Ứng Dụng Mô Hình VaR Để Đo Lường Rủi Ro Danh Mục Đầu Tư Cổ Phiếu Ngân Hàng Việt Nam

• Tác giả: Phan Thị Quỳnh Anh
• Người hướng dẫn: TS. Ngô Vi Trọng
• Trường học: Trường Đại Học Ngân Hàng TP. Hồ Chí Minh
• Chuyên ngành: Tài chính – Ngân hàng
• Đề tài: Ứng Dụng Mô Hình VaR Đo Lường Rủi Ro Danh Mục Đầu Tư Cổ Phiếu Ngân Hàng Việt Nam
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: TP. Hồ Chí Minh

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. Tính cấp thiết của đề tài
• 1.2. Mục tiêu của đề tài
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Đóng góp của nghiên cứu
• 1.6. Kết cấu luận văn
• 2. CHƯƠNG 2: TỔNG QUAN LÝ THUYẾT VỀ RỦI RO DANH MỤC VÀ MÔ HÌNH VaR
• 2.1. Cơ sở lý thuyết về rủi ro và rủi ro danh mục đầu tư
• 2.1.1. Khái niệm rủi ro và rủi ro danh mục đầu tư
• 2.2. Đo lường rủi ro
• 2.3. Cơ sở lý thuyết về mô hình giá trị rủi ro Value at risk (VaR)
• 2.3.1. Lịch sử ra đời của mô hình giá trị rủi ro VaR
• 2.3.2. Khái niệm về Value at Risk (VaR)
• 2.3.3. Điều kiện sử dụng mô hình VaR
• 2.3.4. Các yếu tố ảnh hưởng đến VaR
• 2.3.5. Hạn chế của mô hình VaR
• 2.3.6. Các phương pháp tính VaR
• 2.4. Tổng quan về các nghiên cứu thực nghiệm ứng dụng Value at Risk để đo lường rủi ro danh mục đầu tư
• 3. CHƯƠNG 3: CƠ SỞ DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Cơ sở dữ liệu
• 3.2. Phương pháp nghiên cứu
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
• 4.1. Kết quả kiểm định phân phối chuẩn
• 4.2. Kết quả kiểm định tính dừng
• 4.3. Kết quả ước lượng GARCH (1,1)
• 4.4. Kết quả ước lượng VaR 1 ngày của tỷ suất lợi nhuận danh mục đầu tư
• 4.5. Kết quả kiểm định ước lượng VaR tại các mức ý nghĩa
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HÀM Ý CHÍNH SÁCH
• 5.1. Kết luận
• 5.2. Hạn chế của đề tài
• 5.3. Hướng nghiên cứu mở rộng
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Ứng Dụng Mô Hình VaR Đo Lường Rủi Ro Đầu Tư

Trong bối cảnh thị trường tài chính ngày càng phức tạp, việc đo lường rủi ro trở thành yếu tố then chốt để bảo vệ danh mục đầu tư. Mô hình Value at Risk (VaR) nổi lên như một công cụ mạnh mẽ, giúp nhà đầu tư định lượng mức lỗ tối đa có thể xảy ra trong một khoảng thời gian nhất định, với một mức độ tin cậy nhất định. Bài viết này sẽ đi sâu vào ứng dụng mô hình VaR trong việc quản trị rủi ro cho danh mục đầu tư cổ phiếu ngân hàng Việt Nam, một lĩnh vực đầy tiềm năng nhưng cũng không ít thách thức. Theo Holton (2004), rủi ro là “sự không chắc chắn về các biến cố có thể xảy ra”. Sự không chắc chắn này chúng ta có thể đo lường thông qua các hàm phân phối xác suất. Trong lĩnh vực tài chính, rủi ro được hiểu là sự không chắc chắn về lợi tức mà nhà đầu tư kỳ vọng nhận được từ việc đầu tư các tài sản tài chính, là một biến cố có khả năng xảy ra và cũng có khả năng không xảy ra.

