Xếp Hạng Các Mô Hình Value at Risk Trong Dự Báo Rủi Ro Danh Mục

Luận văn thạc sĩ nghiên cứu ueh xếp hạng các mô hình value at risk trong dự báo rủi ro danh mục, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện pháp hoàn thiện trong lĩnh vực

• Tác giả: Nguyễn Thanh Phú
• Người hướng dẫn: PGS. Lê Phan Thị Diệu Thảo
• Trường học: Trường Đại học Kinh tế TP. Hồ Chí Minh
• Chuyên ngành: Tài chính – Ngân hàng
• Đề tài: Xếp Hạng Các Mô Hình Value at Risk Trong Dự Báo Rủi Ro Danh Mục
• Loại tài liệu: Luận văn thạc sĩ kinh tế
• Năm xuất bản: 2015
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU VỀ ĐỀ TÀI
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Nội dung nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Phạm vi nghiên cứu
• 1.6. Ý nghĩa đề tài
• 1.7. Kết cấu của bài nghiên cứu
• 2. CHƯƠNG 2: TỔNG QUAN CÁC NGHIÊN CỨU VỀ VaR
• 2.1. Tổng quan về Value at Risk (VaR)
• 2.2. Khái niệm VaR
• 2.3. Sự phát triển của VaR trong quản trị rủi ro
• 2.4. Một số đặc điểm của VaR
• 2.5. Các thông số ảnh hưởng đến VaR
• 2.6. Các cách tiếp cận các mô hình VaR
• 2.6.1. Cách tiếp cận Phi tham số (Nonparametric)
• 2.6.1.1. Mô hình Mô phỏng Quá khứ (Historical Simulation)
• 2.6.1.2. Mô hình mô phỏng Monte Carlo
• 2.6.2. Cách tiếp cận tham số
• 2.6.2.1. Mô hình Riskmetrics
• 2.6.2.2. Mô hình Phương sai-Hiệp phương sai (Variance-Covariance)
• 2.6.2.3. Mô hình GARCH
• 2.6.2.4. Mô hình EGARCH
• 2.6.3. Cách tiếp cận bán tham số
• 2.6.3.1. Mô hình CAViaR thích nghi (CAViaR Adaptive)
• 2.6.3.2. Mô hình Giá trị tuyệt đối đối xứng (CAViaR Symmetric)
• 2.6.3.3. Mô hình GARCH(1,1) gián tiếp (CAViaR Indirect GARCH)
• 2.6.3.4. Mô hình độ dốc bất đối xứng (CAViaR Asymmetric)
• 2.7. Lý thuyết giá trị cực trị (Extreme Value Theory – EVT)
• 2.8. Kiểm tra lại phương pháp luận VaR (Back-testing)
• 2.8.1. Kiểm định phạm vi vô điều kiện (Unconditional Coverage Test)
• 2.8.2. Kiểm định phạm vi có điều kiện (Conditional Coverage Test)
• 2.9. Phân tích kịch bản
• 2.9.1. Lựa chọn kịch bản
• 2.9.2. Đánh giá ảnh hưởng của các kịch bản
• 2.9.3. Đánh giá Stress Test
• 2.10. Bằng chứng thực nghiệm về xếp hạng các mô hình VaR
• 2.10.1. Bằng chứng thực nghiệm tại các thị trường đang phát triển
• 2.10.2. Bằng chứng thực nghiệm tại các thị trường mới nổi
• 2.10.3. Bằng chứng thực nghiệm tại các thị trường phát triển
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Các mô hình dự báo VaR và dữ liệu được sử dụng
• 3.2. Phân tích dữ liệu
• 3.3. Tính toán TSSL
• 3.4. Mô tả thống kê của chuỗi dữ liệu TSSL
• 3.5. Mô hình dự báo VaR và phương pháp kiểm định
• 3.5.1. Mô hình Historical Simulation
• 3.5.2. Mô hình Variance-Covariance
• 3.5.3. Mô hình GARCH (1,1)
• 3.5.4. Mô hình EGARCH (1,1)
• 3.5.5. Mô hình CAViaR Adaptive
• 3.5.6. Mô hình CAViaR Symmetric
• 3.5.7. Mô hình CAViaR Indirect GARCH
• 3.5.8. Mô hình CAViaR Asymmetric
• 3.5.9. Mô hình kiểm định VR
• 3.6. Các bước nghiên cứu
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
• 4.1. Kết quả dự báo VaR
• 4.2. Trình bày kết quả dự báo VaR theo bảng
• 4.3. Trình bày kết quả dự báo VaR bằng đồ thị
• 4.4. Kiểm định kết quả dự báo
• 4.5. Xếp hạng, phân tích và đánh giá kết quả dự báo
• 4.5.1. Xếp hạng các mô hình
• 4.5.2. Phân tích kết quả xếp hạng
• 4.5.3. Phân tích đồ thị kết quả dự báo
• 4.5.4. Lựa chọn mô hình dự báo rủi ro danh mục
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. Kết quả nghiên cứu
• 5.2. Hạn chế của bài nghiên cứu và hướng mở rộng
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng Quan Về Mô Hình Value at Risk Trong Dự Báo Rủi Ro

Mô hình Value at Risk (VaR) là một công cụ quan trọng trong quản lý rủi ro tài chính. Nó giúp các nhà đầu tư và quản lý quỹ đánh giá mức độ rủi ro của danh mục đầu tư trong một khoảng thời gian nhất định. Việc hiểu rõ về VaR và các mô hình liên quan là cần thiết để đưa ra quyết định đầu tư chính xác.

