Giới thiệu dự án

Trong bối cảnh kinh tế toàn cầu chịu ảnh hưởng nặng nề từ các cú sốc chuỗi cung ứng, biến động giá năng lượng và chu kỳ tăng lãi suất của các ngân hàng trung ương, rủi ro thị trường (Market Risk - RRTT) trở thành thách thức sống còn đối với các doanh nghiệp sản xuất niêm yết. Theo báo cáo từ Ernst & Young (EY, 2022) và Ủy ban Giám sát Ngân hàng Basel (BCBS, 2019), việc đo lường tổn thất tiềm năng từ biến động giá hàng hóa, tỷ giá hối đoái và lãi suất không chỉ là yêu cầu bắt buộc đối với các định chế tài chính theo chuẩn mực Basel II/III mà còn là công cụ thiết yếu để bảo toàn vốn lưu động cho khối phi tài chính. Tại Việt Nam, Công ty Cổ phần Sợi Thế Kỷ (Mã chứng khoán: STK - HOSE) là doanh nghiệp đầu ngành trong chuỗi cung ứng dệt may, trực tiếp nhập khẩu nguyên liệu hạt nhựa PET Chips và phục vụ cả thị trường nội địa (chiếm 68% doanh thu năm 2022) lẫn xuất khẩu (32% doanh thu).

Vấn đề cốt lõi đặt ra là hệ thống quản trị rủi ro tại hầu hết các doanh nghiệp sản xuất hiện nay vẫn mang tính chất định tính, dựa trên báo cáo kế toán quá khứ và các kỹ thuật phòng vệ thụ động. Chi phí nguyên vật liệu của STK chiếm hơn 70% giá vốn hàng bán (COGS), chịu tác động liên đới trực tiếp từ biến động giá dầu thô thế giới thông qua các chế phẩm PTA và MEG. Đồng thời, cấu trúc nợ vay ngắn hạn bằng ngoại tệ và lãi suất thả nổi khiến dòng tiền kinh doanh chịu áp lực kép. Việc thiếu vắng các mô hình toán định lượng dự báo rủi ro khiến ban điều hành không xác định được mức tổn thất tối đa có thể xảy ra trong các điều kiện biến động bất lợi của thị trường.

Khóa luận tốt nghiệp tập trung giải quyết bài toán định lượng rủi ro thị trường cho Công ty Cổ phần Sợi Thế Kỷ với 4 mục tiêu nghiên cứu cụ thể:

  1. Hệ thống hóa cơ sở lý luận về quản trị rủi ro thị trường và các mô hình đo lường Giá trị chịu rủi ro (Value at Risk - VaR).
  2. Nhận diện, phân loại và lập ma trận nhiệt các yếu tố rủi ro trọng yếu (giá hạt nhựa PET, tỷ giá USD/VND, lãi suất thả nổi) tác động đến cấu trúc chi phí và doanh thu của STK.
  3. Ứng dụng mô hình kinh tế lượng chuỗi thời gian kết hợp đa phương pháp (Tham số GARCH với các phân phối đuôi dày, Mô phỏng Lịch sử - Historical Simulation, và Mô phỏng Monte Carlo) trên chuỗi dữ liệu tỷ suất sinh lời hàng ngày của mã cổ phiếu STK giai đoạn 2016 – 2022.
  4. Đánh giá tính chuẩn xác của các mô hình thông qua kiểm định hậu kiểm (Backtesting) trên mẫu $N = 500$ phiên giao dịch, từ đó đề xuất khung giải pháp phòng ngừa rủi ro phái sinh và tái cơ cấu vốn.

Giải pháp lựa chọn sử dụng tỷ suất sinh lời (TSSL) cổ phiếu STK làm biến đại diện (proxy) tổng hợp phản ánh toàn bộ các cú sốc thị trường vĩ mô và nội tại doanh nghiệp. Dự án giới hạn phạm vi nghiên cứu thực nghiệm trên dữ liệu giá đóng cửa giao dịch trên sàn HOSE từ ngày 04/01/2016 đến 31/12/2022 (khoảng thời gian 7 năm, bao gồm chu kỳ trước, trong và sau đại dịch COVID-19).

flowchart TD
    A[Dữ liệu TSSL Cổ phiếu STK: 2016-2022] --> B[Kiểm định Đặc tính Dữ liệu]
    B --> B1[Jarque-Bera: Phân phối phi chuẩn]
    B --> B2[ADF & KPSS: Dữ liệu dừng]
    B --> B3[Ljung-Box: Tồn tại tự tương quan]
    B1 & B2 & B3 --> C[Lựa chọn Mô hình Ước lượng VaR 95%]
    C --> D1[Phương pháp Tham số: sGARCH & iGARCH]
    C --> D2[Phương pháp Phi tham số: Historical Simulation]
    C --> D3[Phương pháp Bán tham số: Monte Carlo]
    D1 --> E1[Đa phân phối: Normal, Skew-Normal, Student-t, Skew-Student-t]
    D1 & D2 & D3 --> F[Dự báo VaR 1-Day Horizon]
    F --> G[Hậu kiểm Backtesting: N = 500 Phiên]
    G --> H[Khung Chiến lược Quản trị Rủi ro STK]

