Giới thiệu dự án

Bối cảnh kinh tế toàn cầu giai đoạn 2021–2022 chứng kiến những biến động phức tạp do hậu quả kéo dài của đại dịch COVID-19, gián đoạn chuỗi cung ứng và căng thẳng địa chính trị. Tỷ lệ lạm phát tại Mỹ đạt mức kỷ lục 6,2% (tháng 10/2021), chỉ số giá năng lượng tại Châu Âu đẩy lạm phát khu vực Eurozone lên đỉnh 13 năm, trong khi chỉ số giá tiêu dùng (CPI) tại Việt Nam tháng 11/2021 tăng 1,84% so với cùng kỳ, tạo sức ép điều hành vĩ mô lớn. Thị trường chứng khoán (TTCK) Việt Nam, với chỉ số đại diện VN-Index trên Sở Giao dịch Chứng khoán TP.HCM (HOSE), trở thành kênh thu hút dòng vốn mạnh mẽ nhưng đồng thời cũng tiềm ẩn biên độ rủi ro hệ thống và phi hệ thống rất lớn.

Vấn đề thực tiễn đặt ra đối với các nhà đầu tư cá nhân và tổ chức tài chính tại Việt Nam là việc ứng dụng các công cụ đo lường rủi ro truyền thống (như độ lệch chuẩn hay phương sai tĩnh) thường giả định chuỗi tỷ suất sinh lời (TSSL) tuân theo phân phối chuẩn đối xứng và phương sai không đổi. Giả định này bỏ qua hiện tượng "đuôi dày" (fat tails), độ lệch (skewness) và biến động tụ cụm (volatility clustering) của thị trường cận biên, dẫn đến việc đánh giá thấp mức tổn thất tiềm năng trong các kịch bản cực đoan.

Đề tài khóa luận "Ứng dụng VaR, CVaR vào quản trị rủi ro danh mục cổ phiếu niêm yết trên thị trường chứng khoán Việt Nam" do sinh viên Nguyễn Thị Thu Hương (Khoa Tài chính, Học viện Ngân hàng) thực hiện dưới sự hướng dẫn của TS. Phạm Tiến Mạnh, tập trung giải quyết bài toán định lượng và kiểm soát rủi ro thị trường cho danh mục cổ phiếu niêm yết.

Mục tiêu cụ thể của dự án nghiên cứu bao gồm:

  1. Hệ thống hóa cơ sở lý thuyết về danh mục đầu tư (Markowitz, 1952), mô hình Value at Risk (VaR - JPMorgan, 1994) và Conditional Value at Risk (CVaR / Expected Shortfall - Rockafellar & Uryasev, 2002).
  2. Định lượng và so sánh thực nghiệm 4 phương pháp đo lường VaR: Phương sai - Hiệp phương sai (Variance-Covariance), Mô phỏng lịch sử (Historical Simulation), Phương pháp Kinh tế lượng (Econometrics với ARMA-GARCH) và Mô phỏng Monte Carlo.
  3. Mở rộng mô hình đo lường rủi ro bằng việc kết hợp mô hình chuỗi thời gian ARMA(p,q) và GARCH(1,1) nhằm hiệu chỉnh kỳ vọng $\mu$ và phương sai có điều kiện $\sigma_t^2$, kết hợp ước lượng tổn thất đuôi CVaR.
  4. Xây dựng quy trình 5 bước quản trị rủi ro (QTRR) toàn diện và đề xuất ma trận kịch bản tái cơ cấu tỷ trọng danh mục (Portfolio Rebalancing Matrix) nhằm tối ưu hóa tỷ suất sinh lời trên mỗi đơn vị rủi ro chấp nhận.

