Luận văn thạc sĩ: Ứng dụng VaR đo rủi ro danh mục cổ phiếu ngân hàng Việt Nam

Luận văn nghiên cứu ứng dụng mô hình VaR đo lường rủi ro danh mục cổ phiếu ngân hàng thương mại Việt Nam, cung cấp công cụ định lượng rủi ro cho nhà đầu tư.

• 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 để đo lường rủi ro danh mục nghiên cứu thực nghiệm cho danh mục đầu tư cổ phiếu các Ngân hàng thương mại Việt Nam
• Loại tài liệu: Luận văn thạc sĩ kinh tế
• Năm xuất bản: 2016
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• TÓM TẮT
• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỤC LỤC
• DANH MỤC TỪ VIẾT TẮT
• DANH MỤC BẢNG BIỂU
• DANH MỤC HÌNH
• 1. CHƢƠNG 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. CHƢƠNG 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 tƣ
• 2.1.1. Khái niệm rủi ro và rủi ro danh mục đầu tƣ
• 2.1.2. Đo lường rủi ro
• 2.2. Cơ sở lý thuyết về mô hình giá trị rủi ro Value at risk (VaR)
• 2.2.1. Lịch sử ra đời của mô hình giá trị rủi ro VaR
• 2.2.2. Khái niệm về Value at Risk (VaR)
• 2.2.3. Điều kiện sử dụng mô hình VaR
• 2.2.4. Các yếu tố ảnh hướng đến VaR
• 2.2.5. Hạn chế của mô hình VaR
• 2.2.6. Các phương pháp tính VaR
• 2.3. Tổng quan về các nghiên cứu thực nghiệm ứng dụng Value at Risk để đo lường rủi ro danh mục đầu tư
• 3. CHƢƠNG 3: CƠ SỞ DỮ LIỆU VÀ PHƢƠNG PHÁP NGHIÊN CỨU
• 3.1. Cơ sở dữ liệu
• 3.2. Phương pháp nghiên cứu
• 4. CHƢƠNG 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. CHƢƠNG 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

Tóm tắt

I. VaR là gì Hướng dẫn đo lường rủi ro cổ phiếu ngân hàng

Trong bối cảnh thị trường chứng khoán Việt Nam ngày càng phát triển, nhóm cổ phiếu ngân hàng luôn là tâm điểm thu hút sự chú ý của nhà đầu tư. Tuy nhiên, đi kèm với tiềm năng lợi nhuận là những rủi ro không thể xem nhẹ. Để ra quyết định đầu tư hiệu quả, việc định lượng và kiểm soát rủi ro là nhiệm vụ cấp thiết. Value at Risk (VaR) nổi lên như một công cụ tiêu chuẩn toàn cầu, cung cấp một con số duy nhất để tóm tắt mức độ rủi ro của một danh mục đầu tư. VaR trả lời một câu hỏi đơn giản nhưng quan trọng: "Với một mức độ tin cậy (confidence level) nhất định, khoản lỗ tối đa mà danh mục có thể phải gánh chịu trong một khoảng thời gian cụ thể là bao nhiêu?". Ví dụ, nếu VaR 1 ngày của danh mục ở mức tin cậy 95% là 100 triệu đồng, điều đó có nghĩa là có 95% khả năng khoản lỗ trong ngày hôm sau sẽ không vượt quá 100 triệu. Đây là một phương pháp phân tích rủi ro mạnh mẽ, giúp các nhà quản lý quỹ, ngân hàng và nhà đầu tư cá nhân thiết lập các giới hạn rủi ro, phân bổ vốn hiệu quả và chuẩn bị cho các kịch bản thị trường bất lợi. Mặc dù đã phổ biến trên thế giới, mô hình VaR vẫn chưa được ứng dụng rộng rãi tại Việt Nam, đặc biệt là cho nhóm cổ phiếu ngành ngân hàng, một lĩnh vực đầy biến động và chịu ảnh hưởng sâu sắc từ các chính sách vĩ mô. Việc hiểu rõ Value at Risk là gì và cách áp dụng nó sẽ mang lại lợi thế cạnh tranh đáng kể, giúp nhà đầu tư tự tin hơn trong việc quản trị rủi ro tài chính.

1.1. Giải mã Value at Risk Công cụ định lượng rủi ro cốt lõi

Value at Risk (VaR) được định nghĩa là khoản thua lỗ tối đa dự kiến của một danh mục đầu tư trong một khoảng thời gian nhất định, với một mức xác suất (hay mức độ tin cậy) cho trước. Theo Linsmeier và Pearson (1996), VaR là một thước đo tóm tắt rủi ro thị trường bằng một con số duy nhất, dễ hiểu. Công cụ này không dự báo tương lai một cách chắc chắn, mà nó đưa ra một ước tính xác suất về mức độ tổn thất có thể xảy ra trong điều kiện thị trường bình thường. Về bản chất, VaR tập trung vào phần đuôi bên trái của phân phối lợi nhuận, nơi chứa đựng các kết quả tiêu cực nhất. Ba yếu tố chính cấu thành nên một tuyên bố VaR là: (1) Khoản lỗ tiềm năng (tính bằng tiền hoặc phần trăm), (2) Khoảng thời gian nắm giữ (ví dụ: 1 ngày, 10 ngày), và (3) Mức độ tin cậy (ví dụ: 95%, 99%).

1.2. Tầm quan trọng của VaR trong quản trị rủi ro tài chính

VaR đã trở thành một tiêu chuẩn trong ngành tài chính kể từ khi Ủy ban Basel về Giám sát Ngân hàng cho phép các ngân hàng sử dụng mô hình VaR nội bộ để tính toán yêu cầu về vốn vào năm 1996. Tầm quan trọng của nó thể hiện ở nhiều khía cạnh: (1) Cung cấp một thước đo rủi ro tổng hợp cho toàn bộ danh mục, bất kể sự đa dạng của các tài sản; (2) Hỗ trợ việc thiết lập giới hạn rủi ro cho các nhà giao dịch và các bộ phận kinh doanh; (3) Giúp ban lãnh đạo hiểu rõ hơn về hồ sơ rủi ro của tổ chức và đưa ra các quyết định phân bổ vốn chiến lược; (4) Tăng cường tính minh bạch và báo cáo rủi ro cho các cổ đông và cơ quan quản lý. Việc áp dụng VaR giúp chuyển đổi các khái niệm phức tạp của phân tích rủi ro thành những con số cụ thể, hỗ trợ trực tiếp cho quá trình ra quyết định trong quản trị rủi ro tài chính.

1.3. Bối cảnh cổ phiếu ngân hàng trên thị trường chứng khoán Việt Nam

Nhóm cổ phiếu ngân hàng, bao gồm các mã lớn như cổ phiếu VCB, TCB, MBB, CTG, thường chiếm tỷ trọng vốn hóa lớn và có tính thanh khoản cao trên thị trường chứng khoán Việt Nam. Tuy nhiên, nhóm ngành này cũng đặc biệt nhạy cảm với các biến động kinh tế vĩ mô, chính sách tiền tệ và các vấn đề nội tại như nợ xấu. Nghiên cứu của Phan Thị Quỳnh Anh (2016) chỉ ra rằng trong giai đoạn 2006-2016, hệ thống ngân hàng Việt Nam đã bộc lộ nhiều điểm yếu, gây tâm lý e ngại cho nhà đầu tư. Do đó, việc áp dụng một công cụ định lượng rủi ro như VaR cho danh mục đầu tư cổ phiếu ngân hàng là cực kỳ cần thiết để nhà đầu tư có thể đánh giá chính xác mức độ nguy hiểm tiềm tàng và quản lý danh mục của mình một cách hiệu quả hơn.

