Tính cấp thiết của đề tài
Rủi ro luôn tồn tại trong các hoạt động kinh tế, và quản trị rủi ro là việc áp dụng chính sách và công cụ để kiểm soát chúng Đây là nhiệm vụ quan trọng giúp nền kinh tế ổn định và giảm thiểu tổn thất do biến động kinh tế Lịch sử đã ghi nhận nhiều cuộc khủng hoảng tài chính lớn, như sự sụp đổ của thị trường chứng khoán Phố Wall năm 1929 và cuộc khủng hoảng kinh tế toàn cầu năm 2008-2009, cho thấy sự cần thiết của các công cụ quản lý rủi ro Mô hình giá trị rủi ro (VaR) ra đời vào cuối những năm 1980 và nhanh chóng trở thành công cụ phổ biến trong các định chế tài chính để đo lường rủi ro, dựa trên lý thuyết xác suất thống kê và các phương pháp đo lường rủi ro trước đó.
RiskMetric, một sản phẩm ứng dụng VaR của công ty tách ra từ JPMorgan Chase, đã trở thành tiêu chuẩn toàn cầu trong đo lường và giám sát rủi ro tài chính Vai trò quan trọng của VaR được nhấn mạnh vào năm 1996 khi Ủy ban giám sát ngân hàng Basel cho phép các định chế tài chính và phi tài chính tính toán yêu cầu vốn dựa trên mô hình VaR nội bộ Mặc dù VaR ra đời trong môi trường ngân hàng, nhưng sự phát triển của nó đã được thúc đẩy bởi việc sử dụng của các định chế tài chính chuyên nghiệp trong quản trị rủi ro.
Việt Nam còn nhiều hạn chế trong việc ứng dụng các mô hình ước lượng rủi ro Nghiên cứu của Võ Hồng Đức và Huỳnh Long Phi (2015) đã tiên phong áp dụng 12 mô hình ước lượng phương sai thay đổi để tính toán VaR - 1 ngày cho chỉ số VN-Index và HNX-Index, góp phần quan trọng vào việc phân tích rủi ro trên thị trường chứng khoán Việt Nam.
Công ty hiện đang trong giai đoạn tiền nghiên cứu để thành lập quỹ đầu tư VJS21, tập trung vào nhóm cổ phiếu ngân hàng thương mại niêm yết trên sàn chứng khoán Việt Nam Nhóm cổ phiếu ngân hàng có mức thanh khoản cao, nhưng gần đây đã bộc lộ nhiều điểm yếu như nợ xấu và rủi ro tín dụng gia tăng Tỷ suất lợi nhuận từ việc đầu tư vào nhóm cổ phiếu này vẫn chưa đạt kỳ vọng của các nhà đầu tư, gây lo ngại cho cổ đông hiện tại và những nhà đầu tư tiềm năng.
Kỳ vọng vào nhóm cổ phiếu ngân hàng trong thời gian tới rất lớn nhờ vào hiệu quả của chính sách vĩ mô và sự phục hồi dần dần của nền kinh tế.
Nhu cầu về một công cụ định lượng rủi ro cho nhóm cổ phiếu ngân hàng thương mại niêm yết tại Việt Nam ngày càng tăng, và VaR (Value at Risk) đã trở thành sự lựa chọn hàng đầu cho các tổ chức đầu tư trong và ngoài nước Việc ứng dụng mô hình VaR để đo lường rủi ro cho danh mục đầu tư cổ phiếu không chỉ giúp quỹ đưa ra quyết định đầu tư chính xác mà còn nâng cao hiệu quả trong quản lý và giám sát danh mục đầu tư của mình.
Mục tiêu của đề tài
Mục tiêu chính của nghiên cứu là đo lường rủi ro của danh mục đầu tư nhóm cổ phiếu các ngân hàng thương mại niêm yết tại Việt Nam, sử dụng mô hình VaR để dự báo cho quỹ đầu tư VJS21 trong giai đoạn tiền nghiên cứu thành lập Nghiên cứu này cũng nhằm cung cấp tư liệu hữu ích cho các nhà đầu tư trên thị trường.
