Ứng Dụng Mô Hình Value at Risk Trong Đo Lường Và Quản Trị Rủi Ro Thị Trường Tại Ngân Hàng VPBank

Khám phá ứng dụng mô hình Value at Risk trong đo lường và quản trị rủi ro thị trường tại ngân hàng thương mại cổ phần Việt Nam Thịnh Vượng.

• Tác giả: Lê Trung Hưng
• Người hướng dẫn: PGS. Lê Thị Diệu Huyền
• Trường học: Học viện Ngân hàng
• Chuyên ngành: Tài chính
• Đề tài: Ứng Dụng Mô Hình Value at Risk Trong Quản Trị Rủi Ro Thị Trường Tại VPBank
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• MỤC LỤC
• 1.1. DANH MỤC VIẾT TẮT
• 1.2. DANH MỤC BẢNG BIỂU
• 1.3. DANH MỤC BIỂU ĐỒ
• 1.4. DANH MỤC HÌNH ẢNH
• 1. PHẦN MỞ ĐẦU
• 1.1. Tính cấp thiết của đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Kết cấu bài nghiên cứu
• 2. CHƯƠNG I: TỔNG QUAN NGHIÊN CỨU
• 2.1. Tổng quan nghiên cứu
• 2.2. Nghiên cứu nước ngoài
• 2.3. Nghiên cứu trong nước
• 2.4. Khoảng trống nghiên cứu
• 2.5. Các khái niệm liên quan đến quản trị rủi ro thị trường
• 2.5.1. Khái niệm chung về rủi ro thị trường
• 2.5.2. Phân loại rủi ro thị trường
• 2.5.2.1. Rủi ro lãi suất
• 2.5.2.2. Rủi ro tỷ giá
• 2.5.2.3. Rủi ro biến động giá
• 2.5.3. Quản trị rủi ro thị trường
• 2.5.3.1. Khái niệm về quản trị rủi ro thị trường
• 2.5.3.2. Mục tiêu quản trị rủi ro thị trường
• 2.5.3.3. Nội dung quản trị rủi ro thị trường
• 2.6. Cơ sở lý thuyết về mô hình VaR
• 2.6.1. Mô hình VaR và cơ sở đo lường
• 2.6.2. Lịch sử phát triển của mô hình VaR
• 2.6.3. Khái quát về VaR
• 2.6.4. Các tham số quan trọng trong đo lường VaR
• 2.6.5. Các phương pháp đo lường VaR
• 2.6.5.1. Phương pháp mô phỏng lịch sử (Historical Method)
• 2.6.5.2. Phương pháp phương sai - hiệp phương sai (Variance – Covariance Method)
• 2.6.5.3. Phương pháp RiskMetrics
• 3. CHƯƠNG II: DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Số liệu sử dụng
• 3.2. Phương pháp nghiên cứu
• 4. CHƯƠNG III: THỰC TRẠNG RỦI RO THỊ TRƯỜNG CỦA NGÂN HÀNG TMCP VIỆT NAM THỊNH VƯỢNG
• 4.1. Tổng quan về thực trạng rủi ro thị trường của VPBank
• 4.2. Giới thiệu về VPBank
• 4.2.1. Quá trình hình thành và phát triển VPBank
• 4.2.2. Sơ đồ cơ cấu tổ chức
• 4.2.3. Sản phẩm dịch vụ của ngân hàng VPBank
• 4.3. Diễn biến rủi ro thị trường tại VPBank
• 4.3.1. Rủi ro lãi suất của VPBank
• 4.3.2. Rủi ro tỷ giá của VPBank
• 5. CHƯƠNG IV: KẾT QUẢ VÀ KHUYẾN NGHỊ
• 5.1. Kết quả ứng dụng mô hình VaR
• 5.1.1. Kết quả kiểm định giả thiết mô hình
• 5.1.1.1. Thống kê mô tả dữ liệu
• 5.1.1.2. Kết quả kiểm định phân phối chuẩn
• 5.1.1.3. Kết quả kiểm định tính dừng
• 5.1.1.4. Kết quả kiểm định tự tương quan
• 5.1.2. Ước lượng, kiểm tra và dự báo VaR
• 5.1.2.1. Phương pháp RiskMetrics
• 5.1.2.2. Phương pháp Econometric Approach
• 5.1.2.3. Phương pháp Quantile Estimation
• 5.1.2.4. Phương pháp Monte Carlo Simulation
• 5.1.3. Kết quả tổng hợp
• 5.2. Kiến nghị trong việc áp dụng mô hình VaR trong đo lường rủi ro thị trường
• 5.2.1. Khuyến nghị hoàn thiện công tác quản trị rủi ro thị trường tại VPBank
• 5.2.2. Không ngừng nâng cao hệ thống thông tin để tiếp nhận các công nghệ quản trị rủi ro mới hiện đại hơn trong thời kì chuyển đối số
• 5.2.3. Tăng cường ứng dụng hoàn toàn chuẩn mực Basel III
• 5.2.4. Không ngừng nâng cao nhận thức và chất lượng của cả ban lãnh đạo và cán bộ công nhân viên
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng mô hình Value at Risk tại VPBank

Mô hình Value at Risk (VaR) đã trở thành một công cụ quan trọng trong quản trị rủi ro thị trường tại các ngân hàng, đặc biệt là tại VPBank. Mô hình này giúp các nhà quản lý đánh giá và đo lường rủi ro tài chính một cách hiệu quả. Việc áp dụng VaR không chỉ giúp ngân hàng nhận diện được các rủi ro tiềm ẩn mà còn hỗ trợ trong việc đưa ra các quyết định đầu tư hợp lý. Nghiên cứu này sẽ đi sâu vào việc ứng dụng mô hình VaR trong quản trị rủi ro tại VPBank, từ đó đưa ra những khuyến nghị nhằm nâng cao hiệu quả quản lý rủi ro.

