Luận văn Thạc sĩ: ước lượng cho mô hình độ biến động ngẫu nhiên có bước nhảy

Luận văn thạc sĩ nghiên cứu phương pháp ước lượng tham số cho mô hình độ biến động ngẫu nhiên có bước nhảy trong tài chính toán học.

• Tác giả: Vũ Thị Hương Sắc
• Người hướng dẫn: Nguyễn Thịnh
• Trường học: Đại học Quốc gia Hà Nội, Trường Đại học Khoa học Tự nhiên
• Chuyên ngành: Lý thuyết xác suất và thống kê Toán học
• Đề tài: Ước lượng cho mô hình độ biến động ngẫu nhiên có bước nhảy
• Loại tài liệu: Luận văn thạc sĩ khoa học
• Năm xuất bản: 2013
• Địa điểm: Hà Nội

Mục lục chi tiết

• Giới thiệu
• 1. Chương 1: Kiến thức chuẩn bị
• 1.1. Các quá trình ngẫu nhiên và toán tài chính
• 1.2. Một số quá trình ngẫu nhiên
• 1.2.1. Quá trình Markov
• 1.3. Các hàm đặc trưng và các tham số đặc trưng
• 1.3.1. Các hàm đặc trưng
• 1.3.2. Các tham số đặc trưng
• 1.4. Chuyển động Brown
• 1.4.1. Phân bố chuẩn
• 1.4.2. Chuyển động Brown
• 1.5. Tích phân ngẫu nhiên (tích phân Itô)
• 1.6. Chuyển động Brown hình học
• 2. Chương 2: Mô hình Black – Scholes và các hạn chế
• 2.1. Mô hình Black – Scholes
• 2.2. Các hạn chế của mô hình Black – Scholes
• 2.2.1. Độ biến động nụ cười
• 2.2.2. Tính không đầy đủ của các thị trường
• 3. Chương 3: Mô hình độ biến động ngẫu nhiên có bước nhảy
• 3.1. Các mô hình độ biến động ngẫu nhiên
• 3.2. Các quá trình bước nhảy
• 3.3. Mô hình độ biến động ngẫu nhiên có bước nhảy
• 3.3.1. Các khuếch tán bước nhảy log chuẩn
• 3.3.2. Các khuếch tán bước nhảy với độ biến động ngẫu nhiên
• 3.3.3. Các khuếch tán bước nhảy với độ biến động ngẫu nhiên và cường độ nhảy
• 4. Chương 4: Ước lượng cho mô hình độ biến động ngẫu nhiên có bước nhảy
• 4.1. Chuyển động hình học Brown
• 4.2. Chuyển động hình học Brown cộng thêm bước nhảy
• 4.3. Mô hình độ biến động ngẫu nhiên có bước nhảy
• Tài liệu tham khảo

Tóm tắt

I. Giới thiệu về Ước lượng Mô hình Độ Biến động Ngẫu nhiên

Ước lượng cho mô hình độ biến động ngẫu nhiên là một lĩnh vực nghiên cứu quan trọng trong toán tài chính hiện đại. Từ khi Black và Scholes công bố lý thuyết định giá quyền chọn năm 1973, các nhà khoa học đã liên tục phát triển những mô hình tiên tiến hơn để khắc phục những hạn chế của mô hình Black-Scholes cổ điển. Luận văn thạc sĩ này tập trung vào việc ước lượng tham số cho các mô hình độ biến động ngẫu nhiên có bước nhảy, một cải tiến đáng kể so với giả định độ biến động không đổi. Các mô hình này phản ánh chính xác hơn tính chất biến động của thị trường tài chính thực tế, nơi giá cả có thể thay đổi đột ngột do các sự kiện bất ngờ.

1.1. Nền tảng của Mô hình Black Scholes

Mô hình Black-Scholes là nền tảng của định giá quyền chọn hiện đại, giả định giá cổ phiếu tuân theo phân bố log-chuẩn với độ biến động không đổi. Tuy nhiên, giả định này tỏ ra không phù hợp với dữ liệu thực tế. Các nhà kinh tế học đã phát hiện ra độ biến động nụ cười và tính không đầy đủ của thị trường, chứng minh rằng cần phải phát triển các mô hình tiên tiến hơn để ước lượng chính xác hơn các tham số tài chính.

