Em xin cam đoan bài khóa luận tốt nghiệp với đề tài “Ứng dụng mô hình Value at Risk trong đo lường và quản trị rủi ro tài chính tại Ngân hàng TMCP Ngoại thương Việt Nam” chưa từng được b
Sự cần thiết của vấn đề nghiên cứu
Rủi ro thị trường là một trong những thách thức quan trọng mà các ngân hàng thương mại phải đối mặt trong hoạt động kinh doanh hàng ngày Sự biến động của thị trường chứng khoán, lãi suất, tỷ giá và các yếu tố khác có thể ảnh hưởng đến lợi nhuận, vốn và thậm chí tồn tại của ngân hàng Do đó, việc đo lường và quản trị rủi ro thị trường là một phần quan trọng trong hoạt động của các ngân hàng Ngân hàng Thương mại Cổ phần Ngoại thương Việt Nam (Vietcombank) là một trong những NHTM lớn nhất Việt Nam với hoạt động kinh doanh đa dạng, phức tạp, tiềm ẩn nhiều rủi ro, đặc biệt là rủi ro thị trường
Mô hình Value at Risk (VaR) là một công cụ quan trọng trong việc đo lường rủi ro tài chính, trong đó có rủi ro thị trường VaR cho phép ngân hàng ước tính mức rủi ro tối đa mà họ có thể chấp nhận trong một khoảng thời gian cụ thể với một mức tin cậy xác định Sử dụng VaR, ngân hàng có thể ra quyết định về việc quản trị RRTT một cách hiệu quả Do đó, việc nghiên cứu ứng dụng của mô hình Value at Risk (VaR) trong công tác đo lường và quản trị RRTT tại Vietcombank có ý nghĩa khoa học và thực tiễn quan trọng
Sau khi NHNN Việt Nam ban hành những đề án thí điểm và các thông tư đặt ra các quy tắc chặt chẽ và khắt khe theo tiêu chuẩn của Hiệp ước Basel II về QTRR đối với các NHTM, mô hình VaR đã dần trở nên phổ biến tại Việt Nam và trở thành một trong những công cụ được sử dụng hàng đầu trong việc đo lường rủi ro thị trường Tuy các nghiên cứu thực nghiệm về VaR đang dần được triển khai áp dụng nhiều trong nước và ứng dụng cho nhiều khối ngành, lĩnh vực khác nhau, nhưng phần lớn các công trình nghiên cứu vẫn còn sơ khai và tồn đọng một số thiếu sót Hiểu được sự quan trọng của VaR trong thời kỳ khủng hoảng tài chính, nền kinh tế thế giới có nhiều biến động như ngày nay, là một thực tập sinh đã có cơ hội được tiếp xúc và trải nghiệm môi trường làm việc chuyên nghiệp tại một chi nhánh của Vietcombank – ngân hàng dẫn đầu về QTRR tại Việt Nam, em quyết định chọn đề tài: “Ứng dụng mô hình Value at Risk trong đo lường và quản trị rủi ro tài chính tại Ngân hàng TMCP Ngoại thương Việt Nam” cho bài khóa luận tốt nghiệp của mình nhằm góp
2 phần chứng minh tính ứng dụng cao của mô hình VaR trong công tác đo lường và quản trị RRTC tại NHTM.
Tổng quan nghiên cứu
Nghiên cứu nước ngoài
Mô hình VaR đã trở thành một trong những phương pháp được sử dụng phổ biến trên thế giới và là tiêu chuẩn ngành để tính toán rủi ro (J.P Morgan, 1996) Theo Gilli và cộng sự (2019) thì một lý do chính cho sự phổ biến của VaR là nó rất trực quan và các giá trị bằng số của nó dễ diễn giải hơn các phép đo rủi ro khác Một lý do khác là nó được quy định trong các hiệp định Basel II và Basel III VaR nắm bắt được một khía cạnh quan trọng của rủi ro, cụ thể là những điều tồi tệ có thể xảy ra như thế nào với một xác suất nhất định (Christoffersen, 2012)
Nghiên cứu của Angelovska (2013) tính toán rủi ro thị trường bằng mô hình VaR sử dụng giá đóng cửa của các chỉ số chứng khoán của 7 quốc gia, đại diện cho thị trường chứng khoán của các quốc gia phát triển (Mỹ, Anh và Đức) và đang phát triển (Serbia, Slovenia, Croatia và Macedonia) VaR được tính toán dựa trên mô hình Riskmetrics EWMA và SMA, trong đó, nghiên cứu tập trung kiểm tra tính đúng của các mô hình trên bằng cách sử dụng Binary Loss Function (BLF) Nghiên cứu kết luận rằng, ở mức độ tin cậy 95%, kết quả cho thấy độ chính xác cao hơn và ở các phân vị cao (99) cả hai mô hình đều đánh giá thấp rủi ro Nghiên cứu của Chen Q và Chen R (2013) bên cạnh sử dụng các phương pháp MA, EWMA, nghiên cứu bổ sung thêm phương pháp mô phỏng Monte Carlo, phương pháp lịch sử để tính toán VaR trên dữ liệu 20 cổ phiếu của các công ty giao dịch trên Sở Giao dịch Chứng khoán Thượng Hải Nghiên cứu chỉ ra rằng, với độ tin cậy ngày càng cao, giá trị VaR càng lớn, thể hiện các nhà đầu tư khác nhau có khẩu vị rủi ro khác nhau Bên cạnh đó, từ kết quả backtesting, nghiên cứu rút ra ưu, nhược điểm của từng phương pháp xác
3 định VaR Trong đó, phương pháp MA và EWMA có ưu điểm là tính toán đơn giản và dễ hiểu, tuy vậy, giả định phân phối chuẩn không thực sự chính xác, do đó, nghiên cứu cho rằng cần thực hiện kiểm định phân phối chuẩn Phương pháp mô phỏng lịch sử là phương pháp trực quan, dễ tính toán nhưng phụ thuộc rất nhiều vào dữ liệu mẫu Cuối cùng, nghiên cứu đề xuất sử dụng phương pháp mô phỏng Monte Carlo khi cho kết quả chính xác và có khả năng tính toán VaR tốt hơn
Greuning và Brajovic (2003) đưa ra các phân tích quản lý các rủi ro trong ngân hàng, bao gồm rủi ro tỷ giá và rủi ro lãi suất Nghiên cứu thực hiện phương pháp đo lường rủi ro thị trường VaR trên giả thuyết lãi suất, tỷ giá là biến ngẫu nhiên tuân theo phân phối chuẩn Kết luận, từ dữ liệu lãi suất trong quá khứ nghiên cứu tính ra giá trị VaR của một danh mục từ độ lệch chuẩn và hệ số tương quan Cũng tập trung vào hệ thống ngân hàng, nghiên cứu của Wong và cộng sự (2003) phân tích về rủi ro thị trường và chỉ rõ ưu, nhược điểm của VaR Nghiên cứu sử dụng mẫu bao gồm 4000 tỷ suất sinh lời hàng ngày của chỉ số AOI (Australia’s All Ordinary Index), chỉ số này bao gồm nhiều công ty đa dạng các lĩnh vực và chịu nhiều rủi ro thị trường trong nước và toàn cầu như: rủi ro hàng hoá, rủi ro tiền tệ, rủi ro lãi suất và rủi ro thị trường chứng khoán Đặc điểm rủi ro của AOI có sự tương đồng với đặc điểm rủi ro của ngân hàng toàn cầu trong nhiều thị trường tài chính, do đó, nghiên cứu sử dụng chỉ số này để đo lường rủi ro thị trường Nghiên cứu cho rằng, trong khi các nghiên cứu trước đây chủ yếu kết luận các mô hình tham số ARCH và GARCH đưa ra các dự báo VaR tốt nhất, nghiên cứu này phát hiện ra rằng các mô hình trên cho ra kết quả VaR nhỏ hơn nhưng không đáp mức các tiêu chí hậu kiểm của Basel, do đó, đây không phải là phương pháp hữu hiệu để dự báo VaR trong đo lường rủi ro thị trường của ngân hàng
Benavides (2007) sử dụng mô hình GARCH để ước tính VaR cho danh mục đầu tư hợp đồng tương lai lãi suất Theo đó, các mô hình GARCH có xu hướng đánh giá quá cao VaR do sự biến động kéo dài Mục tiêu chính của nghiên cứu là kiểm tra xem các mô hình GARCH có thực sự đánh giá quá cao VaR hay không Tác giả sử dụng chuỗi lãi suất Cetes 91 ngày (được tính từ lãi suất trái phiếu Chính phủ Mexico) và chuỗi lãi suất TIIE 28 ngày (được tính toán từ các giao dịch đi vay và cho vay của các ngân hàng thương mại Mexico) Kết quả cho thấy quá trình GARCH có thể ước
4 tính VaR chính xác trong thời gian 1 ngày giao dịch, tuy nhiên với thời gian hơn 10 ngày giao dịch hoặc lâu hơn thì GARCH lại đánh giá quá mức mức độ rủi ro.