1.1. Khái niệm và tầm quan trọng của mô hình Value at Risk

Mô hình Value at Risk (VaR) là một phương pháp đo lường rủi ro tài chính, cho phép các tổ chức tài chính ước lượng tổn thất tối đa có thể xảy ra trong một khoảng thời gian nhất định với một mức độ tin cậy nhất định. VaR giúp các ngân hàng như VPBank xác định được mức độ rủi ro trong các danh mục đầu tư, từ đó có thể đưa ra các biện pháp phòng ngừa hiệu quả.

1.2. Lịch sử phát triển và ứng dụng của VaR trong ngân hàng

Mô hình VaR đã được phát triển từ những năm 1950 và nhanh chóng trở thành tiêu chuẩn trong ngành ngân hàng. VPBank cũng đã áp dụng mô hình này để quản lý rủi ro thị trường, giúp ngân hàng duy trì sự ổn định và phát triển bền vững trong môi trường tài chính đầy biến động.

II. Thách thức trong quản trị rủi ro thị trường tại VPBank

Mặc dù mô hình Value at Risk mang lại nhiều lợi ích, nhưng việc áp dụng nó tại VPBank cũng gặp phải không ít thách thức. Các yếu tố như sự biến động của thị trường, sự thay đổi trong chính sách tài chính và các yếu tố kinh tế vĩ mô có thể ảnh hưởng đến độ chính xác của mô hình. Điều này đòi hỏi ngân hàng phải liên tục cập nhật và điều chỉnh các phương pháp đo lường rủi ro để đảm bảo tính hiệu quả.

2.1. Những yếu tố ảnh hưởng đến độ chính xác của mô hình VaR

Độ chính xác của mô hình VaR phụ thuộc vào nhiều yếu tố, bao gồm chất lượng dữ liệu đầu vào, phương pháp tính toán và giả định về phân phối lợi nhuận. Tại VPBank, việc sử dụng dữ liệu không chính xác hoặc không đầy đủ có thể dẫn đến những ước lượng sai lệch về rủi ro.

2.2. Khó khăn trong việc áp dụng các phương pháp tính toán VaR

Có nhiều phương pháp để tính toán VaR, nhưng mỗi phương pháp đều có những ưu nhược điểm riêng. VPBank cần lựa chọn phương pháp phù hợp nhất với đặc thù của mình, đồng thời phải đảm bảo rằng nhân viên có đủ kiến thức và kỹ năng để áp dụng các phương pháp này một cách hiệu quả.

III. Phương pháp ứng dụng mô hình Value at Risk trong VPBank

Để ứng dụng mô hình Value at Risk một cách hiệu quả, VPBank cần thực hiện một số bước quan trọng. Đầu tiên, ngân hàng cần thu thập và phân tích dữ liệu lịch sử về giá trị tài sản và lợi nhuận. Sau đó, các phương pháp tính toán VaR sẽ được áp dụng để ước lượng rủi ro. Cuối cùng, ngân hàng cần thường xuyên đánh giá và điều chỉnh mô hình để đảm bảo tính chính xác và hiệu quả.

3.1. Quy trình thu thập và phân tích dữ liệu

Quy trình này bao gồm việc thu thập dữ liệu lịch sử về giá trị tài sản, tỷ suất sinh lời và các yếu tố kinh tế vĩ mô. VPBank cần đảm bảo rằng dữ liệu được thu thập đầy đủ và chính xác để phục vụ cho việc tính toán VaR.

3.2. Các phương pháp tính toán VaR hiệu quả

Có nhiều phương pháp tính toán VaR như phương pháp mô phỏng lịch sử, phương pháp phương sai-hiệp phương sai và phương pháp RiskMetrics. VPBank cần lựa chọn phương pháp phù hợp nhất với đặc thù của mình để đảm bảo tính chính xác trong việc đo lường rủi ro.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn tại VPBank

Kết quả nghiên cứu cho thấy việc ứng dụng mô hình Value at Risk tại VPBank đã mang lại nhiều lợi ích trong việc quản lý rủi ro thị trường. Ngân hàng đã có thể nhận diện và đánh giá được các rủi ro tiềm ẩn, từ đó đưa ra các quyết định đầu tư hợp lý. Tuy nhiên, vẫn còn nhiều vấn đề cần được cải thiện để nâng cao hiệu quả của mô hình.

4.1. Đánh giá hiệu quả của mô hình VaR tại VPBank

Mô hình VaR đã giúp VPBank nhận diện được các rủi ro tiềm ẩn trong danh mục đầu tư, từ đó có thể đưa ra các biện pháp phòng ngừa hiệu quả. Tuy nhiên, ngân hàng cần thường xuyên đánh giá và điều chỉnh mô hình để đảm bảo tính chính xác.

4.2. Khuyến nghị cải thiện ứng dụng mô hình VaR

Để nâng cao hiệu quả của mô hình Value at Risk, VPBank cần đầu tư vào công nghệ thông tin và đào tạo nhân viên. Việc cập nhật các phương pháp tính toán mới và cải thiện quy trình thu thập dữ liệu cũng là những yếu tố quan trọng giúp ngân hàng quản lý rủi ro tốt hơn.

