Luận văn thạc sĩ xếp hạng các mô hình var và es trong dự báo rủi ro danh mục

Luận văn thạc sĩ phân tích xếp hạng mô hình VAR và ES trong dự báo rủi ro danh mục, cung cấp cái nhìn sâu sắc về phương pháp dự báo hiệu quả.

• Tác giả: Nguyễn Quang Sơn
• Người hướng dẫn: TS. Nguyễn Thị Uyên Uyên
• Trường học: Trường Đại Học Kinh Tế TP.Hồ Chí Minh
• Chuyên ngành: Tài Chính – Ngân Hàng
• Đề tài: Xếp Hạng Các Mô Hình VaR Và ES Trong Dự Báo Rủi Ro
• Loại tài liệu: Luận Văn Thạc Sĩ Kinh Tế
• Năm xuất bản: 2013
• 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 của đề tài
• 1.7. Kết cấu của bài nghiên cứu
• 2. 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
• 2.2. Tiếp cận các mô hình VaR
• 2.3. Các phương pháp kiểm định
• 2.4. Bằng chứng thực nghiệm về xếp hạng các mô hình VaR và ES trong dự báo rủi ro danh mục
• 2.4.1. Bằng chứng thực nghiệm tại các thị trường đang phát triển
• 2.4.2. Bằng chứng thực nghiệm tại các thị trường mới nổi
• 2.4.3. Bằng chứng thực nghiệm tại các thị trường phát triển
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Danh mục sử dụng trong bài nghiên cứu
• 3.2. Mô hình nghiên cứu và phương pháp kiểm định
• 3.2.1. Mô hình nghiên cứu
• 3.2.2. Phương pháp kiểm định
• 3.2.3. Các bước thực hiện nghiên cứu
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
• 4.1. Kết quả dự báo VaR và ES
• 4.2. Trình bày kết quả dự báo VaR và ES theo bảng
• 4.3. Trình bày kết quả dự báo VaR theo 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
• 4.5.2.1. Phân tích kết quả xếp hạng các mô hình cho dự báo VaR
• 4.5.2.2. Phân tích kết quả xếp hạng các mô hình cho dự báo ES
• 4.5.3. Phân tích đồ thị kết quả dự báo VaR và ES của các mô hình
• 4.6. Lựa chọn mô hình dự báo rủi ro danh mục
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. Tổng kết nội dung 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 xếp hạng mô hình VaR và ES trong dự báo rủi ro

Trong bối cảnh tài chính hiện đại, việc dự báo rủi ro là một yếu tố quan trọng giúp các nhà đầu tư và tổ chức tài chính đưa ra quyết định chính xác. Mô hình VaR (Value at Risk) và ES (Expected Shortfall) đã trở thành những công cụ phổ biến trong việc đo lường và quản lý rủi ro. Bài viết này sẽ cung cấp cái nhìn tổng quan về các mô hình này, cũng như tầm quan trọng của việc xếp hạng chúng trong dự báo rủi ro.

1.1. Khái niệm về mô hình VaR và ES

Mô hình VaR là thước đo khoản lỗ tối đa mà một danh mục đầu tư có thể chịu đựng trong một khoảng thời gian nhất định với một mức độ tin cậy nhất định. Trong khi đó, ES đo lường mức lỗ kỳ vọng vượt quá VaR. Cả hai mô hình này đều giúp các nhà đầu tư hiểu rõ hơn về rủi ro tiềm ẩn trong danh mục đầu tư của họ.

1.2. Tại sao cần xếp hạng mô hình VaR và ES

Việc xếp hạng các mô hình VaR và ES giúp xác định mô hình nào là hiệu quả nhất trong việc dự báo rủi ro. Điều này không chỉ giúp các nhà đầu tư lựa chọn mô hình phù hợp mà còn nâng cao khả năng quản lý rủi ro trong các quyết định đầu tư.

