Giới thiệu dự án

Trong bối cảnh thị trường chứng khoán Việt Nam giai đoạn 2018–2020 trải qua nhiều biến động mạnh mẽ do ảnh hưởng của các yếu tố vĩ mô và đại dịch COVID-19, việc quản trị rủi ro danh mục đầu tư trở thành yêu cầu sống còn đối với cả nhà đầu tư cá nhân lẫn các định chế tài chính. Cổ phiếu của Công ty Cổ phần FPT (Mã HOSE: FPT) – một doanh nghiệp đầu ngành công nghệ thông tin – viễn thông với doanh thu năm 2019 đạt 27.717 tỷ đồng (+19,4% YoY) và lợi nhuận trước thuế đạt 4.665 tỷ đồng (+20,9% YoY) – tuy được xem là cổ phiếu blue-chip có nền tảng cơ bản vững chắc, nhưng vẫn chịu tác động lớn từ rủi ro thị trường và biến động giá bất thường.

Vấn đề cốt lõi đặt ra là các phương pháp phân tích cơ bản truyền thống (như ROA, ROE, P/E) chỉ phản ánh tình trạng tài chính trong quá khứ và không thể lượng hóa mức tổn thất tối đa mà nhà đầu tư có thể phải đối mặt trong một phiên giao dịch ở điều kiện thị trường bình thường. Để giải quyết khoảng trống này, đề tài "Ứng dụng mô hình VaR trong phân tích rủi ro cổ phiếu Công ty Cổ phần FPT giai đoạn 2018–2020" được thực hiện nhằm xây dựng hệ thống đo lường rủi ro định lượng chính xác và có khả năng kiểm định thực tế.

Mục tiêu nghiên cứu của dự án được cụ thể hóa thành 4 trọng tâm:

  1. Hệ thống hóa cơ sở lý thuyết về rủi ro tài chính (rủi ro hệ thống, rủi ro phi hệ thống) và các phương pháp đo lường Giá trị chịu rủi ro (Value at Risk - VaR).
  2. Đánh giá toàn diện bức tranh tài chính và biến động thị giá cổ phiếu FPT giai đoạn 2018–2020 thông qua hệ thống chỉ số thanh toán, đòn bẩy, hiệu quả hoạt động và định giá.
  3. Xây dựng và ước lượng mô hình VaR cho chuỗi lợi suất cổ phiếu FPT thông qua 3 cách tiếp cận: Phương pháp tham số (kết hợp phân phối Student-$t$ và mô hình kinh tế lượng chuỗi thời gian ARIMA–ARCH), Phương pháp mô phỏng lịch sử (Historical Simulation), và Phương pháp mô phỏng Monte Carlo.
  4. Thực hiện quy trình hậu kiểm (Backtesting) theo tiêu chuẩn của Ngân hàng Thanh toán Quốc tế (BIS) nhằm đánh giá độ tin cậy và lựa chọn mô hình tối ưu cho thị trường Việt Nam.

Phạm vi nghiên cứu tập trung vào 793 quan sát giá đóng cửa điều chỉnh hàng ngày của cổ phiếu FPT từ ngày 02/01/2018 đến ngày 29/03/2021 trên sàn HOSE.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phân tích báo cáo tài chính của FPT giai đoạn 2018–2020 cho thấy sự dịch chuyển đáng kể trong cấu trúc vốn và chỉ số thanh khoản:

  • Khả năng thanh toán: Tỷ số thanh toán hiện hành giảm từ 1,27 lần (2018) xuống 1,18 lần (2019) và 0,87 lần (2020); tỷ số thanh toán nhanh giảm từ 1,18 lần xuống 0,81 lần. Điều này phản ánh áp lực nợ ngắn hạn gia tăng trong năm 2020 dưới tác động của dịch bệnh.
  • Quản trị nợ: Tỷ số nợ tăng từ 50% (2018–2019) lên 68% (2020); Hệ số chi trả lãi vay (TIE) suy giảm từ 16,19 lần xuống 8,55 lần.
  • Hiệu quả sinh lời và định giá: Tỷ suất ROE tăng trưởng mạnh từ 21,89% (2018) lên 32,77% (2020), chỉ số P/E tăng vọt từ 9,43 lần lên 27,94 lần, và P/B đạt 9,12 lần vào năm 2020.

Sự phân kỳ giữa định giá thị trường tăng cao và áp lực thanh khoản ngắn hạn cho thấy việc phụ thuộc đơn thuần vào phân tích báo cáo tài chính sẽ tạo ra độ trễ lớn trong nhận diện rủi ro danh mục.