1.1. Khái Niệm Value at Risk và Tầm Quan Trọng

Value at Risk (VaR) là một phương pháp đo lường rủi ro tài chính, cho biết khoản lỗ tối đa có thể xảy ra trong một khoảng thời gian nhất định với một xác suất nhất định. Tầm quan trọng của VaR nằm ở khả năng giúp các nhà đầu tư dự đoán và quản lý rủi ro hiệu quả.

1.2. Lịch Sử Phát Triển Của Mô Hình VaR

Mô hình VaR đã được phát triển từ những năm 1990 và nhanh chóng trở thành tiêu chuẩn trong quản lý rủi ro tài chính. Sự phát triển của VaR gắn liền với các sự kiện tài chính lớn, như khủng hoảng tài chính toàn cầu, đã làm nổi bật vai trò của nó trong việc đánh giá rủi ro.

II. Các Thách Thức Trong Dự Báo Rủi Ro Danh Mục Bằng Mô Hình VaR

Mặc dù mô hình VaR rất hữu ích, nhưng vẫn tồn tại nhiều thách thức trong việc áp dụng nó vào thực tiễn. Các yếu tố như sự biến động của thị trường, độ tin cậy của dữ liệu và các giả định về phân phối có thể ảnh hưởng đến độ chính xác của dự báo.

2.1. Biến Động Thị Trường và Ảnh Hưởng Đến VaR

Sự biến động của thị trường có thể làm thay đổi đáng kể các ước lượng VaR. Khi thị trường có những biến động lớn, các mô hình VaR có thể không phản ánh đúng rủi ro thực tế.

2.2. Độ Tin Cậy Của Dữ Liệu Trong Tính Toán VaR

Độ tin cậy của dữ liệu đầu vào là yếu tố quan trọng trong việc tính toán VaR. Dữ liệu không chính xác hoặc không đầy đủ có thể dẫn đến những ước lượng sai lệch, ảnh hưởng đến quyết định đầu tư.

III. Phương Pháp Tính Toán Mô Hình Value at Risk Hiệu Quả

Có nhiều phương pháp khác nhau để tính toán VaR, mỗi phương pháp có ưu điểm và nhược điểm riêng. Việc lựa chọn phương pháp phù hợp là rất quan trọng để đảm bảo tính chính xác của dự báo.

3.1. Mô Hình Historical Simulation Trong Tính Toán VaR

Mô hình Historical Simulation sử dụng dữ liệu quá khứ để ước lượng VaR. Phương pháp này đơn giản và dễ hiểu, nhưng có thể không phản ánh đúng rủi ro trong tương lai nếu thị trường có sự thay đổi lớn.

3.2. Mô Hình GARCH và Ứng Dụng Trong VaR

Mô hình GARCH (Generalized Autoregressive Conditional Heteroskedasticity) giúp dự đoán sự biến động của thị trường và có thể cải thiện độ chính xác của ước lượng VaR. Mô hình này phù hợp cho các danh mục có sự biến động cao.

IV. Kết Quả Nghiên Cứu Về Xếp Hạng Các Mô Hình VaR

Nghiên cứu đã tiến hành xếp hạng các mô hình VaR dựa trên hiệu suất dự báo của chúng. Kết quả cho thấy một số mô hình hoạt động tốt hơn trong các điều kiện thị trường khác nhau.

4.1. Phân Tích Kết Quả Dự Báo VaR

Kết quả dự báo VaR cho thấy sự khác biệt rõ rệt giữa các mô hình. Một số mô hình như GARCH cho kết quả chính xác hơn trong các giai đoạn thị trường biến động.

4.2. Ứng Dụng Thực Tiễn Của Các Mô Hình VaR

Các mô hình VaR không chỉ giúp các nhà đầu tư đánh giá rủi ro mà còn hỗ trợ trong việc ra quyết định đầu tư. Việc lựa chọn mô hình phù hợp có thể giúp tối ưu hóa lợi nhuận và giảm thiểu rủi ro.

V. Kết Luận và Hướng Phát Triển Tương Lai Của Mô Hình VaR

Mô hình VaR đã chứng minh được giá trị của nó trong việc quản lý rủi ro tài chính. Tuy nhiên, cần tiếp tục nghiên cứu và phát triển để cải thiện độ chính xác và khả năng ứng dụng của nó trong các điều kiện thị trường khác nhau.

5.1. Tương Lai Của Mô Hình VaR Trong Quản Lý Rủi Ro

Với sự phát triển của công nghệ và dữ liệu lớn, mô hình VaR có thể được cải tiến để phản ánh chính xác hơn các điều kiện thị trường hiện tại và tương lai.