1.2. Tầm quan trọng của Ước lượng Tham số

Ước lượng tham số chính xác là then chốt để xây dựng những mô hình tài chính đáng tin cậy. Trong mô hình độ biến động ngẫu nhiên có bước nhảy, việc ước lượng các tham số như độ biến động, cường độ nhảy và tốc độ hồi quy là cực kỳ quan trọng. Những ước lượng này ảnh hưởng trực tiếp đến kết quả định giá công cụ tài chính và quản lý rủi ro, làm cho chúng trở thành đối tượng nghiên cứu ưu tiên.

II. Các Quá trình Ngẫu nhiên và Chuyển động Brown

Các quá trình ngẫu nhiên là cơ sở toán học của các mô hình tài chính hiện đại. Chuyển động Brown, còn gọi là quá trình Wiener, là một quá trình ngẫu nhiên liên tục đóng vai trò trung tâm trong định giá tài chính. Trong luận văn này, chuyển động Brown hình học (GBM) được sử dụng để mô hình hóa động lực giá cổ phiếu. Tích phân Itô là công cụ toán học quan trọng cho phép xây dựng các phương trình vi phân ngẫu nhiên. Những yếu tố này tạo thành khung lý thuyết để phát triển các mô hình độ biến động ngẫu nhiên phức tạp hơn và thực hiện ước lượng tham số chính xác.

2.1. Chuyển động Brown và Phân bố Chuẩn

Chuyển động Brown có tính chất tuân theo phân bố chuẩn với trung bình bằng không và phương sai tuyến tính theo thời gian. Đây là tính chất cơ bản cho phép áp dụng các công cụ thống kê trong tài chính. Quá trình Markov là tính chất quan trọng của chuyển động Brown, có nghĩa là giá trị tương lai chỉ phụ thuộc vào hiện tại, không phụ thuộc vào quá khứ. Tính chất này là nền tảng cho nhiều mô hình ước lượng tham số trong toán tài chính.

2.2. Tích phân Itô và Ứng dụng

Tích phân Itô là công cụ toán học cho phép tính toán tích phân đối với các quá trình ngẫu nhiên. Bổ đề Itô cung cấp quy tắc vi phân cho các hàm của chuyển động Brown, là nền tảng để xây dựng các phương trình vi phân ngẫu nhiên. Trong bối cảnh mô hình độ biến động ngẫu nhiên, tích phân Itô cho phép chúng ta thực hiện các phép tính phức tạp và ước lượng các tham số một cách chính xác từ dữ liệu thị trường.

III. Mô hình Độ Biến động Ngẫu nhiên có Bước Nhảy

Mô hình độ biến động ngẫu nhiên có bước nhảy là sự kết hợp của hai yếu tố quan trọng: độ biến động ngẫu nhiên và quá trình bước nhảy (jump process). Mô hình này vượt trội hơn mô hình Black-Scholes bằng cách cho phép độ biến động thay đổi theo thời gian theo một quá trình ngẫu nhiên riêng biệt, và đồng thời cho phép giá cổ phiếu thực hiện những bước nhảy đột ngột. Các quá trình bước nhảy được mô hình hóa thông qua quá trình Poisson, cho phép mô tả những sự kiện hiếm nhưng có tác động lớn đến giá cổ phiếu. Ước lượng tham số cho mô hình này bao gồm cả tham số của độ biến động và tham số của quá trình nhảy.

3.1. Các Khuếch tán Bước Nhảy Log Chuẩn

Các khuếch tán bước nhảy log-chuẩn mô hình hóa giá cổ phiếu với các bước nhảy có kích thước tuân theo phân bố log-chuẩn. Mô hình này cho phép các bước nhảy có tác động nhân lên giá cổ phiếu chứ không phải cộng tính. Ước lượng tham số cho mô hình này cần phải xác định cả tham số của quá trình liên tục lẫn tham số của phân bố log-chuẩn của các bước nhảy. Những ước lượng này có thể thu được từ dữ liệu giá lịch sử thông qua các phương pháp thống kê tiên tiến.