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi mô hình VaR được áp dụng rộng rãi, các doanh nghiệp thường sử dụng các công cụ đo lường truyền thống như Phân tích khe hở (Gap Analysis), Phân tích thời lượng (Duration Analysis), hoặc Phân tích kịch bản (Scenario Analysis). Tuy nhiên, các phương pháp này bộc lộ nhiều hạn chế lớn khi không bao quát được mối tương quan động giữa các tài sản và thiếu xác suất thống kê định lượng.

Phương pháp đo lường Nguyên lý cốt lõi Ưu điểm Nhược điểm chính Khả năng ứng dụng tại STK
Gap Analysis Đo lường chênh lệch tài sản nhạy cảm lãi suất: $\Delta NII = (GAP)\Delta r$ Đơn giản, dễ thực hiện trên bảng cân đối kế toán. Bỏ qua rủi ro giá trị tài sản ròng; chỉ áp dụng cho rủi ro lãi suất. Thấp - Không lượng hóa được rủi ro biến động giá nguyên liệu PET và tỷ giá.
Duration Analysis Đo lường độ nhạy cảm giá qua thời hạn bình quân dòng tiền: $\frac{\Delta P}{P} \approx -D \frac{\Delta y}{1+y}$ Đo lường tác động đến giá trị vốn thực của doanh nghiệp. Bỏ qua rủi ro phi tuyến tính, chỉ áp dụng cho công cụ có thu nhập cố định. Trung bình - Chỉ hỗ trợ đánh giá danh mục trái phiếu hoặc nợ vay cố định.
Scenario Analysis Giả định kịch bản sốc thị trường (Stress test) để tính tổn thất Đánh giá được các sự kiện cực đoan bất khả kháng. Mang tính chủ quan cao của chuyên viên phân tích; không có phân phối xác suất. Bổ trợ - Dùng trong kiểm tra sức chịu đựng áp lực thanh khoản.
Value at Risk (VaR) Xác định mức lỗ tối đa tại phân vị $(1-\alpha)$ trong thời gian $T$: $P(\Delta V \le -VaR) = \alpha$ Tổng hợp đa rủi ro thành 1 chỉ số duy nhất; có cơ sở xác suất rõ ràng; dễ hậu kiểm. Yêu cầu mô hình hóa phương sai chuẩn xác; không đo phần vượt VaR nếu không có ES. Rất cao - Giải pháp tối ưu để lượng hóa rủi ro tổng hợp cho STK.

Yêu cầu triển khai hệ thống quản trị rủi ro định lượng được chuẩn hóa theo mô hình MoSCoW:

  • Must-have: Module kiểm định tính dừng (ADF/KPSS), kiểm định phân phối đuôi dày (Jarque-Bera), thuật toán ước lượng phương sai điều kiện $sGARCH(1,1)$ và $iGARCH(1,1)$, module dự báo VaR ở độ tin cậy 95% ($\alpha = 0.05$), module Backtesting kiểm đếm số ngày vi phạm (Kupiec POF Test).
  • Should-have: Module mô phỏng ngẫu nhiên Monte Carlo với 10.000 kịch bản; thuật toán ước lượng theo phân phối Skew Student's-t; phân tích ma trận rủi ro nhiệt (Risk Heatmap).
  • Could-have: Tích hợp đo lường Mức độ tổn thất kỳ vọng (Expected Shortfall - ES) để nắm bắt rủi ro đuôi cực trị.
  • Won't-have (giai đoạn này): Xây dựng hệ thống giao dịch tự động hedging thời gian thực bằng API kết nối sàn phái sinh quốc tế.