5.2. Đề Xuất Nghiên Cứu Thêm Về Các Mô Hình VaR

Cần có thêm nhiều nghiên cứu để đánh giá và phát triển các mô hình VaR mới, nhằm đáp ứng tốt hơn nhu cầu của thị trường tài chính hiện đại.

Nội dung chính

Tổng quan nghiên cứu

Thị trường tài chính toàn cầu luôn vận động với những biến động khó lường, đặc biệt là sau cuộc khủng hoảng tài chính giai đoạn 2007 - 2008. Thực tế này đòi hỏi các định chế tài chính, quỹ đầu tư và ngân hàng thương mại phải xây dựng những công cụ định lượng chuẩn xác nhằm kiểm soát tổn thất danh mục. Thước đo Giá trị chịu rủi ro (Value at Risk - VaR) đã trở thành chuẩn mực quốc tế cốt lõi được Ủy ban Basel và các cơ quan quản lý thị trường tài chính toàn cầu áp dụng để xác định hạn mức vốn an toàn tối thiểu.

Vấn đề nghiên cứu trọng tâm của luận văn là đánh giá toàn diện và xếp hạng năng lực dự báo rủi ro danh mục của 8 mô hình kinh tế lượng đại diện cho 3 trường phái tiếp cận: phi tham số, tham số và bán tham số. Mục tiêu cụ thể của tác giả là kiểm chứng độ chính xác của từng mô hình thông qua kiểm định Tỷ lệ vi phạm (Violation Ratio - VR), từ đó tìm ra phương pháp ước lượng tối ưu cho các điều kiện thị trường khác nhau.

Phạm vi nghiên cứu bao quát chuỗi dữ liệu lịch sử kéo dài 14 năm (từ tháng 04/2001 đến ngày 24/04/2015) với 3.393 quan sát giá đóng cửa hàng ngày trên 8 chỉ số thị trường chứng khoán đại diện: 4 thị trường phát triển gồm S&P 500 (Mỹ), FTSE 100 (Anh), DAX (Đức), Nikkei 225 (Nhật Bản) và 4 thị trường mới nổi gồm SSEC (Trung Quốc), BOVESPA (Brazil), SENSEX (Ấn Độ), VN-Index (Việt Nam). Nghiên cứu thực hiện đo lường tại hai mức ý nghĩa chuẩn hóa là 1% và 5% (tương ứng với độ tin cậy 99% và 95%). Kết quả đề tài cung cấp bằng chứng thực nghiệm quan trọng, hỗ trợ các Giám đốc quản trị rủi ro (CRO) tại Việt Nam thực thi hiệu quả Quy chế Quản trị rủi ro do Ủy ban Chứng khoán Nhà nước ban hành, giúp tối ưu hóa hệ số an toàn vốn và giảm thiểu nguy cơ sai lệch dự báo xuống dưới ngưỡng 10%.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết xác suất thống kê tài chính hiện đại và các nguyên lý đo lường rủi ro thị trường của Ủy ban Giám sát Ngân hàng Basel. Luận văn tổng hợp và hệ thống hóa 3 nhóm tiếp cận mô hình hóa VaR chính:

1. Tiếp cận phi tham số: Điển hình là Mô hình Mô phỏng Lịch sử (Historical Simulation - HS). Phương pháp này không áp đặt bất kỳ giả định nào về hàm phân phối của tỷ suất sinh lời, mà sử dụng trực tiếp các phân vị thực nghiệm trong quá khứ để xác định mức lỗ tiềm năng.
2. Tiếp cận tham số: Bao gồm mô hình Phương sai - Hiệp phương sai (Variance-Covariance) và dòng mô hình phương sai có điều kiện thay đổi theo thời gian gồm GARCH(1,1) do Engle phát triển và EGARCH(1,1) của Nelson. Nhóm này giả định tỷ suất sinh lời tuân theo phân phối xác suất xác định (thường là phân phối chuẩn) kết hợp với ước lượng độ biến động động.
3. Tiếp cận bán tham số: Điển hình là dòng mô hình VaR tự hồi quy có điều kiện (CAViaR) do Engle và Manganelli đề xuất năm 2004, bao gồm 4 biến thể: CAViaR Thích ứng (Adaptive), CAViaR Giá trị tuyệt đối đối xứng (Symmetric), CAViaR GARCH(1,1) gián tiếp (Indirect GARCH) và CAViaR Độ dốc bất đối xứng (Asymmetric). Mô hình này sử dụng kỹ thuật hồi quy phân vị để ước lượng trực tiếp phân vị của danh mục mà không cần giả định phân phối chuỗi lợi suất.