Nghiên cứu trong nước
Nghiên cứu của Trần Mạnh Hà (2010) ứng dụng VaR trong giám sát và cảnh báo rủi ro thị trường đối với hệ thống ngân hàng thương mại tại Việt Nam Trong đó, tác giả sử dụng phương pháp mô phỏng lịch sử nhằm tính toán số tổn thất lớn nhất trên danh mục kinh doanh (trading book) và danh mục tài sản (banking book) với độ tin cậy 95% Thứ nhất, đối với danh mục kinh doanh (trading book), nghiên cứu tiến hành thu thập dữ liệu lịch sử của chứng khoán X trong khoảng thời gian nghiên cứu đã lựa chọn, sau đó, tiến hành mô phỏng sự biến động giá chứng khoán vào ngày tiếp theo, từ đó, đưa ra mức dự trữ phù hợp Bên cạnh đó, trong trường hợp danh mục bao gồm nhiều chứng khoán, kết quả của VaR chính là mức lãi (lỗ) tổng hợp của tất cả các chứng khoán trong danh mục, từ đó, đưa ra quyết định điều chỉnh danh mục đầu tư Thứ hai, đối với danh mục tài sản (banking book), nghiên cứu gộp nhóm tài sản dựa trên tiêu chí kỳ hạn tương đồng, từ đó, ngân hàng có thể dự đoán dòng tiền phát sinh từ các nhóm tài sản Danh mục này yêu cầu ngân hàng phải xây dựng mô phỏng lãi suất trong tương lai, nhằm đưa ra tập giả định về giá trị tài sản của ngân hàng Từ đó, sử dụng các kết quả có được để đo lường VaR Kết luận, nghiên cứu tìm ra tổn thất lớn nhất của danh mục vào ngày tiếp theo là mức nhỏ hơn mức VaR, đây là cơ sở để Ngân hàng Nhà Nước đưa ra các quyết định về vốn của ngân hàng
Một số nghiên cứu tập trung vào một dạng rủi ro thị trường trong hoạt động kinh doanh của các ngân hàng thương mại tại Việt Nam Bùi Quang Tín (2013) tập trung nghiên cứu về quản trị rủi ro trong hoạt động kinh doanh vàng của các ngân hàng thương mại tại Việt Nam Trong đó, rủi ro thị trường, đặc biệt là rủi ro giá cả được chú ý khi giá vàng biến động bất thường, thường xuyên và không giới hạn, trở thành rủi ro đặc trưng của hoạt động này trong hệ thống ngân hàng thương mại Vì vậy, buộc các ngân hàng phải có cơ chế quản lý và giám sát một cách phù hợp Trong đó, nghiên cứu cho rằng, phương pháp VaR là phương pháp định giá rủi ro đáng tin cậy trong đa phần các hoạt động kinh doanh vàng của các ngân hàng thương mại Nghiên cứu sử dụng phương pháp tham số trên dữ liệu giá vàng thu thập từ cơ sở dữ
5 liệu Reuters trong khoảng thời gian từ 2 đến 5 năm Thay vì tính toán trực tiếp trên dữ liệu, nghiên cứu mô phỏng lại phân phối chuẩn để tính ra 2 biến: độ lệch chuẩn và giá trị trung bình Kết quả, mô hình VaR được đo lường theo 2 trạng thái: trạng thái đoản và trạng thái trường với các kịch bản về giá trị thị trường khác nhau Từ đó, mô hình tính toán ra giá trị VaR và mức lãi lỗ dự kiến Do đó, việc sử dụng mô hình VaR có thể sử dụng để đo lường rủi ro thị trường, nhất là rủi ro giá cả trong hoạt động kinh doanh vàng, từ đó, là cơ sở trong quản lý rủi ro Tuy vậy, nghiên cứu vẫn nhấn mạnh việc sử dụng phương pháp một cách thận trọng trước các sai số xảy ra Bên cạnh rủi ro đến từ biến động giá cả, Phạm Thị Thanh Xuân và Nguyễn Khánh Linh (2015) tập trung đo lường rủi ro ngoại hối trong hoạt động kinh doanh ngoại tệ tại các ngân hàng thương mại bằng VaR Trên cơ sở 3 ngoại tệ cơ bản: USD, EUR, JPY, nghiên cứu sử dụng 3 phương pháp bao gồm: phương pháp mô phỏng lịch sử, mô phỏng Monte Carlo và phương pháp tham số Nghiên cứu sử dụng 3 kiểm định bao gồm: Back test, Stress test và E-VaR trên số liệu trong giai đoạn 2007 – 2005, từ đó, kết quả là cơ sở cho các quyết định quản trị ngoại hối và kinh doanh của ngân hàng trong thời gian ngắn hạn Kết quả, 3 phương pháp đều cho ra kết quả đáng tin cậy, độ tin cậy càng cao, các dự báo càng kém chính xác và sự khác biệt giữa 3 phương pháp cao hơn Cuối cùng, bằng kết quả VaR cho ra kết quả đo lường rủi ro ngoại hối – một dạng của rủi ro thị trường, nghiên cứu đề xuất một số chiến lược phòng ngừa rủi ro và một số tính toán về chi phí rủi ro cho các chiến lược phòng ngừa rủi ro Đặng Hữu Mẫn (2009) xem xét chỉ số FTSE 100 trên thị trường chứng khoán Anh để nghiên cứu tính hiệu quả của mô hình VaR trong những giai đoạn thị trường biến động mạnh, đặc biệt là khủng hoảng Thông qua ứng dụng 4 mô hình VaR khá phổ biến bao gồm mô phỏng lịch sử, RiskMetrics, N-GARCH (1,1) và t-GARCH (1,1) dưới những giả định phân phối của thu nhập thị trường vốn Anh Quốc Kết quả thực nghiệm chỉ ra rằng mô phỏng lịch sử không có ý nghĩa trong suốt giai đoạn khủng hoảng Các mô hình tham số đều không cho kết quả chính xác với giả định phân phối chuẩn Ngoài ra, nghiên cứu cũng chỉ ra rằng trong suốt giai đoạn khủng hoảng, mô hình VaR chỉ hoạt động hiệu quả tại mức tin cậy 97,5%, thấp hơn mức khuyến cáo của Ủy ban Basel khi dự báo rủi ro đối với danh mục đầu tư của một định chế tài chính (99%)
Võ Thị Thúy Anh và Nguyễn Anh Tùng (2010) đã nghiên cứu sử dụng VaR đối với danh mục thị trường (chỉ số VN-Index) trên cơ sở cách tiếp cận tham số thông qua các mô hình kinh tế lượng chuỗi thời gian: AR, MA và ARMA kết hợp ARCH, GARCH, TGARCH, EGARCH và IGARCH Qua kết quả ước lượng thực nghiệm từ dữ liệu mẫu chỉ số VNI từ ngày 28/07/2000 đến 30/10/2009, nghiên cứu đã chỉ ra rằng mô hình IGARCH phù hợp, ưu tiên được lựa chọn để mô tả động lực học của phương sai có điều kiện của tỷ suất sinh lời VNI Ngoài ra, tác giả còn chỉ ra được sự phụ thuộc chuỗi giá trị dự báo chỉ số VNI đối với các quan sát lịch sử như: tỷ suất sinh lời của chỉ số VNI dự báo chịu sự chi phối bởi diễn biến tỷ suất sinh lời VNI trong 1, 2, 4 và 5 ngày trước có tương quan cùng chiều với tỷ suất sinh lời VNI dự báo Từ đó, nghiên cứu chỉ ra nhà đầu tư có thể vận dụng cách tiếp cận bằng mô hình kinh tế lượng dạng ARMA-GARCH và GARCH phát triển để xác định thước đo VaR đối với các danh mục cổ phiếu trong danh mục đầu tư theo thời gian để làm cơ sở cho các quyết định phân bổ vốn hay rút vốn đầu tư
Võ Hồng Đức và Huỳnh Long Phi (2015) sử dụng 12 mô hình khác nhau để ước lượng VaR 1 ngày của chỉ số chứng khoán VN-Index và HNX-Index trên mẫu dữ liệu nghiên cứu bao gồm 2001 quan sát trong giai đoạn 2006 - 2014 ở các mức rủi ro khác nhau để kiểm định sự phù hợp về chất lượng dự báo của các mô hình ước lượng VaR tại thị trường chứng khoán Việt Nam Kết quả thực nghiệm chỉ ra rằng chất lượng ước lượng của các mô hình phụ thuộc vào kích thước cỡ mẫu được chọn Việc lựa chọn kích cỡ mẫu không phù hợp sẽ dẫn đến giá trị VaR ước lượng hoặc quá cao hoặc quá thấp, đồng thời khi so sánh chất lượng ước lượng giữa các mô hình với cùng một kích cỡ mẫu chỉ ra rằng chất lượng dự báo của mô hình là không đồng nhất giữa các mức rủi ro Kết quả cho thấy ở mức rủi ro 5%, nhiều mô hình dự báo không thỏa mãn điều kiện kiểm định Trong các mô hình được sử dụng, mô hình trung bình trượt MA và mô hình giả lập lịch sử có mức độ phù hợp để thực hiện là kém nhất Đồng thời, với một kích cỡ mẫu phù hợp, các mô hình họ nhà 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) có thể ước lượng VaR tốt nhất ở các mức rủi ro từ 1% đến 5% Nhằm cung cấp thêm bằng chứng thực nghiệm trong việc đánh giá mô hình dự báo rủi ro danh mục tốt nhất, Lê Phan Thị Diệu Thảo và Nguyễn Thanh Phú (2015)
7 đã nghiên cứu đánh giá và xếp hạng một số mô hình kinh tế lượng phổ biến trên thế giới trong việc ước lượng VaR Bài viết sử dụng 8 mô hình nghiên cứu đại diện cho các cách tiếp cận tham số, phi tham số, bán tham số cho các danh mục đầu tư đại diện cho thị trường mới nổi và thị trường phát triển với 2 mức ý nghĩa là 1% và 5% Kết quả thực nghiệm cho thấy hầu hết các mô hình đều hoạt động hiệu quả ở mức ý nghĩa 5% Tuy nhiên, tại mức ý nghĩa 1%, các mô hình có giả định dữ liệu là phân phối chuẩn như phương sai – hiệp phương sai, GARCH, EGARCH hoàn toàn thất bại trong dự báo VaR
Lê Hải Trung và Nguyễn Thị Mai Trang (2020) nghiên cứu và đánh giá việc áp dụng các phương pháp đo lường giá trị chịu rủi ro áp dụng cho thị trường Việt Nam thông qua kênh thị trường chứng khoán Ba phương pháp khác nhau được sử dụng dựa trên các mô hình phi tham số (HistSim), bán tham số (CAViaR) và tham số (GARCH) được xem xét để dự báo giá trị VaR với độ tin cậy 99% theo thời gian từ
2006 đến tháng 4 năm 2020 Bài viết cho thấy việc áp dụng giả định phân phối chuẩn cho tỷ lệ thu nhập của VN-Index đánh giá thấp rủi ro thực của thị trường chứng khoán.
Khoảng trống nghiên cứu
Phương pháp VaR đang ngày càng chứng tỏ tiềm năng của mình trong quản trị rủi ro đối với các nước phát triển và đang phát triển trên thế giới, trong đó có Việt Nam Tuy nhiên, khi ứng dụng mô hình VaR để đo lường RRTT thì các tác giả thường ứng dụng trên một danh mục đầu tư, hay các đơn vị trong một ngành cụ thể, rất hiếm các nghiên cứu đo lường rủi ro thị trường trong một ngân hàng thương mại cụ thể Chính vì vậy, em mong đề tài “Ứng dụng mô hình Value at Risk trong đo lường và quản trị rủi ro tài chính tại Ngân hàng TMCP Ngoại thương Việt Nam” sẽ có góp phần hỗ trợ các nhà quản trị, các nhà đầu tư có thêm một công cụ hữu ích trong việc ra quyết định đầu tư hay quản lý, giám sát RRTT và các loại RRTC khác một cách hiệu quả.
Mục tiêu nghiên cứu
Bài khóa luận nhằm mục đích nghiên cứu những lý thuyết về RRTT và quản trị RRTT tại các NHTM, cũng như cơ sở lý luận về mô hình VaR và các phương pháp đo lường VaR phổ biến
8 Đưa ra một số phân tích về thực trạng RRTT cũng như công tác quản trị RRTT tại NHTMCP Ngoại thương Việt Nam
Xác định mức độ thua lỗ có thể xảy ra trong các vị thế đầu tư và hoạt động kinh doanh của Vietcombank qua mô hình VaR Qua đó, nhà quản trị Vietcombank có thể hiểu rõ hơn về các nguy cơ và khả năng mất mát trong tình hình thị trường biến động, làm cơ sở để đưa ra các quyết định đầu tư và quản trị rủi ro một cách hệ thống và khoa học Đưa ra khuyến nghị và lưu ý về việc áp dụng VaR trong đo lường và quản trị rủi ro thị trường tại Vietcombank nói riêng và các NHTM tại Việt Nam nói chung.