Thiết kế hệ thống

Kiến trúc định lượng được thiết kế theo dạng đường ống xử lý dữ liệu (Data Pipeline Architecture), đảm bảo tính toàn vẹn dữ liệu từ khâu trích xuất chuỗi thời gian giá cổ phiếu đến khâu tính toán số liệu VaR xuất ra dashboard quản trị:

graph LR
    subgraph Data Layer
        A1[Dữ liệu Giá HOSE] --> A2[Tính Log Returns]
    end
    subgraph Econometric Engine
        A2 --> B1[Statistical Tests: JB, ADF, LB]
        B1 --> B2[Model Fitting: sGARCH / iGARCH]
        B2 --> B3[Parameter Estimation: rugarch]
    end
    subgraph Simulation & Forecasting
        B3 --> C1[Parametric VaR Forecast]
        A2 --> C2[Historical Simulation]
        B3 --> C3[Monte Carlo Engine: rnorm]
    end
    subgraph Validation & Reporting
        C1 & C2 & C3 --> D1[Backtesting Engine N=500]
        D1 --> D2[Risk Heatmap & Executive Summary]
    end

Technology Stack chuẩn hóa:

  • Ngôn ngữ xử lý cốt lõi: R Environment phiên bản 4.2.2 (hỗ trợ tính toán ma trận thống kê hiệu năng cao).
  • Thư viện kinh tế lượng chuỗi thời gian:
    • rugarch (v1.4-9): Xử lý mô hình hóa GARCH đơn biến, tối ưu hóa ước lượng hợp lý cực đại (Maximum Likelihood Estimation - MLE) với các phân phối phi chuẩn (sGED, Skew Student's-t).
    • tseries (v0.10-53): Thực thi kiểm định Jarque-Bera và Augmented Dickey-Fuller.
    • urca (v1.3-3): Thực thi kiểm định nghiệm đơn vị KPSS.
    • zoo (v1.8-12) & xts (v0.13-1): Cấu trúc mảng chuỗi thời gian tài chính.
  • Bảo mật và toàn vẹn dữ liệu: Chuỗi dữ liệu lịch sử được hash SHA-256 đối soát trước khi nạp vào bộ nhớ tính toán, đảm bảo không có sự sai lệch dữ liệu do trượt giá điều chỉnh (split-adjusted prices).

Methodology

Phương pháp nghiên cứu tuân thủ quy trình kinh tế lượng định lượng chuẩn qua 4 giai đoạn logic:

sequenceDiagram
    autonumber
    actor Quant as Chuyên viên Phân tích Rủi ro
    participant Engine as Hệ thống Kinh tế lượng R
    participant Model as GARCH & Simulation Core
    participant Backtest as Module Hậu kiểm Kupiec

    Quant->>Engine: Nhập chuỗi giá P(t), tính R(t) = ln(P(t)/P(t-1))
    Engine->>Engine: Kiểm định JB (Phân phối), ADF/KPSS (Tính dừng), Ljung-Box (Tự tương quan)
    Engine->>Model: Khởi tạo thông số ugarchspec(sGARCH/iGARCH, dist)
    Model->>Model: Tối đa hóa hàm Hợp lý Cực đại (MLE) -> Ước lượng alpha1, beta1
    Model->>Engine: Dự báo kỳ vọng mu(t+1) và độ lệch chuẩn sigma(t+1)
    Engine->>Quant: Tính VaR(95%) cho Tham số, Lịch sử, Monte Carlo
    Quant->>Backtest: Đưa 500 phiên thực tế đối soát điều kiện vi phạm R(t) < -VaR
    Backtest-->>Quant: Xuất báo cáo tỷ lệ vi phạm (Failure Rate) & Đánh giá mô hình

Ma trận đánh giá rủi ro thị trường tổng thể của STK được xác định thông qua việc ánh xạ xác suất xảy ra và mức độ ảnh hưởng:

Yếu tố rủi ro Nguồn gốc biến động Xác suất xảy ra Mức độ ảnh hưởng Mức độ rủi ro tổng hợp
Giá hạt nhựa PET Giá dầu thô WTI/Brent, nguồn cung PTA/MEG Rất cao (> 80%) Nghiêm trọng (COGS chiếm 70%) Cực đại (Đỏ)
Tỷ giá USD/VND Chênh lệch lãi suất Fed-SBV, nhập khẩu nguyên liệu Cao (60% - 80%) Đáng kể (Chênh lệch tỷ giá nợ vay) Cao (Cam)
Lãi suất vay vốn Chính sách thắt chặt tiền tệ, nợ vay ngắn hạn Trung bình (40% - 60%) Trung bình (Tác động chi phí tài chính) Trung bình (Vàng)

Implementation và kết quả

Development process

Quá trình chuyển đổi công thức định lượng thành mã nguồn thực thi trên môi trường RStudio được cấu trúc thành các module xử lý chuyên biệt.

Tỷ suất sinh lời liên tục hàng ngày $R_t$ được tính toán trên chuỗi giá đóng cửa: $$R_t = \ln\left(\frac{P_t}{P_{t-1}}\right) = \ln(P_t) - \ln(P_{t-1})$$

Mô hình phương sai có điều kiện $sGARCH(1,1)$ biểu diễn biến động phương sai $\sigma_t^2$: $$\sigma_t^2 = \omega + \alpha_1 \epsilon_{t-1}^2 + \beta_1 \sigma_{t-1}^2$$ Trong đó: $\omega > 0, \alpha_1 \ge 0, \beta_1 \ge 0$ và điều kiện dừng là $\alpha_1 + \beta_1 < 1$.