3.2. Mô hình với Độ Biến động Ngẫu nhiên và Cường độ Nhảy

Mô hình độ biến động ngẫu nhiên có bước nhảy phức tạp nhất cho phép cả độ biến động và cường độ nhảy (tần suất nhảy) thay đổi theo thời gian. Cường độ nhảy được mô hình hóa bằng tham số Poisson biến đổi theo một quá trình ngẫu nhiên riêng. Ước lượng tham số cho mô hình đầy đủ này yêu cầu các kỹ thuật thống kê phức tạp như phương pháp khả năng tối đa (maximum likelihood) hay phương pháp Bayes, để đạt được độ chính xác cao từ dữ liệu thị trường.

IV. Phương pháp Ước lượng và Ứng dụng Thực nghiệm

Phương pháp ước lượng tham số cho các mô hình độ biến động ngẫu nhiên có bước nhảy được trình bày chi tiết trong chương 4 của luận văn. Luận văn này so sánh ba mô hình chính: chuyển động hình học Brown (GBM), GBM với bước nhảy, và mô hình độ biến động ngẫu nhiên có bước nhảy đầy đủ. Bằng cách áp dụng các ước lượng này trên dữ liệu thực tế, luận văn minh chứng được tính ưu việt của các mô hình tiên tiến hơn. Ước lượng tham số được thực hiện thông qua hai ví dụ thực nghiệm với dữ liệu thị trường thực, cho thấy mô hình độ biến động ngẫu nhiên cung cấp những ước lượng chính xác hơn so với mô hình cổ điển.

4.1. Ước lượng cho Mô hình GBM

Ước lượng tham số cho chuyển động hình học Brown (GBM) là bước khởi đầu cơ bản. Mô hình này chỉ có hai tham số chính: lợi suất kỳ vọng và độ biến động không đổi. Phương pháp ước lượng dựa trên phương pháp khả năng tối đa hoặc ước lượng hợp lý từ dữ liệu giá lịch sử. Mặc dù đơn giản, ước lượng GBM cung cấp điểm cơ sở để so sánh với các mô hình phức tạp hơn, giúp đánh giá mức độ cải thiện của các mô hình tiên tiến.

4.2. Ước lượng cho Mô hình với Bước Nhảy và Độ Biến động Ngẫu nhiên

Ước lượng tham số cho mô hình độ biến động ngẫu nhiên có bước nhảy là công việc phức tạp hơn, yêu cầu ước lượng đồng thời nhiều tham số bao gồm tốc độ hồi quy, cường độ nhảy, và kích thước bước nhảy. Luận văn sử dụng các kỹ thuật thống kê nâng cao để thực hiện những ước lượng này. Hai ví dụ thực nghiệm trình bày chi tiết cách áp dụng các phương pháp ước lượng và so sánh kết quả giữa các mô hình, chứng minh rằng mô hình độ biến động ngẫu nhiên có bước nhảy cung cấp sự phù hợp tốt hơn với dữ liệu thị trường thực.

Nội dung chính

Tổng quan nghiên cứu

Thị trường tài chính hiện đại luôn vận động với tốc độ nhanh chóng và tiềm ẩn nhiều biến động phi tuyến. Kể từ khi Fisher Black và Myron Scholes công bố công thức định giá quyền chọn mang tính đột phá vào năm 1973, nền tảng toán tài chính đã chứng kiến sự phát triển vượt bậc. Tuy nhiên, qua hơn 40 năm ứng dụng thực tiễn, giả định cốt lõi của mô hình Black – Scholes về độ biến động không đổi và phân phối log-chuẩn của lợi suất tài sản đã bộc lộ những sai lệch nghiêm trọng. Thực tế thị trường ghi nhận các hiện tượng bất thường như hiệu ứng nụ cười biến động (volatility smile), hiện tượng đuôi béo (fat tails), độ lệch (skewness) và sự sụp đổ giá đột ngột do khủng hoảng thanh khoản.

