Tính cấp thiết của đề tài
Trong những năm gần đây, quỹ đầu tư hoán đổi danh mục (ETF) đã trở thành một phần quan trọng trên thị trường chứng khoán toàn cầu, được ưa chuộng bởi cả nhà đầu tư cá nhân và tổ chức Quỹ ETF đầu tiên, SPDR S&P 500 ETF, được niêm yết trên Sở giao dịch chứng khoán New York (NYSE) và mô phỏng chỉ số S&P 500 Kể từ đó, quỹ ETF đã phát triển mạnh mẽ tại các thị trường khác, bao gồm châu Âu và châu Á Ngay từ đầu, quỹ ETF được thiết kế để cung cấp cho nhà đầu tư một danh mục đầu tư hiệu quả và tiết kiệm chi phí hơn so với các tài sản rủi ro khác.
Quỹ ETF DCVFMVN30, thành lập và niêm yết trên sàn HOSE từ năm 2014, là quỹ ETF đầu tiên tại Việt Nam, mô phỏng chỉ số VN30.
30 mã cổ phiếu có giá trị vốn hóa và thanh khoản cao nhất trên HOSE được phản ánh qua quỹ ETF DCVFMVN30, một quỹ đầu tư mô phỏng chỉ số Quỹ này nắm giữ nhiều tài sản rủi ro, đặc biệt là cổ phiếu, và do đó chịu ảnh hưởng từ rủi ro hệ thống, đặc biệt là rủi ro giá cổ phiếu Khi giá cổ phiếu VN30 thay đổi, giá trị danh mục chứng khoán của quỹ cũng biến động, với giá trị danh mục thường chiếm trên 95% tổng tài sản của quỹ Sự thay đổi này ảnh hưởng đến giá trị tài sản ròng (NAV) của quỹ, và NAV/CCQ được sử dụng để xác định giá giao dịch CCQ vào phiên tiếp theo Do đó, nếu giá cổ phiếu trong rổ VN30 giảm mạnh, nó sẽ tác động tiêu cực đến giá trị danh mục, NAV và giá giao dịch CCQ, đồng thời ảnh hưởng đến lợi nhuận và khả năng thanh khoản của quỹ.
Trong quá trình thực tập tại Công ty Chứng khoán, tác giả nhận thấy tầm quan trọng của quản trị rủi ro danh mục đầu tư và đã chọn chủ đề “Ứng dụng phương pháp Value at Risk đo lường rủi ro danh mục chứng khoán cơ cấu của quỹ ETF DCVFMVN30” cho bài Khóa luận tốt nghiệp Qua nghiên cứu này, tác giả hy vọng đóng góp vào công trình nghiên cứu về VaR, một phương pháp phổ biến để đo lường rủi ro tài chính.
Mục tiêu nghiên cứu
Mục tiêu chính của khóa luận tốt nghiệp này là hệ thống hóa các vấn đề cơ bản liên quan đến VaR và ứng dụng của nó trong việc đo lường rủi ro hệ thống đối với danh mục chứng khoán của quỹ ETF DCVFMVN30.
Câu hỏi nghiên cứu
Bài Khóa luận tốt nghiệp này nhằm giải quyết câu hỏi nghiên cứu về mức độ rủi ro hệ thống của danh mục chứng khoán cơ cấu quỹ ETF DCVFMVN30 thông qua phương pháp ước lượng VaR Mục tiêu chính là xác định và phân tích các yếu tố ảnh hưởng đến rủi ro trong danh mục đầu tư, từ đó đưa ra những đánh giá chính xác về sự biến động và an toàn của quỹ.
Phương pháp nghiên cứu
Bài nghiên cứu sử dụng một số phương pháp nghiên cứu sau đây:
- Phương pháp thu thập số liệu
- Phương pháp tổng hợp và phân tích thông tin
- Phương pháp phân tích hồi quy để ước lượng VaR
Kết cấu khóa luận
Bên cạnh Lời mở đầu và Kết luận, bài Khóa luận tốt nghiệp được phân chia thành 4 chương chính:
- Chương I: Cơ sở luận về rủi ro và phương pháp ước lượng Value at Risk
- Chương II: Cơ sở dữ liệu và phương pháp nghiên cứu
- Chương III: Kết quả nghiên cứu
- Chương IV: Hạn chế và giải pháp
CƠ SỞ LUẬN VỀ RỦI RO VÀ PHƯƠNG PHÁP ƯỚC LƯỢNG
Khái quát về rủi ro
Rủi ro đề cập đến sự không chắc chắn và biến động của tỷ suất sinh lợi liên quan đến đầu tư vào chứng khoán hoặc tài sản (Lê Thị Xuân, 2015)
Theo quan điểm truyền thống, rủi ro được hiểu là sự tổn thất tài sản, chủ yếu nhấn mạnh vào khía cạnh tiêu cực Quan điểm này thường liên quan đến khả năng xảy ra các thiệt hại và mất mát.
Theo quan điểm hiện đại, rủi ro được định nghĩa là khả năng xảy ra sự khác biệt giữa kết quả thực tế và kết quả kỳ vọng của kế hoạch Rủi ro không chỉ mang tính tiêu cực mà còn có khía cạnh tích cực, khi đề cập đến lợi ích và "những phần thưởng của rủi ro".
1.1.2 Các yếu tố cơ bản của rủi ro:
Rủi ro là sự không chắc chắn có thể định lượng thông qua xác suất, và mức độ rủi ro được tính toán theo một công thức cụ thể.
Mức độ rủi ro = Xác suất xảy ra * Mức tổn thất * Thời điểm xảy ra rủi ro
Như vậy, rủi ro bao gồm ba tố cơ bản sau đây:
Xác suất xảy ra rủi ro được xác định bởi tần suất xuất hiện của nó trong một khoảng thời gian nhất định hoặc trong tổng số lần quan sát Tần suất càng cao và khoảng thời gian xuất hiện càng ngắn, khả năng xảy ra rủi ro trong tương lai sẽ càng chắc chắn.
Mức tổn thất là yếu tố quan trọng thể hiện tính chất nguy hiểm và mức độ thiệt hại mà rủi ro gây ra cho chủ thể Khi mức tổn thất tăng cao, đồng nghĩa với việc mức độ rủi ro cũng gia tăng.
- Thứ ba, thời điểm xảy ra rủi ro
Thời điểm xảy ra rủi ro càng gần thời điểm phân tích và ước lượng rủi ro thì thứ tự ưu tiên xử lý rủi ro càng cao
1.1.3 Phân loại rủi ro đối với hoạt động đầu tư chứng khoán: Để xem xét mức độ rủi ro biến động giá của một cổ phiếu hay một danh mục đầu tư, người ta thường chia rủi ro thành rủi ro hệ thống và rủi ro phi hệ thống a Rủi ro hệ thống:
Rủi ro hệ thống là loại rủi ro phát sinh từ sự biến động chung của tỷ suất lợi nhuận trên thị trường, chịu ảnh hưởng bởi các yếu tố như tình hình kinh tế, thay đổi chính sách kinh tế vĩ mô và biến động thị trường toàn cầu Loại rủi ro này tác động đến hầu hết các lĩnh vực kinh doanh và không thể được loại trừ thông qua việc đa dạng hóa Vì vậy, rủi ro hệ thống còn được gọi là rủi ro không thể đa dạng hóa hay rủi ro thị trường.
Rủi ro hệ thống (hay rủi ro thị trường) bao gồm:
Rủi ro lãi suất là khả năng biến động của mức sinh lời do những thay đổi của lãi suất trên thị trường gây ra
Khi lãi suất tăng, nhà đầu tư thường rút tiền khỏi thị trường chứng khoán để tìm kiếm các kênh đầu tư có lợi suất cao hơn, dẫn đến cung chứng khoán vượt cầu và kéo giá giảm Ngược lại, khi lãi suất giảm, giá chứng khoán có xu hướng tăng lên Do đó, có thể khẳng định rằng lãi suất và giá chứng khoán có mối quan hệ ngược chiều nhau.
Lãi suất thị trường biến động có thể tác động đến chi phí doanh nghiệp, dẫn đến thay đổi lợi nhuận và chính sách chi trả cổ tức Điều này sẽ ảnh hưởng đến tỷ suất sinh lợi của nhà đầu tư khi đầu tư vào cổ phiếu hoặc danh mục đầu tư.
Rủi ro lạm phát (hay rủi ro sức mua) là rủi ro do tác động của lạm phát đối với một khoản đầu tư
Lạm phát và giá chứng khoán có mối quan hệ ngược chiều, trong khi lạm phát và lãi suất lại có mối quan hệ cùng chiều Khi lạm phát tăng cao, Ngân hàng Nhà nước áp dụng chính sách tiền tệ thắt chặt để kiểm soát tình hình Điều này bao gồm việc giảm cung tiền hoặc tăng lãi suất điều hành, dẫn đến việc giảm nhu cầu đầu tư vào chứng khoán và khiến giá chứng khoán có xu hướng giảm.
