ। ਹੇਠਾਂ ਦਿੱਤੇ 3 ਨਿਰਣਾਇਕ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਸੈਟ ਅਪ ਕਰੋ: ਏ) ਮਹਿੰਗਾਈ ਸਦਮਾ: ਤੀਬਰਤਾ +30%। ਅ) ਬਾਰੰਬਾਰਤਾ ਸਦਮਾ: ਨੁਕਸਾਨ ਦੀ ਗਿਣਤੀ +15%. C) ਦੋਵੇਂ ਇਕੱਠੇ। ਹਰੇਕ ਦ੍ਰਿਸ਼ ਵਿੱਚ ਨਵੇਂ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਦੀ ਗਣਨਾ ਕਰੋ, ਅਧਾਰ ਦੇ ਅਧਾਰ ਤੇ ਪ੍ਰਤੀਸ਼ਤ ਪ੍ਰਭਾਵ ਦਿਖਾਓ ਅਤੇ ਟਿੱਪਣੀ ਕਰੋ ਕਿ ਕਿਹੜਾ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਬਸ ਉਸ ਅਧਾਰ ਨੰਬਰ ਦੀ ਵਰਤੋਂ ਕਰੋ ਜੋ ਮੈਂ ਤੁਹਾਨੂੰ ਦਿੱਤਾ ਹੈ।

3) ਦ੍ਰਿਸ਼ ਡਿਜ਼ਾਈਨ ਸਲਾਹਕਾਰ:

ਮੈਂ ਇੱਕ ਹੈਲਥ ਇੰਸ਼ੋਰੈਂਸ ਪੋਰਟਫੋਲੀਓ ਲਈ ਤਣਾਅ ਜਾਂਚ ਦੇ ਦ੍ਰਿਸ਼ ਤਿਆਰ ਕਰ ਰਿਹਾ/ਰਹੀ ਹਾਂ। - ਮਹਾਂਮਾਰੀ, ਉੱਚ ਮੁਦਰਾਸਫੀਤੀ, ਨਵੀਂ ਮਹਿੰਗੀ ਇਲਾਜ ਤਕਨੀਕ ਅਤੇ ਰੈਗੂਲੇਟਰੀ ਤਬਦੀਲੀ ਲਈ ਹਰੇਕ 'ਗੰਭੀਰ ਪਰ ਪ੍ਰਸੰਸਾਯੋਗ' ਦ੍ਰਿਸ਼ ਦਾ ਖਰੜਾ ਪ੍ਰਸਤਾਵਿਤ ਕਰੋ। - ਦੱਸੋ ਕਿ ਕੀ ਹਰੇਕ ਦ੍ਰਿਸ਼ ਬਾਰੰਬਾਰਤਾ, ਤੀਬਰਤਾ ਜਾਂ ਦੋਵਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ। - ਪੂਛ ਦੇ ਜੋਖਮਾਂ ਨੂੰ ਦਰਸਾਓ ਜੋ ਇਤਿਹਾਸਕ ਡੇਟਾ ਨਾਲ ਕੈਪਚਰ ਨਹੀਂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਮੈਂ ਫੈਸਲਾ ਕਰਾਂਗਾ; ਤੁਸੀਂ ਫਰੇਮਵਰਕ ਅਤੇ ਜਾਇਜ਼ਤਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹੋ.