Luận văn thạc sĩ khoa học chuyên ngành Lý thuyết xác suất và thống kê Toán học với đề tài "Ước lượng cho mô hình độ biến động ngẫu nhiên có bước nhảy" giải quyết trực diện bài toán hiệu chỉnh những khiếm khuyết trên. Mục tiêu trọng tâm của nghiên cứu là xây dựng khung phân tích toán học chặt chẽ, kết hợp thành phần khuếch tán ngẫu nhiên và các bước nhảy Poisson không liên tục nhằm mô tả chính xác động thái của chuỗi tỷ giá.

Phạm vi thực nghiệm của đề tài tập trung vào hai chuỗi dữ liệu tỷ giá quan trọng: chuỗi tỷ giá VND/USD giai đoạn 10 năm từ tháng 1 năm 2003 đến tháng 12 năm 2013 và chuỗi tỷ giá NOK/GBP giai đoạn từ tháng 1 năm 1990 đến tháng 8 năm 1998 với 2183 quan sát hàng ngày. Nghiên cứu mang lại ý nghĩa học thuật và thực tiễn sâu sắc khi cung cấp hệ thống công cụ ước lượng tham số vững chắc, giúp cải thiện độ chính xác trong định giá tài sản phái sinh và nâng cao năng lực kiểm soát rủi ro thị trường cho các định chế tài chính.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được thiết lập trên nền tảng giải tích ngẫu nhiên hiện đại và lý thuyết xác suất nâng cao, bao gồm:

• Không gian xác suất lọc và Quá trình ngẫu nhiên: Định nghĩa không gian $(\Omega, \mathcal{F}, \mathbb{P})$, dòng thông tin lọc $(\mathcal{F}t){t \ge 0}$, tính chất Martingale và chuyển động Brown chuẩn $W_t$ với số gia Gauss dừng độc lập $X_{t+u} - X_t \sim \mathcal{N}(0, u)$.
• Bổ đề Itô và Tích phân ngẫu nhiên: Công cụ vi phân ngẫu nhiên cho hàm $f(t, X_t) \in C^{1,2}$, đặt nền tảng thiết lập chuyển động Brown hình học (GBM) dạng phương trình vi phân ngẫu nhiên $dS_t = S_t(\mu dt + \sigma dW_t)$.
• Mô hình Black – Scholes và Hạn chế: Mô hình kinh điển giả định thị trường không ma sát, lãi suất $r$ cố định và độ biến động $\sigma$ là hằng số. Nghiên cứu chỉ ra hai hạn chế mang tính cấu trúc: hiện tượng nụ cười biến động và tính không đầy đủ của thị trường (incomplete markets), nơi các danh mục tự tài trợ không thể phòng hộ rủi ro hoàn toàn.
• Mô hình Khuếch tán Bước nhảy Merton (1976) và Biến động Ngẫu nhiên Bates (1996): Mở rộng quá trình giá bằng việc bổ sung quá trình Poisson phức hợp $N_t$ với cường độ $\lambda$ và biên độ nhảy log-chuẩn $k$, kết hợp phương trình vi sai phương sai ngẫu nhiên hồi quy về giá trị trung bình (mean-reverting process).

Phương pháp nghiên cứu

Nghiên cứu kết hợp linh hoạt giữa phương pháp phân tích định lượng giải tích và các thuật toán mô phỏng số học:

• Nguồn dữ liệu và Mẫu nghiên cứu: Dữ liệu chuỗi thời gian tỷ giá ngoại tệ tần suất cao hàng ngày gồm VND/USD trong 10 năm và NOK/GBP với quy mô mẫu 2183 quan sát. Phương pháp chọn mẫu toàn bộ chuỗi giao dịch liên tục 5 ngày/tuần ($\Delta = 5$) loại trừ tác động phi giao dịch cuối tuần.
• Phương pháp Ước lượng Hợp lý Cực đại (MLE): Áp dụng cho mô hình chuyển động Brown hình học cơ bản (GBM) và mô hình GBM cộng bước nhảy Poisson thông qua việc tối đa hóa hàm log-hợp lý phi tuyến tính trên gói lệnh chuyên dụng của phần mềm Stata. Số bước nhảy tối đa trong một ngày được chặn trên ở mức $Q = 10$ theo chuẩn thực nghiệm quốc tế.
• Phương pháp Moment Hiệu quả (EMM) dựa trên Mô phỏng: Đối với mô hình độ biến động ngẫu nhiên có bước nhảy (SVJD) – vốn chứa biến trạng thái ẩn và không tồn tại hàm hợp lý dạng đóng – tác giả áp dụng kỹ thuật suy luận gián tiếp (Indirect Inference) của Gallant & Tauchen (1996). Quy trình sử dụng một mô hình bổ trợ gồm hỗn hợp phân phối chuẩn kết hợp mô hình tự hồi quy sai số bậc 10 (AR(10)) với 17 tham số, thực hiện tối ưu hóa ma trận trọng số tối ưu $I_0$ qua thủ tục 2 chặng Monte Carlo với quy mô $N = 20$ và chiều dài chuỗi mô phỏng $T = 2180$.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm trên hai chuỗi dữ liệu đã mang lại những kết quả thống kê quan trọng:

• Đặc tính phi chuẩn của chuỗi lợi suất thực tế: Chuỗi lợi suất VND/USD có giá trị trung bình là 0.1923, phương sai không điều kiện đạt 9.01, hệ số bất đối xứng Skewness = 0.75 (lệch phải rõ rệt) và hệ số nhọn Kurtosis = 10.62. Chuỗi tỷ giá NOK/GBP ghi nhận Kurtosis = 10.53 và Skewness = 0.29. Cả hai chuỗi đều bác bỏ hoàn toàn giả thiết phân phối chuẩn có Kurtosis = 3.
• Sự bất cập của chuyển động Brown hình học (GBM): Mô hình GBM thuần túy ước lượng trên chuỗi VND/USD cho Kurtosis cố định bằng 3 và Skewness bằng 0, hoàn toàn bỏ qua tính chất đuôi dày và hiện tượng tự tương quan của bình phương lợi suất.
• Bước tiến từ mô hình GBM cộng bước nhảy (Merton Jump-Diffusion): Khi bổ sung bước nhảy Poisson với cường độ $\lambda = 0.2290$ và độ lệch chuẩn bước nhảy $\sigma_J = 3.6999$, phương sai mô hình giảm từ 9.01 xuống 3.70. Hệ số Kurtosis được kéo giảm từ 10.62 xuống còn 5.06, phản ánh tốt hơn cấu trúc nhảy vọt của tỷ giá.
• Sự vượt trội tuyệt đối của mô hình SVJD: Ước lượng mô hình SVJD trên chuỗi NOK/GBP cho kết quả phương sai đạt 4.66 (tiệm cận mức 4.72 của mẫu thực tế). Đặc biệt, mô hình tái lập được hệ số nhọn Kurtosis = 9.72, nắm bắt hơn 92% độ nhọn thực nghiệm của thị trường. Kiểm định Chi-bình phương cho giá trị hàm mục tiêu đạt 13.81 với 10 bậc tự do ($p$-value xấp xỉ 0.18), chứng minh mô hình SVJD hoàn toàn phù hợp và không bị bác bỏ ở các mức ý nghĩa thống kê tiêu chuẩn.

Mô hình ước lượng	Giá trị Trung bình (Mean)	Phương sai (Variance)	Hệ số bất đối xứng (Skewness)	Hệ số nhọn (Kurtosis)
Moment mẫu thực tế (NOK/GBP)	0.0400	4.7200	0.2900	10.5300
Chuyển động Brown hình học (GBM)	0.0334	4.6500	0.0000	3.0000
GBM cộng bước nhảy Poisson	0.0354	4.1200	-0.0996	5.0566
Độ biến động ngẫu nhiên có bước nhảy (SVJD)	0.0620	4.6600	-0.1200	9.7200

Thảo luận kết quả

Khi biểu diễn dữ liệu qua biểu đồ ước lượng mật độ nhân (Kernel Density Estimate) so với đường phân phối chuẩn lý thuyết, đường cong thực nghiệm của lợi suất tỷ giá có đỉnh nhọn vượt trội và phần đuôi trải rộng. Đồ thị hàm tự tương quan (Autocorrelation Function - ACF) của bình phương lợi suất duy trì ý nghĩa thống kê qua hơn 40 độ trễ (lags), khẳng định sự tồn tại vững chắc của hiện tượng tụ biến động (volatility clustering).