Mô hình $iGARCH(1,1)$ xử lý các cú sốc có độ trễ vĩnh viễn (hiệu ứng biến động kéo dài) với điều kiện ràng buộc: $$\alpha_1 + \beta_1 = 1 \implies \sigma_t^2 = \omega + (1 - \beta_1) \epsilon_{t-1}^2 + \beta_1 \sigma_{t-1}^2$$

# ==============================================================================
# QUANTRISK ENGINE: UOC LUONG VA DU BAO VAR CHO MA CO PHIEU STK
# Thu vien: rugarch, tseries, zoo
# ==============================================================================

library(rugarch)
library(tseries)
library(zoo)

# 1. Tinh toan Ty suat sinh loi (Log Returns)
stk_data <- read.csv("STK_HOSE_2016_2022.csv", stringsAsFactors = FALSE)
stk_data$Date <- as.Date(stk_data$Date, format = "%Y-%m-%d")
stk_data <- stk_data[order(stk_data$Date), ]
prices <- stk_data$Close
returns <- diff(log(prices))

# 2. Thiet lap cau hinh mo hinh sGARCH(1,1) voi phan phoi Skew Student's-t (sstd)
spec_sgarch_sstd <- ugarchspec(
  variance.model = list(model = "sGARCH", garchOrder = c(1, 1)),
  mean.model = list(armaOrder = c(0, 0), include.mean = TRUE),
  distribution.model = "sstd"
)

# 3. Uoc luong tham so mo hinh (Model Fitting)
fit_sgarch_sstd <- ugarchfit(spec = spec_sgarch_sstd, data = returns)
print(fit_sgarch_sstd)

# 4. Du bao gia tri trung binh (mu) va do lech chuan (sigma) cho t+1
forecast_sgarch <- ugarchforecast(fit_sgarch_sstd, n.ahead = 1)
mu_forecast <- fitted(forecast_sgarch)[1]
sigma_forecast <- sigma(forecast_sgarch)[1]

# 5. Tinh toan VaR 1 ngay o do tin cay 95% (alpha = 0.05)
alpha_level <- 0.05
# Trich xuat phan vi phan phoi sstd
skew_param <- coef(fit_sgarch_sstd)["skew"]
shape_param <- coef(fit_sgarch_sstd)["shape"]
quantile_sstd <- qdist("sstd", p = alpha_level, mu = 0, sigma = 1, 
                       skew = skew_param, shape = shape_param)

var_parametric_95 <- -(mu_forecast + sigma_forecast * quantile_sstd)
cat("Parametric VaR (sGARCH-sstd, 95%):", round(var_parametric_95 * 100, 4), "%\n")

# 6. Tinh toan VaR theo Phuong phap Mo phong Lich su (Historical Simulation)
var_historical_95 <- -quantile(returns, probs = alpha_level)
cat("Historical Simulation VaR (95%):", round(var_historical_95 * 100, 4), "%\n")

# 7. Tinh toan VaR theo Phuong phap Mo phong Monte Carlo (N = 10,000 simulations)
set.seed(2023)
n_sim <- 10000
simulated_returns <- rnorm(n_sim, mean = mu_forecast, sd = sigma_forecast)
var_montecarlo_95 <- -quantile(simulated_returns, probs = alpha_level)
cat("Monte Carlo VaR (95%):", round(var_montecarlo_95 * 100, 4), "%\n")

Testing và validation

Kết quả kiểm định đặc tính dữ liệu chuỗi TSSL cổ phiếu STK trên RStudio được xác nhận thông qua các giá trị thống kê cụ thể:

  1. Kiểm định Phân phối Chuẩn (Jarque-Bera Test):
    • Thống kê $X^2 = 1.482,9$, p-value $< 2.2 \times 10^{-16} < 0.05$.
    • Kết luận: Bác bỏ giả thuyết $H_0$ (phân phối chuẩn). Chuỗi TSSL của STK có hiện tượng nhọn đỉnh, lệch trái và đuôi dày (leptokurtic). Do đó, áp dụng giả định phân phối chuẩn thông thường sẽ đánh giá thấp rủi ro thực tế.
  2. Kiểm định Tính dừng (Stationarity Tests):
    • Augmented Dickey-Fuller (ADF): Thống kê Dickey-Fuller $= -11.842$, p-value $= 0.01 < 0.05 \implies$ Chuỗi dừng ở mức ý nghĩa 5%.
    • KPSS Test: Thống kê kiểm định $= 0.0834$, p-value $> 0.1 > 0.05 \implies$ Chấp nhận $H_0$, chuỗi không có nghiệm đơn vị, đảm bảo tính dừng chuỗi thời gian.
  3. Kiểm định Tự tương quan (Ljung-Box Test):
    • Bậc trễ Lag 1: $X^2 = 15.05$, p-value $= 0.0001047 < 0.05$.
    • Kết luận: Tồn tại hiện tượng tự tương quan và biến động tụ cụm (volatility clustering), chuỗi lợi nhuận hôm nay phụ thuộc vào biến động quá khứ, chứng minh tính cấp thiết của mô hình họ GARCH.
# ==============================================================================
# MODULE HAU KIEM (BACKTESTING) - KUPIEC TEST TREN N = 500 PHIEN
# ==============================================================================