Kết cấu bài nghiên cứu
Kết cấu bài khóa luận gồm 5 chương:
Chương 1: Cơ sở lý luận về rủi ro thị trường của ngân hàng thương mại và mô hình VaR
Chương 2: Cơ sở dữ liệu và phương pháp nghiên cứu
Chương 3: Thực trạng rủi ro thị trường của Ngân hàng TMCP Ngoại thương Việt Nam
Chương 4: Ứng dụng mô hình VaR trong đo lường rủi ro thị trường tại Vietcombank
9 Chương 5: Khuyến nghị trong việc áp dụng mô hình VaR trong đo lường và quản trị rủi ro thị trường
CƠ SỞ LÝ LUẬN VỀ RỦI RO THỊ TRƯỜNG CỦA NHTM VÀ MÔ HÌNH VAR
Rủi ro thị trường trong hoạt động của ngân hàng thương mại
1.1.1 Khái niệm rủi ro thị trường
Theo Pyle (1999), rủi ro có thể được định nghĩa là sự giảm giá trị doanh nghiệp do những thay đổi trong môi trường kinh doanh Trong hiệp ước Basel II, ba nhân tố rủi ro chính mà ngân hàng phải đối mặt là rủi ro tín dụng, rủi ro vận hành (hay rủi ro hoạt động) và rủi ro thị trường
Theo Dowd (2003), rủi ro tài chính là khả năng thua lỗ tài chính hoặc lãi do những thay đổi không lường trước được trong các yếu tố rủi ro cơ bản Trong đó, một hình thức rủi ro tài chính cụ thể là rủi ro thị trường hoặc rủi ro thua lỗ (hoặc lãi) phát sinh từ những thay đổi bất ngờ về giá thị trường (ví dụ: giá chứng khoán) hoặc tỷ giá thị trường (ví dụ: lãi suất hoặc tỷ giá hối đoái) Rủi ro thị trường, đến lượt nó, có thể được phân loại thành rủi ro lãi suất, rủi ro vốn chủ sở hữu, rủi ro tỷ giá hối đoái, rủi ro giá hàng hóa, v.v, tùy thuộc vào yếu tố rủi ro là lãi suất, giá cổ phiếu hay bất cứ thứ gì Rủi ro thị trường cũng có thể được phân biệt với các hình thức rủi ro tài chính khác, đặc biệt là rủi ro tín dụng (rủi ro thua lỗ phát sinh từ việc đối tác không thực hiện thanh toán như đã hứa) và rủi ro hoạt động (rủi ro thua lỗ phát sinh từ sự thất bại của các hệ thống nội bộ hoặc những người hoạt động trong đó) Rủi ro thị trường tập trung vào một tập hợp các công cụ được hạch toán trên cơ sở giá thị trường, được giao dịch trên sàn giao dịch với mức giá có thể quan sát được trên thị trường
Theo Chance và Brooks (2010), rủi ro thị trường là sự không chắc chắn và những tiềm ẩn trong các khoản lỗ liên quan đến các biến động trong lãi suất, tỷ giá hoặc là giá hàng hóa
Theo Rakhimov và Mamadjonov (2022), rủi ro thị trường là rủi ro thua lỗ hoặc không thu được lợi nhuận theo kế hoạch do những thay đổi tiêu cực về giá tài sản và nợ phải trả của ngân hàng (bao gồm cả ngoại bảng) do thay đổi lãi suất thị trường, tỷ giá, giá cổ phiếu và giá hàng hóa
Theo Uỷ ban Basel (2011), rủi ro thị trường là rủi ro thua lỗ ở cả nội bảng và ngoại bảng phát sinh từ biến động giá cả thị trường Các yêu cầu về vốn rủi ro thị trường bao gồm nhưng không giới hạn ở: (1) Rủi ro vỡ nợ, rủi ro lãi suất, rủi ro chênh lệch tín dụng, rủi ro ngoại hối (EX) và rủi ro hàng hóa đổi với các công cụ trong danh mục giao dịch (2) Rủi ro ngoại hối và rủi ro hàng hóa đối với các công cụ trong số sách ngân hàng Quan điểm của Basel là một trong những quan điểm được sử dụng rộng rãi nhất trong quá trình hoạt động của các ngân hàng và các tổ chức tín dụng
Tóm lại, rủi ro thị trường là loại rủi ro ảnh hưởng đến toàn bộ thị trường và không thể phòng ngừa bằng cách đa dạng hóa Rủi ro thị trường thể hiện bằng khả năng xảy ra kết quả thua lỗ trong kinh doanh khi mà thị trường có những thay đổi giá trị trong các trạng thái nội hoặc ngoại bảng cân đối kế toán (CĐKT) của ngân hàng Các giá trị bảng CĐKT đó chịu ảnh hưởng bất lợi bởi những biến động trong thị trường chứng khoán, lãi suất, tỷ giá hối đoái hay giá cả hàng hóa ngược chiều so với dự đoán của ngân hàng
1.1.2 Phân loại rủi ro thị trường
Theo Khoản 1 Điều 1 Thông tư số 40/2018/TT-NHNN quy định về hệ thống kiểm soát nội bộ của ngân hàng thương mại, chi nhánh ngân hàng nước ngoài: “Rủi ro thị trường là rủi ro do biến động bất lợi của lãi suất, tỷ giá, giá vàng, giá chứng khoán và giá hàng hóa trên thị trường Rủi ro thị trường bao gồm: a) Rủi ro lãi suất là rủi ro do biến động bất lợi của lãi suất trên thị trường đối với giá trị của giấy tờ có giá, công cụ tài chính có lãi suất, sản phẩm phái sinh lãi suất trên sổ kinh doanh của ngân hàng thương mại, chi nhánh ngân hàng nước ngoài; b) Rủi ro ngoại hối là rủi ro do biến động bất lợi của tỷ giá, giá vàng trên thị trường khi ngân hàng thương mại, chi nhánh ngân hàng nước ngoài có trạng thái ngoại tệ, trạng thái vàng; c) Rủi ro giá cổ phiếu là rủi ro do biến động bất lợi của giá cổ phiếu trên thị trường đối với giá trị của cổ phiếu, giá trị chứng khoán phái sinh trên sổ kinh doanh của ngân hàng thương mại, chi nhánh ngân hàng nước ngoài;
12 d) Rủi ro giá hàng hóa là rủi ro do biến động bất lợi của giá hàng hóa trên thị trường đối với giá trị của sản phẩm phái sinh hàng hóa, giá trị của sản phẩm trong giao dịch giao ngay chịu rủi ro giá hàng hóa của ngân hàng thương mại, chi nhánh ngân hàng nước ngoài.”
Theo Ủy ban Basel (2011), một phần quan trọng của hệ thống đo lường rủi ro thị trường nội bộ của ngân hàng là việc xác định một tập hợp các yếu tố rủi ro thị trường thích hợp, tức là tỷ giá và giá cả thị trường ảnh hưởng đến giá trị trạng thái giao dịch của ngân hàng Các yếu tố rủi ro có trong hệ thống đo lường rủi ro thị trường phải đủ để nắm bắt những rủi ro vốn có trong danh mục các vị thế giao dịch nội và ngoại bảng cân đối kế toán của ngân hàng Mặc dù các ngân hàng sẽ có một số quyền quyết định trong việc xác định các yếu tố rủi ro cho mô hình nội bộ của mình nhưng về cơ bản sẽ gồm có những loại rủi ro sau: Đối với lãi suất, phải có một tập hợp các yếu tố rủi ro tương ứng với lãi suất của từng loại tiền tệ mà ngân hàng có trạng thái trong hoặc ngoài bảng cân đối kế toán nhạy cảm với lãi suất
- Hệ thống đo lường rủi ro nên mô hình hóa đường cong lợi suất bằng cách sử dụng một trong các các phương pháp được chấp nhận rộng rãi, ví dụ, bằng cách ước tính tỷ giá kỳ hạn của lãi suất trái phiếu zero coupon Đường cong lợi suất nên được chia thành nhiều đoạn kỳ hạn khác nhau để nắm bắt được sự thay đổi về mức độ biến động của lãi suất dọc theo đường cong lợi suất; thường sẽ có một yếu tố rủi ro tương ứng với từng giai đoạn trưởng thành Đối với những rủi ro đáng kể trước những biến động lãi suất ở các loại tiền tệ và thị trường chính, các ngân hàng phải lập mô hình đường cong lợi suất bằng cách sử dụng tối thiểu sáu yếu tố rủi ro Tuy nhiên, số lượng các yếu tố rủi ro được sử dụng cuối cùng sẽ phụ thuộc vào bản chất chiến lược giao dịch của ngân hàng Ví dụ, một ngân hàng có danh mục đầu tư gồm nhiều loại chứng khoán khác nhau trên nhiều điểm của đường cong lợi suất và tham gia vào các chiến lược kinh doanh chênh lệch giá phức tạp sẽ đòi hỏi nhiều yếu tố rủi ro hơn để nắm bắt rủi ro lãi suất một cách chính xác
- Hệ thống đo lường rủi ro phải kết hợp các yếu tố rủi ro riêng biệt để nắm bắt rủi ro chênh lệch (ví dụ giữa trái phiếu và hợp đồng hoán đổi) Một loạt các phương
13 pháp tiếp cận có thể được sử dụng để nắm bắt rủi ro chênh lệch phát sinh từ những biến động ít tương quan hoàn hảo giữa chính phủ và các lãi suất thu nhập cố định khác, chẳng hạn như chỉ định một đường cong lợi suất hoàn toàn riêng biệt cho các công cụ thu nhập cố định phi chính phủ hoặc ước tính chênh lệch lãi suất của chính phủ tại các điểm khác nhau dọc theo đường cong lợi suất Đối với tỷ giá hối đoái (có thể bao gồm vàng), hệ thống đo lường rủi ro cần kết hợp các yếu tố rủi ro tương ứng với từng loại ngoại tệ mà ngân hàng sử dụng Vì con số giá trị rủi ro được tính toán bởi hệ thống đo lường rủi ro sẽ được thể hiện bằng đồng nội tệ của ngân hàng, nên bất kỳ trạng thái ròng nào tính bằng ngoại tệ sẽ gây ra rủi ro ngoại hối Như vậy, phải có yếu tố rủi ro tương ứng với tỷ giá hối đoái giữa đồng nội tệ và từng loại ngoại tệ mà ngân hàng có rủi ro đáng kể Đối với giá cổ phiếu, cần có các yếu tố rủi ro tương ứng với từng thị trường chứng khoán mà ngân hàng nắm giữ vị thế quan trọng:
- Tối thiểu cần có một yếu tố rủi ro được thiết kế để nắm bắt diễn biến giá cổ phiếu trên toàn thị trường (ví dụ: chỉ số thị trường) Vị thế trong các chứng khoán riêng lẻ hoặc trong các chỉ số ngành có thể được biểu thị bằng “giá trị beta tương đương” so với chỉ số toàn thị trường này;
- Một cách tiếp cận chi tiết hơn có thể là có các yếu tố rủi ro tương ứng với các lĩnh vực khác nhau của thị trường chứng khoán tổng thể (ví dụ, các ngành công nghiệp hoặc các ngành có tính chu kỳ và không theo chu kỳ) Như trên, vị thế của từng cổ phiếu trong từng ngành có thể được biểu thị bằng giá trị beta tương đương so với chỉ số ngành;
- Cách tiếp cận rộng rãi nhất là có các yếu tố rủi ro tương ứng với sự biến động của các đợt phát hành vốn cổ phần riêng lẻ
- Sự phức tạp và bản chất của kỹ thuật lập mô hình cho một thị trường nhất định phải tương ứng với mức độ tiếp xúc của ngân hàng với thị trường tổng thể cũng như mức độ tập trung của ngân hàng vào các phát hành vốn cổ phần riêng lẻ trên thị trường đó
14 Đối với giá hàng hóa, cần có các yếu tố rủi ro tương ứng với từng thị trường hàng hóa mà ngân hàng nắm giữ vị thế quan trọng:
Cơ sở lý thuyết về mô hình VaR
1.2.1 Mô hình VaR và cơ sở đo lường
1.2.1.1 Lịch sử phát triển của mô hình VaR
Theo Adamko và cộng sự (2015), những nỗ lực đầu tiên để đo lường rủi ro và thể hiện những tổn thất tiềm năng trong danh mục đầu tư được cho là của Francis Edgeworth bắt đầu từ năm 1888 Ông đã có những đóng góp quan trọng cho lý thuyết thống kê, ủng hộ việc sử dụng dữ liệu từ kinh nghiệm trong quá khứ làm cơ sở để ước tính xác suất trong tương lai
Lịch sử của VaR tiếp tục vào năm 1945, khi Dickson H Leavens tạo ra một công trình được coi là đề cập đến VaR lần đầu tiên Đó là một ví dụ đơn giản về danh mục đầu tư bao gồm mười trái phiếu chính phủ Ông gợi ý rằng trái phiếu sẽ đáo hạn với $1.000 hoặc các điều kiện đã thỏa thuận không được đáp ứng và trở nên vô giá trị Hơn nữa, ông giả định rằng các trái phiếu là độc lập với nhau Leavens cổ gắng đo lường giá trị của danh mục đầu tư Trong nghiên cứu của mình, Leavens đã không sử dụng cái tên Value at Risk Ông đã nhiều lần đề cập đến “sự chênh lệch giữa lãi và lỗ có thể xảy ra” và đó rất có thể là độ lệch chuẩn mà chúng ta biết ngày nay - được sử dụng đề đo lường rủi ro và là một phần quan trọng của VaR