Mô hình GBM cổ điển hoàn toàn thất bại trong việc mô tả hiện tượng này do tính chất các số gia độc lập cùng phân phối (i.i.d). Mô hình GBM cộng bước nhảy của Merton tuy đã cải thiện độ nhọn nhưng do thành phần phương sai vẫn là hằng số nên không thể giải thích được tính phi dừng của phương sai có điều kiện. Mô hình SVJD là cấu trúc duy nhất giải quyết đồng thời hai hiện tượng: quá trình bước nhảy Poisson giải thích các biến động đột ngột ngắn hạn sinh ra độ nhọn, trong khi phương trình khuếch tán ngẫu nhiên của phương sai kiểm soát hoàn hảo hiện tượng tụ biến động dài hạn.

Đề xuất và khuyến nghị

Dựa trên các kết quả định lượng thu được, nghiên cứu đưa ra 4 nhóm khuyến nghị mang tính ứng dụng cao:

• Nâng cấp mô hình định giá phái sinh tại các ngân hàng thương mại: Khuyến nghị khối kinh doanh vốn (Treasury) và phân tích định lượng chuyển đổi từ mô hình Black – Scholes sang mô hình SVJD khi định giá các hợp đồng quyền chọn tiền tệ kỳ hạn ngắn và trung hạn. Mục tiêu giảm thiểu sai số định giá quyền chọn lệch giá (Out-of-the-Money) xuống dưới 5% trong vòng 6 tháng triển khai.
• Thiết lập hệ thống quản trị rủi ro VaR dựa trên quá trình bước nhảy: Các định chế tài chính và quỹ đầu tư cần tích hợp thành phần bước nhảy Poisson vào công thức tính Giá trị chịu rủi ro (Value at Risk - VaR) và Thâm hụt kỳ vọng (Expected Shortfall). Quy mô mẫu dữ liệu tối thiểu cần đạt 2000 quan sát để đảm bảo ước lượng chính xác tần suất xuất hiện các cú sốc thanh khoản với chu kỳ rà soát định kỳ hàng quý.
• Đầu tư hạ tầng tính toán song song cho phương pháp mô phỏng Monte Carlo: Cơ quan nghiên cứu và các trường đại học cần trang bị hệ thống máy tính hiệu năng cao nhằm tối ưu hóa thuật toán EMM 2 chặng, rút ngắn thời gian xử lý ma trận thông tin 17 tham số từ nhiều giờ xuống dưới 15 phút, hoàn thành lộ trình nâng cấp hạ tầng trong vòng 12 tháng.
• Ứng dụng mô hình khuếch tán bước nhảy trong điều hành tỷ giá: Ngân hàng Nhà nước và các cơ quan điều hành kinh tế vĩ mô nên ứng dụng mô hình SVJD để mô phỏng tác động của các cú sốc chính sách tiền tệ quốc tế lên tỷ giá VND/USD. Giải pháp này giúp nâng cao độ chính xác trong dự báo biến động biên độ tỷ giá thêm 15% đến 20% trong giai đoạn 2024–2026.

Đối tượng nên tham khảo luận văn

Luận văn cung cấp tài liệu chuyên sâu và có giá trị thiết thực đối với 4 nhóm đối tượng chính:

• Chuyên viên định giá và Phân tích định lượng (Quant Analysts): Khai thác trực tiếp thuật toán ước lượng EMM, mã nguồn Stata và hệ thống công thức giải tích để thiết kế các công cụ định giá sản phẩm phái sinh phức kỳ hạn phức tạp.
• Giám đốc Quản trị Rủi ro (CRO) và Chuyên viên Rủi ro Thị trường: Sử dụng mô hình SVJD để xây dựng kịch bản kiểm tra sức chịu đựng (Stress Testing) danh mục đầu tư trước nguy cơ thị trường sụp đổ đột ngột.
• Học viên cao học, Nghiên cứu sinh ngành Toán tài chính và Kinh tế lượng: Tiếp cận tài liệu tham khảo chuẩn mực về tích phân ngẫu nhiên Itô, quá trình Lévy, phương pháp ước lượng GMM và mô phỏng chuỗi thời gian tài chính tần suất cao.
• Chuyên viên hoạch định chính sách tiền tệ và Quản lý ngoại hối: Nắm bắt quy luật vận động của tỷ giá hối đoái dưới tác động của các biến cố nhảy vọt, hỗ trợ xây dựng cơ chế can thiệp thị trường ngoại tệ linh hoạt và hiệu quả.