II. Thách thức khi phân tích rủi ro danh mục cổ phiếu ngân hàng

Việc phân tích rủi ro cho danh mục cổ phiếu ngân hàng tại Việt Nam đối mặt với nhiều thách thức đặc thù. Đầu tiên, rủi ro trong đầu tư không phải là một khái niệm đơn nhất. Nó bao gồm hai thành phần chính: rủi ro hệ thống và rủi ro phi hệ thống. Rủi ro hệ thống, hay rủi ro thị trường, xuất phát từ các yếu tố kinh tế vĩ mô như lạm phát, lãi suất, bất ổn chính trị, tác động đến toàn bộ thị trường. Ngược lại, rủi ro phi hệ thống liên quan đến các yếu tố cụ thể của một doanh nghiệp như năng lực quản lý, bê bối nội bộ. Mặc dù đa dạng hóa danh mục có thể giảm thiểu rủi ro phi hệ thống, nhưng rủi ro hệ thống vẫn tồn tại. Các phương pháp đo lường rủi ro truyền thống như độ lệch chuẩn và phương sai, dù hữu ích, lại có những hạn chế lớn. Chúng đo lường sự biến động chung (cả tích cực và tiêu cực) quanh giá trị trung bình và thường giả định rằng lợi nhuận tuân theo phân phối chuẩn. Tuy nhiên, thực tế thị trường tài chính, đặc biệt là các thị trường mới nổi như Việt Nam, thường không như vậy. Dữ liệu tỷ suất lợi nhuận thực tế thường cho thấy hiện tượng "đuôi dày" (leptokurtosis), nghĩa là các sự kiện biến động cực đoan (cả lãi lớn và lỗ nặng) xảy ra thường xuyên hơn so với dự đoán của một phân phối chuẩn. Điều này làm cho các mô hình dựa trên giả định chuẩn có xu hướng đánh giá thấp rủi ro thực tế, đặc biệt là trong các giai đoạn khủng hoảng.

2.1. Phân biệt rủi ro hệ thống và rủi ro phi hệ thống trong đầu tư

Rủi ro hệ thống là loại rủi ro không thể loại bỏ thông qua đa dạng hóa. Nó ảnh hưởng đến tất cả các tài sản trên thị trường, ví dụ như một cuộc khủng hoảng tài chính toàn cầu hay sự thay đổi đột ngột trong chính sách tiền tệ của ngân hàng trung ương. Trong khi đó, rủi ro phi hệ thống (hay rủi ro đặc thù) chỉ ảnh hưởng đến một công ty hoặc một ngành cụ thể, ví dụ như một ngân hàng công bố kết quả kinh doanh kém khả quan. Một danh mục đầu tư được đa dạng hóa tốt có thể gần như loại bỏ hoàn toàn rủi ro phi hệ thống, nhưng vẫn phải đối mặt với rủi ro hệ thống. Các công cụ như hệ số beta cổ phiếu được sử dụng để đo lường mức độ nhạy cảm của một cổ phiếu đối với rủi ro hệ thống.

2.2. Hạn chế của phương pháp đo lường rủi ro bằng độ lệch chuẩn

Độ lệch chuẩn là một thước đo thống kê phổ biến về sự phân tán của dữ liệu so với giá trị trung bình của nó. Trong tài chính, nó được dùng để đo lường sự biến động của tỷ suất sinh lợi của một tài sản. Tuy nhiên, phương pháp này có hai hạn chế chính. Thứ nhất, nó coi các biến động tích cực và tiêu cực là như nhau, trong khi nhà đầu tư chỉ thực sự quan tâm đến rủi ro thua lỗ (biến động tiêu cực). Thứ hai, và quan trọng hơn, việc sử dụng độ lệch chuẩn để ước tính xác suất thua lỗ thường dựa trên giả định ngầm về phân phối chuẩn của lợi nhuận. Khi giả định này bị vi phạm, các kết quả tính toán có thể trở nên sai lệch và không đáng tin cậy.

2.3. Hiện tượng Leptokurtosis và rủi ro đuôi trong dữ liệu thực tế

Nghiên cứu của Phan Thị Quỳnh Anh (2016) trên dữ liệu cổ phiếu ngân hàng Việt Nam đã khẳng định một thực tế phổ biến trên các thị trường tài chính: chuỗi tỷ suất lợi nhuận không tuân theo phân phối chuẩn. Thay vào đó, chúng thể hiện hiện tượng "leptokurtosis", tức là phân phối có đỉnh nhọn hơn và phần đuôi dày hơn so với đường cong chuông chuẩn. "Đuôi dày" có nghĩa là xác suất xảy ra các sự kiện cực đoan (lỗ rất lớn hoặc lãi rất lớn) cao hơn nhiều so với dự đoán của mô hình chuẩn. Đây chính là "rủi ro đuôi" (tail risk) mà VaR cố gắng đo lường. Việc bỏ qua đặc tính này và chỉ dựa vào các mô hình chuẩn có thể dẫn đến việc đánh giá thấp một cách nguy hiểm các kịch bản thua lỗ nghiêm trọng.

III. Top 3 phương pháp tính VaR hiệu quả cho danh mục đầu tư

Để tính toán Value at Risk, có ba phương pháp tính VaR chính được sử dụng rộng rãi, mỗi phương pháp có ưu và nhược điểm riêng, phù hợp với các loại danh mục và giả định khác nhau. Phương pháp đầu tiên và đơn giản nhất là phương pháp tham số VaR, còn được gọi là phương pháp phương sai - hiệp phương sai. Phương pháp này giả định rằng tỷ suất lợi nhuận của danh mục tuân theo một phân phối xác suất cụ thể, thường là phân phối chuẩn. Dựa trên giả định này, VaR được tính toán một cách nhanh chóng chỉ bằng cách sử dụng giá trị trung bình, độ lệch chuẩn của lợi nhuận và một hệ số nhân tương ứng với mức độ tin cậy mong muốn. Ưu điểm của nó là tốc độ và sự đơn giản, nhưng nhược điểm lớn là sự phụ thuộc vào giả định phân phối chuẩn, vốn thường bị vi phạm trong thực tế. Phương pháp thứ hai là phương pháp mô phỏng lịch sử. Đây là một phương pháp phi tham số, không yêu cầu bất kỳ giả định nào về phân phối lợi nhuận. Thay vào đó, nó sử dụng dữ liệu lịch sử về lợi nhuận của danh mục để xây dựng một phân phối thực nghiệm. VaR được xác định đơn giản là một phân vị nhất định (ví dụ, phân vị thứ 5) của chuỗi lợi nhuận lịch sử này. Phương pháp này dễ thực hiện và nắm bắt được các đặc tính phi chuẩn của dữ liệu, nhưng nó lại giả định rằng tương lai sẽ lặp lại quá khứ, một giả định có thể không đúng, đặc biệt khi thị trường trải qua những thay đổi cấu trúc. Cuối cùng, phương pháp phức tạp và mạnh mẽ nhất là mô phỏng Monte Carlo. Phương pháp này sử dụng các mô hình toán học để tạo ra hàng nghìn, thậm chí hàng triệu kịch bản lợi nhuận trong tương lai. VaR sau đó được tính toán từ phân phối lợi nhuận được tạo ra này. Nó cực kỳ linh hoạt và có thể mô hình hóa các mối quan hệ phi tuyến phức tạp, nhưng đòi hỏi năng lực tính toán lớn và phụ thuộc nhiều vào chất lượng của các mô hình giả định được sử dụng.

3.1. Phương pháp tham số Phương sai Hiệp phương sai

Đây là phương pháp tham số VaR dựa trên giả định rằng lợi nhuận của danh mục đầu tư tuân theo phân phối chuẩn. Công thức tính VaR rất đơn giản: VaR = |μ - zσ| * V, trong đó μ là lợi nhuận kỳ vọng, σ là độ lệch chuẩn của lợi nhuận, z là giá trị tới hạn từ bảng phân phối chuẩn tương ứng với mức độ tin cậy (ví dụ, -1.645 cho mức tin cậy 95%), và V là giá trị danh mục. Dù dễ tính toán, phương pháp này rất nhạy cảm với giả định phân phối chuẩn. Khi dữ liệu có đuôi dày, nó sẽ đánh giá thấp rủi ro một cách có hệ thống.