Rủi ro tỷ giá là rủi ro do tác động của tỷ giá đối với khoản đầu tư
Tỷ giá ảnh hưởng trực tiếp đến hoạt động kinh doanh của doanh nghiệp xuất nhập khẩu, từ đó tác động đến cổ tức mà nhà đầu tư nhận được Ngoài ra, đối với nhà đầu tư vào cổ phiếu nước ngoài, sự biến động tỷ giá có thể làm tăng hoặc giảm lợi nhuận từ chênh lệch giá mà họ thu được.
* Rủi ro giá hàng hóa:
Rủi ro giá hàng hóa đề cập đến khả năng giá cả của các mặt hàng thiết yếu như xăng, dầu, điện và ga có thể biến động, dẫn đến thua lỗ cho cả bên mua và bên sản xuất.
Khi giá hàng hóa tăng, chi phí doanh nghiệp cũng tăng theo, ảnh hưởng tiêu cực đến kết quả kinh doanh Sự gia tăng này có thể tác động đến giá cổ phiếu trên thị trường chứng khoán và làm giảm cổ tức mà cổ đông nhận được.
* Rủi ro giá cổ phiếu:
Theo Thông tư 08/2017/TT-NHNN, rủi ro giá cổ phiếu được hiểu là rủi ro phát sinh từ sự biến động bất lợi của giá cổ phiếu trên thị trường, ảnh hưởng đến giá trị của cổ phiếu.
7 trị chứng khoán phái sinh trên sổ kinh doanh của tổ chức tín dụng, chi nhánh ngân hàng nước ngoài
Khái quát về giá trị rủi ro (Value at Risk – VaR)
1.2.1 Sự phát triển của các phương pháp phân tích và quản trị rủi ro:
Bảng 1.2.1 Khát quát về sự phát triển của các phương pháp phân tích và quản trị rủi ro
Năm Phương pháp đo lường rủi ro
Thế kỷ XVIII Lý thuyết xác suất
1938 Thời lượng của trái phiếu (Duration) của Macaulay
1952 Phân tích trung bình và phương sai của Markowitz
1963 Mô hình định giá tài sản vốn (CAPM) của William Sharpe
1966 Mô hình đa nhân tố
1973 Mô hình định giá quyền chọn Black – Scholes
1988 Tài sản theo trọng số rủi ro đối với NHTM
1993 Giá trị rủi ro - Value at Risk (VaR)
1997 Thước đo tín nhiệm, Rủi ro tín dụng
1998 Sự kết hợp của rủi ro tín dụng và rủi ro thị trường
1998 Phân bổ ngân quỹ cho rủi ro
1.2.2 Khái niệm giá trị rủi ro (Value at Risk):
Thuật ngữ Value at Risk (VaR) ban đầu được áp dụng trong ngành Ngân hàng, đặc biệt để đo lường rủi ro trong hoạt động kinh doanh ngoại hối Tuy nhiên, vào những năm 1990, VaR đã trở nên phổ biến hơn khi được sử dụng để đánh giá rủi ro trong các giao dịch tài sản rủi ro khác như chứng khoán, hàng hóa, tín dụng và bất động sản.
Giá trị rủi ro (VaR) là phương pháp đo lường khoản lỗ tối thiểu dự kiến trong một khoảng thời gian cụ thể với xác suất nhất định, cho phép xác định số tiền lớn nhất có thể bị mất của một công ty, quỹ đầu tư, danh mục, giao dịch hoặc chiến lược.
Giả sử L là phần lỗ của một cổ phiếu hoặc danh mục đầu tư Về mặt toán học, VaR (Value at Risk) của biến ngẫu nhiên L với xác suất α có thể được mô hình hóa dưới dạng tổng quát.
Giá trị rủi ro (VaR) là một chỉ số quan trọng trong quản lý rủi ro tài chính, ví dụ như VaR là $1 triệu trong một ngày với xác suất 5%, có nghĩa là công ty có khả năng sẽ lỗ ít nhất $1 triệu trong một ngày với xác suất 5% Nhiều người diễn đạt VaR theo cách khác: với độ tin cậy 95%, khoản lỗ sẽ không vượt quá $1 triệu.
Hình 1.2.1 Đồ thị mô tả VaR
1.2.3 Các yếu tố trong đo lường Value at Risk:
Xác suất chọn thường được thiết lập ở mức 0.05 hoặc 0.01, tương ứng với độ tin cậy 95% và 99% Sự lựa chọn này phụ thuộc vào khẩu vị rủi ro của nhà đầu tư hoặc nhà quản lý quỹ.
* Khoảng thời gian đo lường:
Quyết định thứ hai đối với người sử dụng VaR là chọn khoảng thời gian đo lường Việc này tùy thuộc vào 2 yếu tố:
Tài sản nắm giữ có mức độ rủi ro biến động giá khác nhau, với các tài sản có biến động mạnh như cổ phiếu và khối lượng ngân quỹ trong doanh nghiệp cần được đo lường theo kỳ ngắn, chẳng hạn như VaR theo ngày hoặc tuần Ngược lại, các tài sản có biến động giá thấp hơn như nông sản và nguyên liệu có thể áp dụng phương pháp đo lường VaR theo kỳ dài hơn, như tháng, quý hoặc năm.
Việc áp dụng kỳ đo lường VaR (Value at Risk) phụ thuộc vào tầm nhìn của nhà đầu tư Các nhà đầu tư theo chiến lược “mua và giữ” thường đo lường VaR theo tháng hoặc năm, trong khi những nhà đầu tư “lướt sóng” có thể đo lường VaR theo ngày, thậm chí theo giờ hoặc phút, như ở các nước phát triển.
VaR (Value at Risk) là công cụ đo lường rủi ro, cho phép xác định mức độ tổn thất tối đa mà một nhà đầu tư hoặc công ty có thể gặp phải trong một khoảng thời gian xác định, cả về phần trăm và giá trị tiền tệ Việc lựa chọn đơn vị tiền tệ giúp trả lời câu hỏi quan trọng: "Số tiền mà nhà đầu tư hay công ty có thể bị lỗ là bao nhiêu?" (Hồ Viết Tiến, 2010).
1.2.4 Các phương pháp đo lường Value at Risk: a Phương pháp phương sai – hiệp phương sai:
Phương pháp phương sai – hiệp phương sai, hay còn gọi là phương pháp tham số, là một kỹ thuật tính toán VaR cho tài sản hoặc danh mục tài sản bằng cách xác định giá trị kỳ vọng và độ lệch chuẩn Phương pháp này giả định rằng tỷ suất sinh lời của tài sản rủi ro tuân theo phân phối chuẩn.
Mức tỷ suất sinh lời kỳ vọng và độ lệch chuẩn của danh mục gồm n tài sản rủi ro sẽ được tính toán như sau:
- Tỷ suất sinh lời kỳ vọng:
- 𝑤 𝑖 , 𝑤 𝑗 : Tỷ trọng của tài sản i và j trong danh mục tài sản
- 𝜇 𝑖 , 𝜇 𝑗 : Tỷ suất sinh lời kỳ vọng của tài sản i và j
- 𝜌 𝑖𝑗 : Hệ số tương quan tỷ suất sinh lời giữa 2 tài sản i và j
- 𝑐𝑜𝑣(𝑖, 𝑗) = 𝜇 𝑖 × 𝜇 𝑗 × 𝜌 𝑖𝑗 : Hiệp phương sai giữa 2 tài sản i và j
Khi đó, giá trị VaR được tính theo công thức:
- 𝑉 0 : Giá trị ban đầu của danh mục tài sản
- 𝑍 𝛼 : Giá trị tới hạn một phía (𝑍 𝛼 = 1.28 với độ tin cậy 90%, 𝑍 𝛼 = 1.65 với độ tin cậy 95% và 𝑍 𝛼 = 2,33 độ tin cậy 99%)
Phương pháp lịch sử, còn được gọi là phương pháp mô phỏng lịch sử, được sử dụng để ước tính giá trị VaR của một tài sản hoặc danh mục tài sản dựa trên dữ liệu lịch sử liên quan.
Giả sử có n dữ liệu được sắp xếp theo thứ tự tăng dần Để tính giá trị VaR (Value at Risk) của danh mục tài sản với độ tin cậy 95% hay xác suất 5%, ta sẽ nhân giá trị ban đầu 𝑉0 với tỷ suất sinh lời tại vị trí (5% × n).
Hình 1.2.2 Đồ thị mô tả VaR theo phương pháp lịch sử c Phương pháp mô phỏng Monte Carlo:
Phương pháp mô phỏng Monte Carlo là sự kết hợp nhiều đặc điểm tốt nhất của phương pháp phương sai – hiệp phương sai và phương pháp lịch sử
Phương pháp mô phỏng Monte Carlo dựa trên ý tưởng rằng tỷ suất sinh lợi danh mục có thể được mô phỏng dễ dàng thông qua các kết quả ngẫu nhiên, dựa trên giả định phân phối chuẩn (Don M Chance & Robert Brooks, 2015) Các kết quả ngẫu nhiên này sau đó được sắp xếp theo thứ tự tăng dần, từ đó giá trị VaR được tính toán tương tự như phương pháp lịch sử.
