Dự Báo Giá Trị Chịu Đựng Rủi Ro Của Danh Mục Đầu Tư Bằng Các Mô Hình GARCHs

Chuyên khảo phân tích Dự báo giá trị chịu đựng rủi ro củadanh mục đầu tư bằng các mô hình garchs, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Trường học: Trường Đại Học Kinh Tế Quốc Dân
• Chuyên ngành: Tài Chính
• Đề tài: Dự Báo Giá Trị Chịu Đựng Rủi Ro Danh Mục Đầu Tư Bằng Mô Hình GARCHs
• Loại tài liệu: Luận Văn
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• 1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI NGHIÊN CỨU
• 1.1. Lí do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Đối tượng nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Lý thuyết danh mục đầu tư hiện đại
• 2.2. Rủi ro danh mục đầu tư
• 2.3. Đo lường độ biến động và dự báo phương sai bằng mô hình GARCHs
• 2.3.1. Mô hình ARCH
• 2.3.2. Mô hình GARCH
• 2.3.3. Mô hình TGARCH
• 2.3.4. Mô hình GARCH dạng mũ (EGARCH)
• 2.4. Độ đo giá trị rủi ro Value at Risk
• 2.4.1. Giá trị chịu rủi ro (VaR)
• 2.4.2. Biên Giá trị Rủi ro (MVaR)
• 2.5. Độ đo giá trị Expected Shortfall
• 2.6. Các phương pháp tính VaR
• 2.7. Các phương pháp tính ES
• 2.8. Ưu điểm của Value at Risk (VaR)
• 2.9. Ưu điểm của Expected Shortfall (ES)
• 2.10. ES là độ đo rủi ro chặt chẽ của danh mục
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Kiểm định phân phối chuẩn
• 3.1.1. Shapiro–Wilk test
• 3.1.2. Kiểm định bằng phương pháp Histogram
• 3.1.3. Kiểm định bằng phương pháp Q–Q plot
• 3.2. Kiểm định chuỗi dừng bằng Dickey-Fuller
• 3.2.1. Đối với chuỗi AR(1)
• 3.2.2. Mở rộng thành chuỗi AR(p)
• 3.3. Kiểm định hiệu ứng ARCH
• 3.4. Ước lượng tham số các mô hình GARCH
• 3.5. Ước lượng giá trị rủi ro VaR
• 3.5.1. Phương pháp lịch sử
• 3.5.2. Phương pháp tham số
• 3.5.2.1. Phương sai – hiệp phương sai (variance-covariance method)
• 3.5.3. Phương pháp Monte Carlo
• 3.6. Ước lượng giá trị rủi ro ES
• 4. CHƯƠNG 4: KẾT QUẢ VÀ ĐÁNH GIÁ
• 4.1. Mô tả dữ liệu
• 4.2. Kết quả kiểm định phân phối chuẩn và tính dừng
• 4.2.1. Kết quả kiểm định phân phối chuẩn
• 4.2.2. Kết quả kiểm định tính dừng
• 4.3. Kết quả kiểm định hiệu ứng ARCH
• 4.4. Kết quả ước lượng và lựa chọn các mô hình GARCHs
• 4.5. Dự báo giá trị chịu đựng rủi ro VaR và giá trị tổn thất kỳ vọng ES
• 4.6. Đánh giá và đề xuất
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Dự Báo Giá Trị Chịu Đựng Rủi Ro VaR

Bài viết này tập trung vào dự báo giá trị chịu đựng rủi ro (VaR) của danh mục đầu tư sử dụng các mô hình GARCH. VaR (Value at Risk) là một thước đo quan trọng trong quản lý rủi ro, cho biết mức thua lỗ tối đa có thể xảy ra trong một khoảng thời gian nhất định với một mức độ tin cậy cho trước. Các mô hình GARCH cho phép nắm bắt hiện tượng volatility clustering (tập trung biến động), thường thấy trong dữ liệu tài chính. Việc dự báo chính xác rủi ro tài chính là yếu tố then chốt để đưa ra các quyết định phân bổ tài sản hiệu quả. Nhiều nghiên cứu đã chứng minh khả năng vượt trội của các mô hình GARCH trong việc ước lượng phương sai có điều kiện.

1.1. Vai Trò Của VaR Trong Quản Lý Rủi Ro Danh Mục

VaR (Value at Risk) đóng vai trò quan trọng trong quản lý rủi ro của danh mục đầu tư. Nó cung cấp một ước tính về mức thua lỗ tiềm năng lớn nhất có thể xảy ra trong một khoảng thời gian nhất định, giúp nhà đầu tư và các nhà quản lý quản lý rủi ro tốt hơn. VaR cho phép so sánh mức độ rủi ro giữa các danh mục đầu tư khác nhau và đưa ra quyết định phân bổ tài sản phù hợp với khẩu vị rủi ro.