Vào năm 1952, Harry Markowitz, người đã được trao giải Nobel Kinh tế năm
1990 cho nghiên cứu tiên phong của ông trong lĩnh vực lý thuyết danh mục đầu tư, và cùng năm đó, chỉ ba tháng sau, Arthur D Roy đã độc lập đề xuất các chỉ số VaR
Cả hai nhà nghiên cứu đều đưa ra các kết quả tương tự một cách đáng ngạc nhiên
(Kollar, 2014) Cả hai đều cố gắng tìm ra cách có thể tối ưu hóa lợi nhuận ở một mức độ rủi ro nhất định Trong các đề xuất của họ, hiệp phương sai đóng một vai trò quan trọng, nhưng các chỉ số VaR khác nhau đáng kể Roy và Markowitz bày tỏ phỏng đoán về cách thức xác định phân phối xác suất Để tính toán VaR, Roy cần phải biết vectơ thu nhập trung bình tương ứng với tổn thất và ma trận hiệp phương sai của các yếu tố rủi ro Chúng phải được ước tính trên cơ sở dữ liệu lịch sử Cách tính toán VaR theo Markowitz thì điều kiện đủ là biết ma trận hiệp phương sai Cà hai đều cho rằng việc tính toán của họ là cần thiết đề kết hợp các kỹ thuật thống kê với sự đánh giá đúng đắn của các chuyên gia
Trong những thập niên 70 đến 80, nhiều sản phẩm tài chính mới đã được sinh ra theo sự phát triển của nền kinh tế toàn cầu Điều này đã đặt ra một thách thức mới đối với việc mô hình hóa rủi ro Các sản phẩm tài chính mới không có tính lịch sử, qua đó có thể ước tính rủi ro ít nhất là xấp xỉ (Gavlakova & Kliestik, 2014) Có một lựa chọn được đưa ra là tìm các sản phẩm tài chính gần giống nhau và cố gắng loại bỏ rủi ro từ chúng Ví dụ, việc bãi bỏ hệ thống tiền tệ Bretton Woods vào năm 1971 đã dẫn đến một thị trường ngoại hối kỳ hạn Những thách thức mới này đã kích thích sự phát triển của một chỉ báo rủi ro dễ hiểu và đáng tin cậy
Năm 1971, Bernard Lietaer đã phát triển một mô hình tập trung vào rủi ro biến động tỷ giá hối đoái Chủ đề này rất được quan tâm trong chương trình nghị sự vì sau Chiến tranh thể giới thứ hai, hầu hết các loại tiền tệ bắt đầu mất giá vào một thời điểm nào đó (Jaros và cộng sự, 2014) Mô hình của Bernard Lietaer thu nhỏ tác động của rủi ro chuyển đổi Đó là một mô hình phá giá đặc biệt, giúp tối ưu hóa chiến lược bảo vệ và phòng ngừa rủi ro (Misankova và Kocisova, 2014) Trong công trình của Lietaer, có lẽ lần đầu tiên phương pháp Monte Carlo được sử dụng
Mặc dù những ấn phẩm đầu tiên về tiền thân của VaR đã có từ thế kỷ 20, nhưng công lao cho việc sử dụng VaR hiện tại chủ yếu là do ngân hàng đầu tư Hoa
Kỳ JP Morgan Chủ tịch của Ngân hàng lúc đó, Dennis Weatherstone, đã yêu cầu một thứ gì đó đơn giản, thứ gì đó có thể bao trùm toàn bộ các rủi ro mà ngân hàng phải đổi mặt trong 24 giờ tới Ngân hàng đã nghiên cứu, phát triển và sử dụng lý thuyết danh mục đầu tư Markowitz, VaR Nhưng lúc đó nó được gọi là “Báo cáo 4:15” Báo
23 cáo này sẽ được gửi vào lúc 4:15 mỗi ngày, sau khi kết thúc giao dịch Để đáp ứng nhu cầu này, nhân viên Morgan đã phải phát triển một hệ thống để đo lường rủi ro trên các vị trí giao dịch khác nhau, trên toàn bộ tổ chức và cũng tổng hợp các rủi ro này thành một thước đo rủi ro duy nhất Thước đo được sử dụng là giá trị có rủi ro (hoặc VaR), hoặc khả năng thua lỗ tối đa trong ngày giao dịch tiếp theo và VaR được ước tính từ một hệ thống dựa trên lý thuyết danh mục đầu tư tiêu chuẩn, sử dụng các ước tính về độ lệch chuẩn và mối tương quan giữa lợi nhuận cho các công cụ giao dịch khác nhau Mặc dù lý thuyết rất đơn giản nhưng việc làm cho hệ thống này hoạt động liên quan đến một lượng công việc khổng lồ: các quy ước đo lường phải được chọn, các bộ dữ liệu được xây dựng, các giả định thống kê được thống nhất, các quy trình được xác định để ước tính biến động và tương quan, các hệ thống máy tính được thiết lập để thực hiện ước tính và nhiều vấn đề thực tế khác đã được giải quyết Việc phát triển phương pháp luận này mất một thời gian dài, nhưng vào khoảng năm 1990, các yếu tố chính - hệ thống dữ liệu, phương pháp đo lường rủi ro và cơ chế cơ bản - tất cả đều được áp dụng và hoạt động khá tốt Vào thời điểm đó, người ta đã quyết định bắt đầu sử dụng “Báo cáo 4:15” và sớm phát hiện ra rằng hệ thống quản lý rủi ro mới có tác động tích cực lớn (Dowd, 2003)
Năm 1994, J P Morgan xuất bản tài liệu kỹ thuật của hệ thống VaR Tiếp theo đó là việc mua lại hàng loạt hệ thống bởi nhiều tổ chức VaR đã được phổ biến rộng rãi như là thước đo rủi ro được các ngân hàng đầu tư lựa chọn để có thể đo lường rủi ro danh mục đầu tư của họ vì lợi ích của các nhà quản lý ngân hàng Vào tháng 6 năm 1974, Chính phủ Đức phải giải cứu Ngân hàng Herstatt và điều này đã trở thành cuộc khủng hoảng quốc tế, do đó, ngay trong năm đó, sáng kiến đã được đưa ra bởi các thành viên của G10 và Luxembourg, những người đã thành lập Ủy ban Giám sát Ngân hàng Basel (Basel Committee on Banking Supervision, viết tắt là BCBS) BCBS đã thiết lập các tiêu chuẩn toàn cầu để thúc đẩy sự ổn định của ngành ngân hàng Theo Ủy ban Basel, phương pháp VaR có thể được các tổ chức tài chính sử dụng để tính toán chi phí vốn liên quan đến rủi ro tài chính của họ Việc sử dụng VaR độc quyền của chính các ngân hàng cũng đã được phê duyệt
Tháng 6 năm 1995, FED (Cục dự trữ liên bang Mỹ) đã đưa ra đạo luật dùng VaR để tính toán yêu cầu vốn tối thiểu đáp ứng được rủi ro mà các NHTM đang mắc
24 phải, và sẽ áp dụng một khoản phạt nếu các NHTM không đáp ứng được chuẩn vốn này
Theo Hong và cộng sự (2014), năm 1997, Ủy ban Chứng khoán và Giao dịch Hoa Kỳ ra phán quyết rằng các công ty đại chúng phải công bố các hoạt động phái sinh của họ một cách định lượng và nhiều tổ chức tài chính đã chọn báo cáo thông tin VaR như một cách để tuân thủ quy định này Năm 1999, Hiệp định Basel II được thông qua trên phạm vi quốc tế và nó cũng kết hợp khái niệm VaR trong việc đo lường rủi ro thị trường tài chính và xác định các yêu cầu về vốn pháp định Kể từ đó, VaR đã trở thành một khái niệm và cách tiếp cận tiêu chuẩn trong đo lường rủi ro tài chính
Theo Angelovska (2013), giá trị rủi ro (VaR) chủ yếu liên quan đến rủi ro thị trường VaR có nghĩa là việc xem xét rủi ro làm giảm biến động giá trị tài sản Cụ thể, nó đề cập đến rủi ro thua lỗ do những thay đổi không chắc chắn về giá tài sản Cách tiếp cận VaR hấp dẫn đối với những người thực hiện và các cơ quan quản lý vì nó dễ hiểu và đưa ra ước tính về lượng vốn cần thiết để hỗ trợ một mức độ rủi ro nhất định Một ưu điểm khác của biện pháp này là khả năng kết hợp các tác động của việc đa dạng hóa danh mục đầu tư VaR là một định nghĩa thống kê cho biết số lượng tổn thất tối đa mỗi ngày, mỗi tuần hoặc mỗi tháng Nói cách khác, VaR là một bản tóm tắt thống kê về tài sản tài chính hoặc danh mục đầu tư dưới góc độ rủi ro thị trường Trong khoảng thời gian xác định, VaR đo lường tổn thất tối đa ở một mức độ tin cậy nhất định Theo Jorion (2007), “Giá trị rủi ro đo lường tổn thất dự kiến tồi tệ nhất trong một khoảng thời gian nhất định trong điều kiện thị trường bình thường ở mức độ tin cậy nhất định”
Theo Best (2000), VAR thường được tính trong khoảng thời gian một ngày - được gọi là thời gian nắm giữ - và thường được tính với độ tin cậy 95% Độ tin cậy 95% có nghĩa là (trung bình) có 95% khả năng thua lỗ đối với danh mục đầu tư thấp hơn VAR tính toán Do đó định nghĩa điển hình của VAR trở thành: Số tiền tối đa có thể bị mất trong danh mục đầu tư trong 24 giờ, với độ tin cậy 95%
Theo Tsay (2010), VaR chủ yếu liên quan đến rủi ro thị trường, nhưng khái niệm này cũng có thể áp dụng cho các loại rủi ro khác VaR là một ước tính duy nhất về mức độ mà vị thế của một tổ chức trong danh mục rủi ro có thể giảm do những biến động chung của thị trường trong một khoảng thời gian nắm giữ nhất định Biện pháp này có thể được các tổ chức tài chính sử dụng để đánh giá rủi ro của họ hoặc bởi ủy ban quản lý để đặt ra các yêu cầu ký quỹ Trong cả hai trường hợp, VaR được sử dụng để đảm bảo rằng các tổ chức tài chính vẫn có thể hoạt động sau một sự kiện thảm khốc Từ quan điểm của một tổ chức tài chính, VaR có thể được định nghĩa là khoản lỗ tối đa của một vị thế tài chính trong một khoảng thời gian nhất định với một xác suất nhất định Theo quan điểm này, người ta coi VaR là thước đo tổn thất liên quan đến một sự kiện hiếm gặp (hoặc bất thường) trong điều kiện thị trường bình thường Ngoài ra, từ quan điểm của ủy ban quản lý, VaR có thể được định nghĩa là khoản lỗ tối thiểu trong các trường hợp thị trường đặc biệt Cả hai định nghĩa đều dẫn đến cùng một giá trị VaR, mặc dù các khái niệm này có vẻ khác nhau
CƠ SỞ DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
Cơ sở dữ liệu
Đề đo lường VaR trong ước lượng RRTT của Ngân hàng TMCP Ngoại thương Việt Nam (Vietcombank), bài khóa luận sử dụng nguồn dữ liệu từ giá đóng cửa hàng ngày có điều chỉnh của cổ phiếu VCB trong vòng 7 năm từ ngày 20/04/2017 - 20/04/2024 được lấy từ website http://investing.com, bộ dữ liệu được lưu dưới dạng file.csv.
Phương pháp nghiên cứu
Trong thống kê dữ liệu, ngôn ngữ lập trình R là một công cụ hữu ích cho các nhà khoa học dữ liệu, nhà phân tích và nhà thống kê, đặc biệt là những người làm việc trong môi trường học thuật Khả năng của R đề xử lý các phân tích phức tạp như máy học, lập mô hình tài chính, khiến nó trở thành tài sản quý giá cho nhiều tác vụ liên quan đến dữ liệu Đặc biệt phải nói đến RStudio - mô hình phần mềm mạnh mẽ và dễ dàng chạy trên nền tảng ngôn ngữ lập trình R, được coi là Môi trường phát triển tích hợp (IDE) cung cấp giải pháp cho tất cả đồ họa và điện toán thống kê RStudio là phiên bản nâng cao hơn của R đi kèm với thiết lập cửa sổ nhiều ngăn cung cấp quyền truy cập vào tất cả những cửa sổ chính trên một màn hình (như nguồn, bảng điều khiển, môi trường & lịch sử, tệp, ảnh, đồ thị, v.v.)
