KHUNG LÝ LUẬN VỀ VAR VÀ ỨNG DỤNG ĐO LƯỜNG RỦI RO THỊ TRƯỜNG CHỨNG KHOÁN
Khung lý luận
1.1.1 Những vấn đề cơ bản về rủi ro thị trường
1.1.1.1 Tổng quan Thị trường chứng khoán
Thị trường chứng khoán (TTCK) là một định chế tài chính quan trọng, nơi tập trung và phân phối nguồn vốn tiết kiệm hoặc nhàn rỗi Tại TTCK, các hoạt động phát hành, mua bán và trao đổi các công cụ tài chính diễn ra giữa các chủ thể tham gia, dựa trên quy luật cung-cầu.
Dưới đây là một số đặc điểm cơ bản của TTCK:
Hàng hóa của thị trường chứng khoán bao gồm các loại chứng khoán như cổ phiếu, trái phiếu, chứng chỉ quỹ đầu tư và chứng khoán phái sinh Chứng khoán có những đặc điểm khác biệt so với hàng hóa thông thường, vì chúng không có tính năng hay tác dụng riêng mà chỉ là công cụ chuyển tải giá trị Do đó, trong quá trình phát hành và đầu tư, việc xem xét hình thức của chứng khoán không quan trọng bằng việc phân tích tính xác thực, khả năng sinh lợi, rủi ro tiềm ẩn và khả năng thanh khoản của chúng.
Việc chuyển giao vốn từ người cung sang người cầu trên thị trường chứng khoán sơ cấp chủ yếu diễn ra qua cơ chế tài chính trực tiếp, nơi nguồn tài chính không qua bất kỳ tổ chức tài chính trung gian nào Người có nhu cầu sử dụng vốn phải trả chi phí cho người cung vốn Trong hình thức tài trợ trực tiếp, vốn có thể chuyển đến người cần theo hai cách: qua trung gian hoặc không qua trung gian Thực tế cho thấy, hầu hết các hoạt động phát hành chứng khoán để huy động vốn của các tổ chức phát hành đều được thực hiện thông qua các hình thức tài trợ này.
Thứ ba, hoạt động mua bán trên TTCK chủ yếu được thực hiện qua người môi giới
Thị trường chứng khoán (TTCK) bao gồm nhiều bộ phận, trong đó TTCK tập trung là một phần quan trọng Hàng hóa trong thị trường này là các công cụ chuyển tải giá trị, khiến nhà đầu tư (NĐT) khó phân biệt được tính hợp pháp và chất lượng của chứng khoán Để bảo vệ quyền lợi của NĐT và đảm bảo TTCK hoạt động công bằng, minh bạch và hiệu quả, luật pháp các nước quy định rằng hoạt động mua bán chứng khoán phải thông qua các trung gian là những nhà môi giới chứng khoán được cấp phép NĐT không thể giao dịch trực tiếp trên thị trường mà phải thực hiện lệnh mua bán thông qua các nhà môi giới chứng khoán.
Thị trường chứng khoán (TTCK) gần gũi với mô hình thị trường cạnh tranh hoàn hảo, bao gồm nhiều bộ phận khác nhau, trong đó TTCK tập trung là phần trung tâm Tại đây, mọi người có quyền tự do mua và bán mà không bị áp đặt giá, với giá chứng khoán được xác định dựa trên quan hệ cung cầu và phản ánh thông tin liên quan đến chứng khoán.
Thị trường chứng khoán (TTCK) là một thị trường liên tục, cho phép các chứng khoán được phát hành trên thị trường sơ cấp được mua bán nhiều lần trên thị trường thứ cấp TTCK tạo điều kiện cho nhà đầu tư chuyển đổi chứng khoán thành tiền mặt bất cứ lúc nào, do đó, nó vừa phục vụ cho nhu cầu tài chính dài hạn vừa đáp ứng nhu cầu tài chính ngắn hạn của các nhà đầu tư.
Sức hấp dẫn của thị trường chứng khoán (TTCK) chủ yếu đến từ khả năng hoạt động liên tục, giúp các nguồn vốn ngắn hạn phát huy hiệu quả trong việc huy động vốn trung và dài hạn Điều này cho phép dòng tiền được chuyển giao linh hoạt giữa các bên cần vốn, đồng thời tạo ra nhiều cơ hội cho các chủ thể trong nền kinh tế tham gia vào hoạt động đầu tư.
1.1.1.2 Tổng quan về rủi ro thị trường
RRTT là loại rủi ro phát sinh từ biến động thị trường, bao gồm rủi ro lãi suất, tỷ giá, giá vàng, giá chứng khoán và giá hàng hóa RRTT được xác định qua các khoản mục chịu rủi ro tỷ giá và lãi suất, đồng thời còn bị ảnh hưởng bởi nhiều yếu tố khác không có trong bảng cân đối kế toán.
Hiện nay, có hai phương pháp chính để đo lường RRTT: đo lường độ biến động của TSLN và giá trị chịu rủi ro (VaR) của tài sản tài chính Độ biến động là phương pháp đánh giá rủi ro đơn giản và hiệu quả, được nhiều TCTT tin dùng Tuy nhiên, chỉ số này có thể bị vô hiệu hóa khi thị trường gặp cú sốc lớn, dẫn đến hiện tượng đột biến về giá cả trong thời gian ngắn Trong những trường hợp như vậy, phương pháp tính toán giá trị rủi ro VaR trở nên hữu ích hơn, vì nó loại trừ ảnh hưởng của các chỉ số đột biến.
