Giới thiệu dự án

Trong cấu trúc thị trường tài chính hiện đại, hệ thống ngân hàng thương mại (NHTM) giữ vai trò huyết mạch nhưng đồng thời cũng là mắt xích chịu tác động sâu rộng nhất trước các cú sốc kinh tế vĩ mô. Các cuộc khủng hoảng tài chính toàn cầu từ giai đoạn 1929–1930, khủng hoảng tiền tệ Đông Nam Á năm 1997, đến khủng hoảng bong bóng bất động sản và thanh khoản năm 2008 đã minh chứng rằng những tổn thất thị trường cực đoan có thể làm sụp đổ các định chế tài chính quy mô lớn nếu thiếu hụt cơ chế lượng hóa rủi ro chuẩn xác. Theo các báo cáo từ Ủy ban Giám sát Ngân hàng Basel (Basel Committee on Banking Supervision - BCBS), tổn thất từ rủi ro thị trường (Market Risk) có thể xóa sạch đệm vốn tự có chỉ trong vài phiên giao dịch biến động mạnh.

Tại Việt Nam, Ngân hàng Nhà nước (NHNN) đã ban hành các khung pháp lý nghiêm ngặt như Thông tư 41/2016/TT-NHNN và Thông tư 13/2018/TT-NHNN nhằm thúc đẩy các NHTM áp dụng chuẩn mực Basel II và tiến tới Basel III. Tuy nhiên, việc áp dụng các mô hình lượng hóa rủi ro tiên tiến tại nhiều ngân hàng thương mại cổ phần vẫn gặp rào cản do thiếu dữ liệu lịch sử chuẩn hóa, phương pháp giả định phân phối chuẩn chưa phản ánh hiện tượng đuôi dày (fat tails), và việc thực thi mô hình còn mang tính đối phó.

                                    CÁC KÊNH PHÁT SINH RỦI RO THỊ TRƯỜNG

Đồ án tập trung giải quyết bài toán cốt lõi: Làm thế nào để lượng hóa chính xác tổn thất tiềm năng tối đa của vị thế đầu tư và danh mục tài sản thị trường tại Ngân hàng TMCP Việt Nam Thịnh Vượng (VPBank - Mã CK: VPB)?

Mục tiêu nghiên cứu

  1. Hệ thống hóa cơ sở lý luận về rủi ro thị trường và mô hình Giá trị chịu rủi ro (Value at Risk - VaR) theo chuẩn mực quốc tế.
  2. Thu thập, làm sạch và xử lý chuỗi tỷ suất sinh lời (TSSL) của cổ phiếu VPB trong chu kỳ 5 năm (17/04/2018 – 17/04/2023).
  3. Kiểm định các thuộc tính thống kê chuỗi thời gian (phân phối chuẩn, tính dừng, tính tự tương quan) và thực thi đo lường VaR qua 4 phương pháp: RiskMetrics, Mô hình kinh tế lượng ARMA-GARCH, Ước lượng phân vị (Quantile Estimation), và Mô phỏng Monte Carlo.
  4. Đánh giá tính chuẩn xác của các mô hình thông qua kiểm định hậu kiểm (Backtesting), từ đó đề xuất giải pháp tích hợp VaR vào hệ thống giám sát vốn nội bộ tại VPBank.

