## Tổng quan nghiên cứu

Trong bối cảnh kinh tế toàn cầu còn nhiều biến động sau khủng hoảng tài chính 2008, quản trị rủi ro tài chính trở thành vấn đề cấp thiết đối với các nhà đầu tư và tổ chức tài chính. Luận văn tập trung nghiên cứu và xếp hạng các mô hình Value at Risk (VaR) trong dự báo rủi ro danh mục đầu tư, nhằm xác định mô hình phù hợp nhất cho việc dự báo rủi ro tài chính. Nghiên cứu sử dụng dữ liệu từ 8 danh mục chứng khoán đại diện cho cả thị trường phát triển và mới nổi, gồm S&P 500, FTSE100, DAX, Nikkei225, SSEC, BOVESPA, SENSEX và VNINDEX, với tổng số 3,393 quan sát giá đóng cửa hàng ngày từ năm 2001 đến 2015. Mục tiêu chính là đánh giá hiệu quả dự báo VaR của 8 mô hình kinh tế lượng phổ biến, bao gồm các cách tiếp cận tham số, phi tham số và bán tham số, qua đó cung cấp bằng chứng thực nghiệm cho việc lựa chọn mô hình dự báo rủi ro danh mục tối ưu. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc hỗ trợ các nhà đầu tư, giám đốc quản trị rủi ro (CRO) và các công ty quản lý quỹ trong việc nâng cao hiệu quả quản lý rủi ro tài chính, đồng thời góp phần hoàn thiện hệ thống quản trị rủi ro tại Việt Nam theo quy định của Ủy ban Chứng khoán Nhà nước.

## Cơ sở lý thuyết và phương pháp nghiên cứu

### Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình kinh tế lượng về đo lường rủi ro tài chính, trong đó:

- **Value at Risk (VaR):** Là thước đo rủi ro tài chính thể hiện mức lỗ tối đa dự kiến trong một khoảng thời gian với xác suất nhất định, thường là 95% hoặc 99%. VaR được sử dụng rộng rãi trong quản trị rủi ro thị trường và là tiêu chuẩn báo cáo rủi ro tài chính toàn cầu.

- **Các mô hình ước lượng VaR:**
  - *Phi tham số:* Mô hình Historical Simulation (HS) dựa trên dữ liệu quá khứ mà không giả định phân phối.
  - *Tham số:* Mô hình Variance-Covariance, GARCH (1,1), EGARCH (1,1) giả định phân phối chuẩn hoặc biến thể.
  - *Bán tham số:* Mô hình CAViaR (Conditional Autoregressive Value at Risk) với các biến thể Symmetric, Asymmetric, Indirect GARCH và Adaptive, sử dụng hồi quy phân vị để mô hình hóa phân phối lợi suất tài chính.

- **Kiểm định mô hình:** Phương pháp Violation Ratio (VR) được sử dụng để đánh giá độ chính xác của các mô hình dự báo VaR bằng cách so sánh số trường hợp vi phạm thực tế với số trường hợp vi phạm kỳ vọng.

### Phương pháp nghiên cứu

- **Nguồn dữ liệu:** Dữ liệu giá đóng cửa hàng ngày của 8 danh mục chứng khoán từ năm 2001 đến 2015, tổng cộng 3,393 quan sát mỗi danh mục, thu thập từ website tài chính uy tín và phần mềm Metastock.

- **Phân tích dữ liệu:** Tính toán tỷ suất sinh lời hàng ngày (TSSL) từ dữ liệu giá đóng cửa, kiểm tra phân phối TSSL qua các chỉ số Jarque-Bera, Skewness và Kurtosis để đánh giá tính bất đối xứng và phân phối không chuẩn của dữ liệu.

- **Mô hình ước lượng VaR:** Áp dụng 8 mô hình đại diện cho 3 cách tiếp cận (phi tham số, tham số, bán tham số) để dự báo VaR tại mức ý nghĩa 1% và 5%.

- **Kiểm định mô hình:** Sử dụng phương pháp VR để đánh giá và xếp hạng các mô hình dự báo VaR dựa trên số liệu vi phạm thực tế so với kỳ vọng.

