Xếp Hạng Các Mô Hình Value at Risk Trong Dự Báo Rủi Ro Tài Chính

Bài viết phân tích và xếp hạng các mô hình Value at Risk trong dự báo rủi ro danh mục, cung cấp cái nhìn sâu sắc về quản lý rủi ro tài chính.

• 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
• Loại tài liệu: luận văn thạc sĩ
• 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 Value at Risk VaR trong Dự Báo Rủi Ro

Value at Risk (VaR) là thước đo rủi ro tài chính ước tính mức lỗ tối đa có thể xảy ra trong một khoảng thời gian nhất định, với một mức độ tin cậy cho trước. Nó được sử dụng rộng rãi trong quản trị rủi ro tài chính để đánh giá rủi ro thị trường, rủi ro tín dụng, và rủi ro hoạt động. VaR cung cấp một con số duy nhất, dễ hiểu, biểu thị mức độ rủi ro mà một danh mục đầu tư hoặc một tổ chức tài chính đang đối mặt. Theo Nguyễn Thị Ngọc Trang (2010), VaR là phương pháp đo lường bằng tiền khoản lỗ tối thiểu dự kiến trong một thời kỳ với xác suất cho sẵn. Tuy nhiên, cần lưu ý rằng VaR chỉ là một ước tính và có thể không chính xác trong một số trường hợp, đặc biệt là trong các điều kiện thị trường biến động mạnh. Các mô hình VaR khác nhau có thể đưa ra các kết quả khác nhau, do đó việc lựa chọn mô hình phù hợp là rất quan trọng.

1.1. Khái niệm và vai trò của Value at Risk VaR trong quản trị rủi ro

VaR là một công cụ quan trọng trong quản trị rủi ro, cho phép các nhà quản lý đo lường và kiểm soát mức độ rủi ro tài chính mà tổ chức của họ phải đối mặt. Nó giúp xác định số vốn cần thiết để đảm bảo khả năng thanh toán trong trường hợp thị trường biến động bất lợi. VaR không chỉ là một con số mà còn là một quy trình, bao gồm việc thu thập dữ liệu, xây dựng mô hình, và kiểm tra tính chính xác của kết quả. Sự phát triển của VaR gắn liền với nhu cầu ngày càng tăng về các công cụ quản trị rủi ro hiệu quả, đặc biệt sau các cuộc khủng hoảng tài chính lớn.

1.2. Các yếu tố ảnh hưởng đến kết quả đo lường Value at Risk VaR

Ba yếu tố chính ảnh hưởng đến VaR là mức độ tin cậy, khoảng thời gian đo lường và phân phối lợi nhuận/thua lỗ. Độ tin cậy thể hiện xác suất mà mức lỗ thực tế sẽ không vượt quá VaR. Khoảng thời gian đo lường xác định khung thời gian mà VaR được tính toán. Phân phối lợi nhuận/thua lỗ mô tả sự biến động của giá trị tài sản. Mỗi yếu tố này đều có tác động đáng kể đến kết quả VaR. Ví dụ, độ tin cậy cao hơn sẽ dẫn đến VaR lớn hơn, và khoảng thời gian đo lường dài hơn thường dẫn đến VaR lớn hơn do sự tích lũy của rủi ro thị trường.

II. Thách Thức Hạn Chế Khi Xếp Hạng Mô Hình Value at Risk

Mặc dù VaR là một công cụ hữu ích, việc xếp hạng mô hình VaR và sử dụng nó trong dự báo rủi ro tài chính gặp phải nhiều thách thức. Không có mô hình VaR nào là hoàn hảo cho mọi tình huống. Các mô hình khác nhau dựa trên các giả định khác nhau, và hiệu quả của chúng phụ thuộc vào đặc điểm của dữ liệu và điều kiện thị trường. Thêm vào đó, việc đánh giá hiệu quả mô hình VaR thường dựa trên backtesting VaR, tức là so sánh kết quả dự báo với dữ liệu thực tế. Tuy nhiên, backtesting VaR có thể không đủ để đánh giá hiệu quả của mô hình trong các tình huống thị trường khắc nghiệt, khi các giả định của mô hình có thể không còn đúng. Sự phức tạp của thị trường và sự đa dạng của các sản phẩm tài chính cũng đặt ra những thách thức lớn đối với việc xây dựng và so sánh các mô hình VaR.