Bên cạnh đó, khung lý thuyết kiểm định lại (Back-testing) được sử dụng để đánh giá chất lượng mô hình thông qua Tỷ lệ vi phạm (VR), định nghĩa bằng tỷ số giữa số lần thua lỗ thực tế vượt quá mức VaR dự báo so với số lần vi phạm kỳ vọng lý thuyết.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp định lượng thực nghiệm với chuỗi thời gian tài chính. Nguồn dữ liệu gồm 3.393 mức giá đóng cửa hàng ngày thu thập từ hệ thống phân tích tài chính Metastock và chuyên trang thị trường quốc tế, tạo ra chuỗi 3.392 quan sát tỷ suất sinh lời theo logarit tự nhiên cho mỗi thị trường trong giai đoạn từ tháng 10/2001 đến tháng 04/2015.

Quy trình chọn mẫu có chủ đích đại diện cho 8 nền kinh tế có quy mô và cấu trúc địa lý đa dạng nhằm loại trừ sai lệch đặc thù của từng thị trường riêng lẻ. Tác giả áp dụng phương pháp cửa sổ dịch chuyển (rolling window) với 1.000 quan sát lịch sử gần nhất để ước lượng tham số và dự báo VaR cho ngày giao dịch thứ 1.001 kế tiếp. Toàn bộ quy trình tính toán, hồi quy phân vị và mô phỏng được thực hiện trên các phần mềm chuyên dụng gồm Microsoft Excel, EViews và MATLAB.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thống kê mô tả trên toàn bộ 8 danh mục thị trường chứng khoán cho thấy hệ số Jarque-Bera của cả 8 chuỗi tỷ suất sinh lời đều vượt rất xa giá trị tới hạn 3,84 (mức ý nghĩa 1%), bác bỏ hoàn toàn giả thuyết phân phối chuẩn. Hệ số độ nhọn (Kurtosis) của toàn bộ các chuỗi đều lớn hơn 3 (phân phối đỉnh nhọn, đuôi dày), và 75% các chỉ số (6 trên 8 thị trường, bao gồm S&P 500, FTSE 100, DAX, Nikkei 225, BOVESPA, SSEC) có hệ số bất đối xứng (Skewness) mang giá trị âm, phản ánh rủi ro sụt giảm mạnh thường xuyên hơn so với mức tăng trưởng tương đương.

Kết quả kiểm định tỷ lệ vi phạm (VR) tại mức ý nghĩa 1% và 5% ghi nhận sự phân hóa rõ rệt:

Thứ nhất, mô hình Phương sai - Hiệp phương sai và Mô phỏng Lịch sử (HS) bộc lộ sự kém chính xác khi dự báo tại mức ý nghĩa 1%, với chỉ số VR tại một số thị trường mới nổi vượt quá 1,35, cho thấy việc đánh giá thấp nghiêm trọng rủi ro đuôi trong những giai đoạn thị trường chấn động.

Thứ hai, mô hình bán tham số CAViaR Độ dốc bất đối xứng (CAViaR Asymmetric) và mô hình tham số phi tuyến EGARCH(1,1) đạt thứ hạng cao nhất trên đa số các thị trường phát triển và mới nổi. Tỷ lệ vi phạm VR của hai mô hình này duy trì ổn định trong khoảng tối ưu từ 0,85 đến 1,12.

Thứ ba, sự vượt trội của mô hình CAViaR Asymmetric thể hiện rõ nét tại thị trường Việt Nam (VN-Index) và Ấn Độ (SENSEX), nơi các cú sốc thông tin tiêu cực tạo ra mức độ biến động biên độ lớn hơn khoảng 20% đến 35% so với các cú sốc tích cực cùng quy mô.

Thảo luận kết quả

Hiệu quả vượt trội của dòng mô hình CAViaR Asymmetric bắt nguồn từ khả năng giải quyết triệt để hiệu ứng đòn bẩy tài chính và tính phi đối xứng của thị trường thông qua kỹ thuật hồi quy phân vị. Trong khi phương pháp Phương sai - Hiệp phương sai áp đặt giả định sai lầm về phân phối chuẩn đối xứng, dẫn đến tính toán thiếu hụt vốn đệm dự phòng rủi ro, thì CAViaR không cần giả định phân phối chuỗi lợi suất mà mô hình hóa trực tiếp sự biến thiên của các phân vị đuôi.

Dữ liệu nghiên cứu được trực quan hóa chi tiết thông qua các bảng tổng hợp số lần vi phạm thực tế so với kỳ vọng và hệ thống đồ thị chuỗi thời gian. Đồ thị dự báo VaR đặt cạnh chuỗi tỷ suất sinh lời thực tế cho thấy đường biên rủi ro của CAViaR Asymmetric bám sát các cụm biến động (volatility clustering), phản ứng nhanh nhạy khi thị trường chuyển biến xấu và điều chỉnh mượt mà trong giai đoạn bình ổn. Kết quả này tương đồng với các công bố học thuật quốc tế của Engle và Manganelli năm 2004 cũng như Sener và cộng sự năm 2012, khẳng định tính ưu việt của cách tiếp cận bán tham số bất đối xứng đối với việc quản trị rủi ro danh mục xuyên quốc gia.

