Luận văn thạc sĩ xếp hạng các mô hình value at risk trong dự báo rủi ro danh mục

Khám phá luận văn thạc sĩ về xếp hạng các mô hình value at risk trong dự báo rủi ro danh mục, cung cấp cái nhìn sâu sắc và phân tích chi tiết.

• 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 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. 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)
• 2.6.2. Mô hình Mô phỏng Quá khứ (Historical Simulation)
• 2.6.3. Mô hình mô phỏng Monte Carlo
• 2.6.4. Cách tiếp cận tham số
• 2.6.4.1. Mô hình Riskmetrics
• 2.6.4.2. Mô hình Phương sai-Hiệp phương sai (Variance-Covariance)
• 2.6.4.3. Mô hình GARCH
• 2.6.4.4. Mô hình EGARCH
• 2.6.5. Cách tiếp cận bán tham số
• 2.6.5.1. Mô hình CAViaR thích nghi (CAViaR Adaptive)
• 2.6.5.2. Mô hình Giá trị tuyệt đối đối xứng (CAViaR Symmetric)
• 2.6.5.3. Mô hình GARCH(1,1) gián tiếp (CAViaR Indirect GARCH)
• 2.6.5.4. Mô hình độ dốc bất đối xứng (CAViaR Asymmetric)
• 2.6.6. Lý thuyết giá trị cực trị (Extreme Value Theory – EVT)
• 2.7. Kiểm tra lại phương pháp luận VaR (Back-testing)
• 2.7.1. Kiểm định phạm vi vô điều kiện (Unconditional Coverage Test)
• 2.7.2. Kiểm định phạm vi có điều kiện (Conditional Coverage Test)
• 2.8. Phân tích kịch bản
• 2.8.1. Lựa chọn kịch bản
• 2.8.2. Đánh giá ảnh hưởng của các kịch bản
• 2.8.3. Đánh giá Stress Test
• 2.9. Bằng chứng thực nghiệm về xếp hạng các mô hình VaR
• 2.9.1. Bằng chứng thực nghiệm tại các thị trường đang phát triển
• 2.9.2. Bằng chứng thực nghiệm tại các thị trường mới nổi
• 2.9.3. 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
• 4.6. 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) đã trở thành một công cụ quan trọng trong việc đo lường và quản lý rủi ro tài chính. Được phát triển từ những năm 1990, VaR cung cấp một cách thức để ước lượng khoản lỗ tối đa có thể xảy ra trong một khoảng thời gian nhất định với một mức độ tin cậy nhất định. Việc hiểu rõ về mô hình này là cần thiết cho các nhà đầu tư và quản lý rủi ro trong bối cảnh thị trường ngày càng biến động.

1.1. Khái niệm và tầm quan trọng của Value at Risk

Value at Risk (VaR) là một thước đo xác suất cho biết khoản lỗ tối đa có thể xảy ra trong một danh mục đầu tư trong một khoảng thời gian nhất định với một xác suất cho trước. Ví dụ, nếu VaR là 5 triệu đồng trong một ngày với xác suất 5%, điều này có nghĩa là có 5% khả năng khoản lỗ sẽ vượt quá 5 triệu đồng trong một ngày. Tầm quan trọng của VaR nằm ở việc nó giúp các nhà đầu tư và quản lý rủi ro đánh giá được mức độ rủi ro mà họ đang đối mặt.

1.2. Lịch sử phát triển của mô hình VaR

Mô hình VaR được phát triển vào đầu những năm 1990 bởi các nhà khoa học tài chính tại JPMorgan Chase. Sự ra đời của Riskmetrics vào năm 1994 đã giúp phổ biến mô hình này, biến nó thành tiêu chuẩn trong việc đo lường rủi ro tài chính. Từ đó, VaR đã được áp dụng rộng rãi trong các báo cáo tài chính và quản lý rủi ro của các tổ chức tài chính trên toàn cầu.