4) ਨਤੀਜੇ ਦਾ ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਨਾ:

ਮੇਰਾ ਮੋਂਟੇ ਕਾਰਲੋ ਨਤੀਜਾ: ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ 50M, VaR(99.5%) 78M, TVaR(99.5%) 89M। ਇਸ ਨੂੰ 5 ਵਾਕਾਂ ਵਿੱਚ ਇੱਕ ਨਿਰਦੇਸ਼ਕ ਮੰਡਲ ਨੂੰ ਸਮਝਾਓ:- 99.5% ਅਤੇ TVaR ਦਾ ਕੀ ਅਰਥ ਹੈ, ਸਾਦੀ ਭਾਸ਼ਾ ਵਿੱਚ।- 'ਔਸਤ ਦੁਆਰਾ ਯੋਜਨਾਬੰਦੀ' ਨਾਕਾਫ਼ੀ ਕਿਉਂ ਹੈ? - ਉਹਨਾਂ ਨੂੰ ਪੂੰਜੀ ਦੇ ਰੂਪ ਵਿੱਚ ਕਿਸ ਅੰਕੜੇ ਨੂੰ ਵੇਖਣਾ ਚਾਹੀਦਾ ਹੈ?

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਮੇਰੇ ਪੋਰਟਫੋਲੀਓ ਲਈ ਤਣਾਅ ਦੀ ਜਾਂਚ ਕਰੋ।

ਕੋਈ ਅਧਾਰ ਮੁੱਲ ਨਹੀਂ ਹੈ, ਕੋਈ ਸਦਮਾ ਪਰਿਭਾਸ਼ਾ ਨਹੀਂ ਹੈ, ਕੋਈ ਵੰਡ ਨਹੀਂ ਹੈ। AI ਇੱਕ ਆਮ ਪਾਠ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਇੱਕ ਵਿਹਾਰਕ ਸੰਖਿਆ ਨਹੀਂ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਅਸਲ ਜੋਖਮ ਸਹਾਇਕ। ਅਧਾਰ ਧਾਰਨਾਵਾਂ (ਅਗਿਆਤ): ਸੰਭਾਵਿਤ ਬਾਰੰਬਾਰਤਾ 0.12, ਔਸਤ ਤੀਬਰਤਾ 30,000 TL, ਐਕਸਪੋਜ਼ਰ 20,000 ਪਾਲਿਸੀ-ਸਾਲ। ਤਕਨੀਕੀ ਵਿਆਜ 4% ਹੈ। ਕਾਰਜ: 1) ਅਧਾਰ ਅਨੁਮਾਨਿਤ ਕੁੱਲ ਨੁਕਸਾਨ ਦੀ ਗਣਨਾ ਕਰੋ। 2) ਹੇਠਾਂ ਦਿੱਤੇ ਤਣਾਅ ਨੂੰ ਲਾਗੂ ਕਰੋ ਅਤੇ ਹਰੇਕ ਦਾ ਪ੍ਰਤੀਸ਼ਤ ਪ੍ਰਭਾਵ ਦਿਖਾਓ: - ਮਹਿੰਗਾਈ: ਤੀਬਰਤਾ +25% - ਮਾੜੀ ਸਰਦੀ: ਬਾਰੰਬਾਰਤਾ +10% - ਵਿਆਜ ਦਰ ਵਿੱਚ ਗਿਰਾਵਟ: 4% -> 3% (ਦੇਣਦਾਰੀ ਦੇ ਮੌਜੂਦਾ ਮੁੱਲ 'ਤੇ ਪ੍ਰਭਾਵ) 3) 2) ਸਭ ਤੋਂ ਵੱਧ ਟਿੱਪਣੀਆਂ ਅਤੇ 4 ਟਿੱਪਣੀਆਂ ਕਿਉਂ ਕਰਦੇ ਹੋ। ਪੂਛ ਦੇ ਖਤਰੇ ਲਈ ਮੋਂਟੇ ਕਾਰਲੋ, ਕਿਉਂ?ਬੱਸ ਮੇਰੇ ਦਿੱਤੇ ਨੰਬਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ; ਜੇਕਰ ਇਹ ਗੁੰਮ ਹੈ, ਤਾਂ ਪੁੱਛੋ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 — ਔਸਤ ਦੀ ਧੋਖਾਧੜੀ। ਇੱਕ ਕੰਪਨੀ ਨੇ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ (50 ਮਿਲੀਅਨ) ਦੇ ਆਧਾਰ 'ਤੇ ਆਪਣੀ ਪੂੰਜੀ ਦੀ ਯੋਜਨਾ ਬਣਾਈ ਸੀ। ਜਦੋਂ ਮੋਂਟੇ ਕਾਰਲੋ ਕੀਤਾ ਗਿਆ ਸੀ, ਇਹ ਦੇਖਿਆ ਗਿਆ ਸੀ ਕਿ 99.5 ਪ੍ਰਤੀਸ਼ਤ ਦਾ ਪੱਧਰ 82 ਮਿਲੀਅਨ ਸੀ: ਇੱਕ ਮਾੜੇ ਸਾਲ ਵਿੱਚ, 32 ਮਿਲੀਅਨ ਦੀ ਵਾਧੂ ਲੋੜ ਸੀ ਅਤੇ ਕੰਪਨੀ ਇਸ ਨੂੰ ਪੂਰਾ ਕਰਨ ਦੇ ਯੋਗ ਨਹੀਂ ਹੋਵੇਗੀ. ਪੂੰਜੀ ਯੋਜਨਾ ਨੂੰ ਸੋਧਿਆ ਗਿਆ ਹੈ। AI ਨੇ ਸਕਿੰਟਾਂ ਵਿੱਚ 10,000 ਦ੍ਰਿਸ਼ਾਂ ਦਾ ਸਿਮੂਲੇਸ਼ਨ ਚਲਾਇਆ; ਐਕਚੁਅਰੀ ਨੇ ਵਿਆਖਿਆ ਅਤੇ ਵੰਡ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ।