Bài nghiên cứu sử dụng phần mềm Rstudio phiên bản 2023.12.1-402 trên nền tảng R phiên bản 4.3.3 để phân tích và tính toán VaR nhằm đo lường rủi ro thị trường thông qua 4 phương pháp: RiskMetrics, Econometric Approach, Quantile Estimation và mô phòng Monte Carlo Simulation Một số gói package được sử dụng trong quá trình chạy mô hình là: fBasics là một tập hợp các chức năng đề khám phá và điều tra các thuộc tính cơ bản của lợi nhuận tài chính và các đại lượng liên quan bao gồm các kỹ thuật phân tích dữ liệu khám phá và điều tra các thuộc tính phân phối, bao gồm ước tính tham số và kiểm tra giả thuyết; tseries hỗ trợ khai thác các dữ liệu tài chính; fGarch là một tập hợp các chức năng để chạy các mô hình như ARCH, GARCH (1,1) cho chuỗi thời gian tài chính; rugarch cung cấp một môi trường thử nghiệm và chạy các mô hình phức tạp như IGARCH và EGARCH cho chuỗi thời gian tài chính; quantmod hỗ trợ tài về dữ liệu tài chính, vẽ biểu đồ và thực thi các phân tích
Quá trình nghiên cứu, đo lường gồm các bước cơ bản sau đây:
Bước 1: Thu thập dữ liệu thời gian tài chính
Dựa trên cơ sở dữ liệu giá đóng cửa có điều chỉnh hằng ngày cổ phiếu VCB từ ngày 20/04/2017 - 20/04/2024, ta thực hiện tính tỷ suất sinh lời hàng ngày của cổ phiếu VCB bằng công thức sau:
𝑃 𝑡−1 Trong đó: r: Tỷ suất sinh lời hàng ngày của cổ phiếu
𝑃 𝑡 : Giá cổ phiếu đóng cửa vào ngày t
𝑃 𝑡−1 : Giá cổ phiếu đóng cửa vào ngày t - 1
Với mong muốn đo lường mức thua lỗ của cổ phiếu VCB, tác giả sẽ sử dụng hàm thua lỗ (Loss), bằng cách lấy số đối của tỷ suất sinh lời
Bước 2: Xác định mức độ tin cậy và mức độ rủi ro
Việc xác định mức độ tin cậy phụ thuộc hoàn toàn vào mục đích sử dụng VaR và mức chịu đựng tổn thất Đối với bộ dữ liệu của đề tài, với mục đích quản trị rủi ro thị trường, bài nghiên cứu lựa chọn mức độ tin cậy để ước tính VaR hàng ngày là 95% tương đương với mức ý nghĩa α là 5%
Bước 3: Kiểm định các giả thuyết của mô hình VaR
Mô hình tính toán VaR giả định rằng chuỗi thua lỗ của cổ phiếu VCB có tính dừng, có dạng phân phối chuẩn, có tự tương quan Khi đó, các tham số trung bình, độ lệch chuẩn, phương sai sẽ được sử dụng để ước lượng tính toán VaR Vì vậy, trước khi đi ước lượng, tính toán VaR, việc đầu tiên cần làm là kiểm tra dạng phân phối, tính dừng, tự tương quan của chuỗi dữ liệu
* Xem xét các thống kê mô tả của chuỗi dữ liệu
Chúng ta cần đánh giá tổng quát một số thông tin như:
- Giá trị nhỏ nhất (Minimum), giá trị lớn nhất (Maximum) của bộ dữ liệu
- Giá trị trung bình (Mean): Là giá trị trung bình của TSSL/ lỗ của cổ phiếu một công ty trong một đơn vị thời gian nhất định
- Giá trị trung vị (Median): Là giá trị ở giữa của bộ dữ liệu khi nó được sắp xếp theo thứ tự tăng dần hoặc giảm dần Nó không bị ảnh hưởng bởi các giá trị ngoại lệ và thường được sử dụng để đánh giá trung tâm của dữ liệu Chuỗi dữ liệu có phân phối chuẩn nếu như giá trị mean và median trùng nhau
- Độ lệch chuẩn (Stdev): Là chỉ số đo lường mức độ biến động của tỷ suất sinh lời cổ phiếu Nó cho biết sự phân tán của dữ liệu xung quanh giá trị trung bình
- Độ lệch (Skewness): Là chỉ số giúp đo lường mức độ chệch của phân phối dữ liệu so với phân phối chuẩn Nếu giá trị độ lệch dương, tỷ suất sinh lời có xu hướng lệch về phía phải (có nhiều giá trị lớn hơn) Nếu giá trị độ lệch âm, tỷ suất sinh lời có xu hướng lệch về phía trái (có nhiều giá trị nhỏ hơn)
- Độ nhọn (Kurtosis): Là chỉ số đo lường mức độ “đỉnh” hoặc “đuôi” của phân phối dữ liệu Nếu giá trị độ nhọn lớn hơn 3, phân phối có đỉnh cao và đuôi dày hơn Nếu giá trị độ nhọn nhỏ hơn 3, phân phối có đỉnh thấp và đuôi mỏng hơn
* Kiểm định phân phối chuẩn của chuỗi dữ liệu
Có nhiều phương pháp khác nhau để kiểm tra xem dữ liệu có phân phối chuẩn hay không Theo cách trực quan, có thể sử dụng biểu đồ QQ-Plot, biểu đồ Histogram, Chúng ta cũng có thể sử dụng biểu đồ đường cong phân phối chuẩn, trong đó giá trị cao nhất được đặt ở giữa và các giá trị thấp dần được đặt ở hai bên, giá trị trung vị và trung bình gần bằng nhau, giá trị độ lệch Skewness bằng 0, giá trị độ nhọn Kurtosis bằng 3 Một cách khác ta có thể sử dụng là các kiểm định như: Jarque - Bera, Kolmogorov - Smirnov, Lilliefors, Shapiro-Wilk
Trong bài nghiên cứu, tác giả sẽ sử dụng kiểm định Jarque - Bera để kiểm tra phân phối chuẩn Cặp giả thuyết thống kê được đưa ra:
𝐻 0 : Chuỗi dữ liệu thua lỗ có phân phối chuẩn
𝐻 1 : Chuỗi dữ liệu thua lỗ không phân phối chuẩn
Với mức ý nghĩa α đã chọn là 5%:
39 p-value < 0,05: Bác bỏ 𝐻 0 , chấp nhận 𝐻 1 => Chuỗi dữ liệu thua lỗ không có phân phối chuẩn p-value > 0,05: Tạm chấp nhận 𝐻 0 , bác bò 𝐻 1 => Chuỗi dữ liệu thua lỗ không có phân phối chuẩn
* Kiểm định tính dừng của chuỗi dữ liệu
Một yếu tố quan trọng để xác định tính hợp lý của mô hình thống kê được xây dựng từ chuỗi dữ liệu đó là tính dừng Theo Gujarati (2003), chuỗi dữ liệu theo thời gian có tính dừng khi giá trị mean, covariance hay variance không có sự biến động tại bất cứ một thời điểm xác định nào cho trước Cụ thể thì chuỗi dữ liệu có tính dừng khi nó dao động xung quanh giá trị mean và những dao động sẽ là như nhau Nếu chuỗi dữ liệu không có tính dừng, tức là nó thay đổi theo thời gian và không ổn định, thì các kết quả thống kê và dự đoán từ mô hình có thể sẽ không đáng tin cậy
Có nhiều phương pháp kiểm tra tính dừng của chuỗi thời gian như: kiểm định Dickey - Fuller (DF), kiểm định Augment Dickey Fuller (ADF), kiểm định Phillip - Person (PP), kiểm định KPSS,
Trong bài nghiên cứu, tác giả sẽ sử dụng hai loại kiểm định là ADF và KPSS đề kiểm tra tính dừng, với các cặp giả thuyết thống kê được đưa ra:
𝐻 0 : Chuỗi dữ liệu không có tính dừng (Non-stationary)
𝐻 1 : Chuỗi dữ liệu có tính dừng (Stationary)
THỰC TRẠNG RỦI RO THỊ TRƯỜNG CỦA NGÂN HÀNG
Giới thiệu về Vietcombank
3.1.1 Quá trình hình thành và phát triển
Với hành trình 60 năm đầy tự hào, Vietcombank đã ghi dấu ấn sâu đậm trong lịch sử phát triển của Việt Nam Từ những ngày đầu thành lập, Vietcombank đã có những cống hiến to lớn cho công cuộc đấu tranh giành độc lập dân tộc, xây dựng chủ nghĩa xã hội ở miền Bắc và tham gia khắc phục khó khăn trong thời kỳ bao cấp Bước vào giai đoạn đổi mới, hội nhập và phát triển, Vietcombank đã bứt phá ngoạn mục, trở thành ngân hàng tiên phong trong hệ thống tài chính Việt Nam Trong 10 năm gần đây, Vietcombank liên tục đạt được những thành tựu vang dội, khẳng định vị thế dẫn đầu trong ngành ngân hàng Quy mô, chất lượng và hiệu quả kinh doanh của Vietcombank tăng trưởng vượt bậc, góp phần tạo dựng nền tảng vững chắc cho sự phát triển bền vững trong tương lai Với những thành công ấn tượng, Vietcombank đã và đang đóng góp tích cực cho sự thịnh vượng chung của Việt Nam, khẳng định vai trò là một ngân hàng quốc gia uy tín, trách nhiệm và tận tâm
Ngân hàng TMCP Ngoại thương Việt Nam (Vietcombank), tên gọi trước đây là Ngân hàng Ngoại thương Việt Nam, chính thức đi vào hoạt động vào ngày 01/04/1963 Ban đầu, tổ chức tiền thân của Vietcombank là Sở Quản lý Ngoại hối Trung ương, trực thuộc Ngân hàng Quốc gia Việt Nam
Vietcombank ghi dấu ấn lịch sử khi trở thành NHTM nhà nước đầu tiên được Chính phủ lựa chọn thực hiện thí điểm cổ phần hóa Vào ngày 02/06/2008, sau khi hoàn tất kế hoạch cổ phần hóa thông qua việc phát hành cổ phiếu lần đầu tiên ra công chúng, Vietcombank chính thức hoạt động với tư cách là một ngân hàng TMCP Kể từ ngày 30/06/2009, cổ phiếu Vietcombank (mã chứng khoán VCB) chính thức niêm yết tại Sở Giao dịch chứng khoán TP Hồ Chí Minh, mở ra cánh cửa mới cho hoạt động huy động vốn và hợp tác quốc tế của ngân hàng
Từ xuất phát điểm là một ngân hàng chuyên doanh phục vụ kinh tế đối ngoại, Vietcombank đã vươn mình trở thành một ngân hàng đa năng, hoạt động đa lĩnh vực,
47 cung cấp cho khách hàng đầy đủ các dịch vụ tài chính hàng đầu Bên cạnh các hoạt động truyền thống như kinh doanh vốn, huy động vốn, tín dụng, tài trợ dự án, Vietcombank còn chú trọng phát triển mảng dịch vụ ngân hàng hiện đại, bao gồm kinh doanh ngoại tệ và các công cụ phái sinh, dịch vụ thẻ, ngân hàng điện tử,… nhằm đáp ứng mọi nhu cầu tài chính đa dạng của khách hàng
Bằng việc áp dụng hạ tầng kỹ thuật ngân hàng hiện đại, vào đầu năm 2020, Vietcombank đã gặt hái thành công trong việc chuyển đổi hệ thống ngân hàng lõi Nhờ vậy, Vietcombank sở hữu nhiều lợi thế trong việc ứng dụng công nghệ tiên tiến để tự động hóa các dịch vụ ngân hàng Hơn thế nữa, Vietcombank không ngừng phát triển các sản phẩm và dịch vụ ngân hàng điện tử dựa trên nền tảng công nghệ cao Hệ thống giao dịch công nghệ số cùng các giải pháp ngân hàng số đa tiện ích như VCB Digibank, VCB - iB@nking, VCB CashUp, VCB DigiBiz, đang và sẽ tiếp tục thu hút đông đảo khách hàng bởi sự tiện lợi, nhanh chóng, an toàn và hiệu quả, góp phần thúc đẩy thói quen thanh toán không dùng tiền mặt trong cộng đồng
Trải qua 60 năm hình thành và phát triển, Vietcombank đã khẳng định vị thế là một trong những ngân hàng thương mại lớn nhất Việt Nam với mạng lưới rộng khắp bao gồm: hơn 600 chi nhánh, phòng giao dịch, văn phòng đại diện trải dài khắp cả nước; 4 công ty con trong nước (Công ty cho thuê tài chính, Công ty chứng khoán, Công ty kiều hối, Công ty cao ốc Vietcombank 198) và 3 công ty con ở nước ngoài (Công ty Vinafico Hongkong, Công ty chuyển tiền Vietcombank tại Mỹ, Ngân hàng con tại Lào); 3 đơn vị sự nghiệp gồm Trường đào tạo và phát triển nguồn nhân lực, Trung tâm xử lý tiền mặt tại Hà Nội và Trung tâm xử lý tiền mặt tại Hồ Chí Minh; 3 công ty liên doanh, liên kết; gần 23.000 cán bộ nhân viên; hơn 2.500 máy ATM và trên 60.000 đơn vị chấp nhận thanh toán thẻ trên toàn quốc; và 1.163 ngân hàng đại lý tại 93 quốc gia và vùng lãnh thổ trên thế giới
Nhờ nỗ lực không ngừng hướng đến các chuẩn mực quốc tế, Vietcombank liên tục được các tổ chức uy tín trên thế giới bình chọn là “Ngân hàng tốt nhất Việt Nam” và được vinh danh với nhiều giải thưởng cao quý, khẳng định vị thế hàng đầu trong ngành ngân hàng như: Top 500 Ngân hàng hàng đầu thế giới theo bình chọn của Tạp chí The Banker năm 2022; Top 30 Ngân hàng mạnh nhất khu vực châu Á - Thái Bình
Dương do The Asian Banker đánh giá; Top 1000 doanh nghiệp niêm yết lớn nhất toàn cầu (xếp thứ 950) theo Tạp chí Forbes; Lọt danh sách “100 nơi làm việc tốt nhất Việt Nam” 7 năm liên tiếp, xếp hạng 1 toàn ngành Ngân hàng và xếp hạng 3 toàn thị trường Việt Nam, do 2 công ty Anphabe và Intage bình chọn; “Ngân hàng hỗ trợ tốt nhất trong thời gian Covid-19 tại Việt Nam” do The Asian Banker trao tặng năm
2022, ghi nhận những đóng góp nổi bật của Vietcombank trong đại dịch Covid-19
3.1.2 Tầm nhìn và sứ mệnh
Mang trong mình khát vọng mãnh liệt, Vietcombank đang nỗ lực và phấn đấu không ngừng để trở thành ngân hàng số 1 tại Việt Nam, vươn lên vị trí top 100 ngân hàng lớn nhất châu Á, lọt top 300 tập đoàn tài chính - ngân hàng hùng mạnh nhất thế giới và gia nhập top 1000 doanh nghiệp niêm yết lớn nhất toàn cầu Song song với đó, ngân hàng luôn hướng đến mục tiêu đóng góp cho sự phát triển vững mạnh của đất nước Để hiện thực hóa những mục tiêu đó, Vietcombank đã đề ra tầm nhìn chiến lược rõ ràng, bao gồm: trở thành ngân hàng có quy mô lợi nhuận dẫn đầu; tiên phong áp dụng chuyển đổi số trong ngành ngân hàng; xây dựng ngân hàng dẫn đầu về quản trị rủi ro; sở hữu đội ngũ nhân lực chất lượng hàng đầu; dẫn đầu về quản trị môi trường, xã hội và doanh nghiệp thông qua thể hiện trách nhiệm xã hội, góp phần bảo vệ môi trường và phát triển cộng đồng; phấn đấu phát hành cổ phiếu và niêm yết trên TTCK quốc tế nhằm nâng cao vị thế quốc tế, thu hút nguồn vốn đầu tư và mở rộng cơ hội hợp tác Với tầm nhìn chiến lược rõ ràng và cam kết thực hiện mạnh mẽ, Vietcombank không chỉ khẳng định vị thế ngân hàng hàng đầu Việt Nam, mà còn là đối tác uy tín, đáng tin trong lĩnh vực tài chính, góp phần vào sự phát triển chung của đất nước.
