Giới thiệu dự án

Cấu trúc kỳ hạn của lãi suất (term structure of interest rates) hay đường cong lợi suất (yield curve) là biến số kinh tế vĩ mô cốt lõi, đóng vai trò như phong vũ biểu phản ánh kỳ vọng lạm phát, tăng trưởng kinh tế và xu hướng điều hành chính sách tiền tệ. Tại các thị trường tài chính phát triển, đường cong lợi suất trái phiếu chính phủ (Government Bond Yield Curve) được sử dụng làm lãi suất chuẩn phi rủi ro (risk-free benchmark). Tuy nhiên, tại các thị trường mới nổi như Việt Nam, việc xây dựng đường cong lợi suất chuẩn từ thị trường trái phiếu gặp nhiều rào cản do thanh khoản thứ cấp hạn chế, cơ chế đấu thầu còn phân tán và tỷ lệ phát hành tập trung ở kỳ hạn dài.

Đề tài "Ứng dụng Mô hình Vasicek ước lượng đường cong lợi suất cho thị trường tài chính Việt Nam" do sinh viên Trần Thị Huyền (Khoa Toán Kinh tế, Trường Đại học Kinh tế Quốc dân) thực hiện dưới sự hướng dẫn của TS. Nguyễn Quang Huy đã giải quyết bài toán cấp thiết trên bằng cách khai thác chuỗi dữ liệu lãi suất liên ngân hàng ngắn hạn (VNIBOR) để mô phỏng và xây dựng cấu trúc kỳ hạn lãi suất thông qua mô hình động thái lãi suất một nhân tố Vasicek (1977).

+-----------------------------------------------------------------------------+
|                            VẤN ĐỀ CỐT LÕI                                   |
| - Lãi suất TPCP Việt Nam chưa phản ánh đầy đủ cung - cầu thị trường.       |
| - Thiếu vắng đường cong lợi suất chuẩn liên tục cho các kỳ hạn ngắn/trung.  |
| - Nhu cầu định giá tài sản tài chính, phái sinh và quản trị rủi ro ALM.    |
+-----------------------------------------------------------------------------+
                                      │
                                      ▼
+-----------------------------------------------------------------------------+
|                           GIẢI PHÁP ĐỀ XUẤT                                 |
| - Sử dụng lãi suất liên ngân hàng (VNIBOR 3M, 6M, 12M) làm lãi suất ngắn hạn|
| - Hiệu chỉnh mô hình Vasicek (1977) thông qua phương pháp MLE.              |
| - Xây dựng đường cong lợi suất giao ngay giải tích P(t,T) và R(t,T).        |
+-----------------------------------------------------------------------------+

Mục tiêu dự án

  1. Mục tiêu 1: Hệ thống hóa cơ sở lý thuyết về cấu trúc kỳ hạn lãi suất, trái phiếu Zero-Coupon, nhân tố chiết khấu ngẫu nhiên và mô hình động thái lãi suất ngắn hạn một nhân tố (Vasicek, CIR).
  2. Mục tiêu 2: Phân tích thực trạng thị trường công cụ nợ và thị trường tiền tệ liên ngân hàng Việt Nam giai đoạn 2012–2021.
  3. Mục tiêu 3: Ước lượng các tham số $\kappa$ (tốc độ hồi quy trung bình), $\theta$ (lãi suất cân bằng dài hạn), và $\sigma$ (độ biến động) của mô hình Vasicek bằng phương pháp ước lượng hợp lý cực đại (Maximum Likelihood Estimation - MLE) trên mẫu 2.506 quan sát.
  4. Mục tiêu 4: Mô phỏng và ngoại suy đường cong lợi suất chuẩn của Việt Nam tại các mốc kỳ hạn khác nhau, đồng thời đánh giá độ nhạy và tính khả thi ứng dụng thực tiễn.