II. Những thách thức trong việc dự báo rủi ro tài chính

Dự báo rủi ro tài chính không phải là một nhiệm vụ đơn giản. Có nhiều yếu tố ảnh hưởng đến độ chính xác của các mô hình VaR và ES. Những thách thức này bao gồm sự biến động của thị trường, tính không chắc chắn của dữ liệu lịch sử và các yếu tố kinh tế vĩ mô.

2.1. Biến động thị trường và tác động đến mô hình

Thị trường tài chính thường xuyên biến động, điều này có thể làm giảm độ chính xác của các mô hình dự báo. Các mô hình cần phải được điều chỉnh thường xuyên để phản ánh những thay đổi này.

2.2. Tính không chắc chắn của dữ liệu lịch sử

Dữ liệu lịch sử là cơ sở để xây dựng các mô hình VaR và ES. Tuy nhiên, nếu dữ liệu không đầy đủ hoặc không chính xác, kết quả dự báo sẽ bị ảnh hưởng nghiêm trọng.

III. Phương pháp xếp hạng mô hình VaR và ES hiệu quả

Để xếp hạng các mô hình VaR và ES, cần áp dụng các phương pháp kiểm định khác nhau. Các phương pháp này giúp đánh giá độ chính xác và hiệu quả của từng mô hình trong việc dự báo rủi ro.

3.1. Phương pháp kiểm định tỉ lệ vi phạm VR

Phương pháp VR là một trong những cách phổ biến để kiểm định độ chính xác của mô hình VaR. Nó giúp xác định tỷ lệ các lần dự báo không chính xác so với tổng số lần dự báo.

3.2. Các phương pháp kiểm định khác

Ngoài VR, còn có nhiều phương pháp khác như kiểm định Kupiec và kiểm định Christoffersen. Những phương pháp này cung cấp cái nhìn sâu sắc hơn về hiệu quả của các mô hình.

IV. Ứng dụng thực tiễn của mô hình VaR và ES trong quản lý rủi ro

Mô hình VaR và ES không chỉ được sử dụng trong lý thuyết mà còn có nhiều ứng dụng thực tiễn trong quản lý rủi ro tài chính. Các tổ chức tài chính lớn thường sử dụng chúng để đánh giá rủi ro của danh mục đầu tư.

4.1. Ứng dụng trong các tổ chức tài chính

Nhiều ngân hàng và quỹ đầu tư sử dụng mô hình VaR để xác định mức độ rủi ro của các khoản đầu tư. Điều này giúp họ đưa ra quyết định đầu tư hợp lý hơn.

4.2. Kết quả nghiên cứu thực nghiệm

Nghiên cứu cho thấy rằng mô hình N-GARCH thường cho kết quả dự báo tốt nhất so với các mô hình khác như HS và EWMA. Điều này cho thấy tầm quan trọng của việc lựa chọn mô hình phù hợp trong dự báo rủi ro.

V. Kết luận và triển vọng tương lai của mô hình VaR và ES

Mô hình VaR và ES đã chứng minh được giá trị của chúng trong việc dự báo 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 chúng trong bối cảnh thị trường ngày càng phức tạp.

5.1. Tóm tắt kết quả nghiên cứu

Nghiên cứu đã chỉ ra rằng việc xếp hạng các mô hình VaR và ES là cần thiết để xác định mô hình hiệu quả nhất trong dự báo rủi ro. Kết quả cho thấy mô hình N-GARCH là lựa chọn tốt nhất.

5.2. Hướng phát triển trong tương lai

Trong tương lai, cần nghiên cứu thêm về các mô hình mới và cải tiến các mô hình hiện tại để đáp ứng tốt hơn với sự biến động của thị trường tài chính.