Đối tượng và phạm vị nghiên cứu
Đề tài nghiên cứu tập trung vào rủi ro danh mục đầu tư (DMĐT) của nhóm cổ phiếu các ngân hàng thương mại (NHTM) niêm yết tại Việt Nam, phân tích theo các mức rủi ro mà quỹ kỳ vọng Nghiên cứu này nhằm cung cấp cái nhìn sâu sắc về quản lý rủi ro trong đầu tư cổ phiếu ngân hàng tại thị trường Việt Nam.
Niêm yết trên Sở Giao dịch Chứng khoán thành phố Hà Nội gồm có:
- SHB (Ngân hàng TMCP Sài Gòn Hà Nội)
- NVB (Ngân hàng TMCP Quốc dân)
Niêm yết trên Sở Giao dịch Chứng khoán thành phố Hà Nội gồm có:
- CTG (Ngân hàng TMCP Công Thương Việt Nam)
- MBB (Ngân hàng TMCP Quân Đội)
- VCB (Ngân hàng TMCP Ngoại Thương Việt Nam)
- BID (Ngân hàng TMCP Ngoại Thương Việt Nam)
- EIB (Ngân hàng TMCP Xuất Nhập Khẩu Việt Nam)
- STB (Ngân hàng TMCP Sài Gòn Thương Tín)
- ACB (Ngân hàng TMCP Á Châu)
Nghiên cứu này sử dụng dữ liệu giá đóng cửa đã điều chỉnh và giá trị vốn hóa thị trường của các cổ phiếu trong giai đoạn từ tháng 4 năm 2017 đến tháng 4 năm 2020 Khóa luận tập trung vào việc áp dụng mô hình VaR và ước lượng phương sai thay đổi GARCH(1,1) nhằm đo lường rủi ro cho từng cổ phiếu đã được đề cập.
Tổng quan các nghiên cứu trước đây đã ứng dụng VaR để đo lường rủi ro DMĐT 3 5 Phương pháp nghiên cứu
VaR, với những ưu điểm nổi bật, đã trở thành công cụ quan trọng trong việc đo lường rủi ro thị trường Nhiều nghiên cứu đã ứng dụng VaR để đánh giá rủi ro trong quản lý danh mục đầu tư (DMĐT) và kiểm tra chất lượng dự báo, cũng như độ phù hợp của các mô hình ước lượng VaR tại các quốc gia phát triển và đang phát triển.
Orhan và Koksan (2012) đã tiến hành so sánh chất lượng dự báo của 16 mô hình GARCH trong việc ước lượng VaR trong thời kỳ khủng hoảng, sử dụng dữ liệu từ các thị trường chứng khoán mới nổi như Brazil và Thổ Nhĩ Kỳ, cũng như các thị trường phát triển như Đức và Mỹ Qua các kiểm định Kupiec và Christoffersen, nghiên cứu cho thấy mô hình ARCH đạt hiệu suất ước lượng tốt nhất, tiếp theo là GARCH (1,1), trong khi các mô hình giả định phân phối chuẩn có độ chính xác thấp hơn so với các mô hình giả định phân phối Students.
Nghiên cứu của Akhiraj (1989) về thị trường chứng khoán Hoa Kỳ cho thấy mô hình GARCH(1,1) cung cấp kết quả dự báo chính xác hơn so với các mô hình truyền thống khác.
Billio và Pelizzon (2000) đã áp dụng mô hình GARCH(1,1) với giả định phân phối chuẩn và Student’s-t để ước lượng VaR cho 10 cổ phiếu Italia và chỉ số MIB30 Kết quả cho thấy mô hình với phân phối chuẩn thường đánh giá thấp rủi ro, trong khi mô hình với phân phối Student’s-t lại đánh giá quá cao mức độ rủi ro Do đó, họ đã đề xuất sử dụng mô hình chuyển đổi chế độ đa biến nhằm cung cấp ước lượng chính xác hơn.