Phương pháp Ưu điểm Nhược điểm Độ phức tạp Tính khả thi thực tế
Phân tích cơ bản (Ratios) Phản ánh sức khỏe nội tại của doanh nghiệp Độ trễ cao, không đo được rủi ro biến động giá theo ngày Thấp Không dùng quản trị rủi ro tức thời
VaR Tham số (Parametric) Tính toán nhanh, minh bạch, kết hợp được chuỗi thời gian Nhạy cảm với giả định phân phối chuẩn Trung bình Rất cao khi hiệu chỉnh phân phối $t$
Mô phỏng Lịch sử (Historical) Không phụ thuộc giả thiết phân phối Kém chính xác khi thị trường biến động mạnh/đột biến Thấp Phù hợp giai đoạn thị trường ổn định
Mô phỏng Monte Carlo Bao hàm nhiều kịch bản ngẫu nhiên, độ chính xác cao Đòi hỏi tài nguyên tính toán lớn Cao Cao với sự hỗ trợ của phần mềm

Thiết kế hệ thống định lượng

Kiến trúc quy trình phân tích và đo lường rủi ro định lượng bao gồm 5 module logic khép kín:

[Dữ liệu Giá đóng cửa P_t] 
[Module 1: Tính Lợi suất Logarithm r_t = ln(P_t / P_{t-1})]
[Module 2: Kiểm định Thống kê (ADF Test tính dừng, Jarque-Bera phân phối chuẩn)]
[Module 3: Mô hình hóa Kinh tế lượng (AR(5) xác định kỳ vọng, ARCH(1) xác định phương sai)]
[Module 4: Ước lượng VaR (Student-t Parametric, Historical, Monte Carlo)]
[Module 5: BIS Backtesting Validation (250 phiên giao dịch)]
  • Công nghệ và Môi trường: EViews 10, Microsoft Excel Data Analysis Toolpak, Python 3.8 (NumPy, SciPy, Statsmodels, Arch).
  • Yêu cầu hiệu năng: Thời gian xử lý chuỗi 793 mẫu và 1.000 bước lặp Monte Carlo dưới 5 giây; đảm bảo độ chính xác của các giá trị $p\text{-value}$ đến 4 chữ số thập phân.

Methodology

Phương pháp luận định lượng dựa trên chuỗi lợi suất logarit hàng ngày:

$$r_t = \ln\left(\frac{P_t}{P_{t-1}}\right)$$

Đối với chuỗi lợi suất không tuân theo phân phối chuẩn, mô hình sử dụng phân phối Student-$t$ chuẩn hóa với $s$ bậc tự do ($s = 5$). Giá trị tới hạn $\alpha = 5%$ được hiệu chỉnh qua công thức:

$$t_\alpha^{(s)} = \frac{t_s(\alpha)}{\sqrt{\frac{s}{s-2}}}$$

Công thức ước lượng Giá trị chịu rủi ro 1 ngày ở mức tin cậy $1 - \alpha$:

$$\text{VaR}(1\text{ ngày}, (1-\alpha)100%) = \hat{\mu} + t_\alpha^{(s)} \cdot \hat{\sigma}$$

Trong trường hợp kết hợp mô hình kinh tế lượng biến động có điều kiện ARIMA$(p,0,q)$ – GARCH$(p,q)$, phương trình kỳ vọng có điều kiện và phương sai có điều kiện được biểu diễn:

$$r_t = \theta_0 + \sum_{i=1}^p \phi_i r_{t-i} + u_t, \quad u_t = \sigma_t \epsilon_t, \quad \epsilon_t \sim \text{IID}(0,1)$$

$$\sigma_t^2 = \omega + \sum_{i=1}^q \alpha_i u_{t-i}^2 + \sum_{j=1}^p \beta_j \sigma_{t-j}^2$$

Implementation và kết quả

Quá trình thực nghiệm và kiểm định thống kê

Dữ liệu thực nghiệm bao gồm 793 phiên giao dịch từ 02/01/2018 đến 29/03/2021 của cổ phiếu FPT (LSFPT). Kết quả thống kê mô tả:

  • Lợi suất trung bình ($\mu$): $0,000238$ ($0,0238%/\text{ngày}$).
  • Độ lệch chuẩn ($\sigma$): $0,019691$ ($1,9691%$).
  • Lợi suất lớn nhất: $+0,067627$ ($+6,76%$).
  • Lợi suất nhỏ nhất: $-0,196199$ ($-19,62%$).
  • Kiểm định Phân phối Chuẩn (Jarque-Bera): Thống kê Jarque-Bera đạt $825,9736$ với $p\text{-value} = 0,0000 < 0,05$. Kết quả bác bỏ hoàn toàn giả thiết $H_0$, xác nhận chuỗi lợi suất FPT có hiện tượng đuôi béo (fat-tailed) và nhọn hơn phân phối chuẩn (leptokurtic).
  • Kiểm định Tính dừng (Augmented Dickey-Fuller - ADF): Giá trị $|t_{\text{ADF}}| = |-26,78888| = 26,78888$, vượt xa giá trị tới hạn tại mức ý nghĩa 1% ($-3,568668$). Chuỗi lợi suất dừng hoàn toàn ở bậc $I(0)$.
import numpy as np
import pandas as pd
from scipy import stats

def calculate_parametric_student_t_var(returns, alpha=0.05, df=5):
    """
    Tính VaR tham số với phân phối Student-t chuẩn hóa
    """
    mu = np.mean(returns)
    sigma = np.std(returns, ddof=1)
    # Phân vị t-student với df bậc tự do
    t_stat = stats.t.ppf(alpha, df=df)
    # Chuẩn hóa độ lệch chuẩn theo bậc tự do
    t_normalized = t_stat / np.sqrt(df / (df - 2))
    var_value = mu + t_normalized * sigma
    return var_value

# Dữ liệu thực nghiệm FPT: mu = 0.000238, sigma = 0.019691
var_95_param = calculate_parametric_student_t_var([0.000238], alpha=0.05, df=5)

Ước lượng phương trình trung bình thông qua lược đồ tự tương quan (PACF) xác định mô hình tối ưu $\text{AR}(5)$ không có hệ số chặn ($AIC = -5,017823$, $DW = 1,063899$, hệ số có ý nghĩa thống kê tại mức 5%). Kiểm định hiệu ứng ARCH trên bình phương chuỗi phần dư $\text{RESID}^2$ cho thấy thống kê $F = 11,0008$ với $p\text{-value} = 0,0008 < 0,05$, xác nhận sự tồn tại của hiệu ứng cụm biến động $\text{ARCH}(1)$.

Kết quả ước lượng VaR

Với vị thế nắm giữ 1.000 cổ phiếu FPT tại mức giá đóng cửa ngày 29/03/2021 ($77.600\text{ VNĐ/cổ phiếu}$, tổng giá trị danh mục $77.600.000\text{ VNĐ}$), các phương pháp cho kết quả ước lượng rủi ro 1 ngày tại mức tin cậy 95% ($\alpha = 5%$) như sau:

  1. Phương pháp Tham số (Student-$t$, $s=5$):
    • $\text{VaR}(1\text{ ngày}, 95%) = -0,030496$ ($-3,0496%$).
    • Mức lỗ tiềm năng tối đa: $1.000 \times 77.600 \times 0,030496 \approx 2.366.489\text{ VNĐ}$.
  2. Phương pháp Mô phỏng Lịch sử (Historical Simulation):
    • Vị trí phân vị thứ $(1 - 0,95) \times 793 + 1 = 40$ trong mẫu sắp xếp.
    • $\text{VaR}(1\text{ ngày}, 95%) = -0,02897$ ($-2,897%$).
    • Mức lỗ tiềm năng tối đa: $1.000 \times 77.600 \times 0,02897 \approx 2.248.072\text{ VNĐ}$.
  3. Phương pháp Mô phỏng Monte Carlo (1.000 bước lặp $\times$ 1.000 quan sát):
    • $\text{VaR}(1\text{ ngày}, 95%) = -0,02532$ ($-2,532%$).
    • Mức lỗ tiềm năng tối đa: $1.000 \times 77.600 \times 0,02532 \approx 1.964.832\text{ VNĐ}$.

Kiểm định hậu kiểm (BIS Backtesting)

Quy trình hậu kiểm được thực hiện trên mẫu $n = 250$ phiên giao dịch liên tiếp (từ 26/08/2019 đến 21/08/2020) theo tiêu chuẩn Basel II của BIS. Số ngày tổn thất thực tế $P&L$ vượt quá mức dự báo lý thuyết của VaR được mô hình hóa theo phân phối nhị thức:

$$X \sim B(n=250, p=0,05)$$

$$\mathbb{E}[X] = 250 \times 0,05 = 12,5$$

$$\text{Var}(X) = 250 \times 0,05 \times (1 - 0,05) = 11,875$$

Khoảng tin cậy 95% cho số lần vi phạm: $[12,5 - 1,96\sqrt{11,875}; 12,5 + 1,96\sqrt{11,875}] = [5,75; 19,25]$. Tiêu chuẩn BIS quy định mô hình đạt chuẩn nếu số lần vượt ngưỡng không quá 19 phiên.