Nội dung chính

Tổng quan nghiên cứu

Khủng hoảng tài chính toàn cầu năm 2008 đã làm sụt giảm hơn 10.000 tỷ USD giá trị vốn hóa trên các thị trường tài chính quốc tế, để lại những dư chấn nặng nề và làm bộc lộ rõ nét những lỗ hổng trong hệ thống kiểm soát rủi ro của các định chế tài chính. Trong bối cảnh biến động phức tạp của thị trường vốn, việc lượng hóa mức độ tổn thất tiềm năng trở thành yêu cầu sống còn đối với các tổ chức tín dụng, quỹ đầu tư và nhà quản lý danh mục. Thước đo Giá trị chịu rủi ro (Value at Risk - VaR) và Giá trị tổn thất kỳ vọng (Expected Shortfall - ES) đã được chuẩn hóa trên toàn cầu, đặc biệt thông qua khung giám sát của Hiệp định Basel II, như hai công cụ định lượng rủi ro thị trường hàng đầu. Tuy nhiên, việc lựa chọn mô hình kinh tế lượng tối ưu để dự báo chính xác VaR và ES vẫn là bài toán gây nhiều tranh luận trong giới học thuật và thực hành tài chính.

Đề tài nghiên cứu tiến hành đánh giá, kiểm định và xếp hạng hiệu quả dự báo của 4 mô hình kinh tế lượng phổ biến bao gồm Mô phỏng lịch sử (Historical Simulation - HS), Bình quân di động giản đơn (Moving Average - MA), Bình quân gia quyền theo hàm số mũ (EWMA / RiskMetrics) và Mô hình GARCH chuẩn (N-GARCH). Mục tiêu cụ thể là kiểm tra năng lực dự báo VaR và ES tại hai mức ý nghĩa 1% (độ tin cậy 99%) và 5% (độ tin cậy 95%), từ đó xác định mô hình tối ưu nhất cho quản trị rủi ro danh mục.

Phạm vi nghiên cứu bao quát chuỗi dữ liệu lịch sử kéo dài 13 năm, từ tháng 01 năm 2000 đến tháng 09 năm 2013, trên 10 danh mục chỉ số chứng khoán đại diện cho 3 nhóm nền kinh tế: 6 chỉ số thuộc nhóm quốc gia phát triển gồm S&P 500, NASDAQ, Dow Jones (Mỹ), FTSE 100 (Anh), DAX (Đức), Nikkei 225 (Nhật Bản); 3 chỉ số thuộc nhóm quốc gia mới nổi gồm STI (Singapore), HSI (Hồng Kông), Sensex (Ấn Độ); và 1 chỉ số thuộc nhóm quốc gia đang phát triển là VN-Index (Việt Nam). Nghiên cứu mang ý nghĩa thực tiễn to lớn khi cung cấp bằng chứng thực nghiệm độc lập với hơn 34.000 quan sát tổng thể, giúp các Giám đốc Quản trị Rủi ro (CRO) và nhà đầu tư tại Việt Nam nâng cao độ chính xác dự báo tổn thất, giảm thiểu rủi ro kiệt quệ tài chính và tối ưu hóa chi phí trích lập dự phòng vốn an toàn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nền tảng lý thuyết của nghiên cứu được xây dựng dựa trên Lý thuyết lựa chọn danh mục đầu tư hiện đại của Harry Markowitz (1952), trong đó thiết lập mối quan hệ đánh đổi giữa tỷ suất sinh lợi kỳ vọng và phương sai rủi ro. Bước sang thập niên 1990, Ủy ban Chứng khoán và Ngoại hối Hoa Kỳ (SEC) cùng Hiệp định Basel II (1999–2004) đã chính thức chuẩn hóa thước đo VaR như một tiêu chuẩn pháp lý bắt buộc trong báo cáo an toàn vốn của các ngân hàng thương mại. Để mô hình hóa cấu trúc phương sai biến đổi theo thời gian, nghiên cứu ứng dụng lý thuyết mô hình ARCH của Robert Engle (1982) và mô hình GARCH tổng quát của Tim Bollerslev (1986).