1.2. Tầm Quan Trọng Của Mô Hình GARCH Trong Dự Báo VaR

Các mô hình GARCH trở nên quan trọng trong dự báo VaR do khả năng nắm bắt volatility clustering. Volatility clustering đề cập đến xu hướng biến động cao thường đi kèm với các giai đoạn biến động cao khác và tương tự với các giai đoạn biến động thấp. Mô hình GARCH có thể ước lượng phương sai có điều kiện tốt hơn các phương pháp truyền thống, do đó cải thiện độ chính xác của dự báo rủi ro.

1.3. Giới Thiệu Chung Về Các Mô Hình GARCH Phổ Biến

Có nhiều biến thể của mô hình GARCH. Một số mô hình phổ biến bao gồm GARCH(1,1), EGARCH, GJR-GARCH và các mô hình GARCH đa biến (Multivariate GARCH). Mỗi mô hình có những ưu điểm và hạn chế riêng, phù hợp với các loại dữ liệu tài chính và mục tiêu dự báo rủi ro khác nhau. Việc lựa chọn mô hình phù hợp là yếu tố quan trọng để đạt được kết quả dự báo chính xác.

II. Thách Thức Khi Dự Báo Giá Trị Chịu Đựng Rủi Ro Chính Xác

Việc dự báo giá trị chịu đựng rủi ro (VaR) chính xác đối với danh mục đầu tư là một thách thức lớn. Thị trường tài chính luôn biến động và chịu ảnh hưởng của nhiều yếu tố khó lường. Sai sót trong dự báo rủi ro có thể dẫn đến những quyết định đầu tư sai lầm và gây thiệt hại đáng kể. Hơn nữa, việc lựa chọn mô hình phù hợp và tham số hóa các mô hình GARCH cũng đòi hỏi kiến thức chuyên sâu và kỹ năng phân tích định lượng. Độ tin cậy của VaR phụ thuộc rất lớn vào chất lượng dữ liệu và phương pháp backtesting VaR.

2.1. Ảnh Hưởng Của Tính Không Ổn Định Của Thị Trường Tài Chính

Thị trường tài chính vốn dĩ không ổn định và chịu ảnh hưởng của nhiều yếu tố vĩ mô, vi mô. Các sự kiện bất ngờ như khủng hoảng tài chính, thay đổi chính sách, hay biến động chính trị đều có thể tác động mạnh đến lợi nhuận danh mục đầu tư và làm sai lệch các dự báo rủi ro. Việc nắm bắt và phản ánh chính xác những ảnh hưởng này vào mô hình GARCH là một thách thức lớn.

2.2. Khó Khăn Trong Lựa Chọn Và Tham Số Hóa Mô Hình GARCH

Việc lựa chọn mô hình GARCH phù hợp và tham số hóa (ước lượng tham số) đúng cách là rất quan trọng để đảm bảo độ chính xác của dự báo VaR. Mỗi mô hình có những giả định và hạn chế riêng. Việc lựa chọn sai mô hình hoặc ước lượng tham số không chính xác có thể dẫn đến dự báo sai lệch và đánh giá rủi ro tài chính không chính xác.

2.3. Hạn Chế Của Phương Pháp Backtesting VaR Truyền Thống

Backtesting VaR là quá trình kiểm tra hiệu suất của mô hình dự báo VaR bằng cách so sánh các dự báo với kết quả thực tế. Tuy nhiên, các phương pháp backtesting VaR truyền thống có thể có những hạn chế. Việc chọn sai giai đoạn backtesting VaR hoặc sử dụng các thống kê kiểm định không phù hợp có thể dẫn đến đánh giá sai lệch về độ tin cậy của VaR.

III. Phương Pháp Ước Lượng VaR Bằng Mô Hình GARCH Hiệu Quả

Để dự báo chính xác giá trị chịu đựng rủi ro (VaR) bằng mô hình GARCH, cần thực hiện một quy trình bài bản. Đầu tiên, cần thu thập và xử lý dữ liệu tài chính phù hợp. Tiếp theo, lựa chọn mô hình GARCH thích hợp và ước lượng các tham số. Sau đó, sử dụng mô hình đã ước lượng để dự báo phương sai có điều kiện và tính toán VaR. Cuối cùng, thực hiện backtesting VaR để đánh giá độ tin cậy của VaR. Có thể sử dụng các phân phối Student-t hoặc phương pháp Monte Carlo để mô phỏng lợi nhuận danh mục đầu tư.

3.1. Thu Thập Và Xử Lý Dữ Liệu Tài Chính Chuẩn Xác

Việc thu thập dữ liệu tài chính chính xác và đầy đủ là bước đầu tiên quan trọng. Dữ liệu cần được làm sạch và xử lý để loại bỏ các giá trị ngoại lệ và đảm bảo tính nhất quán. Cần xem xét tần suất dữ liệu (ví dụ: dữ liệu hàng ngày, hàng tuần) và độ dài của chuỗi thời gian để đảm bảo đủ thông tin cho việc ước lượng mô hình GARCH. Các phân tích chuỗi thời gian sơ bộ cũng cần được thực hiện.