1.1.2 Tổng quan về Giá trị rủi ro (VaR)
Giá trị rủi ro (VaR) là thước đo tổn thất lớn nhất có khả năng xảy ra đối với giá trị thị trường của các công cụ tài chính và danh mục đầu tư trong tương lai, với một mức xác suất xác định trong một khoảng thời gian nhất định Do đó, VaR phụ thuộc vào hai yếu tố chính: kỳ đánh giá và xác suất tổn thất đã được xác định cho danh mục.
Mức độ tin cậy phổ biến trong đo lường VaR thường là 95% hoặc 99%, tương ứng với xác suất thua lỗ lớn hơn VaR là 5% hoặc 1% VaR được định nghĩa là một chỉ số đo lường khoản lỗ tối đa có thể xảy ra trong một khoảng thời gian nhất định với một mức độ tin cậy nhất định Ví dụ, nếu VaR là 5 triệu USD trong một ngày với độ tin cậy 95%, điều này có nghĩa là khả năng khoản lỗ sẽ không vượt quá 5 triệu USD trong một ngày là 95%.
VaR (Value at Risk) có thể áp dụng cho mọi danh mục đầu tư có tính lỏng, tức là những danh mục mà giá trị được điều chỉnh theo thị trường Tuy nhiên, phương pháp này không phù hợp với các tài sản không có tính lỏng như bất động sản hay tác phẩm nghệ thuật Tất cả tài sản lỏng đều có giá trị không cố định, thay đổi theo thị trường và tuân theo quy luật phân bố xác suất nhất định Mọi nguyên nhân rủi ro từ thị trường đều hình thành nên quy luật phân bố này Do đó, VaR là một phương pháp hữu ích cho tất cả tài sản lỏng, giúp đo lường toàn diện rủi ro tài chính.
Giá trị rủi ro (VaR) được xác định dựa trên quy luật phân bố xác suất cho giá trị thị trường của danh mục đầu tư Thông thường, sự biến động giá trị của các tài sản lỏng tuân theo phân phối chuẩn, với hai giá trị đặc trưng là mức ý nghĩa (kỳ vọng) và phương sai.
Giá trị rủi ro (VaR) có thể được áp dụng cho tài sản cá nhân, danh mục đầu tư hoặc toàn bộ công ty, cho phép đánh giá rủi ro không chỉ cho chính công ty mà còn cho các đối thủ cạnh tranh.
PP mô phỏng lịch sử
VaR có thể được tính toán mà không cần giả định rằng giá trị VaR tuân theo phân phối chuẩn, điều này giúp đơn giản hóa quá trình tính toán Tuy nhiên, phương pháp này cho kết quả với độ chính xác thấp hơn Ưu điểm của phương pháp này là cho ra kết quả nhanh chóng và yêu cầu khối lượng tính toán ít, thích hợp cho các nhà quản trị có danh mục tài sản tài chính hoặc hợp đồng kỳ hạn có giá trị nhỏ Ngược lại, nhược điểm của phương pháp này là độ chính xác trong tính toán VaR kém, ảnh hưởng đến quá trình quản lý rủi ro, đặc biệt là khi không xem xét sự biến động rủi ro đồng thời của các tài sản trong danh mục.
Các nghiên cứu thực nghiệm
Nghiên cứu về RRTT ngày càng trở nên phổ biến cả trong và ngoài nước, nhờ khả năng đo lường và dự báo biến động của các chỉ số thực tế so với dự đoán Điều này giúp các nhà kinh doanh ứng phó hiệu quả với những biến động thị trường Các nghiên cứu RRTT tại các định chế tài chính như ngân hàng thương mại, công ty chứng khoán và quỹ bảo hiểm thường áp dụng nhiều phương pháp khác nhau, bao gồm Giá trị rủi ro (Value at Risk - VaR), mô hình biến động phương sai (GARCH) và mô hình tự hồi quy (ARIMA).
1.2.1 Các nghiên cứu nước ngoài
Việc sử dụng VaR (Value at Risk) để đo lường và đánh giá mức độ rủi ro ngày càng trở nên phổ biến, tuy nhiên, nó cũng gây ra nhiều phản ứng trái chiều Một số nghiên cứu vẫn ủng hộ việc áp dụng VaR, trong khi những nghiên cứu khác lại cho rằng phương pháp này không mang lại kết quả đo lường chính xác.
Nhiều nghiên cứu chỉ ra rằng phương pháp VaR có nhiều lỗ hổng, dẫn đến việc đề xuất các ứng dụng khác để đo lường rủi ro hiệu quả hơn Một nghiên cứu năm 2010 của Christophe Perignon và Daniel R Smith đã nghi ngờ độ chính xác của số liệu VaR từ các ngân hàng thương mại Hoa Kỳ và quốc tế, và đã so sánh khả năng dự báo của VaR với thước đo MH GARCH Kết luận cho thấy VaR quá bảo thủ và chất lượng dự báo không được cải thiện theo thời gian.