Nghiên cứu tập trung vào 5 khái niệm chuyên ngành cốt lõi:

• Giá trị chịu rủi ro (VaR): Khoản lỗ tiềm năng tối đa mà một danh mục đầu tư có thể gánh chịu trong một khoảng thời gian xác định (thường là 1 ngày giao dịch) với một mức xác suất cho trước (độ tin cậy 95% hoặc 99%).
• Giá trị tổn thất kỳ vọng (Expected Shortfall - ES): Thước đo rủi ro kết hợp do Artzner (1997) đề xuất, đo lường mức độ tổn thất trung bình trong các tình huống xấu nhất khi mức lỗ thực tế đã vượt qua ngưỡng VaR, giúp khắc phục nhược điểm không có tính cộng hưởng dưới danh mục của VaR.
• Phân phối đuôi dày (Fat-tail): Hiện tượng chuỗi tỷ suất sinh lợi tài chính có xác suất xuất hiện các biến cố cực đoan cao hơn nhiều so với phân phối xác suất chuẩn, dẫn đến các sai số lớn nếu giả định phân phối không phù hợp.
• Tỷ lệ vi phạm (Violation Ratio - VR): Phương pháp kiểm định do Crnkovic và Drachman (1997) phát triển, so sánh tỷ lệ giữa số phiên vi phạm thực tế với số phiên vi phạm kỳ vọng lý thuyết để đánh giá độ chính xác của mô hình.
• Kiểm tra sức chịu tải (Stress Testing): Công cụ mô phỏng các cú sốc thị trường giả định với mức sụt giảm giá trị tài sản từ 15% đến 20%, giúp các CRO đánh giá năng lực chống chịu của hệ thống tài chính khi xảy ra khủng hoảng bất thường.

Phương pháp nghiên cứu

Nghiên cứu sử dụng mẫu dữ liệu chuỗi thời gian hàng ngày của 10 chỉ số chứng khoán quốc tế và Việt Nam trong giai đoạn từ ngày 03/01/2000 đến ngày 11/07/2013 và cập nhật đến tháng 09/2013. Tổng số quan sát thu thập cho mỗi chuỗi chỉ số đạt từ 3.200 đến 3.401 phiên giao dịch, được chuẩn hóa chia hết cho 100 theo yêu cầu kỹ thuật của thuật toán. Nguồn dữ liệu giá đóng cửa được trích xuất trực tiếp từ các cổng thông tin tài chính quốc tế uy tín, sau đó chuyển đổi thành chuỗi tỷ suất sinh lợi logarit hàng ngày.

Phương pháp chọn mẫu phân tầng có chủ đích được áp dụng trên 10 thị trường có quy mô và cấu trúc thể chế đa dạng (6 thị trường phát triển, 3 thị trường mới nổi, 1 thị trường đang phát triển). Cách tiếp cận này giúp loại trừ hiện tượng kết quả trùng hợp ngẫu nhiên khi một mô hình chỉ hoạt động tốt trên một thị trường đơn lẻ mà thất bại ở các thị trường khác.

Quy trình phân tích định lượng được thực hiện trên phần mềm MATLAB 7.0 qua 4 mô hình kinh tế lượng:

• Mô hình phi tham số: Mô phỏng lịch sử (HS) sử dụng cửa sổ mẫu 1.000 quan sát gần nhất (HS-1000) để xác định phân vị tổn thất mà không áp đặt bất kỳ giả định nào về phân phối xác suất.
• Mô hình tham số: Bình quân di động giản đơn (MA) sử dụng cửa sổ mẫu 30 ngày; mô hình bình quân gia quyền theo hàm số mũ (EWMA) với hệ số phân rã lambda cố định ở mức 0.94 theo chuẩn RiskMetrics; và mô hình N-GARCH(1,1) ước lượng động 3 tham số omega, alpha, beta với điều kiện tổng alpha cộng beta nhỏ hơn 1.