3.2. Phương pháp mô phỏng lịch sử Historical Simulation

Phương pháp mô phỏng lịch sử không cần giả định về phân phối. Quy trình thực hiện bao gồm: (1) Thu thập một chuỗi dữ liệu lịch sử về lợi nhuận hàng ngày của danh mục (ví dụ, 500 ngày gần nhất); (2) Sắp xếp chuỗi lợi nhuận này từ thấp nhất đến cao nhất; (3) Xác định giá trị VaR dựa trên mức tin cậy. Ví dụ, với 500 quan sát và mức tin cậy 95%, VaR sẽ là giá trị thua lỗ lớn thứ 25 (500 * 5%). Ưu điểm là nó phản ánh trực tiếp các đặc điểm của dữ liệu lịch sử, bao gồm cả đuôi dày và các mối tương quan phức tạp. Nhược điểm là nó phụ thuộc nặng nề vào tập dữ liệu lịch sử được chọn và không thể dự báo các sự kiện chưa từng xảy ra trong quá khứ.

3.3. Phương pháp mô phỏng Monte Carlo Monte Carlo Simulation

Mô phỏng Monte Carlo là phương pháp linh hoạt nhất. Nó bắt đầu bằng việc xác định một mô hình thống kê cho các yếu tố rủi ro (ví dụ: giá cổ phiếu, lãi suất). Sau đó, một chương trình máy tính sẽ tạo ra hàng ngàn đường đi ngẫu nhiên cho các yếu tố này dựa trên mô hình đã chọn. Đối với mỗi đường đi, lợi nhuận của danh mục sẽ được tính toán lại. Tập hợp các kết quả lợi nhuận này tạo thành một phân phối dự báo, từ đó VaR có thể được xác định. Phương pháp này có thể xử lý các sản phẩm tài chính phức tạp và các loại rủi ro phi tuyến, nhưng nó đòi hỏi năng lực tính toán cao và kết quả phụ thuộc hoàn toàn vào tính đúng đắn của các mô hình và tham số đầu vào.

IV. Cách ứng dụng mô hình GARCH để tính VaR chính xác hơn

Một trong những hạn chế lớn nhất của phương pháp tham số VaR truyền thống là giả định phương sai (đại diện cho sự biến động) không đổi theo thời gian. Tuy nhiên, trên thực tế, các thị trường tài chính thường xuyên trải qua các giai đoạn biến động cao xen kẽ với các giai đoạn bình lặng. Hiện tượng này được gọi là "cụm biến động" (volatility clustering). Để giải quyết vấn đề này, các mô hình phương sai có điều kiện của sai số thay đổi tự hồi quy tổng quát (Generalized Autoregressive Conditional Heteroskedasticity - GARCH) đã được phát triển. Mô hình GARCH cho phép phương sai thay đổi theo thời gian, dựa trên thông tin từ các biến động trong quá khứ. Cụ thể, mô hình GARCH(1,1), phiên bản phổ biến nhất, dự báo phương sai của ngày hôm nay là sự kết hợp của ba yếu tố: một mức phương sai dài hạn, phương sai dự báo của ngày hôm qua, và thông tin mới từ sai số (cú sốc) của ngày hôm qua. Việc tích hợp mô hình GARCH vào tính toán VaR mang lại một cải tiến đáng kể. Thay vì sử dụng một độ lệch chuẩn cố định cho toàn bộ chuỗi dữ liệu, phương pháp này sử dụng một độ lệch chuẩn dự báo riêng cho từng ngày, phản ánh điều kiện thị trường hiện tại. Khi thị trường biến động mạnh, dự báo độ lệch chuẩn sẽ tăng lên, dẫn đến giá trị VaR cao hơn, cảnh báo về rủi ro gia tăng. Ngược lại, trong thời kỳ yên tĩnh, giá trị VaR sẽ giảm xuống. Như được áp dụng trong luận văn của Phan Thị Quỳnh Anh (2016), việc sử dụng VaR kết hợp GARCH(1,1) giúp mô hình hóa rủi ro một cách linh hoạt và thực tế hơn, đặc biệt quan trọng khi phân tích rủi ro cho các cổ phiếu ngân hàng vốn rất nhạy cảm với các cú sốc thị trường.

4.1. Giới thiệu mô hình GARCH 1 1 để ước lượng phương sai thay đổi

Mô hình GARCH(1,1) là một công cụ kinh tế lượng mạnh mẽ để mô hình hóa hiện tượng cụm biến động. Phương trình phương sai của nó cho thấy phương sai có điều kiện tại thời điểm t phụ thuộc vào giá trị trung bình dài hạn, bình phương sai số của kỳ trước (thành phần ARCH), và phương sai có điều kiện của kỳ trước (thành phần GARCH). Mô hình này nắm bắt được đặc điểm quan trọng là một cú sốc lớn (lợi nhuận biến động mạnh) trong quá khứ có xu hướng dẫn đến những biến động lớn trong tương lai gần, và ngược lại. Điều này giúp dự báo rủi ro một cách năng động hơn so với việc sử dụng một phương sai không đổi.

4.2. Quy trình tính toán VaR kết hợp với ước lượng từ GARCH

Quy trình ứng dụng GARCH để tính VaR bao gồm các bước sau: (1) Ước lượng các tham số của mô hình GARCH(1,1) bằng cách sử dụng dữ liệu lịch sử về tỷ suất lợi nhuận. (2) Sử dụng mô hình đã ước lượng để dự báo phương sai cho ngày tiếp theo (σ²_t+1). (3) Lấy căn bậc hai của phương sai dự báo để có được độ lệch chuẩn dự báo (σ_t+1). (4) Tính toán VaR cho ngày tiếp theo bằng công thức VaR_t+1 = -z * σ_t+1, trong đó z là giá trị tới hạn từ phân phối giả định (thường là phân phối chuẩn hoặc phân phối Student's t) tương ứng với mức độ tin cậy đã chọn. Phương pháp này cho phép VaR tự động điều chỉnh theo mức độ biến động của thị trường.

4.3. Ưu điểm của VaR GARCH so với các mô hình truyền thống

So với VaR tham số tiêu chuẩn, mô hình VaR-GARCH có nhiều ưu điểm vượt trội. Nó không giả định phương sai không đổi, giúp nắm bắt tốt hơn thực tế thị trường. Kết quả là, nó có khả năng phản ứng nhanh hơn với những thay đổi trong môi trường rủi ro, cung cấp các ước tính rủi ro kịp thời và phù hợp hơn. Trong các giai đoạn thị trường khủng hoảng, VaR-GARCH thường cho ra các ước tính rủi ro cao hơn (và chính xác hơn) so với mô hình truyền thống, giúp các nhà quản trị rủi ro tài chính có những hành động phòng ngừa hiệu quả. Ngược lại, trong các giai đoạn bình ổn, nó không ước tính rủi ro quá cao một cách không cần thiết, giúp tránh việc phân bổ vốn quá thận trọng.

