Chương 1: Giới thiệu về đề tài. 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 và ES trong dự báo rủi ro danh mục. Trong chương này, tác giả khái quát lý thuyết và các nghiên cứu trên thế giới liên quan đến thước đo VaR và ES cũng như các mô hình dự báo VaR và ES.
Bên cạnh đó, tác giả trình bày các bằng chứng thực nghiệm về xếp hạng các mô hình VaR và ES 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 lí dữ liệu, tiến hành dự báo và thực hiện kiểm định với phần mềm MATLAB 7. Chương 4: Kết quả nghiên cứu.
Trong chương này, tác giả trình bày các kết quả dự báo VaR và ES, 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 : skknchat@gmail.com 6 CHƯƠNG 2 – TỔNG QUAN NHỮNG NGHIÊN CỨU VỀ CÁC MÔ HÌNH VAR VÀ ES TRONG DỰ BÁO RỦI RO DANH MỤC 2.1 Khái quát lý thuyết và các nghiên cứu về VaR và ES Trong thị trường tài chính, trước khi đưa ra quyết định đầu tư vào những danh mục tài sản, nhà đầu tư sẽ căn cứ dựa trên hai tiêu chí là TSSL kì vọng và rủi ro của danh mục. Tuy nhiên, các nhà đầu tư hầu hết đều dành sự quan tâm đến tiêu chí thứ nhất là TSSL và ít khi chú ý đến tiêu chí thứ hai. Nguyên nhân là bởi vì TSSL là một tiêu chí khá rõ ràng và dễ dàng được lượng hóa bằng các thuật toán đơn giản trong khi đó tiêu chí rủi ro là một phạm trù khá mơ hồ và khó khăn trong việc lượng hóa bởi các thuật toán và mô hình phức tạp. Bài nghiên cứu này sẽ tập trung nghiên cứu tiêu chí thứ hai, đó là rủi ro.
Hiện nay trên thế giới, rủi ro được đo lường bằng ba thước đo chính đó là thước đo độ biến động, VaR và ES. Thước đo rủi ro danh mục đầu tiên – độ biến động – được định nghĩa là độ lệch chuẩn trong TSSL của danh mục. Thước đo này thì quá quen thuộc đối với tất cả các nhà đầu tư khi tham gia vào thị trường tài chính. Tuy nhiên, hai thước đo còn lại là VaR và ES thì vẫn còn khá mới mẻ đối với một số nhà đầu tư.1 VaR Trước hết, chúng ta tìm hiểu về VaR.
VaR là viết tắt của thuật ngữ “giá trị chịu rủi ro”, là thước đo khoản lỗ tiềm năng cho một công ty, một quỹ, một danh mục, một giao dịch, hay một chiến lược tài chính và thường thể hiện bằng phần trăm hay bằng đơn vị tiền. Trong bài nghiên cứu, chúng ta giới hạn định nghĩa về VaR như một thước đo cho khoản lỗ của danh mục đầu tư. Một cách cụ thể, VaR là ước lượng của mức lỗ mà chúng ta kì vọng với một xác suất cho sẵn trong một thời kì cụ thể nào đó. Người đầu tiên tiếp cận VaR là Harry Markowitz vào năm 1952.
Trong bài báo tài chính “Lựa chọn danh mục đầu tư”, ông đã dựa vào ma trận hiệp phương sai của TSSL để phát triển phương pháp tối ưu hóa danh mục đầu tư. TIEU LUAN MOI download : skknchat@gmail.com 7 Trong những năm đầu thập niên 80, Ủy ban Chứng khoán và Ngoại hối liên bang Hoa Kỳ đã thông qua thước đo VaR để ràng buộc yêu cầu về vốn đối với các công ty tài chính cho các khoản lỗ có thể phát sinh, với độ tin cậy 95% trong khoảng thời gian 30 ngày, và ở các mức độ khác nhau, chuỗi TSSL quá khứ được sử dụng để tính toán các khoản lỗ tiềm năng. Những sự kiện tài chính đầu những năm 1990 cho thấy rất nhiều công ty đã gặp rắc rối vì tổn thất dự kiến ở dưới mức thực tế. Khi tất cả sự chú ý đều đổ dồn về việc tính toán giá trị tổn thất có thể xảy ra, VaR đã trở thành một điều kiện tất yếu trong các báo cáo về rủi ro của hầu hết các tổ chức tín dụng.
Năm 1997, SEC đã phán quyết rằng tất cả các công ty niêm yết phải công bố thông tin định lượng về hoạt động phái sinh của họ. Những ngân hàng lớn đã tuân thủ bằng cách đưa thêm các thuyết minh về VaR trong báo cáo tài chính của họ. Bắt đầu từ năm 1999 và gần như hoàn thiện cho đến ngày nay, Tổ chức Ngân hàng Quốc tế đã công bố “Hiệp định Basel II” nhằm thúc đẩy hơn nữa việc sử dụng VaR trong hoạt động quản trị rủi ro và vì thế VaR đã dần trở thành một công cụ hàng đầu để đo lường rủi ro của danh mục. VaR có thể được dư báo bằng nhiều mô hình kinh tế lượng khác nhau.
Trong bài nghiên cứu, tác giả chỉ trình bày một số mô hình phổ biến được sử dụng rộng rãi trên thế giới. Mô hình cổ điển nhất cho việc dự báo VaR là HS. Khi xem xét một danh mục đầu tư cùng các tài sản thành phần, danh mục đầu tư này được đánh giá thông qua dữ liệu lịch sử của các tài sản thành tố. Sau khi TSSL lý thuyết được tính toán thông qua dữ liệu lịch sử, VaR sẽ được xác định dựa trên mong muốn của người sử dụng về độ tin cậy.
