Các Đại Lượng Đo Lường Rủi Ro Trong Toán Tài Chính

Luận văn thạc sĩ kinh tế nghiên cứu hus các đại lượng đo lường rủi ro trong toán tài chính, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải thiện thực tiễn.

• Tác giả: Trần Thu Trang
• Người hướng dẫn: PGS. Trần Hùng Thao
• Trường học: Trường Đại Học Khoa Học Tự Nhiên
• Chuyên ngành: Lý Thuyết Xác Suất Và Thống Kê Toán Học
• Đề tài: Các Đại Lượng Đo Lường Rủi Ro Trong Toán Tài Chính
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2011
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI NÓI ĐẦU
• 1. CHƯƠNG 1: CÁC KIẾN THỨC MỞ ĐẦU
• 1.1. Biến ngẫu nhiên và hàm phân phối
• 1.2. Các số đặc trưng của đại lượng ngẫu nhiên
• 1.3. Các mô hình phi tuyến ARCH, GARCH
• 1.4. Phân vị thống kê (quantiles)
• 2. CHƯƠNG 2: CÁC ĐỘ ĐO RỦI RO TÀI CHÍNH
• 2.1. Độ đo rủi ro VaR
• 2.2. Độ đo rủi ro liên kết (Coherent risk measures)
• 3. CHƯƠNG 3: ĐỊNH MỨC RỦI RO
• 3.1. Giới thiệu hệ thống định mức rủi ro
• 3.2. Lựa chọn các tham số định lượng trong phân tích VaR
• KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Đo Lường Rủi Ro Trong Toán Tài Chính

Đo lường rủi ro trong toán tài chính là một lĩnh vực quan trọng, giúp các nhà đầu tư và quản lý tài chính hiểu rõ hơn về các yếu tố có thể ảnh hưởng đến giá trị tài sản. Việc áp dụng các phương pháp đo lường rủi ro không chỉ giúp xác định mức độ rủi ro mà còn hỗ trợ trong việc đưa ra các quyết định đầu tư hợp lý. Các phương pháp này bao gồm các mô hình thống kê và xác suất, giúp phân tích và dự đoán các biến động của thị trường.

1.1. Khái Niệm Về Rủi Ro Tài Chính

Rủi ro tài chính được định nghĩa là khả năng xảy ra tổn thất do biến động của thị trường tài chính. Các loại rủi ro này bao gồm rủi ro lãi suất, rủi ro tỷ giá, và rủi ro tín dụng. Việc hiểu rõ các loại rủi ro này là rất cần thiết để quản lý và giảm thiểu tổn thất.

1.2. Tầm Quan Trọng Của Đo Lường Rủi Ro

Đo lường rủi ro giúp các nhà đầu tư xác định được mức độ an toàn của các khoản đầu tư. Nó cũng giúp các tổ chức tài chính tuân thủ các quy định và chuẩn mực quốc tế trong quản lý rủi ro, từ đó nâng cao hiệu quả hoạt động kinh doanh.

II. Các Thách Thức Trong Đo Lường Rủi Ro Tài Chính

Mặc dù có nhiều phương pháp đo lường rủi ro, nhưng việc áp dụng chúng trong thực tế vẫn gặp nhiều thách thức. Một trong những vấn đề lớn nhất là sự không chắc chắn và biến động của thị trường. Các mô hình hiện tại có thể không phản ánh chính xác các điều kiện thị trường thực tế, dẫn đến việc đánh giá rủi ro không chính xác.

2.1. Sự Biến Động Của Thị Trường

Thị trường tài chính thường xuyên biến động, và các yếu tố như chính trị, kinh tế, và xã hội có thể ảnh hưởng đến giá trị tài sản. Điều này làm cho việc dự đoán rủi ro trở nên khó khăn hơn.

2.2. Hạn Chế Của Các Mô Hình Đo Lường

Nhiều mô hình đo lường rủi ro như VaR có những hạn chế nhất định. Chúng không thể phản ánh đầy đủ các tình huống khẩn cấp hoặc các sự kiện không lường trước, dẫn đến việc đánh giá rủi ro không chính xác.

III. Phương Pháp Đo Lường Rủi Ro Tài Chính Hiệu Quả

Để đo lường rủi ro tài chính một cách hiệu quả, cần áp dụng các phương pháp khoa học và công nghệ hiện đại. Các mô hình như VaR, CVaR, và các độ đo rủi ro liên kết đang được sử dụng rộng rãi trong ngành tài chính.

3.1. Mô Hình VaR Trong Đo Lường Rủi Ro

Giá trị rủi ro (VaR) là một trong những công cụ phổ biến nhất để đo lường rủi ro tài chính. Nó cho biết mức tổn thất tối đa có thể xảy ra trong một khoảng thời gian nhất định với một mức độ tin cậy nhất định.