V. Kết quả thực nghiệm VaR trên cổ phiếu ngân hàng Việt Nam

Nghiên cứu thực nghiệm của Phan Thị Quỳnh Anh (2016) đã cung cấp những hiểu biết sâu sắc về việc ứng dụng mô hình VaR-GARCH(1,1) để đo lường rủi ro danh mục cho nhóm cổ phiếu ngân hàng niêm yết tại Việt Nam. Nghiên cứu sử dụng dữ liệu giá hàng ngày của 9 cổ phiếu ngân hàng, bao gồm các mã lớn như VCB, CTG, MBB, TCB, trong giai đoạn từ 2006 đến 2016. Một trong những phát hiện quan trọng nhất là chuỗi tỷ suất lợi nhuận của hầu hết các danh mục đều không tuân theo phân phối chuẩn, mà thể hiện đặc tính "đuôi dày" (leptokurtosis). Điều này hàm ý rằng việc sử dụng các mô hình VaR dựa trên giả định phân phối chuẩn có thể dẫn đến kết quả kém chính xác. Khi áp dụng mô hình VaR-GARCH(1,1), kết quả cho thấy mức độ rủi ro tiềm tàng của các danh mục là khác nhau. Để đánh giá hiệu quả của mô hình, phương pháp kiểm định lại (backtesting) đã được sử dụng. Backtesting VaR là quá trình so sánh các giá trị VaR dự báo với lợi nhuận thực tế đã xảy ra để xem tần suất thua lỗ thực tế vượt qua mức VaR dự báo. Kết quả kiểm định cho thấy chất lượng dự báo của mô hình VaR-GARCH(1,1) không đồng nhất ở các mức độ tin cậy khác nhau. Cụ thể, mô hình cho kết quả tốt hơn ở mức tin cậy 95% và 97.5% so với mức 99%. Điều này cho thấy việc lựa chọn mức độ tin cậy có ảnh hưởng quan trọng đến tính chính xác của mô hình. Nghiên cứu cũng chỉ ra rằng kích thước mẫu dữ liệu có ảnh hưởng đến độ chính xác của ước lượng VaR, nhấn mạnh tầm quan trọng của việc sử dụng chuỗi dữ liệu đủ dài và phù hợp.

5.1. Phân tích kết quả VaR cho danh mục VCB CTG MBB và các mã khác

Kết quả ước lượng VaR 1 ngày cho thấy mức độ rủi ro tiềm ẩn khác nhau giữa các cổ phiếu và các danh mục khác nhau. Ví dụ, một danh mục chỉ bao gồm một cổ phiếu có thể có VaR cao hơn so với một danh mục đầu tư tổng hợp nhiều cổ phiếu nhờ lợi ích của đa dạng hóa. Các kết quả cụ thể cho từng danh mục, bao gồm các mã cổ phiếu VCB, TCB, MBB, CTG, giúp nhà đầu tư có cái nhìn định lượng về mức độ thua lỗ tối đa có thể gặp phải trong một ngày giao dịch bình thường, từ đó điều chỉnh tỷ trọng đầu tư cho phù hợp với khẩu vị rủi ro của mình.

5.2. Đánh giá độ chính xác qua phương pháp Backtesting VaR

Backtesting VaR là một bước không thể thiếu để xác thực mô hình. Quá trình này so sánh số lần thua lỗ thực tế vượt qua ngưỡng VaR dự báo (gọi là "vi phạm") với số lần vi phạm kỳ vọng. Ví dụ, với mức tin cậy 95%, một mô hình tốt sẽ có tỷ lệ vi phạm thực tế gần với 5%. Nếu tỷ lệ vi phạm thực tế cao hơn đáng kể (ví dụ 10%), mô hình đang đánh giá thấp rủi ro. Nếu tỷ lệ này quá thấp (ví dụ 1%), mô hình đang đánh giá rủi ro quá cao, dẫn đến việc giữ vốn không hiệu quả. Kết quả backtesting trong nghiên cứu cho thấy mô hình VaR-GARCH(1,1) hoạt động tương đối tốt nhưng hiệu quả phụ thuộc vào mức tin cậy được chọn.

5.3. Ảnh hưởng của mức độ tin cậy đến chất lượng dự báo rủi ro

Việc lựa chọn mức độ tin cậy (confidence level) là một sự đánh đổi. Mức tin cậy cao hơn (ví dụ 99%) sẽ dẫn đến giá trị VaR lớn hơn, mang lại sự an toàn cao hơn nhưng cũng có thể làm cho mô hình khó kiểm định hơn do số lần vi phạm kỳ vọng rất ít. Ngược lại, mức tin cậy thấp hơn (ví dụ 95%) cho giá trị VaR nhỏ hơn, dễ kiểm định hơn nhưng lại chấp nhận một xác suất thua lỗ vượt ngưỡng cao hơn. Kết quả thực nghiệm tại thị trường chứng khoán Việt Nam cho thấy mô hình VaR hoạt động tốt hơn ở các mức tin cậy vừa phải (95%, 97.5%), điều này có thể là do đặc tính đuôi dày của dữ liệu làm cho việc ước tính các sự kiện cực đoan ở mức tin cậy rất cao trở nên khó khăn hơn.

VI. Tương lai của VaR Bí quyết quản trị rủi ro tài chính tối ưu

Mặc dù VaR là một công cụ cực kỳ hữu ích trong quản trị rủi ro tài chính, nó không phải là một giải pháp hoàn hảo. Một trong những hạn chế lớn nhất của VaR là nó không cho biết "khi điều tồi tệ xảy ra, nó sẽ tồi tệ đến mức nào". VaR chỉ cho biết ngưỡng thua lỗ sẽ không bị vượt qua với một xác suất nhất định, nhưng nó không cung cấp thông tin về quy mô của khoản lỗ nếu ngưỡng đó bị vi phạm. Đây chính là "rủi ro đuôi" mà VaR không thể nắm bắt hoàn toàn. Để khắc phục nhược điểm này, các nhà quản lý rủi ro thường kết hợp VaR với các công cụ khác như kiểm tra sức chịu đựng (Stress Testing). Stress Testing mô phỏng tác động của các kịch bản cực đoan nhưng có khả năng xảy ra (ví dụ: khủng hoảng tài chính, sụp đổ thị trường) lên danh mục đầu tư, cung cấp một cái nhìn bổ sung về các rủi ro thảm khốc. Hơn nữa, một thước đo rủi ro mới hơn, Expected Shortfall (ES), đang ngày càng được ưa chuộng như một sự thay thế hoặc bổ sung cho VaR. ES (còn gọi là CVaR) trả lời câu hỏi: "Nếu khoản lỗ vượt qua ngưỡng VaR, thì khoản lỗ trung bình kỳ vọng sẽ là bao nhiêu?". ES cung cấp một bức tranh đầy đủ hơn về rủi ro ở phần đuôi của phân phối. Đối với nhà đầu tư tại thị trường chứng khoán Việt Nam, việc sử dụng VaR nên được xem là bước khởi đầu. Cần kết hợp kết quả từ VaR với sự hiểu biết sâu sắc về thị trường, phân tích cơ bản và các công cụ bổ sung như ES và Stress Testing để xây dựng một chiến lược quản trị rủi ro toàn diện và hiệu quả, đặc biệt khi đầu tư vào nhóm ngành ngân hàng đầy biến động.

6.1. Hạn chế của mô hình VaR và hướng khắc phục bằng Stress Test

VaR có hai hạn chế chính: (1) Nó không đo lường được mức độ thua lỗ khi vượt ngưỡng; (2) Nó có thể không chính xác khi dữ liệu lịch sử không phản ánh được các điều kiện thị trường tương lai, đặc biệt là các cuộc khủng hoảng. Stress Testing là một phương pháp bổ sung hiệu quả. Thay vì dựa vào xác suất thống kê, nó phân tích tác động của các sự kiện cụ thể, được xác định trước. Ví dụ, một nhà đầu tư có thể thực hiện stress test để xem danh mục đầu tư của mình sẽ bị ảnh hưởng như thế nào nếu VN-Index giảm 20% trong một tháng. Kết hợp VaR (cho điều kiện bình thường) và Stress Test (cho điều kiện cực đoan) sẽ tạo ra một hệ thống phòng thủ rủi ro vững chắc hơn.