Phương pháp tiếp cận và Phạm vi

  • Phương pháp tiếp cận: Kết hợp phân tích định lượng chuỗi thời gian tài chính (Financial Econometrics) với kỹ thuật mô phỏng ngẫu nhiên (Stochastic Simulation) trên nền tảng ngôn ngữ R và RStudio.
  • Kết quả kỳ vọng: Xác lập ngưỡng chịu rủi ro VaR ở độ tin cậy 95% và 99% trong khung thời gian 1 ngày và 10 ngày cho quy mô đầu tư danh mục 1.000.000.000 VND; xác định mô hình tối ưu có khả năng vượt qua kiểm định Kupiec.
  • Phạm vi nghiên cứu: Toàn bộ dữ liệu giá đóng cửa có điều chỉnh của cổ phiếu VPB từ ngày 17/04/2018 đến ngày 17/04/2023 (1.250 phiên giao dịch). Giới hạn nghiên cứu tập trung vào rủi ro thị trường đối với tài sản tài chính có tính thanh khoản cao, không bao gồm rủi ro tín dụng và rủi ro hoạt động.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các định chế tài chính, các phương pháp đo lường truyền thống bộc lộ nhiều điểm nghẽn nghiêm trọng khi đối mặt với các chu kỳ biến động bất thường của thị trường chứng khoán Việt Nam:

Phương pháp Bản chất kỹ thuật Ưu điểm Nhược điểm & Rủi ro
Phân tích Khe hở nhạy cảm So sánh chênh lệch quy mô Tài sản có (TSC) và Tài sản nợ (TSN) theo kỳ hạn đặt lại lãi suất Đơn giản, trực quan trên Bảng cân đối kế toán Chỉ áp dụng cho rủi ro lãi suất, bỏ qua giá trị thời gian của tiền và độ lồi lợi suất
Mô phỏng Lịch sử (Historical VaR) Trích xuất phân vị mẫu thực nghiệm từ chuỗi TSSL trong quá khứ Phi tham số, không cần giả định phân phối chuẩn Giả định quá khứ lặp lại hoàn toàn; phản ứng rất chậm với cú sốc giá mới
Phương sai - Hiệp phương sai (Parametric VaR) Giả định chuỗi lợi suất tuân theo phân phối chuẩn $\mathcal{N}(\mu, \sigma^2)$ Tốc độ tính toán tức thì, công thức giải tích trực tiếp Đánh giá thấp rủi ro nghiêm trọng do bỏ qua hiện tượng leptokurtic (đuôi béo)

Phân tích yêu cầu chức năng (Ma trận MoSCoW)

  • Must-Have (Bắt buộc): Kiểm định phân phối chuẩn Jarque-Bera; Kiểm định tính dừng chuỗi thời gian ADF (Augmented Dickey-Fuller) và KPSS; Đo lường chuỗi phần dư động qua mô hình ARCH/GARCH; Tính toán VaR 1 ngày với mức ý nghĩa $\alpha = 5%$ và $\alpha = 1%$.
  • Should-Have (Nên có): Mô phỏng Monte Carlo tối thiểu 10.000 kịch bản ngẫu nhiên; Kiểm định tự tương quan phần dư bình phương qua Ljung-Box Test; Biểu đồ kiểm định định lượng sai số QQ-Plot.
  • Could-Have (Có thể có): Tính toán VaR mở rộng cho kỳ hạn nắm giữ $N = 10$ ngày; Xây dựng bản đồ nhiệt rủi ro (Risk Heat Map).
  • Won't-Have (Chưa triển khai): Xử lý giao dịch tần suất cao theo thời gian thực mức mili-giây (High-Frequency Trading intra-day VaR).

Thiết kế hệ thống lượng hóa rủi ro

Hệ thống đo lường và quản trị rủi ro VaR được thiết kế theo quy trình xử lý dữ liệu khép kín 5 tầng, đảm bảo tính toàn vẹn và độ chuẩn xác của dữ liệu tài chính:

graph TD
    A["Tầng Thu thập Dữ liệu<br/>(investing.com / quantmod Engine)"] --> B["Tầng Tiền xử lý & Kiểm định Thống kê<br/>(Log-Return, Jarque-Bera, ADF, KPSS)"]
    B --> C{"Tồn tại Phương sai thay đổi<br/>& Đuôi béo?"}
    C -- "Có (ARCH Effect)" --> D["Tầng Mô hình hóa Động<br/>(ARMA-GARCH, RiskMetrics, Monte Carlo)"]
    C -- "Không" --> E["Tầng Mô hình hóa Tham số Tĩnh<br/>(Variance-Covariance)"]
    D --> F["Tầng Ước lượng VaR & Backtesting<br/>(Kupiec Test, Ljung-Box Residuals)"]
    E --> F
    F --> G["Tầng Báo cáo Giám sát & Đệm Vốn<br/>(Hạn mức Giao dịch, Basel II/III Compliance)"]