Đề xuất và khuyến nghị

Dựa trên các kết quả thực nghiệm, luận văn đưa ra 4 nhóm khuyến nghị hành động cụ thể dành cho các tổ chức tài chính và cơ quan quản lý:

Thứ nhất, nâng cấp hệ thống mô hình dự báo nội bộ tại các công ty quản lý quỹ và ngân hàng thương mại. Bộ phận Quản trị rủi ro cần tích hợp mô hình CAViaR Độ dốc bất đối xứng và EGARCH(1,1) vào quy trình tính toán rủi ro danh mục hàng ngày, thay thế cho các phương pháp truyền thống như Mô phỏng Lịch sử đơn giản. Mục tiêu là duy trì hệ số VR nằm trong dải kiểm soát an toàn từ 0,90 đến 1,10 trong suốt chu kỳ năm tài chính.

Thứ hai, thiết lập quy trình kiểm tra sức chịu tải (Stress Testing) định kỳ kết hợp phân tích kịch bản đa chiều. Khối Quản trị rủi ro cần xây dựng các kịch bản thị trường giả định với mức sụt giảm lợi suất danh mục từ 5% đến 15% mỗi ngày dựa trên các sự kiện khủng hoảng lịch sử, thực hiện đánh giá hàng quý nhằm phát hiện nguy cơ mất thanh khoản trước khi biến cố thực tế xảy ra.

Thứ ba, hoàn thiện khung pháp lý và quy chuẩn giám sát an toàn vốn của Ủy ban Chứng khoán Nhà nước và Ngân hàng Nhà nước. Cơ quan quản lý cần cụ thể hóa các tiêu chuẩn kỹ thuật đo lường VaR trong Quy chế Quản trị rủi ro dành cho công ty quản lý quỹ, đặt lộ trình 12 tháng yêu cầu các tổ chức trung gian tài chính báo cáo kết quả kiểm định lại (Back-testing) theo định kỳ 6 tháng một lần.

Thứ tư, đầu tư hạ tầng công nghệ dữ liệu định lượng tại các công ty chứng khoán. Doanh nghiệp cần phân bổ ngân sách nâng cấp hệ thống phần mềm tự động hóa tính toán VaR theo khung cửa sổ 1.000 ngày giao dịch, giảm thời gian xử lý dữ liệu xuống dưới 15 phút sau mỗi phiên đóng cửa.

Đối tượng nên tham khảo luận văn

1. Giám đốc Quản trị rủi ro (CRO) và Chuyên viên phân tích định lượng (Quant Analyst) tại các ngân hàng thương mại, công ty quản lý quỹ: Sử dụng luận văn như cẩm nang kỹ thuật để lựa chọn, lập trình thuật toán và triển khai các mô hình CAViaR trong hệ thống quản lý danh mục tự động.
2. Nhà quản lý danh mục đầu tư (Portfolio Manager) và Chuyên viên tự doanh chứng khoán: Ứng dụng các ngưỡng VaR động để xác định giới hạn cắt lỗ, phân bổ tỷ trọng tài sản tối ưu và thiết lập chiến lược phòng hộ rủi ro thị trường.
3. Cơ quan quản trị và hoạch định chính sách tài chính (Ủy ban Chứng khoán Nhà nước, Sở Giao dịch Chứng khoán): Tham khảo cơ sở thực nghiệm để chuẩn hóa các quy định báo cáo an toàn tài chính và định hình khung kiểm soát rủi ro thị trường theo tiêu chuẩn Basel II/III.
4. Giảng viên, nghiên cứu sinh và học viên cao học chuyên ngành Tài chính - Ngân hàng, Kinh tế lượng ứng dụng: Sử dụng công trình như tài liệu học thuật chuyên sâu về chuỗi thời gian phi tuyến, phương pháp hồi quy phân vị và kỹ thuật kiểm định mô hình rủi ro.

Câu hỏi thường gặp

Value at Risk (VaR) là gì và đóng vai trò như thế nào trong quản trị rủi ro? VaR là thước đo lượng hóa mức tổn thất tối đa dự kiến của một danh mục đầu tư trong một khoảng thời gian xác định (ví dụ 1 ngày) tại một mức độ tin cậy cho trước (như 95% hoặc 99%). Thước đo này giúp các tổ chức tài chính thiết lập hạn mức rủi ro cụ thể bằng tiền tệ và xác định lượng vốn dự phòng bắt buộc theo tiêu chuẩn Basel.

Tại sao mô hình Phương sai - Hiệp phương sai thường dự báo thiếu chính xác? Mô hình Phương sai - Hiệp phương sai dựa trên giả định tỷ suất sinh lời tuân theo phân phối chuẩn. Trong thực tế, dữ liệu tài chính tại cả 8 thị trường nghiên cứu đều có hiện tượng phân phối lệch trái và đuôi dày (Kurtosis lớn hơn 3), khiến mô hình ước lượng thấp mức rủi ro cực trị và gây bất ngờ khi xảy ra biến cố lớn.