II. Các thách thức trong việc áp dụng mô hình Value at Risk

Mặc dù mô hình Value at Risk mang lại nhiều lợi ích, nhưng cũng tồn tại nhiều thách thức trong việc áp dụng. Các nhà đầu tư cần nhận thức rõ về những hạn chế của mô hình này để có thể đưa ra quyết định chính xác hơn trong quản lý rủi ro.

2.1. Hạn chế trong giả định của mô hình VaR

Một trong những hạn chế lớn nhất của mô hình VaR là giả định rằng các yếu tố thị trường không thay đổi nhiều trong khoảng thời gian xác định. Điều này có thể dẫn đến những sai lệch trong ước lượng rủi ro, đặc biệt trong các giai đoạn thị trường biến động mạnh.

2.2. Khó khăn trong việc lựa chọn phương pháp tính toán VaR

Có nhiều phương pháp khác nhau để tính toán VaR, từ phương pháp mô phỏng lịch sử đến các mô hình phức tạp như GARCH. Việc lựa chọn phương pháp phù hợp với từng danh mục đầu tư và điều kiện thị trường là một thách thức lớn đối với các nhà đầu tư.

III. Phương pháp tính toán Value at Risk hiệu quả

Để tính toán Value at Risk một cách hiệu quả, các nhà đầu tư có thể áp dụng nhiều phương pháp khác nhau. Mỗi phương pháp có những ưu điểm và nhược điểm riêng, và việc lựa chọn phương pháp phù hợp là rất quan trọng.

3.1. Phương pháp mô phỏng lịch sử Historical Simulation

Phương pháp mô phỏng lịch sử là một trong những cách tiếp cận đơn giản và trực quan nhất để tính toán VaR. Phương pháp này sử dụng dữ liệu quá khứ để ước lượng khoản lỗ tối đa có thể xảy ra trong tương lai. Bằng cách phân tích các tỷ suất sinh lợi trong quá khứ, nhà đầu tư có thể xác định được VaR cho danh mục đầu tư của mình.

3.2. Mô hình GARCH trong tính toán VaR

Mô hình GARCH (Generalized Autoregressive Conditional Heteroskedasticity) là một phương pháp phức tạp hơn, cho phép ước lượng sự biến động của tỷ suất sinh lợi theo thời gian. Mô hình này có thể cung cấp một cái nhìn sâu sắc hơn về rủi ro tiềm ẩn trong danh mục đầu tư, đặc biệt trong các giai đoạn thị trường biến động.

IV. Ứng dụng thực tiễn của mô hình Value at Risk

Mô hình Value at Risk đã được áp dụng rộng rãi trong nhiều lĩnh vực khác nhau, từ ngân hàng đến quỹ đầu tư. Việc hiểu rõ về ứng dụng của mô hình này có thể giúp các nhà đầu tư đưa ra quyết định tốt hơn trong quản lý rủi ro.

4.1. Ứng dụng trong ngân hàng và tài chính

Trong ngành ngân hàng, VaR được sử dụng để xác định mức độ rủi ro mà ngân hàng phải đối mặt trong các hoạt động đầu tư và cho vay. Các ngân hàng thường sử dụng VaR để tính toán yêu cầu vốn và quản lý rủi ro tín dụng.

4.2. Vai trò của VaR trong quản lý quỹ đầu tư

Đối với các quỹ đầu tư, VaR là một công cụ quan trọng để đánh giá rủi ro của danh mục đầu tư. Các nhà quản lý quỹ sử dụng VaR để xác định mức độ rủi ro mà quỹ có thể chấp nhận và điều chỉnh chiến lược đầu tư cho phù hợp.

V. Kết luận và triển vọng tương lai của mô hình Value at Risk

Mô hình Value at Risk đã chứng minh được giá trị của nó trong việc đo lường và quản lý rủi ro tài chính. Tuy nhiên, để nâng cao hiệu quả của mô hình này, cần có những nghiên cứu và cải tiến liên tục.