- **Timeline nghiên cứu:** Dữ liệu từ 2001-2015, dự báo và kiểm định thực hiện cho giai đoạn 2005-2015, sử dụng phần mềm Excel, Eviews và Matlab để xử lý và phân tích số liệu.

## Kết quả nghiên cứu và thảo luận

### Những phát hiện chính

- **Phân phối TSSL:** Tất cả 8 danh mục đều có phân phối lợi suất không chuẩn, với hệ số Jarque-Bera lớn hơn 3.84, Skewness âm ở 6/8 danh mục, cho thấy phân phối lệch trái, phù hợp với giả định các mô hình dự báo VaR cần chú trọng phần đuôi trái của phân phối.

- **Hiệu quả mô hình:** Qua kiểm định VR, mô hình CAViaR Adaptive và EGARCH (1,1) cho kết quả dự báo VaR chính xác nhất với tỷ lệ vi phạm gần 1 ở cả mức ý nghĩa 1% và 5%, vượt trội hơn so với các mô hình Historical Simulation và Variance-Covariance.

- **Xếp hạng mô hình:** Mô hình CAViaR Adaptive đứng đầu bảng xếp hạng dự báo rủi ro danh mục, tiếp theo là EGARCH, trong khi Historical Simulation và Variance-Covariance có tỷ lệ vi phạm cao hơn, cho thấy độ chính xác thấp hơn.

- **So sánh thị trường:** Mô hình dự báo VaR hiệu quả hơn ở các thị trường phát triển như Mỹ, Anh, Đức so với các thị trường mới nổi như Việt Nam, Trung Quốc, Brazil, phản ánh sự khác biệt về tính ổn định và đặc điểm biến động của từng thị trường.

### Thảo luận kết quả

Kết quả cho thấy các mô hình bán tham số như CAViaR Adaptive có khả năng nắm bắt đặc tính phi tuyến và tự tương quan của tỷ suất sinh lời tài chính tốt hơn, từ đó dự báo rủi ro chính xác hơn. Mô hình EGARCH cũng thể hiện ưu thế nhờ khả năng mô hình hóa bất đối xứng trong biến động tài chính. Ngược lại, các mô hình dựa trên giả định phân phối chuẩn như Variance-Covariance không phù hợp với dữ liệu thực tế có phân phối lệch và đuôi dày, dẫn đến dự báo kém chính xác. Kết quả này phù hợp với các nghiên cứu quốc tế cho thấy mô hình CAViaR và EGARCH thường vượt trội trong dự báo VaR. Việc sử dụng phương pháp kiểm định VR kết hợp phân tích đồ thị giúp đánh giá toàn diện và trực quan về hiệu quả mô hình, hỗ trợ lựa chọn mô hình phù hợp cho từng loại danh mục và thị trường.

## Đề xuất và khuyến nghị

- **Áp dụng mô hình CAViaR Adaptive:** Khuyến nghị các tổ chức tài chính và nhà đầu tư sử dụng mô hình CAViaR Adaptive để dự báo rủi ro danh mục nhằm nâng cao độ chính xác và hiệu quả quản trị rủi ro trong vòng 1-2 năm tới.

- **Tăng cường đào tạo và ứng dụng công nghệ:** Đẩy mạnh đào tạo chuyên sâu về các mô hình kinh tế lượng và sử dụng phần mềm phân tích như Matlab, Eviews để nâng cao năng lực phân tích rủi ro cho đội ngũ quản lý rủi ro.

- **Phát triển hệ thống quản trị rủi ro tích hợp:** Các công ty quản lý quỹ và ngân hàng nên xây dựng hệ thống quản trị rủi ro tích hợp, kết hợp mô hình VaR với stress testing để đánh giá toàn diện rủi ro trong các điều kiện thị trường khác nhau.

- **Nâng cao chất lượng dữ liệu:** Đảm bảo thu thập và xử lý dữ liệu tài chính đầy đủ, chính xác và liên tục để phục vụ cho việc ước lượng và kiểm định mô hình, đặc biệt với các thị trường mới nổi như Việt Nam.