3.2. Độ Đo Rủi Ro Liên Kết

Độ đo rủi ro liên kết (Coherent Risk Measures) là một phương pháp mới giúp đánh giá rủi ro một cách chính xác hơn. Nó đảm bảo rằng các điều kiện nhất quán được thỏa mãn, từ đó giúp cải thiện độ tin cậy của các dự đoán rủi ro.

IV. Ứng Dụng Thực Tiễn Của Đo Lường Rủi Ro Tài Chính

Việc áp dụng các phương pháp đo lường rủi ro trong thực tiễn đã mang lại nhiều lợi ích cho các tổ chức tài chính. Nó không chỉ giúp cải thiện khả năng quản lý rủi ro mà còn nâng cao hiệu quả đầu tư.

4.1. Cải Thiện Quy Trình Ra Quyết Định

Các phương pháp đo lường rủi ro giúp các nhà quản lý đưa ra quyết định đầu tư chính xác hơn. Bằng cách hiểu rõ các yếu tố rủi ro, họ có thể tối ưu hóa danh mục đầu tư của mình.

4.2. Tăng Cường Độ Tin Cậy Của Các Dự Đoán

Việc sử dụng các mô hình đo lường rủi ro hiện đại giúp tăng cường độ tin cậy của các dự đoán về biến động thị trường, từ đó giúp các tổ chức tài chính có thể chuẩn bị tốt hơn cho các tình huống bất ngờ.

V. Kết Luận Về Đo Lường Rủi Ro Trong Toán Tài Chính

Đo lường rủi ro trong toán tài chính là một lĩnh vực không ngừng phát triển. Các phương pháp hiện đại đang được áp dụng để cải thiện khả năng quản lý rủi ro và tối ưu hóa các quyết định đầu tư. Tương lai của lĩnh vực này hứa hẹn sẽ có nhiều tiến bộ hơn nữa.

5.1. Xu Hướng Phát Triển Trong Đo Lường Rủi Ro

Các công nghệ mới như trí tuệ nhân tạo và học máy đang được áp dụng để cải thiện các mô hình đo lường rủi ro. Điều này hứa hẹn sẽ mang lại những giải pháp hiệu quả hơn cho các nhà đầu tư.

5.2. Tương Lai Của Quản Lý Rủi Ro Tài Chính

Quản lý rủi ro tài chính sẽ tiếp tục đóng vai trò quan trọng trong việc bảo vệ các tổ chức tài chính khỏi các rủi ro tiềm ẩn. Việc phát triển các phương pháp đo lường rủi ro chính xác hơn sẽ là chìa khóa cho sự thành công trong tương lai.

Nội dung chính

Tổng quan nghiên cứu

Thị trường tài chính toàn cầu trong hơn ba thập kỷ qua đã chứng kiến nhiều biến động sâu sắc, từ cuộc khủng hoảng tài chính châu Á năm 1997 đến cuộc khủng hoảng nợ toàn cầu năm 2008, gây tổn thất hàng trăm tỷ USD cho các định chế kinh tế lớn. Thực trạng này đặt ra yêu cầu cấp thiết cho hơn 100 quốc gia trên thế giới trong việc chuẩn hóa hệ thống quản trị rủi ro thông qua các khuôn khổ hiệp ước quốc tế. Trong bối cảnh đó, việc quản trị rủi ro không thể chỉ dừng lại ở các đánh giá định tính đơn thuần mà bắt buộc phải dựa trên cơ sở định lượng toán học vững chắc nhằm đo lường chính xác tổn thất tiềm năng.

Vấn đề cốt lõi mà nghiên cứu giải quyết là sự thiếu hoàn thiện của độ đo Giá trị chịu rủi ro (Value at Risk - VaR) truyền thống khi áp dụng vào các danh mục đầu tư phức tạp. Mục tiêu cụ thể của luận văn tập trung vào việc hệ thống hóa các đại lượng đo lường rủi ro trong toán tài chính, phân tích sâu các mô hình biến động phi tuyến, chứng minh toán học tính chất cộng tính dưới của Độ đo thua lỗ trung bình (Expected Shortfall - ES) và làm sáng tỏ cơ sở xác lập hệ số an toàn vốn theo chuẩn mực Basel.