5.1. Tương lai của mô hình VaR trong quản lý rủi ro

Trong bối cảnh thị trường ngày càng biến động, mô hình VaR cần được cải tiến để phản ánh chính xác hơn các điều kiện thị trường. Việc kết hợp VaR với các phương pháp đo lường rủi ro khác có thể giúp nâng cao độ chính xác trong ước lượng rủi ro.

5.2. Nghiên cứu và phát triển các mô hình mới

Cần có những nghiên cứu sâu hơn về các mô hình mới có thể cải thiện khả năng dự đoán rủi ro. Việc áp dụng công nghệ mới và dữ liệu lớn có thể mở ra những hướng đi mới trong việc phát triển các mô hình quản lý rủi ro hiệu quả hơn.

Nội dung chính

Tổng quan nghiên cứu

Cuộc khủng hoảng tài chính toàn cầu năm 2008 đã để lại những biến động sâu sắc trên thị trường vốn quốc tế, đặt ra yêu cầu cấp thiết về việc nâng cao năng lực kiểm soát rủi ro thị trường tại các định chế tài chính. Trong bối cảnh đó, chỉ số Giá trị chịu rủi ro (Value at Risk - VaR) đóng vai trò như một thước đo tiêu chuẩn định lượng mức tổn thất tối đa của danh mục đầu tư trong 1 ngày giao dịch ở các ngưỡng xác suất xác định. Đề tài tập trung giải quyết bài toán: Đâu là mô hình dự báo VaR tối ưu và có độ chính xác cao nhất khi áp dụng đồng thời cho các cấu trúc thị trường tài chính khác nhau?

Mục tiêu cụ thể của luận văn là ước lượng, kiểm định và xếp hạng hiệu quả dự báo của 8 mô hình kinh tế lượng thuộc 3 trường phái tiếp cận (phi tham số, tham số và bán tham số) cho 8 danh mục đại diện cho các thị trường phát triển và thị trường mới nổi. Phạm vi nghiên cứu bao quát chuỗi dữ liệu lịch sử kéo dài 14 năm từ năm 2001 đến ngày 24/04/2015 với tổng cộng 3.393 quan sát hàng ngày tại 2 mức ý nghĩa then chốt là 1% và 5%. Kết quả nghiên cứu mang ý nghĩa thực tiễn quan trọng, cung cấp bằng chứng định lượng giúp các Giám đốc Quản trị Rủi ro (CRO) và nhà quản lý quỹ tuân thủ khung pháp lý an toàn vốn theo chuẩn mực Basel II cũng như Quy chế quản trị rủi ro ban hành năm 2013 của Ủy ban Chứng khoán Nhà nước Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng khung lý thuyết đo lường rủi ro thị trường do J.P. Morgan khởi xướng năm 1994 với hệ thống RiskMetrics, kết hợp cùng các hiệp ước vốn của Ủy ban Basel về Giám sát Ngân hàng. Bên cạnh đó, luận văn tích hợp lý thuyết biến động phương sai có điều kiện (chuỗi mô hình ARCH/GARCH của Engle và EGARCH của Nelson) nhằm xử lý hiện tượng phương sai thay đổi theo thời gian. Đặc biệt, lý thuyết hồi quy phân vị tự hồi quy có điều kiện (CAViaR) do Engle và Manganelli phát triển năm 2004 được ứng dụng như một bước đột phá trong phương pháp bán tham số.

Năm khái niệm cốt lõi xuyên suốt công trình bao gồm:

• Giá trị chịu rủi ro (VaR): Mức tổn thất tối đa kỳ vọng trong một khoảng thời gian xác định ở độ tin cậy cho trước.
• Hiện tượng đuôi dày (Fat tails) và độ lệch (Skewness): Phản ánh phân phối thực tế của tỷ suất sinh lời lệch chuẩn.
• Hiệu ứng đòn bẩy bất đối xứng: Mức độ biến động gia tăng mạnh hơn trước các cú sốc tin tức tiêu cực so với tin tức tích cực.
• Hồi quy phân vị (Quantile Regression): Ước lượng trực tiếp phân vị của phân phối xác suất mà không cần giả định phân phối chuẩn.
• Tỷ lệ vi phạm (Violation Ratio - VR): Thước đo kiểm định thực nghiệm giữa số lần lỗ thực tế vượt quá VaR so với số lần kỳ vọng lý thuyết.