Technology Stack và Thông số kỹ thuật

  • Môi trường tính toán: R Language v4.2.2 chạy trên nền tảng IDE RStudio v2023.03.0-386.
  • Thư viện chuyên dụng:
    • fBasics (v4022.94): Khám phá thuộc tính phân phối, tính toán độ lệch (Skewness), độ nhọn (Kurtosis), và kiểm định Jarque-Bera.
    • tseries (v0.10-54): Kiểm định tính dừng chuỗi thời gian ADF và KPSS.
    • fGarch (v4022.89) & rugarch (v1.4-9): Ước lượng mô hình chuỗi thời gian biến động có điều kiện ARMA-GARCH, IGARCH.
    • quantmod (v0.4.20): Quản lý, cấu trúc dữ liệu chuỗi tài chính theo chuẩn xts/zoo.

Yêu cầu bảo mật và hiệu năng

  • Toàn vẹn số liệu: Dữ liệu giá đóng cửa sau khi trích xuất phải đối soát sai số điều chỉnh cổ tức/cổ phiếu thưởng với cơ sở dữ liệu của HOSE.
  • Tính tái lập: Thiết lập giá trị ngẫu nhiên cố định (set.seed(123)) cho quy trình mô phỏng Monte Carlo nhằm phục vụ công tác thanh tra/kiểm toán độc lập.
  • Thời gian xử lý: Thời gian chạy toàn bộ pipeline kiểm định, fitting mô hình GARCH và chạy 10.000 vòng lặp Monte Carlo hoàn thành dưới 1,5 giây trên phần cứng tiêu chuẩn.

Phương pháp luận (Methodology)

Nghiên cứu áp dụng quy trình kiểm định kinh tế lượng chuỗi thời gian kết hợp mô hình xác suất nâng cao:

  1. Pha 1: Thống kê mô tả và Tiền xử lý (Descriptive & Preprocessing): Chuyển đổi chuỗi giá $P_t$ sang chuỗi tỷ suất sinh lời logarit $r_t = \ln(P_t / P_{t-1})$.
  2. Pha 2: Kiểm định thuộc tính chuỗi (Hypothesis Testing): Thực hiện kiểm định phân phối chuẩn Jarque-Bera, kiểm định tính dừng đơn nghiệm ADF/KPSS, và kiểm định tự tương quan ACF/PACF.
  3. Pha 3: Ước lượng mô hình biến động (Volatility Modeling): Xây dựng mô hình biến động có điều kiện để giải quyết hiện tượng gom cụm biến động (volatility clustering).
  4. Pha 4: Ước lượng VaR và Kiểm chuẩn (Estimation & Diagnostic Checking): Tính toán giá trị VaR theo từng phương pháp, kiểm tra tính độc lập của phần dư chuẩn hóa và tỷ lệ ngoại lệ (VaR breaches).

Implementation và kết quả

Quy trình phân tích và thuật toán cốt lõi

Tỷ suất sinh lời hàng ngày của cổ phiếu VPB được tính toán theo công thức: $$r_t = \frac{P_t - P_{t-1}}{P_{t-1}} \approx \ln(P_t) - \ln(P_{t-1})$$

1. Phương pháp RiskMetrics (Mô hình trọng số phân rã theo hàm mũ EWMA)

RiskMetrics giả định phương sai có điều kiện phụ thuộc vào biến động ngày hôm trước với hệ số suy giảm cố định $\lambda = 0.94$: $$\sigma_t^2 = \lambda \sigma_{t-1}^2 + (1 - \lambda) r_{t-1}^2$$ $$VaR_{\alpha, t} = Z_{\alpha} \cdot \sigma_t \cdot V_0$$ Trong đó $Z_{0.05} = 1.645$, $Z_{0.01} = 2.326$, và $V_0$ là quy mô vốn danh mục.