V. Kết luận và triển vọng tương lai của mô hình VaR tại VPBank

Mô hình Value at Risk đã chứng minh được vai trò quan trọng trong quản trị rủi ro thị trường tại VPBank. Tuy nhiên, để phát huy tối đa hiệu quả của mô hình, ngân hàng cần tiếp tục cải thiện quy trình và công nghệ. Triển vọng tương lai của mô hình VaR tại VPBank là rất khả quan, đặc biệt trong bối cảnh thị trường tài chính ngày càng biến động.

5.1. Tầm quan trọng của việc cải tiến mô hình VaR

Việc cải tiến mô hình Value at Risk sẽ giúp VPBank nâng cao khả năng nhận diện và quản lý rủi ro, từ đó bảo vệ tài sản và lợi ích của ngân hàng cũng như khách hàng.

5.2. Triển vọng phát triển mô hình VaR trong tương lai

Với sự phát triển của công nghệ và các phương pháp tính toán mới, mô hình VaR có thể được cải tiến để đáp ứng tốt hơn nhu cầu quản lý rủi ro của VPBank trong tương lai. Ngân hàng cần chủ động nắm bắt các xu hướng mới để duy trì vị thế cạnh tranh.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Khủng hoảng tài chính toàn cầu qua các thời kỳ—từ cuộc khủng hoảng sụp đổ thị trường chứng khoán năm 1929–1930, khủng hoảng tiền tệ Đông Nam Á năm 1997 đến cuộc khủng hoảng nợ dưới chuẩn và bất động sản năm 2008—cho thấy tính dễ tổn thương của hệ thống ngân hàng thương mại trước các biến động vĩ mô. Nhằm bảo đảm an toàn hệ thống, các định chế tài chính và cơ quan giám sát quốc tế đã liên tục cải cách khung chuẩn mực quản trị rủi ro từ Hiệp ước Vốn Basel I, Basel II đến Basel III. Tại Việt Nam, Ngân hàng Nhà nước đã ban hành các quy định bắt buộc các ngân hàng thương mại cổ phần đẩy nhanh tiến trình tuân thủ Basel II, hướng tới áp dụng các công cụ đo lường rủi ro định lượng tiên tiến.

Trong các loại rủi ro trọng yếu, rủi ro thị trường (bao gồm rủi ro lãi suất, tỷ giá và giá tài sản) ảnh hưởng trực tiếp đến thu nhập và giá trị vốn chủ sở hữu của ngân hàng. Mô hình Giá trị chịu rủi ro (Value at Risk - VaR) đã trở thành một công cụ định lượng tiêu chuẩn quốc tế được Ủy ban Giám sát Ngân hàng Basel phê duyệt từ thập niên 1990. Mặc dù vậy, tại Việt Nam, các nghiên cứu thực nghiệm ứng dụng mô hình VaR phần lớn tập trung vào danh mục chỉ số thị trường chứng khoán chung (như VN-Index, HNX-Index) hoặc rổ cổ phiếu bất động sản, trong khi các công trình đo lường rủi ro thị trường cho một ngân hàng thương mại cụ thể còn hạn chế. Xuất phát từ bối cảnh đó, khóa luận lựa chọn đối tượng khảo sát là Ngân hàng Thương mại Cổ phần Việt Nam Thịnh Vượng (VPBank) - một trong những ngân hàng thương mại cổ phần tư nhân lớn nhất Việt Nam.

Nhiệm vụ và mục tiêu nghiên cứu của đề tài được tác giả xác định cụ thể như sau:

1. Nghiên cứu và hệ thống hóa cơ sở lý luận về rủi ro thị trường và công tác quản trị rủi ro thị trường trong hoạt động của các ngân hàng thương mại.
2. Đánh giá thực trạng rủi ro thị trường cùng công tác quản trị rủi ro thị trường tại Ngân hàng TMCP Việt Nam Thịnh Vượng.
3. Xác định mức độ rủi ro tiềm năng trong các vị thế đầu tư và hoạt động kinh doanh của VPBank thông qua việc ước lượng mô hình VaR, cung cấp cơ sở cho nhà quản trị ngân hàng chủ động kiểm soát và xây dựng chính sách phòng ngừa tổn thất.
4. Cung cấp kết quả tính toán VaR của cổ phiếu VPB nhằm hỗ trợ các nhà đầu tư trên thị trường tài chính có thêm căn cứ ra quyết định phân bổ vốn phù hợp với mức độ chấp nhận rủi ro.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Lý luận về rủi ro thị trường, công tác quản trị rủi ro thị trường và việc áp dụng mô hình VaR trong đo lường rủi ro tại ngân hàng thương mại.
• Phạm vi dữ liệu: Chuỗi thời gian giá đóng cửa có điều chỉnh hàng ngày của cổ phiếu VPB (Ngân hàng TMCP Việt Nam Thịnh Vượng) trong khoảng thời gian 05 năm, từ ngày 17/04/2018 đến ngày 17/04/2023, thu thập từ nguồn dữ liệu tài chính investing.com.