ਕੇਸ 2 - ਸਬੰਧਾਂ ਦਾ ਅੰਨ੍ਹਾਪਨ। ਭੂਚਾਲ ਅਤੇ ਕਾਰੋਬਾਰੀ ਰੁਕਾਵਟ ਕਵਰੇਜ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਇੱਕ ਪੋਰਟਫੋਲੀਓ ਵਿੱਚ ਘੱਟ ਜੋਖਮ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ। ਪਰ ਇੱਕ ਭੁਚਾਲ ਇੱਕੋ ਸਮੇਂ ਦੋਵਾਂ ਨੂੰ ਚਾਲੂ ਕਰਦਾ ਹੈ; ਸੁਤੰਤਰਤਾ ਨੂੰ ਮੰਨਣ ਵਾਲੇ ਮਾਡਲ ਨੇ ਪੂਛ ਦੇ ਜੋਖਮ ਨੂੰ ਅੱਧਾ ਘਟਾ ਦਿੱਤਾ ਹੈ। ਜਦੋਂ ਐਕਚੁਅਰੀ ਨੇ ਦ੍ਰਿਸ਼ ਨਾਲ ਸਬੰਧ ਜੋੜਿਆ, ਤਾਂ ਅਸਲ ਪੂੰਜੀ ਦੀ ਲੋੜ ਕਾਫ਼ੀ ਵਧ ਗਈ। ਸਬਕ: ਸੰਕਟ ਵਿੱਚ, ਜੋਖਮ ਸੁਤੰਤਰ ਨਹੀਂ ਹੁੰਦੇ; ਸਵਾਲ AI ਦੀ ਸੁਤੰਤਰਤਾ ਨੂੰ ਸਵੀਕਾਰ ਕਰ ਲਿਆ ਗਿਆ ਹੈ।