Phạm vi nghiên cứu bao quát các nền tảng lý thuyết xác suất thống kê hiện đại, mô hình hóa chuỗi thời gian tài chính và các bộ số liệu thực nghiệm như chuỗi dữ liệu 480 tài sản của RiskMetrics cùng thống kê vỡ nợ của Moody giai đoạn 1920-1998. Kết quả nghiên cứu mang ý nghĩa then chốt đối với việc tối ưu hóa tỷ lệ an toàn vốn, giúp các định chế tài chính xác định chính xác mức vốn đệm dự phòng với độ tin cậy từ 95% đến 99,95%, qua đó giảm thiểu tối đa xác suất mất khả năng thanh toán trong điều kiện thị trường chịu biến động tiêu cực.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng vững chắc của hai hệ thống lý thuyết toán tài chính hiện đại. Thứ nhất là Lý thuyết độ đo rủi ro liên kết do nhóm tác giả Artzner, Delbaen, Eber và Heath phát triển năm 1999, đặt ra 4 tiên đề chuẩn mực mà một thước đo rủi ro nhất quán bắt buộc phải thỏa mãn: tính đơn điệu, tính thuần nhất dương, tính bất biến tịnh tiến và tính cộng tính dưới. Thứ hai là Lý thuyết chuỗi thời gian phi tuyến với mô hình Tự hồi quy phương sai thay đổi có điều kiện ARCH do Robert Engle đề xuất năm 1982 cùng mô hình mở rộng GARCH của Tim Bollerslev năm 1986, giải thích hiệu quả hiện tượng phương sai thay đổi và tính tập kết biến động trong dữ liệu chuỗi tài chính.

Trong khuôn khổ này, 4 khái niệm trung tâm được chuẩn hóa bao gồm:

• Biến ngẫu nhiên và phân vị thống kê: Điểm phân vị mức alpha đại diện cho ngưỡng tổn thất tại mức xác suất xác định.
• Giá trị chịu rủi ro (VaR): Lượng vốn tối đa có thể bị mất trong một khoảng thời gian xác định tại mức độ tin cậy 95% hoặc 99%.
• Độ đo thua lỗ trung bình (Expected Shortfall - ES): Kỳ vọng toán học của các mức tổn thất vượt quá ngưỡng phân vị alpha trong trường hợp xấu nhất.
• Không gian rủi ro liên kết: Tập hợp các vị thế tài chính được chấp nhận sau khi đã bổ sung lượng vốn dự phòng rủi ro cần thiết.

Phương pháp nghiên cứu

Luận văn kết hợp chặt chẽ giữa phương pháp giải tích ngẫu nhiên, giải tích lồi và thống kê thực nghiệm. Nguồn dữ liệu thứ cấp được khai thác từ hệ thống chuẩn hóa RiskMetrics của JP Morgan xử lý trên 480 chuỗi thời gian tài chính quốc tế, kết hợp bộ dữ liệu lịch sử về tần số mất khả năng thanh toán doanh nghiệp giai đoạn 1920-1998 của hãng xếp hạng Moody.

Quy trình phân tích áp dụng mô hình Trung bình trượt có trọng số mũ EWMA để ước lượng phương sai và hiệp phương sai động, đồng thời triển khai mô hình ARMA-GARCH nhằm kiểm tra phân phối có điều kiện của lợi suất logarit. Cỡ mẫu nghiên cứu bao gồm 480 chuỗi thời gian đại diện cho các nhóm tài sản tiền tệ, cổ phiếu và trái phiếu, được lựa chọn theo phương pháp chọn mẫu có chủ đích nhằm đảm bảo tính bao quát của các thị trường tài chính phát triển. Lý do lựa chọn các phương pháp này là vì chúng cho phép khắc phục nhược điểm của giả định phương sai cố định, bám sát diễn biến biến động thực tế hàng ngày với hệ số suy giảm tối ưu lambda đạt 0,94 đối với dữ liệu ngày và 0,97 đối với dữ liệu tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu mang lại 4 phát hiện toán học và thực nghiệm quan trọng:

Thứ nhất, luận văn đã chứng minh toán học và thực nghiệm về sự vi phạm tính cộng tính dưới của độ đo VaR. Khi xét một ngân hàng cấp 2 khoản vay độc lập trị giá 50 USD với xác suất vỡ nợ riêng lẻ là 0,008, tại mức ý nghĩa 1%, VaR của từng khoản vay riêng lẻ bằng 0 USD. Tuy nhiên, khi kết hợp thành một danh mục chung 100 USD, tổng tổn thất vỡ nợ có phân phối nhị thức khiến VaR của danh mục tăng vọt lên 50 USD. Điều này chứng minh nghịch lý: việc đa dạng hóa danh mục đầu tư có thể làm tăng giá trị VaR, đi ngược lại nguyên lý phân tán rủi ro.

Thứ hai, độ đo Thua lỗ trung bình (Expected Shortfall - ES) được chứng minh là một độ đo rủi ro liên kết hoàn hảo. Khác với Tail Conditional Expectation chỉ thỏa mãn trên phân phối liên tục, ES luôn đảm bảo tính cộng tính dưới trên 100% các không gian phân phối tổng quát (cả liên tục và rời rạc), đo lường chính xác toàn bộ mức độ trầm trọng của tổn thất vượt ngưỡng.