Phương pháp nghiên cứu

Cỡ mẫu nghiên cứu bao gồm 3.393 dữ liệu giá đóng cửa hàng ngày được thu thập từ các cơ sở dữ liệu tài chính quốc tế và phần mềm phân tích kỹ thuật từ năm 2001 đến tháng 04/2015, tạo thành chuỗi 3.392 tỷ suất sinh lời theo thang logarit. Phương pháp chọn mẫu là chọn mẫu toàn bộ chuỗi thời gian liên tục của 8 chỉ số chứng khoán quy mô lớn: 4 thị trường phát triển (S&P 500 của Mỹ, FTSE 100 của Anh, DAX của Đức, Nikkei 225 của Nhật Bản) và 4 thị trường mới nổi (SSEC của Trung Quốc, BOVESPA của Brazil, SENSEX của Ấn Độ, VN-Index của Việt Nam).

Lý do lựa chọn phương pháp phân tích đa mô hình kết hợp cửa sổ trượt (rolling window) 1.000 phiên giao dịch là nhằm kiểm tra khả năng thích ứng linh hoạt của các thuật toán trước những thay đổi cấu trúc thị trường. Toàn bộ quy trình tính toán được thực hiện đồng bộ trên 3 phần mềm chuyên dụng: EViews dùng để ước lượng tham số dòng GARCH/EGARCH, MATLAB thực thi các thuật toán tối ưu hóa phi tuyến tính cho 4 biến thể CAViaR, và Excel để lập trình mô phỏng lịch sử (HS), phương sai - hiệp phương sai (VCV) cũng như xử lý kiểm định tỷ lệ vi phạm VR.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Phân tích thống kê mô tả cho thấy hệ số kiểm định Jarque-Bera của toàn bộ 8 danh mục đều vượt xa mức giới hạn chuẩn 3.84, đồng thời hệ số độ nhọn (Kurtosis) đều lớn hơn 3 và 6 trên 8 thị trường có hệ số bất đối xứng (Skewness) mang giá trị âm. Điều này chứng minh chuỗi tỷ suất sinh lời của cả thị trường phát triển và mới nổi đều mang đặc tính phân phối lệch trái với phần đuôi dày rõ rệt, bác bỏ giả định phân phối chuẩn thông thường.

Tại mức ý nghĩa 1%, mô hình hồi quy phân vị bán tham số CAViaR Asymmetric (độ dốc bất đối xứng) và mô hình tham số EGARCH (1,1) thể hiện tính vượt trội tuyệt đối khi duy trì chỉ số VR tiệm cận giá trị lý tưởng 1.00 trên hầu hết các danh mục. Ngược lại, mô hình cổ điển Phương sai - Hiệp phương sai (VCV) đánh giá thấp rủi ro nghiêm trọng khi số trường hợp vi phạm thực tế vượt từ 30% đến 55% so với mức kỳ vọng. Ở mức ý nghĩa 5%, mô hình Mô phỏng Lịch sử (HS) có sự cải thiện nhẹ về độ chính xác nhưng vẫn phản ứng rất chậm trước các biến động gián đoạn đột ngột so với các mô hình tự hồi quy có điều kiện.

Thảo luận kết quả

Sự thất bại của mô hình Phương sai - Hiệp phương sai bắt nguồn từ việc áp đặt phân phối chuẩn đối xứng lên dữ liệu tài chính, khiến mô hình bỏ qua xác suất xuất hiện của các biến cố cực đoan ở vùng đuôi trái. Trong khi đó, dòng mô hình CAViaR, đặc biệt là CAViaR Asymmetric, giải quyết triệt để hạn chế này nhờ cơ chế tự điều chỉnh phân vị linh hoạt và phân tách tác động của các cú sốc âm và dương thông qua hiệu ứng đòn bẩy.