Mô hình thứ hai cũng cực kỳ nổi tiếng trong dự báo rủi ro danh mục đầu tư đó là mô hình Monte Carlo. Dựa trên mô hình về các biến ngẫu nhiên, danh mục đầu tư sẽ được đánh giá thông qua một số kịch bản thị trường và qua đó VaR được xác định. Thứ ba, mô hình EWMA (còn được gọi Riskmetric) đề xuất bởi JP Morgan Chase (1993) được biết đến một cách rộng rãi với ứng dụng ước lượng phương sai trong việc dự báo VaR. EWMA dựa trên giả thiết rằng chúng ta có thể dự báo được VaR bằng cách tính bình quân gia quyền của các thông tin trong quá khứ với trọng số lớn hơn cho các thông tin gần TIEU LUAN MOI download : skknchat@gmail.
Thứ tư, cao cấp hơn EWMA, dòng mô hình Garch cũng được biết đến với ứng dụng ước lượng phương sai trong việc dự báo VaR. ARCH là mô hình đầu tiên được đề xuất bởi Engle (1982), nhưng GARCH đề xuất bởi Bollerslev (1986) mới là mô hình được sử dụng nhiều nhất. Và cuối cùng, phức tạp nhất trong số các mô hình dự báo VaR là mô hình EVT. Không giống như các mô hình khác, EVT được sử dụng để giải quyết hạn chế từ giả định phân phối xác suất của TSSL đó là phân phối chuẩn.
Trên thực tế, phân phối của TSSL của danh mục tài sản thường không cân xứng dẫn đến hiệu ứng đường biểu diễn phân phối xác suất bị rộng ở phần đuôi hay còn gọi là hiệu ứng “fat tail”. Khi hiệu ứng “fat tail” tồn tại, nếu như áp dụng phân phối chuẩn vào mô hình thì kết quả ước lượng các giá trị VaR ở phần đuôi (khoảng nhỏ hơn độ tin cậy) sẽ bị đánh giá thấp và vì thế việc sử dụng phân phối chuẩn sẽ không phù hợp. Do đó, EVT được xem là mô hình phù hợp nhất cho hạn chế này khi tập trung vào việc phân tích phân phối xác suất ở vùng đuôi với các giả định phân phối phi chuẩn chẳng hạn như phân phối xác suất Pareto tổng quát. Việc sử dụng mô hình EVT trong dự báo VaR của danh mục đầu tư được đề xuất bởi Koedijk (1992), sau đó tiếp tục được phát triển bởi Embrechts (1997) và McNeil (2005).2 Tiếp cận các mô hình VaR Trong phần này, tác giả sẽ trình bày khái quát các mô hình phổ biến trên thế giới hiện đang được sử dụng trong dự báo rủi ro danh mục đầu tư gồm: Cách tiếp cận phi tham số - mô hình HS; Cách tiếp cận tham số - mô hình MA, EWMA, GARCH, Monte Carlo, VCV, Cornish-Fisher và EVT.
Cách tiếp cận phi tham số Mô hình HS Mô hình dự báoVaR cổ điển nhất thuộc cách tiếp cận phi tham số được sử dụng là HS. Sử dụng HS, ta có thể tính toán TSSL của danh mục dựa trên dữ liệu giá quá khứ hằng ngày trong một khoảng thời gian người sử dụng xác định, các thông tin TIEU LUAN MOI download : skknchat@gmail.com 9 này được biểu diễn dưới hình thức biểu đồ. Từ đó, ta sẽ dễ dàng tính khoản lỗ vượt quá với xác suất tùy ý 5% hay 1%. HS được gọi là mô phỏng lịch sử.
Thuật ngữ này dễ gây ra sự lầm lẫn bởi vì cách tiếp cận không liên quan đến việc mô phỏng của TSSL quá khứ mà thực tế mô hình dựa vào quá khứ để dự báo cho tương lai. Trong ngữ nghĩa này, lưu ý rằng danh mục mà một nhà đầu tư có thể nắm giữ trong quá khứ có lẽ không giống vị thế của họ trong tương lai. Khi sử dụng HS, mục đích của thực hiện này là áp đặt sự thay đổi của giá lịch sử vào danh mục hiện tại. Cụ thể, theo mô hình HS thì VaR được xác định thông qua các bước sau: +Tính giá trị hiện tại của danh mục đầu tư.
+Tính các TSSL quá khứ của danh mục đầu tư này trong một khoảng thời gian nhất định. +Xếp các TSSL theo thứ tự từ thấp nhất đến cao nhất. +Tính VaR theo độ tin cậy và số liệu TSSL quá khứ. Ưu điểm chính của mô hình HS đó là không cần giả thiết về quy luật phân phối xác suất.
Tuy nhiên, theo mô hình HS, mỗi quan sát đều có cùng tỉ trọng trong dự báo VaR và ES của danh mục và điều này chính là một hạn chế của HS, đặc biệt trong trường xảy ra điểm gãy cấu trúc trong thời gian quan sát. Tuy nhiên, nếu như điểm gãy cấu trúc không xuất hiện trong khoảng thời gian quan sát, HS được đánh giá sẽ đưa ra các kết quả dự báo tốt hơn nhiều so với các mô hình còn lại.