1.1. Giới Thiệu Chung Về Mô Hình Value at Risk VaR

Mô hình VaR là một phương pháp thống kê được sử dụng rộng rãi để đo lường rủi ro thị trường. Nó cung cấp một ước tính về mức lỗ tối đa mà một danh mục đầu tư có thể phải chịu trong một khoảng thời gian nhất định, với một mức độ tin cậy nhất định. VaR giúp các nhà quản lý rủi ro và nhà đầu tư hiểu rõ hơn về mức độ rủi ro mà họ đang đối mặt và đưa ra các quyết định đầu tư sáng suốt hơn. Từ năm 1994, với sự ra đời của RiskMetric, một gói sản phẩm ứng dụng VaR mang thương hiệu của một công ty tách ra từ JPMorgan Chase, VaR đã được áp dụng rộng rãi và trở thành một tiêu chuẩn trong việc đo lường và giám sát rủi ro tài chính trên toàn thế giới.

1.2. Tầm Quan Trọng Của Quản Trị Rủi Ro Danh Mục Đầu Tư

Trong bối cảnh thị trường biến động, quản trị rủi ro hiệu quả là yếu tố sống còn đối với bất kỳ danh mục đầu tư nào. Việc sử dụng các công cụ như VaR giúp nhà đầu tư chủ động đánh giá rủi ro, từ đó đưa ra các biện pháp phòng ngừa và giảm thiểu thiệt hại. Quản trị rủi ro không chỉ bảo vệ vốn mà còn giúp tối ưu hóa lợi nhuận, đảm bảo sự tăng trưởng bền vững của danh mục đầu tư. Các quyết định đầu tư được xem xét trên cơ sở cân bằng giữa lợi nhuận và mức rủi ro mà nhà đầu tư đó có thể chấp nhận được.

II. Thách Thức Đo Lường Rủi Ro Cổ Phiếu Ngân Hàng Việt Nam

Ngành ngân hàng Việt Nam đang đối mặt với nhiều thách thức, từ nợ xấu gia tăng đến biến động lãi suất và tỷ giá. Điều này gây khó khăn cho việc đo lường rủi ro và quản trị danh mục đầu tư cổ phiếu ngân hàng. Việc áp dụng mô hình VaR cần được điều chỉnh để phù hợp với đặc thù của thị trường Việt Nam, đảm bảo tính chính xác và hiệu quả. Theo kết quả kiểm định cho thấy trong giai đoạn nghiên cứu, hầu hết các chuỗi tỷ suất lợi nhuận của các danh mục đầu tư thực nghiệm nhóm cổ phiếu NHTM niêm yết trên TTCK Việt Nam không tuân theo quy luật phân phối chuẩn mà có hiện tượng “leptokurtosis” tức hàm xác suất có đuôi.

2.1. Đặc Điểm Rủi Ro Của Cổ Phiếu Ngân Hàng Việt Nam

Cổ phiếu ngân hàng thường chịu ảnh hưởng lớn từ các yếu tố kinh tế vĩ mô, chính sách tiền tệ và quy định của Ngân hàng Nhà nước. Rủi ro tín dụng, rủi ro thanh khoản và rủi ro hoạt động là những yếu tố cần được xem xét kỹ lưỡng khi đánh giá rủi ro cho danh mục đầu tư cổ phiếu ngân hàng. Điều này trở thành nỗi lo của không ít cổ đông đang nắm giữ và những nhà đầu tư đang có ý định nắm giữ cổ phiếu ngân hàng.

2.2. Hạn Chế Của Các Phương Pháp Đo Lường Rủi Ro Truyền Thống

Các phương pháp phân tích rủi ro truyền thống thường dựa trên các giả định đơn giản và không phản ánh đầy đủ sự phức tạp của thị trường. Mô hình VaR, với khả năng định lượng rủi ro và tính đến các yếu tố thống kê, mang lại một cách tiếp cận toàn diện và chính xác hơn. Tuy nhiên, cần lưu ý đến các hạn chế của VaR, như giả định về phân phối chuẩn và khả năng bỏ qua các sự kiện cực đoan. Mô hình GARCH là chúng được giả định có tính chất đối xứng, nghĩa là phương sai của mô hình này chỉ phụ thuộc vào độ lớn chứ không phụ thuộc vào dấu của nhiễu.

2.3. Yếu Tố Kinh Tế Vĩ Mô Ảnh Hưởng Đến Rủi Ro Ngân Hàng

Các yếu tố kinh tế vĩ mô như lạm phát, tỷ giá hối đoái, và tăng trưởng tín dụng có tác động đáng kể đến rủi ro của danh mục đầu tư cổ phiếu ngân hàng. Sự thay đổi trong chính sách tiền tệ và quy định của chính phủ cũng có thể ảnh hưởng đến hoạt động và lợi nhuận của các ngân hàng. Do đó, việc theo dõi và phân tích các yếu tố này là rất quan trọng trong quá trình quản trị rủi ro.