ਕੇਸ 3 - ਇੱਕ ਘਟਨਾ ਜੋ ਨਹੀਂ ਵਾਪਰੀ। ਇੱਕ ਹੈਲਥਕੇਅਰ ਪੋਰਟਫੋਲੀਓ ਪਿਛਲੇ 10 ਸਾਲਾਂ ਦੇ ਡੇਟਾ ਦੇ ਅਧਾਰ ਤੇ ਬਹੁਤ "ਠੋਸ" ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਜਦੋਂ ਇੱਕ ਮਹਾਂਮਾਰੀ ਆਉਂਦੀ ਹੈ, ਬਾਰੰਬਾਰਤਾ ਅਤੇ ਗੰਭੀਰਤਾ ਦੋਵੇਂ ਇੱਕੋ ਸਮੇਂ ਅਸਮਾਨ ਨੂੰ ਛੂਹ ਜਾਂਦੇ ਹਨ; ਮਾਡਲ ਨੇ ਕਦੇ ਵੀ ਇਸਦੀ ਭਵਿੱਖਬਾਣੀ ਨਹੀਂ ਕੀਤੀ ਕਿਉਂਕਿ ਡੇਟਾ ਵਿੱਚ ਅਜਿਹਾ ਕੁਝ ਨਹੀਂ ਸੀ। ਅਗਲੀ ਮਿਆਦ ਵਿੱਚ, ਨਿਯਤਵਾਦੀ ਮਹਾਂਮਾਰੀ ਦ੍ਰਿਸ਼ ਜੋੜਿਆ ਗਿਆ ਸੀ। AI ਨੇ ਡਰਾਫਟ ਸਕ੍ਰਿਪਟ ਤਿਆਰ ਕੀਤੀ; ਐਕਟਚੂਰੀ ਨੇ ਝਟਕੇ ਦੀ ਤੀਬਰਤਾ ਦਾ ਫੈਸਲਾ ਕੀਤਾ। ਪਾਠ: ਇਤਿਹਾਸਕ ਡੇਟਾ ਕਤਾਰ ਪੂਰੀ ਨਹੀਂ ਹੈ।

ਆਮ ਗਲਤੀਆਂ

• ਔਸਤ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਯੋਜਨਾਬੰਦੀ. ਇਹ ਪੂਛ ਹੈ, ਔਸਤ ਨਹੀਂ, ਜੋ ਕੰਪਨੀ ਨੂੰ ਡੁੱਬਦੀ ਹੈ; VaR/TVaR ਵਰਗੇ ਅਤਿ ਮਾਪਦੰਡਾਂ ਨੂੰ ਦੇਖੋ।
• ਇਹ ਮੰਨਣਾ ਕਿ ਜੋਖਮ ਸੁਤੰਤਰ ਹਨ। ਸੰਕਟ ਦੇ ਦੌਰਾਨ, ਸਬੰਧ ਵਧਦੇ ਹਨ; ਅਜ਼ਾਦੀ ਨੂੰ ਕਬੂਲਣ ਨਾਲ ਪੂਛ ਦਾ ਚਾਨਣ ਹੋ ਜਾਂਦਾ ਹੈ।
• ਇਤਿਹਾਸਕ ਡੇਟਾ ਵਿੱਚ ਪੂਰਾ ਭਰੋਸਾ. ਦੁਰਲੱਭ ਅਤੇ ਢਾਂਚਾਗਤ ਘਟਨਾਵਾਂ ਡੇਟਾ ਤੋਂ ਗੈਰਹਾਜ਼ਰ ਹਨ; ਮਾਹਰ ਨਿਰਣੇ ਦੇ ਨਾਲ ਦ੍ਰਿਸ਼ ਸ਼ਾਮਲ ਕਰੋ।
• ਮਿਕਸਿੰਗ ਨਿਰਧਾਰਕ ਅਤੇ ਸਟੋਚੈਸਟਿਕ। ਇੱਕ ਸਿੰਗਲ ਦ੍ਰਿਸ਼ ਸੰਭਾਵਨਾ ਨਹੀਂ ਦਿੰਦਾ; ਸੰਭਾਵਨਾ ਲਈ ਮੋਂਟੇ ਕਾਰਲੋ ਦੀ ਲੋੜ ਹੈ।
• ਸਿਮੂਲੇਸ਼ਨ ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ ਪੇਸ਼ ਕਰਨਾ। ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਪ੍ਰਤੀਸ਼ਤ ਅਤੇ VaR ਦੀ ਜਾਂਚ ਕਰੋ; ਪੈਰਾਮੀਟਰ ਗਲਤੀ ਸਾਰੀ ਵੰਡ ਨੂੰ ਵਿਗਾੜ ਦਿੰਦੀ ਹੈ।