Christoffersen, Hahn và cộng sự (2001) đã tiến hành kiểm định và so sánh các thước đo VaR dựa trên mô hình GARCH(1,1) cho chuỗi tỷ suất lợi nhuận hàng ngày của chỉ số S&P 500 trong giai đoạn từ tháng 11 năm 1985 đến tháng 10 năm 1994 Kết quả nghiên cứu cho thấy mô hình GARCH(1,1) với phân phối Student’s-t mang lại các dự báo rủi ro chính xác hơn so với mô hình GARCH(1,1) sử dụng phân phối chuẩn.
Zhang và Pan (2006) đã tiến hành đánh giá mô hình GARCH trên chỉ số Composite của thị trường chứng khoán Shanghai và chỉ số Component của thị trường chứng khoán Shenzhen trong giai đoạn từ tháng 01/2000 đến 12/2004, sử dụng ba giả định phân phối khác nhau Kết quả nghiên cứu cho thấy mô hình GARCH với phân phối Students là lựa chọn tối ưu hơn cho cả hai chỉ số Shanghai và Shenzhen.
Benavides (2007) đã áp dụng mô hình GARCH để ước tính giá trị rủi ro (VaR) cho chuỗi lãi suất danh mục tương lai trên thị trường Mexico, nhằm kiểm tra khả năng đánh giá mức độ rủi ro của mô hình này Tác giả sử dụng chuỗi lãi suất Cetes trong nghiên cứu của mình.
Trong nghiên cứu này, chúng tôi đã xem xét lãi suất trái phiếu Chính phủ Mexico trong 91 ngày và chuỗi lãi suất TIIE 28 ngày, được tính toán dựa trên các giao dịch vay mượn của các Ngân hàng thương mại Mexico Kết quả cho thấy rằng mô hình GARCH có khả năng ước tính giá trị rủi ro (VaR) một cách chính xác.
Nghiên cứu của Iqbal, Azher và cộng sự (2010) ước lượng VaR trên thị trường chứng khoán Pakistan bằng mô hình GARCH(1,1) với giả định phân phối GED và so sánh với các phương pháp ước lượng khác Tác giả sử dụng chuỗi tỷ suất lợi nhuận hàng ngày của chỉ số KSE-100 từ năm 1992 đến năm 2008, với 4.298 quan sát Kết quả cho thấy mô hình GARCH(1,1) ước lượng chính xác nhất, đặc biệt ở mức tin cậy 95%.
Mô hình Value at Risk đã được một số nhà nghiên cứu tại Việt Nam áp dụng để đo lường rủi ro trong đầu tư, nhưng số lượng ứng dụng vẫn còn hạn chế.
Võ Hồng Đức và Huỳnh Long Phi (2015) đã nghiên cứu chất lượng dự báo của các mô hình ước lượng giá trị rủi ro (VaR) tại TTCK Việt Nam bằng cách áp dụng 12 mô hình khác nhau để ước lượng VaR 1 ngày cho chỉ số VN-Index và HNX Index với các mức rủi ro 5%, 2,5%, 1%, 0.5% và 0.1%, sử dụng dữ liệu gồm 2001 quan sát trong giai đoạn 2006-2014 Kết quả cho thấy rằng chất lượng ước lượng phụ thuộc vào kích thước mẫu; kích thước mẫu không phù hợp có thể dẫn đến giá trị VaR ước lượng không chính xác So sánh giữa các mô hình cho thấy chất lượng dự báo không đồng nhất ở các mức rủi ro khác nhau Trong số các mô hình, MA và mô hình giả lập lịch sử có hiệu quả kém nhất, trong khi các mô hình GARCH như GARCH(1,1), GJR-GARCH(1,1), EGARCH(1,1), t-GARCH(1,1), t-GJR-GARCH(1,1), t-EGARCH(1,1) thể hiện khả năng ước lượng VaR tốt nhất ở mức rủi ro từ 5% đến 1% Ở các mức rủi ro thấp hơn, EVT-GARCH(1,1) và FHS-GARCH(1,1) là lựa chọn phù hợp hơn.