Thứ ba, tham số rủi ro tối ưu trong mô hình RiskMetrics được xác định chuẩn xác qua kỹ thuật cực tiểu hóa hàm sai số bình phương trung bình RMSE. Đối với chuỗi lợi suất ngày, hệ số tối ưu lambda đạt 0,94 và đối với chuỗi lợi suất tháng là 0,97, giúp mô hình dự báo biến động đạt độ chính xác cao khi áp dụng công thức căn bậc hai của thời gian cho chu kỳ T ngày.

Thứ tư, nghiên cứu đã giải mã thành công bản chất toán học của hệ số điều chỉnh an toàn vốn k = 3 trong Hiệp định Basel. Áp dụng bất đẳng thức Chebyshev cho phân phối đối xứng, giá trị VaR tối đa không phụ thuộc phân phối tại mức ý nghĩa 1% là 7,071 lần độ lệch chuẩn, trong khi VaR theo phân phối chuẩn Gauss là 2,326 lần độ lệch chuẩn. Tỷ số giữa VaR tối đa và VaR chuẩn đạt mức 3,03, lý giải một cách khoa học cho hệ số nhân an toàn k = 3 mà Basel quy định cho hơn 100 hệ thống ngân hàng thương mại.

Thảo luận kết quả

Các kết quả nghiên cứu chỉ ra rằng giả định phân phối chuẩn thường đánh giá thấp rủi ro thực tế do bỏ qua hiện tượng đuôi dày và độ nhọn cao trong chuỗi thời gian tài chính. Khi mô tả dữ liệu qua biểu đồ mật độ xác suất, phần đuôi tổn thất thực nghiệm luôn kéo dài và có xác suất xuất hiện biến cố cực đoan cao hơn hẳn đường cong chuẩn N(0, 1).

Bảng ma trận xác suất chuyển đổi trạng thái xếp hạng tín nhiệm theo dữ liệu Moody giai đoạn 1920-1998 cho thấy sự chênh lệch rõ nét: xác suất vỡ nợ trong 1 năm của doanh nghiệp xếp hạng Aaa chỉ là 0,02% nhưng tăng lên 1,49% trong 10 năm; trong khi nhóm xếp hạng B có tỷ lệ mất khả năng thanh toán 1 năm là 2,32% và tăng vọt lên 37,98% sau 10 năm. Điều này đòi hỏi các tổ chức tài chính muốn duy trì hạng tín nhiệm Aa phải thiết lập mức độ tin cậy phân tích VaR lên tới 99,95% (tương ứng mức ý nghĩa 0,05%), cao hơn nhiều so với chuẩn thông thường 95%. So với các công trình nghiên cứu trước đây vốn chỉ tập trung vào VaR tham số, việc chứng minh tính ưu việt của Expected Shortfall mang lại công cụ định lượng vượt trội, loại bỏ hoàn toàn các rủi ro tiềm ẩn do đa dạng hóa danh mục gây ra.

Đề xuất và khuyến nghị

Dựa trên các kết quả phân tích định lượng, luận văn đề xuất 4 nhóm giải pháp thực tiễn cho hệ thống ngân hàng và các tổ chức tài chính:

Thứ nhất, chuyển đổi lộ trình đo lường rủi ro nội bộ từ mô hình VaR truyền thống sang Độ đo thua lỗ trung bình (Expected Shortfall). Khối Quản trị Rủi ro tại các ngân hàng thương mại cần thiết lập hệ thống tính toán ES ở mức phân vị 97,5% nhằm thay thế cho VaR 99%, hướng tới mục tiêu giảm thiểu 20% sai lệch trong việc dự báo tổn thất đuôi cực đoan, hoàn thành triển khai trong thời gian 12 tháng.

Thứ hai, chuẩn hóa hệ thống tham số ước lượng biến động theo mô hình EWMA và ARMA-GARCH. Bộ phận Phân tích Định lượng cần áp dụng chính xác hệ số suy giảm lambda = 0,94 cho các danh mục tự doanh giao dịch hàng ngày và lambda = 0,97 cho danh mục đầu tư trung hạn hàng tháng, nâng cao độ chính xác dự báo phương sai có điều kiện lên trên 95%, áp dụng ngay trong chu kỳ đánh giá 6 tháng tới.

Thứ ba, duy trì hệ số đệm vốn an toàn rủi ro tối thiểu k từ 3,0 đến 3,03 khi tính toán vốn an toàn bắt buộc theo tiêu chuẩn Basel. Ban Điều hành và Hội đồng Quản trị cần sử dụng mức nhân vốn này để bù đắp các sai số phi chuẩn của mô hình, đảm bảo tỷ lệ an toàn vốn (CAR) luôn đạt trên ngưỡng quy định từ 8% đến 10%, duy trì ổn định trong lộ trình 24 tháng.