Shaban (2012) cho rằng kết quả của phương pháp VaR đa chiều (MH VaR) chưa chính xác do dữ liệu thường tuân theo phân phối Student, trong khi VaR lại sử dụng phân phối chuẩn không phù hợp Ông đề xuất các phương pháp đánh giá rủi ro như GARCH và EGARCH Nghiên cứu của Ali Chebbi và Amel Hedhli (2020) đã áp dụng phương pháp GARCH-EVT-C-Vine như một giải pháp thay thế để khắc phục những hạn chế của VaR trong việc đo lường rủi ro tại khu vực Trung Đông và Bắc Phi (MENA), nơi mà các sự kiện cực đoan có tác động tiêu cực đến thị trường và khả năng dự đoán.
Nghiên cứu về VaR (Value at Risk) cho thấy rằng nhiều nhà nghiên cứu vẫn coi đây là công cụ hiệu quả để đo lường rủi ro, thường kết hợp với các phương pháp khác như GARCH và EGARCH để nâng cao độ chính xác Ví dụ, trong nghiên cứu năm 2015, Jung-Bin Su đã sử dụng VaR để đánh giá rủi ro thị trường tài chính và mối quan hệ giữa tỷ giá hối đoái và giá chứng khoán Trước đó, Ming-Heng Zhang và Qian-Sheng Cheng đã kết hợp VaR với phương pháp Gaussian Mixture để phân tích tâm lý và động thái của nhà đầu tư trước những biến động của thị trường Ngoài ra, trong nghiên cứu năm 2018 về "Mạng lưới rủi ro có hệ thống của các tổ chức tài chính Trung Quốc", nhóm tác giả Libing Fang cũng đã áp dụng các phương pháp tương tự để đánh giá rủi ro.
Boyang Sun, Huijing Li và Honghai Yu đã áp dụng phương pháp PP LASSO, kiểm định Kolmogorov-Smirnov và VaR để xây dựng mạng lưới rủi ro đuôi nhằm đánh giá rủi ro hệ thống của các TCTT Trong nghiên cứu mang tên “Giá trị rủi ro của các chỉ số thị trường chứng khoán chính ở Liên minh Châu Âu (2000-2012)”, tác giả Emma M cũng đã sử dụng VaR để phân tích.
Iglesias đã áp dụng nhiều kiểm định khác nhau nhằm nâng cao độ chính xác của việc đánh giá rủi ro trên thị trường các nước EU Tác giả Lâm Hạnh Nhi cũng đã nghiên cứu việc ứng dụng các phương pháp như MH VaR, CVaR và các phương pháp mở rộng như ARIMA, GARCH, ARMA/GARCH trong quản trị rủi ro danh mục cổ phiếu niêm yết.
Năm 2016, bài nghiên cứu “Mô hình Giá trị-rủi ro và chi phí vốn Basel: Bằng chứng từ thị trường chứng khoán mới nổi và cận biên” đã phân tích độ chính xác của VaR nhằm đánh giá vai trò của nó đối với chi phí vốn và tính toán tỷ lệ vốn tối thiểu quy định (MCR) Nghiên cứu sử dụng nhiều phương pháp như stressed VAR, quy trình GARCH và EGARCH (Exponential GARCH), quy trình POT, cùng với các thống kê Jarque–Bera và hệ số kurtosis.
VaR là công cụ hiệu quả để đo lường rủi ro, nhưng việc kết hợp với các phương pháp khác để nâng cao độ chính xác là cần thiết Nhiều nghiên cứu đã chỉ ra rằng việc sử dụng VaR trong ngân hàng có thể phản ánh mức độ rủi ro thực tế Nghiên cứu của Marta Degl' Innocenti và cộng sự (2019) cho thấy áp lực cạnh tranh tại các ngân hàng tập trung ở châu Âu và Mỹ có thể dẫn đến việc chấp nhận rủi ro cao, góp phần vào sự thất bại của các ngân hàng này Cristian Barra và Nazzareno Ruggiero (2020) đã chỉ ra rằng các yếu tố vi mô như vốn hóa, khối lượng tín dụng và chi phí trung gian ảnh hưởng đáng kể đến rủi ro tín dụng của ngân hàng ở Ý.
Trong các nghiên cứu về rủi ro trên thị trường chứng khoán, nhiều tác giả đã áp dụng linh hoạt các mô hình khác nhau để đánh giá các khía cạnh rủi ro Jie Zhu (2008) chỉ sử dụng mô hình GARCH để đo lường rủi ro và lợi nhuận kỳ vọng của hai loại cổ phiếu trên hai thị trường khác nhau, kết luận rằng cổ phiếu có giá cao hơn thường có lợi nhuận kỳ vọng cao hơn, và lợi nhuận kỳ vọng của hai loại cổ phiếu này không ảnh hưởng lẫn nhau Nghiên cứu của Walid Mensi (2017) về ảnh hưởng của giá dầu thô lên thị trường chứng khoán Ả Rập Xê Út sử dụng phương pháp wavelet và đo lường giá trị rủi ro (VaR), cho thấy sự đồng chuyển động giữa giá dầu thô và giá cổ phiếu từng ngành, nhưng mức độ và hướng chuyển động này khác nhau tùy theo từng ngành và giai đoạn Tác giả cũng khẳng định rằng sự đồng chuyển động này có thể ảnh hưởng đến giá trị rủi ro khi sử dụng mô hình VaR để đo lường.