13 d Ưu, nhược điểm của các phương pháp:
Căn cứ vào khái niệm và cách thức tính toán giá trị VaR, có thể kết luận một số ưu, nhược điểm của các phương pháp như sau:
Bảng 1.2.2 Ưu và nhược điểm của các phương pháp ước lượng VaR Ưu điểm Nhược điểm
Phương pháp phương sai – hiệp phương sai Đơn giản và dễ áp dụng Không phù hợp với danh mục có bao gồm cả hợp đồng quyền chọn
Phương pháp lịch sử Đơn giản và dễ thực hiện
Không bị hạn chế trong việc sử dụng phân phối chuẩn Đòi hỏi lựa chọn một thời kỳ mẫu phù hợp
Phụ thuộc hoàn toàn vào các sự kiện lịch sử
Cho phép sử dụng giả định bất kỳ mức phân phối xác suất nào Áp dụng với cả các danh mục tài sản phức tạp
Yêu cầu nhiều tính toán và thời gian tính toán
Phụ thuộc vào chất lượng của phân phối xác suất được sử dụng
1.2.5 Các công trình nghiên cứu trước đó: a Công trình nước ngoài: Đầu tiên là cuốn sách “Value at Risk: The New Benchmark for Managing Financial Risk” của tác giả Philippe Jorion (2006) Đây là một trong những cuốn sách đầu tiên viết về phương pháp ước lượng giá trị rủi ro VaR Cuốn sách đề cập đến các khái niệm cơ bản của VaR, các phương pháp tính toán VaR, các ứng dụng của VaR trong các lĩnh vực tài chính khác nhau và những hạn chế của VaR
Trong lĩnh vực quản lý danh mục chứng khoán, cuốn sách “Quantitative Equity Portfolio Management: Modern Techniques and Applications” của các tác giả Edward
E Qian, Ronald Hua và Eric H Sorensen (2007) đã đề cập đến các ứng dụng của VaR trong quản lý danh mục đầu tư và phân bổ tài sản thông qua phương pháp lịch sử, phương pháp mô phỏng Monte Carlo và phương pháp phân tích giá trị cực đại
Cuốn sách "Market Risk Analysis, Value at Risk Models" của tác giả Carol Alexander (2008) tập trung vào việc đo lường và quản lý rủi ro thị trường, đặc biệt là khái niệm Value at Risk (VaR) Tác giả đã trình bày chi tiết các mô hình VaR phổ biến, bao gồm phương pháp mô phỏng lịch sử, mô phỏng Monte Carlo, và các mô hình VaR tuyến tính tham số.
Quỹ đầu tư hoán đổi danh mục (ETF)
Quỹ đầu tư hoán đổi danh mục (ETF) là một loại hình đầu tư có khả năng mô phỏng chính xác các chỉ số chứng khoán hoặc rổ chứng khoán Đặc biệt, ETF được giao dịch trên sàn chứng khoán như một cổ phiếu, mang lại sự linh hoạt và tính thanh khoản cao cho nhà đầu tư.
Khi đầu tư vào ETF, nhà đầu tư gián tiếp sở hữu một danh mục đầu tư đa dạng và thu lợi từ sự chênh lệch giá trong các giao dịch mua bán chứng chỉ quỹ.
1.3.2 Đặc trưng của quỹ đầu tư hoán đổi danh mục:
* Cấu tạo theo dạng quỹ mở nhưng được niêm yết trên Sở giao dịch chứng khoán:
Quỹ ETF là một loại hình quỹ đầu tư mở với cấu trúc pháp lý cho phép phát hành liên tục và không giới hạn chứng chỉ quỹ (CCQ), đồng thời hỗ trợ nhà đầu tư bán CCQ bất kỳ lúc nào Điểm khác biệt nổi bật của quỹ ETF so với quỹ mở truyền thống là nó đầu tư theo chỉ số và được niêm yết trên sàn giao dịch, mang lại tính thanh khoản cao cho nhà đầu tư.
Sở Giao dịch Chứng khoán cho phép nhà đầu tư thực hiện giao dịch mua bán và chuyển nhượng tài sản trên thị trường thứ cấp một cách dễ dàng, không cần phải thông qua quỹ.
* Được quản lý thụ động và luôn bám theo hiệu quả danh mục chỉ số cơ sở:
Quỹ ETF là loại quỹ chỉ số đầu tư vào các tài sản cấu thành một chỉ số chuẩn, với mục tiêu mô phỏng chỉ số đó Quỹ duy trì tỷ trọng chứng khoán trong chỉ số mà không thường xuyên mua bán cổ phiếu, do đó áp dụng chiến lược đầu tư thụ động Chiến lược này giúp giảm thiểu chi phí và duy trì tỷ lệ vòng quay vốn đầu tư thấp hơn so với các quỹ đầu tư chủ động.
1.3.3 Phân loại quỹ đầu tư hoán đổi danh mục:
* Căn cứ vào loại tài sản cơ sở mà quỹ nắm giữ:
Quỹ ETF chứng khoán có thu nhập cố định bao gồm các loại quỹ như Quỹ ETF trái phiếu chính phủ, Quỹ ETF trái phiếu công ty và Quỹ ETF chứng khoán được đảm bảo bằng tài sản thế chấp Những quỹ này mang đến cơ hội đầu tư an toàn và ổn định cho các nhà đầu tư tìm kiếm thu nhập cố định từ thị trường tài chính.
- Quỹ ETF hàng hóa thay thế, bao gồm: Quỹ ETF hàng hóa cơ bản, Quỹ ETF tiền tệ, Quỹ ETF tín thác đầu tư bất động sản
* Căn cứ vào phương pháp quản lý:
- Quỹ ETF được quản lý thụ động
- Quỹ ETF quản lý theo kiểu chủ động
* Căn cứ vào phương pháp mô phỏng chỉ số:
- Quỹ ETF mô phỏng vật chất
- Quỹ ETF mô phỏng tổng hợp
* Căn cứ vào phương pháp khác:
Ngoài ra, trên thị trường còn có sản phẩm kết hợp đặc tính của cả 2 loại quỹ trên, đó là quỹ ETF đòn bẩy nghịch đảo
1.3.4 Cơ chế hoạt động của quỹ ETF:
Hình 1.3.1 Cơ chế hoạt động của quỹ ETF
* Giao dịch trên thị trường sơ cấp:
Trên thị trường sơ cấp, công ty quản lý quỹ phát hành cổ phiếu ETF ban đầu cho nhà đầu tư và thành viên lập quỹ Các thành viên lập quỹ sẽ mua lô ETF từ công ty quản lý quỹ thông qua danh mục chứng khoán trong quỹ đầu tư.
* Giao dịch trên thị trường thứ cấp:
Trên thị trường thứ cấp, nhà đầu tư và thành viên quỹ thực hiện giao dịch qua các tài khoản chứng khoán, trong khi hoạt động giao dịch và thanh toán diễn ra liên tục.
18 toán giao dịch thực hiện theo quy định về giao dịch chứng khoán của Sở Giao dịch Chứng khoán và Trung tâm Lưu ký Chứng khoán
1.3.5 Lợi ích và hạn chế khi đầu tư vào quỹ ETF: a Lợi ích:
Quỹ ETF có tính thanh khoản cao, được cấu trúc như quỹ mở nhưng niêm yết trên Sở giao dịch chứng khoán, cho phép nhà đầu tư dễ dàng mua hoặc bán chứng chỉ quỹ (CCQ) vào bất kỳ thời điểm nào trong phiên giao dịch.
Quỹ ETF nổi bật với tính minh bạch cao, cho phép nhà đầu tư dễ dàng nắm bắt các thành phần của danh mục đầu tư, vì quỹ này mô phỏng sát theo một bộ chỉ số chứng khoán hoặc rổ chứng khoán cụ thể.
Tiết kiệm chi phí là một lợi ích quan trọng khi đầu tư vào chứng khoán, vì nhà đầu tư phải trả phí thuế tùy thuộc vào quy mô giao dịch Việc mua bán chứng chỉ quỹ (CCQ) giúp giảm thiểu chi phí này, cho phép nhà đầu tư sở hữu danh mục đầu tư tương tự chỉ số cơ sở mà không cần thực hiện các giao dịch lớn Hơn nữa, các quỹ ETF, đặc biệt là quỹ ETF quản lý thụ động, thường có chi phí quản lý thấp hơn so với các quỹ đầu tư khác.
Một trong những hạn chế lớn nhất khi đầu tư vào quỹ ETF là nhà đầu tư không thể lựa chọn cổ phiếu trong danh mục đầu tư, điều này khiến quỹ ETF thường phù hợp với những nhà đầu tư mới và thiếu kinh nghiệm Mặc dù nắm giữ chứng chỉ quỹ ETF giúp tiết kiệm một số khoản thuế, nhà đầu tư vẫn phải trả các khoản phí như phí giao dịch, phí quản lý quỹ, phí lưu ký và các chi phí khác.