3.2. Lựa Chọn Và Ước Lượng Tham Số Mô Hình GARCH Phù Hợp

Việc lựa chọn mô hình GARCH phù hợp phụ thuộc vào đặc điểm của dữ liệu tài chính và mục tiêu dự báo. Sau khi chọn mô hình, cần ước lượng các tham số bằng các phương pháp thống kê như Maximum Likelihood Estimation (MLE). Cần kiểm tra tính hợp lệ của các tham số ước lượng và thực hiện các kiểm định chẩn đoán để đảm bảo mô hình phù hợp với dữ liệu.

3.3. Kết Hợp Phân Phối Student t Và Phương Pháp Monte Carlo

Sử dụng phân phối Student-t thay vì phân phối chuẩn thường cải thiện độ chính xác của dự báo VaR, đặc biệt khi dữ liệu có đuôi dày (fat tails). Phương pháp Monte Carlo có thể được sử dụng để mô phỏng lợi nhuận danh mục đầu tư và ước lượng VaR trong trường hợp các mô hình phức tạp hoặc khi không có công thức giải tích cho VaR. Cả hai phương pháp đều giúp cải thiện độ chính xác.

IV. Ứng Dụng Thực Tế Mô Hình GARCHs Dự Báo Rủi Ro Danh Mục

Ứng dụng GARCH trong tài chính rất đa dạng. Các ngân hàng và tổ chức tài chính sử dụng mô hình GARCH để dự báo rủi ro thị trường và rủi ro tín dụng. Các nhà quản lý danh mục đầu tư sử dụng GARCH để ước lượng VaR và điều chỉnh phân bổ tài sản. Các nhà giao dịch sử dụng GARCH để định giá các công cụ phái sinh. Các nghiên cứu học thuật cũng sử dụng GARCH để phân tích biến động của thị trường và đánh giá hiệu quả của các chiến lược đầu tư. Phân tích độ nhạy VaR giúp hiểu rõ hơn tác động của các yếu tố khác nhau đến rủi ro tài chính.

4.1. Ứng Dụng GARCH Trong Quản Lý Rủi Ro Ngân Hàng Và Tổ Chức Tài Chính

Các ngân hàng và tổ chức tài chính sử dụng mô hình GARCH để tuân thủ các quy định về vốn và quản lý rủi ro. VaR được sử dụng để xác định lượng vốn cần thiết để trang trải các khoản lỗ tiềm năng. Các mô hình GARCH cũng được sử dụng để quản lý rủi ro tín dụng và rủi ro hoạt động. Stress testing cũng được thực hiện dựa trên kết quả của mô hình GARCH.

4.2. Vai Trò GARCH Trong Quyết Định Phân Bổ Tài Sản Danh Mục Đầu Tư

Mô hình GARCH đóng vai trò quan trọng trong việc đưa ra các quyết định phân bổ tài sản tối ưu cho danh mục đầu tư. Việc ước lượng chính xác rủi ro tài chính giúp nhà quản lý danh mục lựa chọn tỷ lệ phân bổ giữa các loại tài sản khác nhau (ví dụ: cổ phiếu, trái phiếu) sao cho phù hợp với khẩu vị rủi ro và mục tiêu lợi nhuận.

4.3. Sử Dụng GARCH Để Định Giá Công Cụ Phái Sinh Tài Chính

Mô hình GARCH có thể được sử dụng để định giá các công cụ phái sinh tài chính như quyền chọn (options) và hợp đồng tương lai (futures). Biến động (volatility) là một yếu tố quan trọng trong định giá phái sinh, và GARCH cung cấp một cách để ước lượng và dự báo biến động một cách chính xác hơn so với các phương pháp truyền thống.

V. Đánh Giá Kết Quả Nghiên Cứu Và Triển Vọng Của Mô Hình GARCH

Các nghiên cứu đã chứng minh rằng mô hình GARCH có thể cải thiện đáng kể độ chính xác của dự báo VaR so với các phương pháp truyền thống. Tuy nhiên, độ tin cậy của VaR vẫn còn là một vấn đề cần được quan tâm. Các nghiên cứu trong tương lai có thể tập trung vào việc phát triển các mô hình GARCH phức tạp hơn, kết hợp với các phương pháp phân tích chuỗi thời gian tiên tiến hơn. Việc ứng dụng các kỹ thuật học máy (machine learning) vào dự báo rủi ro cũng hứa hẹn nhiều tiềm năng. Cần tiếp tục nghiên cứu để hoàn thiện các phương pháp backtesting VaR và nâng cao độ tin cậy của VaR.