Câu hỏi thường gặp

1. Tại sao mô hình Black – Scholes năm 1973 không còn phản ánh chính xác thị trường tài chính hiện đại?

Mô hình Black – Scholes giả định độ biến động là hằng số và lợi suất tuân theo phân phối chuẩn với hệ số nhọn bằng 3. Thực tế thị trường cho thấy lợi suất có độ nhọn vượt mức 10.5 và xuất hiện hiện tượng nụ cười biến động, khiến mô hình định giá sai lệch lớn đối với các quyền chọn ngoài vùng tiền (OTM).

2. Sự khác biệt cốt lõi giữa mô hình Merton (1976) và mô hình SVJD của Bates (1996) là gì?

Mô hình Merton chỉ bổ sung các bước nhảy Poisson vào chuyển động Brown hình học với phương sai cố định. Trong khi đó, mô hình SVJD của Bates kết hợp đồng thời cả bước nhảy gián đoạn và phương trình vi phân ngẫu nhiên cho độ biến động, giải quyết triệt để tính tụ biến động.

3. Phương pháp Moment Hiệu quả (EMM) giải quyết thách thức nào trong ước lượng mô hình SVJD?

Mô hình SVJD tồn tại biến trạng thái phương sai không quan sát được (latent variable) nên không có hàm mật độ xác suất dạng đóng để chạy MLE trực tiếp. EMM sử dụng mô hình bổ trợ kết hợp mô phỏng Monte Carlo để tìm vector tham số tối ưu hóa hàm mục tiêu tiệm cận 0.

4. Tại sao ước lượng tham số bước nhảy lại đòi hỏi quy mô mẫu tối thiểu trên 2000 quan sát?

Các bước nhảy giá lớn xuất hiện với tần suất không thường xuyên trong thực tế (cường độ $\lambda$ chỉ khoảng 0.229/năm). Do đó, một chuỗi dữ liệu lớn từ 2000 đến 2500 quan sát hàng ngày là điều kiện tiên quyết để thuật toán tối ưu hóa hội tụ về cực tiểu toàn cục thay vì cực tiểu địa phương.

5. Hiện tượng "độ biến động nụ cười" (Volatility Smile) hàm ý điều gì trong quản trị danh mục?

Hiện tượng này thể hiện các quyền chọn có giá thực hiện cách xa giá giao ngay đều có độ biến động tiềm ẩn cao hơn quyền chọn ngang giá (ATM). Điều này chứng minh thị trường đánh giá rủi ro xuất hiện các biến cố cực đoan cao hơn nhiều so với dự báo của phân phối chuẩn.

Kết luận

• Bác bỏ giả thiết phân phối chuẩn: Luận văn đã chứng minh thực nghiệm rằng chuỗi tỷ giá VND/USD và NOK/GBP đều mang tính chất bất đối xứng và độ nhọn rất cao ($Kurtosis > 10.5$), hoàn toàn không phù hợp với phân phối log-chuẩn cổ điển.
• Hạn chế của mô hình đơn lẻ: Mô hình chuyển động Brown hình học (GBM) và mô hình chỉ có bước nhảy Poisson không thể giải thích toàn diện hiện tượng phương sai biến đổi theo thời gian và tính tụ biến động của thị trường.
• Khẳng định tính ưu việt của SVJD: Mô hình độ biến động ngẫu nhiên có bước nhảy (SVJD) là giải pháp tối ưu nhất khi tái lập được hơn 92% độ nhọn mẫu và vượt qua kiểm định Chi-bình phương với giá trị thống kê 13.81 (10 bậc tự do, $p$-value ~ 0.18).
• Đóng góp về phương pháp luận: Xây dựng thành công quy trình ước lượng dựa trên mô phỏng (EMM / Indirect Inference) giải quyết triệt để bài toán biến ngầm ẩn trong mô hình thời gian liên tục.
• Lộ trình phát triển tiếp theo: Các nhà nghiên cứu và tổ chức tài chính nên tiếp tục mở rộng mô hình SVJD với cường độ nhảy ngẫu nhiên $\lambda_t$ và triển khai ứng dụng thực tế vào hệ thống giao dịch tự động nhằm tối ưu hóa hiệu quả đầu tư. Hãy khai thác toàn diện luận văn để làm chủ các công cụ toán tài chính tiên tiến ngay hôm nay.