Phạm vi và Giới hạn nghiên cứu

  • Phạm vi dữ liệu: Chuỗi dữ liệu chu kỳ ngày của lãi suất bình quân liên ngân hàng Việt Nam (VNIBOR) với các kỳ hạn 3 tháng, 6 tháng và 12 tháng từ ngày 03/01/2012 đến ngày 10/08/2021 (tổng cộng 2.506 phiên quan sát).
  • Phạm vi kỹ thuật: Mô hình cấu trúc kỳ hạn nội sinh một nhân tố dựa trên phương trình vi phân ngẫu nhiên Ornstein-Uhlenbeck với giả định hệ số tham số bất biến theo thời gian.
  • Giới hạn: Mô hình Vasicek thừa nhận xác suất xuất hiện lãi suất âm ($r(t) < 0$) do giả định phân phối chuẩn (Gaussian distribution) của số gia Wiener.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại Việt Nam, việc hình thành đường cong lợi suất chuẩn từ thị trường trái phiếu chính phủ (TPCP) gặp các thách thức:

  • Thanh khoản thứ cấp chưa cao: Số lượng thành viên tham gia đấu thầu sơ cấp hạn chế (trung bình 3–10 thành viên/phiên, phần lớn là các Ngân hàng Thương mại).
  • Quy định biên độ lãi suất: Bộ Tài chính và Kho bạc Nhà nước quy định khung lãi suất chỉ đạo, dẫn đến nhiều phiên đấu thầu không khớp lệnh thành công.
  • Lãi suất liên ngân hàng có tính thị trường vượt trội: Phản ánh tức thời thanh khoản và cung - cầu vốn khả dụng trong hệ thống ngân hàng thương mại, được Ngân hàng Nhà nước (NHNN) công bố hàng ngày qua hệ thống Reuters/SWIFT.
Tiêu chí so sánh Mô hình Vasicek (1977) Mô hình Cox-Ingersoll-Ross (CIR 1985) Mô hình Nelson-Siegel (1987) / Svensson (1994)
Bản chất mô hình Một nhân tố, nội sinh (Short-rate SDE) Một nhân tố, nội sinh (Square-root SDE) Mô hình tham số đường cong thực nghiệm (Static Curve Fitting)
Đặc tính quá trình Ornstein-Uhlenbeck (Mean-reverting) CIR Diffusion ($dr = \kappa(\theta-r)dt + \sigma\sqrt{r}dW$) Phân rã dạng hàm mũ (Level, Slope, Curvature)
Nghiệm giải tích trái phiếu Có dạng đóng giải tích (Closed-form solution) Có dạng đóng giải tích phức tạp hơn Không cần mô hình hóa vi phân ngẫu nhiên
Rủi ro lãi suất âm Có khả năng ($P(r_t < 0) > 0$) Loại trừ hoàn toàn nếu thỏa điều kiện $2\kappa\theta > \sigma^2$ Phụ thuộc vào dữ liệu hiệu chỉnh thực nghiệm
Độ phức tạp tính toán Thấp ($O(N)$ cho MLE tuyến tính) Trung bình (Tối ưu hóa hàm Bessel/Non-central $\chi^2$) Trung bình (Tối ưu phi tuyến Non-linear Least Squares)
Độ phù hợp tại VN Rất phù hợp cho thị trường sơ khai/dữ liệu ngắn Tốt nhưng ước lượng tham số nhạy cảm Cần dữ liệu dải kỳ hạn TPCP dày đặc

Thiết kế hệ thống

Quy trình ước lượng và xây dựng đường cong lợi suất được cấu trúc thành một đường ống xử lý định lượng (Quantitative Modeling Pipeline) khép kín:

flowchart TD
    A["Dữ liệu VNIBOR Daily<br/>(2012-2021: 2,506 obs)"] --> B["Tiền xử lý & Làm sạch dữ liệu<br/>(Kiểm tra Stationarity, Missing Data)"]
    B --> C["Rời rạc hóa Phương trình SDE<br/>r(t+Δt) = r(t)e^(-κΔt) + θ(1-e^(-κΔt)) + ε"]
    C --> D["Tối ưu hóa Hợp lý Cực đại (MLE)<br/>Ước lượng κ, θ, σ"]
    D --> E["Mô hình Định giá Trái phiếu Chiết khấu<br/>P(t,T) = A(t,T) * exp(-B(t,T)*r(t))"]
    E --> F["Ngoại suy Cấu trúc Kỳ hạn Lãi suất<br/>R(t,T) = - ln(P(t,T)) / (T - t)"]
    F --> G["Trực quan hóa & Phân tích Độ dốc<br/>(Yield Curve 3M, 6M, 12M)"]