Pierre Giot và Sebastien Laurent (2003) đã đánh giá hiệu quả của VaR trong việc đo lường rủi ro trên thị trường hàng hóa, sử dụng các phương pháp như RiskMetrics, skewed Student APARCH và skewed Student ARCH Đồng thời, Ashis Kumar Pradhana và Aviral Kumar Tiwari đã nghiên cứu và ước lượng rủi ro tài chính của các công ty công nghệ năng lượng sạch thông qua việc đo lường sự thiếu hụt dự kiến về rủi ro.
1.2.2 Các nghiên cứu trong nước
Nghiên cứu trong nước đã chỉ ra những ưu và nhược điểm của VaR, tuy nhiên, VaR vẫn được lựa chọn là công cụ hữu ích trong việc đo lường và dự báo rủi ro Để khắc phục những hạn chế của VaR, các phương pháp khác cũng được kết hợp Đề tài “Các phương pháp đo lường giá trị chịu rủi ro: Ứng dụng cho Việt Nam” của tác giả Lê Hải Trung đã góp phần làm rõ vấn đề này.
Nguyễn Thị Mai Trang employed three methodologies in her research: Historical Simulation, Conditional Autoregressive Value at Risk (CAViaR), and a third method based on specific criteria.
MH biến động phương sai (GARCH) được sử dụng để dự báo VaR, sau đó kiểm định bằng hai phương pháp phổ biến: Kiểm định tính phủ phân vị không điều kiện của Kupiec (1995) và Kiểm định tính độc lập của Engle và Manganelli (2004) Nghiên cứu nhấn mạnh sự cần thiết phải chú ý đến phân phối không chuẩn của dữ liệu để giảm thiểu đánh giá sai về rủi ro thị trường tại Việt Nam Các nghiên cứu của Trần Mạnh Hà (2010) và Lâm Hạnh Nhi (2016) đã áp dụng kiểm định Back-test để hỗ trợ cho mô hình VaR, trong đó Trần Mạnh Hà chỉ ra rằng các hạn chế của VaR có thể được cải thiện qua Backtest và Stress test, trong khi Lâm Hạnh Nhi cho thấy CVaR có thể khắc phục lỗi sai của VaR và việc kết hợp CVaR với Backtest tạo nền tảng tin cậy hơn cho quyết định phòng ngừa rủi ro Đối với nghiên cứu rủi ro tại các ngân hàng thương mại, bài nghiên cứu về quản trị rủi ro tỷ giá tại các NHTM Việt Nam (2013) đã áp dụng phương pháp mô phỏng lịch sử và mô hình ARIMA, bên cạnh công trình “Ứng dụng MH Value at risk trong việc đo lường và đưa ra quyết định quản trị rủi ro tỷ giá tại các NHTM Việt Nam” cũng vào năm 2013.
MH VaR; E-VaR; ARIMA; các kiểm định: Back-test, Stress test… để xem xét nhiều vấn đề, trong đó có đề cập tới hạn chế của VaR
Nhiều nghiên cứu đã được thực hiện nhằm phân tích rủi ro trên thị trường chứng khoán (TTCK) Việt Nam Nổi bật là nghiên cứu của Lâm Hạnh Nhi (2016) với chủ đề “Ứng dụng MH VaR, CVaR và các MH để quản trị rủi ro danh mục cổ phiếu niêm yết.” Trong khi đó, Võ Thị Thúy Anh và Nguyễn Anh Tùng (2011) đã áp dụng các phương pháp kinh tế lượng như AR, MA, ARMA kết hợp với ARCH, GARCH, TGARCH, EGARCH và IGARCH để đo lường rủi ro của chỉ số VN-INDEX Trần Quang Huy (2014) lại chỉ sử dụng sự kết hợp giữa VaR và ARIMA Ngoài ra, thạc sĩ Dương Ngân Hà (2018) cũng nghiên cứu về biến động trên TTCK, góp phần làm phong phú thêm tài liệu về vấn đề này.
Khung nghiên cứu
1.3.1 Câu hỏi và giả thiết nghiên cứu
Bài nghiên cứu được thực hiện nhằm đo lường RRTT của danh mục chỉ số VN- Index giai đoạn 2017-2021 thông qua 3 câu hỏi được trình bày dưới đây:
1 TSLN ngày hôm nay có mối quan hệ thế nào với TSLN những ngày trước?
2 Mức độ biến động của TSLN danh mục VN-INDEX?
3 Mức độ tổn thất tối đa khi đầu tư vào bất cứ cổ phiếu nào trên thị trường những ngày tiếp theo? Để đo lường được giá trị rủi ro của thị trường, đầu tiên, nghiên cứu sử dụng MH ARIMA để tiến hành xác định mức độ cũng như chiều hướng ảnh hưởng của TSLN tại những ngày trong quá khứ đến TSLN của ngày hôm nay Tiếp đó, chúng tôi dựa trên lý thuyết của MH GARCH để ước lượng mức độ biến động của TSLN danh mục VN-INDEX Cuối cùng, nghiên cứu sử dụng MH VaR để dự báo mức độ thua lỗ tối đa với mức độ tin cậy nhất định khi đầu tư vào bất cứ cổ phiếu nào trên sàn HOSE
1.3.2 Đề xuất khung nghiên cứu của đề tài Để tiến hành thực hiện đề tài nghiên cứu khoa học với chủ đề: “Ứng dụng mô hình giá trị rủi ro trong đo lường RRTT của danh mục VN-INDEX giai đoạn 2017-2021” , chúng tôi triển khai bài nghiên cứu với bố cục 5 chương Nội dung của từng chương được tóm lược như sau:
Chương 1 của bài viết sẽ trình bày khung lý luận về các mô hình được sử dụng, tập trung vào thị trường chứng khoán và giá trị chịu rủi ro (Value at Risk) Chúng tôi sẽ tổng hợp các công trình thực nghiệm liên quan để học hỏi phương pháp nghiên cứu và xác định khoảng trống trong nghiên cứu hiện tại Từ đó, chúng tôi sẽ lựa chọn hướng nghiên cứu, đặt ra các câu hỏi và giả thuyết cho bài viết.
Trong Chương 2, nhóm sẽ mô tả dữ liệu và trình bày phương pháp nghiên cứu cho toàn bài Cụ thể, phần mô tả dữ liệu bao gồm việc giới thiệu cơ sở dữ liệu, quy trình xử lý dữ liệu, và mô tả dữ liệu đã được xử lý thông qua cả phương pháp định tính và định lượng.
Trong Chương 3, chúng tôi áp dụng các mô hình đã nêu để thu thập kết quả nghiên cứu, sau đó tiến hành kiểm định lại các mô hình và thực hiện phân tích, thảo luận chi tiết về kết quả đạt được Bên cạnh đó, chúng tôi cũng đưa ra những kết luận và khuyến nghị dành cho nhà đầu tư.
CƠ SỞ DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
Mô tả dữ liệu
Để ước lượng và kiểm định các mô hình xác định VaR cho chuỗi VN-Index (VNI), chúng tôi đã thu thập 1272 quan sát chỉ số VNI theo ngày từ 03/01/2017 đến 31/12/2021 Dữ liệu này không liên tục do phụ thuộc vào thời gian mở cửa giao dịch thực tế tại sàn Chúng tôi giả định vị thế đầu tư là 100.000.000 VNĐ.
Để áp dụng mô hình hồi quy (MH) trong dự báo, dữ liệu cần có tính dừng, nghĩa là nó dao động quanh một giá trị cố định hoặc giá trị trung bình (𝜇) Phương sai của dữ liệu (𝜎²) phải không thay đổi theo thời gian, điều này giúp đảm bảo rằng kết quả dự báo có tính khái quát cho các giai đoạn khác, không chỉ đúng với bộ dữ liệu hiện tại.
Kiểm định tính dừng của chuỗi dữ liệu chỉ số VN-INDEX thông qua kiểm định Augmented Dickey-Fuller để kiểm tra tính dừng của chuỗi với giả thiết:
𝐻 0 : chuỗi dữ liệu không có tính dừng
𝐻 1 : chuỗi dữ liệu có tính dừng
Bảng 1 Kiểm định tính dừng cho chuỗi VN-Index
(Nguồn: Ước lượng của tác giả trên phần mềm Rstudio)
Đồ thị chỉ số VN-INDEX cho thấy dữ liệu không có giá trị trung bình và phương sai không đổi theo thời gian, điều này có nghĩa là dữ liệu VN-INDEX không có tính dừng Do đó, việc sử dụng dữ liệu này để thực hiện dự báo là không khả thi.
Biểu đồ 1 Đồ thị biểu diễn dữ liệu chỉ số VN-Index
(Nguồn: Ước lượng của tác giả trên phần mềm Rstudio)
Nghiên cứu có thể tận dụng dữ liệu TSLN, trong đó tỷ suất lợi nhuận của chỉ số VN-INDEX được tính toán theo công thức cụ thể.
Kiểm định tính dừng của chuỗi dữ liệu tỷ suất lợi nhuận chỉ số VN-INDEX được thực hiện thông qua kiểm định Augmented Dickey-Fuller Mục tiêu là xác định tính dừng của chuỗi với giả thiết rằng chuỗi dữ liệu này có thể không ổn định Kết quả kiểm định sẽ giúp đánh giá tính khả thi trong việc dự đoán xu hướng tương lai của chỉ số VN-INDEX dựa trên các tỷ suất lợi nhuận.
𝐻 0 : chuỗi dữ liệu không có tính dừng
𝐻 1 : chuỗi dữ liệu có tính dừng
Bảng 2 Kiểm định tính dừng cho chuỗi TSLN
(Nguồn: Ước lượng của tác giả trên phần mềm Rstudio)
Biểu đồ cho thấy dữ liệu giao động xung quanh giá trị trung bình khoảng 0 với độ lệch chuẩn ổn định, cho thấy tính dừng của dữ liệu TSLN Điều này cho phép áp dụng dữ liệu này trong mô hình dự báo.