Thực trạng rủi ro thị trường tại Vietcombank
Giai đoạn đầu năm dưới áp lực đà tăng của tỷ giá, NHNN đã tiến hành phát hành tín phiếu nhằm mục đích gia tăng lãi suất liên ngân hàng, hạn chế các giao dịch chênh lệch lãi suất Theo đó, thanh khoản trong quý 1 cũng không dồi dào như trước mặc dù tăng trưởng tín dụng vẫn còn chậm chạp Cụ thể, NHNN bắt đầu phát hành tín phiếu từ 11/3 và tiếp tục duy trì cho đến thời điểm hiện tại với lãi suất bình quân
49 khoảng 1,58% Tính đến 09/04, thông qua hoạt động thị trường mở, NHNN đã hút ròng hơn 141 nghìn tỷ khỏi hệ thống Bên cạnh đó, NHNN cũng linh hoạt khi chủ động mở mua kỳ hạn để cung cấp thanh khoản cục bộ cho các ngân hàng khi cần thiết vào đầu tháng 4 Hoạt động giao dịch liên ngân hàng cũng sôi động hơn trong 1Q2024 đạt 15,8 triệu tỷ (+142% YoY), cho thấy nhu cầu thanh khoản cao hơn so với cùng kỳ năm trước Tính đến cuối 09/04, lãi suất liên ngân hàng kỳ hạn ON, 2W, 1M và 3M lần lượt là 3,66%, 3,72%, 3,71% và 3,83% (+271 bps, +153 bps, +191 bps và +57 bps so với đầu năm)
Biểu đồ 3.1 Lãi suất liên ngân hàng (%)
Dù đã duy trì xu hướng giảm lãi suất trong năm 2023, đưa mức lãi suất huy động về vùng rất thấp trong lịch sử nhưng xu hướng này vẫn tiếp tục trong 1Q2024 trong bối cảnh tín dụng tăng chậm Cụ thể, tăng trưởng tín dụng tính đến hết 25/03 chỉ đạt 0,26% so với đầu năm Tính đến 12/04, lãi suất huy động 12 tháng của các nhóm NHTM quốc doanh, nhóm NHTMCP lớn (ACB, MBB, VPB, TCB) và nhóm NHTM khác lần lượt đạt 4,7%, 4,4% và 4,56% (giảm bình quân 0,2% - 0,3% so với đầu năm) Tuy nhiên, với bối cảnh thanh khoản kém dồi dào hơn chủ yếu do hoạt động hút ròng tín phiếu, thị trường đã ghi nhận sự điều chỉnh nhẹ tăng lãi suất ở một vài ngân hàng với quy mô vốn vừa và nhỏ (như VPBank, Eximbank, MSB, KLB, NCB,…) cho thấy khả năng tạo đáy của mặt bằng lãi suất Trong khi đó, lãi suất cho
50 vay có độ trễ so với lãi suất huy động do chênh lệch kỳ hạn, song cũng đã giảm tương đối nhanh trong 1Q2024 Theo NHNN, lãi suất bình quân các khoản vay mới hiện chỉ còn 6,4%/năm, giảm thêm 0,7% so với cuối năm 2023 Nhìn chung, đà giảm lãi suất cho vay nhanh hơn so với kỳ vọng của KBSV, theo đó lãi suất các khoản vay mới đã về mức tương đối hợp lý với mức chênh lệch lãi suất huy động – cho vay ở mức 2,5%-3%
Biểu đồ 3.2 Lãi suất huy động 12 tháng bình quân các nhóm ngân hàng (%)
Biểu đồ 3.3 Tăng trưởng tín dụng và huy động
Trong bối cảnh lãi suất huy động đã về vùng thấp lịch sử, dấu hiệu thanh khoản suy yếu, áp lực từ tỷ giá và lạm phát, KBSV dự báo mặt bằng lãi suất huy động nhiều khả năng đã tạo đáy và sẽ có thể nhích nhẹ trong thời gian còn lại của năm, giao động trong khoản 4,75% - 5,35% Lãi suất cho vay bình quân sẽ khó có thể giảm sâu thêm khi lãi suất huy động dự kiến tăng nhẹ, cầu tín dụng phục hồi đi kèm với thị trường bất động sản phục hồi trong nửa cuối năm Do đó, lãi suất cho vay được dự báo sẽ duy trì đi ngang với biên độ ± 0,25% cho đến cuối năm
Theo quy định của NHNN, Vietcombank định nghĩa: “Rủi ro lãi suất là rủi ro do biến động bất lợi của lãi suất đối với thu nhập, giá trị tài sản, giá trị nợ phải trả và giá trị cam kết ngoại bảng của ngân hàng, chi nhánh ngân hàng nước ngoài”
Theo quy định được trích trong BCTC hợp nhất năm 2023 của Vietcombank:
“Kỳ định lại lãi suất thực tế là thời hạn còn lại tính từ ngày kết thúc kỳ kế toán cho tới kỳ định lại lãi suất gần nhất của các khoản mục trên báo cáo tình hình tài chính hợp nhất của Vietcombank Các giả định và điều kiện sau được áp dụng để phân tích kỳ định lại lãi suất thực tế của các khoản mục tài sản và nợ phải trả trên báo cáo tình hình tài chính hợp nhất của Vietcombank:
- Tiền mặt, vàng bạc, đá quý, góp vốn, đầu tư dài hạn, các công cụ tài chính phái sinh và các tài sản tài chính khác và các tài sản Có khác (bao gồm tài sản cố định và các tài sản Có khác) được xếp vào nhóm các khoản mục không chịu lãi;
- Chứng khoán kinh doanh là chứng khoán nợ được xếp vào thang kỳ hạn tương ứng với thời gian nắm giữ trung bình của chứng khoán kinh doanh trong vòng
3 năm tài chính liên kê;
- Kỳ định lại lãi suất thực tế của chứng khoán đầu tư phụ thuộc vào quy định về lãi suất của tổ chức phát hành đối với từng chứng khoán;
- Kỳ đinh lai lãi suất thực tế của các khoản tiền gửi và cho vay các tổ chức tín dụng khác, cho vay khách hàng, các khoản nợ Chính phủ và NHNN, các khoản tiền gửi và vay các tổ chức tín dụng khác, tiền gửi của khách hàng, vốn tài trợ, ủy thác đầu tư, cho vay TCTD chịu rủi ro, phát hành giấy tờ có giá và các khoản nợ khác được xác định như sau:
+ Các khoản mục có lãi suất cố định trong suốt thời gian của hợp đồng: kỳ định lại lãi suất thực tế dựa trên thời gian đáo hạn thực tế tính từ ngày kết thúc kỳ kế toán;
+ Các khoản mục có lãi suất thả nổi: kỳ định lại lãi suất thực tế dựa trên kỳ định lại lãi suất gần nhất tính từ ngày kết thúc kỳ kế toán”
Bảng 3.1 Kỳ định lại lãi suất của các tài sản và nợ phải trả tại ngày 31 tháng 12 năm 2023
Nguồn: Vietcombank, Báo cáo tài chính hợp nhất năm 2023 đã kiểm toán
Vietcombank có khe hở lãi suất dương, do vậy, dự báo lãi suất tăng nhẹ sẽ không phát sinh rủi ro lãi suất cho Vietcombank Đánh giá rủi ro lãi suất: Mức độ ảnh hưởng: nhỏ (2) và Xác suất xảy ra: có thể
(3) → Mức độ rủi ro: trung bình
Tỷ giá liên ngân hàng 1Q2024 tăng mạnh chủ yếu đến từ đà tăng của chỉ số DXY, nhu cầu nhập khẩu tăng và các hoạt động găm giữ USD cũng như carry trade NHNN mặc dù nhận thấy những áp lực ngay từ đầu năm, đã chủ động phát hành tín phiếu từ đầu tháng 3 nhưng không đạt được hiệu quả như mong muốn Được cho rằng lý do khiến cho đợt phát hành tín phiếu này trở nên kém hiệu quả do động thái này
ỨNG DỤNG MÔ HÌNH VAR TRONG ĐO LƯỜNG RỦI RO THỊ TRƯỜNG TẠI VIETCOMBANK
Giả định để ước lượng VaR
Vị thế giả định: 1 tỷ VND đầu tư vào cổ phiếu VCB
Thời gian: dự báo 1 ngày tiếp theo
Dữ liệu sử dụng: Dữ liệu giá hàng ngày có điều chỉnh của cổ phiếu VCB từ 20/04/2017 đến 20/04/2024.