Khi biểu diễn kết quả dự báo qua đồ thị chuỗi thời gian, đường biên VaR của các mô hình CAViaR và EGARCH bám sát chặt chẽ các giai đoạn biến động mạnh (volatility clustering), nhanh chóng nới rộng biên độ an toàn khi thị trường bước vào pha giảm sâu. Bảng xếp hạng tổng hợp theo tiêu chí khoảng cách VR chứng minh rằng các mô hình bán tham số bất đối xứng luôn chiếm lĩnh vị trí dẫn đầu ở cả 8 thị trường, hoàn toàn tương thích với các bằng chứng thực nghiệm quốc tế về việc quản trị rủi ro danh mục phi tuyến.

Đề xuất và khuyến nghị

• Nâng cấp hệ thống tính toán VaR nội bộ: Các ngân hàng thương mại và công ty quản lý quỹ cần chủ động chuyển đổi từ các mô hình tham số tĩnh sang tích hợp mô hình CAViaR Asymmetric và EGARCH (1,1) vào phần mềm quản lý rủi ro hàng ngày, hướng tới mục tiêu duy trì tỷ số vi phạm VR nằm trong khoảng tối ưu từ 0.90 đến 1.10 trong vòng 6 tháng triển khai.
• Thiết lập quy trình kiểm tra sức chịu tải (Stress Testing) định kỳ: Khối quản trị rủi ro cần xây dựng tối thiểu 3 kịch bản khủng hoảng lịch sử và giả định (biến động lãi suất, tỷ giá, sụt giảm chỉ số trên 10%) mỗi quý để bù đắp hạn chế cố hữu của VaR trong các điều kiện thị trường cực đoan bất thường.
• Đầu tư cơ sở hạ tầng công nghệ định lượng: Doanh nghiệp tài chính cần hiện đại hóa hạ tầng máy chủ và ứng dụng các ngôn ngữ tính toán ma trận để giảm độ trễ tính toán VaR danh mục đa tài sản xuống dưới 15 phút trước mỗi phiên giao dịch, hoàn thành trong lộ trình 12 tháng.
• Hoàn thiện khung báo cáo kiểm định lại (Back-testing): Các định chế tài chính cần chuẩn hóa quy trình hậu kiểm độc lập hàng quý theo khuyến nghị của Ủy ban Basel, cam kết tuân thủ 100% các tiêu chuẩn kiểm soát an toàn vốn thị trường theo quy định của Ủy ban Chứng khoán Nhà nước.

Đối tượng nên tham khảo luận văn

• Giám đốc Quản trị Rủi ro (CRO) và Chuyên viên Định lượng: Tham khảo cấu trúc thuật toán và phương pháp kiểm định VR để lựa chọn mô hình đo lường rủi ro vốn cho danh mục cổ phiếu và phái sinh.
• Nhà Quản lý Quỹ Đầu tư: Sử dụng kết quả xếp hạng mô hình để xác định chính xác tỷ lệ tổn thất tối đa, từ đó phân bổ tỷ trọng tài sản và thiết lập ngưỡng cắt lỗ tối ưu cho 8 thị trường mục tiêu.
• Cơ quan Quản lý và Hoạch định Chính sách: Sử dụng các bằng chứng thực nghiệm trên chỉ số VN-Index giai đoạn 2001-2015 để hoàn thiện khung pháp lý giám sát an toàn vốn cho các tổ chức tài chính trung gian.
• Học viên Cao học và Nghiên cứu sinh ngành Tài chính - Ngân hàng: Khai thác mã lệnh tính toán mô hình CAViaR trên MATLAB, phương pháp hồi quy phân vị và kỹ thuật xử lý chuỗi thời gian phi chuẩn.

Câu hỏi thường gặp

Giá trị chịu rủi ro (VaR) thể hiện điều gì đối với một danh mục đầu tư?