2.1. Sự đa dạng của các mô hình Value at Risk VaR và độ chính xác

Hiện nay, có rất nhiều mô hình Value at Risk khác nhau, từ đơn giản như mô hình lịch sử (Historical Simulation) đến phức tạp như mô hình Monte Carlo. Mỗi mô hình có những ưu và nhược điểm riêng. Độ chính xác VaR của một mô hình phụ thuộc vào nhiều yếu tố, bao gồm chất lượng dữ liệu, tính phù hợp của các giả định, và sự biến động của thị trường. Việc lựa chọn mô hình phù hợp đòi hỏi sự hiểu biết sâu sắc về các đặc điểm của từng mô hình và các yếu tố ảnh hưởng đến hiệu quả của chúng. Các mô hình phức tạp hơn không phải lúc nào cũng mang lại kết quả tốt hơn so với các mô hình đơn giản.

2.2. Khó khăn trong việc lựa chọn tiêu chí xếp hạng mô hình Value at Risk

Việc xếp hạng mô hình VaR đòi hỏi phải có các tiêu chí xếp hạng VaR rõ ràng và khách quan. Tuy nhiên, việc xác định các tiêu chí này không phải là dễ dàng. Các tiêu chí phổ biến bao gồm độ chính xác VaR, độ tin cậy VaR, và khả năng dự báo rủi ro trong các điều kiện thị trường khác nhau. Tuy nhiên, mỗi tiêu chí có những hạn chế riêng. Ví dụ, một mô hình có thể có độ chính xác cao trong điều kiện thị trường bình thường nhưng lại hoạt động kém hiệu quả trong điều kiện thị trường biến động mạnh. Do đó, việc lựa chọn tiêu chí phù hợp đòi hỏi sự cân nhắc kỹ lưỡng và sự hiểu biết sâu sắc về mục tiêu quản trị rủi ro.

2.3. Vấn đề Backtesting và giới hạn của dữ liệu lịch sử

Việc kiểm tra lại (Backtesting) là cần thiết để đánh giá khả năng của mô hình dự đoán chính xác rủi ro. Tuy nhiên, các mô hình thường sử dụng dữ liệu lịch sử để dự đoán, điều này có thể hạn chế khả năng dự đoán trong các sự kiện hiếm gặp (Black Swan). Stress testing VaR cũng cần được thực hiện để đảm bảo mô hình có thể xử lý các kịch bản cực đoan. Do đó, không nên chỉ dựa vào dữ liệu quá khứ, mà cần phải có sự điều chỉnh và cân nhắc các yếu tố định tính khác.

III. Các Phương Pháp Xếp Hạng Mô Hình Value at Risk Phổ Biến

Có nhiều phương pháp xếp hạng VaR khác nhau, mỗi phương pháp có những ưu và nhược điểm riêng. Một số phương pháp phổ biến bao gồm backtesting VaR dựa trên các kiểm định thống kê, so sánh tỷ lệ vi phạm VaR (VR), và phân tích hiệu suất của mô hình trong các kịch bản thị trường khác nhau. Việc lựa chọn phương pháp phù hợp phụ thuộc vào mục tiêu đánh giá hiệu quả mô hình VaR và đặc điểm của dữ liệu. Các phương pháp phức tạp hơn có thể cung cấp thông tin chi tiết hơn, nhưng chúng cũng đòi hỏi nhiều dữ liệu và kỹ năng phân tích hơn. Sự kết hợp của nhiều phương pháp khác nhau có thể cung cấp một bức tranh toàn diện hơn về hiệu quả của mô hình.