6.2. Khuyến nghị cho nhà đầu tư khi ứng dụng VaR tại Việt Nam

Khi sử dụng VaR để đo lường rủi ro trên thị trường chứng khoán Việt Nam, nhà đầu tư cần lưu ý: (1) Nên ưu tiên các mô hình có tính đến sự thay đổi của biến động theo thời gian như VaR-GARCH. (2) Cần thực hiện backtesting VaR thường xuyên để đảm bảo mô hình vẫn còn phù hợp với điều kiện thị trường. (3) Không nên phụ thuộc hoàn toàn vào một con số VaR duy nhất; hãy xem xét kết quả ở nhiều mức độ tin cậy khác nhau. (4) Luôn kết hợp phân tích VaR với sự phán đoán chuyên môn và hiểu biết về bối cảnh kinh tế vĩ mô của Việt Nam.

6.3. Tương lai của VaR Tích hợp Expected Shortfall ES

Expected Shortfall (ES) đang được xem là thế hệ tiếp theo của các thước đo rủi ro. Ủy ban Basel thậm chí đã đề xuất thay thế VaR bằng ES trong khuôn khổ quy định vốn mới (Basel III). Ưu điểm chính của ES là nó có "tính nhất quán" (coherent), nghĩa là nó luôn khuyến khích đa dạng hóa, trong khi VaR trong một số trường hợp hiếm hoi có thể không làm được điều đó. ES đo lường mức độ rủi ro trung bình trong phần đuôi, cung cấp một con số thực tế hơn về thiệt hại tiềm tàng trong các kịch bản xấu nhất. Trong tương lai, việc các nhà đầu tư và tổ chức tại Việt Nam dần chuyển sang sử dụng hoặc tích hợp ES bên cạnh VaR sẽ là một bước tiến quan trọng trong việc nâng cao năng lực quản trị rủi ro tài chính.

Nội dung chính

Tổng quan nghiên cứu

Thị trường tài chính luôn tiềm ẩn nhiều biến động khó lường, đặc biệt là sau cuộc khủng hoảng tài chính toàn cầu giai đoạn 2008 - 2009 và giai đoạn tái cơ cấu hệ thống tổ chức tín dụng. Nhóm cổ phiếu ngân hàng thương mại tại Việt Nam từng là nhóm tài sản có thanh khoản cao nhưng cũng bộc lộ nhiều rủi ro nợ xấu, dẫn đến tâm lý e ngại của các nhà đầu tư. Nhằm giải quyết bài toán định lượng rủi ro danh mục, đề tài tập trung ứng dụng mô hình Giá trị rủi ro (Value at Risk - VaR) kết hợp mô hình phương sai có điều kiện GARCH(1,1) để đo lường mức độ rủi ro của danh mục đầu tư cổ phiếu ngành ngân hàng.

Mục tiêu cốt lõi của nghiên cứu là xác định mức sụt giảm tối đa theo ngày của chuỗi tỷ suất lợi nhuận khi nắm giữ cổ phiếu ngân hàng ở các mức độ tin cậy từ 95% đến 99,9% (tương ứng mức rủi ro từ 5% đến 0,1%). Nghiên cứu tiến hành khảo sát thực nghiệm trên 9 cổ phiếu ngân hàng thương mại cổ phần niêm yết trên thị trường chứng khoán Việt Nam trong giai đoạn gần 10 năm, từ tháng 07/2006 đến tháng 04/2016, với tổng cộng 2.438 phiên giao dịch theo ngày.

Ý nghĩa của nghiên cứu thể hiện qua việc cung cấp công cụ định lượng khoa học giúp các nhà quản trị rủi ro và các quỹ đầu tư đo lường tổn thất tiềm năng, từ đó tối ưu hóa tỷ trọng phân bổ vốn. Bằng việc áp dụng mô hình kiểm định tỷ lệ vi phạm (Violation Ratio - VR), công trình chỉ ra rõ hiệu quả dự báo của VaR ở từng ngưỡng rủi ro, đóng góp thiết thực cho quá trình chuẩn hóa quản trị rủi ro thị trường theo tiêu chuẩn Basel tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Khung lý thuyết của luận văn được xây dựng dựa trên ba trụ cột chính trong kinh tế lượng tài chính và quản trị rủi ro hiện đại. Thứ nhất là Lý thuyết danh mục đầu tư hiện đại của Harry Markowitz công bố năm 1952, đặt nền tảng cho việc đo lường rủi ro thông qua phương sai và độ lệch chuẩn, đồng thời nhấn mạnh nguyên lý đa dạng hóa để triệt tiêu rủi ro phi hệ thống nhưng không thể loại trừ rủi ro hệ thống.

Thứ hai là khung lý thuyết Giá trị rủi ro (VaR) được thương mại hóa mạnh mẽ bởi JPMorgan Chase vào năm 1994 thông qua hệ thống RiskMetrics và được Ủy ban Giám sát Ngân hàng Basel chính thức công nhận vào năm 1996 để tính toán yêu cầu vốn tối thiểu. VaR được định nghĩa là mức thua lỗ tối đa dự báo trước trong một khoảng thời gian nhất định với một mức tin cậy xác định trong điều kiện thị trường bình thường.

Thứ ba là mô hình phương sai có điều kiện tự hồi quy tổng quát GARCH(1,1) do Bollerslev phát triển năm 1986 nhằm nắm bắt hiện tượng phương sai thay đổi theo thời gian và hiện tượng cụm biến động trong chuỗi dữ liệu tài chính. Bên cạnh đó, luận văn làm rõ các khái niệm về hàm phân phối có đuôi dày (leptokurtosis), kiểm định tỷ lệ vi phạm VR và kiểm tra sức chịu tải (Stress Testing) nhằm khắc phục nhược điểm mất mát đuôi của mô hình VaR truyền thống.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp định lượng với dữ liệu thứ cấp là giá đóng cửa có điều chỉnh và giá trị vốn hóa thị trường của 9 ngân hàng thương mại niêm yết trên sàn HOSE và HNX gồm STB, ACB, SHB, VCB, CTG, EIB, NVB, MBB và BID trong giai đoạn từ 12/07/2006 đến 26/04/2016. Cỡ mẫu nghiên cứu bao gồm 10 danh mục đầu tư thực nghiệm: 9 danh mục đơn lẻ đại diện cho 9 mã cổ phiếu với số lượng quan sát dao động từ 555 phiên đến 2.438 phiên và 1 danh mục tổng hợp 9 cổ phiếu với 2.438 quan sát. Phương pháp chọn mẫu bao phủ toàn bộ các ngân hàng niêm yết trong giai đoạn nghiên cứu nhằm đảm bảo tính đại diện cao nhất cho toàn ngành.

Lý do lựa chọn phương pháp tham số phương sai - hiệp phương sai kết hợp mô hình GARCH(1,1) là vì phương pháp này cho phép tính toán biến động linh hoạt theo thời gian, phù hợp với đặc thù chuỗi dữ liệu giao dịch hàng ngày của thị trường chứng khoán Việt Nam mà không tốn kém chi phí tính toán phức tạp như phương pháp mô phỏng Monte Carlo. Quy trình phân tích gồm 5 bước cụ thể:

1. Thu thập dữ liệu, điều chỉnh giá và tính toán tỷ suất sinh lợi theo hàm logarit tự nhiên.
2. Xác định 4 mức rủi ro nghiên cứu gồm 5%, 2,5%, 1% và 0,1% (tương ứng độ tin cậy 95%, 97,5%, 99% và 99,9%).
3. Thực hiện kiểm định phân phối chuẩn Jarque-Bera và kiểm định tính dừng nghiệm đơn vị Dickey-Fuller (ADF).
4. Ước lượng phương sai thay đổi bằng GARCH(1,1) và xác định giá trị VaR 1 ngày.
5. Hậu kiểm mô hình thông qua tính toán tỷ lệ vi phạm thực tế và kiểm định hệ số VR để đánh giá độ chính xác của dự báo.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, kiểm định nghiệm đơn vị Dickey-Fuller chỉ ra rằng toàn bộ 10 chuỗi tỷ suất lợi nhuận danh mục đều có tính dừng ở bậc sai phân I(0) với giá trị thống kê t ước lượng nằm trong khoảng từ -36,5980 đến -40,7091, vượt trội so với các giá trị tới hạn ở mức ý nghĩa 1%, 5% và 10%. Điều này khẳng định chuỗi dữ liệu hoàn toàn phù hợp để thực hiện các mô hình chuỗi thời gian tiếp theo.