III. Phương Pháp Ứng Dụng Mô Hình VaR Ước Lượng Rủi Ro

Để ứng dụng mô hình VaR hiệu quả, cần lựa chọn phương pháp tính toán phù hợp và điều chỉnh các giả định để phản ánh đúng đặc điểm của thị trường Việt Nam. Các phương pháp phổ biến bao gồm Historical Simulation, Monte Carlo Simulation và Variance-Covariance. Việc kết hợp VaR với các công cụ khác như Stress Testing giúp tăng cường khả năng quản trị rủi ro toàn diện. Với những ưu điểm nổi trội, VaR nhanh chóng trở thành công cụ để các định chế tài chính và phi tài chính các nước trên thế lựa chọn để đo lường rủi ro danh mục đầu tư.

3.1. Phương Pháp Historical Simulation Đo Lường Rủi Ro

Phương pháp Historical Simulation sử dụng dữ liệu lịch sử để mô phỏng các kịch bản có thể xảy ra trong tương lai. Ưu điểm của phương pháp này là đơn giản, dễ hiểu và không yêu cầu giả định về phân phối. Tuy nhiên, nó phụ thuộc vào chất lượng và độ dài của dữ liệu lịch sử, và có thể không phản ánh được các sự kiện cực đoan. Đầu tiên, kế thừa các nghiên cứu của Orhan và Koksan (2012), Võ Hồng Đức và Huỳnh Long Phi (2015), Lê Phan Thị Diệu Thảo và Nguyễn Thanh Phú (2016), rủi ro danh mục đầu tư biểu hiện thông qua sự sụt giảm của tỷ suất lợi nhuận danh mục tính theo ngày được tính toán dựa trên mô hình VaR và ước lượng phương sai thay đổi GARCH(1,1).

3.2. Phương Pháp Monte Carlo Simulation Ước Lượng Rủi Ro

Phương pháp Monte Carlo Simulation sử dụng các mô phỏng ngẫu nhiên để tạo ra hàng ngàn kịch bản có thể xảy ra. Phương pháp này linh hoạt, có thể kết hợp nhiều yếu tố và giả định khác nhau. Tuy nhiên, nó đòi hỏi kiến thức chuyên sâu về mô hình hóa và tính toán, và có thể tốn nhiều thời gian và nguồn lực. Nghiên cứu được tính toán dựa trên giá đóng cửa điều chỉnh của nhóm cổ phiếu 9 NHTM niêm yết tại Việt Nam trong khoảng thời gian từ 07/2006 – 04/2016 và phương sai thay đổi được ước lượng từ mô hình GARCH(1,1).

3.3. Phương Pháp Variance Covariance Phân Tích Rủi Ro

Phương pháp Variance-Covariance dựa trên giả định rằng lợi nhuận tuân theo phân phối chuẩn. Phương pháp này đơn giản, dễ tính toán và phù hợp với các danh mục đầu tư có cấu trúc đơn giản. Tuy nhiên, nó có thể không chính xác trong trường hợp lợi nhuận không tuân theo phân phối chuẩn hoặc có các yếu tố phi tuyến tính. Tiếp theo, luận văn sử dụng phương pháp thống kê tỷ lệ vi phạm VaR và mô hình kiểm định VR để kiểm định tính phù hợp của mô hình, đánh giá hiệu quả thực hiện tương đối của mô hình VaR khi sử dụng ước lượng phương sai thay đổi GARCH(1,1) ở các mức rủi ro khác nhau khi áp dụng cho danh mục đầu tư cổ phiếu các NHTM niêm yết tại Việt Nam

IV. Ứng Dụng VaR Đo Lường Rủi Ro Danh Mục Ngân Hàng

Nghiên cứu thực nghiệm cho thấy mô hình VaR có thể được ứng dụng hiệu quả để đo lường rủi ro cho danh mục đầu tư cổ phiếu ngân hàng Việt Nam. Kết quả cho thấy mức lỗ tối đa có thể xảy ra trong một ngày, với một mức độ tin cậy nhất định. Tuy nhiên, cần lưu ý đến các hạn chế của mô hình và điều chỉnh các giả định để phù hợp với điều kiện thị trường. Trong một nghiên cứu gần đây, Võ Hồng Đức và Huỳnh Long Phi (2015) đã tiên phong trong việc ứng dụng 12 mô hình ước lượng phương sai thay đổi để ước lượng VaR – 1 ngày của chỉ số VN-Index và HNX-Index ở các mức rủi ro được nghiên cứu trên TTCK Việt Nam.