backtest_sample <- tail(returns, 500)
violations <- sum(backtest_sample < -var_parametric_95)
failure_rate <- violations / length(backtest_sample)

cat("Tong so phien hau kiem:", length(backtest_sample), "\n")
cat("So lan vi phan nguong VaR:", violations, "\n")
cat("Ty le vi phan (Failure Rate):", round(failure_rate * 100, 2), "%\n")
cat("Ty le vi phan ky vong:", alpha_level * 100, "%\n")

Kết quả đạt được

Kết quả ước lượng tham số từ mô hình $sGARCH(1,1)$ và $iGARCH(1,1)$ cho thấy các hệ số ARCH ($\alpha_1$) và GARCH ($\beta_1$) đều có ý nghĩa thống kê cao ($p < 0.001$), với tổng hệ số $\alpha_1 + \beta_1 \approx 0.985$ thể hiện tính bền vững cao của biến động rủi ro.

Phương pháp xác định VaR Giả định Phân phối / Kỹ thuật Giá trị VaR 1-Day (95%) Số ngày vi phạm thực tế ($N=500$) Tỷ lệ vi phạm thực tế Đánh giá Chuẩn xác theo Basel
Phương pháp Tham số sGARCH(1,1) Normal Distribution 3.12% 34 6.80% Vùng Vàng (Đánh giá thấp rủi ro)
Phương pháp Tham số sGARCH(1,1) Skew-Normal Distribution 3.28% 30 6.00% Vùng Xanh
Phương pháp Tham số sGARCH(1,1) Student's-t Distribution 3.65% 24 4.80% Vùng Xanh (Tối ưu nhất)
Phương pháp Tham số sGARCH(1,1) Skew Student's-t (sstd) 3.82% 22 4.40% Vùng Xanh (Bảo thủ an toàn)
Phương pháp Tham số iGARCH(1,1) Skew Student's-t (sstd) 3.89% 21 4.20% Vùng Xanh
Mô phỏng Lịch sử (HS) Non-parametric Quantile 3.42% 28 5.60% Vùng Xanh
Mô phỏng Monte Carlo Parametric Resampling (N=10.000) 3.15% 33 6.60% Vùng Vàng

Tổng hợp kết quả chỉ ra rằng với danh mục vốn chủ sở hữu hoặc vị thế đầu tư 100 tỷ VNĐ tại cổ phiếu STK, mức tổn thất tối đa dự kiến trong 01 ngày giao dịch bình thường ở độ tin cậy 95% theo mô hình tối ưu ($sGARCH-sstd$) là 3,82 tỷ VNĐ.

Các mô hình giả định phân phối chuẩn (Normal) cho tỷ lệ vi phạm lên tới 6.80% ($> 5.0%$), minh chứng rõ ràng việc xem nhẹ đuôi rủi ro dày có thể đẩy doanh nghiệp vào tình trạng thiếu hụt thanh khoản dự phòng khi thị trường biến động mạnh.

Đổi mới và đóng góp

Nghiên cứu mang lại 3 đóng góp quan trọng cả về mặt học thuật kinh tế lượng lẫn thực tiễn quản trị doanh nghiệp:

  1. Tiên phong ứng dụng VaR đa phân phối cho doanh nghiệp sản xuất dệt may: Khác với phần lớn các nghiên cứu trong nước trước đây (Trần Mạnh Hà, 2009; Bùi Quang Tín, 2013; Phạm Thị Thanh Xuân, 2015) vốn chỉ tập trung vào hệ thống ngân hàng thương mại hoặc chỉ số thị trường chung VN-Index, nghiên cứu này lượng hóa thành công rủi ro thị trường cho một doanh nghiệp sản xuất cụ thể có chuỗi cung ứng mở rộng toàn cầu.
  2. Khắc phục triệt để nhược điểm phân phối chuẩn bằng Skew Student's-t GARCH: Bằng chứng thực nghiệm khẳng định việc kết hợp mô hình $sGARCH(1,1)$ với phân phối Skew Student's-t giúp giảm tỷ lệ sai số vi phạm từ $6.80%$ xuống $4.40%$ (cải thiện độ chính xác hơn $35.3%$ so với phương pháp Delta-Normal truyền thống), phản ánh trọn vẹn đặc tính bất đối xứng và đuôi dày của thị trường chứng khoán Việt Nam.
  3. Quy trình kiểm định 2 lớp (Two-tier Validation Framework): Kết hợp kiểm định tương quan chuỗi phần dư Ljung-Box với kiểm định hậu kiểm thực tế $N=500$ phiên theo khung chuẩn Basel Traffic Light System, tạo tiền đề vững chắc cho việc tích hợp vào hệ thống Kiểm soát Nội bộ (ICAAP).
Tiêu chí so sánh Mô hình Delta-Normal truyền thống Mô hình Mô phỏng Lịch sử cổ điển Giải pháp đề xuất: sGARCH Skew Student's-t
Xử lý hiện tượng biến động tụ cụm Không (Giả định phương sai không đổi) Kém (Trọng số dữ liệu quá khứ bằng nhau) Rất tốt (Phương sai có điều kiện cập nhật động theo thời gian)
Nắm bắt phân phối đuôi dày & lệch Không (Mặc định phân phối chuẩn đối xứng) Tự động (Phụ thuộc hoàn toàn mẫu lịch sử) Rất tốt (Ước lượng tham số hình dạng Shape & Skew riêng biệt)
Tỷ lệ vi phạm hậu kiểm ($N=500$) 6.80% (Vượt ngưỡng Basel 5%) 5.60% (Chấp nhận được) 4.40% (Đạt chuẩn kiểm định vùng xanh an toàn)
Độ nhạy với cú sốc thị trường mới Kém (Độ trễ cao) Kém (Không phản ứng nếu sự kiện chưa xảy ra) Cao (Hệ số $\alpha_1, \beta_1$ điều chỉnh ngay lập tức)

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị doanh nghiệp

Dựa trên kết quả đo lường VaR và ma trận rủi ro, ban điều hành STK có thể ứng dụng trực tiếp vào các quyết định vận hành kinh doanh thực tế:

graph TD
    A[Kết quả VaR 1-Day: 3.82%] --> B[Quản trị Mua hàng & Tồn kho]
    A --> C[Phòng ngừa Rủi ro Tỷ giá]
    A --> D[Tái cấu trúc Nợ vay Lãi suất]
    
    B --> B1[Xác định Hạn mức Tồn kho Hạt PET tối ưu: 30-45 ngày]
    B --> B2[Ký hợp đồng kỳ hạn mua PET cố định biên độ giá Price Gap]
    
    C --> C1[Tận dụng Dòng tiền Xuất khẩu USD tự nhiên: 32% Doanh thu]
    C --> C2[Sử dụng Hợp đồng Forward USD/VND cho 50% nợ ngắn hạn]
    
    D --> D1[Chuyển đổi nợ thả nổi sang nợ lãi suất cố định qua IRS]
    D --> D2[Duy trì Tỷ lệ Thanh toán Hiện hành > 1.5x]
  1. Quản trị rủi ro biến động giá hạt nhựa PET (Chiếm 70% COGS):
    • Áp dụng hạn mức dự trữ nguyên liệu linh hoạt dựa trên ngưỡng VaR dự báo. Khi biên độ biến động giá PET vượt quá giá trị VaR 1 ngày (3.82%), phòng mua hàng kích hoạt chiến lược chốt giá thông qua các hợp đồng mua kỳ hạn (Forward contract) với nhà cung ứng PTA/MEG nhằm khóa biên lợi nhuận gộp quanh mức 15% - 18%.
  2. Quản trị rủi ro tỷ giá USD/VND:
    • Doanh thu xuất khẩu thu về bằng USD (đạt 680 tỷ VNĐ năm 2022) được đối ứng tự nhiên (Natural Hedging) với các khoản thanh toán nhập khẩu hạt nhựa PET. Đối với phần thâm hụt ròng ngoại tệ, STK thiết lập mức dự phòng rủi ro tỷ giá tương đương giá trị VaR để mua quyền chọn ngoại tệ kỳ hạn ngắn (Currency Options).
  3. Quản trị rủi ro lãi suất nợ vay ngắn hạn:
    • Năm 2022, nợ vay ngắn hạn của STK phục vụ tài trợ vốn lưu động. Doanh nghiệp áp dụng hợp đồng hoán đổi lãi suất (Interest Rate Swap - IRS) để chuyển đổi các khoản vay có lãi suất thả nổi theo chu kỳ điều chỉnh của các ngân hàng thương mại sang mức lãi suất cố định khi biên độ dự báo vượt ngưỡng an toàn.