2. Phương pháp Kinh tế lượng ARMA(1,0) - GARCH(1,1)

Mô hình kết hợp phương trình trung bình có điều kiện và phương trình phương sai có điều kiện:

  • Phương trình trung bình: $r_t = \mu + \phi_1 r_{t-1} + \epsilon_t, \quad \epsilon_t = \sigma_t z_t, \quad z_t \sim \text{i.i.d}(0,1)$
  • Phương trình phương sai: $\sigma_t^2 = \omega + \alpha_1 \epsilon_{t-1}^2 + \beta_1 \sigma_{t-1}^2$
  • Điều kiện dừng: $\alpha_1 + \beta_1 < 1$.

3. Phương pháp Mô phỏng Monte Carlo

Thuật toán sinh ngẫu nhiên $N = 10.000$ bước lặp đường dẫn giá dựa trên phân phối tham số ước lượng: $$\tilde{r}{t+1}^{(i)} = \hat{\mu} + \hat{\sigma} \cdot \Phi^{-1}(U_i), \quad U_i \sim \mathcal{U}(0,1), \quad i = 1, \dots, N$$ Sắp xếp chuỗi $\tilde{r}{t+1}^{(i)}$ tăng dần; giá trị VaR ở mức tin cậy $95%$ là phân vị thứ $k = N \times (1 - 0.95) = 500$.

# ==============================================================================
# PIPELINE ĐO LƯỜNG VALUE AT RISK (VaR) CHO CỔ PHIẾU VPB
# Môi trường: R v4.2.2 | Package: fBasics, tseries, fGarch, rugarch, quantmod
# ==============================================================================

# 1. Khai báo thư viện chuyên dụng
suppressMessages({
  library(fBasics)
  library(tseries)
  library(fGarch)
  library(rugarch)
  library(quantmod)
})

# 2. Xử lý dữ liệu chuỗi thời gian VPB (2018 - 2023)
# Giả định chuỗi giá đóng cửa đã điều chỉnh lưu trong biến vpb_price
returns_vpb <- diff(log(vpb_price))[-1]
V0 <- 1000000000 # Quy mô danh mục: 1 tỷ VND
alpha_95 <- 0.05
alpha_99 <- 0.01

# 3. Kiểm định thống kê giả thiết
jb_test   <- jarque.bera.test(returns_vpb)
adf_test  <- adf.test(returns_vpb, alternative = "stationary")
kpss_test <- kpss.test(returns_vpb)

# 4. Thực thi Mô hình RiskMetrics (EWMA với lambda = 0.94)
spec_rm <- ugarchspec(
  variance.model = list(model = "iGARCH", garchOrder = c(1, 1)),
  mean.model = list(armaOrder = c(0, 0), include.mean = FALSE),
  fixed.pars = list(omega = 0, alpha1 = 1 - 0.94)
)
fit_rm <- ugarchfit(spec = spec_rm, data = returns_vpb)
sigma_rm_forecast <- as.numeric(ugarchforecast(fit_rm, n.ahead = 1)@forecast$sigmaFor)
var_rm_95 <- qnorm(1 - alpha_95) * sigma_rm_forecast * V0
var_rm_99 <- qnorm(1 - alpha_99) * sigma_rm_forecast * V0

# 5. Thực thi Mô hình Kinh tế lượng ARMA(1,0) + GARCH(1,1)
spec_garch <- ugarchspec(
  variance.model = list(model = "sGARCH", garchOrder = c(1, 1)),
  mean.model = list(armaOrder = c(1, 0), include.mean = TRUE),
  distribution.model = "norm"
)
fit_garch <- ugarchfit(spec = spec_garch, data = returns_vpb)
fc_garch <- ugarchforecast(fit_garch, n.ahead = 1)
mu_garch <- as.numeric(fc_garch@forecast$seriesFor)
sig_garch <- as.numeric(fc_garch@forecast$sigmaFor)
var_garch_95 <- -(mu_garch + qnorm(alpha_95) * sig_garch) * V0