Lý do lựa chọn nền tảng phân tích này là nhằm so sánh toàn diện giữa cách tiếp cận phi tham số và tham số. Sau khi tính toán giá trị dự báo VaR và ES cho ngày tiếp theo, tác giả tiến hành kiểm định ngược (backtesting) bằng phương pháp tỷ lệ vi phạm VR kết hợp phân tích trực quan 20 đồ thị đường bao tổn thất trên MATLAB 7.0 để xếp hạng độ chính xác của các mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu mang lại 4 phát hiện thực nghiệm quan trọng về năng lực dự báo của các mô hình quản trị rủi ro danh mục:

Thứ nhất, mô hình N-GARCH(1,1) là mô hình dự báo VaR và ES tốt nhất và ổn định nhất trên cả 10 danh mục chứng khoán nghiên cứu. Xếp ở các vị trí tiếp theo lần lượt là EWMA (xếp thứ hai), HS-1000 (xếp thứ ba) và MA-30 (xếp thứ tư). N-GARCH thể hiện ưu thế vượt trội nhờ khả năng tự động hiệu chỉnh bộ tham số cho từng chuỗi dữ liệu tài sản riêng biệt, phản ánh kịp thời các cú sốc biến động mới nhất.

Thứ hai, kết quả kiểm định VR cho thấy sự phân hóa rõ rệt giữa hai mức ý nghĩa kiểm định. Tại mức ý nghĩa 5% (độ tin cậy 95%), cả 4 mô hình đều chứng minh được tính hiệu quả khi chỉ số VR đều nằm trong vùng chấp nhận chuẩn từ 0.8 đến 1.2 theo tiêu chí Danielsson (2011). Tuy nhiên, tại mức ý nghĩa 1% (độ tin cậy 99%), toàn bộ 4 mô hình đều thất bại khi chỉ số VR vượt quá 1.0 (dao động trong khoảng từ 1.4 đến 2.8), đồng nghĩa với việc các mô hình đều đánh giá thấp đáng kể rủi ro tổn thất thực tế trong các tình huống thị trường sụt giảm cực đoan.

Thứ ba, biên độ rủi ro có sự chênh lệch lớn giữa các nhóm thị trường. Các thị trường đang phát triển và mới nổi như Việt Nam (VN-Index) và Ấn Độ (Sensex) có mức dự báo VaR 1 ngày dao động từ 4.54% đến 6.20% tại độ tin cậy 99%, cao hơn khoảng 1.5 đến 2 lần so với các thị trường phát triển như Mỹ (S&P 500 ở mức 3.10% đến 3.29%, Dow Jones ở mức 2.80% đến 3.91%) hay Đức (DAX ở mức 3.50% đến 4.10%).

Thứ tư, nghiên cứu phát hiện việc đánh giá chất lượng mô hình nếu chỉ dựa đơn thuần vào chỉ số VR mà không kết hợp phân tích đồ thị trực quan sẽ dễ dẫn đến kết luận sai lệch. Tỷ số VR chỉ phản ánh tổng số lần vi phạm mà không chỉ ra được tính tập trung của các vi phạm (hiện tượng vi phạm liên tiếp trong giai đoạn khủng hoảng).

Thảo luận kết quả

Nguyên nhân cốt lõi khiến N-GARCH và EWMA vượt trội hơn HS và MA nằm ở cơ chế phân bổ trọng số dữ liệu. Tỷ suất sinh lợi trên thị trường tài chính luôn tồn tại hiện tượng phân cụm biến động (volatility clustering), nghĩa là các phiên biến động lớn thường có xu hướng đi liền với nhau. Mô hình N-GARCH giải quyết triệt để vấn đề này nhờ cấu trúc phương sai có điều kiện linh hoạt. EWMA phản ứng nhanh với biến động gần nhất nhưng lại áp dụng một hệ số lambda cố định 0.94 cho mọi thị trường, dẫn đến sự thiếu chính xác ở những thị trường có độ biến động đặc thù như Việt Nam. Trong khi đó, HS và MA gán trọng số đồng đều cho tất cả các quan sát trong quá khứ, khiến mô hình phản ứng rất chậm chạp khi thị trường xuất hiện các điểm gãy cấu trúc (structural breaks) trong giai đoạn khủng hoảng 2008.