1.3.6 Sự cần thiết quản trị rủi ro thị trường đối với quỹ ETF cổ phiếu:
Quỹ ETF, giống như các tài sản khác như cổ phiếu hay danh mục đầu tư, cũng được xem là một loại tài sản rủi ro Vì vậy, quỹ ETF có khả năng chịu ảnh hưởng từ rủi ro hệ thống.
Quỹ ETF cổ phiếu là quỹ đầu tư mô phỏng theo chỉ số cụ thể, với danh mục chủ yếu là các cổ phiếu trong chỉ số đó Giá trị danh mục cổ phiếu của quỹ phụ thuộc vào giá trị của các cổ phiếu trong danh mục Khi giá cổ phiếu tăng, NAV của quỹ ETF cũng tăng và ngược lại Tuy nhiên, điều này tạo ra rủi ro cho giá giao dịch chứng chỉ quỹ (CCQ), vì giá CCQ được xác định dựa trên NAV của quỹ Nếu thị trường chứng khoán giảm mạnh, giá trị của quỹ ETF sẽ bị ảnh hưởng tiêu cực.
Tỷ suất sinh lợi dự kiến của một loại tài sản chủ yếu phụ thuộc vào rủi ro hệ thống tác động lên nó, do tính chất có thể hoặc không thể loại trừ của hai loại rủi ro Các phương pháp ước lượng giá trị rủi ro, bao gồm cả phương pháp ước lượng VaR, chủ yếu được sử dụng để đo lường rủi ro hệ thống (hay rủi ro thị trường), nhưng cũng có thể áp dụng cho các loại rủi ro khác.
CƠ SỞ DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
Mô hình nghiên cứu
Trong phần cơ sở lý thuyết, tác giả phân tích ưu và nhược điểm của các phương pháp ước lượng VaR Phương pháp mô phỏng Monte Carlo được đánh giá là cho kết quả ước lượng tốt nhất, nhưng lại phức tạp và tốn thời gian Ngược lại, phương pháp lịch sử hoàn toàn dựa vào dữ liệu quá khứ, không đảm bảo rằng các xu hướng sẽ tiếp diễn trong tương lai Vì vậy, tác giả chọn ước lượng VaR cho danh mục bằng phương pháp phương sai – hiệp phương sai.
Giá cổ phiếu và giá trị danh mục cổ phiếu thường không tuân theo giả định phân phối chuẩn Do đó, tác giả đã thực hiện ước lượng VaR bằng cách sử dụng mô hình ARIMA(p,d,q) kết hợp với mô hình GARCH(p,q).
2.1.1 Mô hình ARIMA(p,d,q): Để ước lượng giá trị kỳ vọng hay giá trị trung bình của tài sản tài chính, tác giả áp dụng mô hình ARIMA (Autoregressive Intergrated Moving Average)
Mô hình ARIMA(p,d,q) bao gồm thành phần đầu tiên là mô hình tự hồi quy AR(p) Dữ liệu chuỗi thời gian có đặc tính tự tương quan theo chuỗi, nghĩa là tỷ suất sinh lợi của tài sản hôm nay có mối liên hệ với chính nó trong quá khứ Do đó, mô hình AR(p) được phát triển dựa trên hiện tượng tự tương quan này.
𝑟 𝑡 = 𝜑 0 + 𝜑 1 𝑟 𝑡−1 + 𝜑 2 𝑟 𝑡−2 + ⋯ + 𝜑 𝑝 𝑟 𝑡−𝑝 + 𝑎 𝑡 Trong đó: 𝑟 𝑡 : Tỷ suất sinh lợi của tài sản tài chính
𝑟 𝑡−𝑝 : Tỷ suất sinh lợi của tài sản tài chính trong quá khứ
𝜑 0 , 𝜑 1 ,…: Tham số của mô hình
𝑎 𝑡 : Phần dư hay cú sốc thông tin ở thời điểm t
Mô hình bình quân động MA(q) (Moving Average) là một yếu tố quan trọng cần chú ý, vì nó dự báo tỷ suất sinh lợi kỳ vọng không dựa vào hồi quy tỷ suất sinh lợi của tài sản trong quá khứ, mà thông qua chuỗi thông tin hoặc cú sốc thông tin đã xảy ra trước đó.
𝑎 𝑡 : Cú sốc thông tin tại thời điểm t
𝑎 𝑡−𝑞 : Thông tin trong quá khứ
2.1.2 Mô hình GARCH (p,q): Để ước lượng độ lệch chuẩn tỷ suất sinh lợi của tài sản tài chính, tác giả áp dụng mô hình GARCH (Generalized ARCH) Mô hình GARCH được xây dựng dựa trên ý tưởng mô hình hồi quy xảy ra hiện tượng phương sai sai số thay đổi
Mô hình GARCH(p,q) có dạng:
Trong đó: 𝑎 𝑡 : Phần dư hay cú sốc thông tin tại thời điểm t
𝑎 𝑡−𝑖 : Cú sốc thông tin trong quá khứ
𝜎 𝑡−𝑗 : Mức độ biến động tỷ suất sinh lợi trong quá khứ
- Phần dư của chuỗi dữ liệu sẽ chịu ảnh hưởng bởi mức biến động tỷ suất sinh lợi và nhiễu trắng tuân theo phân phối chuẩn 𝜇 = 0 và 𝜎 = 1
Mức biến động của tỷ suất sinh lợi của tài sản phụ thuộc vào phần dư và biến động tỷ suất sinh lợi trong quá khứ Điều này cho thấy rằng các yếu tố lịch sử có thể ảnh hưởng đáng kể đến sự ổn định và rủi ro của tài sản.
Quá trình nghiên cứu
* Bước 1 – Thu thập và xử lí dữ liệu:
- Thu thập các mã cổ phiếu và số lượng cổ phiếu nắm giữ trong danh mục chứng khoán cơ cấu của quỹ ETF DCVFMVN30 tại thời điểm 21/04/2023
- Thu thập dữ liệu giá của 30 mã cổ phiếu trong danh mục chứng khoán cơ cấu trong cùng một khoảng thời gian
- Tính toán giá trị danh mục chứng khoán cơ cấu tại thời điểm t (𝑉 𝑡 ) dựa trên công thức:
- Tính toán tỷ suất sinh lợi của danh mục chứng khoán cơ cấu dựa trên công thức:
* Bước 2 – Thống kê mô tả và kiểm định dữ liệu chuỗi thời gian:
Dữ liệu sau khi được tính toán sẽ được sử dụng trong phần mềm Eviews, giúp hiển thị đầy đủ thông tin thống kê mô tả như số quan sát, giá trị trung bình, giá trị trung vị, giá trị lớn nhất, nhỏ nhất và độ lệch chuẩn.
- Kiểm định phân phối chuẩn:
Trong bài nghiên cứu này, tác giả sử dụng kiểm định Jarque-Bera để kiểm tra phân phối chuẩn của chuỗi tỷ suất sinh lợi
Với mức ý nghĩa 5%, kiểm định cặp giả thuyết:
𝐻 0 : Dữ liệu có phân phối chuẩn
𝐻 1 : Dữ liệu không có phân phối chuẩn
Nếu p-value < 0.05 thì bác bỏ 𝐻 0 , chấp nhận 𝐻 1
Để xây dựng mô hình ARIMA(p,d,q), một trong những điều kiện cần thiết là chuỗi dữ liệu phải có tính dừng Nghiên cứu này áp dụng kiểm định Dickey-Fuller mở rộng (ADF) nhằm kiểm tra tính dừng của dữ liệu chuỗi thời gian.
Với xác suất 5%, cần kiểm định cặp giả thuyết:
𝐻 1 : Chuỗi dừng Khi p-value < 0.05 thì bác bỏ 𝐻 0 , chấp nhận 𝐻 1
Khi đó, chuỗi dữ liệu có tính dừng và phù hợp với điều kiện cần và đủ của mô hình ARIMA(p,d,q)
- Kiểm định tự tương quan
Tác giả sử dụng biểu đồ tương quan trong phần mềm Eviews để kiểm tra hiện tượng tự tương quan của dữ liệu Nếu giá trị Autocorrelation (AC) và Partial Correlation (PAC) vượt ra ngoài khoảng tin cậy ở bất kỳ bậc nào, điều này cho thấy có hiện tượng tự tương quan xảy ra tại bậc đó.
Tác giả đã tiến hành chia chuỗi dữ liệu tỷ suất sinh lợi thành hai nhóm:
- Nhóm 1 bao gồm 489 quan sát (từ 10/12/2020 đến 24/11/2022) được sử dụng để xây dựng mô hình ARIMA(p,d,q) và GARCH(p,q)
- Nhóm 2 bao gồm 100 quan sát (từ 25/11/2022 đến 21/04/2023) được sử dụng để kiểm tra độ chính xác của ước lượng VaR
Một hạn chế trong việc phân tích chuỗi dữ liệu là sự biến động nhanh chóng của cú sốc thông tin, khiến cho việc dự đoán sự lặp lại của chúng trong tương lai trở nên không chắc chắn Vì vậy, tác giả đã tạm thời giả định rằng các cú sốc thông tin có khả năng sẽ xảy ra lại trong tương lai.