4.1. Phân Tích Kết Quả Ước Lượng VaR Cho Cổ Phiếu Ngân Hàng

Kết quả ước lượng VaR cho thấy mức độ rủi ro khác nhau giữa các cổ phiếu ngân hàng. Các ngân hàng có quy mô lớn, hoạt động ổn định thường có mức VaR thấp hơn so với các ngân hàng có quy mô nhỏ, hoạt động kém hiệu quả. Điều này phản ánh sự khác biệt về rủi ro tín dụng, rủi ro thanh khoản và rủi ro hoạt động giữa các ngân hàng. Tuy nhiên kì vọng vào nhóm cổ phiếu ngân hàng trong thời gian tới là rất lớn khi mà hiệu quả của chính sách vĩ mô đang được phát huy và nền kinh tế đang dần phục hồi.

4.2. Kiểm Định Tính Phù Hợp Của Mô Hình VaR

Để đảm bảo tính chính xác của mô hình VaR, cần thực hiện các kiểm định thống kê để đánh giá mức độ phù hợp của mô hình với dữ liệu thực tế. Các kiểm định phổ biến bao gồm Backtesting và Stress Testing. Kết quả kiểm định giúp nhà đầu tư đánh giá mức độ tin cậy của mô hình và điều chỉnh các giả định nếu cần thiết. Đồng thời, nghiên cứu cũng chỉ ra rằng kích cỡ mẫu có ảnh hưởng đến tính chính xác của ước lượng VaR.

V. Kết Luận Và Hàm Ý Chính Sách Về Ứng Dụng VaR

Mô hình VaR là một công cụ hữu ích để đo lường rủi ro và quản trị danh mục đầu tư cổ phiếu ngân hàng Việt Nam. Tuy nhiên, cần lưu ý đến các hạn chế của mô hình và điều chỉnh các giả định để phù hợp với điều kiện thị trường. Việc kết hợp VaR với các công cụ khác và liên tục cập nhật dữ liệu giúp tăng cường khả năng quản trị rủi ro toàn diện. Mặc dù còn nhiều hạn chế, luận văn đã cung cấp thêm công cụ hữu ích cho các nhà tài chính, các nhà quản trị rủi ro trong việc ra quyết định và quản lý danh mục đầu tư của mình hiệu quả hơn.

5.1. Tóm Tắt Kết Quả Nghiên Cứu Về Mô Hình VaR

Nghiên cứu đã chỉ ra rằng mô hình VaR có thể được ứng dụng hiệu quả để đo lường rủi ro cho danh mục đầu tư cổ phiếu ngân hàng Việt Nam. Tuy nhiên, cần lưu ý đến các hạn chế của mô hình và điều chỉnh các giả định để phù hợp với điều kiện thị trường. Kết quả nghiên cứu cho thấy chuỗi tỷ suất lợi nhuận của các danh mục đầu tư không theo phân phối chuẩn đồng nhất mà có hiện tượng “leptokurtosis” tức hàm xác suất có đuôi dài.

5.2. Hàm Ý Chính Sách Cho Quản Lý Rủi Ro Ngân Hàng

Kết quả nghiên cứu có hàm ý quan trọng cho việc quản lý rủi ro trong ngành ngân hàng Việt Nam. Các ngân hàng cần tăng cường sử dụng các công cụ định lượng như VaR để đánh giá rủi ro và đưa ra các quyết định kinh doanh sáng suốt hơn. Đồng thời, cần chú trọng đến việc đào tạo và nâng cao năng lực cho đội ngũ cán bộ quản lý rủi ro. Từ đó cũng cho thấy giả định phân phối có ý nghĩa rất quan trọng đối với chất lượng dự báo của mô hình VaR.