Kết quả này hoàn toàn nhất quán với các công trình thực nghiệm quốc tế của Akgiray (1989), Brailsford và Faff (1996), cũng như Sayad Baronyan và Levent Menguturk (2010), khi các tác giả đều khẳng định dòng mô hình GARCH chiếm vị trí thống trị so với các mô hình truyền thống. Hơn nữa, việc cả 4 mô hình thất bại tại mức ý nghĩa 1% tái khẳng định kết luận của Danielsson (2011) và Embrechts (1997): giả định phân phối chuẩn đánh giá thấp vùng đuôi của phân phối, khiến giá trị z tham chiếu (1.65 cho mức 5% và 2.33 cho mức 1%) không đủ lớn để bao quát các biến cố thiên nga đen.

Về phương thức trực quan hóa, toàn bộ kết quả dự báo VaR và ES được hệ thống qua 5 bảng số liệu song đôi (tính theo tỷ lệ phần trăm và điểm số tuyệt đối của chỉ số) cùng 20 đồ thị biểu diễn tương quan giữa đường tỷ suất sinh lợi thực tế và các đường bao VaR. Khi đường tỷ suất sinh lợi cắt xuống dưới đường VaR, điểm vi phạm được nhận diện rõ ràng trên đồ thị, giúp người quản trị trực tiếp quan sát thấy mô hình N-GARCH bám sát đáy dao động tốt hơn hẳn so với đường nằm ngang chậm chạp của HS-1000.

Đề xuất và khuyến nghị

Dựa trên các bằng chứng thực nghiệm, nghiên cứu đề xuất 4 nhóm giải pháp cụ thể nhằm nâng cao hiệu quả quản trị rủi ro danh mục:

Thứ nhất, chuẩn hóa việc áp dụng mô hình N-GARCH(1,1) kết hợp thước đo Expected Shortfall (ES) tại các định chế tài chính. Ban điều hành và bộ phận quản trị rủi ro tại các ngân hàng thương mại, công ty quản lý quỹ và công ty chứng khoán cần chuyển đổi từ phương pháp tính VaR truyền thống (như MA hoặc mô phỏng lịch sử giản đơn) sang hệ thống định lượng N-GARCH kết hợp ES hàng ngày. Mục tiêu cụ thể là giảm thiểu sai số dự báo tổn thất danh mục xuống dưới mức 5% trong thời gian triển khai từ 6 đến 12 tháng.

Thứ hai, thiết lập quy trình kiểm tra sức chịu tải (Stress Testing) định kỳ hàng tuần. Giám đốc Quản trị Rủi ro (CRO) cần xây dựng các kịch bản sốc thị trường giả định với mức giảm giá từ 15% đến 25% đối với các danh mục đầu tư cổ phiếu, đặc biệt tại các thị trường mới nổi và đang phát triển có biến động cao. Việc thực hiện Stress Testing thường xuyên giúp định chế duy trì tỷ lệ an toàn vốn tối thiểu (CAR) đạt từ 8% đến 11% theo tiêu chuẩn Basel II và Basel III, hạn chế nguy cơ mất thanh khoản đột ngột.

Thứ ba, nâng cấp hệ thống kiểm định ngược (Backtesting) đa chiều. Bộ phận phân tích định lượng không nên chỉ dựa vào một chỉ số tỷ lệ vi phạm (VR) duy nhất, mà cần kết hợp kiểm định tính độc lập Christoffersen (1998) và phân tích trực quan đồ thị chuỗi thời gian. Quy trình kiểm định cần được thực hiện định kỳ 30 ngày một lần để kịp thời tái ước lượng bộ tham số omega, alpha, beta, đảm bảo mô hình luôn thích ứng với các biến động vĩ mô mới.