5.1. So Sánh Hiệu Suất Giữa GARCH Và Các Phương Pháp Dự Báo Rủi Ro Khác

Nhiều nghiên cứu đã so sánh hiệu suất của mô hình GARCH với các phương pháp dự báo rủi ro khác như mô hình lịch sử (historical simulation) và mô hình trung bình động (moving average). Kết quả thường cho thấy GARCH có khả năng dự báo tốt hơn, đặc biệt trong các giai đoạn thị trường biến động mạnh. Tuy nhiên, hiệu suất của GARCH có thể khác nhau tùy thuộc vào loại tài sản và giai đoạn thời gian.

5.2. Hướng Nghiên Cứu Phát Triển Các Mô Hình GARCH Tối Ưu Hơn

Các hướng nghiên cứu trong tương lai có thể tập trung vào việc phát triển các mô hình GARCH đa biến (Multivariate GARCH) để nắm bắt mối tương quan giữa các tài sản khác nhau trong danh mục đầu tư. Ngoài ra, việc kết hợp GARCH với các mô hình kinh tế lượng khác như ARMA-GARCH cũng có thể cải thiện độ chính xác của dự báo rủi ro. Cần quan tâm đến việc giảm bớt số lượng tham số trong mô hình GARCH để tránh overfitting (quá khớp).

5.3. Tiềm Năng Của Ứng Dụng Học Máy Trong Dự Báo Rủi Ro VaR

Các kỹ thuật học máy như mạng nơ-ron (neural networks) và máy học tăng cường (boosted trees) đang ngày càng được ứng dụng rộng rãi trong dự báo rủi ro. Các mô hình học máy có khả năng nắm bắt các mối quan hệ phi tuyến tính trong dữ liệu tài chính tốt hơn so với các mô hình truyền thống. Việc kết hợp học máy với mô hình GARCH có thể tạo ra những phương pháp dự báo rủi ro mạnh mẽ hơn.

VI. Kết Luận Tối Ưu Dự Báo VaR Bằng Mô Hình GARCHs

Việc sử dụng mô hình GARCH để dự báo VaR cho danh mục đầu tư là một phương pháp hiệu quả giúp nâng cao quản lý rủi ro. Tuy nhiên, cần lưu ý đến những thách thức và hạn chế của các mô hình này. Việc lựa chọn mô hình phù hợp, thu thập và xử lý dữ liệu tài chính cẩn thận, và thực hiện backtesting VaR một cách bài bản là những yếu tố quan trọng để đảm bảo độ tin cậy của VaR. Các nghiên cứu trong tương lai cần tiếp tục tập trung vào việc phát triển các mô hình GARCH tiên tiến hơn và kết hợp với các kỹ thuật học máy để tạo ra những phương pháp dự báo rủi ro mạnh mẽ hơn nữa.

6.1. Tổng Kết Ưu Điểm Của Mô Hình GARCH Trong Quản Lý Rủi Ro

Mô hình GARCH mang lại nhiều ưu điểm trong quản lý rủi ro, đặc biệt là khả năng nắm bắt volatility clustering và dự báo phương sai có điều kiện chính xác. Điều này giúp cải thiện độ chính xác của dự báo VaR và hỗ trợ các quyết định phân bổ tài sản và quản lý rủi ro hiệu quả hơn. GARCH cung cấp một khuôn khổ linh hoạt để mô hình hóa biến động của dữ liệu tài chính.

6.2. Lưu Ý Quan Trọng Để Đảm Bảo Độ Tin Cậy Của Dự Báo VaR

Để đảm bảo độ tin cậy của VaR, cần chú ý đến các yếu tố sau: lựa chọn mô hình GARCH phù hợp, thu thập và xử lý dữ liệu tài chính chính xác, ước lượng tham số mô hình cẩn thận, và thực hiện backtesting VaR một cách nghiêm túc. Cần thường xuyên cập nhật mô hình và xem xét lại các giả định để đảm bảo mô hình vẫn phù hợp với điều kiện thị trường.

6.3. Định Hướng Phát Triển Tương Lai Của Mô Hình GARCH Trong Tài Chính

Hướng phát triển tương lai của mô hình GARCH trong tài chính bao gồm việc phát triển các mô hình phức tạp hơn, kết hợp với các kỹ thuật học máy, và ứng dụng vào các lĩnh vực mới như quản lý rủi ro hoạt động và rủi ro chuỗi cung ứng. Việc nghiên cứu và phát triển các phương pháp dự báo rủi ro tiên tiến sẽ tiếp tục đóng vai trò quan trọng trong việc đảm bảo sự ổn định và phát triển của hệ thống tài chính.