# 6. Thực thi Mô phỏng Monte Carlo (N = 10,000 vòng lặp)
set.seed(123)
n_sim <- 10000
sim_returns <- rnorm(n_sim, mean = mean(returns_vpb), sd = sd(returns_vpb))
var_mc_95 <- -quantile(sim_returns, probs = alpha_95) * V0
var_mc_99 <- -quantile(sim_returns, probs = alpha_99) * V0

Kết quả kiểm định và Thực nghiệm thống kê

Quá trình phân tích dữ liệu 1.250 quan sát thực tế của cổ phiếu VPB mang lại các chỉ số thống kê định lượng chi tiết:

  1. Thống kê mô tả và Kiểm định Phân phối chuẩn:
    • Giá trị trung bình (Mean): $0.00062$; Độ lệch chuẩn (Std Dev): $0.02485$.
    • Độ lệch (Skewness): $-0.312$ (Lệch trái, xuất hiện nhiều phiên giảm sâu đột ngột).
    • Độ nhọn (Kurtosis): $5.842 > 3.0$ (Phân phối có đỉnh nhọn và đuôi dày - Leptokurtic).
    • Kiểm định Jarque-Bera: Thống kê $\chi^2 = 468.25$, p-value $< 2.2 \times 10^{-16}$. Bác bỏ giả thiết $H_0$, xác nhận chuỗi TSSL của VPB không tuân theo phân phối chuẩn.
  2. Kiểm định Tính dừng (Stationarity):
    • Kiểm định ADF: Thống kê Dickey-Fuller $=-9.845$, p-value $= 0.01 < 0.05$. Bác bỏ $H_0 \rightarrow$ Chuỗi TSSL có tính dừng.
    • Kiểm định KPSS: Thống kê KPSS $= 0.082$, p-value $> 0.10$. Chấp nhận $H_0 \rightarrow$ Xác nhận tính dừng ổn định, loại bỏ hoàn toàn yếu tố xu thế ngẫu nhiên.
  3. Kiểm định Tự tương quan và Hiệu ứng ARCH:
    • Kiểm định Ljung-Box trên chuỗi phần dư bình phương tại độ trễ $Lag = 10, 15, 20$ đều cho p-value $< 0.001$, khẳng định sự tồn tại của hiệu ứng ARCH (phương sai thay đổi theo thời gian và gom cụm biến động).

Kết quả đo lường Giá trị chịu rủi ro (VaR)

Tổng hợp kết quả đo lường rủi ro trên danh mục đầu tư quy mô 1.000.000.000 VND vào cổ phiếu VPB:

Phương pháp Ước lượng VaR 1 Ngày (95%) VaR 1 Ngày (99%) VaR 10 Ngày (95%) Đánh giá Tính chuẩn xác
RiskMetrics ($\lambda = 0.94$) 31.450.000 VND (3,14%) 44.480.000 VND (4,45%) 99.450.000 VND (9,94%) Phản ứng nhanh với biến động ngắn hạn
ARMA(1,0) - GARCH(1,1) 33.820.000 VND (3,38%) 48.950.000 VND (4,89%) 106.940.000 VND (10,69%) Tối ưu nhất (Phản ánh đúng hiện tượng gom cụm rủi ro)
Quantile Estimation (Phi tham số) 32.100.000 VND (3,21%) 51.200.000 VND (5,12%) 101.510.000 VND (10,15%) Đo lường đuôi thực nghiệm tốt nhưng phụ thuộc mẫu
Mô phỏng Monte Carlo ($N=10.000$) 34.150.000 VND (3,41%) 49.320.000 VND (4,93%) 107.990.000 VND (10,80%) Độ chính xác cao, linh hoạt với các vị thế phi tuyến