Thứ hai, kết quả kiểm định Jarque-Bera đối với toàn bộ 10 danh mục đều cho giá trị thống kê lớn hơn 0,99 với mức ý nghĩa p-value nhỏ hơn 0,01, đồng thời hệ số nhọn Kurtosis của tất cả các danh mục đều lớn hơn 3. Điều này bác bỏ giả thiết phân phối chuẩn đồng nhất và chứng minh chuỗi tỷ suất lợi nhuận cổ phiếu ngân hàng Việt Nam có đặc tính phân phối đuôi dày (leptokurtosis), trong đó danh mục cổ phiếu STB có hệ số Skewness gần 0 và Kurtosis gần 3 nhất so với các cổ phiếu còn lại.

Thứ ba, hiệu quả dự báo của mô hình VaR kết hợp GARCH(1,1) không đồng nhất giữa các mức rủi ro. Tại các mức rủi ro 5% và 2,5% (độ tin cậy 95% và 97,5%), mô hình cho tỷ lệ vi phạm thực tế tiệm cận rất sát với tỷ lệ kỳ vọng, hệ số VR nằm trong khoảng chấp nhận tốt từ 0,8 đến 1,2. Ngược lại, tại các mức rủi ro cực trị 1% và 0,1%, mô hình theo giả định phân phối chuẩn đánh giá thấp rủi ro thực tế, dẫn đến số lần vi phạm vượt ngưỡng dự báo tăng cao.

Thứ tư, nghiên cứu phát hiện quy mô cỡ mẫu quan sát có ảnh hưởng trực tiếp đến độ tin cậy của ước lượng VaR. Các danh mục có chuỗi dữ liệu dài trên 2.000 phiên như STB (2.438 quan sát) và ACB (2.345 quan sát) cho kết quả ước lượng ổn định và chính xác hơn đáng kể so với danh mục có chuỗi dữ liệu ngắn như BID (555 quan sát).

Thảo luận kết quả

Nguyên nhân chính khiến giả định phân phối chuẩn chưa đạt độ chính xác cao ở mức rủi ro 1% và 0,1% xuất phát từ hiện tượng đuôi dày của thị trường chứng khoán Việt Nam. Trong các giai đoạn thị trường biến động mạnh hoặc xuất hiện thông tin bất lợi, biên độ dao động giá và tâm lý bầy đàn của nhà đầu tư tạo ra các cú sốc mất mát lớn ở rìa cực bên trái của hàm mật độ xác suất, vượt ra ngoài tầm bao phủ của đường cong chuẩn đối xứng.

Kết quả này hoàn toàn tương đồng với các công bố thực nghiệm của Võ Hồng Đức và Huỳnh Long Phi giai đoạn 2015 - 2016 trên chỉ số VN-Index, cũng như nghiên cứu của Orhan và Koksan năm 2012 tại các thị trường mới nổi. Cả hai nghiên cứu đều nhấn mạnh rằng mô hình tham số với giả định phân phối chuẩn chỉ đạt độ tin cậy cao ở mức ý nghĩa 5%, nhưng thất bại khi dự báo rủi ro cực trị ở mức 1% nếu không có sự hiệu chỉnh phân phối Student-t hoặc phân phối GED.

Khi tổng hợp dữ liệu, các phát hiện trên có thể được minh họa trực quan qua biểu đồ phân phối tần số hình chuông nhọn lệch đuôi và bảng ma trận so sánh hệ số vi phạm VR giữa 10 danh mục. Bảng số liệu tổng hợp cho thấy sự cải thiện rõ rệt của mô hình khi quy mô mẫu tăng từ 555 lên 2.438 quan sát, khẳng định tầm quan trọng của việc thu thập dữ liệu chuỗi thời gian đủ dài trong công tác quản trị rủi ro định lượng.

Đề xuất và khuyến nghị

Thứ nhất, hoàn thiện hệ thống đo lường và kiểm soát rủi ro thị trường tại các ngân hàng thương mại. Ban Quản trị rủi ro tại các ngân hàng thương mại cần tích hợp mô hình VaR-GARCH vào hệ thống quản lý vốn hàng ngày, kết hợp bắt buộc công cụ kiểm tra sức chịu tải (Stress Testing) định kỳ hàng quý. Mục tiêu là kiểm soát tỷ lệ vi phạm rủi ro danh mục tự doanh dưới ngưỡng 5% trong lộ trình 12 đến 24 tháng tới nhằm đáp ứng đầy đủ yêu cầu quản trị vốn của Basel II và Basel III.

Thứ hai, tối ưu hóa cơ cấu phân bổ vốn và đa dạng hóa danh mục đầu tư. Các nhà quản lý quỹ và nhà đầu tư tổ chức cần chủ động phân bổ tỷ trọng hợp lý giữa 9 cổ phiếu ngân hàng thương mại và các tài sản phòng thủ khác, tránh tập trung vốn vào các mã có chuỗi dữ liệu niêm yết ngắn. Mục tiêu hành động là giảm độ biến động phương sai của danh mục tổng thể từ 15% xuống dưới mức 10% trong vòng 6 đến 12 tháng.

Thứ ba, nâng cấp hạ tầng dữ liệu và chuẩn hóa báo cáo rủi ro định lượng. Ngân hàng Nhà nước và Ủy ban Chứng khoán Nhà nước cần ban hành hướng dẫn chi tiết yêu cầu các định chế tài chính xây dựng cơ sở dữ liệu chuỗi thời gian tối thiểu 1.500 đến 2.500 phiên giao dịch có điều chỉnh quyền, thực hiện công bố định kỳ báo cáo VaR trong vòng 18 tháng nhằm nâng cao tính minh bạch của thị trường vốn.

Thứ tư, áp dụng linh hoạt các phân phối phi chuẩn trong mô hình định lượng rủi ro. Các chuyên viên phân tích tài chính nên mở rộng mô hình ước lượng bằng cách thay thế giả định phân phối chuẩn bằng phân phối Student-t hoặc lý thuyết giá trị cực trị (EVT) khi tính toán VaR ở mức tin cậy 99% và 99,9%. Giải pháp này giúp đưa tỷ lệ vi phạm VR về mức tối ưu 1,0 trong chu kỳ kiểm toán nội bộ 6 tháng tiếp theo.

Đối tượng nên tham khảo luận văn

Thứ nhất, ban lãnh đạo và chuyên viên quản trị rủi ro tại các ngân hàng thương mại và công ty chứng khoán. Luận văn cung cấp quy trình 5 bước đo lường rủi ro danh mục cổ phiếu bằng mô hình GARCH(1,1), giúp xây dựng hạn mức giao dịch tự doanh và tính toán vốn rủi ro thị trường theo chuẩn Basel.

Thứ hai, các nhà quản lý quỹ đầu tư và chuyên viên phân tích tài chính. Nhóm đối tượng này có thể ứng dụng các kết quả kiểm định trên 9 mã cổ phiếu ngân hàng để xây dựng danh mục tối ưu hóa lợi nhuận trên một đơn vị rủi ro và thiết lập chiến lược cắt lỗ khoa học dựa trên giá trị VaR 1 ngày.

Thứ ba, cơ quan quản lý nhà nước gồm Ngân hàng Nhà nước và Ủy ban Chứng khoán Nhà nước. Kết quả nghiên cứu cung cấp cơ sở thực nghiệm về mức độ tổn thất tối đa của nhóm cổ phiếu ngân hàng trong 10 năm, hỗ trợ công tác hoạch định chính sách an toàn vĩ mô và giám sát rủi ro hệ thống.

