Luận Văn Thạc Sĩ Về Phân Tích Rủi Ro Định Lượng Trong Thị Trường Chứng Khoán Việt Nam

Luận văn thạc sĩ phân tích rủi ro định lượng, phương pháp áp dụng cho thị trường chứng khoán Việt Nam, cung cấp cái nhìn sâu sắc và chiến lược đầu tư.

• Tác giả: Nguyen Nam Khanh
• Người hướng dẫn: Dr. Truong Dang Thuy
• Trường học: University of Economics Erasmus University Rotterdam
• Chuyên ngành: Development Economics
• Đề tài: Phân Tích Rủi Ro Định Lượng: Phương Pháp Ứng Dụng Cho Thị Trường Chứng Khoán Việt Nam
• Loại tài liệu: thesis
• Năm xuất bản: 2016
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• 1. CHƯƠNG 1: Introduction
• 1.1. Problem statements
• 1.4. Subject and scope of research
• 1.5. Structure of the thesis
• 2. CHƯƠNG 2: Literature review
• 2.1. Financial return data
• 2.2. Concept of Risk
• 2.3. Classification of Risk
• 2.3.1. Systematic risk
• 2.3.2. Unsystematic risk
• 2.4. Risk measurement and Coherence

Tóm tắt

I. Phân Tích Rủi Ro Định Lượng

Phân tích rủi ro định lượng là một lĩnh vực quan trọng trong quản lý tài chính, đặc biệt là trong bối cảnh thị trường chứng khoán Việt Nam. Phân tích rủi ro giúp các nhà đầu tư và quản lý tài chính hiểu rõ hơn về các yếu tố có thể ảnh hưởng đến lợi nhuận và rủi ro của danh mục đầu tư. Trong nghiên cứu này, tác giả đã áp dụng các mô hình định lượng rủi ro để đánh giá hiệu suất của các mô hình Value at Risk (VaR) trong việc dự đoán rủi ro cho các chỉ số chứng khoán. Việc sử dụng các mô hình như GARCH và EVT cho thấy sự cần thiết phải có một phương pháp tiếp cận đa dạng để quản lý rủi ro hiệu quả.

1.1. Mô Hình Định Lượng Rủi Ro

Mô hình định lượng rủi ro là công cụ chính trong việc đo lường và quản lý rủi ro tài chính. Các mô hình như GARCH và GJR-GARCH được sử dụng để ước lượng độ biến động của các chỉ số chứng khoán. Mô hình GARCH cho phép dự đoán độ biến động theo thời gian, trong khi mô hình GJR-GARCH có thể xử lý các hiện tượng không đối xứng trong dữ liệu. Kết quả cho thấy rằng không có mô hình nào là tốt nhất cho tất cả các trường hợp, điều này nhấn mạnh tầm quan trọng của việc lựa chọn mô hình phù hợp với từng chỉ số chứng khoán cụ thể.

II. Phương Pháp Phân Tích

Phương pháp phân tích trong nghiên cứu này bao gồm việc sử dụng các mô hình phân tích tài chính để đánh giá hiệu suất của các mô hình VaR. Tác giả đã thực hiện các bài kiểm tra hồi quy và kiểm tra độ chính xác của các mô hình thông qua các chỉ số như tỷ lệ vi phạm và kiểm tra Kupiec. Việc áp dụng các phương pháp này giúp xác định mô hình nào có khả năng dự đoán tốt nhất cho thị trường chứng khoán Việt Nam. Phân tích dữ liệu được thực hiện bằng phần mềm R, cho phép xử lý và phân tích một lượng lớn dữ liệu một cách hiệu quả.

2.1. Kiểm Tra Hiệu Suất Mô Hình

Kiểm tra hiệu suất mô hình là một phần quan trọng trong phân tích rủi ro. Các bài kiểm tra như kiểm tra độc lập và kiểm tra điều kiện của Christoffersen được sử dụng để đánh giá khả năng dự đoán của các mô hình. Kết quả cho thấy rằng các mô hình có thể hoạt động khác nhau tùy thuộc vào điều kiện thị trường cụ thể. Điều này nhấn mạnh rằng việc quản lý rủi ro không chỉ dựa vào một mô hình duy nhất mà cần có sự linh hoạt trong việc áp dụng các mô hình khác nhau.