5.3. Hướng Nghiên Cứu Mở Rộng Về Ứng Dụng VaR

Trong tương lai, có thể mở rộng nghiên cứu về ứng dụng mô hình VaR cho các loại tài sản khác như trái phiếu, bất động sản và các công cụ phái sinh. Ngoài ra, có thể nghiên cứu các phương pháp tính toán VaR tiên tiến hơn và kết hợp VaR với các công cụ quản trị rủi ro khác để tạo ra một hệ thống quản trị rủi ro toàn diện. Tuy nhiên, hạn chế lớn nhất của mô hình GARCH là chúng được giả định có tính chất đối xứng, nghĩa là phương sai của mô hình này chỉ phụ thuộc vào độ lớn chứ không phụ thuộc vào dấu của nhiễu.

Tổng quan nghiên cứu

Trong giai đoạn từ tháng 07/2006 đến tháng 04/2016, thị trường chứng khoán Việt Nam chứng kiến sự biến động mạnh mẽ của nhóm cổ phiếu các ngân hàng thương mại (NHTM) niêm yết. Với 9 cổ phiếu NHTM được nghiên cứu, ngành ngân hàng Việt Nam đang đối mặt với nhiều rủi ro, đặc biệt là rủi ro tín dụng và sự kém bền vững của hệ thống, gây tâm lý e ngại cho nhà đầu tư. Mức độ rủi ro này ảnh hưởng trực tiếp đến quyết định đầu tư và hiệu quả quản lý danh mục đầu tư. Do đó, việc ứng dụng các công cụ định lượng rủi ro là rất cần thiết để hỗ trợ nhà đầu tư trong việc đánh giá và quản lý rủi ro danh mục đầu tư cổ phiếu nhóm ngân hàng.

Mục tiêu chính của nghiên cứu là ứng dụng mô hình Value at Risk (VaR) với ước lượng phương sai thay đổi GARCH(1,1) để đo lường rủi ro danh mục đầu tư cổ phiếu các NHTM Việt Nam. Nghiên cứu tập trung vào việc xác định mức tổn thất tối đa có thể xảy ra với các mức tin cậy khác nhau, đồng thời kiểm định sự phù hợp và hiệu quả của mô hình VaR trong bối cảnh thị trường Việt Nam. Phạm vi nghiên cứu bao gồm 9 cổ phiếu NHTM niêm yết trên Sở Giao dịch Chứng khoán TP. Hồ Chí Minh, với dữ liệu giá đóng cửa điều chỉnh và giá trị vốn hóa thị trường trong khoảng thời gian 10 năm.

Ý nghĩa của nghiên cứu được thể hiện qua việc cung cấp một công cụ định lượng rủi ro hữu ích, giúp các nhà đầu tư và nhà quản trị rủi ro có thể đưa ra quyết định đầu tư chính xác hơn, đồng thời nâng cao hiệu quả quản lý danh mục đầu tư trong bối cảnh thị trường tài chính Việt Nam còn nhiều biến động và chưa phổ biến các mô hình đo lường rủi ro tiên tiến.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết chính: lý thuyết rủi ro danh mục đầu tư và mô hình Value at Risk (VaR). Rủi ro danh mục đầu tư được hiểu là sự sai biệt giữa lợi nhuận thực tế và lợi nhuận kỳ vọng của danh mục, bao gồm rủi ro hệ thống (không thể đa dạng hóa) và rủi ro phi hệ thống (có thể giảm thiểu bằng đa dạng hóa). Đo lường rủi ro truyền thống sử dụng phương sai và độ lệch chuẩn của tỷ suất lợi nhuận, trong khi VaR cung cấp một thước đo định lượng về mức tổn thất tối đa có thể xảy ra trong một khoảng thời gian với mức độ tin cậy xác định.

Mô hình VaR được xây dựng dựa trên cơ sở lý thuyết xác suất và thống kê, với các phương pháp tính toán phổ biến gồm phương pháp phương sai-hiệp phương sai, mô phỏng lịch sử và mô phỏng Monte Carlo. Trong nghiên cứu này, mô hình VaR được ước lượng bằng phương pháp phương sai-hiệp phương sai kết hợp với mô hình GARCH(1,1) để ước lượng phương sai thay đổi theo thời gian, giả định phân phối chuẩn cho tỷ suất lợi nhuận. Các khái niệm chính bao gồm:

• Value at Risk (VaR): Mức tổn thất tối đa có thể xảy ra với xác suất (1-p) trong khoảng thời gian xác định.
• Mô hình GARCH(1,1): Mô hình ước lượng phương sai thay đổi theo thời gian, phản ánh sự biến động của tỷ suất lợi nhuận.
• Phân phối chuẩn và kiểm định Jarque-Bera: Đánh giá tính phù hợp của giả định phân phối chuẩn cho chuỗi tỷ suất lợi nhuận.
• Kiểm định VR: Phương pháp kiểm định sự phù hợp của mô hình VaR thông qua tỷ lệ vi phạm thực tế so với kỳ vọng.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp định lượng dựa trên dữ liệu giá đóng cửa điều chỉnh và giá trị vốn hóa thị trường của 9 cổ phiếu NHTM niêm yết trên Sở Giao dịch Chứng khoán TP. Hồ Chí Minh trong giai đoạn 07/2006 - 04/2016. Cỡ mẫu dao động từ khoảng 555 đến 2438 quan sát tùy từng cổ phiếu và danh mục tổng hợp.

Quy trình nghiên cứu gồm các bước:

1. Xây dựng danh mục đầu tư: Bao gồm 9 danh mục đơn lẻ tương ứng với từng cổ phiếu và một danh mục tổng hợp 9 cổ phiếu.
2. Tính toán tỷ suất lợi nhuận hàng ngày: Sử dụng công thức logarit từ giá đóng cửa điều chỉnh.
3. Xác định mức rủi ro p: Các mức rủi ro được chọn gồm 5%, 2.5%, 1% và 0.1% tương ứng với các mức tin cậy 95%, 97.5%, 99% và 99.9%.
4. Kiểm định giả thiết phân phối chuẩn và tính dừng: Sử dụng kiểm định Jarque-Bera và kiểm định nghiệm đơn vị (Unit Root Test) để đảm bảo tính phù hợp của dữ liệu với mô hình.
5. Ước lượng VaR: Áp dụng mô hình GARCH(1,1) để ước lượng phương sai thay đổi, kết hợp với giả định phân phối chuẩn để tính VaR.
6. Kiểm định mô hình: Sử dụng tỷ lệ vi phạm VaR thực tế (VR) để đánh giá chất lượng dự báo của mô hình.

Phương pháp phân tích được thực hiện trên phần mềm Eviews, đảm bảo tính chính xác và khả năng tái lập kết quả nghiên cứu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Chuỗi tỷ suất lợi nhuận không tuân theo phân phối chuẩn: Kiểm định Jarque-Bera cho thấy hệ số Jarque-Bera của 10 danh mục đều vượt mức ngưỡng kiểm định, chứng tỏ chuỗi tỷ suất lợi nhuận có hiện tượng leptokurtosis với đuôi dài, không phù hợp với giả định phân phối chuẩn. Ví dụ, danh mục tổng hợp 9 cổ phiếu có hệ số kurtosis lớn hơn 3, cho thấy phân phối nhọn hơn phân phối chuẩn.

2. Chuỗi tỷ suất lợi nhuận là chuỗi dừng: Kiểm định nghiệm đơn vị cho thấy hệ số t-statistic (τ) của tất cả các danh mục đều vượt mức ngưỡng kiểm định ở các mức ý nghĩa 1%, 5%, 10%, khẳng định tính dừng của chuỗi dữ liệu, phù hợp với yêu cầu của mô hình GARCH.

3. Mô hình GARCH(1,1) ước lượng phương sai thay đổi hiệu quả: Kết quả ước lượng cho thấy mô hình phản ánh tốt sự biến động của tỷ suất lợi nhuận theo thời gian, với các tham số có ý nghĩa thống kê, thể hiện tác động của cú sốc trong quá khứ đến phương sai hiện tại.

4. Chất lượng dự báo VaR không đồng nhất theo mức rủi ro: Kiểm định tỷ lệ vi phạm VaR (VR) cho thấy mô hình ước lượng VaR ở mức rủi ro 5% và 2.5% cho kết quả phù hợp hơn so với các mức rủi ro thấp hơn như 1% và 0.1%. Ví dụ, tỷ lệ vi phạm thực tế ở mức 5% dao động quanh 4.8%, gần với tỷ lệ kỳ vọng, trong khi ở mức 0.1% tỷ lệ vi phạm thực tế cao hơn nhiều, cho thấy mô hình kém chính xác ở mức rủi ro thấp.