ਸੰਕੇਤ: ਮੋਂਟੇ ਕਾਰਲੋ ਨਤੀਜੇ ਪੇਸ਼ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਇੱਕ ਸਧਾਰਨ ਇਕਸਾਰਤਾ ਦੀ ਜਾਂਚ ਕਰੋ: ਕੀ ਸਿਮੂਲੇਸ਼ਨ ਦਾ ਮਤਲਬ ਅਨੁਮਾਨਿਤ ਮੁੱਲ (ਵਾਰਵਾਰਤਾ × ਤੀਬਰਤਾ × ਐਕਸਪੋਜ਼ਰ) ਦੇ ਨੇੜੇ ਹੈ ਜਿਸਦੀ ਤੁਸੀਂ ਹੱਥੀਂ ਗਣਨਾ ਕੀਤੀ ਹੈ? ਜੇਕਰ ਨਹੀਂ, ਤਾਂ ਕੋਈ ਪੈਰਾਮੀਟਰ ਜਾਂ ਕੋਡ ਗਲਤੀ ਹੈ।

ਸਾਰੰਸ਼ ਵਿੱਚ

ਭਵਿੱਖ ਇੱਕ ਸੰਖਿਆ ਨਹੀਂ ਹੈ, ਪਰ ਸੰਭਾਵਨਾਵਾਂ ਦਾ ਇੱਕ ਸਪੈਕਟ੍ਰਮ ਹੈ। ਨਿਰਣਾਇਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਇੱਕ ਸਿੰਗਲ "ਕੀ ਜੇ" ਮਾਰਗ ਦਰਸਾਉਂਦੇ ਹਨ, ਮੋਂਟੇ ਕਾਰਲੋ ਸਮੁੱਚੀ ਵੰਡ ਅਤੇ ਪੂਛ ਦੇ ਜੋਖਮ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਤਣਾਅ ਦੇ ਟੈਸਟ ਗੰਭੀਰ ਘਟਨਾਵਾਂ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ. ਅਸਲ ਖ਼ਤਰਾ ਪੂਛ ਵਿੱਚ ਹੈ, ਔਸਤ ਨਹੀਂ, ਅਤੇ ਇਤਿਹਾਸਕ ਡੇਟਾ ਪੂਛ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਨਹੀਂ ਦਰਸਾਉਂਦਾ; ਵਧੇ ਹੋਏ ਸਬੰਧਾਂ ਅਤੇ ਘਟਨਾਵਾਂ ਜੋ ਨਹੀਂ ਵਾਪਰੀਆਂ ਹਨ ਨੂੰ ਅਸਲ ਨਿਰਣੇ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। AI ਦ੍ਰਿਸ਼ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਦਾ ਹੈ, ਸਿਮੂਲੇਸ਼ਨ ਨੂੰ ਕੋਡ ਕਰਦਾ ਹੈ ਅਤੇ ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ; ਪਰ ਸਦਮੇ ਦੀ ਚੋਣ, ਸਬੰਧਾਂ ਦੀ ਧਾਰਨਾ, ਪੂਛ ਨਿਰਣਾ, ਅਤੇ ਅੰਤਮ ਜੋਖਮ ਦਾ ਫੈਸਲਾ ਐਕਚੁਰੀ ਦੇ ਨਾਲ ਰਹਿੰਦਾ ਹੈ। ਹਮੇਸ਼ਾ ਇੱਕ ਸਧਾਰਨ ਇਕਸਾਰਤਾ ਜਾਂਚ ਨਾਲ ਨਤੀਜਿਆਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਅਗਿਆਤ ਆਧਾਰ ਧਾਰਨਾਵਾਂ (ਵਾਰਵਾਰਤਾ, ਤੀਬਰਤਾ, ਐਕਸਪੋਜਰ, ਦਿਲਚਸਪੀ) ਸੈੱਟ ਕਰੋ। AI ਨੂੰ (a) ਆਧਾਰ ਅਨੁਮਾਨਿਤ ਨੁਕਸਾਨ, (b) ਮਹਿੰਗਾਈ, ਬਾਰੰਬਾਰਤਾ ਅਤੇ ਵਿਆਜ ਦਰ ਦੇ ਝਟਕਿਆਂ ਸਮੇਤ 3 ਨਿਰਣਾਇਕ ਦ੍ਰਿਸ਼, (c) ਮੋਂਟੇ ਕਾਰਲੋ ਸਿਮੂਲੇਸ਼ਨ ਨਾਲ VaR ਅਤੇ TVaR (99.5%) ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਕਹੋ। ਤਸਦੀਕ ਕਰੋ ਕਿ ਸਿਮੂਲੇਸ਼ਨ ਦਾ ਮਤਲਬ ਉਸ ਅਨੁਮਾਨਤ ਮੁੱਲ ਦੇ ਨੇੜੇ ਹੈ ਜੋ ਤੁਸੀਂ ਹੱਥੀਂ ਗਿਣਿਆ ਹੈ। ਫਿਰ AI ਨਾਲ ਚਰਚਾ ਕਰੋ ਕਿ ਕਿਵੇਂ ਇਹ ਮੰਨ ਕੇ ਦੋ ਸੰਪੱਤੀ ਨਿਰਭਰ ਹਨ (ਸਬੰਧਿਤ) ਪੂਛ ਨੂੰ ਬਦਲ ਦੇਵੇਗਾ।