* Bước 4 – Xây dựng mô hình ARIMA(p,d,q):
Mô hình ARIMA bao gồm hai dạng chính Đối với chuỗi dữ liệu dừng, mô hình ARMA(p,q) được sử dụng để dự báo giá trị kỳ vọng Ngược lại, khi dữ liệu là chuỗi không dừng, mô hình ARIMA(p,d,q) với sai phân bậc I(d) là lựa chọn cần thiết.
Để chọn định dạng ARIMA(p,d,q), việc xác định bậc p và q có thể thực hiện thông qua chỉ số tự tương quan (AC) và tự tương quan riêng phần (PAC) trên biểu đồ Cụ thể, bậc p được xác định dựa vào chỉ số PAC, trong khi bậc q được xác định dựa vào chỉ số AC.
- Xây dựng mô hình ARIMA(p,d,q)
Mô hình ARIMA(p,d,q) được phát triển dựa trên phương pháp bình phương nhỏ nhất (Least Squares Method), một kỹ thuật phân tích hồi quy toán học nhằm xác định đường hồi quy tối ưu cho một tập dữ liệu.
- Lựa chọn mô hình ARIMA(p,d,q) tốt nhất
Tiêu chí lựa chọn mô hình ARIMA(p,d,q) tối ưu dựa trên chỉ số Akaike Information Criterion (AIC) là rất quan trọng Tác giả đã xác định mô hình ARIMA(p,d,q) với giá trị AIC thấp nhất để đảm bảo tính chính xác và hiệu quả trong dự đoán.
Ngoài ra, đối với các hệ số ước lượng, nếu p-value < 0.05 thì hệ số có ý nghĩa thống kê và mô hình có thể sử dụng được
- Kiểm định lại mô hình ARIMA(p,d,q)
Sau khi lựa chọn được mô hình tốt nhất, tác giả tiến hành kiểm định lại mô hình thông qua một số kiểu định sau đây:
Để kiểm định phân phối chuẩn của phần dư trong mô hình, cần lọc ra phần dư và vẽ biểu đồ mối quan hệ giữa phần dư và dữ liệu chuỗi thời gian Nếu hầu hết các điểm trên biểu đồ nằm trên một đường thẳng, điều này cho thấy phần dư tuân theo phân phối chuẩn.
Thứ hai, kiểm định hiện tượng tự tương quan thông qua biểu đồ tương quan
* Bước 5 – Xây dựng mô hình GARCH(p,q):
Mô hình GARCH(p,q) được phát triển từ khái niệm mô hình hồi quy với hiện tượng phương sai sai số không cố định, và được ước lượng bằng phương pháp ước lượng khả năng cực đại (Maximum Likelihood Estimation - MLE).
- Kiểm định hiện tượng phương sai sai số thay đổi đối với mô hình ARIMA(p,d,q)
Kiểm định cặp giả thuyết:
𝐻 0 : Không có tác động ARCH
𝐻 1 : Có tác động ARCH Nếu p-value < 0.05 thì bác bỏ 𝐻 0 và chấp nhận 𝐻 1
Để xây dựng mô hình GARCH, cần xác định bậc thích hợp dựa trên PACF của phần dư bình phương từ mô hình ARIMA(p,d,q) Mặc dù có thể áp dụng bất kỳ bậc nào cho mô hình, nhưng GARCH(1,1) thường được lựa chọn vì đây là mô hình tối ưu nhất.
- Kiểm định lại mô hình GARCH(1,1)
Tác giả thực hiện kiểm định hiện tượng phương sai sai số thay đổi, tương tự như kiểm định cho mô hình ARIMA(p,d,q) Mô hình GARCH có thể được chấp nhận nếu thỏa mãn điều kiện phương sai sai số không đổi.
Sử dụng mô hình ARIMA(p,d,q) và GARCH(p,q) để dự báo tỷ suất sinh lợi kỳ vọng và độ lệch chuẩn của danh mục chứng khoán trong giai đoạn từ 25/11/2022 đến 21/04/2023, bài viết cũng ước lượng giá trị VaR với các mức độ tin cậy 90%, 95% và 99%.
Tác giả so sánh các kết quả ước lượng VaR với mức tổn thất thực tế để kiểm tra tính chính xác của mô hình.
Dữ liệu nghiên cứu
Để tính toán Value at Risk (VaR) cho tài sản, cổ phiếu hoặc danh mục đầu tư, người ta thường sử dụng dữ liệu chuỗi thời gian, loại dữ liệu thu thập từ cùng một đối tượng qua các khoảng thời gian khác nhau.
Danh mục chứng khoán cơ cấu của quỹ ETF DCVFMVN30 tại thời điểm kết thúc phiên giao dịch ngày 21/04/2023 như sau:
Bảng 2.3.1 Thông tin ngày niêm yết và số lượng CP nắm giữ của các mã cổ phiếu trong danh mục chứng khoán cơ cấu tại ngày 21/04/2023
STT Mã CP Số lượng CP nắm giữ Ngày niêm yết
Tác giả đã tiến hành nghiên cứu bằng cách sử dụng dữ liệu giá đóng cửa của 30 mã cổ phiếu trong danh mục chứng khoán cơ cấu từ ngày 09/12/2020 đến 21/04/2023 Sau khi thu thập dữ liệu, tác giả tính toán giá trị danh mục chứng khoán cơ cấu và tỷ suất sinh lợi của danh mục này.
Bảng 2.3.2 Mô phỏng một phần kết quả tính toán giá trị danh mục chứng khoán cơ cấu và tỷ suất sinh lợi của danh mục giai đoạn 09/12/2020 đến 21/04/2023
Nguồn: Tác giả tự tính toán từ số liệu thu thập
Mặc dù phương pháp phương sai – hiệp phương sai được coi là đơn giản và dễ tính toán, nó vẫn gặp nhược điểm do phụ thuộc vào giả định rằng dữ liệu chuỗi thời gian tuân theo phân phối chuẩn Thực tế cho thấy, việc đảm bảo rằng chuỗi dữ liệu về giá hoặc tỷ suất sinh lợi của tài sản tuân theo phân phối chuẩn là rất khó khăn Để khắc phục nhược điểm này, các mô hình ARIMA(p,d,q) và GARCH(p,q) đã được phát triển Nghiên cứu mới này dựa trên việc kế thừa và phát triển từ các công trình trước đó, do đó tác giả đã chọn sử dụng hai mô hình này để đo lường rủi ro cho danh mục chứng khoán cơ cấu của quỹ ETF DCVFMVN30.
KẾT QUẢ NGHIÊN CỨU
Quỹ ETF DCVFMVN30
Quỹ ETF DCVFMVN30 (E1VFVN30) được thành lập và niêm yết trên sàn HOSE từ tháng 9 năm 2014, là quỹ ETF mô phỏng chỉ số VN30 với 30 cổ phiếu có vốn hóa và thanh khoản cao nhất Quỹ được quản lý thụ động bởi CTCP Quản Lý Quỹ Dragon Capital Việt Nam, thực hiện mua và nắm giữ các cổ phiếu trong danh mục VN30 với tỷ trọng phù hợp để phản ánh chính xác chỉ số tham chiếu này.
Một số tổ chức quan trọng gắn liền với hoạt động của quỹ bao gồm:
- CTCP Chứng khoán Thành phố Hồ Chí Minh (HSC) đóng vai trò vừa là nhà tạo lập thị trường vừa là thành viên lập quỹ.
- Standard Chartered Việt Nam đóng vai trò ngân hàng giám sát.
Tại thời điểm ngày 21/04/2023, số lượng CCQ đang lưu hành trên thị trường của quỹ là 459,900,000 CCQ
Giới hạn sở hữu của nhà đầu tư nước ngoài đối với CCQ của quỹ ETF DCVFMVN30 có thể lên tới 100% Tuy nhiên, tính đến cuối phiên giao dịch ngày 21/04/2023, tỷ lệ sở hữu nước ngoài đã đạt 92.73%, trong khi tỷ lệ sở hữu của các nhà đầu tư khác chỉ là 7.27%.
Hình 3.1.1 Cơ cấu cổ đông tại thời điểm ngày 21/04/2023
Mặt khác, CCQ của quỹ ETF DCVFMVN30 thường xuyên được giao dịch bởi nhà đầu tư nước ngoài, thay vì nhà đầu tư trong nước
Hình 3.1.2 Giao dịch quỹ ETF DCVFMVN30 của nhà đầu tư nước ngoài
Theo Bản cáo bạch năm 2023, quỹ ETF DCVFMVN30 đầu tư vào các chứng khoán thuộc danh mục chỉ số tham chiếu cùng với các loại tài sản khác.