Nội dung chính

Tổng quan nghiên cứu

Thị trường chứng khoán Việt Nam trong giai đoạn biến động mạnh từ ngày 24/12/2020 đến ngày 31/03/2023 đã ghi nhận nhiều đợt phân hóa sâu sắc với mức dao động suất sinh lợi của các cổ phiếu nằm trong biên độ rộng từ âm 11,3% đến dương 20,8%. Là một thị trường cận biên đang trên đà phát triển, tính chất bất đối xứng của thông tin và các cú sốc bất ngờ thường dẫn đến hiện tượng biến động tụ cụm và rủi ro đuôi nặng, khiến các phương pháp đo lường tuyến tính truyền thống bộc lộ nhiều sai số.

Vấn đề nghiên cứu trọng tâm là việc xác định chính xác phương sai thay đổi có điều kiện và lượng hóa mức độ rủi ro tiềm tàng trong danh mục đầu tư cổ phiếu niêm yết. Mục tiêu của công trình là đánh giá, lựa chọn các mô hình thuộc họ GARCH bao gồm GARCH, TGARCH, EGARCH để mô hình hóa cấu trúc biến động suất sinh lợi của 9 mã cổ phiếu đại diện cho 3 ngành kinh tế chủ lực gồm Ngân hàng, Bất động sản và Sản xuất kinh doanh, tương ứng với 3 phân khúc quy mô vốn hóa lớn (Bluechip), trung bình (Midcap) và nhỏ (Penny) trên sàn Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE).

Thông qua chuỗi dữ liệu gồm 564 phiên giao dịch, nghiên cứu tiến hành dự báo hai thước đo rủi ro cốt lõi là Giá trị chịu rủi ro (Value at Risk - VaR) và Giá trị tổn thất kỳ vọng (Expected Shortfall - ES) ở các mức độ tin cậy 95% và 99%. Kết quả nghiên cứu mang lại ý nghĩa thực tiễn to lớn trong việc thiết lập hệ thống cảnh báo sớm, cung cấp công cụ quản trị rủi ro khoa học giúp nhà đầu tư giảm thiểu tỷ lệ thất thoát vốn và nâng cao hiệu quả phân bổ tài sản trong điều kiện thị trường nhiều biến động.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng Lý thuyết Danh mục Đầu tư Hiện đại (Modern Portfolio Theory) của Harry Markowitz công bố năm 1952, kết hợp cùng Mô hình Định giá Tài sản Vốn (CAPM) của William Sharpe năm 1963, nhấn mạnh nguyên lý đa dạng hóa tài sản để tối ưu hóa tỷ suất sinh lời trên một đơn vị rủi ro chấp nhận.

Để khắc phục nhược điểm phương sai không đổi của các mô hình cổ điển, khung phân tích chuỗi thời gian tài chính ứng dụng mô hình ARCH của Robert Engle (1982) và mô hình GARCH tổng quát của Tim Bollerslev (1986). Bên cạnh đó, nghiên cứu tích hợp mô hình TGARCH của Glosten, Jagannathan, Runkle (1993) và mô hình GARCH hàm mũ EGARCH của Nelson (1991) nhằm nắm bắt đặc tính bất đối xứng và phản ứng trước hiệu ứng đòn bẩy khi xuất hiện tin tức tiêu cực trên thị trường.

Các khái niệm chính được vận dụng xuyên suốt gồm có:

• Phương sai có điều kiện: Thước đo biến động suất sinh lợi phụ thuộc vào thông tin sai số quá khứ.
• Giá trị chịu rủi ro (VaR): Mức tổn thất tối đa dự kiến của danh mục trong một khoảng thời gian xác định ở mức độ tin cậy cho trước.
• Giá trị tổn thất kỳ vọng (ES hay CVaR): Giá trị trung bình của các khoản tổn thất nghiêm trọng vượt qua ngưỡng VaR.
• Biên Giá trị Rủi ro (Marginal VaR): Mức độ thay đổi rủi ro tổng thể khi bổ sung hoặc giảm bớt một tỷ trọng tài sản nhất định.

Phương pháp nghiên cứu

Nguồn dữ liệu thứ cấp được thu thập từ 564 phiên giao dịch hàng ngày của 9 cổ phiếu tiêu biểu trên sàn HOSE trong khung thời gian từ 24/12/2020 đến 31/03/2023, tạo ra tổng quy mô mẫu phân tích gồm 5.076 quan sát. Phương pháp chọn mẫu phân tầng có chủ đích được triển khai theo 3 nhóm vốn hóa: Bluechip (VHM, VCB, FPT), Midcap (AGG, AGR, ASP) và Penny (MSB, NVL, REE) nhằm bao quát đầy đủ hành vi biến động của các phân khúc thị trường.