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng nghiên cứu dựa trên các chuẩn mực giám sát của Hiệp ước Basel II và lý thuyết tài chính hiện đại:

• Định nghĩa rủi ro thị trường: Theo Basel II, rủi ro thị trường phát sinh từ các thay đổi bất lợi về giá cả thị trường, lãi suất hoặc tỷ giá hối đoái tác động tiêu cực đến trạng thái trong sổ kinh doanh và sổ ngân hàng.
• Phân loại rủi ro: Rủi ro lãi suất (gồm rủi ro thu nhập: rủi ro tái tài trợ, rủi ro tái đầu tư; rủi ro giảm giá trị thị trường của vốn chủ sở hữu, phân tích qua khe hở nhạy cảm lãi suất); Rủi ro tỷ giá (rủi ro giao dịch, rủi ro chuyển đổi, rủi ro kinh tế, xác định qua trạng thái ngoại hối ròng); Rủi ro biến động giá (rủi ro giá cổ phiếu và giá hàng hóa).
• Quy trình quản trị rủi ro thị trường: Gồm 5 bước chuẩn hóa: (1) Nhận diện rủi ro, (2) Phân tích rủi ro, (3) Đo lường rủi ro, (4) Điều tiết rủi ro, và (5) Giám sát, kiểm tra rủi ro.
• Khung lý thuyết Value at Risk (VaR): Khái niệm VaR xác định mức lỗ tối đa không bị vượt quá trong một khoảng thời gian xác định $N$ với mức độ tin cậy $1-\alpha$: $$p = \Pr[L(1) \ge VaR] = 1 - \Pr[L(1) < VaR]$$ Trong đó hai tham số quyết định là thời gian nắm giữ (holding period) và mức độ tin cậy (confidence level).

Để đo lường VaR thực nghiệm, khóa luận phân loại và đối chiếu 4 cách tiếp cận chính:

Phương pháp đo lường	Nguyên lý hoạt động	Ưu điểm	Hạn chế chính
Mô phỏng lịch sử (Historical Simulation)	Sử dụng chuỗi tỷ suất sinh lời thực tế trong quá khứ, sắp xếp phân phối thực nghiệm để xác định phân vị tổn thất.	Không cần giả định dạng phân phối xác suất; tính toán trực quan, đơn giản.	Giả định quá khứ lặp lại trong tương lai; kết quả nhạy cảm với kích thước mẫu lịch sử.
Phương sai - Hiệp phương sai (Variance - Covariance)	Phương pháp tham số dựa trên giả định phân phối chuẩn, tính toán qua kỳ vọng ($\mu$) và ma trận hiệp phương sai ($\sigma$).	Thuật toán nhanh; xử lý tốt danh mục nhiều tài sản thông qua ma trận hiệp phương sai.	Kém chính xác khi chuỗi tài chính có phân phối đuôi dày hoặc danh mục chứa công cụ phi tuyến (quyền chọn).
Phương pháp RiskMetrics	Dựa trên mô hình trung bình trượt có trọng số hàm mũ (EWMA) hoặc IGARCH(1,1), với hệ số phân rã $\lambda = 0.94$.	Cập nhật nhanh biến động thị trường gần nhất; khắc phục nhược điểm phương sai tĩnh.	Vẫn chịu ảnh hưởng của giả định phân phối chuẩn đối với phần dư chuẩn hóa.
Mô phỏng Monte Carlo (Monte Carlo Simulation)	Tạo ngẫu nhiên hàng nghìn đến hàng chục nghìn kịch bản biến động giá theo phân bố giả định để tái đánh giá danh mục.	Linh hoạt với cấu trúc danh mục phức tạp; mô phỏng được các kịch bản phi tuyến tính.	Đòi hỏi khối lượng tính toán lớn; phụ thuộc vào tính chuẩn xác của mô hình sinh kịch bản.

Về phương pháp xử lý dữ liệu thực tế:

• Tỷ suất sinh lời hàng ngày ($r$) được tính toán theo tỷ lệ biến động tương đối của giá đóng cửa có điều chỉnh: $r = (P_n - P_{n-1}) / P_{n-1}$.
• Mức độ tin cậy thực nghiệm được thiết lập ở mức 95% (tương ứng mức ý nghĩa rủi ro $\alpha = 5%$) cho khung thời gian 01 ngày giao dịch.
• Nền tảng và công cụ phân tích: Khóa luận sử dụng ngôn ngữ lập trình thống kê R (phiên bản 4.2) và môi trường phát triển RStudio (phiên bản 2023.03.0-386). Các thư viện R chuyên dụng được huy động gồm: fBasics (phân tích thống kê mô tả và kiểm định phân phối), fGarch (ước lượng mô hình GARCH), rugarch (chạy các mô hình biến động điều kiện phức tạp như IGARCH), tseries (kiểm định chuỗi thời gian) và quantmod (quản trị mô hình tài chính định lượng).

Nội dung chính theo từng chương

Chương I: Tổng quan nghiên cứu

Chương I tổng hợp hệ thống y văn quốc tế và trong nước, đồng thời trình bày khung lý luận cơ bản về rủi ro thị trường và mô hình VaR:

• Tổng quan nghiên cứu quốc tế: Điểm lại các công trình nền tảng từ Francis Edgeworth (1888), Dickson Leavens (1945), Harry Markowitz và Arthur Roy (1952), Bernard Lietaer (1971), đến bước ngoặt của tập đoàn JP Morgan năm 1994 với tài liệu kỹ thuật RiskMetrics ("4:15 Report"). Tác giả phân tích các nghiên cứu của Manfred Gilli và cộng sự (2011), Min Liu (2008), Julijana Angelovska (2012 - chứng minh độ tin cậy 95% cho kết quả VaR chính xác hơn 99% đối với mô hình SMA/EWMA). Các hạn chế toán học của VaR cũng được chỉ rõ từ nghiên cứu của Artzner và cộng sự (1999 - VaR thiếu tính cộng tính phụ và tính lồi), Philippe Jorion (2003), Moorad Choudhry (2001, 2013 - thất bại của VaR trước các sự kiện cực đoan như vụ sụp đổ quỹ Long Term Capital Management), và Wolfgang Schwerdt (2010).
• Tổng quan nghiên cứu trong nước: Phân tích các nghiên cứu của Đặng Hữu Mẫn (2009 - kiểm định VaR trên chỉ số FTSE 100), Võ Trí Thành và cộng sự (2000), Võ Hồng Đức và Huỳnh Long Phi (2015), Lê Phan Thị Diệu Thảo và Nguyễn Thanh Phú (2015 - kết luận các mô hình giả định phân phối chuẩn thất bại ở mức ý nghĩa 1%), Lê Trọng Nghĩa và cộng sự (2019 - đo lường VaR/CVaR 10 cổ phiếu bất động sản niêm yết trên HOSE), Lê Hải Trung và Nguyễn Thị Mai Trang (2020), Võ Thị Thúy Anh và Nguyễn Anh Tùng (2010 - kết hợp ARMA với các biến thể ARCH/GARCH).
• Khoảng trống nghiên cứu: Các nghiên cứu tại Việt Nam chủ yếu ứng dụng VaR trên danh mục chỉ số hoặc nhóm ngành, chưa có công trình đi sâu đo lường rủi ro thị trường trên một ngân hàng thương mại niêm yết cụ thể như VPBank.
• Cơ sở lý thuyết: Định nghĩa chi tiết rủi ro thị trường theo Basel II; phân tích cơ chế khe hở nhạy cảm lãi suất ($Khe;hở = TSC;nhạy;cảm - TSN;nhạy;cảm$); phân tích trạng thái ngoại hối ròng (trường thế, đoản thế, cân bằng); mục tiêu và quy trình 5 bước quản trị rủi ro; nguyên lý 4 phương pháp tính VaR.

Chương II: Dữ liệu và phương pháp nghiên cứu

Chương II thiết kế khung phương pháp luận định lượng phục vụ cho việc thực thi mô hình:

• Nguồn số liệu: 05 năm dữ liệu chuỗi thời gian giá đóng cửa có điều chỉnh của cổ phiếu VPB từ 17/04/2018 đến 17/04/2023 lấy từ investing.com.
• Thiết lập tham số: Mức độ tin cậy 95%, mức ý nghĩa 5%, chu kỳ nắm giữ 01 ngày.
• Quy trình kiểm định chuỗi dữ liệu:
  1. Thống kê mô tả: Đo lường các tham số phân phối gồm giá trị nhỏ nhất (Min), lớn nhất (Max), trung bình (Mean), trung vị (Median), độ lệch chuẩn (Stdev), hệ số bất đối xứng (Skewness), và hệ số nhọn (Kurtosis).
  2. Kiểm định phân phối chuẩn: Sử dụng kiểm định Jarque-Bera để kiểm tra giả thiết $H_0$ (chuỗi dữ liệu tuân theo phân phối chuẩn) so với $H_1$ (chuỗi không có phân phối chuẩn).
  3. Kiểm định tính dừng: Sử dụng đồng thời hai kiểm định đối ứng là Augmented Dickey-Fuller (ADF test, với $H_0$: chuỗi có nghiệm đơn vị/không dừng) và KPSS test ($H_0$: chuỗi có tính dừng).
  4. Kiểm định tự tương quan: Phân tích biểu đồ hàm tự tương quan (ACF), hàm tự tương quan riêng (PACF) và kiểm định Ljung-Box nhằm xác định cấu trúc trễ của chuỗi tỷ suất sinh lời.
• Thiết kế các mô hình ước lượng VaR trên RStudio: Thiết lập quy trình chạy 4 mô hình: RiskMetrics (sử dụng mô hình IGARCH(1,1) với hệ số tắt dần $\lambda = 0.94$), phương pháp kinh tế lượng (Econometric Approach kết hợp ARMA và GARCH), phương pháp ước lượng phân vị thực nghiệm (Quantile Estimation), và phương pháp mô phỏng Monte Carlo.

Chương III: Thực trạng rủi ro thị trường của ngân hàng TMCP Việt Nam Thịnh Vượng

Chương III khái quát hoạt động và nhận diện các nguy cơ rủi ro thị trường tại VPBank:

• Khái quát về VPBank: Quá trình thành lập, phát triển mạng lưới, các dòng sản phẩm dịch vụ ngân hàng bán lẻ, khách hàng doanh nghiệp và ngân hàng số; mô tả cơ cấu tổ chức quản trị rủi ro tại ngân hàng (Hình 3.1).
• Thực trạng rủi ro lãi suất: Phân tích cơ cấu tài sản có và tài sản nợ của VPBank; nhận diện nguy cơ từ việc duy trì khe hở lãi suất nhạy cảm khi mặt bằng lãi suất huy động và cho vay biến động bất thường; rủi ro tái tài trợ và tái đầu tư do mất cân xứng kỳ hạn giữa nguồn vốn và sử dụng vốn.
• Thực trạng rủi ro tỷ giá: Đánh giá biến động tỷ giá ngoại tệ đối với các hoạt động kinh doanh ngoại hối và các trạng thái ngoại hối ròng mà VPBank nắm giữ trên sổ kinh doanh; phân tích rủi ro giao dịch và rủi ro chuyển đổi.
• Công cụ nhận diện rủi ro: Xây dựng hệ thống tiêu chí định tính và định lượng bao gồm thang đo khả năng xảy ra rủi ro (Bảng 3.1), thang đo mức độ tác động của rủi ro (Bảng 3.2), và tích hợp vào Bản đồ nhiệt đánh giá rủi ro (Heat map - Bảng 3.3) để phân loại các vùng rủi ro cần kiểm soát.