Kế hoạch và Lộ trình Triển khai (Deployment Roadmap)

gantt
    title Lộ trình Triển khai Hệ thống Định lượng VaR tại STK
    dateFormat  YYYY-MM-DD
    section Giai đoạn 1: Chuẩn bị
    Thu thập & Tự động hóa Pipeline Dữ liệu      :active, p1, 2024-01-01, 30d
    Kiểm toán Chất lượng Dữ liệu Chuỗi Thời gian  :p2, after p1, 20d
    section Giai đoạn 2: Tích hợp
    Đóng gói Script R thành REST API Microservice:p3, after p2, 40d
    Tích hợp vào Hệ thống ERP SAP / QTRR Nội bộ   :p4, after p3, 30d
    section Giai đoạn 3: Vận hành
    Chạy Thử nghiệm Song song & Stress Testing   :p5, after p4, 30d
    Ban hành Khung Hạn mức Rủi ro Toàn Công ty   :p6, after p5, 20d

Phân tích hiệu quả kinh tế (Cost-Benefit Analysis) ước tính việc áp dụng hệ thống định lượng VaR giúp STK tiết kiệm từ 3% đến 5% chi phí tài chính và giá vốn hàng bán hàng năm nhờ loại bỏ các tổn thất do mua đuổi nguyên liệu đỉnh sóng và giảm thiểu lỗ chênh lệch tỷ giá. Với chi phí đầu tư ban đầu phần mềm mã nguồn mở R/Python và hạ tầng máy chủ khoảng 150 - 200 triệu VNĐ, tỷ suất hoàn vốn đầu tư (ROI) ước đạt hơn 320% ngay trong năm đầu tiên vận hành.

Hạn chế và hướng phát triển

Dù đạt được độ tin cậy cao theo các tiêu chuẩn kinh tế lượng, đề tài vẫn ghi nhận một số giới hạn kỹ thuật cần được tiếp tục hoàn thiện:

  1. Tính đại diện đơn lẻ của giá cổ phiếu: Việc sử dụng chuỗi TSSL cổ phiếu STK làm biến đại diện cho toàn bộ các rủi ro thị trường chịu sự tác động của tâm lý nhà đầu tư trên sàn HOSE và thanh khoản giao dịch, đôi khi có độ trễ nhất định so với giá thực tế của hạt nhựa PET giao ngay.
  2. Giới hạn đo lường rủi ro đuôi cực đoan (Tail Risk): Bản chất của VaR chỉ xác định ngưỡng tổn thất tối đa ở phân vị $95%$, không phản ánh độ sâu của khoản lỗ khi sự kiện thiên nga đen (Black Swan) xảy ra vượt quá ngưỡng phân vị này.
  3. Hướng nghiên cứu mở rộng trong tương lai:
    • Phát triển mô hình đa biến Copula-GARCH để kết hợp trực tiếp chuỗi thời gian giá dầu thô Brent, tỷ giá USD/VND và lãi suất liên ngân hàng vào một hàm phân phối đồng thời.
    • Bổ sung chỉ số Mức độ tổn thất kỳ vọng (Expected Shortfall - ES) theo khuyến nghị của khung Basel III nhằm lượng hóa chính xác mức lỗ bình quân khi vượt ngưỡng VaR.
    • Ứng dụng các thuật toán học sâu (Deep Learning) như LSTM-GARCH (Long Short-Term Memory GARCH) để nâng cao khả năng dự báo phi tuyến tính của chuỗi biến động tài chính.

Đối tượng hưởng lợi

  • Sinh viên & Học viên Cao học Tài chính - Ngân hàng: Tiếp cận mã nguồn thực thi hoàn chỉnh trên RStudio, tài liệu tham khảo chuẩn mực về phương pháp luận kinh tế lượng chuỗi thời gian áp dụng trong nghiên cứu khoa học và khóa luận tốt nghiệp.
  • Kỹ sư Phân tích Dữ liệu Tài chính (Quantitative Analyst/Developer): Nắm bắt cấu trúc lập trình mô hình hóa họ GARCH đa phân phối (rugarch), quy trình kiểm định tiền đề (Stationarity, Autocorrelation, Normality) và kỹ thuật hậu kiểm chuẩn quốc tế.
  • Doanh nghiệp Sản xuất & Ban Quản trị Rủi ro (CRO): Sở hữu khung giải pháp đo lường có tính ứng dụng cao, giúp chuyển đổi hệ thống kiểm soát nội bộ từ định tính sang định lượng chính xác bằng con số tiền tệ tổn thất cụ thể.
  • Nhà đầu tư & Quản lý Danh mục (Portfolio Managers): Cung cấp tham số VaR tin cậy (3.82%/ngày ở mức 95%) để xác định quy mô phân bổ vị thế cổ phiếu STK và thiết lập lệnh dừng lỗ (Stop-loss) khoa học.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và phần mềm để triển khai mô hình tính toán VaR này là gì?