Thứ tư, nghiên cứu và ứng dụng các phân phối phi chuẩn cùng Lý thuyết giá trị cực trị (EVT). Ủy ban Chứng khoán Nhà nước, Ngân hàng Nhà nước và các viện nghiên cứu tài chính cần phối hợp xây dựng khung hướng dẫn ứng dụng mô hình EVT (kết hợp phân phối Pareto tổng quát) hoặc phân phối Student-t trong tính toán rủi ro đuôi tại thị trường chứng khoán Việt Nam trong giai đoạn 2024–2026.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị thực tiễn và học thuật chuyên sâu cho 4 nhóm đối tượng chính:

• Giám đốc Quản trị Rủi ro (CRO) và chuyên viên Risk Management tại các ngân hàng, công ty chứng khoán, quỹ đầu tư: Luận văn cung cấp khung phương pháp luận hoàn chỉnh, thuật toán chi tiết và bằng chứng so sánh giữa 4 mô hình phổ biến, giúp các chuyên viên thiết lập hệ thống cảnh báo sớm rủi ro thị trường và tối ưu hóa dự phòng vốn theo chuẩn mực quốc tế.
• Các nhà quản lý danh mục (Portfolio Managers) và nhà đầu tư định lượng (Quant Traders): Nắm bắt được biên độ biến động và mức độ rủi ro tiềm năng (tỷ lệ sụt giảm từ 2% đến 6% mỗi ngày) trên từng thị trường cụ thể từ Mỹ, Châu Âu, Châu Á đến Việt Nam, từ đó chủ động xây dựng chiến lược phân bổ tài sản, thiết lập ngưỡng cắt lỗ và sử dụng các công cụ phái sinh để phòng ngừa rủi ro.
• Giảng viên, nhà nghiên cứu và học viên cao học chuyên ngành Tài chính - Ngân hàng, Kinh tế lượng tài chính: Sử dụng công trình như một tài liệu tham khảo mẫu mực về quy trình nghiên cứu thực nghiệm chuỗi thời gian tài chính lớn (trên 34.000 quan sát), phương pháp lập trình tính toán VaR/ES trên MATLAB 7.0 và kỹ thuật kiểm định mô hình.
• Cơ quan quản lý thị trường tài chính (Ngân hàng Nhà nước, Ủy ban Chứng khoán Nhà nước): Tham khảo các kết quả kiểm định thực nghiệm trên chỉ số VN-Index để xây dựng các chính sách, quy định an toàn vốn và tiêu chuẩn quản trị rủi ro thị trường phù hợp với đặc thù thị trường chứng khoán Việt Nam.

Câu hỏi thường gặp

Thước đo Expected Shortfall (ES) có ưu điểm gì vượt trội hơn so với Value at Risk (VaR)? VaR chỉ xác định mức tổn thất tối đa tại một ngưỡng tin cậy xác định nhưng hoàn toàn không đưa ra con số định lượng nếu tổn thất thực tế vượt qua ngưỡng này. Ngược lại, ES đo lường mức tổn thất trung bình trong vùng đuôi rủi ro khi biến cố cực đoan xảy ra, đáp ứng tính chất cộng hưởng dưới danh mục và cung cấp bức tranh toàn diện hơn về tổn thất tối đa tiềm năng.

Tại sao mô hình N-GARCH(1,1) lại cho kết quả dự báo vượt trội hơn mô hình MA và HS? Mô hình N-GARCH(1,1) ước lượng phương sai có điều kiện linh động thông qua 3 tham số riêng biệt cho từng chuỗi dữ liệu, gán trọng số cao cho các cú sốc mới phát sinh và duy trì bộ nhớ dài hạn. Trong khi đó, MA và HS phân bổ trọng số đều cho mọi quan sát trong quá khứ, khiến chúng phản ứng rất chậm chạp trước các biến động đột ngột của thị trường.