Xem xét dữ liệu và thống kê
Bảng 4.1 In ra 6 giá trị đầu tiên của file dữ liệu
Gọi biến price là giá đóng cửa có điều chỉnh hàng ngày của cổ phiếu VCB Thiết lập hàm tỷ suất lợi nhuận thông thường (Return): vcb 0 thể hiện phân phối hàm loss có xu hướng lệch nhiều về bên phải Độ nhọn Kurtosis = 6,198715 > 3 cho thấy đây không phải phân phối chuẩn, mà là phân phối đuôi to, xác suất cao xảy ra các giá trị cực đoan
4.2.2 Kiểm định phân phối chuẩn của chuỗi thua lỗ của cổ phiếu VCB Để kiểm tra phân phối hàm loss của cổ phiếu VCB, ta thực hiện kiểm định Jarque - Bera để kiểm định phân phối của chuỗi dữ liệu Cặp giả thuyết là:
𝐻 0 : Chuỗi dữ liệu thua lỗ của cổ phiếu VCB có phân phối chuẩn
𝐻 1 : Chuỗi dữ liệu thua lỗ của cổ phiếu VCB không có phân phối chuẩn
Hình 4.1 Kiểm định phân phối chuẩn của chuỗi thua lỗ của cổ phiếu VCB bằng
Với mức ý nghĩa 5%, ta thấy p-value < 0,05, nghĩa là bác bỏ 𝐻 0 , chấp nhận
𝐻 1 , chuỗi dữ liệu thua lỗ của cổ phiếu VCB không có phân phối chuẩn Để thể hiện trực quan hơn, ta có biểu đồ thể hiện phân phối thua lỗ của cổ phiếu VCB thông qua các câu lệnh:
Biểu đồ 4.1 Phân phối xác suất thua lỗ của cổ phiếu VCB
Biểu đồ mật độ cho thấy đuôi của phân phối to, trải dài và đỉnh khá nhọn, lệch một chút so với giá trị ở giữa Như vậy, chuỗi dữ liệu thua lỗ của cổ phiếu VCB không có phân phối chuẩn
4.2.3 Kiểm định tính dừng của chuỗi thua lỗ của cổ phiếu VCB
Trực quan thông qua biểu đồ Plot, ta thấy thua lỗ của cổ phiếu VCB tương đối ổn định theo thời gian, giá trị trung bình xoay quanh mức 0, từ đó cho rằng chuỗi dữ liệu có tính dừng
Biểu đồ 4.2 Biến động thua lỗ của cổ phiếu VCB theo thời gian Để chắc chắn hơn, tác giả sẽ sử dụng kiểm định ADF (Augmented Dickey - Fuller) và KPSS để kiểm định tính dừng (stationary) của chuỗi thua lỗ cổ phiếu VCB Hình 4.2 Kiểm định tính dừng bằng Augmented Dickey - Fuller (ADF)
- Đối với kiểm định ADF:
𝐻 0 : Chuỗi dữ liệu thua lỗ của cổ phiếu VCB không có tính dừng
𝐻 1 : Chuỗi dữ liệu thua lỗ của cổ phiếu VCB có tính dừng
Với mức ý nghĩa 5%, ta thấy p-value = 0,01 < 0,05, nghĩa là bác bỏ 𝐻 0 , chấp nhận H 1 , chuỗi dữ liệu thua lỗ của cổ phiếu VCB có tính dừng
- Đối với kiểm định KPSS:
𝐻 0 : Chuỗi dữ liệu có tính dừng
𝐻 1 : Chuỗi dữ liệu không tính dừng
Với mức ý nghĩa 5%, ta thấy p-value = 0,1 > 0,05, nghĩa là không có cơ sở bác bỏ 𝐻 0 , chuỗi dữ liệu thua lỗ của cổ phiếu VCB có tính dừng
Như vậy có thể sử dụng hàm Loss của cổ phiếu VCB để ước lượng VaR
4.2.4 Kiểm định tự tương quan của chuỗi thua lỗ của cổ phiếu VCB Để có cái nhìn tổng quan về hiện tượng tự tương quan của chuỗi dữ liệu thua lỗ của cổ phiếu VCB, tác giả sẽ vẽ biểu đồ ACF thông qua câu lệnh: pacf(n_vcb)
Biểu đồ 4.3 Biểu đồ ACF của thua lỗ cổ phiếu VCB
Dễ dàng thấy rằng tại độ trễ là lag 3 và 9, thua lỗ của cổ phiếu VCB tồn tại hiện tượng tự tương quan Hay có thể nói rằng thua lỗ của cổ phiếu VCB ngày hôm nay bị tác động bởi thua lỗ của cổ phiếu VCB 3 ngày trước và 9 ngày trước Để chắc chắn hơn, tác giả sẽ sử dụng kiểm định Ljung - Box với độ trễ 10, với cặp giả thuyết là:
𝐻 0 : Chuỗi thua lỗ không có tự tương quan trong phạm vi 10 ngày trước
𝐻 1 : Chuỗi thua lỗ có ít nhất 1 ngày có hiện tượng tự tương quan trong phạm vi 10 ngày trước
Hình 4.3 Kiểm định tự tương quan của thua lỗ cổ phiếu VCB bằng Ljung - Box
Với mức ý nghĩa 5%, ta thấy p-value = 0,03681 < 0,05, nghĩa là bác bỏ 𝐻 0 , chấp nhận 𝐻 1 , chuỗi thua lỗ của cổ phiếu VCB có hiện tượng tự tương quan
Sử dụng Rstudio để tính VaR
4.3.1 Phương pháp Riskmetrics (Phương pháp của JP Morgan)
4.3.1.1 Chỉ định mô hình Đối với phương pháp Riskmetrics, volatility được ước lượng theo mô hình IGARCH
Mô hình IGARCH bao gồm 2 thành phần chính là Mean model và Variance model Đối với Mean model, để xác định bậc thích hợp cho mô hình, chúng ta sẽ sử dụng bậc tự tương quan của của chuỗi dữ liệu thua lỗ của cổ phiếu VCB Về Variance model, chúng ta sẽ sử dụng mô hình GARCH(1,1)
Trước tiên, chúng ta cần kiểm tra xem bậc nào là phù hợp nhất dựa theo tiêu chí Akaike Information Criterion (AIC) bằng cách chọn bậc của AR sao cho AIC là nhỏ nhất
Hình 4.4 Kiểm định bậc thích hợp của AR dựa vào AIC
Kết quả cho thấy bậc 9 là thích hợp nhất Tuy nhiên, trong trường hợp chuỗi thua lỗ có hiện tượng tự tương quan bậc 5 trở lên (lag khá xa) thì có thể coi như không cần lập mô hình ARIMA Như vậy, mean.model là arma (0,0)
Hình 4.5 Chỉ định mô hình IGARCH
Một trong những giả địng của mô hình IGARCH (1,1) là alpha1 + beta1 = 1, nên từ alpha1 có thể suy ra beta1, mô hình chỉ đưa ra kết quả cho alpha1
Với mức ý nghĩa 5%, ta thấy alpha1 có p-value = 0,000000 < 0,05, nghĩa là bác bỏ H 0 , chấp nhận H 1 , alpha1 có ý nghĩa thống kê
4.3.1.2 Kiểm định tự tương quan của phần dư
Hình 4.6 Kiểm định tự tương quan của phần dư bằng Ljung - Box
Các kết quả p-value > 0,05 của kiểm định Ljung - Box cho thấy không tồn tại hiện tượng tự tương quan trong chuỗi phần dư và chuỗi bình phương phần dư của mô hình
4.3.1.3 Kiểm định phân phối chuẩn của phần dư
Tác giả sử dụng biểu đồ QQ-Plot để đánh giá phân phối chuẩn của phần dư Biểu đồ 4.4 Biểu đồ QQ-Plot chuỗi phần dư phương pháp RiskMetrics
Biểu đồ cho thấy phân phối của chuỗi sai số chuẩn hóa khá gần với đường thẳng biểu hiện phân phối chuẩn nên có thể tạm công nhận phần dư của mô hình có phân phối chuẩn
Sau các bước kiểm tra mức độ phù hợp của mô hình IGARCH (1,1), chúng ta có thể thấy rằng mô hình đã loại bỏ được hiện tượng tự tương quan và có mức phân phối tiệm cận phân phối chuẩn đối với chuỗi phần dư và bình phương phần dư Chính vì thế, có thể kết luận mô hình IGARCH (1,1) là đáng tin cậy để sử dụng tính toán giá trị VaR
4.3.1.4 Ước lượng VaR cho một ngày tiếp theo với mức đầu tư 1 tỷ VND
Hình 4.7 Giá trị VaR dựa trên phương pháp RiskMetrics
Như vậy, có thể nói rằng, đối với vị thế giả định đầu tư 1 tỷ VND vào mã cổ phiếu VCB, thua lỗ (nếu có) của ngày tiếp theo chắc chắn tới 95% sẽ không lớn hơn 23.159.540 VND
4.3.2 Phương pháp Econometric approaches (Mô hình hóa)
Hình 4.8 Chỉ định mô hình GARCH (1,1)
Kết quả cho thấy các hệ số hồi quy có ý nghĩa thống kê ở mức ý nghĩa 5%
4.3.2.2 Kiểm định tự tương quan của phần dư
Hình 4.9 Kiểm định tự tương quan của phần dư bằng Ljung-Box
Dễ dàng thấy được các kiểm định Ljung-Box cho chuỗi phần dư và chuỗi bình phương phần dư đều cho kết quả p-value > 5%, tức là với mức ý nghĩa 5%, chuỗi phần dư và chuỗi bình phương phần dư không có hiện tượng tự tương quan
4.3.2.3 Kiểm định phân phối chuẩn của phần dư
Tác giả sử dụng biểu đồ QQ-Plot để đánh giá phân phối chuẩn của phần dư Biểu đồ 4.5 Biểu đồ QQ-Plot chuỗi phần dư phương pháp Econometric
Biểu đồ cho thấy phân phối của chuỗi sai số chuẩn hóa khá gần với đường thẳng biểu hiện phân phối chuẩn nên có thể tạm công nhận phần dư của mô hình có phân phối chuẩn
Sau các bước kiểm tra mức độ phù hợp của mô hình ARMA (0,0) + GARCH (1,1), chúng ta có thể thấy rằng mô hình đã loại bỏ được hiện tượng tự tương quan và có mức phân phối tiệm cận phân phối chuẩn đối với chuỗi phần dư và bình phương phần dư Chính vì thế, có thể kết luận mô hình ARMA (0,0) + GARCH (1,1) là đáng tin cậy để sử dụng tính toán giá trị VaR
4.3.2.4 Ước lượng VaR cho một ngày tiếp theo với mức đầu tư 1 tỷ VND
Hình 4.10 Giá trị VaR dựa trên phương pháp Econometric
Như vậy, có thể nói rằng, đối với vị thế giả định đầu tư 1 tỷ VND vào mã cổ phiếu VCB, thua lỗ (nếu có) của ngày tiếp theo chắc chắn tới 95% sẽ không lớn hơn 24.162.220 VND
4.3.3 Phương pháp Quantile estimation (Ước lượng phân vị trực tiếp)
Phương pháp Quantile estimation sẽ ước lương dựa trên các chuỗi dữ liệu lịch sử mà không cần giả định phải tuân theo dạng phân phối nào
Hình 4.11 Giá trị VaR dựa trên phương pháp Quantile estimation
Như vậy, có thể nói rằng, đối với vị thế giả định đầu tư 1 tỷ VND vào mã cổ phiếu VCB, thua lỗ (nếu có) của ngày tiếp theo chắc chắn tới 95% sẽ không lớn hơn 26.590.620 VND
4.3.4 Phương pháp Monte Carlo simulation (Mô phỏng Monte Carlo)
Phương pháp này giả định giá trị mean và standard deviation sẽ tiếp tục trong tương lai Mô hình này được sử dụng để dự báo xác suất xảy ra các kết quả khác nhau với nhiều kịch bản khác nhau khi có sự xuất hiện của các yếu tố ngẫu nhiên
Hình 4.12 Các giả định của phương pháp Mô phỏng Monte Carlo
Biểu đồ 4.6 Dự báo 10.000 bước đi trong tương lai của thua lỗ của cổ phiếu VCB
Nhìn vào đồ thị dự báo biến động thua lỗ của cổ phiếu VCB 10.000 ngày sau, ta thấy có tính dừng tại mức 0 Như vậy, ta sẽ ước lượng VaR cho một ngày tiếp theo với mức đầu tư 1 tỷ VND:
Hình 4.13 Giá trị VaR dựa trên phương pháp Mô phỏng Monte Carlo
Như vậy, có thể nói rằng, đối với vị thế giả định đầu tư 1 tỷ VND vào mã cổ phiếu VCB, thua lỗ (nếu có) của ngày tiếp theo chắc chắn tới 95% sẽ không lớn hơn 29.220.890 VND.