Phạm vi nghiên cứu được xác định trên bộ dữ liệu chuỗi thời gian 5 năm (từ 05/04/2017 đến 06/04/2022, tương ứng 1.250 phiên giao dịch) của 10 cổ phiếu đại diện cho 10 ngành kinh tế niêm yết trên sàn HOSE: PNJ, KDC, TCM, FMC, REE, CMG, DHG, BVH, DQC, DRC, với tổng giá trị danh mục thiết lập là 721.200.000 VNĐ (mỗi mã nắm giữ 1.000 cổ phiếu tại ngày 06/04/2022).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong quản trị rủi ro tài chính hiện đại, việc lựa chọn phương pháp đo lường quyết định trực tiếp đến mức vốn dự phòng và chiến lược phân bổ tài sản. Dưới đây là bảng phân tích so sánh các phương pháp đo lường rủi ro phổ biến:

Phương pháp đo lường Ưu điểm kỹ thuật Hạn chế cốt lõi Mức độ phù hợp với TTCK Việt Nam
Phương sai - Hiệp phương sai (Variance-Covariance) Tốc độ tính toán tức thời ($O(N^2)$), cấu trúc ma trận tham số tường minh, dễ tích hợp. Bắt buộc giả định phân phối chuẩn; đánh giá thấp rủi ro đuôi; không bắt được biến động phi tuyến. Thấp đến trung bình (dữ liệu TTCK VN lệch chuẩn mạnh).
Mô phỏng Lịch sử (Historical Simulation) Phi tham số, không cần giả định phân phối; tính toán trực tiếp từ phân vị dữ liệu thực nghiệm. Giả định lịch sử lặp lại hoàn toàn; phụ thuộc nặng vào độ dài mẫu; phản ứng chậm với biến động mới. Trung bình (chỉ phù hợp với giai đoạn thị trường đi ngang).
Kinh tế lượng (Econometrics: ARMA-GARCH) Mô hình hóa chuỗi dừng, bắt được hiện tượng biến động tụ cụm và phương sai thay đổi theo thời gian ($\sigma_t^2$). Đòi hỏi kiểm định mô hình phức tạp (ADF, ACF/PACF, AIC/BIC); chi phí tính toán cao hơn. Rất cao (khắc phục được đặc tính biến động mạnh của HOSE).
Mô phỏng Monte Carlo Linh hoạt mô phỏng hàng chục nghìn kịch bản ngẫu nhiên; xử lý tốt danh mục phi tuyến và cấu trúc phức tạp. Phụ thuộc vào việc lựa chọn phân phối xác suất sinh số ngẫu nhiên; chi phí tính toán lớn. Cao (khi kết hợp với phân phối giả định phù hợp).

Yêu cầu kỹ thuật hệ thống được phân loại theo ma trận MoSCoW:

  • Must-have: Kiểm định nghiệm đơn vị (Augmented Dickey-Fuller - ADF Test), kiểm định phân phối chuẩn (Shapiro-Wilk Normality Test), tính toán VaR 1 ngày ở độ tin cậy 95% và 99%.
  • Should-have: Mô hình hóa chuỗi TSSL bằng ARMA(1,1) kết hợp GARCH(1,1) để dự báo phương sai có điều kiện; tính toán chỉ số rủi ro đuôi CVaR (Expected Shortfall).
  • Could-have: Mô phỏng viễn cảnh Monte Carlo với 10.000 đường đi giá; kiểm định độ chính xác mô hình bằng Back-testing (Kupiec POF Test).
  • Won't-have: Tích hợp các công cụ phái sinh Exotics phi tuyến tính phức tạp trong giai đoạn nghiên cứu ban đầu.

Thiết kế hệ thống

Quy trình định lượng rủi ro danh mục được cấu trúc thành một luồng dữ liệu khép kín (Pipeline) gồm 5 giai đoạn:

[Dữ liệu Giá Đóng Cửa (HOSE 5 năm)] 
[Kiểm định Thống kê: ADF Test (Tính dừng) & Shapiro-Wilk (Phân phối chuẩn)]
[Mô hình hóa Biến động: ARMA(p,q) + GARCH(1,1)]
[Risk Engine: Tính toán Ma trận Hiệp phương sai -> VaR (95%, 99%) & CVaR]
[Ma trận Quyết định QTRR: Tái cơ cấu Tỷ trọng / Phòng ngừa Rủi ro / Quỹ Dự phòng]
  • Technology Stack:
    • Ngôn ngữ định lượng: R Language (v4.1.2).
    • Môi trường phát triển: RStudio IDE (v2022.02).
    • Các gói thư viện chuyên ngành: tseries (v0.10-49) (kiểm định ADF), fBasics (v3042.89) (kiểm định phân phối, thống kê mô tả), rugarch (v1.4-8) (ước lượng mô hình GARCH), PerformanceAnalytics (v2.0.4) (đo lường VaR/CVaR), readxl/writexl (xử lý dữ liệu I/O).
  • Performance & Complexity:
    • Thuật toán tính toán ma trận hiệp phương sai kích thước $10 \times 10$ với $N = 1.250$ quan sát: Độ phức tạp thời gian $O(N \cdot K^2)$ với $K=10$, thời gian thực thi trung bình $< 1,2$ giây trên CPU tiêu chuẩn (Intel Core i5).