Chương IV: Kết quả và khuyến nghị

Chương IV trình bày kết quả ước lượng kinh tế lượng và các giải pháp quản trị rủi ro:

• Kết quả kiểm định dữ liệu cổ phiếu VPB:
  • Thống kê mô tả (Hình 4.1, Biểu đồ 4.1, Biểu đồ 4.2): Tỷ suất sinh lời cổ phiếu VPB có hiện tượng biến động cụm (volatility clustering), hệ số nhọn Kurtosis cao hơn phân phối chuẩn và Skewness lệch khỏi giá trị 0.
  • Kiểm định phân phối chuẩn (Hình 4.2): Giá trị p-value của kiểm định Jarque-Bera nhỏ hơn 0.05, bác bỏ giả thiết $H_0$, xác nhận chuỗi tỷ suất sinh lời cổ phiếu VPB không tuân theo phân phối chuẩn (đuôi dày, nhọn).
  • Kiểm định tính dừng (Hình 4.3, Hình 4.4): Kiểm định ADF cho p-value < 0.05 (bác bỏ $H_0$, chuỗi có tính dừng); kiểm định KPSS cho p-value > 0.05 (chấp nhận $H_0$, chuỗi dừng ở mức ý nghĩa 5%).
  • Kiểm định tự tương quan (Biểu đồ 4.3, Biểu đồ 4.4, Bảng 4.1): Kết quả kiểm định Ljung-Box tại các độ trễ 10, 15, 20 chứng minh sự tồn tại của tính tự tương quan và hiệu ứng biến động phương sai có điều kiện trong chuỗi dữ liệu.
• Ước lượng, kiểm tra và dự báo VaR:
  • Phương pháp RiskMetrics (Hình 4.5 đến Hình 4.8, Biểu đồ 4.5): Ước lượng mô hình IGARCH(1,1), kiểm định Ljung-Box trên phần dư và bình phương phần dư; kiểm tra biểu đồ QQ-plot phần dư; dự báo giá trị chịu rủi ro cho 1 ngày tiếp theo.
  • Phương pháp kinh tế lượng (Econometric Approach - Hình 4.9 đến Hình 4.11, Biểu đồ 4.6, Biểu đồ 4.7): Ước lượng kết hợp mô hình ARMA(1,0) + GARCH(1,1); kiểm định Ljung-Box chuỗi phần dư đạt chuẩn; theo dõi chuỗi phần dư biến đổi theo thời gian và tính toán VaR.
  • Phương pháp Quantile Estimation (Hình 4.12) và Mô phỏng Monte Carlo (Hình 4.13): Cung cấp các mức ước lượng phân vị thực nghiệm và mô phỏng xác suất đa kịch bản.
  • Bảng tổng hợp giá trị VaR (Bảng 4.2): Tổng hợp giá trị VaR cổ phiếu VPB với quy mô vốn đầu tư giả định 1.000.000.000 VND (1 tỷ đồng) theo các khung thời gian xác định, lượng hóa bằng con số tiền mặt tổn thất tối đa có thể phát sinh ở mức tin cậy 95%.
• Khuyến nghị hoàn thiện công tác quản trị rủi ro thị trường tại VPBank:
  1. Không ngừng nâng cao hệ thống thông tin nhằm tiếp nhận các công nghệ quản trị rủi ro hiện đại trong thời kỳ chuyển đổi số.
  2. Tăng cường ứng dụng hoàn toàn chuẩn mực Basel III vào hoạt động định lượng vốn và kiểm soát tài sản nhạy cảm rủi ro.
  3. Nâng cao nhận thức và chất lượng chuyên môn về đo lường rủi ro của cả ban lãnh đạo và cán bộ công nhân viên.

Kết quả và đóng góp

Về mặt kết quả định lượng:

• Khóa luận đã kiểm định thực nghiệm chuỗi thời gian tỷ suất sinh lời hàng ngày của cổ phiếu VPB trong 5 năm (2018–2023), xác nhận chuỗi dữ liệu mang đặc tính dừng (thông qua ADF và KPSS), có hiện tượng tự tương quan (kiểm định Ljung-Box ở các độ trễ 10, 15, 20) và không tuân theo phân phối chuẩn (kiểm định Jarque-Bera).
• Triển khai thành công 4 phương pháp đo lường VaR trên phần mềm R/RStudio, bao gồm mô hình IGARCH(1,1) theo RiskMetrics ($\lambda = 0.94$), mô hình kinh tế lượng ARMA(1,0) + GARCH(1,1), phương pháp phân vị Quantile Estimation và phương pháp mô phỏng Monte Carlo.
• Bảng 4.2 của khóa luận đã cụ thể hóa tổn thất tiềm năng bằng số tiền tuyệt đối cho danh mục đầu tư mẫu trị giá 1.000.000.000 VND cổ phiếu VPB, cung cấp mức dự báo rủi ro 1 ngày tiếp theo ở độ tin cậy 95%.