Thứ tư, giảng viên, nghiên cứu sinh và học viên cao học chuyên ngành Tài chính - Ngân hàng. Công trình là tài liệu tham khảo giá trị về phương pháp kinh tế lượng tài chính, kỹ thuật kiểm định tính dừng I(0), kiểm định Jarque-Bera và phương pháp hậu kiểm mô hình bằng hệ số VR.

Câu hỏi thường gặp

Mô hình Giá trị rủi ro (VaR) là gì và ứng dụng thế nào trong danh mục cổ phiếu ngân hàng? VaR là công cụ đo lường mức thua lỗ tối đa dự báo trước của một danh mục trong khoảng thời gian xác định với một mức tin cậy cho trước. Trong nghiên cứu này, VaR 1 ngày giúp nhà đầu tư xác định mức giảm giá lớn nhất của 9 cổ phiếu ngân hàng ở độ tin cậy từ 95% đến 99,9% trong điều kiện bình thường.

Tại sao giả định phân phối chuẩn lại làm giảm độ chính xác của VaR ở mức rủi ro 1% và 0,1%? Vì chuỗi tỷ suất lợi nhuận cổ phiếu ngân hàng có hiện tượng đuôi dày với hệ số nhọn Kurtosis lớn hơn 3. Phân phối chuẩn giả định đuôi xác suất mỏng dần, do đó khi thị trường xuất hiện biến động mạnh, mô hình chuẩn sẽ đánh giá thấp các khoản lỗ cực trị, dẫn đến tỷ lệ vi phạm thực tế vượt xa kỳ vọng.

Mô hình GARCH(1,1) mang lại lợi ích gì trong việc tính toán VaR? Mô hình GARCH(1,1) giúp ước lượng phương sai thay đổi theo thời gian dựa trên các cú sốc và biến động quá khứ. Khác với phương sai cố định, GARCH(1,1) phản ánh chính xác hiện tượng cụm biến động, giúp giá trị VaR 1 ngày điều chỉnh linh hoạt theo từng phiên giao dịch thực tế.

Cỡ mẫu dữ liệu ảnh hưởng như thế nào đến chất lượng dự báo rủi ro? Quy mô mẫu càng lớn thì chất lượng ước lượng tham số càng cao. Kết quả cho thấy cổ phiếu STB với 2.438 quan sát cho ước lượng VaR ổn định hơn nhiều so với cổ phiếu BID chỉ có 555 quan sát, chứng minh rằng dữ liệu lịch sử dài giúp giảm sai số thống kê đáng kể.

Làm thế nào để kiểm soát rủi ro danh mục khi VaR không dự báo được các sự kiện thiên nga đen? Để bù đắp nhược điểm của VaR trong điều kiện khủng hoảng, các tổ chức tài chính cần kết hợp phương pháp kiểm tra sức chịu tải (Stress Testing). Stress Testing cho phép mô phỏng các kịch bản suy thoái tồi tệ nhất trong lịch sử để tính toán lượng vốn dự phòng cần thiết khi thị trường sụp đổ.

Kết luận

• Luận văn đã ứng dụng thành công mô hình VaR kết hợp GARCH(1,1) để đo lường rủi ro danh mục 9 cổ phiếu ngân hàng thương mại niêm yết tại Việt Nam trong giai đoạn 10 năm từ 2006 đến 2016.
• Kết quả kiểm định khẳng định chuỗi tỷ suất lợi nhuận có tính dừng ở bậc I(0) với giá trị t-thống kê từ -36,5980 đến -40,7091 và mang đặc tính phân phối đuôi dày với hệ số Kurtosis lớn hơn 3.
• Mô hình VaR theo phân phối chuẩn hoạt động hiệu quả nhất ở mức rủi ro 5% và 2,5% (độ tin cậy 95% và 97,5%), nhưng bộc lộ sai số ở các mức rủi ro cực trị 1% và 0,1%.
• Quy mô mẫu có tác động trực tiếp đến độ tin cậy của mô hình, đòi hỏi chuỗi dữ liệu quan sát cần đạt từ 1.500 đến 2.500 phiên để đảm bảo tính chuẩn xác.
• Bước phát triển tiếp theo là mở rộng nghiên cứu với các mô hình phi tham số, phân phối Student-t và kiểm tra sức chịu tải định kỳ trong vòng 12 tháng tới nhằm hoàn thiện khung quản trị rủi ro danh mục cho các nhà đầu tư và định chế tài chính.

Trích đoạn nội dung tài liệu

Chương 1 sẽ giới thiệu tổng quát về tính cấp thiết của đề tài, nêu lên bối cảnh khoa học và thực tiễn của vấn đề nghiên cứu. Chương này cũng trình bày khái quát về mục tiêu nghiên cứu, trong đó nêu rõ các câu hỏi nghiên cứu. Ngoài ra, đối tượng nghiên cứu, phạm vi nghiên cứu cũng như phương pháp nghiên cứu cũng được giới thiệu tóm tắt. Những đóng góp của nghiên cứu cũng được nhấn mạnh cùng với kết cấu của bài nghiên cứu.

Chƣơng 2: Tổng quan lý thuyết về rủi ro danh mục và mô hình VaR Chương 2 trình bày tổng quan cơ sở lý thuyết về rủi ro, cách đo lường rủi ro và lý thuyết về VaR, bao gồm khái niệm, các yếu tố ảnh hưởng đến VaR và ba phương pháp để đo lường VaR thông dụng nhất. Ngoài ra, trong chương này, tác giả đã sơ lược kết quả các nghiên cứu trước đây về ứng dụng VaR để đo lường rủi ro danh mục đầu tư, làm tiền đề cho tác giả nghiên cứu đề tài này. Chƣơng 3: Cơ sở dữ liệu và phƣơng pháp nghiên cứu Chương 3 trình bày phương pháp nghiên cứu, kỳ nghiên cứu, quy trình thu thập và xử lý dữ liệu bao gồm: nguồn dữ liệu đầu vào, quy trình xử lý dữ liệu đầu vào. Tác giả trình bày cụ thể từng bước đo lường VaR, sử dụng mô hình GARCH(1,1) để tính toán phương sai thay đổi và thực hiện các kiểm định về sự phù hợp của mô hình để từ đó đo lường rủi ro danh mục đầu tư và dự báo cho giai đoạn tiếp theo.

Chƣơng 4: Kết quả nghiên cứu Chương 4 sẽ trình bày chi tiết kết quả ước lượng được. Từ đó tiến hành thảo luận về các kết quả nghiên cứu đã đạt được. Chƣơng 5: Kết luận và hàm ý chính sách download by : [e-mail] 7 Chương 5 sẽ kết luận nghiên cứu, tóm tắt kết quả nghiên cứu chính. Đồng thời, chương này cũng đưa ra những hạn chế của nghiên cứu và đề xuất hướng nghiên cứu tiếp theo.

download by : [e-mail] 8 CHƢƠNG 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 tƣ 2.1 Khái niệm rủi ro và rủi ro danh mục đầu tƣ Trong thực tế, chúng ta nhận thấy là việc đầu tư vào các cổ phiếu thường mang lại tỷ suất lợi nhuận cao hơn so với khi chúng ta đầu tư vào các chứng khoán nợ khác như tín phiếu, trái phiếu kho bạc hay đơn giản hơn là gửi ngân hàng dưới hình thức tiết kiệm. Tuy nhiên, câu hỏi đặt ra là, tại sao tất cả mọi người không cùng đầu tư vào một kênh mà lại phân tán ra nhiều kênh khác nhau. Câu trả lời là tỷ suất lợi nhuận thường tỷ lệ thuận với rủi ro, tỷ suất lợi nhuận cao đồng nghĩa với khả năng chịu rủi ro cao. Mặt khác, với nguyên tắc “không để tất cả trứng vào một giỏ”, các nhà đầu tư thường phân bổ vốn vào nhiều kênh tài chính khác nhau nhằm phân tán rủi ro.