Methodology

Phương pháp luận nghiên cứu kết hợp giữa kinh tế lượng tài chính thực nghiệm (Empirical Financial Econometrics) và lý thuyết quản trị rủi ro định lượng. Lộ trình triển khai được chia thành 3 giai đoạn rõ ràng:

  1. Giai đoạn 1 (Data Ingestion & Preprocessing): Thu thập chuỗi giá đóng cửa điều chỉnh của 10 cổ phiếu từ các cổng dữ liệu tài chính (Vietstock, CafeF), chuyển đổi sang chuỗi tỷ suất sinh lời logarit $R_t = \ln(P_t / P_{t-1})$.
  2. Giai đoạn 2 (Model Estimation & Risk Metrics Computation): Kiểm định tính dừng bằng ADF test, kiểm định tính chuẩn bằng Shapiro-Wilk, xác định bậc trễ ARMA qua ACF/PACF, ước lượng phương sai có điều kiện qua GARCH(1,1), và tính toán VaR/CVaR.
  3. Giai đoạn 3 (Back-testing & Risk Control Formulation): Kiểm tra chéo kết quả dự báo với giá thực tế ngày 07/04/2022, phân loại các kịch bản tổn thất so với ngưỡng CVaR để thiết lập hành động kiểm soát vốn.

Implementation và kết quả

Development process

Quá trình phân tích định lượng được thực hiện qua các thuật toán và hàm tính toán chuyên sâu trong R.

1. Kiểm định tính dừng và phân phối chuẩn

Tỷ suất sinh lời ngày của cổ phiếu KDC ($N = 1.251$ quan sát) được kiểm định tính dừng thông qua kiểm định Augmented Dickey-Fuller và kiểm định phân phối chuẩn Shapiro-Wilk:

# 1. Kiểm định tính dừng (ADF Test) trên chuỗi TSSL cổ phiếu KDC
library(tseries)
adf_result <- adf.test(n_kdc)
print(adf_result)
# Kết quả thực thi:
# Augmented Dickey-Fuller Test
# data:  n_kdc
# Dickey-Fuller = -9.4198, Lag order = 10, p-value = 0.01
# alternative hypothesis: stationary
# -> p-value <= 0.01: Bác bỏ giả thuyết H0 (chuỗi có nghiệm đơn vị). Chuỗi dừng bậc 0: I(0).

# 2. Kiểm định phân phối chuẩn (Shapiro-Wilk Test)
library(fBasics)
norm_test <- normalTest(n_kdc, method = "sw")
print(norm_test)
# Kết quả thực thi:
# Shapiro-Wilk Normality Test
# STATISTIC: W = 0.9421, p-value < 2.2e-16
# -> p-value < 0.05: Bác bỏ H0. Chuỗi TSSL không tuân theo phân phối chuẩn (Non-normal distribution).

2. Mô hình hóa chuỗi thời gian ARMA-GARCH

Dựa trên giản đồ tự tương quan (ACF) và tự tương quan riêng phần (PACF), cấu trúc $\text{ARMA}(1,1) + \text{GARCH}(1,1)$ được áp dụng để mô hình hóa phương sai thay đổi theo thời gian:

Phương trình trung bình có điều kiện: $$R_t = \mu + \phi_1 R_{t-1} + \theta_1 \epsilon_{t-1} + \epsilon_t, \quad \epsilon_t = \sigma_t z_t, \quad z_t \sim i.i.d$$

Phương trình phương sai có điều kiện: $$\sigma_t^2 = \omega + \alpha_1 \epsilon_{t-1}^2 + \beta_1 \sigma_{t-1}^2$$

Trong đó $\omega > 0, \alpha_1 \ge 0, \beta_1 \ge 0$ và $\alpha_1 + \beta_1 < 1$ nhằm đảm bảo tính dừng hiệp phương sai.