III. Ứng Dụng Thực Tiễn

Nghiên cứu này không chỉ có giá trị lý thuyết mà còn có ứng dụng thực tiễn cao trong việc quản lý rủi ro tài chính tại Việt Nam. Các nhà đầu tư và quản lý quỹ có thể sử dụng các mô hình VaR để đánh giá rủi ro của danh mục đầu tư của họ. Quản lý rủi ro hiệu quả có thể giúp giảm thiểu tổn thất và tối ưu hóa lợi nhuận. Hơn nữa, nghiên cứu cũng chỉ ra rằng việc áp dụng các mô hình định lượng có thể cải thiện khả năng dự đoán rủi ro trong bối cảnh thị trường biến động.

3.1. Đề Xuất Chính Sách

Dựa trên kết quả nghiên cứu, các nhà quản lý tài chính nên xem xét việc áp dụng các mô hình định lượng trong quản lý rủi ro. Việc xây dựng một hệ thống quản lý rủi ro toàn diện sẽ giúp các tổ chức tài chính tại Việt Nam hoạt động hiệu quả hơn. Đánh giá rủi ro thường xuyên và cập nhật các mô hình dự đoán sẽ là chìa khóa để đảm bảo an toàn cho các khoản đầu tư trong bối cảnh thị trường không ổn định.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh thị trường tài chính toàn cầu liên tục đối mặt với các cuộc khủng hoảng nghiêm trọng như sự kiện Black Monday (1987), khủng hoảng tài chính toàn cầu 2008, việc quản lý rủi ro tài chính trở thành vấn đề cấp thiết. Tại Việt Nam, thị trường chứng khoán mới hình thành từ năm 2000, tuy còn non trẻ nhưng đã thu hút sự quan tâm lớn của nhà đầu tư trong và ngoài nước. Theo ước tính, từ năm 2002 đến cuối năm 2015, VNINDEX có hơn 3.400 ngày giao dịch với nhiều biến động mạnh, đặc biệt trong các giai đoạn khủng hoảng kinh tế toàn cầu. Mục tiêu nghiên cứu của luận văn là đánh giá hiệu quả của 16 mô hình Value at Risk (VaR) trong việc dự báo rủi ro một ngày tiếp theo cho VNINDEX và 8 chỉ số cổ phiếu ngành ngân hàng tiêu biểu như ACB, BVH, CTG, EIB, MBB, SHB, STB, VCB. Phạm vi nghiên cứu bao gồm dữ liệu từ năm 2002 đến 2015 cho VNINDEX và các khoảng thời gian tương ứng cho các cổ phiếu ngân hàng. Ý nghĩa của nghiên cứu thể hiện qua việc cung cấp các mô hình VaR phù hợp, giúp các tổ chức tài chính và nhà quản lý rủi ro tại Việt Nam nâng cao hiệu quả quản lý rủi ro thị trường, đảm bảo an toàn tài chính và ổn định kinh tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình chính sau:

• Value at Risk (VaR): Được định nghĩa là mức lỗ tối đa dự kiến trong một khoảng thời gian nhất định với mức độ tin cậy xác định. VaR là công cụ phổ biến trong quản lý rủi ro tài chính, được Basel II khuyến nghị sử dụng.

• Mô hình biến động điều kiện (Conditional Volatility Models): Bao gồm các mô hình GARCH, GJR-GARCH và EWMA, nhằm mô phỏng đặc tính biến động thay đổi theo thời gian, bắt chước hiện tượng "clustering" và "leverage effect" trong dữ liệu tài chính.

• Lý thuyết giá trị cực đoan (Extreme Value Theory - EVT): Tập trung vào phân tích các sự kiện cực đoan ở phần đuôi phân phối, giúp cải thiện độ chính xác trong dự báo rủi ro các biến động lớn hiếm gặp.

Các khái niệm chính bao gồm: rủi ro hệ thống và phi hệ thống, phân phối chuẩn và phân phối có đuôi dày (fat-tail), kiểm định Kupiec, Christoffersen và các phương pháp backtesting.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng là giá điều chỉnh hàng ngày của VNINDEX và 8 cổ phiếu ngân hàng từ trang cophieu68.com, với tổng số quan sát cho VNINDEX là 3.439 ngày giao dịch từ 2002 đến 2015, và khoảng 500-1.000 ngày cho các cổ phiếu ngân hàng. Dữ liệu được chuyển đổi thành log-return để đảm bảo tính ổn định.