Thông thường, 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. Có nhiều định nghĩa khác nhau về rủi ro. 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. Hay nói một cách khác rủi ro là sự sai biệt của lợi nhuận thực tế so với lợi nhuận kỳ vọng, lợi nhuận thực tế có thể cao hơn hoặc thấp hơn so với lợi nhuận kỳ vọng. Các nhà đầu tư chỉ chấp nhận đầu tư vào các cổ phiếu có độ rủi ro cao hơn khi mà lợi nhuận kỳ vọng từ cổ phiếu đó cao. download by : [e-mail] 9 Từ định nghĩa trên, chúng ta có thể hiểu rủi ro danh mục đầu tư là là sự sai biệt của lợi nhuận thực tế so với lợi nhuận kỳ vọng của một danh mục đầu tư.

Khi đầu tư vào các tài sản tài chính, chúng ta có thể gặp hai loại rủi ro là rủi ro hệ thống (rủi ro thị trường) và rủi ro phi hệ thống. Rủi ro hệ thống là loại rủi ro tác động lên toàn bộ hoặc tất cả các tài sản trong danh mục nói riêng và tất cả các tài sản cấu thành nên thị trường nói chung, còn gọi là rủi ro thị trường. Các nguyên nhân có thể gây ra rủi ro hệ thống thường là các điều kiện chung của nền kinh tế như: GDP giảm, lãi suất tiền vay tăng cao, lạm phát tăng cao, chính trị bất ổn, thiên tai…Những điều kiện kinh tế trên ảnh hưởng đến tất cả các doanh nghiệp. Rủi ro phi hệ thống là loại rủi ro chỉ tác động đến một tài sản hay một nhóm nhỏ các tài sản.

Rủi ro này chỉ liên quan đến một hoặc một nhóm các doanh nghiệp cụ thể do đó ở một số tài liệu nó còn được gọi bằng tên gọi khác là rủi ro đơn nhất hay rủi ro cho một tài sản cụ thể. Nguyên nhân gây ra rủi ro phi hệ thống có thể do trình độ quản lý doanh nghiệp yếu kém, trình độ khoa học kỹ thuật lạc hậu… Rủi ro phi hệ thống có thể được loại trừ thông qua việc đa dạng hóa danh mục đầu tư còn rủi ro hệ thống không thể loại trừ thông qua việc đa dạng hóa. Bởi vì, rủi ro có hệ thống tác động đến tất cả các loại tài sản khác nhau. Do đó, dù có bao nhiêu tài sản trong danh mục hay thay đổi tỷ trọng các tài sản trong danh mục đầu tư thì rủi ro có hệ thống cũng không thể bị loại bỏ.

Trên thực tế, rủi ro hệ thống còn được gọi là rủi ro không thể đa dạng hóa. Rủi ro tổng thể = Rủi ro hệ thống + rủi ro phi hệ thống download by : [e-mail] 10 Nguồn: Drake và Fabozzi, 2010 Hình 2.1 Thành phần của rủi ro danh mục đầu tƣ 2.2 Đo lƣờng rủi ro Trong quản trị rủi ro tài chính hiện đại, nếu chỉ dựa vào các phương pháp phân tích định tính thì chưa đủ mà quan trọng hơn là phải hình thành, phát triển các phương pháp, mô hình để đo lường, lượng hóa rủi ro. Từ đó, giúp nhà đầu tư đưa ra các quyết định chính xác. Phương pháp đo lường rủi ro hiện nay vẫn sử dụng phổ biến là sử dụng phương sai (variance) và độ lệch tiêu chuẩn (standard deviation) để đo lường độ biến động của tỷ suất lợi nhuận thực tế khi đầu tư các chứng khoán so với tỷ suất lợi nhuận kỳ vọng của các nhà đầu tư.

Phƣơng sai và độ lệch tiêu chuẩn Rủi ro đề cập đến sự không chắc chắn về lợi nhuận thực tế mà nhà đầu tư nhận được từ việc đầu tư. Sự không chắc chắn này được thể hiện bởi nhiều tỷ suất lợi nhuận có thể nhận được với nhiều xác suất khác nhau. Độ phân tán của những giá trị lợi download by : [e-mail] 11 nhuận có thể xảy ra so với lợi nhuận kỳ vọng càng lớn, thì sự không chắc chắn (rủi ro) càng lớn. Giá trị kỳ vọng của một biến ngẫu nhiên đơn giản chỉ cho biết trọng tâm của biến đó ở đâu chứ không cho biết các giá trị riêng lẻ của biến đó phân tán như thế nào xung quanh giá trị trung bình.

Thước đo phổ biến nhất cho sự phân tán là phương sai và độ lệch tiêu chuẩn. + Đối với chứng khoán riêng lẻ Phương sai của tỷ suất lợi nhuận (σ2) được xác định như sau: n 2  2    pi (R i  E ( R) i 1 Trong đó: E(R): Tỷ suất lợi nhuận kỳ vọng. Ri: Tỷ suất lợi nhuận có thể nhận được trong tình huống i pi : Xác suất nhận được Ri Độ lệch chuẩn của tỷ suất lợi nhuận (σ): n 2     p (R  E ( R) i 1 i i Các ký hiệu được giải thích tương tự như trên. + Đối với danh mục đầu tƣ: Rủi ro của danh mục đầu tư được đo lường bằng chỉ tiêu phương sai (hoặc độ lệch chuẩn) của tỷ suất lợi nhuận trên danh mục đầu tư (tương tự như trường hợp mỗi chứng khoán riêng lẻ).

Năm 1952, Harry Markowitz - được xem là người khai sinh ra lý thuyết danh mục đầu tư hiện đại - đã phát triển mô hình lựa chọn danh mục đầu tư dựa trên nguyên lý đa dạng hóa. Markowitz đưa ra công thức tính toán phương sai (hoặc độ lệch chuẩn) của tỷ suất lợi tức trên danh mục đầu tư như sau: download by : [e-mail] 12 Phương sai: n n n    w    w i w j ij 2 p 2 i i 2 i 1 i 1 j 1 j i Độ lệch chuẩn: n n n p   w i2 i2   w i w j ij i 1 i 1 j 1 j i Trong đó: σp: Độ lệch chuẩn của tỷ suất lợi nhuận trên danh mục đầu tư. Wi,(j) : Tỷ trọng của tài sản thứ i (hoặc j) trong danh mục đầu tư. σi: Độ lệch chuẩn của tỷ suất lợi nhuận trên tài sản thứ i σij : Hiệp phương sai giữa tỷ suất lợi nhuận trên tài sản thứ i và tỷ suất lợi nhuận trên tài sản thứ j trong danh mục đầu tư.

Hiệp phương sai là một hệ số đo lường mức độ theo đó lợi nhuận trên hai tài sản (tài sản A và tài sản B) biến động so với nhau. Hệ số tương quan là thước đo mối quan hệ tuyến tính giữa hai biến ngẫu nhiên, nghĩa là nó cho biết hai biến đó quan hệ với nhau như thế nào, mạnh hay là yếu. Hệ số tương quan có giá trị thay đổi từ -1 đến 1 (-1 ≤ ρAB ≤ 1). Giá trị 1 thể hiện một quan hệ tuyến tính thuận hoàn hảo giữa hai tài sản.

Giá trị -1 thể hiện quan hệ tuyến tính nghịch hoàn hảo. Nếu hệ số tương quan bằng 0, hai biến độc lập hoàn toàn với nhau. download by : skknchat@gmail.2 Cơ sở lý thuyết về mô hình giá trị rủi ro Value at risk (VaR) 2.1 Lịch sử ra đời của mô hình giá trị rủi ro VaR Khái niệm “Giá trị rủi ro – VaR” không bắt nguồn từ lĩnh vực chứng khoán hay ngân hàng mà có nguồn gốc từ lĩnh vực bảo hiểm.