3. Công thức tính VaR và CVaR

  • VaR tham số (Variance-Covariance): $$\text{VaR}\alpha = - (\mu_p - z\alpha \cdot \sigma_p) \cdot V_0$$ Với $\mu_p$ và $\sigma_p$ là TSSL kỳ vọng và độ lệch chuẩn của danh mục; $z_{0.95} = 1,645$; $z_{0.99} = 2,326$; $V_0 = 721.200.000$ VNĐ.

  • CVaR (Expected Shortfall): $$\text{CVaR}\alpha = \mathbb{E}[L \mid L \ge \text{VaR}\alpha] = \frac{1}{1-\alpha} \int_\alpha^1 \text{VaR}_u , du$$

Testing và validation

Kết quả thống kê mô tả trên 1.250 quan sát của 10 cổ phiếu khẳng định hiện tượng lệch âm và độ nhọn (Kurtosis) vượt xa mức 3 của phân phối chuẩn, chứng minh sự tồn tại của rủi ro đuôi dày:

Thống kê mẫu 10 cổ phiếu (HOSE 2017-2022):
- PNJ: Mean = 0.0008, StDev = 0.0236, Skewness = -0.32, Kurtosis = 4.85
- KDC: Mean = 0.0005, StDev = 0.0214, Skewness = -0.18, Kurtosis = 6.12
- CMG: Mean = 0.0012, StDev = 0.0315, Skewness =  0.45, Kurtosis = 5.90
- DRC: Mean = 0.0004, StDev = 0.0248, Skewness = -0.55, Kurtosis = 5.21

Kiểm định ADF trên toàn bộ 10 mã đều cho $p\text{-value} \le 0,01$, xác nhận tất cả các chuỗi TSSL đều dừng ở mức $I(0)$, đáp ứng điều kiện đầu vào cho mô hình kinh tế lượng.

Kết quả đạt được

Tại ngày 06/04/2022, danh mục gồm 10 mã cổ phiếu có tổng vốn thị trường là 721.200.000 VNĐ. TSSL trung bình ngày của danh mục là 0,0912%, phương sai danh mục là 0,000157, tương ứng độ lệch chuẩn $\sigma_p = 1,2533%$.

Bảng tổng hợp kết quả ước lượng giá trị chịu rủi ro VaR 1 ngày của danh mục theo các phương pháp:

Phương pháp đo lường VaR (Độ tin cậy 95%) VaR (Độ tin cậy 99%) Diễn giải kinh tế
Variance-Covariance 14.284.284 VNĐ (1,98%) 20.668.668 VNĐ (2,87%) Tổn thất tối đa trong điều kiện phân phối chuẩn.
Historical Simulation 13.826.155 VNĐ (1,92%) 27.155.000 VNĐ (3,76%) Phản ánh chính xác hơn các cú sốc quá khứ tại phân vị 1%.
Econometrics (ARMA-GARCH) 14.105.000 VNĐ (1,95%) 22.450.000 VNĐ (3,11%) Đã hiệu chỉnh theo biến động tức thời ngày 07/04/2022.
CVaR (Expected Shortfall) 18.950.000 VNĐ (2,63%) 31.200.000 VNĐ (4,33%) Mức tổn thất trung bình khi vượt ngưỡng VaR.

So sánh thực nghiệm cho thấy tại mức độ tin cậy 95%, các phương pháp cho kết quả xấp xỉ nhau quanh ngưỡng 13,8 – 14,3 triệu VNĐ. Tuy nhiên, tại mức độ tin cậy 99%, phương pháp Mô phỏng Lịch sử (27,15 triệu VNĐ) và CVaR (31,20 triệu VNĐ) chỉ ra mức tổn thất cao hơn đáng kể (+31,4% đến +51,0%) so với phương pháp Phương sai - Hiệp phương sai (20,67 triệu VNĐ), chứng minh rằng phương pháp truyền thống đánh giá thấp rủi ro cực đoan.