- Tiền gửi tại các NHTM
- Công cụ thị trường tiền tệ bao gồm Giấy tờ có giá, Công cụ chuyển nhượng theo quy định của pháp luật
- Công cụ nợ của Chính phủ, Trái phiếu được Chính phủ bảo lãnh, Trái phiếu chính quyền địa phương
- Cổ phiếu niêm yết, Cổ phiếu đăng ký giao dịch, Trái phiếu niêm yết trên Sở giao dịch chứng khoán, CCQ đại chúng
- Chứng khoán phái sinh niêm yết giao dịch tại Sở giao dịch chứng khoán nhằm mục tiêu phòng ngừa rủi ro
- Quyền phái sinh gắn liền với chứng khoán mà quỹ đang nắm giữ
* Danh mục chứng khoán cơ cấu phân chia theo mã cổ phiếu:
Quỹ ETF DCVFMVN30 là quỹ đầu tư hoán đổi danh mục được thiết kế để mô phỏng biến động của chỉ số VN30, bao gồm 30 cổ phiếu có vốn hóa và thanh khoản lớn nhất trên sàn HOSE Để duy trì sự chính xác trong việc theo dõi chỉ số, công ty quản lý quỹ sẽ điều chỉnh danh mục cổ phiếu của quỹ ETF DCVFMVN30 mỗi khi có sự thay đổi trong danh mục của chỉ số VN30.
Bảng 3.1.1 Danh mục chứng khoán cơ cấu của quỹ ETF DCVFMVN30 tại ngày 21/04/2023
STT Mã CP Số lượng
Nguồn: Tác giả tự tính toán từ số liệu thu thập
* Danh mục chứng khoán cơ cấu phân theo nhóm ngành:
Căn cứ vào danh mục chứng khoán cơ cấu của quỹ tại ngày 21/04/2023, có thể phân chia danh mục theo nhóm ngành như sau:
Biểu đồ 3.1.1 Danh mục chứng khoán cơ cấu phân chia theo nhóm ngành của quỹ ETF DCVFMVN30 ngày 21/04/2023
Nguồn: Tác giả tự tính toán từ số liệu thu thập
Theo đó, có thể rút ra một số kết luận:
Thứ nhất, danh mục chứng khoán cơ cấu của quỹ ETF DCVFMVN30 bao gồm
Rổ VN30 bao gồm 30 mã cổ phiếu có vốn hóa lớn và thanh khoản cao, đại diện cho nhiều ngành nghề trong nền kinh tế Việc đầu tư vào danh mục cổ phiếu VN30 giúp các nhà đầu tư giảm thiểu rủi ro phi hệ thống một cách hiệu quả.
Thực phẩm, Nước giải khát và
Phần mềm & Dịch vụ phần mềm
Danh mục chứng khoán của quỹ tập trung vào các ngành quan trọng của thị trường chứng khoán Việt Nam như ngân hàng, bất động sản và vật liệu Các cổ phiếu trong những ngành này đóng vai trò then chốt trong mỗi phiên giao dịch Cụ thể, sự tăng giá mạnh của một cổ phiếu có thể kéo theo sự tăng giá của các cổ phiếu khác trong cùng ngành hoặc trong một chỉ số, từ đó ảnh hưởng đến xu hướng tăng hoặc giảm của toàn thị trường.
Vào thứ ba, cổ phiếu của các ngân hàng lớn như VPB, ACB, và TCB thường chiếm tỷ trọng lớn nhất trong danh mục đầu tư Những cổ phiếu này được đánh giá là ổn định và có tiềm năng tăng trưởng cao nhất trên thị trường chứng khoán.
3.1.4 Kết quả mô phỏng chỉ số VN30:
Quỹ ETF DCVFMVN30 là quỹ đầu tư hoán đổi danh mục, mục tiêu là mô phỏng sát nhất biến động của chỉ số VN30 Danh mục cổ phiếu VN30 sẽ được điều chỉnh vào tháng 1 và tháng 7 hàng năm Do đó, CTCP Quản Lý Quỹ Dragon Capital Việt Nam (DCVFM) cần xây dựng lại danh mục cổ phiếu với tỷ trọng hợp lý để phản ánh chính xác chỉ số tham chiếu này.
Hình 3.1.3 Danh mục chứng khoán cơ cấu của quỹ ETF DCVFMVN30 tại ngày 26/07/2022
Hình 3.1.4 Danh mục chứng khoán cơ cấu của quỹ ETF DCVFMVN30 tại ngày 04/08/2022
Kết quả là quỹ ETF DCVFMVN30 có thể mô phỏng và phản ánh gần như chính xác sự biến động của chỉ số tham chiếu
Biểu đồ 3.1.2 Mối quan hệ giữa NAV/CCQ của quỹ ETF DCVFMVN30 và chỉ số VN30
Nguồn: Trang web chính thức của quỹ ETF DCVFMVN30
Mặt khác, lợi suất đầu tư của E1VFVN30 và VN30-Index tính toán tại thời điểm 30/12/2022 như sau:
Bảng 3.1.2 Lợi suất đầu tư của E1VFVN30 và VN30-Index tính toán tại thời điểm 30/12/2022
NAV/CCQ hoặc Index 1 tháng 3 tháng 6 tháng 12 tháng E1VFVN30 17,845.26 0.66% -4.47% -15.55% -31.86% VN30-Index 1,005.19 -4.20% -12.74% -19.52% -35.52%
Nguồn: Tác giả tự tính toán từ số liệu thu thập
Quỹ ETF DCVFMVN30 không chỉ thể hiện sự biến động của chỉ số VN30 mà còn phản ánh chính xác lợi suất đầu tư của chỉ số này Trong nhiều trường hợp, E1VFVN30 còn mang đến cho nhà đầu tư mức lợi suất tốt hơn so với chỉ số tham chiếu.
3.1.5 Thực trạng hoạt động quỹ ETF DCVFMVN30 trên thị trường chứng khoán Việt Nam trong giai đoạn 2018 – 2022:
Nhìn vào Báo cáo tài chính kiểm toán của quỹ ETF DCVFMVN30 giai đoạn
Từ năm 2018 đến 2022, sự biến động giá cổ phiếu trong rổ VN30 đã ảnh hưởng đến danh mục chứng khoán của chỉ số VN30, tác động đến tổng lợi nhuận kế toán trước thuế của quỹ Đây là một ví dụ điển hình về tác động của rủi ro hệ thống đối với quỹ ETF DCVFMVN30, đặc biệt liên quan đến rủi ro lãi suất, lạm phát và rủi ro giá cổ phiếu.
Biểu đồ 3.1.3 Tổng lợi nhuận trước thuế của quỹ ETF DCVFMVN30 trong giai đoạn
Nguồn: Báo cáo hoạt động đầu tư giai đoạn 2018 – 2022
Lợi nhuận thu được từ sự tăng trưởng giá chứng khoán (giá trị lãi vốn) Lợi nhuận thu được từ lợi tức chứng khoán
Lợi nhuận thu được từ bán hoặc hoán đổi các khoản đầu tư Tổng chi phí
Tổng lợi nhuận trước thuế
Năm 2018, thị trường chứng khoán Việt Nam chịu áp lực lớn từ các yếu tố vĩ mô như việc Cục Dự trữ Liên bang Mỹ (FED) tăng lãi suất để kiểm soát lạm phát và sự sụt giảm mạnh giá dầu toàn cầu Áp lực bán gia tăng đã khiến thị trường lao dốc, đặc biệt là các cổ phiếu VN30, từ sau quý 1 Kết quả là, quỹ ghi nhận lợi nhuận từ tăng trưởng giá chứng khoán và giá trị lãi vốn đạt -937,598,038,559 VNĐ, dẫn đến tổng lợi nhuận kế toán trước thuế giảm mạnh xuống còn -592,424,706,567 VNĐ so với năm 2017.
Nửa đầu năm 2019, thị trường chứng khoán toàn cầu bị ảnh hưởng tiêu cực bởi chính sách tiền tệ thắt chặt của Mỹ Tuy nhiên, nửa cuối năm 2019, thị trường chứng khoán Việt Nam hồi phục nhờ chính sách tiền tệ nới lỏng của Ngân hàng Nhà nước Việt Nam, giúp lợi nhuận trước thuế của quỹ đạt 127,779,687,111 VNĐ chủ yếu từ lãi vốn cổ phiếu Để thúc đẩy tăng trưởng kinh tế trong và sau đại dịch COVID-19, Ngân hàng Nhà nước duy trì lãi suất thấp kỷ lục, dẫn đến dòng tiền đổ vào thị trường chứng khoán Việt Nam gia tăng mạnh mẽ, tạo ra nhiều kỷ lục trong giai đoạn 2020 – 2021, trong đó chỉ số VN-Index đạt đỉnh 1.500,81 điểm Dòng tiền chủ yếu được phân bổ vào cổ phiếu vốn hóa lớn, phản ánh sự phục hồi kinh tế, giúp tổng lợi nhuận trước thuế của quỹ lần lượt đạt 1,235,715,190,865 VNĐ vào năm 2020 và 3,159,499,458,730 VNĐ vào năm 2021.
Năm 2022, nhà đầu tư trong nước tỏ ra thận trọng do thị trường bất động sản gặp khó khăn và lạm phát tăng cao kỷ lục từ các chính sách tiền tệ nới lỏng giai đoạn 2019 – 2021 Chỉ số VN30 kết thúc năm 2022 ở mức 1,005.19 điểm, giảm 35.52% so với đầu năm, dẫn đến giá trị thị trường của danh mục đầu tư giảm khoảng 13% so với giá mua Điều này đã tạo ra khoản chênh lệch giảm trong đánh giá lại các khoản đầu tư chưa thực hiện, ghi nhận trong năm 2022 là -2,870,160,903,167 VNĐ.