Biểu đồ 2 Đồ thị biểu diễn dữ liệu chỉ số VN-Index
(Nguồn: Ước lượng của tác giả trên phần mềm Rstudio) Bảng 3 Mô tả dữ liệu TSLN
(Nguồn: Ước lượng của tác giả trên phần mềm Rstudio)
Biểu đồ 3 Đồ thi biểu diễn kết quả kiểm định Jarque-Berra
(Nguồn: Ước lượng của tác giả trên phần mềm Rstudio)
Dựa vào hàm mật độ và kết quả kiểm định Jarque-Bera với P-value < 2.2e-16, giả thuyết H0 bị bác bỏ, cho thấy chuỗi TSLN của VN-Index không tuân theo phân phối chuẩn (Skewness = 0, Kurtosis = 3) Kết quả kiểm định cho thấy Skewness = -1.184372 và Kurtosis = 5.605371, cho thấy phân phối của chuỗi TSLN gần đối xứng và có hiện tượng "leptokurtic" với phần đuôi lớn Do đó, phân phối GED được áp dụng cho mô hình này.
Phương pháp nghiên cứu
MH dự báo TSLN của danh mục chỉ số VN-INDEX được sử dụng là MH ARIMA
MH tự tương quan kết hợp với trung bình trượt ARIMA(p,q) có dạng:
Mô hình ARMA-GARCH được sử dụng để phân tích độ biến động của chuỗi thời gian, trong đó Y_t được xác định bởi các hệ số β và các giá trị trước đó của chính nó, cùng với sai số ε Cụ thể, mô hình ARMA(2,0) - GARCH(1,1) được áp dụng để đo lường biến động của chỉ số VN-Index, giúp hiểu rõ hơn về sự biến động trong các dữ liệu tài chính.
Cuối cùng, MH đo lường mức thua lỗ tối đa khi đầu tư vào danh mục chỉ số VN-INDEX thông qua phương pháp VaR, được xác định dựa trên hàm thua lỗ Hàm thua lỗ (Loss) được sử dụng để tính toán MH VaR, giúp đánh giá rủi ro đầu tư hiệu quả.
𝜇 𝑝 : giá trị trung bình kỳ vọng của TSLN của danh mục (vị thế)
𝑧 𝛼 : Critical value (one-tailed Confidence Interval)
𝜎 𝑝 : Độ lệch chuẩn của danh mục (vị thế)
Trong đó, biến Loss được đưa vào MH được tính toán theo công thức sau:
PP tiến hành nghiên cứu:
Bước 1: Xác định các biến được sử dụng trong các MH đã nêu
Bước 2: Kiểm định ACF với MH ARIMA để xác định độ trễ của biến
Bước 3: Sử dụng MH ARIMA dự báo giá trị trung bình của biến đã khai báo
Bước 4: Sử dụng MH GARCH dự báo mức độ biến động của biến đã khai báo
Bước 5: Kiểm định ý nghĩa thống kê của hàm được sử dụng
Bước 6: Sử dụng MH VaR ước lượng giá trị tối đa của biến đã khai báo
Tiến hành nghiên cứu
Xét tự tương quan của TSLN của danh mục VN-index bằng cách sử dụng:
- Lược đồ hàm Partial ACF, kết quả trả ra cho thấy rằng TSLN của ngày hôm nay sẽ bị ảnh hưởng bởi TSLN của 2 ngày trước đó
Biểu đồ 4 Lược đồ hàm Partial ACF
(Nguồn: Ước lượng của tác giả trên phần mềm Rstudio)
- Tương tự PACF, lược đồ hàm ACF cũng cho ra kết quả TSLN của ngày hôm nay có thể bị ảnh hưởng bởi TSLN của 2 ngày trước đó
Biểu đồ 5 Lược đồ hàm ACF
(Nguồn: Ước lượng của tác giả trên phần mềm Rstudio)
- Chỉ số AIC tại bậc 2 cho kết quả nhỏ nhất bằng 0:
Bảng 4 Mô tả chỉ số AIC
(Nguồn: Ước lượng của tác giả trên phần mềm Rstudio)
Như vậy, thông qua 3 PP lựa chọn có thể kết luận MH ARIMA phù hợp là MH ARIMA bậc 2
Chạy MH, ước lượng hệ số hồi quy rồi cho kết quả:
Bảng 5 Kết quả ước lượng hệ số hồi quy
(Nguồn: Ước lượng của tác giả trên phần mềm Rstudio)
Hệ số hồi quy bậc 1 và bậc 2 có tương quan dương, phù hợp với kết quả MH Partial ACF
Kiểm định phân phối của phần dư
Biểu đồ Stationary được sử dụng để kiểm tra tính dừng của chuỗi dữ liệu, trong khi kiểm định Dickey-Fuller cho thấy chuỗi này là một biến động ngẫu nhiên dạng nhiễu trắng với giá trị trung bình gần bằng 0.