Quy trình phân tích kinh tế lượng bao gồm các giai đoạn nghiêm ngặt:

• Kiểm định tính chuẩn của chuỗi dữ liệu thông qua kiểm định thống kê Shapiro-Wilk kết hợp quan sát biểu đồ Histogram và đồ thị định lượng Q-Q Plot.
• Kiểm định tính dừng của chuỗi tỷ suất sinh lợi bằng phương pháp Augmented Dickey-Fuller (ADF) để loại trừ xu thế ngẫu nhiên.
• Kiểm định hiệu ứng ARCH nhằm chứng minh hiện tượng phương sai sai số thay đổi trước khi ước lượng mô hình.
• Ước lượng tham số bằng phương pháp Hợp lý cực đại (Maximum Likelihood Estimation - MLE) và lựa chọn mô hình tối ưu dựa trên 3 tiêu chí: Tiêu chuẩn thông tin Akaike (AIC), Tiêu chuẩn thông tin Bayesian (BIC) và Sai số toàn phương trung bình (MSE).
• Tính toán VaR và ES thông qua phương pháp phương sai - hiệp phương sai (Variance-Covariance) ở các mức tin cậy 95% và 99%.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, kết quả kiểm định phân phối chuẩn Shapiro-Wilk trên toàn bộ 9 mã cổ phiếu đều cho giá trị p-value bằng 0,00000 với hệ số thống kê W dao động từ 0,875 ở mã NVL đến 0,979 ở mã VCB. Đồ thị phân phối thực nghiệm thể hiện rõ dạng đỉnh nhọn và đuôi dày hơn phân phối chuẩn, khẳng định 100% chuỗi suất sinh lợi tài chính đều mang tính chất phi chuẩn và có sự xuất hiện của các giá trị ngoại lai. Đồng thời, kiểm định ADF ghi nhận giá trị thống kê t từ âm 4,87 đến âm 23,87 với p-value bằng 0,00000, chứng minh tất cả các chuỗi tỷ suất sinh lợi đều đạt tính dừng ở mức ý nghĩa 1%.

Thứ hai, kết quả kiểm định ARCH xác nhận sự tồn tại của hiệu ứng phương sai thay đổi có ý nghĩa thống kê cao ở tất cả các mã với độ trễ bậc cao, chứng minh sự biến động hiện tại phụ thuộc chặt chẽ vào các cú sốc trong quá khứ.

Thứ ba, việc lựa chọn mô hình theo các tiêu chí AIC, BIC và MSE cho thấy sự phân hóa rõ nét giữa các phân khúc:

• Nhóm Bluechip (VHM, VCB, FPT) thích hợp nhất với mô hình GARCH(1,1) đối xứng do các doanh nghiệp đầu ngành duy trì mức độ biến động ổn định, chỉ số AIC của VHM đạt âm 2517,20; VCB đạt âm 2594,62 và FPT đạt âm 2567,62.
• Nhóm Midcap (AGG, AGR, ASP) phù hợp với đa dạng mô hình tùy thuộc vào đặc thù kinh doanh từng mã.
• Nhóm Penny (MSB, NVL, REE) phản ứng rất mạnh với các cú sốc bất đối xứng, trong đó MSB và NVL tối ưu với mô hình EGARCH (AIC của MSB là âm 2322,74; NVL là âm 2458,52) nhằm nắm bắt hiệu ứng đòn bẩy tài chính, còn REE thích hợp nhất với mô hình TGARCH với AIC đạt âm 2296,75.

Thứ tư, kết quả lượng hóa rủi ro từng cổ phiếu chỉ ra rằng nhóm Bluechip có mức chịu đựng rủi ro an toàn nhất, cụ thể VCB có VaR 95% là âm 1,67% và FPT là âm 1,62%. Ngược lại, nhóm Midcap và Penny tiềm ẩn rủi ro rất cao với VaR 95% của NVL lên tới âm 3,59% và AGR là âm 3,48%. Khi thiết lập danh mục đầu tư phân bổ tỷ trọng đều 11,11% cho mỗi mã, mức tổn thất tối đa dự kiến của danh mục ở độ tin cậy 95% là 2,44% (ES 95% là 2,37%) và ở độ tin cậy 99% ghi nhận mức rủi ro 2,33% cho cả hai thước đo VaR và ES.

Thảo luận kết quả

Các kết quả thực nghiệm phản ánh trung thực bản chất vận động của thị trường chứng khoán Việt Nam trong giai đoạn tái cấu trúc và chịu tác động từ chính sách tiền tệ vĩ mô. Sự vượt trội của mô hình EGARCH và TGARCH ở nhóm cổ phiếu vốn hóa vừa và nhỏ giải thích rằng tâm lý nhà đầu tư cá nhân thường phản ứng quá mức trước các tin tức tiêu cực so với các thông tin tích cực cùng biên độ.