Mô hình CAViaR có những ưu thế nổi bật nào so với các phương pháp khác? Mô hình CAViaR do Engle và Manganelli phát triển sử dụng phương pháp hồi quy phân vị để ước lượng trực tiếp phân vị của chuỗi lợi suất mà không cần áp đặt bất kỳ giả định nào về hàm phân phối xác suất, đồng thời nắm bắt trọn vẹn đặc tính tự tương quan và tính phi đối xứng của chuỗi rủi ro theo thời gian.

Chỉ số Tỷ lệ vi phạm (Violation Ratio - VR) được tính toán và đánh giá ra sao? Chỉ số VR được tính bằng tỷ số giữa tổng số lần thua lỗ thực tế vượt ngưỡng VaR chia cho số lần vi phạm kỳ vọng theo mức ý nghĩa đã chọn. Một mô hình được đánh giá có năng lực dự báo tốt khi chỉ số VR tiệm cận mức 1 và nằm trọn vẹn trong khoảng tối ưu từ 0,80 đến 1,20.

Thị trường chứng khoán Việt Nam (VN-Index) phù hợp với mô hình VaR nào nhất? Tại thị trường Việt Nam, chuỗi lợi suất VN-Index thể hiện tính bất đối xứng rất cao đối với các cú sốc thông tin. Do đó, mô hình CAViaR Độ dốc bất đối xứng (CAViaR Asymmetric) và mô hình EGARCH(1,1) mang lại kết quả kiểm định vượt trội nhất nhờ khả năng phản ứng nhạy bén với các đợt sụt giảm sâu của thị trường.

Kết luận

• Luận văn đã thực hiện nghiên cứu thực nghiệm toàn diện trên 3.393 quan sát giá đóng cửa của 8 thị trường chứng khoán quốc tế và Việt Nam giai đoạn 2001 - 2015, chứng minh tính phi chuẩn của chuỗi tỷ suất sinh lời tài chính.
• Bác bỏ tính hiệu quả của các mô hình tham số truyền thống giả định phân phối chuẩn (như Variance-Covariance) và mô hình Mô phỏng Lịch sử tĩnh trong các giai đoạn thị trường có biến động mạnh.
• Xác lập vị trí xếp hạng cao nhất cho mô hình bán tham số CAViaR Độ dốc bất đối xứng (CAViaR Asymmetric) và mô hình EGARCH(1,1) với tỷ số vi phạm VR đạt chuẩn từ 0,85 đến 1,12.
• Cung cấp cơ sở định lượng vững chắc giúp các quỹ đầu tư và cơ quan quản lý tại Việt Nam chuẩn hóa quy trình đo lường rủi ro danh mục và áp dụng hiệu quả các chuẩn mực an toàn vốn quốc tế.
• Hướng nghiên cứu tiếp theo có thể mở rộng ứng dụng thước đo Tổn thất kỳ vọng (Expected Shortfall - ES) kết hợp Lý thuyết Giá trị cực trị (EVT) trên dữ liệu giao dịch tần suất cao (High-Frequency Data) để hoàn thiện hơn nữa bức tranh quản trị rủi ro định lượng.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu về đề tài LUAN VAN CHAT LUONG download : add [e-mail] 4 Trong chương đầu tiên, tác giả khái quát về lý do chọn đề tài, mục tiêu nghiên cứu, nội dung nghiên cứu, phương pháp và phạm vi nghiên cứu, ý nghĩa của đề tài cũng như tóm lược kết cấu của bài nghiên cứu. Chương 2: Tổng quan những nghiên cứu về các mô hình VaR Trong chương này, tác giả khái quát lý thuyết và các nghiên cứu trên thế giới liên quan đến thước do VaR cũng như các mô hình dự báo VaR. Bên cạnh đó, tác giả trình bày các bằng chứng thực nghiệm về xếp hạng các mô hình VaR trong dự báo rủi ro danh mục. Chương 3: Phương pháp nghiên cứu Ở chương này, tác giả tóm lược các mô hình và nguồn dữ liệu để thực hiện nghiên cứu cũng như mô tả khái quát các bước xử lý dữ liệu và thực nghiệm với công cụ, phần mềm hỗ trợ là Excel, Eviews và Matlab.

Chương 4: Kết quả nghiên cứu Trong chương này, tác giả trình bày các kết quả dự báo VaR, kết quả kiểm định theo phương pháp VR cũng như kết quả xếp hạng các mô hình. Cuối cùng, tác giả tiến hành đánh giá kết quả xếp hạng và thực hiện phân tích đồ thị để kiểm tra lại sự chính xác của kết quả xếp hạng. Chương 5: Kết luận Ở chương này, tác giả tổng kết nội dung nghiên cứu và đề xuất hướng mở rộng cho những nghiên cứu tiếp theo. LUAN VAN CHAT LUONG download : add [e-mail] 5 CHƢƠNG 2: TỔNG QUAN CÁC NGHIÊN CỨU VỀ VaR 2.