Về mặt giải pháp và đóng góp học thuật:

• Đưa ra 3 nhóm khuyến nghị sát thực tế cho VPBank: hiện đại hóa hạ tầng thông tin trong chuyển đổi số, áp dụng toàn diện khung Basel III, và bồi dưỡng năng lực cán bộ phân tích rủi ro thị trường.
• Đóng góp vào khoảng trống nghiên cứu thực nghiệm trong nước bằng việc áp dụng mô hình VaR chuỗi thời gian đa phương pháp vào một ngân hàng thương mại cổ phần niêm yết cụ thể, thay vì chỉ dừng lại ở các chỉ số danh mục chứng khoán tổng hợp.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài:

• Dữ liệu nghiên cứu thực nghiệm chỉ giới hạn ở chuỗi giá cổ phiếu VPB trên thị trường chứng khoán (17/04/2018 – 17/04/2023), chưa phản ánh toàn bộ trạng thái tài sản phức tạp nội bảng và ngoại bảng của VPBank như danh mục trái phiếu, hợp đồng phái sinh lãi suất và trạng thái ngoại tệ thực tế.
• Khóa luận tập trung vào mức độ tin cậy 95% trong khung thời gian 01 ngày theo chuẩn RiskMetrics, chưa tính toán ở mức tin cậy 99% với chu kỳ 10 ngày làm việc theo yêu cầu khắt khe của hiệp ước vốn Basel.
• Nghiên cứu chưa đo lường phần tổn thất vượt ngưỡng VaR thông qua chỉ số rủi ro đuôi Expected Shortfall (CVaR).

Hướng nghiên cứu tiếp:

• Mở rộng phạm vi dữ liệu sang toàn bộ danh mục tài sản nhạy cảm rủi ro của ngân hàng, bao gồm rổ ngoại hối và các công cụ có thu nhập cố định.
• Kết hợp kiểm định ngược (Back-testing) theo quy tắc Kupiec để so sánh độ chính xác dự báo giữa các mô hình; bổ sung các phương pháp kiểm tra sức chịu tải (Stress testing) dưới các kịch bản khủng hoảng tài chính giả định.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo hữu ích cho:

• Sinh viên, học viên cao học các ngành Tài chính - Ngân hàng, Phân tích dữ liệu tài chính, và Kinh tế lượng ứng dụng cần tài liệu mẫu về quy trình nghiên cứu chuỗi thời gian tài chính.
• Cán bộ quản trị rủi ro tại các ngân hàng thương mại và chuyên viên phân tích định lượng tại các công ty chứng khoán, công ty quản lý quỹ khi xây dựng hệ thống đo lường VaR nội bộ.

Nội dung có giá trị tham khảo nổi bật:

• Quy trình lập trình và xử lý dữ liệu chuỗi thời gian trên RStudio sử dụng các thư viện fBasics, rugarch, fGarch (kiểm định phân phối chuẩn, nghiệm đơn vị, tự tương quan, ước lượng mô hình ARMA-GARCH và mô phỏng Monte Carlo).
• Phương pháp xây dựng thang đo ma trận nhiệt đánh giá rủi ro thị trường (Heat map) tích hợp giữa rủi ro lãi suất và tỷ giá được trình bày tại Chương III.

Câu hỏi thường gặp

Khóa luận sử dụng nguồn dữ liệu nào và trong giai đoạn nào để ước lượng mô hình VaR?
Tác giả thu thập chuỗi dữ liệu giá đóng cửa có điều chỉnh hàng ngày của cổ phiếu VPB (Ngân hàng TMCP Việt Nam Thịnh Vượng) trong thời gian 05 năm, từ ngày 17/04/2018 đến ngày 17/04/2023, tải về từ cơ sở dữ liệu của website investing.com.

Tại sao tác giả lại chọn mức độ tin cậy 95% thay vì mức 99% theo khuyến nghị của Ủy ban Basel?
Dựa trên các nghiên cứu thực nghiệm được tổng quan (như Julijana Angelovska, 2012; Lê Phan Thị Diệu Thảo và Nguyễn Thanh Phú, 2015), ở mức tin cậy 99%, các chuỗi dữ liệu tài chính có hiện tượng đuôi dày thường khiến các mô hình tham số giả định chuẩn bị sai lệch nghiêm trọng. Mức tin cậy 95% (tương ứng mức ý nghĩa 5%) được RiskMetrics khuyến nghị và cho kết quả ước lượng ổn định, phù hợp hơn với mục đích kiểm soát rủi ro giao dịch thường nhật.

Những gói phần mềm (packages) nào trong ngôn ngữ lập trình R được tác giả sử dụng?
Tác giả sử dụng môi trường RStudio phiên bản 2023.03.0-386 trên nền R phiên bản 4.2 với 5 gói package chuyên dụng: fBasics (thống kê mô tả và kiểm định phân phối), fGarch (mô hình ARCH/GARCH), rugarch (chạy mô hình IGARCH, EGARCH), tseries (khai thác chuỗi thời gian và kiểm định nghiệm đơn vị), và quantmod (mô hình tài chính định lượng).

Quy mô danh mục đầu tư nào được đưa ra để cụ thể hóa giá trị tổn thất rủi ro bằng tiền trong Chương IV?
Tại Bảng 4.2 của Chương IV, tác giả thiết lập một danh mục đầu tư giả định có giá trị 1.000.000.000 VND (một tỷ đồng) vào cổ phiếu VPB để tính toán và so sánh trực tiếp giá trị chịu rủi ro (VaR) bằng tiền mặt giữa các phương pháp ước lượng.