## Đối tượng nên tham khảo luận văn

- **Nhà đầu tư cá nhân và tổ chức:** Có thể sử dụng kết quả nghiên cứu để lựa chọn mô hình dự báo rủi ro phù hợp, từ đó tối ưu hóa chiến lược đầu tư và quản lý danh mục.

- **Giám đốc quản trị rủi ro (CRO):** Hỗ trợ trong việc xây dựng và hoàn thiện hệ thống quản trị rủi ro nội bộ, lựa chọn công cụ đo lường rủi ro hiệu quả.

- **Công ty quản lý quỹ và ngân hàng:** Áp dụng mô hình VaR tiên tiến để đáp ứng yêu cầu quản lý rủi ro theo quy định của cơ quan quản lý và nâng cao năng lực cạnh tranh.

- **Nhà nghiên cứu và sinh viên ngành tài chính – ngân hàng:** Tham khảo phương pháp nghiên cứu, mô hình kinh tế lượng và kết quả thực nghiệm để phát triển các nghiên cứu tiếp theo trong lĩnh vực quản trị rủi ro tài chính.

## Câu hỏi thường gặp

1. **Value at Risk (VaR) là gì?**  
   VaR là thước đo rủi ro tài chính thể hiện mức lỗ tối đa dự kiến trong một khoảng thời gian với xác suất nhất định, ví dụ VaR 1% trong một ngày có nghĩa là có 1% khả năng khoản lỗ vượt quá mức đó.

2. **Tại sao cần xếp hạng các mô hình VaR?**  
   Vì mỗi mô hình có ưu nhược điểm riêng và hiệu quả dự báo khác nhau tùy thuộc vào đặc điểm dữ liệu và thị trường, việc xếp hạng giúp lựa chọn mô hình phù hợp nhất cho từng trường hợp cụ thể.

3. **Phương pháp kiểm định Violation Ratio (VR) hoạt động như thế nào?**  
   VR so sánh số lần vi phạm thực tế của mô hình với số lần vi phạm kỳ vọng; VR gần 1 cho thấy mô hình dự báo chính xác, VR lớn hơn 1 cho thấy dự báo kém chính xác.

4. **Mô hình CAViaR có ưu điểm gì so với các mô hình khác?**  
   CAViaR không giả định phân phối chuẩn, sử dụng hồi quy phân vị để mô hình hóa phân phối lợi suất, nắm bắt được đặc tính phi tuyến và tự tương quan của dữ liệu tài chính, giúp dự báo VaR chính xác hơn.

5. **Dữ liệu nghiên cứu có thể áp dụng cho thị trường Việt Nam không?**  
   Dữ liệu bao gồm VNINDEX và các thị trường mới nổi khác, kết quả nghiên cứu có tính ứng dụng cao cho Việt Nam, đặc biệt trong việc lựa chọn mô hình dự báo rủi ro phù hợp với đặc điểm thị trường trong nước.

## Kết luận

- Luận văn đã đánh giá và xếp hạng 8 mô hình VaR phổ biến trên 8 danh mục chứng khoán đại diện cho thị trường phát triển và mới nổi với dữ liệu từ 2001-2015.  
- Mô hình CAViaR Adaptive và EGARCH (1,1) cho kết quả dự báo rủi ro chính xác nhất, phù hợp với đặc điểm phân phối lợi suất tài chính thực tế.  
- Phương pháp kiểm định Violation Ratio (VR) kết hợp phân tích đồ thị giúp đánh giá toàn diện hiệu quả mô hình.  
- Kết quả nghiên cứu có ý nghĩa thực tiễn cao, hỗ trợ nhà đầu tư và tổ chức tài chính trong quản trị rủi ro danh mục đầu tư.  
- Đề xuất áp dụng mô hình CAViaR Adaptive và nâng cao năng lực phân tích rủi ro trong các tổ chức tài chính trong thời gian tới.

Hãy áp dụng những kết quả nghiên cứu này để nâng cao hiệu quả quản trị rủi ro và tối ưu hóa danh mục đầu tư của bạn ngay hôm nay!