Thảo luận kết quả

Nguyên nhân chuỗi tỷ suất lợi nhuận không tuân theo phân phối chuẩn có thể do đặc điểm thị trường chứng khoán Việt Nam còn non trẻ, biến động mạnh và chịu ảnh hưởng bởi các yếu tố kinh tế vĩ mô chưa ổn định. Hiện tượng leptokurtosis phản ánh sự xuất hiện các cú sốc lớn, làm cho mô hình VaR giả định phân phối chuẩn có thể đánh giá thấp rủi ro thực tế trong một số trường hợp.

Việc chuỗi dữ liệu là chuỗi dừng đảm bảo tính ổn định của mô hình GARCH, giúp ước lượng phương sai thay đổi chính xác hơn. Tuy nhiên, hạn chế của mô hình GARCH là giả định tính đối xứng của phương sai, không phân biệt tác động của cú sốc tích cực hay tiêu cực, điều này có thể làm giảm độ chính xác trong dự báo rủi ro.

So sánh với các nghiên cứu quốc tế, kết quả phù hợp với các nghiên cứu cho thấy mô hình GARCH(1,1) với giả định phân phối Student’s t thường cho kết quả chính xác hơn phân phối chuẩn. Tuy nhiên, do hạn chế về dữ liệu và tính chất thị trường Việt Nam, nghiên cứu vẫn sử dụng giả định phân phối chuẩn để đơn giản hóa mô hình.

Chất lượng dự báo VaR phụ thuộc nhiều vào mức rủi ro và kích cỡ mẫu. Mức rủi ro cao hơn (5%, 2.5%) cho kết quả dự báo tốt hơn do có nhiều dữ liệu vi phạm hơn để kiểm định, trong khi mức rủi ro thấp (1%, 0.1%) có ít vi phạm hơn, làm giảm độ tin cậy của kiểm định.

Dữ liệu có thể được trình bày qua biểu đồ phân phối tỷ suất lợi nhuận và bảng thống kê mô tả các tham số như trung bình, độ lệch chuẩn, skewness, kurtosis, cùng bảng kết quả kiểm định Jarque-Bera và kiểm định VR để minh họa tính phù hợp của mô hình.

Đề xuất và khuyến nghị

1. Áp dụng mô hình VaR kết hợp GARCH(1,1) trong quản lý rủi ro danh mục đầu tư: Các tổ chức tài chính và nhà đầu tư nên sử dụng mô hình này để định lượng rủi ro danh mục cổ phiếu ngân hàng, đặc biệt ở các mức rủi ro 5% và 2.5%, nhằm nâng cao hiệu quả quản lý rủi ro trong vòng 1-2 năm tới.

2. Tăng cường thu thập và xử lý dữ liệu lịch sử dài hạn: Việc mở rộng dữ liệu quan sát sẽ giúp cải thiện độ chính xác của mô hình VaR, giảm thiểu sai số ước lượng, đặc biệt trong bối cảnh thị trường Việt Nam còn nhiều biến động. Các cơ quan quản lý và doanh nghiệp nên phối hợp để xây dựng cơ sở dữ liệu đầy đủ và minh bạch trong 3-5 năm tới.

3. Phát triển mô hình VaR với giả định phân phối phi chuẩn: Nghiên cứu và áp dụng các mô hình VaR dựa trên phân phối Student’s t hoặc phân phối GED để khắc phục hạn chế của giả định phân phối chuẩn, từ đó nâng cao độ chính xác dự báo rủi ro, đặc biệt trong các giai đoạn thị trường biến động mạnh. Các nhà nghiên cứu và chuyên gia phân tích nên tập trung phát triển trong 2-3 năm tới.

4. Đào tạo và nâng cao nhận thức về quản trị rủi ro tài chính: Các tổ chức tài chính, ngân hàng và nhà đầu tư cần được đào tạo bài bản về các công cụ đo lường rủi ro hiện đại như VaR, GARCH để áp dụng hiệu quả trong thực tiễn. Các chương trình đào tạo chuyên sâu nên được triển khai thường xuyên trong vòng 1 năm tới.

Đối tượng nên tham khảo luận văn

1. Nhà đầu tư cá nhân và tổ chức: Giúp hiểu rõ hơn về rủi ro danh mục đầu tư cổ phiếu ngân hàng, từ đó đưa ra quyết định đầu tư hợp lý, giảm thiểu tổn thất không mong muốn.