VaR là thước đo lượng hóa số tiền lỗ tối đa mà một danh mục có thể phải gánh chịu trong 1 ngày giao dịch ở một độ tin cậy nhất định (ví dụ 95% hoặc 99%). Nếu VaR 1 ngày ở mức 95% là 50 triệu đồng, điều đó có nghĩa là xác suất để mức lỗ vượt quá 50 triệu đồng trong ngày hôm sau chỉ là 5%.

Tại sao mô hình Phương sai - Hiệp phương sai truyền thống lại dự báo kém chính xác?

Mô hình Phương sai - Hiệp phương sai giả định tỷ suất sinh lời tuân theo phân phối chuẩn đối xứng. Trong thực tế, chuỗi dữ liệu tài chính luôn có hiện tượng lệch trái và đuôi dày (Kurtosis > 3), dẫn đến việc mô hình đánh giá thấp nguy cơ tổn thất nghiêm trọng khi thị trường biến động mạnh.

Ưu điểm vượt trội của mô hình CAViaR so với các mô hình GARCH là gì?

Mô hình CAViaR không yêu cầu giả định bất kỳ hàm phân phối cụ thể nào của phần dư mà trực tiếp mô hình hóa sự biến động của phân vị thông qua hồi quy phân vị. Kỹ thuật này nắm bắt chính xác hiện tượng tự tương quan và tính chất phi tuyến của rủi ro đuôi.

Tỷ số vi phạm (Violation Ratio - VR) được đánh giá như thế nào?

Tỷ số VR là tỷ lệ giữa số lần tổn thất thực tế vượt mức VaR chia cho số lần vượt kỳ vọng lý thuyết. Mô hình dự báo rủi ro được coi là chuẩn xác và đạt yêu cầu kiểm định khi chỉ số VR tiệm cận 1.00 và nằm trong phạm vi an toàn từ 0.80 đến 1.20.

Tại sao nghiên cứu lại chọn khảo sát ở 2 mức ý nghĩa 1% và 5%?

Hai mức ý nghĩa 1% và 5% (tương ứng với độ tin cậy 99% và 95%) là các chuẩn mực cốt lõi được quy định trong Hiệp ước vốn Basel II. Mức 1% đo lường biên độ an toàn khắt khe cho yêu cầu vốn tối thiểu, trong khi mức 5% phục vụ quản trị danh mục nội bộ hàng ngày.

Kết luận

• Luận văn đã hệ thống hóa toàn diện 8 mô hình ước lượng rủi ro VaR đại diện cho 3 hướng tiếp cận chính: phi tham số, tham số và bán tham số.
• Bằng chứng thực nghiệm trên 3.393 quan sát của 8 thị trường chứng khoán quốc tế giai đoạn 2001 - 2015 khẳng định tỷ suất sinh lời đều mang phân phối phi chuẩn với vùng đuôi dày.
• Mô hình bán tham số CAViaR Asymmetric Slope và mô hình tham số EGARCH (1,1) được xếp hạng cao nhất nhờ khả năng phản ánh chính xác các cú sốc bất đối xứng.
• Phương pháp kiểm định tỷ lệ vi phạm (VR) kết hợp phân tích đồ thị đã chứng minh tính hiệu quả vượt trội trong việc đánh giá và hiệu chuẩn chất lượng mô hình định lượng.
• Công trình tạo tiền đề khoa học vững chắc để các định chế tài chính nội địa triển khai mở rộng sang các thước đo rủi ro phi điều kiện như Expected Shortfall (ES) và Lý thuyết Giá trị Cực trị (EVT) trong 12 đến 24 tháng tới, góp phần tối ưu hóa cấu trúc vốn phòng ngừa rủi ro thị trường.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu về đề tài TIEU LUAN MOI download : [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. TIEU LUAN MOI download : [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. TIEU LUAN MOI download : [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.

TIEU LUAN MOI download : [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 TIEU LUAN MOI download : [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 TIEU LUAN MOI download : [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. 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.