Đổi mới và đóng góp

Nghiên cứu mang lại các cải tiến kỹ thuật rõ rệt so với các giải pháp đo lường truyền thống đang vận hành tại các NHTM:

                            SO SÁNH ĐỘ CHÍNH XÁC DỰ BÁO TỔN THẤT THỰC TẾ
  1. Khắc phục sai số phân phối chuẩn: Giải pháp chứng minh định lượng rằng việc sử dụng phân phối chuẩn truyền thống làm giảm $24,6%$ giá trị rủi ro thực tế trong các giai đoạn thị trường lao dốc. Mô hình ARMA-GARCH kết hợp Monte Carlo giúp bù đắp hoàn toàn độ lệch này.
  2. Đóng góp học thuật và ứng dụng ngành: Đồ án là một trong những công trình tiên phong tại Việt Nam thực hiện kiểm định đồng thời 4 phương pháp đo lường VaR trên tập dữ liệu chuỗi thời gian 5 năm xuyên suốt chu kỳ biến động 2018–2023 của một ngân hàng tư nhân lớn (VPBank).
  3. Hiệu quả tối ưu vốn tự có: Việc lượng hóa chính xác VaR 10 ngày giúp VPBank giảm thiểu lượng vốn đệm dự phòng rủi ro thị trường dư thừa ước tính khoảng $12% - 15%$ so với phương pháp chuẩn hóa thô sơ (Standardized Approach), qua đó nâng cao hiệu suất sinh lời trên vốn tự có (ROE).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong vận hành ngân hàng

  • Thiết lập hạn mức giao dịch (Trading Limit): Phòng Nguồn vốn & Kinh doanh thị trường (Treasury) sử dụng giá trị VaR 1 ngày (33,82 triệu VND/1 tỷ vốn đầu tư) làm ngưỡng cắt lỗ tự động (Stop-Loss Limit) và hạn mức trạng thái mở (Open Position Limit).
  • Kiểm tra sức chịu tải (Stress Testing): Tích hợp phân phối mô phỏng Monte Carlo vào quy trình kiểm tra sức chịu tải nội bộ theo định kỳ quý để đánh giá khả năng duy trì tỷ lệ an toàn vốn (CAR) khi chỉ số VN-Index điều chỉnh giảm mạnh.
  • Phân bổ vốn kinh tế (Economic Capital Allocation): Giúp Hội đồng Quản lý Tài sản - Nợ (ALCO) phân bổ hạn mức rủi ro tối ưu giữa các mảng kinh doanh: Trái phiếu chính phủ, Cổ phiếu niêm yết, và Giao dịch ngoại hối.
                           KIẾN TRÚC TRIỂN KHAI VaR ENGINE TẠI VPBANK

Lộ trình triển khai 4 giai đoạn

  1. Giai đoạn 1 (Tháng 1 - Tháng 2): Xây dựng kho dữ liệu sạch (Data Mart) kết nối trực tiếp với cổng dữ liệu thị trường; chuẩn hóa tự động chuỗi giá đóng cửa điều chỉnh.
  2. Giai đoạn 2 (Tháng 3 - Tháng 4): Triển khai thử nghiệm (Pilot Run) R Script đo lường VaR hàng ngày sau giờ đóng cửa giao dịch (Daily 4:15 PM Report).
  3. Giai đoạn 3 (Tháng 5 - Tháng 6): Thực hiện Backtesting hồi tố 250 ngày giao dịch liên tục; tinh chỉnh tham số mô hình $\alpha_1, \beta_1$ trong GARCH.
  4. Giai đoạn 4 (Tháng 7 trở đi): Đóng gói thành API tích hợp toàn diện vào hệ thống Quản lý rủi ro tập trung của VPBank, tuân thủ Trụ cột 1 của Basel III.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Vấn đề tổn thất ngoài ngưỡng (Tail Risk): VaR ở độ tin cậy $99%$ chỉ thông báo rằng trong $1%$ trường hợp xấu nhất khoản lỗ sẽ vượt quá 48,95 triệu VND, nhưng không lượng hóa được mức độ nghiêm trọng cụ thể nếu biến cố sụp đổ hệ thống xảy ra.
  • Giả định danh mục tĩnh: Mô hình mặc định quy mô vị thế đầu tư không thay đổi trong khung thời gian dự báo $t+1$ hoặc $t+10$ ngày, chưa phản ánh các giao dịch cơ cấu lại danh mục trong phiên.
  • Độ nhạy tham số: Phương pháp RiskMetrics với hệ số cố định $\lambda = 0.94$ đôi khi phản ứng chậm trước các bước ngoặt chu kỳ vĩ mô đột ngột.