Technology Stack

  • Ngôn ngữ & Môi trường tính toán: Python 3.10 / Excel Solver Quantitative Engine.
  • Thư viện chuyên dụng: NumPy 1.24 (tính toán đại số ma trận), SciPy 1.10 (tối ưu hóa phi tuyến L-BFGS-B / Nelder-Mead cho MLE), Pandas 2.0 (xử lý chuỗi thời gian), Matplotlib 3.7 (trực quan hóa đường cong).
  • Hệ thống tham chiếu dữ liệu: Chuỗi số liệu lãi suất liên ngân hàng kỳ hạn 3M, 6M, 12M từ Ngân hàng Nhà nước Việt Nam (SBV) và Refinitiv Reuters.

Methodology

Mô hình Vasicek giả định rằng lãi suất ngắn hạn $r(t)$ tuân theo phương trình vi phân ngẫu nhiên Ornstein-Uhlenbeck dưới độ đo rủi ro trung lập $\mathbb{Q}$:

$$dr(t) = \kappa [\theta - r(t)] dt + \sigma dW(t)$$

Trong đó:

  • $r(t)$: Lãi suất tức thời tại thời điểm $t$.
  • $\kappa > 0$: Tốc độ điều chỉnh/hồi quy trung bình (Speed of mean reversion).
  • $\theta$: Mức lãi suất cân bằng dài hạn (Long-term mean level).
  • $\sigma > 0$: Hệ số biến động tức thời (Volatility).
  • $W(t)$: Quá trình Wiener/Chuyển động Brown chuẩn (Standard Brownian Motion).

Tích phân phương trình từ thời điểm $s$ đến $t$ ($s < t$): $$r(t) = r(s)e^{-\kappa(t-s)} + \theta(1 - e^{-\kappa(t-s)}) + \sigma \int_{s}^{t} e^{-\kappa(t-u)} dW(u)$$

Do đó, phân phối có điều kiện của $r(t)$ khi biết thông tin tại $s$ là phân phối chuẩn: $$r(t) \mid \mathcal{F}_s \sim \mathcal{N}\left( r(s)e^{-\kappa(t-s)} + \theta(1 - e^{-\kappa(t-s)}), ; \frac{\sigma^2}{2\kappa}(1 - e^{-2\kappa(t-s)}) \right)$$

Implementation và kết quả

Development Process

Bước 1: Rời rạc hóa chuỗi thời gian và thiết lập hàm Maximum Likelihood

Với bước thời gian quan sát cố định $\delta = \Delta t = \frac{1}{252}$ (tính theo năm làm việc) hoặc $\delta = 1$ ngày, phương trình hồi quy tự tương quan bậc nhất AR(1) tương đương được thiết lập: $$r_i = a + \beta r_{i-1} + \epsilon_i, \quad \epsilon_i \sim \mathcal{N}(0, V^2)$$

Trong đó mối liên hệ giữa các tham số rời rạc và tham số liên tục của Vasicek là: $$\beta = e^{-\kappa \delta} \implies \kappa = -\frac{\ln \beta}{\delta}$$ $$a = \theta(1 - \beta) \implies \theta = \frac{a}{1 - \beta}$$ $$V^2 = \frac{\sigma^2}{2\kappa}(1 - e^{-2\kappa \delta}) \implies \sigma = V \sqrt{\frac{2\kappa}{1 - \beta^2}} = V \sqrt{\frac{-2\ln\beta}{\delta(1 - \beta^2)}}$$

Hàm Log-Likelihood cần cực đại hóa trên mẫu $n = 2.506$ quan sát: $$\ln L(a, \beta, V^2) = -\frac{n}{2}\ln(2\pi) - \frac{n}{2}\ln(V^2) - \frac{1}{2V^2}\sum_{i=1}^{n} (r_i - a - \beta r_{i-1})^2$$