Thứ tư, xây dựng hệ thống ma trận xác suất chuyển dịch định mức tín nhiệm nội bộ dựa trên chuỗi dữ liệu lịch sử tối thiểu 10 năm. Khối Thẩm định và Quản trị Tín dụng cần định kỳ cập nhật xác suất mất khả năng thanh toán theo từng nhóm khách hàng từ AAA đến B, đặt mục tiêu kiểm soát tỷ lệ nợ xấu toàn hệ thống dưới mức 2%, thực hiện kiểm toán mô hình 6 tháng một lần.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu chuyên khảo có giá trị cao cho 4 nhóm đối tượng chính:

Thứ nhất, Chuyên viên phân tích định lượng (Quant) và Chuyên viên quản trị rủi ro tại các ngân hàng thương mại, công ty chứng khoán và quỹ đầu tư. Tài liệu cung cấp cơ sở toán học tường minh để lập trình thuật toán đo lường VaR, ES và thiết lập kịch bản kiểm thử sức chịu tải (stress testing) cho danh mục tài sản.

Thứ hai, Cơ quan quản lý nhà nước, Ngân hàng Nhà nước và Thanh tra giám sát tài chính. Luận văn cung cấp luận cứ khoa học để thẩm định tính chuẩn xác của các mô hình quản trị rủi ro nội bộ, hỗ trợ xây dựng chính sách trích lập dự phòng và thanh tra tỷ lệ an toàn vốn theo chuẩn mực Basel.

Thứ ba, Giảng viên, Nghiên cứu sinh và Học viên cao học chuyên ngành Lý thuyết xác suất, Thống kê toán học, Toán tài chính và Kinh tế lượng. Công trình là tài liệu tham khảo mẫu mực về kỹ thuật chứng minh giải tích trong không gian xác suất và mô hình hóa chuỗi thời gian tài chính.

Thứ tư, Giám đốc tài chính (CFO) và Nhà quản lý danh mục đầu tư. Tài liệu mang lại góc nhìn chuẩn xác về cách thức đa dạng hóa tài sản an toàn, giúp tối ưu hóa cấu trúc vốn phòng ngừa rủi ro tỷ giá và lãi suất trong các chu kỳ kinh tế kéo dài từ 1 năm đến 5 năm.

Câu hỏi thường gặp

Thước đo VaR có nhược điểm lớn nhất là gì khi ứng dụng vào thực tế? Nhược điểm lớn nhất của VaR là vi phạm tính chất cộng tính dưới, khiến rủi ro của một danh mục hỗn hợp có thể lớn hơn tổng rủi ro của từng danh mục thành phần. Ví dụ, trong một danh mục gồm 2 khoản vay độc lập trị giá 50 USD với xác suất vỡ nợ 0,008, VaR tại mức tin cậy 99% tăng từ 0 USD lên 50 USD khi gộp chung.

Tại sao Expected Shortfall lại vượt trội hơn hẳn so với VaR? Expected Shortfall là độ đo rủi ro liên kết thỏa mãn toàn diện 4 tiên đề chuẩn mực toán học, bao gồm cả tính cộng tính dưới trên mọi dạng phân phối xác suất. Thay vì chỉ đưa ra một ngưỡng tổn thất tối thiểu như VaR, ES tính toán trung bình kỳ vọng của tất cả các kịch bản thua lỗ tồi tệ nhất vượt quá ngưỡng phân vị alpha.

Cơ sở toán học nào lý giải việc Hiệp định Basel chọn hệ số điều chỉnh k = 3? Hệ số k = 3 được lý giải thông qua bất đẳng thức Chebyshev cho phân phối đối xứng. Khi mức ý nghĩa là 1%, VaR tối đa không tham số đạt 7,071 lần độ lệch chuẩn, trong khi VaR theo phân phối chuẩn là 2,326 lần độ lệch chuẩn. Tỷ số giữa hai đại lượng này là 7,071 chia cho 2,326 bằng 3,03, xấp xỉ hệ số k = 3.

Ý nghĩa thực tiễn của tham số lambda = 0,94 trong phương pháp RiskMetrics là gì? Tham số lambda = 0,94 là hệ số suy giảm tối ưu cho dữ liệu chuỗi thời gian hàng ngày, được xác định thông qua cực tiểu hóa sai số RMSE trên 480 chuỗi tài sản. Hệ số này giúp mô hình gán trọng số cao hơn cho các quan sát gần nhất, phản ánh tức thời 94% mức độ biến động thị trường của ngày liền trước.