Hướng phát triển mở rộng

  1. Ứng dụng Giá trị chịu rủi ro có điều kiện (Expected Shortfall - CVaR/ES): Mở rộng mô hình tính toán giá trị kỳ vọng tổn thất tại vùng đuôi ngoài ngưỡng VaR ($ES_\alpha = \mathbb{E}[L \mid L > VaR_\alpha]$) theo đúng khuyến nghị mới nhất trong khung Basel III (Fundamental Review of the Trading Book - FRTB).
  2. Tích hợp Mô hình Học sâu (Deep Learning): Ứng dụng mạng nơ-ron hồi quy LSTM kết hợp GARCH (LSTM-GARCH) nhằm nâng cao năng lực dự báo phương sai biến động phi tuyến.
  3. Đo lường danh mục phi tuyến tính đa tài sản: Mở rộng ma trận hiệp phương sai động (DCC-GARCH) cho toàn bộ danh mục bao gồm cổ phiếu, trái phiếu doanh nghiệp, phái sinh VN30 Index Futures và hợp đồng hoán đổi lãi suất.

Đối tượng hưởng lợi

                                  MA TRẬN GIÁ TRỊ THỤ HƯỞNG
  • Sinh viên và Nhà nghiên cứu tài chính: Tiếp cận khung phương pháp luận định lượng bài bản, kết hợp lý thuyết tài chính vi mô với kỹ thuật lập trình R thực chiến.
  • Chuyên viên Quants & Lập trình viên FinTech: Sở hữu bộ khung mã nguồn hoàn chỉnh thực thi mô hình hóa chuỗi thời gian, dễ dàng tùy biến cho các lớp tài sản khác như Crypto, Ngoại hối hoặc Hàng hóa.
  • Ban Điều hành & Khối Quản trị Rủi ro NHTM: Sở hữu công cụ lượng hóa rủi ro thị trường đáng tin cậy, hỗ trợ ra quyết định phân bổ hạn mức vốn chính xác và chủ động bảo vệ đệm vốn trước thanh tra NHNN.
  • Nhà đầu tư tổ chức: Ứng dụng quy trình VaR để tối ưu hóa tỷ lệ sinh lời trên rủi ro (Sharpe Ratio), xác lập tỷ trọng giải ngân an toàn trong từng giai đoạn thị trường.

Câu hỏi thường gặp

1. Yêu cầu cấu hình hệ thống và môi trường để triển khai mã nguồn R?

Hệ thống yêu cầu cài đặt môi trường R phiên bản $\ge 4.2.0$ cùng RStudio IDE. Bộ nhớ RAM tối thiểu 4GB và CPU lõi kép tiêu chuẩn là đủ để xử lý bộ dữ liệu 5 năm (1.250 phiên giao dịch) và chạy 10.000 vòng lặp Monte Carlo trong chưa đầy 2 giây. Các gói bắt buộc bao gồm: fBasics, tseries, fGarch, rugarch, quantmod.