Võ Hồng Đức và Huỳnh Long Phi (2016) đã tiến hành nghiên cứu kiểm định chất lượng dự báo của các mô hình ước lượng VaR tại thị trường chứng khoán Việt Nam Nghiên cứu này áp dụng 12 mô hình khác nhau để ước lượng VaR trong một ngày cho chỉ số VN-Index và HNX-Index, sử dụng một mẫu dữ liệu nghiên cứu cụ thể.
Trong giai đoạn 2006-2014, nghiên cứu năm 2001 đã chỉ ra rằng nhiều mô hình dự báo không đáp ứng được điều kiện kiểm định ở mức rủi ro 5% Đặng Hữu Man (2009) đã tiến hành nghiên cứu chỉ số FTSE 100 trên thị trường chứng khoán Anh nhằm làm sáng tỏ hiệu quả của các mô hình VaR trong bối cảnh thị trường biến động mạnh, đặc biệt dưới tác động của cuộc khủng hoảng tín dụng gần đây Bài báo đã áp dụng bốn mô hình VaR phổ biến, bao gồm mô hình giả lập lịch sử HS và RiskMetrics.
Nghiên cứu về mô hình N-GARCH(1,1) và t-GARCH(1,1) trong bối cảnh thu nhập thị trường vốn Anh Quốc cho thấy rằng mô hình HS không hoạt động hiệu quả trong giai đoạn khủng hoảng Các mô hình tham số không đạt được độ chính xác với giả định phân phối chuẩn Đặc biệt, trong thời kỳ khủng hoảng, mô hình VaR chỉ cho kết quả hiệu quả tại mức tin cậy 97.5%, thấp hơn mức 99% mà Ủy ban Basel khuyến cáo cho việc dự báo rủi ro của các định chế tài chính Cuối cùng, nghiên cứu không tìm thấy bằng chứng nào cho thấy mô hình t-GARCH(1,1) dự báo rủi ro chính xác hơn mô hình N-GARCH(1,1), điều này trái ngược với một số nghiên cứu trước đây.
Lê Phan Thị Diệu Thảo và Nguyễn Thanh Phú (2015) đã tiến hành nghiên cứu nhằm đánh giá và xếp hạng các mô hình kinh tế lượng phổ biến trên toàn cầu trong việc ước lượng.
Đóng góp của nghiên cứu
Nghiên cứu này hệ thống hóa lý thuyết về rủi ro DMĐT và mô hình VaR, đồng thời trình bày các vấn đề căn bản liên quan Các bước thực hiện được mô tả chi tiết sẽ hỗ trợ các nghiên cứu kế thừa trong việc áp dụng và phát triển lý thuyết này.
Kết quả ước lượng phương sai thay đổi GARCH(1,1) cho thấy ảnh hưởng của các biến cố trong quá khứ đến độ biến động hiện tại của tỷ suất lợi nhuận Tuy nhiên, mô hình GARCH có hạn chế lớn là giả định tính chất đối xứng, tức là phương sai chỉ phụ thuộc vào độ lớn mà không phụ thuộc vào dấu của nhiễu Do đó, một cú sốc mạnh dương tác động đến sự dao động của chuỗi dữ liệu tương tự như một cú sốc mạnh âm.
Chương 1: Tổng quan lý thuyết về rủi ro danh mục và mô hình VaR
Chương 1 cung cấp cái nhìn tổng quan về lý thuyết rủi ro, bao gồm các khái niệm cơ bản và các yếu tố ảnh hưởng đến rủi ro Bên cạnh đó, chương này cũng trình bày phương pháp đo lường rủi ro thông qua lý thuyết VaR, cùng với những nghiên cứu trước đây liên quan đến việc ứng dụng VaR trong việc đo lường rủi ro hiệu quả.
Chương 2: Cơ sở dữ liệu, phương pháp và kết quả nghiên cứu
Chương 2 trình bày phương pháp nghiên cứu, thời gian và quy trình thu thập, xử lý dữ liệu Đề tài cụ thể hóa các bước đo lường VaR bằng cách sử dụng mô hình GARCH(1,1) để tính toán phương sai thay đổi, đồng thời thực hiện các kiểm định phù hợp nhằm đánh giá rủi ro DMĐT Kết quả ước lượng và thảo luận về các kết quả đạt được cũng được trình bày rõ ràng.