Biểu đồ 6 Biểu đồ Stationary kiểm định tính dừng và kiểm định Dicky Filler
(Nguồn: Ước lượng của tác giả trên phần mềm Rstudio)
- Biểu đồ xác suất chuẩn QQ-plot
Biểu đồ 7 Biểu đồ xác suất chuẩn QQ-plot
(Nguồn: Ước lượng của tác giả trên phần mềm Rstudio)
- Kiểm định Box-Pierce test
𝐻 0 : không xuất hiện hiện tượng tự tương quan
𝐻 1 : có xuất hiện hiện tượng tự tương quan
Trong đó: n: kích thước mẫu k: số độ trễ đang được kiểm tra
𝜌 𝑎,𝑘 2 : hệ số tự tương quan tại độ trễ k của phần dư Bác bỏ 𝐻 0 nếu p-value < 𝛼 = 0,05
Bảng 6 Kết quả ước lượng MH ARIMA
(Nguồn: Ước lượng của tác giả trên phần mềm Rstudio)
Thấy được: p-value > 𝛼 = 5% Suy ra, chưa có cơ sở bác bỏ 𝐻 0 , phần dư của MH không có tự tương quan
Như vậy MH ARIMA(2,0) là hoàn toàn phù hợp và không cần thêm bậc của MA
Dự đoán TSLN tương lai trong 1 tuần tiếp theo, cho kết quả:
Bảng 7 Kết quả dự đoán TSLN tương lai
(Nguồn: Ước lượng của tác giả trên phần mềm Rstudio)
Với giả định vị thế đầu tư là 100.000.000 VNĐ, TSLN trong vòng 1 tuần khi đầu tư vào cổ phiếu trên sàn HOSE lần lượt đạt 177.898,33 VNĐ, 82.418,74 VNĐ, 74.378,32 VNĐ, 65.397,34 VNĐ và 64.289,67 VNĐ.
Mô hình Hồi quy GARCH được áp dụng để đo lường độ biến động của chuỗi TSLN chỉ số VN-Index, dựa trên các hàm ACF và PACF Việc sử dụng mô hình này giúp phân tích chính xác sự biến động trong dữ liệu của VN-Index.
MH được lựa chọn là ARMA (2,0) - GARCH (1,1) có dạng như sau:
Với kết quả ước lượng:
Bảng 8 Kết quả ước lượng MH GARCH
(Nguồn: Ước lượng của tác giả trên phần mềm Rstudio)
Các ký hiệu thống kê được sử dụng trong bài viết bao gồm: ‘***’ biểu thị ước lượng có giá trị thống kê với độ tin cậy 99.9%, ‘**’ cho thấy ước lượng có giá trị thống kê ở độ tin cậy 99%, và ‘*’ chỉ ra ước lượng có giá trị thống kê với độ tin cậy 95%.
Dựa trên kết quả ước lượng mô hình ARMA (2,0) - GARCH (1,1), chúng tôi nhận thấy độ chính xác cao và sự phù hợp lý thuyết của mô hình Kết quả kiểm định nhiễu trắng cùng với các hệ số cho thấy mô hình này là phù hợp Hơn nữa, không có sự thay đổi nào về phương sai theo thời gian đối với phần dư chuẩn hóa của mô hình.
Biểu đồ 8 Biểu đồ kiểm định phần dư MH ARMA (2,0)-GARCH (1,1)
(Nguồn: Ước lượng của tác giả trên phần mềm Rstudio)
Nghiên cứu này phân tích dữ liệu chỉ số VN-INDEX từ 01/01/2017 đến 31/01/2021 nhằm dự báo giá trị Value at Risk (VaR) trong 1 ngày tiếp theo với mức ý nghĩa 5% Phân tích được thực hiện dựa trên hàm thua lỗ (Loss) và giả định vị thế đầu tư 100.000.000 VNĐ vào cổ phiếu trên sàn HOSE.
Biểu đồ 9 Biểu đồ kiểm định quy luật phân phối chuỗi Loss
(Nguồn: Ước lượng của tác giả trên phần mềm Rstudio)
Cặp giả thuyết kiểm định quy luật phân phối của chuỗi Loss được trình bày như sau:
𝐻 0 : 𝜇 = 0 (chuỗi Loss tuân theo phân phối chuẩn)
𝐻 1 : 𝜇 ≠ 0 (chuỗi Loss không tuân theo phân phối chuẩn)
Dựa vào hàm mật độ và kết quả kiểm định kiểm định Jarque-Bera (P-value 0 lần lượt là 0.0423 và 0.0905 Đây là cơ sở để dự báo giá trị TSSL của chỉ số VN- Index trong 5 ngày tiếp theo
Sự tương quan giữa tâm lý nhà đầu tư và phương pháp phân tích trong đầu tư chứng khoán xuất phát từ việc các quyết định đầu tư phụ thuộc vào tỷ suất lợi nhuận suất lãi (TSSL) trong những ngày trước đó và kỳ vọng tăng trưởng giá trong tương lai Nhà đầu tư thường ưu tiên áp dụng phương pháp phân tích kỹ thuật, dựa vào biến động giá trong quá khứ, để hình thành kỳ vọng về giá cổ phiếu tương lai Điều này có thể dẫn đến việc TSSL hiện tại bị ảnh hưởng bởi TSSL trong quá khứ.
Nghiên cứu của MH cho thấy rằng lợi suất trong quá khứ tác động đến lợi suất hiện tại, và những biến động trước đó cũng ảnh hưởng đến tương lai Dựa trên thông tin từ MH, nhà đầu tư có thể dự đoán tỷ suất sinh lợi kỳ vọng của chỉ số VN-Index.