Doanh nghiệp duy trì mức xếp hạng tín nhiệm Aa cần trích lập vốn rủi ro ở độ tin cậy bao nhiêu? Theo bảng xác suất mất khả năng thanh toán 1920-1998 của Moody, doanh nghiệp hạng Aa có tần suất mất khả năng thanh toán trong 1 năm là 0,05%. Do đó, để bảo toàn xếp hạng này, tổ chức tài chính phải duy trì vốn an toàn rủi ro ở mức độ tin cậy tối thiểu là 99,95% (tương ứng 100% trừ 0,05%).

Kết luận

• Luận văn đã hệ thống hóa toàn diện cơ sở toán học của các đại lượng đo lường rủi ro tài chính, chỉ rõ bản chất thống kê của phân vị và phương sai có điều kiện.
• Chứng minh chặt chẽ tính ưu việt của Độ đo thua lỗ trung bình (Expected Shortfall) so với VaR thông qua việc bảo toàn nguyên lý cộng tính dưới trên mọi lớp phân phối.
• Xác lập chuẩn xác các tham số định lượng tối ưu trong mô hình RiskMetrics với lambda = 0,94 cho chuỗi ngày và lambda = 0,97 cho chuỗi tháng trên 480 chuỗi dữ liệu.
• Làm sáng tỏ nền tảng xác suất của hệ số an toàn vốn k = 3 trong Hiệp định Basel bằng bất đẳng thức Chebyshev với tỷ số thực nghiệm đạt 3,03.
• Cung cấp khung ma trận chuyển dịch tín nhiệm hỗ trợ các định chế tài chính thiết lập mức độ tin cậy dự phòng vốn từ 99% đến 99,95%.

Bước tiếp theo, các định chế tài chính cần khẩn trương số hóa công thức Expected Shortfall vào hệ thống quản trị rủi ro tự động trong vòng 6 đến 12 tháng tới. Hãy tải toàn văn nghiên cứu và áp dụng ngay các mô hình định lượng chuẩn mực này để tối ưu hóa an toàn vốn cho tổ chức của bạn.

Trích đoạn nội dung tài liệu

mở đầu 1.1 Biến ngẫu nhiên và hàm phân phối 1.1 Biến ngẫu nhiên Giả sử (Ω, A, P ) là không gian xác suất cơ bản và (R, B) là không gian đo được với R là tập số thực, B là σ - đại số borel trên R. Ta gọi ánh xạ đo được X : Ω −→ R (tức là X −1 (B) ⊂ A)) là biến ngẫu nhiên.2 Hàm phân phối xác suất Giả sử X là biến ngẫu nhiên. Khi đó độ đo ảnh XP được gọi là phân phối (hay chính xác hơn, phân phối xác suất) của X. Ta ký hiệu PX = XP , như vậy PX (B) = P (X −1 (B)) là xác suất trên không gian đo được (R, B).

Nếu X là biến ngẫu nhiên thì ta gọi FX (x) = P {ω : X(ω) < x} là hàm phân phối xác suất của X. 1 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Nếu X là biến ngẫu nhiên, thì hàm phân phối của nó: FX (x) = P {ω : X(ω) < x} có các tính chất sau: 1) Không giảm: FX (x1 ) ≤ FX (x2 ) với x1 ≤ x2. 2) Liên tục bên trái: FX (x) = FX (x − 0).

3) Nhận giá trị 0 tại −∞ và 1 tại +∞. Ngược lại, nếu cho trước hàm F (x) có ba tính chất trên thì tồn tại ít nhất một không gian xác suất cơ bản (Ω, A, P ) và một biến ngẫu nhiên X sao cho F là hàm phân phối của nó FX = F .3 Phân phối rời rạc và phân phối liên tục Định nghĩa 1. Ta nói biến ngẫu nhiên X có phân phối rời rạc (hay biến ngẫu nhiên rời rạc) nếu hàm phân phối F của nó là hàm bước nhảy. Giả sử {xk } là tập hợp tất cả các điểm gián đoạn của F và {pk } là các bước nhảy tương ứng: pk = F (xk + 0) − F (xk ).