Phương pháp phân tích bao gồm:

• So sánh 16 mô hình VaR khác nhau, gồm các mô hình không điều kiện (Historical Simulation, VaR chuẩn, VaR Student’s t, VaR skewed Student’s t) và mô hình điều kiện (EWMA, GARCH, GJR-GARCH với các giả định phân phối khác nhau).

• Áp dụng mô hình EVT với phương pháp Peaks-Over-Threshold (POT) để ước lượng phân phối đuôi.

• Sử dụng các kiểm định thống kê như tỉ lệ vi phạm (violation ratio), kiểm định Kupiec (unconditional coverage), kiểm định Christoffersen (conditional coverage và independence) để đánh giá hiệu quả dự báo của các mô hình.

• Thời gian nghiên cứu kéo dài từ 2002 đến 2015, với phương pháp rolling window để dự báo VaR một ngày tiếp theo, đảm bảo tính cập nhật và thực tiễn.

Phân tích được thực hiện bằng phần mềm thống kê R, đảm bảo tính chính xác và khả năng tái lập kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Đặc điểm dữ liệu: Tất cả các chuỗi log-return đều có đặc tính phân phối không chuẩn với độ lệch (skewness) thấp nhưng độ nhọn (kurtosis) cao, thể hiện phân phối có đuôi dày (fat-tail). Ví dụ, chỉ số BVH có kurtosis vượt mức 3, trong khi các chỉ số khác như ACB, EIB, MBB có kurtosis lên đến trên 6, cho thấy sự hiện diện của các biến động cực đoan.

2. Hiện tượng biến động cụm và bất đối xứng: Kiểm định Ljung-Box cho thấy có sự phụ thuộc chuỗi thời gian trong phương sai (conditional heteroscedasticity) ở hầu hết các chỉ số, đặc biệt là VNINDEX và các cổ phiếu ngân hàng lớn. Mô hình GJR-GARCH cho thấy hiệu ứng leverage rõ ràng, tức là các cú sốc tiêu cực có ảnh hưởng lớn hơn đến biến động tương lai so với cú sốc tích cực cùng cường độ.

3. Hiệu quả dự báo VaR: Qua backtesting với các mức ý nghĩa 5%, 2.5% và 1%, không có mô hình VaR nào vượt trội cho tất cả các chỉ số. Tuy nhiên, mô hình kết hợp GARCH/GJR-GARCH với phân phối skewed Student’s t và EVT cho kết quả dự báo chính xác hơn, đặc biệt ở các mức ý nghĩa thấp (1%). Ví dụ, tỉ lệ vi phạm của mô hình EVT-GJR-GARCH cho CTG và BVH gần với mức kỳ vọng, đồng thời vượt qua các kiểm định Kupiec và Christoffersen với p-value > 0.05.

4. Ảnh hưởng của mức ý nghĩa: Hiệu quả dự báo VaR thay đổi theo mức ý nghĩa, với các mô hình phức tạp hơn (có tính đến biến động điều kiện và phân phối đuôi dày) thể hiện ưu thế rõ rệt ở mức ý nghĩa 1%, trong khi các mô hình đơn giản hơn phù hợp hơn ở mức 5%.

Thảo luận kết quả

Nguyên nhân của sự khác biệt hiệu quả giữa các mô hình là do đặc tính riêng biệt của từng chỉ số cổ phiếu, bao gồm mức độ biến động, tính bất đối xứng và tần suất các sự kiện cực đoan. Kết quả phù hợp với các nghiên cứu quốc tế cho thấy không tồn tại mô hình VaR "tối ưu" cho mọi trường hợp, mà cần lựa chọn mô hình phù hợp dựa trên đặc điểm dữ liệu và điều kiện thị trường hiện tại.

So sánh với các nghiên cứu trước đây, việc kết hợp mô hình GJR-GARCH với phân phối skewed Student’s t và EVT được khẳng định là phương pháp hiệu quả trong việc dự báo rủi ro thị trường có đặc tính biến động không đối xứng và đuôi dày. Việc sử dụng backtesting đa chiều (violation ratio, Kupiec, Christoffersen) giúp đánh giá toàn diện hơn về khả năng dự báo của các mô hình.