Dựa trên mô hình kinh tế lượng ARIMA, có thể xác định phương sai kỳ vọng cho chuỗi TSLN của các loại cổ phiếu trên thị trường Điều này cho phép tính toán tỷ trọng phân phối vốn hợp lý, phù hợp với danh mục đầu tư tối ưu theo lý thuyết Markowitz.
Dựa trên phương pháp MH VaR, bốn phương pháp đã cho ra bốn kết quả Value at Risk tương ứng: Var 1 = 2.204.104 VNĐ, Var 2 = 2.264.718 VNĐ, Var 3 = 1.630.782 VNĐ, và Var 4 = 1.875.380 VNĐ Kết luận cho thấy, với danh mục đầu tư 100.000.000 VNĐ, có 95% khả năng rằng thua lỗ của ngày tiếp theo từ cổ phiếu VN-INDEX sẽ không vượt quá khoảng 1.875.380 VNĐ đến 2.264.718 VNĐ.
Trên cơ sở độ lớn và dấu của các hệ số ước lượng, nhà đầu tư có thể phân tích mức độ ảnh hưởng và kỳ vọng mức bù rủi ro của thị trường để dự báo mức thua lỗ tối đa cũng như chỉ số VN-Index trong những ngày tới Tuy nhiên, thua lỗ của chỉ số VN-Index còn phụ thuộc vào nhiều yếu tố khác như biến động trên thị trường tiền tệ, ngoại hối và các chính sách tài khoá của chính phủ Hơn nữa, hiệu quả thị trường còn hạn chế, khiến giá chưa phản ánh thông tin một cách đầy đủ và chính xác, dẫn đến sai lệch trong dự báo Do đó, để đảm bảo độ tin cậy cao cho các kết quả dự báo, nhà đầu tư cần nghiên cứu tình hình kinh tế vĩ mô, các sự kiện xã hội và thường xuyên cập nhật dữ liệu nghiên cứu.
Một số khuyến nghị
Xác định và dự báo TSLN (Tỷ suất lợi nhuận ròng) cùng mức độ tổn thất tối đa khi đầu tư vào cổ phiếu là yếu tố quan trọng giúp nhà đầu tư xây dựng danh mục và vị thế đầu tư hợp lý Điều này cũng giúp xác lập mức vốn an toàn trong quá trình đầu tư, từ đó tối ưu hóa lợi nhuận và giảm thiểu rủi ro.
Các nhà đầu tư có thể áp dụng mô hình ARIMA và GARCH để xác định giá trị VaR cho danh mục đầu tư của mình, từ đó đưa ra những quyết định đầu tư tối ưu nhất.
Các mô hình (MH) đã chứng minh hiệu quả quan trọng trong việc đo lường và xác định giá trị, hỗ trợ cho nghiên cứu và đầu tư Tuy nhiên, cần chú ý đến hai yếu tố chính: 1) giới hạn thời gian dự đoán của mỗi MH để lựa chọn bộ dữ liệu phù hợp; 2) các yếu tố ngoại sinh, như biến động chính trị xã hội, có thể ảnh hưởng đến giá trị tài sản tài chính trên thị trường.
Các mô hình dự báo cho thấy tỷ suất lợi nhuận của danh mục chỉ số VN-Index có hiện tượng tự tương quan, nghĩa là tỷ suất lợi nhuận của ngày hôm sau bị ảnh hưởng bởi tỷ suất lợi nhuận của những ngày trước Mô hình này có khả năng dự đoán biến động của chỉ số VN-Index Mô hình VaR được sử dụng để đo lường giá trị tổn thất tối đa mà nhà đầu tư có thể gặp phải khi đầu tư vào cổ phiếu trên thị trường chứng khoán Tuy nhiên, dự báo về biến động và mức độ thua lỗ tối đa của danh mục VN-Index có thể không chính xác do các yếu tố như mô hình VaR, ARIMA và GARCH chỉ dựa vào chuỗi thời gian biến động trong quá khứ, trong khi chỉ số VN-Index còn phụ thuộc vào nhiều yếu tố khác như tình hình kinh tế-xã hội và tâm lý nhà đầu tư.
Việc ước lượng xu hướng biến động giá chứng khoán trong những ngày tới là rất quan trọng đối với nhà đầu tư, vì từ đó họ có thể đưa ra quyết định mua, bán hoặc nắm giữ Ứng dụng mô hình VaR giúp đo lường mức độ tổn thất tối đa khi đầu tư vào một cổ phiếu, từ đó nhà đầu tư có thể xác định chính xác vị thế đầu tư và quản lý danh mục đầu tư hiệu quả hơn.
Thước đo VaR là chỉ số quan trọng mà nhà đầu tư cần chú ý khi tham gia thị trường chứng khoán, giúp xây dựng kế hoạch đầu tư hợp lý và giảm thiểu rủi ro, đặc biệt là rủi ro thị trường Để nâng cao độ chính xác của mô hình VaR, nhà đầu tư nên cập nhật cơ sở dữ liệu thường xuyên và kết hợp với các phương pháp phân tích kỹ thuật cũng như theo dõi tình hình biến động vĩ mô.