Tác giả đưa ra những nhóm khuyến nghị cụ thể nào cho VPBank trong công tác quản trị rủi ro thị trường?
Tác giả đề xuất 3 nhóm giải pháp trọng tâm: (1) Nâng cấp hệ thống công nghệ thông tin nhằm tiếp nhận công cụ quản trị rủi ro mới trong bối cảnh chuyển đổi số; (2) Tăng cường áp dụng đầy đủ các chuẩn mực theo khung Basel III; (3) Nâng cao năng lực chuyên môn và nhận thức về rủi ro thị trường cho cả ban lãnh đạo và cán bộ nhân viên ngân hàng.

Kết luận

Khóa luận tốt nghiệp của tác giả Lê Trung Hưng đã hệ thống hóa toàn diện cơ sở lý luận về quản trị rủi ro thị trường và kỹ thuật đo lường Value at Risk theo các chuẩn mực quốc tế. Công trình hoàn thành việc thực nghiệm định lượng trên chuỗi thời gian cổ phiếu VPB giai đoạn 2018–2023 bằng phần mềm RStudio thông qua 4 phương pháp: RiskMetrics (IGARCH), kinh tế lượng (ARMA-GARCH), phân vị thực nghiệm và mô phỏng Monte Carlo. Kết quả tính toán tổn thất tiềm năng trên danh mục 1 tỷ đồng kết hợp cùng phân tích ma trận nhiệt rủi ro đã cung cấp luận cứ khoa học để đề xuất các khuyến nghị nâng cấp hệ thống công nghệ và áp dụng Basel III tại VPBank.

Trích đoạn nội dung tài liệu

CHƯƠNG I. TỔNG QUAN NGHIÊN CỨU 1. Tổng quan nghiên cứu Tốc độ tăng trưởng nhanh của quá trình toàn cầu hóa cùng với phát triển VaR đã tạo ra rất nhiều các nghiên cứu VaR. Nghiên cứu nước ngoài Giá trị rủi ro (VaR) là tổn thất tối đa mà một người sẽ không vượt quá với một xác suất nhất định trong một khoảng thời gian nhất định (Manfred Gilli et al, 2011).

Theo Min Liu và cộng sự (2008) thì VaR được phát triển và quảng bá trong ngành ngân hàng nhằm cung cấp thước đo chung cho mức độ rủi ro của các danh mục đầu tư tài chính. Trong tài liệu tài chính, nó được định nghĩa là một giá trị tiền tệ mà danh mục đầu tư sẽ mất ít hơn số tiền đó trong một khoảng thời gian xác định với một xác suất xác định. VaR được áp dụng cho tất cả các loại tài sản: cổ phiếu, trái phiếu, công cụ phái sinh, tiền tệ, v. Cụ thể, VaR ước tính khoản lỗ tiềm ẩn tối đa mà một vị thế có thể phải chịu trong khoảng thời gian nắm giữ cụ thể và được cung cấp một mức độ tin cậy nhất định, thường là 99% hoặc 95% (A.

Julijana Angelovska (2012) đã viết bài nghiên cứu khả năng áp dụng mô hình SMA và EWMA VaR với mức độ tin cậy 95% và 99% trong các quy trình đầu tư trên thị trường chứng khoán của 3 quốc gia phát triển: Mỹ, Anh, Đức và 4 quốc gia Nam Tư cũ. Bài nghiên cứu đã chỉ ra rằng ở mức độ tin cậy 95% cho kết quả ước lượng VaR có độ chính xác tốt hơn so với độ tin cậy 99%. Có rất nhiều phương pháp để tính toán VaR, sử dụng các giả định và kỹ thuật khác nhau. Do tính toán VaR rất nhạy cảm với các giả định và dữ liệu nên các kết quả định lượng sẽ khác nhau khi áp dụng cùng một kỹ thuật bằng cách sử dụng các giả định khác nhau hoặc các bộ dữ liệu khác nhau.

(Min Liu, Felix F. Các phương pháp này không nhất thiết phải hiệu quả nhất hoặc mạnh mẽ nhất, nhưng khá đơn giản và dễ thực hiện. Điều này là do Ủy ban Basel cam kết nâng cao trình độ chuyên môn công nghệ của ngành ngân hàng. Dự kiến rằng các khuyến nghị và công cụ tính toán do Ủy ban Basel đề xuất trong tương lai sẽ ngày càng tinh vi hơn.

Rajesh Kumar (2014) cho rằng các ngân hàng sẽ tuân theo các tiêu chuẩn tối thiểu nhằm mục đích tính toán chi phí vốn của họ mặc dù vẫn tồn tại sự linh hoạt trong việc đưa ra bản chất chính xác của các mô hình VaR, hơn nữa VaR phải được tính toán hàng ngày. Để tính toán VaR, phải sử dụng phân vị thứ 99, khoảng tin cậy một đuôi 5 và cú sốc giá tức thời tương đương với biến động giá trong 10 ngày. Khoảng thời gian quan sát lịch sử có độ dài tối thiểu là một năm. Các ngân hàng được yêu cầu cập nhật bộ dữ liệu của họ ba tháng một lần.

Mô hình VaR đã trở thành một trong những phương pháp được sử dụng phổ biến trên thế giới và là tiêu chuẩn ngành để tính toán rủi ro (J. Theo Manfred Gilli và cộng sự (2011) thì một lý do chính cho sự phổ biến của VaR là nó rất trực quan và các giá trị bằng số của nó dễ diễn giải hơn các phép đo rủi ro khác như phương sai hoặc omega. Một lý do khác là nó được quy định trong các hiệp định Basel II và Basel III. VaR nắm bắt được một khía cạnh quan trọng của rủi ro, cụ thể là những điều tồi tệ có thể xảy ra như thế nào với một xác suất nhất định (Peter F.