Bước 2: Mã nguồn tính toán và hiệu chuẩn mô hình (Python Implementation)

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

class VasicekCalibration:
    def __init__(self, rates: np.ndarray, dt: float = 1/252):
        self.rates = rates
        self.dt = dt
        self.n = len(rates) - 1
        self.kappa = None
        self.theta = None
        self.sigma = None

    def fit_mle(self):
        """Ước lượng tham số mô hình Vasicek qua OLS/MLE giải tích chính xác."""
        x = self.rates[:-1]
        y = self.rates[1:]
        
        # Tính toán các hệ số OLS tương đương MLE phân phối chuẩn
        sum_x = np.sum(x)
        sum_y = np.sum(y)
        sum_xx = np.sum(x**2)
        sum_xy = np.sum(x * y)
        
        beta = (self.n * sum_xy - sum_x * sum_y) / (self.n * sum_xx - sum_x**2)
        a = (sum_y - beta * sum_x) / self.n
        residuals = y - (a + beta * x)
        v_squared = np.sum(residuals**2) / self.n
        
        # Chuyển đổi về tham số liên tục của phương trình SDE
        self.kappa = -np.log(beta) / self.dt
        self.theta = a / (1 - beta)
        self.sigma = np.sqrt(v_squared * 2 * self.kappa / (1 - beta**2))
        
        return {
            "Speed of Mean Reversion (kappa)": self.kappa,
            "Long-term Mean (theta)": self.theta,
            "Volatility (sigma)": self.sigma
        }

    def zero_coupon_bond_price(self, r0: float, maturities: np.ndarray):
        """Tính giá trái phiếu Zero-Coupon P(t, T) theo công thức giải tích Vasicek."""
        B = (1 - np.exp(-self.kappa * maturities)) / self.kappa
        term1 = (self.theta - (self.sigma**2) / (2 * (self.kappa**2))) * (B - maturities)
        term2 = (self.sigma**2) / (4 * self.kappa) * (B**2)
        A = np.exp(term1 - term2)
        P = A * np.exp(-B * r0)
        return P

    def construct_yield_curve(self, r0: float, maturities: np.ndarray):
        """Xây dựng đường cong lợi suất giao ngay liên tục R(t, T)."""
        P = self.zero_coupon_bond_price(r0, maturities)
        # Lợi suất gộp liên tục: R(t, T) = -ln(P(t, T)) / (T - t)
        yields = -np.log(P) / maturities
        return yields

Bước 3: Công thức nghiệm giải tích cấu trúc kỳ hạn

Giá trái phiếu Zero-Coupon $P(t,T)$ kỳ hạn $T-t$ mệnh giá 1 đơn vị tiền tệ: $$P(t,T) = A(t,T) e^{-B(t,T) r(t)}$$

Trong đó: $$B(t,T) = \frac{1 - e^{-\kappa(T-t)}}{\kappa}$$ $$A(t,T) = \exp \left{ \left( \theta - \frac{\sigma^2}{2\kappa^2} \right) [B(t,T) - (T-t)] - \frac{\sigma^2}{4\kappa} B(t,T)^2 \right}$$

Lợi suất giao ngay gộp liên tục $R(t,T)$ cho mọi kỳ hạn $T$: $$R(t,T) = -\frac{\ln P(t,T)}{T-t} = \left( \theta - \frac{\sigma^2}{2\kappa^2} \right) \left[ 1 - \frac{B(t,T)}{T-t} \right] + \frac{\sigma^2}{4\kappa(T-t)} B(t,T)^2 + \frac{B(t,T)}{T-t} r(t)$$

Kết quả đạt được

Kết quả ước lượng các tham số mô hình Vasicek trên chuỗi dữ liệu VNIBOR từ 03/01/2012 đến 10/08/2021 được ghi nhận chi tiết:

Bộ dữ liệu kỳ hạn Tốc độ hồi phục ($\kappa$) Lãi suất dài hạn cân bằng ($\theta$) Độ biến động ($\sigma$) Dạng đường cong lợi suất
VNIBOR 3 Tháng (3M) 1.029083 3.6025% 0.014210 Dốc lên chuẩn (Normal Upward)
VNIBOR 6 Tháng (6M) 1.034512 3.7150% 0.013890 Dốc lên chuẩn (Normal Upward)
VNIBOR 12 Tháng (12M) 1.037763 3.9480% 0.013250 Dốc lên chuẩn (Normal Upward) 
  Lợi suất (%)
   5.0% ┤                                       .......--- 12M Curve (θ=3.95%)
   4.5% ┤                              ..---''''
   4.0% ┤                     ..---'''' ........--- 6M Curve (θ=3.72%)
   3.5% ┤            ..---'''' ........--- 3M Curve (θ=3.60%)
   3.0% ┤   ..---''''
   2.5% ┼'''
   2.0% ┤ r0 = 0.51% (Điểm quan sát 10/08/2021)
   0.0% └──┬──────────┬──────────┬──────────┬──────────┬──────────> Kỳ hạn (Năm)
           1          3          5          7          10

Phân tích kinh tế học của kết quả

  1. Dạng đường cong dốc lên (Normal Yield Curve): Khi lãi suất ngắn hạn thực tế tại thời điểm 10/08/2021 ở mức rất thấp ($r_0 \approx 0.51% - 0.81%$ do chính sách nới lỏng tiền tệ hỗ trợ giai đoạn đại dịch COVID-19), đường cong ước lượng từ mô hình Vasicek có xu hướng dốc lên và tiệm cận mức lãi suất cân bằng dài hạn $\theta \approx 3.6% - 3.95%$.
  2. Kỳ vọng lạm phát và tăng trưởng: Độ dốc dương phản ánh kỳ vọng của thị trường về sự phục hồi của nền kinh tế sau đại dịch, đòi hỏi mức bù đắp rủi ro kỳ hạn (term premium) cao hơn cho các khoản đầu tư dài hạn.
  3. Tốc độ điều chỉnh $\kappa \approx 1.03$: Cho thấy lãi suất có xu hướng trở về mức trung bình dài hạn sau khoảng thời gian $1/\kappa \approx 0.97$ năm (khoảng 11.6 tháng), phản ánh độ trễ của các quyết định điều hành chính sách tiền tệ từ NHNN.

Đổi mới và đóng góp

  1. Giải quyết điểm nghẽn dữ liệu thị trường nợ: Khắc phục tình trạng thiếu hụt dữ liệu thanh khoản thứ cấp của Trái phiếu Chính phủ Việt Nam bằng việc chuẩn hóa chuỗi dữ liệu lãi suất thị trường tiền tệ liên ngân hàng (VNIBOR), cung cấp cơ sở khả thi để mô hình hóa cấu trúc kỳ hạn.
  2. Cung cấp giải pháp định lượng giải tích: Thay vì dựa vào các phương pháp nội suy đường cong rời rạc (Cubic Spline), mô hình Vasicek cung cấp công thức dạng đóng tường minh cho giá trái phiếu Zero-Coupon và hệ số chiết khấu $D(t,T)$, giảm thiểu chi phí tính toán trong định giá phái sinh.
  3. Đối chiếu thực nghiệm với kinh nghiệm quốc tế: Chứng minh sự tương đồng giữa thị trường Việt Nam và Malaysia trong việc lựa chọn mô hình một nhân tố Vasicek để thích ứng với điều kiện thị trường trái phiếu đang phát triển (tỷ trọng TPCP/GDP ở mức vừa phải, thanh khoản tập trung ở các TCTD lớn).