Dữ liệu có thể được trình bày qua biểu đồ Q-Q để minh họa phân phối đuôi dày, bảng so sánh tỉ lệ vi phạm và p-value các kiểm định cho từng mô hình, giúp trực quan hóa hiệu quả dự báo.

Đề xuất và khuyến nghị

1. Áp dụng mô hình VaR kết hợp GJR-GARCH và EVT: Các tổ chức tài chính nên ưu tiên sử dụng các mô hình này để dự báo rủi ro thị trường, đặc biệt trong các giai đoạn biến động mạnh, nhằm nâng cao độ chính xác và giảm thiểu rủi ro bất ngờ.

2. Thường xuyên backtesting và cập nhật mô hình: Do đặc tính thị trường thay đổi theo thời gian, việc đánh giá lại hiệu quả mô hình VaR định kỳ (ví dụ mỗi quý hoặc mỗi năm) là cần thiết để đảm bảo mô hình luôn phù hợp với điều kiện thị trường hiện tại.

3. Đào tạo và nâng cao năng lực quản lý rủi ro: Các nhà quản lý rủi ro và chuyên gia tài chính cần được đào tạo về các mô hình VaR hiện đại, đặc biệt là các mô hình có tính đến biến động điều kiện và phân phối đuôi dày, nhằm nâng cao khả năng phân tích và ra quyết định.

4. Phát triển hệ thống công nghệ hỗ trợ: Đầu tư vào phần mềm và công cụ tính toán hiện đại như R hoặc Python để thực hiện các mô hình phức tạp, đảm bảo tính chính xác và hiệu quả trong việc dự báo và quản lý rủi ro.

Các giải pháp trên nên được triển khai trong vòng 1-2 năm tới, với sự phối hợp giữa các tổ chức tài chính, cơ quan quản lý và các viện nghiên cứu.

Đối tượng nên tham khảo luận văn

1. Các nhà quản lý rủi ro tại tổ chức tài chính: Giúp họ lựa chọn và áp dụng mô hình VaR phù hợp, nâng cao hiệu quả quản lý rủi ro thị trường.

2. Cơ quan quản lý và giám sát thị trường chứng khoán: Cung cấp cơ sở khoa học để xây dựng chính sách quản lý rủi ro và yêu cầu về vốn dự phòng theo Basel II/III.

3. Các nhà nghiên cứu và sinh viên chuyên ngành kinh tế tài chính: Là tài liệu tham khảo sâu sắc về các mô hình VaR, EVT và phương pháp backtesting trong bối cảnh thị trường Việt Nam.

4. Nhà đầu tư cá nhân và tổ chức: Giúp hiểu rõ hơn về rủi ro thị trường và các công cụ đo lường rủi ro, từ đó đưa ra quyết định đầu tư hiệu quả hơn.

Câu hỏi thường gặp

1. Value at Risk (VaR) là gì và tại sao nó quan trọng?
   VaR là mức lỗ tối đa dự kiến trong một khoảng thời gian với mức độ tin cậy xác định, giúp các tổ chức tài chính đánh giá và quản lý rủi ro thị trường hiệu quả. Ví dụ, VaR 1 ngày ở mức 99% là mức lỗ không vượt quá trong 99% các ngày giao dịch.

2. Tại sao phải sử dụng các mô hình biến động điều kiện như GARCH?
   Bởi vì biến động tài chính không ổn định theo thời gian mà có hiện tượng "clustering" (biến động cụm), GARCH giúp mô hình hóa sự thay đổi này, cải thiện độ chính xác dự báo rủi ro so với giả định biến động cố định.

3. Extreme Value Theory (EVT) có ưu điểm gì trong quản lý rủi ro?
   EVT tập trung vào phân tích các sự kiện cực đoan ở phần đuôi phân phối, giúp dự báo chính xác hơn các rủi ro lớn hiếm gặp mà các mô hình truyền thống thường bỏ qua.

4. Backtesting VaR được thực hiện như thế nào?
   Backtesting so sánh các giá trị VaR dự báo với các tổn thất thực tế để đánh giá độ chính xác mô hình, sử dụng các kiểm định như Kupiec và Christoffersen để kiểm tra tính phù hợp và độc lập của các vi phạm.