Khi đó, ta có: pk = Pξ {xk } = P {ω : ξ(ω) = xk }. Bảng sau đây được gọi là bảng phân phối xác suất của đại lượng ngẫu nhiên ξ:     ξ x1 x2 · · · = , P p1 p2 · · · trong đó xk , k = 1, 2,. là các giá trị có thể của ξ (hay là điểm tập trung khối lượng của ξ) và pk , k = 1, 2,. là xác suất để ξ lấy giá trị xk (hay là khối lượng của Fξ đặt tại xk ).

có các tính chất sau: X pk > 0, pk = 1, (1.2) xk <x 2 LUAN VAN CHAT LUONG download : add [e-mail] Ngược lại, nếu cho trước xk là dãy bất kỳ và {pk } là dãy có tính chất (1.1) thì vế phải của (1.2) xác định hàm phân phối và do đó, tồn tại đại lượng ngẫu nhiên ξ tập trung tại các điểm {xk } với khối lượng tương ứng {pk } Định nghĩa 1. Nói rằng X có phân phối liên tục, nếu phân phối PX của nó tuyệt đối liên tục đối với độ đo Lebesgue của đường thẳng. Vậy, nếu X có phân phối liên tục (hay tuyệt đối liên tục), thì có đạo hàm Radon - Nikodym. dPX (x) pX (x) = dx pX (x) được gọi là mật độ phân phối của X.

Nó có các tính chất sau: Z +∞ pX (x) ≥ 0, pX (x)dx = 1.4) −∞ Ngược lại, nếu cho trước hàm số p(x) có tính chất (1.3) thì vế phải (1.4) xác định một hàm phân phối và do đó tồn tại một biến ngẫu nhiên nhận p(x) làm hàm mật độ phân phối của nó. Vì vậy, hàm số có tính chất (1.3) được gọi là hàm mật độ (xác suất). Đặc biệt, nếu hàm mật độ có dạng: 1 x2 p(x) = √ exp{− } 2π 2 thì ta gọi hàm phân phối (đại lượng ngẫu nhiên) tương ứng là phân phối (đại lượng ngẫu nhiên) Gauss tiêu chuẩn. Ta sẽ dùng ký hiệu N (0, 1) để chỉ phân phối (đại lượng ngẫu nhiên) Gauss tiêu chuẩn.

Nếu ξ = σγ +m, trong đó σ > 0, m ∈ R, thì ta nói ξ có phân phối Gauss hay chuẩn với tham số (m, σ 2 ). Rõ ràng, mật độ của ξ = σγ + m có dạng 1 1 x−m 2 p(x) = √ exp{− ( ) }, σ 2π 2 σ với ξ như thế, ta sẽ dùng ký hiệu N (m, σ 2 ) để chỉ hàm phân phối của nó. 3 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Giả sử biến ngẫu nhiên X có hàm phân phối liên tục F (x).

Khi đó hàm phân phối của Y = F (X) là phân phối đều trên (0, 1).2 Các số đặc trưng của đại lượng ngẫu nhiên 1.1 Moment Định nghĩa 1. Nói p R rằng, pX có moment cấp (hay bậc) p > 0, nếu |X| ∈ L1 (P ), tức là Ω |X(ω)| dP (ω) < ∞. Ký hiệu Lp (P ) là tập hợp gồm tất cả các đại lượng ngẫu nhiên có moment cấp p. Nếu X ∈ L1 , thì ta gọi số Z EX = X(ω)dP Ω là kỳ vọng (hay giá trị trung bình) của X.

Tính chất: a) E1Ω = 1, E(aX1 + bX2 ) = aEX1 + bEX2. b) X, Y ∈ L1 và X ≤ Y, EX ≤ EY. Cách tính: a) Nếu X là biến ngẫu nhiên có hàm phân phối FX , thì Z +∞ EX = xdFX (x). −∞ b) Nếu X là biến ngẫu nhiên rời rạc, thì X EX = xk pk k trong đó {xk } là các điểm tập trung của X với khối lượng {pk } tương ứng.

4 LUAN VAN CHAT LUONG download : add [e-mail] c) X là biến ngẫu nhiên liên tục, thì Z +∞ EX = xpX (x)dx −∞ pX (x) là hàm mật độ phân phối của X.2 Phương sai Định nghĩa 1. Khi đó, đại lượng DX = E[X − EX]2 hữu hạn và được gọi là phương sai của biến ngẫu nhiên X, còn σX = √ DX được gọi là độ lệch tiêu chuẩn của X. a) Nếu X có hàm phân phối FX , thì Z +∞ Z +∞ Z +∞ 2 2 DX = (x−EX) dFX (x) = x dFX (x)−( xdFX (x))2. P b) X là đại lượng ngẫu nhiên rời rạc thì DX = c) Nếu X là đại lượng ngẫu nhiên liên tục thì: Z +∞ DX = (x − EX)2 pX (x)dx.3 Hiệp phương sai Định nghĩa 1.

Hiệp phương sai của hai đại lượng ngẫu nhiên X và Y là một số xác định bởi công thức: cov(X, Y ) = E(X − EX)(Y − EY ) với EX = µ và EY = λ. Nếu X và Y là hai đại lượng ngẫu nhiên rời rạc thì: XX cov(X, Y ) = xi yj pij − µλ i j với pij = P (X = xi , Y = yi ). 5 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Nếu X và Y là hai đại lượng ngẫu nhiên liên tục và f (x, y) là hàm mật độ đồng thời của (X, Y ) thì Z +∞ Z +∞ cov(X, Y ) = xyf (x, y)dxdy − µλ.