2. Các nhà quản lý quỹ và chuyên viên phân tích tài chính: Cung cấp công cụ định lượng rủi ro chính xác để quản lý danh mục đầu tư, tối ưu hóa lợi nhuận và kiểm soát rủi ro hiệu quả.

3. Cơ quan quản lý thị trường chứng khoán và ngân hàng: Hỗ trợ trong việc xây dựng chính sách giám sát rủi ro, nâng cao tính minh bạch và ổn định của thị trường tài chính.

4. Giảng viên và sinh viên chuyên ngành Tài chính – Ngân hàng: Là tài liệu tham khảo quý giá cho việc nghiên cứu, giảng dạy và phát triển các mô hình đo lường rủi ro tài chính phù hợp với thị trường Việt Nam.

Câu hỏi thường gặp

1. Mô hình VaR là gì và tại sao lại quan trọng trong quản trị rủi ro?
   VaR là thước đo định lượng mức tổn thất tối đa có thể xảy ra trong một khoảng thời gian với mức độ tin cậy xác định. Nó giúp nhà đầu tư và tổ chức tài chính đánh giá và kiểm soát rủi ro hiệu quả, tránh các tổn thất bất ngờ.

2. Tại sao mô hình GARCH(1,1) được sử dụng để ước lượng VaR?
   GARCH(1,1) cho phép ước lượng phương sai thay đổi theo thời gian, phản ánh chính xác sự biến động của tỷ suất lợi nhuận, từ đó cải thiện độ chính xác của ước lượng VaR so với các mô hình cố định phương sai.

3. Giả định phân phối chuẩn có ảnh hưởng như thế nào đến kết quả VaR?
   Giả định phân phối chuẩn có thể làm giảm độ chính xác khi chuỗi tỷ suất lợi nhuận thực tế có hiện tượng leptokurtosis hoặc phân phối phi chuẩn, dẫn đến đánh giá thấp rủi ro ở các đuôi phân phối.

4. Mức rủi ro nào phù hợp để áp dụng mô hình VaR trong thực tế?
   Mức rủi ro phổ biến là 5% và 1%, tương ứng với độ tin cậy 95% và 99%. Nghiên cứu cho thấy mô hình VaR ước lượng tốt hơn ở mức 5% và 2.5%, phù hợp với nhu cầu quản trị rủi ro ngắn hạn.

5. Làm thế nào để kiểm định sự phù hợp của mô hình VaR?
   Sử dụng tỷ lệ vi phạm VaR thực tế (VR) so sánh với tỷ lệ vi phạm kỳ vọng. Nếu VR nằm trong khoảng từ 0 đến 1, mô hình được đánh giá là phù hợp và có độ chính xác cao trong dự báo rủi ro.

Kết luận

• Nghiên cứu đã ứng dụng thành công mô hình VaR kết hợp GARCH(1,1) để đo lường rủi ro danh mục đầu tư cổ phiếu các NHTM Việt Nam trong giai đoạn 2006-2016.
• Chuỗi tỷ suất lợi nhuận không tuân theo phân phối chuẩn, có hiện tượng leptokurtosis, ảnh hưởng đến độ chính xác của mô hình VaR giả định phân phối chuẩn.
• Mô hình GARCH(1,1) ước lượng phương sai thay đổi hiệu quả, phản ánh biến động thực tế của thị trường.
• Chất lượng dự báo VaR phụ thuộc vào mức rủi ro và kích cỡ mẫu, với mức 5% và 2.5% cho kết quả tốt hơn.
• Đề xuất phát triển mô hình VaR với giả định phân phối phi chuẩn và tăng cường đào tạo quản trị rủi ro để nâng cao hiệu quả ứng dụng trong thực tế.

Nhà đầu tư và các tổ chức tài chính được khuyến khích áp dụng mô hình VaR kết hợp GARCH(1,1) để nâng cao khả năng quản lý rủi ro danh mục đầu tư. Các nghiên cứu tiếp theo nên mở rộng phạm vi dữ liệu và phát triển mô hình phù hợp hơn với đặc thù thị trường Việt Nam. Hành động ngay hôm nay để tối ưu hóa chiến lược đầu tư và quản trị rủi ro là bước đi cần thiết cho sự thành công bền vững.