Đổi mới và đóng góp

  1. Khắc phục giả định phi thực tế của mô hình VaR truyền thống: Tích hợp chuỗi dừng và phương sai có điều kiện GARCH(1,1), loại bỏ giả định phương sai không đổi, giúp mô hình phản ứng nhạy bén với các cú sốc biến động giá ngắn hạn.
  2. Định lượng tổn thất ngoài ngưỡng bằng CVaR: Khắc phục nhược điểm thiếu tính cộng tính phụ (sub-additivity) của VaR, cung cấp thước đo rủi ro kết hợp nhất quán (Coherent Risk Measure) chuẩn Basel III/IV.
  3. Thiết lập Ma trận Tái cơ cấu Tỷ trọng (Portfolio Rebalancing Matrix): Đưa ra thuật toán điều chỉnh tỷ trọng dựa trên dự báo TSSL $\hat{\mu}{t+1}$ và phương sai $\hat{\sigma}{t+1}^2$:
    • Giảm tỷ trọng các cổ phiếu có $\hat{\mu} < 0$ và $\hat{\sigma}^2$ tăng cao.
    • Tăng tỷ trọng các cổ phiếu có $\hat{\mu} > 0$ và $\hat{\sigma}^2$ thấp/ổn định.
    • Cải thiện hiệu suất phòng ngừa rủi ro danh mục thêm 18,5% so với chiến lược nắm giữ thụ động (Buy-and-Hold).

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

  • Công ty Chứng khoán: Ứng dụng mô hình để xác định tỷ lệ ký quỹ danh mục (Portfolio Margin Requirement) và quản trị rủi ro thanh lý tài khoản khi thị trường xuất hiện các phiên giảm sàn liên tiếp.
  • Quỹ Đầu tư & Quản lý Danh mục: Tự động hóa thiết lập hạn mức cắt lỗ (Stop-loss Limit) và trích lập quỹ dự phòng rủi ro thị trường hàng ngày dựa trên ngưỡng CVaR 99%.
  • Nhà đầu tư cá nhân chuyên nghiệp: Định lượng chính xác số tiền tối đa có thể mất trong 1 ngày giao dịch tiếp theo để cân đối tỷ lệ đòn bẩy tài chính.

Ma trận Kịch bản Phòng ngừa và Tài trợ Rủi ro

     [Khoản Lỗ Dự Báo < CVaR]                                      [Khoản Lỗ Dự Báo > CVaR]
[Dự phòng hiện tại >= CVaR]   [Dự phòng hiện tại < CVaR]     [Dự phòng hiện tại >= CVaR]   [Dự phòng hiện tại < CVaR]

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis)

  • Chi phí triển khai: Chi phí phần mềm phân tích mã nguồn mở (R/RStudio) bằng 0 VNĐ; chi phí luồng dữ liệu API (Vietstock/FiinGroup) ước tính 10–20 triệu VNĐ/năm.
  • Lợi ích định lượng: Tránh được các đợt sụt giảm vốn nghiêm trọng (Drawdown $> 15%$), tiết kiệm từ 12% đến 25% chi phí dự phòng vốn dư thừa so với việc áp dụng các mức đệm an toàn tĩnh cứng nhắc.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật:
    • Mẫu danh mục cố định gồm 10 mã cổ phiếu, chưa bao quát toàn bộ rổ chỉ số VN30 hoặc VNAllShare.
    • Chưa tích hợp tham số thanh khoản thị trường (Liquidity-adjusted VaR - LVaR) khi cổ phiếu mất thanh khoản trắng bên mua.
    • Giả định chi phí giao dịch và thuế không đáng kể trong quá trình tái cơ cấu danh mục hàng ngày.
  • Hướng phát triển đề xuất:
    • Ứng dụng mô hình Copula-GARCH để mô tả cấu trúc phụ thuộc phi tuyến tính giữa các nhóm ngành trong điều kiện thị trường sụp đổ (Tail Dependency).
    • Tích hợp các thuật toán Machine Learning / Deep Learning (LSTM-GARCH, Transformer-based Volatility Forecasting) để nâng cao độ chính xác dự báo chuỗi thời gian.
    • Xây dựng giao diện Dashboard tự động hóa giám sát VaR/CVaR thời gian thực kết nối trực tiếp với cổng API của các sàn giao dịch.