Biểu đồ 3.1.4 Giá trị tài sản ròng của quỹ ETF DCVFMVN30 trong giai đoạn 2018
Nguồn: Báo cáo hoạt động đầu tư giai đoạn 2018 – 2022
Trong giai đoạn 2018 – 2022, NAV của quỹ ETF DCVFMVN30 đã có xu hướng tăng, đặc biệt là vào năm 2021 Để giải thích cho sự gia tăng này, tác giả đã phân tích mối quan hệ giữa giá trị danh mục chứng khoán và NAV của quỹ.
Trong giai đoạn 2019 – 2021, Ngân hàng Nhà nước Việt Nam thực hiện chính sách tiền tệ nới lỏng, làm tăng nhu cầu mua và nắm giữ cổ phiếu, dẫn đến sự tăng giá của các mã cổ phiếu VN30 Giá cổ phiếu VN30 và giá trị danh mục chứng khoán của quỹ ETF DCVFMVN30 có mối quan hệ đồng biến, khi giá cổ phiếu tăng thì giá trị danh mục quỹ cũng tăng theo Quỹ ETF DCVFMVN30 đầu tư tối thiểu 95% tổng tài sản vào danh mục chứng khoán VN30, vì vậy NAV của quỹ gần như hoàn toàn phụ thuộc vào giá trị danh mục Điều này đã giúp NAV năm 2021 của quỹ đạt 10,927,736,491,829 VNĐ, tăng hơn 2.5 lần so với năm 2018.
Kết quả nghiên cứu
3.2.1 Thống kê mô tả và kiểm định dữ liệu:
Bảng 3.2.1 Thống kê mô tả chuỗi dữ liệu tỷ suất sinh lợi
Giá trị trung bình (Mean) -0.000420
Giá trị trung vị (Median) 0.000738
Giá trị lớn nhất (Maximum) 0.055309
Giá trị nhỏ nhất (Minimum) -0.068763 Độ lệch chuẩn (Std Dev.) 0.016103
Nguồn: Kết quả từ Eviews 12
* Kiểm định phân phối chuẩn:
Thông qua kiểm định Jarque-Bera, với p-value = 0, nhỏ hơn 0.05, chúng ta bác bỏ giả thuyết 𝐻 0, từ đó kết luận rằng dữ liệu chuỗi thời gian không tuân theo phân phối chuẩn.
Hình 3.2.1 Kết quả kiểm định phân phối chuẩn của chuỗi tỷ suất sinh lợi
Nguồn: Kết quả từ Eviews 12
Hình 3.2.2 Đồ thị mô tả chuỗi dữ liệu tỷ suất sinh lợi
Nguồn: Kết quả từ Eviews 12
Biểu đồ cho thấy chuỗi dữ liệu tỷ suất sinh lợi của danh mục chứng khoán cơ cấu dao động quanh ngưỡng giá trị 0, từ đó kết luận rằng chuỗi dữ liệu này có tính dừng.
Mặt khác, phần mềm Eviews cũng đưa ra kết quả kiểm định tính dừng như sau:
Hình 3.2.3 Kết quả kiểm định tính dừng của chuỗi tỷ suất sinh lợi
Nguồn: Kết quả từ Eviews 12
Tại mức ý nghĩa 5%, khi t - Statistic nhỏ hơn -2.866237 hoặc p-value nhỏ hơn 0.05, chúng ta bác bỏ giả thuyết không 𝐻 0 và chấp nhận giả thuyết thay thế 𝐻 1 Kết quả này cho thấy chuỗi dữ liệu tỷ suất sinh lợi của danh mục có tính dừng.
* Kiểm định tự tương quan:
Hình 3.2.4 Biểu đồ tương quan của chuỗi dữ liệu tỷ suất sinh lợi
Nguồn: Kết quả từ Eviews 12
Tại bậc 21 và 31, giá trị AC và PAC đã vượt ra ngoài khoảng tin cậy, cho thấy chuỗi dữ liệu xuất hiện hiện tượng tự tương quan ở cả hai bậc này.
3.2.2 Xây dựng mô hình ARIMA(p,d,q):
Dữ liệu chuỗi thời gian là chuỗi dừng nên dạng mô hình được sử dụng là mô hình ARMA(p,q) với p và q đều mang hai giá trị 21 và 31
Mô hình MA(q) được phát triển dựa trên khái niệm hồi quy tỷ suất sinh lợi từ các cú sốc thông tin quá khứ, tuy nhiên, các cú sốc này có xu hướng tiêu biến nhanh chóng Vì lý do đó, tác giả đã thực hiện thêm các thử nghiệm với hai mô hình AR(p) có bậc lần lượt là 21 và 31.
Do đó, có thể xây dựng được bốn mô hình ARMA(p,q), bao gồm:
Bảng 3.2.2 Giá trị AIC và SBIC của các mô hình ARIMA(p,d,q)
Mô hình 1 Mô hình 2 Mô hình 3 Mô hình 4 Mô hình 5 Mô hình 6 AIC -5.405877 -5.414224 -5.413354 -5.403674 -5.407646 -5.407263
Nguồn: Kết quả từ Eviews 12
Như vậy, tác giả lựa chọn mô hình 2 để dự báo tỷ suất sinh lợi kỳ vọng của danh mục chứng khoán cơ cấu Nguyên nhân là do:
- Mô hình 2 cho kết quả giá trị AIC là nhỏ nhất
- Giá trị Adjusted R-squared có vai trò phản ánh mức độ phù hợp của mô hình Trong đó, giá trị Adjusted R-squared của mô hình 2 là lớn nhất
- Cả AR(p) và MA(q) trong mô hình 2 đều có ý nghĩa thống kê
Mặt khác, mô hình 2 cũng đáp ứng tốt các kiểm định:
- Phần dư không có hiện tượng tự tương quan
Hình 3.2.5 Kết quả kiểm định phần dư tự tương quan mô hình ARMA(21,31)
Nguồn: Kết quả từ Eviews 12
- Phần dư của mô hình tuân theo phân phối chuẩn
Hình 3.2.6 Kết quả kiểm định phần dư phân phối chuẩn của mô hình ARMA(21,31)
Nguồn: Kết quả từ Eviews 12
3.2.3 Xây dựng mô hình GARCH(1,1):
Với mức ý nghĩa 5%, khi p-value < 0.05, chúng ta bác bỏ giả thuyết 𝐻 0 và chấp nhận giả thuyết 𝐻 1 Điều này cho thấy mô hình ARMA(21,31) chịu tác động của ARCH, tức là phương sai sai số của mô hình này không ổn định.
51 Hình 3.2.7 Kết quả kiểm định ARCH của mô hình ARMA(21,31)
Nguồn: Kết quả từ Eviews 12
Như vậy, mô hình GARCH(1,1) được xây dựng dựa trên mô hình ARMA(21,31) có dạng:
Hình 3.2.8 Mô hình GARCH(1,1) được xây dựng dựa trên mô hình ARMA(21,31)
Nguồn: Kết quả từ Eviews 12
Hình 3.2.9 Kết quả kiểm định ARCH của mô hình GARCH(1,1) được xây dựng dựa trên mô hình ARMA(21,31)
Nguồn: Kết quả từ Eviews 12
Khi kiểm định hiện tượng phương sai sai số thay, nếu p-value > 0.05, điều này cho thấy mô hình có phương sai sai số không đổi Hơn nữa, phần dư bình phương không xuất hiện hiện tượng tự tương quan, do đó mô hình được coi là chấp nhận được.
3.2.4 Ước lượng VaR dựa trên kết quả giá trị kỳ vọng và độ lệch chuẩn:
Các mô hình ARIMA(p,d,q) cho thấy bậc p và q thường có giá trị lớn, cho thấy tỷ suất sinh lợi ngày hôm nay có mối liên hệ với chính nó và các cú sốc thông tin từ quá khứ Tuy nhiên, cú sốc thông tin thường giảm nhanh chóng theo thời gian, khiến cho việc dự đoán tác động của nó sau 21 hay 31 ngày trở nên không chắc chắn Vì vậy, dự báo tỷ suất sinh lợi kỳ vọng từ mô hình ARIMA(p,d,q) có thể không mang lại nhiều giá trị thực tiễn trong nhiều nghiên cứu.
Tỷ suất sinh lợi kỳ vọng là 54%, nhưng lại bằng 0, trong khi giá trị rủi ro (VaR) hoàn toàn phụ thuộc vào độ lệch chuẩn của tỷ suất sinh lợi được dự đoán thông qua các mô hình ARCH hoặc GARCH.
Thông qua mô hình GARCH(1,1), tác giả ước lượng độ lệch chuẩn tỷ suất trong giai đoạn từ 25/11/2022 đến 21/04/2023, cho phép ước lượng VaR của danh mục chứng khoán cơ cấu với độ tin cậy 90%, 95% và 99%.