ਚੈੱਕਲਿਸਟ

• [ ] ਕੀ ਮੈਂ ਔਸਤ ਦੀ ਬਜਾਏ ਪੂਛ ਦੇ ਮਾਪ (VaR, TVaR) ਨੂੰ ਵੀ ਦੇਖਿਆ ਹੈ?
• ਕੀ ਮੈਂ ਸੰਕਟ ਦੇ ਸਮੇਂ ਜੋਖਮਾਂ ਦੇ ਸਬੰਧਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਿਆ ਹੈ?
• [ ] ਕੀ ਮੈਂ ਮਾਹਰ ਨਿਰਣੇ ਦੇ ਨਾਲ ਇਤਿਹਾਸਕ ਡੇਟਾ ਵਿੱਚ ਨਹੀਂ ਪਾਏ ਗਏ ਢਾਂਚਾਗਤ/ ਦੁਰਲੱਭ ਦ੍ਰਿਸ਼ ਸ਼ਾਮਲ ਕੀਤੇ ਹਨ?
• ਕੀ ਮੈਂ ਨਿਰਣਾਇਕ ਅਤੇ ਸਟੋਚੈਸਟਿਕ ਪਹੁੰਚ ਨੂੰ ਸੁਚੇਤ ਤੌਰ 'ਤੇ ਵੱਖ ਕੀਤਾ ਹੈ?
• [ ] ਕੀ ਮੈਂ ਸੰਭਾਵਿਤ ਮੁੱਲ ਦੇ ਨਾਲ ਇਕਸਾਰਤਾ ਲਈ ਮੋਂਟੇ ਕਾਰਲੋ ਮਤਲਬ ਦੀ ਦਸਤੀ ਜਾਂਚ ਕੀਤੀ ਹੈ?
• [ ] ਕੀ ਮੈਂ ਦ੍ਰਿਸ਼ ਵਿਕਲਪਾਂ ਅਤੇ ਸਦਮੇ ਦੀ ਤੀਬਰਤਾ ਲਈ ਤਰਕਸੰਗਤ ਲਿਖਿਆ ਹੈ?