3.1. Phương pháp Backtesting dựa trên tỷ lệ vi phạm Violation Ratio

Tỷ lệ vi phạm (VR) là tỷ lệ số lần mức lỗ thực tế vượt quá VaR dự báo. VR là một chỉ số đơn giản và dễ hiểu để đánh giá độ chính xác VaR. VR lý tưởng nên gần bằng mức ý nghĩa (ví dụ, 1% hoặc 5%). VR quá cao cho thấy mô hình đánh giá thấp rủi ro tài chính, trong khi VR quá thấp cho thấy mô hình đánh giá quá cao rủi ro thị trường. Tuy nhiên, cần lưu ý rằng VR chỉ là một chỉ số đơn giản và có thể không đủ để đánh giá đầy đủ hiệu quả của mô hình.

3.2. Kiểm định phạm vi vô điều kiện Unconditional Coverage Test

Kiểm định phạm vi vô điều kiện, chẳng hạn như kiểm định Kupiec, kiểm tra xem tỷ lệ vi phạm VaR có khác biệt đáng kể so với mức ý nghĩa đã định trước hay không. Giả thuyết null là tỷ lệ vi phạm thực tế bằng tỷ lệ vi phạm mong đợi. Nếu giả thuyết null bị bác bỏ, điều đó cho thấy mô hình VaR không được hiệu chỉnh tốt. Đây là một bước quan trọng để đánh giá hiệu quả mô hình VaR và đảm bảo rằng mô hình đang cung cấp các ước tính rủi ro đáng tin cậy.

3.3. Kiểm định phạm vi có điều kiện Conditional Coverage Test

Kiểm định phạm vi có điều kiện, chẳng hạn như kiểm định Christoffersen, kiểm tra xem các vi phạm VaR có độc lập với nhau theo thời gian hay không. Nếu các vi phạm có xu hướng cụm lại với nhau, điều đó cho thấy mô hình không thể nắm bắt được sự thay đổi của rủi ro thị trường. Kiểm định Christoffersen kết hợp kiểm định phạm vi vô điều kiện với kiểm tra tính độc lập của các vi phạm. Đây là một công cụ mạnh mẽ hơn để đánh giá độ tin cậy VaR của mô hình.

IV. Ứng Dụng Thực Tiễn So Sánh và Xếp Hạng Mô Hình VaR

Việc so sánh và xếp hạng mô hình VaR trong thực tế đòi hỏi phải xem xét nhiều yếu tố, bao gồm đặc điểm của dữ liệu, điều kiện thị trường, và mục tiêu quản trị rủi ro. Một số nghiên cứu đã so sánh hiệu quả của các mô hình Value at Risk khác nhau trong các thị trường khác nhau. Ví dụ, một nghiên cứu có thể so sánh hiệu quả của mô hình lịch sử (Historical Simulation), mô hình phương sai-hiệp phương sai (Variance-Covariance), và mô hình GARCH trong thị trường chứng khoán Việt Nam. Kết quả của các nghiên cứu này có thể cung cấp thông tin hữu ích cho các nhà quản lý rủi ro trong việc lựa chọn mô hình phù hợp. Tuy nhiên, cần lưu ý rằng kết quả của một nghiên cứu cụ thể có thể không tổng quát hóa cho tất cả các thị trường và tình huống.

4.1. So sánh hiệu quả các mô hình Value at Risk VaR trên các thị trường

Hiệu quả của các mô hình VaR có thể khác nhau đáng kể giữa các thị trường. Ví dụ, một mô hình có thể hoạt động tốt trong thị trường phát triển nhưng lại hoạt động kém hiệu quả trong thị trường mới nổi do sự khác biệt về tính thanh khoản, biến động, và quy định pháp lý. Các nghiên cứu đã chỉ ra rằng các mô hình GARCH thường hoạt động tốt hơn các mô hình lịch sử (Historical Simulation) trong các thị trường biến động mạnh. Tuy nhiên, không có mô hình nào là tốt nhất cho mọi thị trường và tình huống.