Tổng quan về Value at Risk (VaR) 2. Khái niệm VaR Theo Giáo trình Quản trị rủi ro tài chính của Nguyễn Thị Ngọc Trang năm 2010, Giá trị có rủi ro (VaR) là một phương pháp đo lường tính bằng tiền của khoản lỗ tối thiểu dự kiến trong một thời kỳ với một xác suất cho sẵn. Ví dụ VaR là $5 triệu trong một ngày với xác suất 0.05 có nghĩa là công ty dự kiến lỗ ít nhất $5 trong một ngày với xác suất 5%. Ngoài cách hiểu trên, có thể diễn tả VaR theo một cách khác.

Theo đó, có khả năng xác suất 95% khoản lỗ của công ty sẽ không vượt quá $5 triệu. Với cách hiểu này, VaR trở thành khoản lỗ tối đa tương ứng với một xác suất nào đó. Tầm quan trọng là lớn hay nhỏ của khoản lỗ $5 triệu tùy thuộc vào quy mô và khẩu vị rủi ro của công ty này. Nhưng rõ ràng là dự kiến sẽ xuất hiện một khoản lỗ ít nhất $5 triệu trong 20 ngày giao dịch, có nghĩa là khoảng mỗi tháng một lần.

Nói một cách dễ hiểu, VaR chính là cách thức mà bạn xác định phân phối xác suất của những nguồn gốc cơ bản (Giá cả hàng hóa, tỷ giá, giá chứng khoán…) dẫn đến rủi ro và tìm cách cô lập tỷ lệ phần trăm suất hiện các kết quả xấu nhất. Sử dụng ví dụ trên ta có VaR sẽ xác định 5% là kết quả xấu nhất. Kết quả tại 5% là VaR. Sự phát triển của VaR trong quản trị rủi ro VaR được xây dựng trên những cơ sở lý thuyết xác suất và thống kê từ nhiều thế kỷ và kế thừa từ những phương pháp đo lường rủi ro trước đó, được phát triển và phổ biến đầu những năm 1990 bởi một loạt các nhà khoa học và toán học tài chính làm việc trong JPMorgan Chase.

Từ năm 1994, với sự ra đời của Riskmetrics, một gói sản phẩm ứng dụng VaR mang thương hiệu của một công ty tách ra từ JPMorgan Chase, Value at Risk đã được áp dụng rộng rãi và trở thành một tiêu chuẩn trong việc đo lường và giám sát rủi ro tài chính, đặc biệt là rủi ro thị trường, trên toàn thế giới. LUAN VAN CHAT LUONG download : add [e-mail] 6 Vào cuối những năm 1990, Ủy ban Chứng khoán Mỹ phán quyết rằng các công ty phải báo cáo một công bố định lượng các rủi ro thị trường trong báo cáo tài chính của họ cho sự tiện lợi của nhà đầu tư, và VaR đã trở thành công cụ chính để làm như vậy. Cùng thời gian đó, Ủy ban Basel về giám sát ngân hàng nói rằng các công ty và các ngân hàng có thể dựa trên tính toán VaR nội bộ của riêng của họ để thiết lập các yêu cầu về vốn của họ. Vì vậy, nếu VaR của họ khá thấp, số tiền họ đã phải dành để trang trải các rủi ro có thể xấu đi cũng có thể ở mức thấp.

Tại Việt Nam, năm 2013 Ủy Ban Chứng khoán Nhà nước (UBCKNN) đã ban hành Quy chế Hướng dẫn Thành lập và Vận hành Hệ thống Quản trị Rủi ro cho Công ty Quản lý quỹ. Trong quy chế này, UBCKNN đã đề cập đến VaR và các cách tính cơ bản của VaR giúp hướng dẫn các công ty Quản lý quỹ quản trị rủi ro hiệu quả hơn. Một số đặc điểm của VaR  VaR thông thường được tính cho từng ngày trong khoảng thời gian nắm giữ tài sản, và thường được tính với độ tin cậy 95% hoặc 99%.  VaR có thể áp dụng được với mọi danh mục có tính lỏng.

Tất cả mọi tài sản lỏng đều có giá trị không cố định, được điều chỉnh theo thị trường với một quy luật phân bố xác suất nhất định.  Hạn chế lớn nhất của VaR, đó là giả định các yếu tố của thị trường không thay đổi nhiều trong khoảng thời gian xác định VaR. Đây là một hạn chế rất lớn, và trong năm 2007, 2008 đã dẫn đến sự phá sản của một loạt ngân hàng đầu tư trên thế giới, do điều kiện thị trường có những biến động đột ngột vượt xa so với trong quá khứ. Các thông số ảnh hƣởng đến VaR Ðối với nhà đầu tư thì VaR của một danh mục tài sản tài chính phụ thuộc vào ba thông số quan trọng là Độ tin cậy, Khoảng thời gian đo lường VaR và Sự phân bố lời/lỗ trong khoảng thời gian này.