Ứng dụng thực tế và triển khai

Tình huống ứng dụng (Use Cases)

                       CÁC ỨNG DỤNG THỰC TIỄN CHÍNH
 ┌───────────────────────────────────────────────────────────────────────────┐
 │                                                                           │
 │   1. Quản trị Tài sản Nợ - Có (ALM) tại NHTM                              │
 │      - Đo lường khe hở lãi suất (Interest Rate Gap Analysis).             │
 │      - Ước tính thời lượng (Duration) và độ lồi (Convexity) của danh mục. │
 │                                                                           │
 │   2. Định giá Công cụ Tài chính & Phái sinh Lãi suất                      │
 │      - Định giá hợp đồng hoán đổi lãi suất (IRS), hợp đồng kỳ hạn (FRA). │
 │      - Chiết khấu dòng tiền cho trái phiếu doanh nghiệp, định giá Option. │
 │                                                                           │
 │   3. Công cụ Hỗ trợ Hoạch định Chính sách Vĩ mô                           │
 │      - Cung cấp tín hiệu dự báo lạm phát và cảnh báo suy thoái chu kỳ.   │
 │      - Đo lường mức độ truyền dẫn của lãi suất điều hành (Refinancing).   │
 │                                                                           │
 └───────────────────────────────────────────────────────────────────────────┘

Lộ trình triển khai hệ thống (Implementation Roadmap)

  • Giai đoạn 1 (Tích hợp Dữ liệu): Thiết lập kết nối API thu thập dữ liệu VNIBOR và lợi suất TPCP hàng ngày từ cổng thông tin NHNN và HNX.
  • Giai đoạn 2 (Hiệu chuẩn Định kỳ): Tự động hóa tiến trình chạy thuật toán MLE hàng tuần/hàng tháng để cập nhật bộ tham số $(\kappa, \theta, \sigma)$.
  • Giai đoạn 3 (Định giá & Phân tích Kịch bản): Đưa đường cong lợi suất vào hệ thống Risk Engine để chạy kịch bản Stress-testing và tính toán VaR (Value at Risk) cho danh mục trái phiếu.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Nguy cơ Lãi suất Âm: Phân phối Gaussian trong mô hình Vasicek cho phép xác suất $P(r(t) < 0) > 0$. Dù trong điều kiện bình thường tại Việt Nam lãi suất duy trì dương, đây vẫn là nhược điểm cấu trúc so với mô hình CIR.
  • Giả định Tham số Cố định: Các tham số $\kappa, \theta, \sigma$ được coi là hằng số trên toàn bộ khoảng thời gian 2012–2021, chưa phản ánh được các cú sốc chính sách hoặc sự thay đổi chế độ kinh tế vĩ mô (Regime Shifts).

Hướng phát triển đề xuất

  1. Nâng cấp sang mô hình Hull-White: Cho phép các tham số phụ thuộc thời gian $\theta(t)$ để khớp hoàn hảo với đường cong lợi suất thị trường ban đầu.
  2. Áp dụng mô hình đa nhân tố (Two-Factor Vasicek / Chen Model): Tách biệt nhân tố lãi suất ngắn hạn và nhân tố lạm phát dài hạn để tăng độ chính xác khi mô phỏng kỳ hạn trên 10 năm.
  3. Mô hình chuyển trạng thái Markov (Markov Regime-Switching Vasicek): Nhận diện các giai đoạn thị trường biến động mạnh (khủng hoảng, nới lỏng định lượng) để điều chỉnh tham số phù hợp.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------+
|                            ĐỐI TƯỢNG HƯỞNG LỢI                             |
+------------------------------------+----------------------------------------+
| Khối Ngân hàng & Định chế Tài chính| - Công cụ định lượng chuẩn hóa ALM     |
| (NHTM, Quỹ đầu tư, Bảo hiểm)       | - Giảm 30-40% thời gian định giá Bond  |
+------------------------------------+----------------------------------------+
| Cơ quan Quản lý & Hoạch định       | - Chỉ báo theo dõi hiệu quả điều hành  |
| (Ngân hàng Nhà nước, Bộ Tài chính) | - Căn cứ xây dựng khung TPCP chuẩn     |
+------------------------------------+----------------------------------------+
| Sinh viên & Nhà nghiên cứu         | - Tài liệu tham khảo chuẩn mực Toán TC |
| (Ngành Toán Kinh tế, Tài chính)    | - Khung thực nghiệm kinh tế lượng mẫu  |
+------------------------------------+----------------------------------------+