Hệ thống biểu đồ Q-Q Plot và bảng dữ liệu so sánh AIC/BIC/MSE đã minh chứng trực quan việc lựa chọn mô hình phi đối xứng giúp loại bỏ hiện tượng quá khớp (overfitting) và tăng cường độ chính xác khi dự báo biến động dài hạn. So với các nghiên cứu trước đây chỉ áp dụng độ lệch chuẩn tĩnh, việc kết hợp ước lượng GARCHs với hai thước đo VaR và ES cung cấp góc nhìn toàn diện hơn về rủi ro đuôi, giúp nhà quản lý lượng hóa được phần tổn thất kỳ vọng ngay cả khi thị trường xảy ra biến cố vượt quá ngưỡng rủi ro cho phép.

Đề xuất và khuyến nghị

Thứ nhất, tái cơ cấu danh mục và phân bổ tỷ trọng tài sản linh hoạt theo phân khúc vốn hóa. Nhà đầu tư cá nhân cần chủ động giảm tỷ trọng nắm giữ các mã có mức VaR 95% vượt ngưỡng 3,0% như NVL và AGR trong các giai đoạn thị trường rung lắc mạnh, đồng thời nâng tỷ trọng nhóm cổ phiếu Bluechip như VCB và FPT lên mức tối thiểu 50% đến 60% tổng giá trị danh mục trong khung thời gian từ 1 đến 3 tháng nhằm thiết lập bộ đệm an toàn trước các biến động tiêu cực.

Thứ hai, tích hợp hệ thống đo lường rủi ro biến động có điều kiện vào hoạt động tự doanh. Các công ty chứng khoán và quỹ đầu tư cần triển khai áp dụng các mô hình phi tuyến như EGARCH và TGARCH vào quy trình theo dõi rủi ro định kỳ mỗi 24 giờ, giúp phát hiện sớm các dấu hiệu gia tăng đòn bẩy bất thường và hạn chế rủi ro thanh khoản đối với nhóm cổ phiếu vốn hóa nhỏ.

Thứ ba, thiết lập hạn mức cắt lỗ tự động dựa trên chỉ số Expected Shortfall. Các nhà quản lý tài sản cần sử dụng giá trị ES ở độ tin cậy 99% (ngưỡng 2,33% đối với danh mục đa dạng hóa) làm mức trần suy giảm tài sản tối đa trong chu kỳ 10 phiên giao dịch liên tiếp, từ đó thực hiện lệnh phòng hộ phái sinh kịp thời khi danh mục vi phạm ngưỡng chịu đựng rủi ro.

Thứ tư, hoàn thiện cơ chế giám sát và cảnh báo rủi ro biến động giá từ phía cơ quan quản lý. Ủy ban Chứng khoán Nhà nước và các Sở giao dịch cần đẩy mạnh phát triển hệ thống giám sát tự động đối với các mã chứng khoán có biên độ biến động bất thường vượt quá 20% trong giai đoạn 2024-2025, nâng cao tính minh bạch trong công bố thông tin nhằm bảo vệ nhà đầu tư trước các cú sốc phi hệ thống.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị học thuật và ứng dụng thực tiễn chuyên sâu cho 4 nhóm đối tượng chính:

Thứ nhất, các nhà đầu tư cá nhân và tổ chức tham gia giao dịch trên thị trường chứng khoán Việt Nam. Nhóm đối tượng này có thể sử dụng các kết quả ước lượng VaR và ES (từ 1,5% đến 3,6%) để đo lường mức độ rủi ro danh mục hiện hữu, từ đó xây dựng kế hoạch phân bổ vốn khoa học và chủ động thiết lập chiến lược quản trị rủi ro phù hợp với khẩu vị cá nhân.

Thứ hai, chuyên viên quản trị rủi ro tại các định chế tài chính, ngân hàng thương mại và công ty chứng khoán. Luận văn cung cấp khung quy trình chuẩn hóa về việc ứng dụng họ mô hình GARCHs để tính toán tỷ lệ an toàn vốn, thực hiện kiểm tra sức chịu tải (stress testing) cho danh mục đầu tư trong điều kiện thị trường chịu biến động mạnh.

Thứ ba, các nhà quản lý quỹ đầu tư chuyên nghiệp. Nghiên cứu mang đến giải pháp tối ưu hóa danh mục dựa trên phương sai có điều kiện thay vì phương sai cố định, hỗ trợ quá trình tái cân bằng danh mục định kỳ và quản trị rủi ro đuôi nặng hiệu quả.

Thứ tư, giảng viên, học viên cao học và các nhà nghiên cứu trong lĩnh vực Kinh tế lượng tài chính. Đề tài cung cấp tài liệu tham khảo thực nghiệm chi tiết về chuỗi thời gian, từ quy trình kiểm định tính dừng ADF, kiểm định hiệu ứng ARCH đến phương pháp ước lượng MLE trên bộ dữ liệu thực tế gồm 564 phiên giao dịch.