Bảng 3.2.3 Mô phỏng một phần kết quả ước lượng VaR 90%, 95% và 99%
Ngày Độ lệch chuẩn Var 90% Var 95% Var 99%
Nguồn: Tác giả tự tính toán với kết quả từ Eviews
3.2.5 Đánh giá độ chính xác của kết quả ước lượng VaR:
Backtest là phương pháp đánh giá độ chính xác của ước lượng VaR bằng cách so sánh kết quả ước lượng với mức tổn thất thực tế Nghiên cứu này được thực hiện trong khoảng thời gian từ 25/11/2022 đến 21/04/2023.
Trong nghiên cứu này, 55 quan sát đã được rút ra từ chuỗi dữ liệu tỷ suất sinh lợi ban đầu Với độ tin cậy 95%, số ngày mà danh mục chứng khoán có thể chịu tổn thất vượt quá giá trị VaR được phép là 5% × 100 = 5 ngày Nếu số ngày vượt quá giá trị VaR lớn hơn 5 ngày, thì kết quả ước lượng VaR sẽ bị coi là không chính xác.
Bảng 3.2.4 Kết quả đánh giá độ chính xác của kết quả ước lượng VaR
Số ngày mà mức tổn thất thực tế được phép vượt quá giá trị VaR
Số ngày mức tổn thất thực tế vượt quá kết quả ước lượng VaR
Nguồn: Tác giả tư tính toán từ số liệu thu thập
Mô hình GARCH(1,1) đã ước lượng được giá trị VaR với độ tin cậy 90% và 95% ở mức chấp nhận được Tuy nhiên, kết quả ước lượng VaR của mô hình này chưa đạt yêu cầu chính xác đối với độ tin cậy 99%.
Khi sử dụng cùng một danh mục chứng khoán và kết quả dự báo độ lệch chuẩn tỷ suất sinh lợi, ước lượng VaR sẽ khác nhau tùy thuộc vào mức độ tin cậy Hơn nữa, độ chính xác của ước lượng VaR có thể bị sai lệch khi thời điểm dự báo cách xa thời điểm xây dựng mô hình Do đó, để nâng cao hiệu quả quản trị rủi ro, việc thường xuyên cập nhật dữ liệu và điều chỉnh phương pháp ước lượng VaR là rất cần thiết trong quá trình xây dựng mô hình cho cổ phiếu hoặc danh mục cổ phiếu.
HẠN CHẾ VÀ GIẢI PHÁP
Hạn chế của đề tài
Sau khi phân tích và ước lượng VaR cho danh mục chứng khoán của quỹ ETF DCVFMVN30, tác giả đã rút ra một số kết luận về những hạn chế của nghiên cứu này.
Danh mục chứng khoán của quỹ ETF DCVFMVN30 phụ thuộc vào danh mục cổ phiếu VN30 Sự thay đổi trong danh mục cổ phiếu này yêu cầu việc thu thập lại dữ liệu giá các mã cổ phiếu và tính toán lại giá trị danh mục chứng khoán.
Quỹ ETF DCVFMVN30 sở hữu danh mục chứng khoán đa dạng với nhiều mã cổ phiếu, dẫn đến việc thu thập dữ liệu có thể mất nhiều thời gian và dễ xảy ra sai sót trong quá trình nhập liệu.
Thứ ba, thời gian niêm yết của các mã cổ phiếu là khác nhau (3 năm, 5 năm,
Để đảm bảo tính liên tục của dữ liệu chuỗi thời gian trong 10 năm, cần thu thập dữ liệu giá của tất cả các mã cổ phiếu trong cùng một khoảng thời gian Tuy nhiên, khoảng thời gian thu thập dữ liệu hiện tại còn tương đối ngắn, dẫn đến độ chính xác của kết quả thu được chưa cao.
Thứ tư, khó khăn trong việc lựa chọn phương pháp ước lượng VaR Cụ thể:
Phương pháp lịch sử là một kỹ thuật đơn giản và dễ áp dụng, nhưng kích thước bộ dữ liệu thu thập cần phải đủ lớn để đảm bảo độ chính xác của ước lượng VaR Hơn nữa, không có sự đảm bảo rằng ảnh hưởng của các yếu tố rủi ro trong quá khứ sẽ tái diễn trong tương lai.
Phương pháp phương sai – hiệp phương sai là một kỹ thuật đơn giản không yêu cầu dữ liệu lớn, nhưng khó áp dụng cho danh mục chứng khoán do giả định phân phối chuẩn khó đạt được Ngay cả khi tỷ suất sinh lợi tuân theo phân phối chuẩn, việc ước lượng VaR cho danh mục 30 mã cổ phiếu vẫn phức tạp vì tỷ trọng cổ phiếu thay đổi hàng ngày.
57 lượng VaR của danh mục dựa vào VaR và tỷ trọng của từng mã cổ phiếu là điều không thể
Phương pháp mô phỏng Monte Carlo, mặc dù phức tạp và tốn thời gian tính toán, được đánh giá là có khả năng ước lượng VaR chính xác nhất Do đó, các công ty quản lý quỹ nên áp dụng phương pháp này để nâng cao hiệu quả quản trị rủi ro cho các quỹ đầu tư của mình.
Hạn chế của ước lượng VaR đối với ETF DCVFMVN30
VaR, hay Giá trị Rủi ro, được định nghĩa là khoản thua lỗ tối thiểu dự kiến trong điều kiện kinh tế bình thường Tuy nhiên, trong tương lai có thể xảy ra những thời điểm mà tổn thất thực tế vượt quá ước lượng VaR, dẫn đến sự sụt giảm mạnh giá trị danh mục chứng khoán của quỹ và có thể khiến quỹ ETF DCVFMVN30 rơi vào tình trạng mất khả năng thanh khoản.
Quỹ ETF DCVFMVN30 được thiết kế để mô phỏng gần nhất chỉ số VN30, với số lượng và tỷ lệ nắm giữ cổ phiếu hoàn toàn phụ thuộc vào danh mục này Việc ước lượng VaR có thể không mang lại nhiều ý nghĩa nếu công ty quản lý quỹ sử dụng kết quả để điều chỉnh tỷ trọng từng cổ phiếu nhằm giảm thiểu rủi ro Tuy nhiên, ước lượng VaR vẫn hữu ích cho công ty quản lý quỹ trong việc đánh giá và kiểm soát mức độ rủi ro, từ đó đưa ra quyết định hợp lý về việc điều chỉnh tỷ trọng của toàn bộ danh mục chứng khoán.
Những đề xuất cho việc ứng dụng VaR đối với quỹ đầu tư ETF DCVFMVN30
Công ty quản lý quỹ đầu tư nên thực hiện ước lượng VaR định kỳ hàng ngày hoặc hàng tuần Khi giá trị ước lượng VaR vượt quá mức rủi ro tối đa mà quỹ chấp nhận, công ty có thể đưa ra quyết định giảm thiểu rủi ro hoặc chuyển đổi đầu tư sang các tài sản an toàn hơn.
VaR (Value at Risk) là chỉ số đo lường khoản lỗ tối thiểu có thể xảy ra trong một khoảng thời gian nhất định, với xác suất đã được xác định Chỉ số này giúp nhà đầu tư hiểu rõ hơn về rủi ro tiềm ẩn trong quỹ đầu tư, mặc dù không thể đảm bảo rằng quỹ sẽ không gặp phải tổn thất trong tương lai.
Công ty quản lý quỹ có thể áp dụng nhiều phương pháp ước lượng VaR để nâng cao hiệu quả trong việc đánh giá và quản lý rủi ro Kết quả ước lượng VaR thường được thể hiện dưới dạng một khoảng giá trị Để đảm bảo tính chính xác của kết quả này, cần thực hiện thêm các thử nghiệm như Backtest và Stress-test.
Bài Khóa luận tốt nghiệp với đề tài “Ứng dụng phương pháp Value at Risk đo lường rủi ro danh mục chứng khoán cơ cấu của quỹ ETF DCVFMVN30” nghiên cứu mối quan hệ giữa giá trị danh mục chứng khoán cơ cấu, NAV và giá giao dịch CCQ Nghiên cứu này nhấn mạnh tầm quan trọng của việc đo lường và quản trị rủi ro danh mục chứng khoán cơ cấu trong quỹ ETF DCVFMVN30.
Tác giả đã áp dụng các phương pháp ước lượng VaR để đo lường rủi ro danh mục chứng khoán của quỹ ETF DCVFMVN30 Nghiên cứu cho thấy VaR là một phương pháp phổ biến và hữu ích trong việc đo lường rủi ro tài chính, bao gồm cả quỹ ETF Tuy nhiên, việc mô phỏng theo chỉ số tham chiếu cùng với sự đa dạng trong danh mục đầu tư đã tạo ra khó khăn cho công ty quản lý quỹ và nhà đầu tư trong việc thu thập dữ liệu và lựa chọn phương pháp ước lượng VaR phù hợp Với những lợi ích tiềm năng của phương pháp này, tác giả hy vọng bài Khóa luận sẽ góp phần vào nghiên cứu về VaR trong lĩnh vực quỹ đầu tư.