Vì sao cả 4 mô hình đều đạt chuẩn kiểm định ở mức ý nghĩa 5% nhưng lại thất bại ở mức 1%? Ở mức ý nghĩa 5% (độ tin cậy 95%), phân phối chuẩn vẫn mô tả tương đối tốt vùng dao động trung tâm của chuỗi dữ liệu. Tuy nhiên, ở mức ý nghĩa 1% (độ tin cậy 99%), hiện tượng đuôi dày (fat-tail) của tỷ suất sinh lợi tài chính khiến số lần vi phạm thực tế tăng vọt gấp 1.4 đến 2.8 lần so với kỳ vọng lý thuyết, làm các mô hình dựa trên phân phối chuẩn bị mất tác dụng.

Chỉ số Tỷ lệ vi phạm (Violation Ratio - VR) được tính toán và đánh giá như thế nào? Tỷ số VR được tính bằng tổng số lần vi phạm thực tế chia cho tích số giữa mức ý nghĩa kiểm định và tổng số phiên quan sát. Một mô hình được đánh giá là hoạt động tốt và chính xác khi giá trị VR nằm trong khoảng từ 0.8 đến 1.2; nếu VR lớn hơn 1 nghĩa là mô hình đang đánh giá thấp rủi ro và ngược lại.

Nhà đầu tư tại thị trường chứng khoán Việt Nam (VN-Index) cần rút ra bài học gì từ nghiên cứu? Thị trường chứng khoán Việt Nam có mức rủi ro VaR 1 ngày lên tới 4.54% và rủi ro đuôi ES lên tới 6.20% tại mức tin cậy 99%, cao hơn đáng kể so với các thị trường phát triển. Nhà đầu tư không nên chỉ dựa vào các chỉ báo kỹ thuật giản đơn mà cần áp dụng các mô hình biến động động như GARCH để quản lý vị thế tiền mặt và kiểm soát danh mục an toàn.

Kết luận

• Mô hình N-GARCH(1,1) là mô hình kinh tế lượng tối ưu nhất trong việc dự báo cả hai thước đo rủi ro VaR và ES trên 10 danh mục chứng khoán quốc tế và Việt Nam giai đoạn 2000–2013.
• Cả 4 mô hình thực nghiệm đều cho kết quả đáng tin cậy tại mức ý nghĩa 5% nhưng đều đánh giá thấp rủi ro tại mức ý nghĩa 1% do tác động của hiện tượng phân phối đuôi dày.
• Thước đo Expected Shortfall (ES) và công cụ Stress Testing là những phương pháp hỗ trợ không thể thiếu bên cạnh VaR nhằm lượng hóa đầy đủ mức độ tổn thất trong các giai đoạn khủng hoảng tài chính.
• Kiểm định mô hình cần kết hợp đa chiều giữa chỉ số tỷ lệ vi phạm (VR), kiểm định tính độc lập và phân tích trực quan đồ thị để tránh các sai số trong xếp hạng mô hình.
• Các tổ chức tài chính tại Việt Nam cần triển khai lộ trình từ 6 đến 12 tháng để tích hợp N-GARCH và ES vào hệ thống quản trị rủi ro định lượng, đồng thời chuẩn bị dữ liệu hướng tới việc ứng dụng Lý thuyết giá trị cực trị (EVT) trong giai đoạn tới.

Toàn văn luận văn thạc sĩ cung cấp đầy đủ hệ thống bảng số liệu, công thức toán kinh tế và thuật toán chạy mô hình trên MATLAB. Mời quý độc giả, các nhà nghiên cứu và chuyên gia tài chính tải về tài liệu chi tiết để phục vụ công tác nghiên cứu học thuật và ứng dụng thực tiễn trong quản trị rủi ro đầu tư.

Trích đoạn nội dung tài liệu

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 : [e-mail] 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 : [e-mail] 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 : [e-mail] 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.