5. Có mô hình VaR nào phù hợp cho tất cả các cổ phiếu không?
   Không, nghiên cứu cho thấy không có mô hình VaR nào tối ưu cho mọi cổ phiếu do đặc tính riêng biệt của từng tài sản. Việc lựa chọn mô hình cần dựa trên đặc điểm dữ liệu và điều kiện thị trường cụ thể.

Kết luận

• Luận văn đã đánh giá hiệu quả của 16 mô hình VaR khác nhau trên dữ liệu VNINDEX và 8 cổ phiếu ngân hàng từ 2002-2015, cho thấy không có mô hình nào phù hợp cho tất cả trường hợp.
• Mô hình GJR-GARCH kết hợp phân phối skewed Student’s t và EVT thể hiện hiệu quả dự báo tốt hơn, đặc biệt ở mức ý nghĩa thấp.
• Dữ liệu tài chính Việt Nam có đặc tính phân phối đuôi dày, biến động cụm và bất đối xứng, cần được mô hình hóa bằng các phương pháp phù hợp.
• Việc backtesting định kỳ và cập nhật mô hình là cần thiết để đảm bảo tính chính xác trong quản lý rủi ro.
• Khuyến nghị các tổ chức tài chính và cơ quan quản lý áp dụng các mô hình tiên tiến và nâng cao năng lực quản lý rủi ro trong thời gian tới.

Các nhà quản lý rủi ro nên triển khai thử nghiệm các mô hình GJR-GARCH và EVT trên danh mục đầu tư thực tế, đồng thời thiết lập quy trình backtesting thường xuyên để đảm bảo mô hình luôn phù hợp với điều kiện thị trường hiện tại.

Trích đoạn nội dung tài liệu

UNIVERSITY OF ECONOMICS ERASMUS UNVERSITY ROTTERDAM HO CHI MINH CITY INSTITUTE OF SOCIAL STUDIES VIETNAM THE NETHERLANDS VIETNAM – THE NETHERLANDS PROGRAMME FOR M.A IN DEVELOPMENT ECONOMICS QUANTITATIVE RISK ANALYSIS: AN APPROACH FOR VIETNAM STOCK MARKET BY NGUYEN NAM KHANH MASTER OF ARTS IN DEVELOPMENT ECONOMICS HO CHI MINH CITY, January 2016 123doc UNIVERSITY OF ECONOMICS INSTITUTE OF SOCIAL HO CHI MINH CITY STUDIES VIETNAM THE HAGUE THE NETHERLANDS VIETNAM – NETHERLANDS PROGRAM FOR M.A IN DEVELOPMENT ECONOMICS QUANTITATIVE RISK ANALYSIS: AN APPROACH FOR VIETNAM STOCK MARKET A thesis submitted in partial fulfillment of the requirements for the degree of MASTER OF ARTS IN DEVELOPMENT ECONOMICS By NGUYEN NAM KHANH Academic Supervisor Dr. TRUONG DANG THUY Ho Chi Minh City, January 2016 123doc QUANTITATIVE RISK ANALYSIS: AN APPROACH FOR VIETNAM STOCK MARKET Nguyen Nam Khanh January 15, 2016 123doc Abstract Value at Risk (VaR) is widely used in risk measurement. It is de…ned as the worst expected loss of a portfolio under a given time horizon at a given con…dence level. The aim of the thesis is to evaluate performance of 16 VaR models in forecasting one - day ahead VaR for daily return of VNIN- DEX and a group 8 banking stock indexes including ACB, BVH, CTG, EIB, MBB, SHB, STB, VCB to …nd out the most appropriate model for each stock index.

Three unconditional volatility models including historical, normal and Student’s - t as well as EWMA and two volatility models including GARCH, GJR - GARCH with three return distributions normal, Student’s - t and skewed Student’s - t and associated Extreme Value Theory (EVT) models are performed at 5%, 2.5% and 1% of signi…cance level. Violation ration, Kupiec’s unconditional coverage test, independence test and Christo¤ersen conditional coverage test are used to backtested performance of all models. Besides statistical analysis, graphical analysis is also incorporated. Backtest- ing indicates that there is no best model for all cases because of character- istic di¤erence from particular stock index.