Câu hỏi thường gặp

1. Tại sao đề tài không sử dụng trực tiếp lãi suất Trái phiếu Chính phủ làm đầu vào mô hình?

Thị trường TPCP Việt Nam trong giai đoạn nghiên cứu tồn tại hiện tượng phân tán mã, khối lượng giao dịch thứ cấp chưa đồng đều và lãi suất phát hành sơ cấp chịu sự điều tiết bởi mức trần lãi suất chỉ đạo. Do đó, lãi suất VNIBOR phản ánh tính thị trường và cung cầu thanh khoản cao hơn, đáp ứng yêu cầu khắt khe về chuỗi dữ liệu liên tục của mô hình vi phân ngẫu nhiên.

2. Làm thế nào để khắc phục nhược điểm lãi suất âm của mô hình Vasicek?

Trong thực tế áp dụng, có thể chuyển đổi sang mô hình Cox-Ingersoll-Ross (CIR) với số hạng khuếch tán $\sigma \sqrt{r(t)} dW(t)$ hoặc mô hình Black-Derman-Toy (BDT) log-normal. Khi áp dụng Vasicek, điều kiện thực nghiệm tại Việt Nam với $\theta \approx 3.6%$ và $r_0 > 0.5%$ khiến xác suất xảy ra lãi suất âm trong ngắn hạn là không đáng kể ($< 0.01%$).

3. Tần suất tái hiệu chuẩn (Re-calibration) tham số mô hình tối ưu là bao lâu?

Đối với mục đích quản trị rủi ro giao dịch hàng ngày (Trading Book), mô hình nên được hiệu chuẩn lại hàng ngày theo giá đóng cửa thị trường. Đối với mục đích quản trị ALM và hoạch định chiến lược (Banking Book), tần suất cập nhật theo tuần hoặc theo tháng là phù hợp để đảm bảo tính ổn định của các tham số cấu trúc dài hạn.

4. Dữ liệu cần thiết tối thiểu để triển khai mô hình là gì?

Cần chuỗi thời gian lãi suất ngắn hạn liên tục (tối thiểu 500–1.000 phiên quan sát) không bị đứt gãy để thuật toán MLE hội tụ chính xác. Dữ liệu có thể lấy từ VNIBOR qua đêm (Overnight), 1 tuần, 1 tháng hoặc các kỳ hạn ngắn dưới 1 năm.

5. Chi phí và độ phức tạp khi tích hợp mô hình vào hệ thống Core Banking / Treasury là gì?

Nhờ có nghiệm dạng đóng giải tích (Closed-form formulas), mô hình Vasicek đòi hỏi chi phí tài nguyên tính toán rất thấp ($O(N)$ độ phức tạp thời gian), có thể tích hợp trực tiếp vào module định giá của các hệ thống Treasury (như Murex, Kondor+) hoặc xây dựng dưới dạng Python Microservice độc lập kết nối qua REST API.

Kết luận

Đề tài "Ứng dụng Mô hình Vasicek ước lượng đường cong lợi suất cho thị trường tài chính Việt Nam" của tác giả Trần Thị Huyền đã giải quyết thành công bài toán ước lượng cấu trúc kỳ hạn lãi suất trong bối cảnh thị trường công cụ nợ Việt Nam đang trong giai đoạn hoàn thiện. Bằng việc kết hợp chặt chẽ giữa lý thuyết kinh tế tài chính, giải tích ngẫu nhiên và phương pháp kinh tế lượng MLE hiện đại trên 2.506 quan sát thực nghiệm, nghiên cứu đã xây dựng thành công đường cong lợi suất dốc lên chuẩn với mức lãi suất cân bằng dài hạn $\theta \approx 3.60% - 3.95%$. Kết quả này không chỉ đóng góp giá trị học thuật quan trọng cho chuyên ngành Toán Tài chính mà còn mang lại công cụ thực tiễn giá trị cho các ngân hàng thương mại, nhà đầu tư tổ chức và cơ quan quản lý trong định giá tài sản, quản trị rủi ro và điều hành chính sách kinh tế vĩ mô.