Trích đoạn nội dung tài liệu

Chương 1 Kiến thức chuẩn bị 1.1 Các quá trình ngẫu nhiên và toán tài chính Định nghĩa 1.1 (Đại số) Cho  là tập không rỗng và cho F bao gồm các tập con của . Ta nói rằng F là một đại số thỏa mãn: (i) F và 0 F , (ii) A F  Ac   \ A F , (iii) A, B F  A  B F. Định nghĩa 2 ( - đại số) Một đại số F của các tập con của  được gọi là một  o - đại số trên  nếu với bất kỳ dãy  An  n  F , ta có  An  F. n1 Mỗi một cặp  , F  như vậy được gọi là một không gian đo được.

Do đó, một  - đại số sinh bởi tập tất cả các tập con mở của  được gọi là  - đại số Borel: B E  .3 (Xác suất) Cho  là một tập không rỗng, và cho F là một  - đại số các tập con của . Một độ đo xác suất  là một hàm số sao cho đối với mỗi tập AF xác định một số trong đoạn [0,1]được gọi là xác suất của A và viết là   A . Trong đó các tính chất sau phải thỏa mãn: (i)     1 , (ii) (tính cộng tính đếm được) với A1, A2 ,. là dãy các tập rời nhau trong F thì        An      An  (1.1)  n1  n1 7  , F,   được gọi là một không gian xác suất.

Một không gian xác suất  là đầy đủ nếu với mỗi B  AF sao cho ta  A  0 , có B F. Trong tình huống khi mà thời gian biến đổi, nhiều thông tin được tiếp nhận hơn, ta phải thêm thành phần phụ thuộc thời gian vào không gian xác suất , F,   .4 (Lọc) Một lọc (hay dòng thông tin) trên  , F,   là một họ tăng các  - đại số  Ft  : t[ 0 Fs  Ft  FT  F với 0  s  t  T. Ft biểu diễn thông tin nhận được tại thời gian t, và lọc  Ft biểu diễn dòng  t[ 0 thông tin diễn tiến theo thời gian. Một không gian xác suất  , F,   trang bị một lọc được gọi là không gian xác suất lọc  ,F, , F  t t[0,T ] .

(ii) F0 chứa tất cả các tập  - không của . Nghĩa là ta biết biến cố nào là có thể và biến cố nào là không. (iii)  Ft t[ 0,T ] là liên tục phải, tức là Ft  Ft   st Fs.  8 Tham số thời gian t có thể hoặc là rời rạc hoặc là liên tục.

Với mỗi biễn ngẫu nhiên w , quỹ đạo X  w : t  X t  xác định một hàm số của thời gian gọi là w quỹ đạo mẫu của quá trình. Do đó các quá trình ngẫu nhiên có thể cũng được hiểu như là các hàm số ngẫu nhiên.7 (Các quá trình tương thích) Một quá trình ngẫu nhiên  X t được gọi là F - tương thích (hay không đoán trước được theo cấu trúc t t[ 0 thông tin  Ft  ) nếu với mỗi t [0,T] , giá trị của X là được xác định tại thời t t[ 0 gian t: biến ngẫu nhiên Xt là Ft - đo được.8 (Thời gian dừng) Một thời gian ngẫu nhiên là biến ngẫu nhiên dương T  0 biểu diễn thời gian mà tại đó biến cố nào đó là đang xảy ra.