Chương 3: Kết luận và khuyến nghị
Chương cuối của bài viết sẽ tổng kết những kết quả nghiên cứu chính, đồng thời nêu rõ các hạn chế của nghiên cứu Bên cạnh đó, sẽ đưa ra những khuyến nghị về đầu tư và hướng nghiên cứu trong tương lai.
CHƯƠNG 1: TỔNG QUAN LÝ THUYẾT VỀ RỦI RO DANH MỤC VÀ MÔ
HÌNH VaR 1.1 Cơ sở lý thuyết về rủi ro và rủi ro DMĐT
1.1.1 Khái niệm rủi ro và rủi ro DMĐT
Đầu tư vào cổ phiếu thường mang lại tỷ suất lợi nhuận cao hơn so với chứng khoán nợ, nhưng việc phân bổ vốn vào nhiều kênh đầu tư khác nhau giúp giảm thiểu rủi ro Tỷ suất lợi nhuận và rủi ro có mối quan hệ tỷ lệ thuận, và quyết định đầu tư phụ thuộc vào khẩu vị rủi ro của từng nhà đầu tư Rủi ro trong tài chính được chia thành rủi ro hệ thống và rủi ro phi hệ thống Rủi ro hệ thống ảnh hưởng đến toàn bộ thị trường và thường do các yếu tố kinh tế vĩ mô gây ra, trong khi rủi ro phi hệ thống chỉ tác động đến một tài sản hoặc nhóm tài sản cụ thể Mặc dù có thể đa dạng hóa danh mục đầu tư để giảm thiểu rủi ro phi hệ thống, nhưng rủi ro hệ thống vẫn không thể loại bỏ hoàn toàn.
Rủi ro tổng thể = Rủi ro hệ thống + rủi ro phi hệ thống
Hình 1.1 Thành phần của rủi ro DMĐT
Trong quản trị rủi ro tài chính hiện đại, việc chỉ dựa vào phân tích định tính là không đủ Cần thiết phải phát triển các phương pháp và mô hình để đo lường và lượng hóa rủi ro, từ đó giúp nhà đầu tư đưa ra quyết định chính xác hơn.
Phương pháp đo lường rủi ro phổ biến hiện nay là sử dụng phương sai và độ lệch tiêu chuẩn để đánh giá độ biến động của tỷ suất lợi nhuận thực tế khi đầu tư vào chứng khoán, so với tỷ suất lợi nhuận kỳ vọng của nhà đầu tư.
Phương sai và độ lệch chuẩn
Rủi ro trong đầu tư liên quan đến sự không chắc chắn về lợi nhuận thực tế mà nhà đầu tư có thể nhận được, thể hiện qua nhiều tỷ suất lợi nhuận khác nhau với xác suất khác nhau Khi độ phân tán của các giá trị lợi nhuận có thể xảy ra so với lợi nhuận kỳ vọng càng lớn, rủi ro càng cao Giá trị kỳ vọng chỉ cho biết trọng tâm của biến ngẫu nhiên, mà không thể hiện sự phân tán của các giá trị quanh giá trị trung bình Phương sai và độ lệch chuẩn là hai thước đo phổ biến nhất để đánh giá sự phân tán này.
• Đối với chứng khoán riêng lẻ:
Phương sai của tỷ suất lợi nhuận (σ 2 ) được xác định: n σ 2 =∑[P,(RP,(Ri-E(R))] 2 Í = 1
E (R): Tỷ suất lợi nhuận kỳ vọng
Rj: Tỷ suất lợi nhuận có thể nhận được trong tình huống i
P i : Xác suất nhận được R i Độ lệch chuẩn của tỷ suất lợi nhuận (σ):
Rủi ro của danh mục đầu tư (DMĐT) được đo lường thông qua phương sai hoặc độ lệch chuẩn của tỷ suất lợi nhuận, tương tự như cách đánh giá rủi ro của từng chứng khoán riêng lẻ Năm 1952, Harry Markowitz, người được coi là người sáng lập lý thuyết DMĐT hiện đại, đã phát triển mô hình lựa chọn DMĐT dựa trên nguyên lý đa dạng hóa, với công thức tính toán rủi ro tổng thể của danh mục đầu tư là σp² = ∑ wi²σi² + ∑ wi wj σij.