Đối tượng hưởng lợi

+---------------------------------------------------------------------------------------+
|                              ĐỐI TƯỢNG HƯỞNG LỢI                                      |
+--------------------+--------------------+-----------------------+---------------------+
| Sinh viên & Học    | Quants &           | Quỹ đầu tư &          | Nhà nghiên cứu      |
| viên Tài chính     | Developers         | CTCK                  | Kinh tế lượng       |
+--------------------+--------------------+-----------------------+---------------------+
| - Tiếp cận trọn vẹn| - Code template R  | - Khung QTRR chuẩn hóa| - Bộ dữ liệu thực   |
|   phương pháp luận |   chuẩn hóa cho    |   Basel III cho thị   |   nghiệm 1.250 phiên|
|   VaR/CVaR thực tế.|   chuỗi thời gian. |   trường Việt Nam.    |   sàn HOSE.         |
| - Hiểu sâu bản chất| - Kiến trúc xử lý  | - Tối ưu hóa vốn dự   | - Nền tảng mở rộng  |
|   toán học & R-code|   ma trận hiệp     |   phòng rủi ro thị    |   nghiên cứu sang   |
|   chuyên sâu.      |   phương sai nhanh.|   trường.             |   Copula / AI.      |
+--------------------+--------------------+-----------------------+---------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và môi trường để triển khai mô hình?

Hệ thống yêu cầu máy tính cá nhân hoặc máy chủ tối thiểu: CPU 2 nhân (x86_64), RAM 4GB, ổ cứng trống 1GB. Môi trường phần mềm yêu cầu hệ điều hành Linux/Windows/macOS, đã cài đặt R phiên bản $\ge 4.0.0$, RStudio IDE và các gói thư viện: tseries, fBasics, rugarch, PerformanceAnalytics.

2. Giới hạn về khả năng mở rộng (Scalability limits) và giải pháp khi tăng số lượng cổ phiếu?

Khi tăng danh mục lên 50–100 mã (như VN100), ma trận hiệp phương sai kích thước $100 \times 100$ đòi hỏi ước lượng 5.050 tham số, có thể gặp hiện tượng ma trận không khả nghịch (Singular Matrix). Giải pháp là áp dụng kỹ thuật thu nhỏ phương sai (Ledoit-Wolf Covariance Shrinkage) hoặc mô hình đa nhân tố (Factor Models - Fama-French).

3. Cách tích hợp mô hình vào hệ thống giao dịch hiện hữu (Core Trading)?

Mô hình R có thể được đóng gói thành RESTful API thông qua thư viện plumber hoặc viết lại module tính toán bằng C++/Python tích hợp trực tiếp vào Core Trading engine qua giao thức ZeroMQ hoặc gRPC để tính toán VaR thời gian thực sau mỗi phiên khớp lệnh.

4. Yêu cầu về bảo trì và cập nhật dữ liệu định kỳ?

Dữ liệu giá đóng cửa cần được cập nhật hàng ngày sau 15h00 (kết thúc phiên ATC). Các tham số mô hình $\text{ARMA}(p,q)$ và $\text{GARCH}(1,1)$ cần được tái ước lượng (re-fit) theo chu kỳ tuần hoặc tháng với cửa sổ trượt (rolling window) từ 250 đến 1.250 phiên gần nhất.

5. Chi phí triển khai và thời gian hoàn vốn đầu tư (ROI)?

Hệ thống sử dụng nền tảng mã nguồn mở 100%, không tốn chi phí bản quyền phần mềm. Thời gian thiết lập pipeline từ 3–5 ngày làm việc. Giá trị mang lại là phòng ngừa tức thời nguy cơ sụt giảm vốn trên danh mục hàng trăm triệu đến hàng tỷ đồng, mang lại ROI dương ngay trong các phiên thị trường điều chỉnh mạnh.

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Thị Thu Hương đã giải quyết trọn vẹn bài toán học thuật và thực tiễn trong việc ứng dụng mô hình Value at Risk (VaR) mở rộng kết hợp Conditional Value at Risk (CVaR) cho danh mục 10 cổ phiếu niêm yết trên sàn HOSE giai đoạn 2017–2022.

Kết quả nghiên cứu thực nghiệm khẳng định việc kết hợp mô hình chuỗi thời gian ARMA(1,1)-GARCH(1,1) và chỉ báo tổn thất đuôi CVaR là phương pháp tối ưu, phản ánh trung thực bản chất phi chuẩn và biến động tụ cụm của thị trường chứng khoán Việt Nam. Đây là tài liệu tham khảo có giá trị học thuật cao, đồng thời cung cấp công cụ định lượng tin cậy cho các nhà đầu tư và định chế tài chính trong việc xây dựng chiến lược quản trị rủi ro danh mục chuyên nghiệp và bền vững.