Câu hỏi thường gặp

Thứ nhất, tại sao mô hình GARCH(1,1) lại phù hợp nhất với nhóm cổ phiếu Bluechip? Các mã cổ phiếu Bluechip như VHM, VCB và FPT sở hữu quy mô vốn hóa lớn, tính thanh khoản dồi dào và độ lệch chuẩn suất sinh lợi ổn định quanh mức 1,8% đến 2,1%. Dữ liệu lịch sử của nhóm này không chịu tác động quá cực đoan từ các cú sốc ngắn hạn, do đó mô hình đối xứng GARCH(1,1) với các chỉ số AIC tối ưu từ âm 2517 đến âm 2594 đã đủ năng lực mô tả chính xác phương sai biến động.

Thứ hai, sự khác biệt căn bản giữa hai chỉ số VaR và Expected Shortfall (ES) là gì? Thước đo VaR chỉ đưa ra giới hạn tổn thất tối đa ở một mức xác suất cố định như 95% hoặc 99%, nhưng không phản ánh mức độ thiệt hại nếu rủi ro vượt qua ngưỡng đó. Trong khi đó, ES đo lường giá trị thiệt hại trung bình trong vùng phân phối đuôi. Ví dụ với mã NVL, khi tổn thất vượt mức VaR 95% là 3,59%, chỉ số ES 95% xác định mức lỗ bình quân thực tế sẽ là 3,58%, giúp kiểm soát rủi ro đuôi chặt chẽ hơn.

Thứ ba, tại sao dữ liệu suất sinh lợi tài chính không tuân theo phân phối chuẩn lại cần lưu ý đặc biệt? Kết quả kiểm định Shapiro-Wilk trên 9 mã cổ phiếu đều cho p-value bằng 0,00000, phản ánh hiện tượng đuôi dày và đỉnh nhọn. Nếu áp dụng giả định phân phối chuẩn cổ điển, nhà đầu tư sẽ ước tính thấp hơn mức rủi ro thực tế từ 15% đến 30% trong các giai đoạn thị trường suy thoái hoặc xảy ra khủng hoảng thanh khoản.

Thứ tư, nhà đầu tư cần xử lý rủi ro như thế nào đối với các mã cổ phiếu nhóm Penny có biên độ biến động lớn? Đối với các mã có mức sụt giảm lịch sử lên tới âm 11,3% như ASP, nhà đầu tư nên khống chế tỷ trọng phân bổ dưới 10% tổng tài sản danh mục, đồng thời liên tục theo dõi hệ số đòn bẩy qua mô hình EGARCH để thực hiện đóng vị thế khi phương sai điều kiện vượt ngưỡng an toàn.

Thứ năm, phương pháp nghiên cứu của đề tài có thể mở rộng sang các thị trường tài sản khác không? Quy trình phối hợp giữa kiểm định chuỗi thời gian, họ mô hình GARCHs và các độ đo rủi ro VaR, ES hoàn toàn có thể chuyển giao hiệu quả sang thị trường trái phiếu doanh nghiệp, phái sinh hàng hóa và tỷ giá hối đoái có chuỗi dữ liệu từ 500 đến 1000 phiên giao dịch.

Kết luận

• Đã kiểm định và xác nhận toàn bộ 9 mã cổ phiếu thuộc 3 nhóm ngành và 3 phân khúc vốn hóa trên HOSE đều có tính dừng, phân phối phi chuẩn và xuất hiện hiệu ứng ARCH rõ nét qua 564 phiên giao dịch.
• Đã chứng minh tính phù hợp vượt trội của mô hình GARCH(1,1) đối với nhóm Bluechip và sự tương thích của các mô hình phi đối xứng EGARCH, TGARCH đối với nhóm Midcap và Penny.
• Đã lượng hóa chính xác mức rủi ro tiềm tàng của danh mục đầu tư tỷ trọng đều với mức VaR 95% đạt 2,44% và VaR 99% đạt 2,33%.
• Đã xây dựng hệ thống cơ sở thực nghiệm giúp các nhà đầu tư và tổ chức tài chính thiết lập công cụ quản trị rủi ro khoa học dựa trên phương sai có điều kiện.
• Đã định hướng các bước nghiên cứu tiếp theo về việc kết hợp cấu trúc phụ thuộc phi tuyến Copula và các thuật toán máy học hiện đại nhằm tối ưu hóa danh mục đa biến trong tương lai.

Đóng góp lớn nhất của nghiên cứu là cung cấp một khung phân tích định lượng chuẩn mực và giải pháp dự báo tổn thất chuẩn xác cho thị trường chứng khoán Việt Nam. Các nhà quản lý danh mục và nhà đầu tư hãy áp dụng ngay quy trình đo lường rủi ro bằng họ mô hình GARCHs và chỉ số Expected Shortfall vào chu kỳ quản trị danh mục tiếp theo để tối đa hóa hiệu quả bảo toàn vốn đầu tư.