Mô hình kiểm định Số phiên hậu kiểm Số phiên vi phạm thực tế ($P&L < \text{VaR}$) Ngưỡng cho phép BIS ($\alpha = 5%$) Đánh giá độ tin cậy
VaR Tham số (Student-$t$) 250 7 $\le 19$ ĐẠT (Mô hình chuẩn xác)
VaR Mô phỏng Lịch sử 250 21 $\le 19$ KHÔNG ĐẠT (Bị bác bỏ)

Mô hình VaR tham số phân phối Student-$t$ chỉ ghi nhận 7 phiên vi phạm (nằm hoàn toàn trong khoảng tin cậy chấp nhận $[5,75; 19,25]$), trong khi phương pháp mô phỏng lịch sử thất bại với 21 vi phạm do không kịp thích ứng với các cú sốc biến động mạnh của thị trường đầu năm 2020.

Đổi mới và đóng góp

  1. Hiệu chỉnh Phân phối Phi Chuẩn: Khắc phục hạn chế lớn nhất của mô hình VaR truyền thống (giả định phân phối chuẩn dẫn đến đánh giá thấp rủi ro đuôi) bằng cách áp dụng phân phối Student-$t$ chuẩn hóa ($s = 5$), giúp bao quát chính xác các biến cố sụt giảm mạnh.
  2. Kiểm chứng Thực nghiệm Tính Hiệu quả của Mô hình trong Khủng hoảng: Cung cấp bằng chứng định lượng rõ ràng chứng minh phương pháp Mô phỏng Lịch sử (Historical Simulation) mất tính chuẩn xác trong các giai đoạn biến động đột ngột (21 lỗi/250 phiên), trong khi phương pháp Tham số hiệu chỉnh vẫn duy trì độ chính xác cao (7 lỗi/250 phiên).
  3. Mô hình hóa Động lực Chuỗi thời gian: Tích hợp kiểm định cấu trúc tự tương quan $\text{AR}(5)$ và hiệu ứng cụm phương sai $\text{ARCH}(1)$, tạo cơ sở khoa học để thiết lập các mô hình dự báo biến động có điều kiện GARCH phục vụ quản trị rủi ro chuyên sâu.

Ứng dụng thực tế và triển khai

  • Quản trị Rủi ro Ký quỹ (Margin Call/Force Sell) tại Công ty Chứng khoán: Sử dụng mức $\text{VaR}(1\text{ ngày}, 95%) = -3,05%$ của FPT để định cấu hình ngưỡng cảnh báo tỷ lệ duy trì tài khoản ký quỹ. Khi biên độ giảm dự báo vượt quá $3%$, hệ thống tự động tính toán tỷ lệ đòn bẩy an toàn tối đa cho mã FPT.
  • Thiết lập Stop-loss cho Quỹ Đầu tư: Các quỹ mở và tổ chức tài chính có thể thiết lập giới hạn tổn thất tối đa hàng ngày ($2.366.489\text{ VNĐ}$ trên mỗi $77,6\text{ triệu VNĐ}$ vốn phân bổ) để kích hoạt chiến lược phòng hộ (hedging) bằng hợp đồng tương lai chỉ số VN30F.
  • Tối ưu Vốn Dự trữ Theo Tiêu chuẩn Basel: Giúp các định chế tài chính xác định chính xác quy mô vốn đệm an toàn cần duy trì cho danh mục cổ phiếu công nghệ, tránh việc dự phòng quá mức gây lãng phí vốn hoặc dự phòng thiếu gây mất khả năng thanh toán.

Hạn chế và hướng phát triển

  • Hạn chế:
    • Nghiên cứu tập trung vào tài sản đơn lẻ (cổ phiếu FPT), chưa mở rộng ma trận hiệp phương sai cho toàn bộ danh mục đa tài sản.
    • Số bậc tự do của phân phối Student-$t$ được cố định ở mức $s=5$ thay vì ước lượng tham số biến đổi theo từng cửa sổ thời gian trượt (rolling window).
    • Chưa mở rộng đánh giá rủi ro phần đuôi cực đoan thông qua chỉ số Expected Shortfall (Conditional VaR).
  • Hướng phát triển:
    • Tích hợp các biến thể GARCH phi đối xứng (EGARCH, GJR-GARCH) để nắm bắt hiệu ứng đòn bẩy tin tức xấu (leverage effect).
    • Ứng dụng mô hình Copula để phân tích tương quan phi tuyến giữa FPT và các cổ phiếu trong rổ VN30.
    • Triển khai thuật toán máy học (LSTM-GARCH) để dự báo biến động theo thời gian thực (real-time volatility forecasting).