N hóa Markowitz đưa ra công thức tính toán phương sai (hoặc độ lệch chuân) của tỷ suất lợi tức trên DMĐT như sau:
Trong đó: σ p : Độ lệch chuân của tỷ suất lợi nhuận trên DMĐT.
Trong quản lý danh mục đầu tư (DMĐT), tỷ trọng của tài sản thứ i (Wj(j)) phản ánh mức độ đóng góp của tài sản đó trong tổng giá trị danh mục Độ lệch chuẩn của tỷ suất lợi nhuận trên tài sản thứ i (σ i) cho biết mức độ biến động của tài sản này Hiệp phương sai (σ i j) giữa tỷ suất lợi nhuận trên hai tài sản i và j đo lường mức độ tương quan giữa chúng, cho thấy cách mà lợi nhuận của hai tài sản A và B biến động cùng nhau Hệ số tương quan (ρAB) thể hiện mối quan hệ tuyến tính giữa hai biến, với giá trị từ -1 đến 1 Giá trị 1 chỉ ra mối quan hệ tuyến tính thuận hoàn hảo, -1 thể hiện mối quan hệ nghịch hoàn hảo, và giá trị 0 cho thấy hai biến hoàn toàn độc lập.
1.2 Cơ sở lý thuyết về mô hình giá trị rủi ro VaR
1.2.1 Lịch sử ra đời của mô hình giá trị rủi ro VaR
Giá trị rủi ro (VaR) là một khái niệm xuất phát từ lĩnh vực bảo hiểm, không phải từ chứng khoán hay ngân hàng Nó được đưa vào thị trường tài chính Mỹ bởi ngân hàng Bankers Trust vào những năm 1980 và sau đó được áp dụng rộng rãi bởi JPMorgan vào năm 1994.
Vào năm 1980, thị trường chứng khoán và các ngân hàng thương mại trên toàn cầu đã trải qua sự mở rộng và phát triển mạnh mẽ Sự non trẻ cùng với những biến động lớn của thị trường đã tạo ra nhu cầu cấp thiết về công cụ kiểm soát rủi ro hiệu quả VaR, được phát triển dựa trên các lý thuyết xác suất và thống kê từ nhiều thế kỷ trước, đã được phổ biến vào đầu những năm 1990 bởi các nhà khoa học và chuyên gia tài chính tại JPMorgan.
VaR (Value at Risk) đã trở thành công cụ phổ biến trong việc đo lường và giám sát rủi ro tài chính kể từ khi được áp dụng tại nhiều tổ chức, đặc biệt sau yêu cầu của Ủy ban Chứng khoán vào cuối những năm 1990 về báo cáo định lượng rủi ro thị trường Sự ra đời của RiskMetric vào năm 1994, một sản phẩm ứng dụng VaR từ JPMorgan Chase, đã thúc đẩy việc áp dụng rộng rãi VaR như một tiêu chuẩn toàn cầu Đến năm 1996, Ủy ban Basel đã công nhận sự phát triển và ứng dụng của VaR khi cho phép các ngân hàng tự tính toán yêu cầu vốn dựa trên các mô hình VaR nội bộ.
Vào năm 1995, Cục Dự trữ Liên bang Mỹ (Fed) đã ban hành một đạo luật yêu cầu các ngân hàng thương mại (NHTM) sử dụng phương pháp Value at Risk (VaR) để tính toán mức vốn tối thiểu cần thiết nhằm đối phó với rủi ro Nếu các NHTM không tuân thủ tiêu chuẩn vốn này, họ sẽ phải chịu hình phạt.