Nếu X, Y độc lập thì cov(X, Y ) = 0 nhưng ngược lại thì chưa chắc đúng.4 Hệ số tương quan Định nghĩa 1. Hệ số tương quan của X, Y , ký hiệu bởi ρ(X, Y ) được định nghĩa bởi công thức: cov(X, Y ) ρ(X, Y ) =. ρX ρY Ý nghĩa của hệ số tương quan: Hệ số tương quan đo mức độ phụ thuộc tuyến tính giữa X và Y. Nếu |ρ(X, Y )| càng gần 1 thì mối quan hệ tuyến tính càng chặt, càng gần 0 thì sự phụ thuộc tuyến tính càng ít, hay càng “lỏng lẻo”.

Nếu ρ(X, Y ) = 0 thì X, Y không tương quan. Tính chất của hệ số tương quan: i) Ta luôn có: −1 ≤ ρ(X, Y ) ≤ 1. ii) Nếu X, Y độc lập thì ρ(X, Y ) = 0. Nếu Y phụ thuộc tuyến tính vào X, tức là Y = aX + b thì ρ(X, Y ) = ±1.5 Độ nhọn Định nghĩa 1.

Độ nhọn là một đại lượng thống kê mô tả đo mức độ tập trung của phân phối xác suất của một biến ngẫu nhiên, cụ thể là mức độ tập trung của các quan sát quanh trung tâm của phân phối trong mối quan hệ với hai đuôi, được định nghĩa bởi µ4 γ2 = − 3, σ4 6 LUAN VAN CHAT LUONG download : add [e-mail] trong đó µ là moment trung tâm bậc 4, còn σ là độ lệch chuẩn. Tỷ lệ µ4 được gọi là moment chuẩn hóa bậc 4.6 Bất đẳng thức Chebyshev Mệnh đề 1. Giả sử ξ ∈ L0 và g : R −→ R+ là hàm Borel không âm và không giảm trên [0, ∞). g(ε) Đó là bất đẳng thức Chebyshev.

Từ đó suy ra điều phải chứng minh.6) εp Người ta thường gọi (1.5) là bất đẳng thức Chebyshev, còn (1.6) là bất đẳng thức Markov. Đó là những bất đẳng thức quan trọng của lý thuyết xác suất. Mặc dù chứng minh của chúng hoàn toàn đơn giản, nhưng nó có ý nghĩa toán học sâu sắc.5) cho ta thấy: nếu biết phương sai của ξ thì ta sẽ biết với xác suất bằng bao nhiêu để ξ rơi vào lân cận ε của giá trị trung bình, tức là cho ta biết mức độ tập trung (phân tán) của ξ quanh Eξ.3 Các mô hình phi tuyến ARCH, GARCH Nhiều tính toán trong toán học tài chính có thể dựa vào sự phỏng đoán rằng một giá cả đã chiết khấu là một mac-tin-gan, làm cho khái 7 LUAN VAN CHAT LUONG download : add [e-mail] niệm mac-tin-gan trở thành một khái niệm trung tâm để phân tích giá cả; các giá cả này được xem như các dãy ngẫu nhiên hoặc các quá trình ngẫu nhiên với những phân phối đặc biệt nào đó. Tuy nhiên, các phân phối có tính chất mac-tin-gan là không đủ dùng để tính toán cụ thể.

Người ta cần biết những cấu trúc tinh vi hơn về những phân phối đó. Do đó cần phải nghiên cứu các loại mô hình xác suất và thống kê khác nhau tỉ mỉ hơn để tìm ra những mô hình phù hợp với các phân phối thực nghiệm xây dựng trên cơ sở các số liệu thống kê. Trong phân tích tài chính, nếu ký hiệu một loại giá cả thay đổi hằng ngày là Sn , để thuận tiện cho việc phân tích các yếu tố ngẫu nhiên của các chỉ số, người ta hay xét các đại lượng Sn hn = ln , n = 1, 2,. Sn−1 Ta hiểu rằng hn = lnSn − lnSn−1 được xem là “lợi nhuận” hay “lợi nhuận lôgarit”.

Giả thiết thường được ưa chuộng nhất là giả thiết cho rằng (h1 , ., hn ) tuân theo luật phân phối chuẩn. Thế nhưng, tiếc thay, theo sự phân tích thống kê các chuỗi thời gian tài chính, giả thiết đó nhiều khi không phù hợp thực tế diễn biến của các giá cả tài chính.