Implication of this thesis is that a suitable VaR forecasting model is only chosen after backtesting frequently performance of various models in order to ensure that most relevant and most accurate models are suited for current …nancial market situation. Keywords: Value at Risk, Extreme Value Theory, …nancial risk manage- ment, conditional volatility model, backtesting, stock index 123doc Contents 1 Introduction 7 1.4 Subject and scope of research .5 Structure of the thesis .1 Financial return data .2 Concept of Risk .3 Classi…cation of Risk .4 Risk measurement and Coherence .1 Value at Risk .3 Extreme Value Theory .3 Empirical studies review .1 Empirical research on modeling and measuring VaR .2 Empirical research on Extreme Value Theory (EVT) VaR .1 Unconditional VaR models .2 Conditional VaR models - Volatility model using EWMA, GARCH, GJR - GARCH model .3 Extreme value theory (EVT) distribution in VaR mod- eling .2 Christo¤ersen’s Tests .3 Hypothesis testing procedure .2 GARCH, GJR - GARCH and EVT model estimation .3 Models forecasting performance analysis .4 Graphical analysis of model forecasting .3 Limitation and further studies. 79 2 123doc List of Tables 4.1 Descriptive of data sample .2 Descriptive statistics of daily stock index returns .3 Parameters estimation of GARCH(1,1) model with normal dis- tributed innovation for daily stock index returns .4 Parameters estimation of GARCH(1,1) model with Student’s - t distributed innovation for daily stock index returns .5 Parameters estimation of GARCH(1,1) model with skewed Student’s - t distributed innovation for daily stock index re- turns .6 Parameters estimation of GJR - GARCH(1,1) model with nor- mal distributed innovation for daily stock index returns .7 Parameters estimation of GRJ - GARCH(1,1) model with Stu- dent’s - t distributed innovation for daily stock index returns 52 4.8 Parameters estimation of GRJ - GARCH(1,1) model with skewed Student’s - t distributed innovation for daily stock index re- turns .9 Parameters estimation of generalized Pareto distribution (GPD), threshold exceedances of 5 percentage from GARCH(1,1) model 54 4.10 Parameters estimation of generalized Pareto distribution (GDP), threshold exceedances of 5 percentage from GJR - GARCH (1,1) model.11 Expected and actual number of VaR violations at threshold 5 percentage.12 Violation ratio and Kupiec’s test p - value at 5 percent signif- icance level.13 Independence test and Christo¤ersen’s test at 5 percent sig- ni…cance level.14 Expected and actual number of VaR violations at threshold 2.15 Violation ratio and Kupiec’s test p - value at 2.5 percent sig- ni…cance level.16 Independence test and Christo¤ersen’s test at 2.5 pecent sig- ni…cance level.17 Expected and actual number of VaR violations at threshold 1 percentage.18 Violation ratio and Kupiec’s test p - value at 1 percent signif- icance level.19 Independence test and Christo¤ersen’s test at 1 pecent signif- icance level.20 Best forecasting VaR model according to Christo¤ersen’s test at 5, 2.5 and 1 percentage of signi…cance level. 71 4 123doc List of Figures 4.1 Daily value of stock index .2 Daily return of stock index .3 Histograms of daily stock index returns .4 Qnorm - QQ plot of daily stock index returns .5 ACF for daily stock index returns .6 PACF for daily stock index returns .7 ACF for squared of daily stock index returns .8 PACF for squared of daily stock index returns .9 EWMA and unconditional VaR models forecasting performance for daily return of EIB at 5% signi…cance level .10 GARCH VaR model forecasting performance for daily return of ACB at 5% signi…cance level .11 GJR - GARCH VaR model forecasting performance for daily return of MBB at 5% signi…cance level .12 EVT GARCH VaR model forecasting performance for daily return of CTG at 5% signi…cance level .13 EVT GJR - GARCH VaR model forecasting performance for daily return of BVH at 5% signi…cance level.

75 5 123doc ACKNOWLEDGEMENTS I would like to send special thanks to my academic supervisor Dr. Truong Dang Thuy, for his patience guidance, enthusiasm and support during my thesis writing process. I would also like to thank Dr. Pham Khanh Nam who also gave me valuable advices for my thesis.

A special thank goes out to all lecturers, sta¤s of the Vietnam - Netherlands Program as well as my classmates for all their helps and supports. I am most grateful to my family. Thank you for always being there for me, thank you for inspiring me, supporting me and making me appreciate the value of education. Last but not least, I would like to thank my wife and my daughter.