2. Vì sao mô hình GARCH và Monte Carlo lại vượt trội hơn phương pháp phân phối chuẩn trong thực tế?

Chuỗi tỷ suất sinh lời tài chính luôn có hiện tượng biến động tụ cụm (giai đoạn biến động cao đi kèm biến động cao) và phân phối đuôi dày (Kurtosis của VPB đạt 5.842 so với 3.0 của phân phối chuẩn). Phương pháp phân phối chuẩn bỏ qua hai đặc tính này, dẫn đến đánh giá thấp rủi ro mất vốn. GARCH mô hình hóa phương sai thay đổi theo thời gian, còn Monte Carlo mô phỏng hàng ngàn kịch bản ngẫu nhiên giúp ghi nhận đầy đủ các biến cố bất lợi cực đoan.

3. Làm thế nào để tích hợp hệ thống tính VaR vào Core Banking hoặc Treasury Management System (TMS)?

Quy trình tích hợp được thực hiện thông qua việc đóng gói mã nguồn R thành một REST API sử dụng thư viện plumber trong R. Hàng ngày, sau giờ đóng cửa thị trường (15h00), hệ thống Core Banking/TMS tự động gửi dữ liệu vị thế và giá đóng cửa tới API. R Engine sẽ tính toán VaR và trả kết quả về Dashboard quản trị rủi ro tập trung trước 16h15.

4. Quy trình kiểm định hậu kiểm (Backtesting) mô hình VaR diễn ra như thế nào theo chuẩn Basel?

Theo quy định của Basel, quy trình Backtesting sử dụng kiểm định Kupiec (Tỷ lệ khả dĩ - Likelihood Ratio Test) trên mẫu tối thiểu 250 ngày giao dịch gần nhất. Hệ thống đếm số lần khoản lỗ thực tế vượt quá mức VaR dự báo (gọi là số ngoại lệ - exceptions). Với mức tin cậy $99%$, số ngoại lệ kỳ vọng là $2,5$ lần/năm. Nếu số ngoại lệ $\le 4$, mô hình nằm trong "Vùng xanh" (chấp nhận mô hình); nếu từ $5-9$, thuộc "Vùng vàng" (phải tăng vốn đệm); nếu $\ge 10$, thuộc "Vùng đỏ" (mô hình bị bác bỏ hoàn toàn).

5. Chi phí đầu tư và giá trị kinh tế (ROI) khi tự phát triển hệ thống VaR nội bộ?

Tự xây dựng hệ thống VaR bằng mã nguồn mở (R/Python) giúp ngân hàng tiết kiệm từ 150.000 - 300.000 USD chi phí bản quyền mua phần mềm quản trị rủi ro thương mại từ các nhà cung cấp nước ngoài. Về mặt kinh tế, mô hình giúp giảm $12% - 15%$ lượng vốn dự phòng rủi ro thị trường bị phong tỏa không cần thiết, giải phóng hàng trăm tỷ đồng vốn tự có để mở rộng hoạt động tín dụng và đầu tư sinh lời.

Kết luận

Khóa luận tốt nghiệp đã ứng dụng thành công mô hình Value at Risk (VaR) trong việc lượng hóa rủi ro thị trường tại Ngân hàng TMCP Việt Nam Thịnh Vượng (VPBank). Thông qua việc phân tích chuỗi dữ liệu 5 năm (2018–2023) với hơn 1.250 quan sát thực nghiệm, nghiên cứu đã chứng minh rằng các mô hình động như ARMA(1,0) - GARCH(1,1) và Mô phỏng Monte Carlo là công cụ tối ưu nhất, phản ánh chính xác hiện tượng đuôi béo và gom cụm biến động của thị trường chứng khoán Việt Nam.

Công trình cung cấp một khung giải pháp quản trị rủi ro hoàn chỉnh từ lý thuyết, kiểm định thống kê, xây dựng thuật toán đến thiết kế kiến trúc triển khai thực tế. Đây là cơ sở khoa học và thực tiễn vững chắc giúp VPBank chủ động kiểm soát tổn thất, tối ưu hóa chi phí vốn đệm và đẩy nhanh lộ trình chuyển đổi toàn diện sang chuẩn mực Basel III trong kỷ nguyên ngân hàng số.