LUAN VAN CHAT LUONG download : add [e-mail] 7 Độ tin cậy. Với mỗi công ty khác nhau sẽ có một nhu cầu về độ tin cậy khác nhau, nó còn tùy thuộc vào khẩu vị rủi ro của từng nhà đầu tư. Những nhà đầu tư không thích rủi ro sẽ muốn có độ tin cậy cao. Bên cạnh đó, với mục đích kiểm định tính đúng đắn của ước tính VaR, thì việc chọn độ tin cậy không cần quá cao, bởi lẽ nếu độ tin cậy quá cao (99% chẳng hạn) thì lúc đó VaR sẽ cao hơn, hay nói cách khác là xác suất để thua lỗ lớn hơn VaR sẽ thấp đi, dẫn đến thời gian để thu thập dữ liệu xác định tính đúng đắn của kiểm định sẽ kéo dài hơn.

Khoảng thời gian đo lường VaR. Một trong những yếu tố quan trọng để áp dụng VaR đó là thời gian sử dụng. Trong nhưng khung thời gian khác nhau thì TSSL của danh mục sẽ có những độ giao động khác nhau, thông thường khung thời gian càng dài thì độ giao động của danh mục càng lớn. Nguồn: internet Đồ thị 1: Sự phân bố lời/lỗ trong khoảng thời gian xác định VaR Sự phân bố lời/lỗ trong khoảng thời gian xác định VaR.

Ðường phân bố khoản lời lỗ của danh mục đầu tư thể hiện thông số quan trọng nhất và khó xác định nhất. Vì mức tín nhiệm phụ thuộc vào khả năng chịu đựng rủi ro của nhà đầu tư, nếu mức tín LUAN VAN CHAT LUONG download : add [e-mail] 8 nhiệm này càng quan trọng thì VaR càng cao. Nói cụ thể nếu nhà đầu tư sợ rủi ro thì họ sẽ hoạch định một chiến lược nhằm giảm xác suất xảy ra các trường hợp xấu nhất. Các cách tiếp cận các mô hình VaR 2.

Cách tiếp cận Phi tham số (Nonparametric) Phương pháp phi tham số không dựa trên những giả định về phân phối và các yêu cầu liên quan. Một lợi thế của phương pháp này là dễ tránh được các lỗi kỹ thuật, tuy nhiên hạn của các phương pháp này nằm ở việc không giả định phân phối.  Mô hình Mô phỏng Quá khứ (Historical Simulation) Mô hình VaR dựa trên phương pháp Historical Simulation (HS) là các tiếp cận phi tham số cổ điển nhất. Sử dụng HS, ta có thể tính toán TSSL của danh mục dựa trên dữ liệu quá khứ trong một khoảng thời gian người sử dụng xác định, các thông tin này được biểu diễn dưới hình thức biểu đồ.

Từ đó, ta sẽ dễ dàng tính khoản lỗ vượt quá với xác suất 5% hay 1%. Các bước tính VaR theo phương pháp này như sau Bước 1. Tính giá trị hiện tại của danh mục đầu tư. Tổng hợp tất cả các tỷ suất sinh lợi quá khứ của danh mục đầu tư trong một khoảng thời gian xác định.

Xếp các tỷ suất sinh lợi theo thứ tự từ thấp nhất đến cao nhất. Tính VaR theo độ tin cậy và số liệu tỷ suất sinh lợi quá khứ. Phương pháp đưa ra giả thuyết rằng sự phân bổ tỷ suất sinh lợi trong quá khứ có thể tái diễn trong tương lai nên sử dụng dữ liệu TSSL trong quá khứ để ước tính VaR vì cho rằng quá khứ sẽ lặp lại. Mô hình mô phỏng quá khứ có những ưu điểm là rất trực quan, đơn giản và dễ hiểu; những số liệu tổn thất đặc biệt trong quá khứ có thể vẫn được tính đến trong mô hình này; mô hình này tương đối dễ triển khai áp dụng; có thể sử dụng số liệu số LUAN VAN CHAT LUONG download : add [e-mail] 9 liệu sẵn có từ nhiều nguồn khác nhau; có thể xử lý được nhiều dạng phân phối khác nhau của lợi suất.

Một trong những nhược điểm của mô hình mô phỏng quá khứ là mô hình này phụ thuộc hoàn toàn vào số liệu quá khứ nên không thể thực hiện khi không có số liệu hoặc khi số liệu không đáng tin cậy. Số lượng các bản ghi của số liệu quá khứ cũng ảnh hưởng đến độ tin cậy của giá trị ước lượng VaR.  Mô hình mô phỏng Monte Carlo Về tổng quát, mô phỏng Monte Carlo đưa ra những kết quả ngẫu nhiên nên ta có thể kiểm tra xem cái gì đang xảy ra và sẽ tạo ra loại rủi ro như thế nào. Mô hình này được sử dụng rộng rãi trong nhiều ngành khoa học cũng như trong kinh doanh để phát hiện nhiều vấn đề khác nhau.

Mô hình Monte Carlo trước hết định nghĩa các biến và tham số có thể ảnh hưởng đến lợi suất, tiếp theo dùng kỹ thuật mô phỏng (sử dụng sức mạnh tính toán của các chương trình máy tính) để tạo ra rất nhiều kết quả mô phỏng, mỗi kết quả mô phỏng gắn với một giá trị lãi/lỗ.