4.2. Lựa chọn mô hình Value at Risk VaR phù hợp cho danh mục đầu tư

Việc lựa chọn mô hình VaR phù hợp đòi hỏi phải xem xét đặc điểm của danh mục đầu tư, bao gồm loại tài sản, mức độ đa dạng hóa, và khẩu vị rủi ro của nhà đầu tư. Một danh mục đầu tư đa dạng hóa có thể phù hợp với các mô hình đơn giản hơn, trong khi một danh mục đầu tư tập trung có thể đòi hỏi các mô hình phức tạp hơn. Các nhà đầu tư có khẩu vị rủi ro thấp có thể muốn sử dụng các mô hình bảo thủ hơn, trong khi các nhà đầu tư có khẩu vị rủi ro cao hơn có thể chấp nhận các mô hình rủi ro hơn.

4.3. Áp dụng phân tích độ nhạy để đánh giá yếu tố ảnh hưởng đến VaR

Phân tích độ nhạy VaR giúp xác định các yếu tố nào có ảnh hưởng lớn nhất đến VaR. Điều này cho phép các nhà quản lý rủi ro tập trung vào việc quản lý các yếu tố này để giảm thiểu rủi ro tài chính. Ví dụ, phân tích độ nhạy có thể cho thấy rằng VaR của một danh mục đầu tư phụ thuộc nhiều vào giá của một loại cổ phiếu cụ thể. Trong trường hợp đó, các nhà quản lý rủi ro có thể giảm thiểu rủi ro bằng cách giảm tỷ trọng của cổ phiếu đó trong danh mục đầu tư.

V. Kết Luận và Hướng Nghiên Cứu Tiếp Theo về Value at Risk

Value at Risk (VaR) là một công cụ quan trọng trong quản trị rủi ro tài chính, nhưng việc xếp hạng mô hình VaR và sử dụng nó trong dự báo rủi ro tài chính gặp phải nhiều thách thức. Không có mô hình nào là hoàn hảo cho mọi tình huống, và việc lựa chọn mô hình phù hợp đòi hỏi sự hiểu biết sâu sắc về các đặc điểm của từng mô hình và các yếu tố ảnh hưởng đến hiệu quả của chúng. Nghiên cứu tiếp theo có thể tập trung vào việc phát triển các phương pháp xếp hạng VaR mới, kết hợp nhiều tiêu chí khác nhau và xem xét các đặc điểm cụ thể của từng thị trường. Ngoài ra, cần có thêm nghiên cứu về hiệu quả của các mô hình VaR trong các điều kiện thị trường khắc nghiệt, khi các giả định của mô hình có thể không còn đúng.

5.1. Tổng kết các kết quả nghiên cứu về xếp hạng mô hình Value at Risk

Các nghiên cứu đã chỉ ra rằng hiệu quả của các mô hình VaR có thể khác nhau đáng kể giữa các thị trường và tình huống. Các mô hình GARCH thường hoạt động tốt hơn các mô hình lịch sử (Historical Simulation) trong các thị trường biến động mạnh. Tuy nhiên, không có mô hình nào là tốt nhất cho mọi thị trường và tình huống. Việc lựa chọn mô hình phù hợp đòi hỏi sự cân nhắc kỹ lưỡng và sự hiểu biết sâu sắc về mục tiêu quản trị rủi ro.

5.2. Hướng phát triển và cải thiện các mô hình Value at Risk VaR

Các hướng phát triển và cải thiện mô hình VaR bao gồm việc kết hợp các mô hình khác nhau để tận dụng ưu điểm của từng mô hình, phát triển các mô hình có thể thích ứng với sự thay đổi của rủi ro thị trường, và sử dụng các kỹ thuật trí tuệ nhân tạo để cải thiện độ chính xác của dự báo. Ngoài ra, cần có thêm nghiên cứu về hiệu quả của các mô hình VaR trong các điều kiện thị trường khắc nghiệt, khi các giả định của mô hình có thể không còn đúng.

Nội dung chính

## 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!

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu về đề tài 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. 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. 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.

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 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 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.

Các kết quả mô phỏng này sẽ tạo ra một phân phối về lãi/lỗ và VaR sẽ được tính toán từ phân phối này.