Hệ thống yêu cầu máy chủ hoặc máy tính cá nhân chạy hệ điều hành Linux (Ubuntu 20.04+) hoặc Windows 10/11, RAM tối thiểu 8GB, cài đặt R phiên bản $\ge 4.2.0$ cùng các gói thư viện rugarch, tseries, zoo. Toàn bộ mã nguồn chạy độc lập, chi phí bản quyền 0 VNĐ do sử dụng hoàn toàn nền tảng mã nguồn mở.

2. Tại sao mô hình sGARCH với phân phối Skew Student's-t lại cho kết quả vượt trội hơn phân phối chuẩn?

Chuỗi TSSL tài chính thực tế luôn có hiện tượng nhọn đỉnh, lệch trái (tổn thất thường diễn ra nhanh và mạnh hơn mức tăng) và đuôi dày (xác suất xuất hiện biến động cực đoan cao hơn lý thuyết). Phân phối Skew Student's-t tối ưu hóa đồng thời 2 tham số: hệ số bất đối xứng (Skewness) và bậc tự do (Shape parameter/Degrees of freedom), giúp bao quát trọn vẹn phần đuôi phân phối rủi ro.

3. Làm thế nào để tích hợp module dự báo VaR viết bằng R vào hệ thống ERP đang có của doanh nghiệp?

Module R có thể được đóng gói thành một RESTful API Microservice bằng cách sử dụng gói plumber trong R hoặc gọi thông qua thư viện rpy2 trong Python. Dữ liệu giá thị trường và báo cáo giao dịch được đồng bộ tự động hàng ngày qua cơ sở dữ liệu SQL để trả về kết quả VaR cập nhật mỗi sáng trước giờ mở cửa thị trường.

4. Chi phí duy trì và cập nhật mô hình định lượng này hàng kỳ có tốn kém không?

Chi phí vận hành cực kỳ tối ưu. Sau khi đã thiết lập pipeline tự động, doanh nghiệp chỉ cần 01 chuyên viên tài chính hoặc chuyên viên phân tích dữ liệu thực hiện kiểm tra định kỳ hàng tháng/quý để ước lượng lại các tham số $\alpha_1, \beta_1$ và thực hiện Backtesting đối soát dữ liệu mới.

5. Sự khác biệt căn bản giữa VaR và Expected Shortfall (ES) là gì?

VaR trả lời câu hỏi: "Mức lỗ tối đa tôi có thể gặp phải là bao nhiêu với xác suất 95%?". Trong khi đó, Expected Shortfall trả lời câu hỏi: "Nếu tổn thất vượt quá ngưỡng 95% đó, mức lỗ trung bình tôi phải gánh chịu là bao nhiêu?". ES là thước đo rủi ro kết hợp (Coherent Risk Measure) hoàn hảo hơn và đang dần được Basel khuyến nghị thay thế VaR trong các mô hình giám sát vốn ngân hàng.

Kết luận

Khóa luận tốt nghiệp "Ứng dụng VaR trong đo lường rủi ro thị trường của Công ty Cổ phần Sợi Thế Kỷ" đã giải quyết trọn vẹn bài toán chuyển dịch quản trị rủi ro từ định tính sang định lượng cho doanh nghiệp sản xuất niêm yết. Bằng việc thực nghiệm chuỗi dữ liệu 7 năm (2016 – 2022) trên sàn HOSE qua các mô hình kinh tế lượng tiên tiến, nghiên cứu chứng minh mô hình $sGARCH(1,1)$ với phân phối Skew Student's-t là công cụ dự báo vượt trội nhất với giá trị VaR 1 ngày đạt 3.82% ở độ tin cậy 95%, vượt qua kiểm định hậu kiểm Backtesting $N=500$ phiên theo chuẩn Basel.

Kết quả nghiên cứu không chỉ cung cấp luận cứ khoa học vững chắc cho công tác lập dự phòng rủi ro nguyên vật liệu, tỷ giá và lãi suất tại Công ty Cổ phần Sợi Thế Kỷ, mà còn mở ra hướng tiếp cận chuẩn hóa cho các doanh nghiệp sản xuất tại Việt Nam trong tiến trình nâng cao năng lực quản trị nội bộ theo tiêu chuẩn quốc tế.

Hành động đề xuất cho bạn đọc:

  • Tải về và chạy thử nghiệm tệp mã nguồn R định lượng mẫu để kiểm tra tính năng trên danh mục đầu tư cá nhân.
  • Tiếp tục theo dõi các nghiên cứu mở rộng về mô hình Copula-GARCH và Expected Shortfall để tối ưu hóa chiến lược quản trị rủi ro tài chính toàn diện.