Thank you for your patience, deep understanding and encouragement. I am grateful to you. 6 123doc Chapter 1 Introduction 1.1 Problem statements In recent years, …nancial market in the world have faced the collapse of many major institutions as well as organizations, such as the stock market crisis - Black Monday (1987), the bond market crisis in U. and the …nancial crisis in Europe (2007), bankrupt or bailed by governments of Lehman Brothers, AIG (2008) and then it led to global …nancial crisis and economy recession all over the world (2008).

These events seem to be rare but now they happen frequently and have a negative impact to …nancial market on both size and loss. Beside on objective causes, such as war, calamity, terrorism,. one of main important factors impacting to …nancial market is a weakness of risk management system. Therefore, a challenge has been raised is how to identify and measure the risk in order to minimize the loss as well as ensure the safe environment for …nancial market and economy system.

In modern risk management, it is not su¢ cient if only simply focus on quality policy. Risk is actually the expected loss of outcome in future, so it is often measured by probability distribution. One of the important stages in …nancial risk management process is build up models to measure and evaluate the risks. However, a di¢ cult process might be raised when applying them into actual condition of market because every model is associated with some de…ned assumptions, hypotheses and sometimes these assumptions are not satis…ed in particular conditions of market.

Therefore, some new approaches should be studied in these models in order to choose and apply the best one with actual conditions in various markets. Financial risk management in the world has attained some improvement process when changing the mind set from passive to active in risk manage- 7 123doc ment and applied these risk measure methods into business process evalua- tion, allocation assets, portfolios management with e¢ ciency result. Vietnam stock market born in July 2000 is an important step to indicate an improvement in the country’s economy. Vietnam stock market is rela- tive young when compared to others development stock market in the world and then it has attained new opportunities as well as faced with many new challenges.

In recent years, although Vietnam stock market has many ‡uc- tuations but it is still an attractive environment for many foreign investors as well as local ones. All investors, de…nitely, would like their investments produce a highest pro…t with lowest risk and they are also two main factors that in‡uence all their business activities. According to risk management in Vietnam, …nancial market in general and Vietnam stock market in particu- lar, it is actual limited in term of both policy and tool. Therefore, system of …nancial risk management should be studied and built up in active and e¤ective way.

One of the most known risk measurement applied in risk management is Value at Risk (VaR) and it becomes a popular risk management tool for …nancial regulations and …nancial institutions to evaluate possible losses that they can incur. The VaR estimation was required by Basel Committee on banking supervision to meet the capital required for covering potential losses and VaR …gures considered as additional information to shareholders have disclosed by many of …nancial institutions. VaR can answer well a question what is a maximum …nancial amount possible to loose with given time horizon under given con…dence level or signi…cance level. An overview of VaR is reviewed by Du¢ e and Pan (1997).

Many methodologies are using to estimate VaR only based on simple assumption that all …nancial returns follows Gaussian normal distribution. However, estimating VaR by using normal distribution for each asset has raised an inaccuracy result because non - normality of …nancial returns. Therefore, various advanced VaR measurement techniques are used to es- timate VaR of daily returns of stock index and then the performance of these models are evaluated in order to …nd out the best ones which could be used by …nancial institutions to manage market risk. To suggest suitable risk measurement VaR models for portfolio in Viet- nam stock market.

Does the forecasting VaR performance improve from unconditional to conditional volatility models? 2. Does the forecasting VaR performance unchange with respect to di¤er- ent signi…cance level? 3. Is it possible to …nd out one VaR model which has best forecasting performance for Vietnam stock market? 1.4 Subject and scope of research This thesis studies risk measurement VaR with various models as well as methodologies in advanced and applies these models into risk measure for Vietnam stock market. The purpose of this thesis is to identify a best appropriate VaR method including unconditional VaR models such as Historical simulation, normal- ity VaR, Student’s - t VaR, skewed Student’s - t VaR and conditional VaR models where volatility is forecasted by using Exponential Weighted Moving Average (EWMA), Generalized Autoregressive Conditional Heteroscedastic (GARCH) and GJR - GARCH in risk measurement through measuring po- tential losses of daily return of VNINDEX as well a group of 8 banking stock indexes with di¤erent time period for each stock index.

The longest time pe- riod is in VNINDEX which is studied from year 2002 to the end of November 2015. Stock indexes historical return data is assumed to provide su¢ cient information for model evaluation and predicting one - day return forecasts under 95%, 97.5% and 99% con…dence level.