Đối tượng hưởng lợi

  • Sinh viên & Học viên Chuyên ngành Toán Kinh tế, Tài chính Định lượng: Tiếp cận một khung phân tích hoàn chỉnh từ kiểm định chuỗi thời gian, xây dựng mô hình VaR đến quy trình hậu kiểm chuẩn BIS.
  • Chuyên viên Quản trị Rủi ro (Risk Managers / Quants): Có được bộ thông số thực nghiệm đã được backtest trên thị trường chứng khoán Việt Nam để áp dụng trực tiếp vào hệ thống quản trị nội bộ.
  • Nhà đầu tư Cá nhân & Tổ chức: Hiểu rõ giới hạn tổn thất tối đa có thể xảy ra trong 24 giờ với cổ phiếu FPT, từ đó tối ưu hóa chiến lược phân bổ vốn và đòn bẩy tài chính.
  • Nhà hoạch định Chính sách & Cơ quan Quản lý: Có cơ sở dữ liệu định lượng phục vụ việc xây dựng quy chế giám sát tỷ lệ an toàn vốn cho các công ty chứng khoán thành viên.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và dữ liệu để triển khai hệ thống tính VaR là gì?

Hệ thống yêu cầu chuỗi dữ liệu giá đóng cửa lịch sử tối thiểu 250 đến 800 phiên giao dịch liên tiếp. Môi trường tính toán có thể thực hiện trên Microsoft Excel (Data Analysis, hàm Percentile) hoặc tối ưu hóa trên Python (thư viện pandas, statsmodels, scipy, arch) và phần mềm EViews 10 trở lên.

2. Mô hình VaR tham số có thể mở rộng cho danh mục nhiều cổ phiếu không?

Có. Khi mở rộng cho danh mục $N$ tài sản, ta cần ước lượng thêm ma trận hiệp phương sai (Covariance Matrix) $\mathbf{\Sigma}$ và vector tỷ trọng $\mathbf{w}$. Phương sai danh mục được tính bằng $\sigma_p^2 = \mathbf{w}^T \mathbf{\Sigma} \mathbf{w}$, từ đó áp dụng công thức VaR tham số tương tự.

3. Tại sao phương pháp Mô phỏng Lịch sử lại thất bại trong bài kiểm tra hậu kiểm BIS?

Phương pháp Mô phỏng Lịch sử giả định phân phối quá khứ sẽ lặp lại nguyên vẹn trong tương lai. Khi thị trường xuất hiện các cú sốc lớn bất thường (như đợt bùng phát COVID-19 đầu năm 2020), chuỗi dữ liệu quá khứ không chứa đựng các biến cố tương tự, dẫn đến việc ước lượng thấp rủi ro thực tế (21 phiên vượt ngưỡng vi phạm so với trần 19 của BIS).

4. Quy trình bảo trì và cập nhật tham số mô hình nên thực hiện với tần suất nào?

Tham số mô hình ($\mu, \sigma$, bậc tự do $s$, các hệ số $\text{AR}$, $\text{ARCH}$) cần được tái ước lượng định kỳ hàng tuần hoặc sử dụng kỹ thuật cửa sổ trượt 250 ngày (rolling window 250 days) để phản ánh kịp thời sự thay đổi của cấu trúc biến động thị trường.

5. Chi phí triển khai và thời gian thu hồi giá trị của giải pháp này?

Mô hình sử dụng các công cụ mã nguồn mở hoặc phần mềm thống kê cơ bản, chi phí đầu tư ban đầu gần như bằng 0. Giá trị bảo vệ vốn mang lại ngay lập tức thông qua việc ngăn chặn các khoản lỗ vượt mức kiểm soát và tối ưu hóa chi phí sử dụng vốn vay margin.

Kết luận

Đề tài đã hoàn thành xuất sắc mục tiêu định lượng hóa rủi ro thị trường cho cổ phiếu Công ty Cổ phần FPT giai đoạn 2018–2020. Kết quả thực nghiệm khẳng định việc kết hợp chuỗi dữ liệu giá đóng cửa với mô hình VaR Tham số hiệu chỉnh phân phối Student-$t$ ($s=5$) đem lại độ chính xác vượt trội, vượt qua bài kiểm tra hậu kiểm khắt khe của BIS với chỉ 7/250 phiên vi phạm. Đây là công cụ đắc lực, khoa học giúp các nhà đầu tư và định chế tài chính bảo vệ danh mục, tối ưu hóa đòn bẩy và nâng cao hiệu quả sinh lời bền vững trên thị trường chứng khoán Việt Nam.