Tổng kết các giá trị VaR
Bảng 4.3 Tổng kết các giá trị VaR theo 4 phương pháp
Phương pháp ước lượng VaR (VND)
Econometric Approach (Mô hình hóa) 24.162.220
Quantile Estimation (Phân vị trực tiếp) 26.590.620
Mỗi phương pháp ước lượng sẽ cho ra một kết quả VaR khác nhau Do đó, các nhà QTRR cần áp dụng nhiều phương pháp để ước lượng một ngưỡng VaR Đối với vị thế cổ phiếu VCB như chúng ta vừa ước lượng, có thể nói rằng, với mức đầu tư ban đầu 1 tỷ VND, thua lỗ (nếu có) của ngày tiếp theo 95% chắc chắn sẽ không vượt qua ngưỡng 23.159.540 VND tới 29.220.890 VND
Có thể thấy phương pháp RiskMetrics cho kết quả VaR nhỏ nhất với mức ý nghĩa 5% Lý giải cho điều này, mô hình IGARCH mà RiskMetrics sử dụng gần như không quan tâm đến các trường hợp cực đoan, ít chú trọng đến những biến động thị
68 trường bất thường, dẫn đến việc đánh giá thấp rủi ro thực tế Ngoài ra, phương pháp RiskMetrics giả định rằng chuỗi dữ liệu thua lỗ là tuân theo phân phối chuẩn nhưng thực tế, chuỗi dữ liệu thua lỗ thường không tuân theo phân phối chuẩn hoàn toàn, khiến cho kết quả VaR có thể sai lệch
Tương tự như vậy, phương pháp Econometric đưa ra kết quả khá gần với phương pháp RiskMetrics Econometric sử dụng các mô hình họ nhà GARCH để ước lượng, ít chú trọng đến những biến động bất thường của thị trường và giả định chuỗi thua lỗ có phân phối chuẩn Vì vậy, khi sử dụng 2 phương pháp là RiskMetrics và Econometric Approach để ước lượng VaR của cổ phiếu VCB, kết quả tính toán sẽ thiếu đi tính chính xác
Phương pháp Quantile Estimation đưa ra giá trị VaR là lớn thứ ba so với các phương pháp còn lại Phương pháp này giả định rằng các giá trị quá khứ sẽ lặp lại trong tương lai, bỏ qua tính biến động không ngừng của thị trường chứng khoán, trong khi đó, giả định này là phi thực tế vì giá cổ phiếu sẽ luôn thay đổi tùy theo điều kiện thị trường, khiến cho chuỗi giá trị tỷ suất sinh lời hay thua lỗ sẽ không ngừng biến động Để có kết quả chính xác, phương pháp này cần một lượng dữ liệu khổng lồ, không phải lúc nào cũng có sẵn
Phương pháp Monte Carlo đưa ra giá trị VaR lớn nhất và khá xa so với các phương pháp trên Phương pháp này có tính linh hoạt rất cao và đã giảm thiểu được các bất lợi của 2 phương pháp RiskMetrics và Econometric Approach, là không phụ thuộc vào giả định phân phối dữ liệu, do đó có thể áp dụng cho nhiều kịch bản có thể xảy ra của thua lỗ cổ phiếu VCB, kể cả các trường hợp cực đoan Nhờ ưu điểm trên, Monte Carlo thường đưa ra kết quả VaR chính xác và đáng tin cậy hơn so với các phương pháp khác Tuy nhiên, phương pháp Monte Carlo cũng có hạn chế Để mô phỏng nhiều kịch bản, cần sử dụng lượng dữ liệu lớn và tốn nhiều thời gian tính toán Độ chính xác của kết quả VaR cũng phụ thuộc vào chất lượng mô hình Monte Carlo được sử dụng Bài nghiên cứu mới chỉ xét trong khung thời gian chưa đủ dài (7 năm) nên kết quả VaR của Monte Carlo còn chênh lệch nhiều so với RiskMetrics và Econometric Để cho ra kết quả chính xác hơn, nhà QTRR có thể nghiên cứu bộ dữ liệu lớn hơn và mô phỏng số lượng kịch bản nhiều hơn
KHUYẾN NGHỊ TRONG VIỆC ÁP DỤNG MÔ HÌNH VAR
Kiến nghị về việc sử dụng mô hình VaR trong quản trị RRTT
Khung quản lý RRTT của Vietcombank là sự kết hợp giữa cơ cấu tổ chức, chính sách, quy trình, mô hình và công cụ quản trị rủi ro, thiết lập và giám sát hạn mức, phân tích và báo cáo rủi ro Vietcombank áp dụng các đại lượng đo lường (định giá, độ nhạy, giá trị chịu rủi ro VaR, lãi/ lỗ theo giá thị trường, kiểm tra hồi tố VaR, kiểm tra sức chịu đựng) được xây dựng theo thông lệ quốc tế, đồng thời tuân thủ các quy định của pháp luật, khẩu vị rủi ro và phù hợp với các yêu cầu kinh doanh của đơn vị Quy trình quản trị RRTT được xây dựng dựa trên việc xác định chi tiết từng hồ sơ rủi ro tiềm ẩn và khẩu vị rủi ro chung của toàn ngân hàng Nhờ vậy, Vietcombank có thể chủ động phòng ngừa rủi ro hiệu quả, hạn chế tối đa tác động bất lợi từ biến động thị trường, bảo vệ vốn và lợi nhuận cho ngân hàng, nâng cao uy tín và khả năng cạnh tranh trên thị trường tài chính
Việc áp dụng VaR mang lại nhiều lợi ích cho các NHTM, góp phần nâng cao chất lượng và hiệu quả quản trị rủi ro thị trường Chính vì vậy, có thể nói, với các ưu điểm nổi bật của VaR, mô hình này cũng nên được áp dụng tại tất cả các NHTM Việt Nam VaR sử dụng các phương pháp thống kê và toán học tiên tiến để đo lường rủi ro, giúp đưa ra đánh giá khách quan và chính xác về mức độ tổn thất tiềm ẩn Kết quả VaR được thể hiện cụ thể bằng con số, giúp nhà quản trị rủi ro dễ dàng theo dõi, đánh giá và so sánh rủi ro giữa các danh mục đầu tư khác nhau VaR phù hợp với các quy định quốc tế về quản lý rủi ro, giúp các ngân hàng dễ dàng đáp ứng yêu cầu của Basel
Dựa trên kết quả VaR, ngân hàng có thể xác định mức độ tổn thất tối đa có thể chấp nhận trong một khoảng thời gian nhất định, từ đó đưa ra chiến lược QTRR phù hợp Nhờ đó, ngân hàng dự phòng nguồn vốn cần thiết để bù đắp cho những tổn thất tiềm ẩn, đảm bảo an toàn cho hoạt động kinh doanh Nhờ đánh giá được rủi ro một cách khoa học, ngân hàng có thể đưa ra quyết định đầu tư sáng suốt, tối ưu hóa lợi nhuận và hạn chế rủi ro Không những vậy, việc áp dụng VaR hiệu quả còn giúp ngân hàng nâng cao uy tín và khả năng cạnh tranh trên thị trường tài chính
Mặc dù VaR sở hữu nhiều phương pháp và hình thức đo lường đa dạng, không có mô hình nào là hoàn hảo nhất Việc lựa chọn mô hình VaR phù hợp phụ thuộc vào nhiều yếu tố, bao gồm bối cảnh kinh tế, khẩu vị rủi ro và đặc điểm hoạt động của từng ngân hàng Vietcombank nói riêng và các NHTM nói chung nên cân nhắc lựa chọn phương pháp VaR phù hợp với đặc thù hoạt động kinh doanh và khả năng quản trị rủi ro của mình Có thể áp dụng kết hợp nhiều phương pháp VaR khác nhau để có được kết quả đo lường rủi ro thị trường chính xác và toàn diện hơn Bên cạnh đó, nên thường xuyên đánh giá hiệu quả của các phương pháp VaR đang áp dụng và điều chỉnh khi cần thiết.
Kết hợp Back test và Stress test để bù đắp những thiếu sót của VaR
Mức độ chính xác của VaR phụ thuộc vào nhiều yếu tố như chất lượng dữ liệu, mô hình sử dụng và giả định được đưa ra Do đó, kết quả VaR chỉ mang tính chất tương đối và có thể thay đổi theo thời gian Việc lựa chọn ngưỡng VaR không phù hợp có thể dẫn đến những hậu quả khôn lường: ngưỡng VaR quá thấp sẽ dẫn đến việc phòng thủ quá mức, hạn chế cơ hội đầu tư và giảm hiệu quả sử dụng vốn; còn Ngưỡng VaR quá cao khiến tăng nguy cơ xảy ra tổn thất lớn hơn mức dự kiến Để giảm thiểu hạn chế của các phương pháp Riskmetrics và Econometrics Approach, cần kiểm tra hậu kiểm để đảm bảo tính chính xác và ý nghĩa thống kê của các thông số và kết quả thu được, điều chỉnh và thay đổi mô hình khi cần thiết để phù hợp với thực tế
Việc áp dụng các phần mềm chuyên dụng để hỗ trợ như EViews, SPSS, Stata, song song với Rstudio sẽ giúp nâng cao độ chính xác và hiệu quả của tính toán VaR Có thể nói, VaR cũng chỉ là một công cụ trong QTRR, cần kết hợp với các công cụ và phương pháp khác như định giá tài sản, phân tích kỹ thuật, kinh doanh đối lập, cân bằng rủi ro, giảm rủi ro và bảo hiểm để đảm bảo hiệu quả QTRR tổng thể Các NHTM tại Việt Nam cũng dược khuyến nghị nên áp dụng các phép thử Back test và Stress test Hai phép thử này giúp đánh giá hiệu quả mô hình VaR trong quá khứ và dự đoán khả năng chịu đựng của mô hình trước các kịch bản rủi ro tiềm ẩn, góp phần hoàn thiện hơn quá trình quản trị rủi ro Đánh giá tính chính xác của mô hình VaR là bước quan trọng đảm bảo hiệu quả quản trị rủi ro Back test đóng vai trò then chốt trong việc thực hiện đánh giá này
Back test, hay còn gọi là kiểm thử hồi tố, là quá trình mô phỏng hiệu quả của mô hình VaR bằng cách áp dụng nó cho dữ liệu lịch sử Mục đích chính của việc sử dụng Back test là đánh giá mức độ chính xác của mô hình VaR thông qua so sánh tỷ lệ vượt ngưỡng dự báo bởi mô hình với tỷ lệ vượt ngưỡng thực tế Nếu sai lệch quá lớn, cần điều chỉnh mô hình hoặc phương pháp đo lường rủi ro Back test giúp xác định những bất thường trong dữ liệu hoặc sai sót trong mô hình, từ đó có biện pháp khắc phục kịp thời Nhờ Back test, nhà quản trị rủi ro có thể đánh giá mức độ tin cậy của mô hình VaR, từ đó đưa ra quyết định điều chỉnh phù hợp để đảm bảo hiệu quả quản trị rủi ro trong thực tế Thị trường biến động liên tục đòi hỏi cần Back test định kỳ để đảm bảo mô hình VaR luôn phù hợp Hơn nữa, việc lựa chọn kỳ vượt ngưỡng ảnh hưởng trực tiếp đến kết quả Back test Do đó, cần lựa chọn cẩn thận dựa trên mục đích và đặc điểm của mô hình VaR
Bên cạnh đó, do phương pháp VaR chưa đánh giá được hết tác động của các sự kiện rủi ro lớn hoặc bất ngờ, các nhà quản trị rủi ro thường áp dụng phương pháp Stress test (kiểm định giới hạn) để khắc phục nhược điểm này Stress test là việc xác định giá trị một danh mục sẽ thay đổi như thế nào nếu các biến cố rất hiếm gặp xảy ra Trong lĩnh vực tài chính, Stress test được sử dụng phổ biến để đánh giá khả năng chịu đựng rủi ro của doanh nghiệp trước các cú sốc thị trường, biến động kinh tế hoặc thay đổi chính sách Stress test thường bao gồm các kịch bản giả định như: tăng lãi suất (mô phỏng tác động của việc tăng lãi suất lên chi phí vay vốn, dòng tiền và lợi nhuận của doanh nghiệp); sụt giảm thị trường (đánh giá ảnh hưởng của việc sụt giảm giá trị tài sản, thị trường chứng khoán hoặc bất động sản đối với tình hình tài chính của doanh nghiệp); thay đổi chính sách (phân tích tác động của việc thay đổi chính sách tiền tệ, tài khóa hoặc quy định ngành đối với hoạt động kinh doanh của doanh nghiệp) Sự kết hợp Stress test với mô hình VaR sẽ mang lại nhiều lợi ích Stress test giúp mô phỏng các tình huống cực đoan mà mô hình VaR khó có thể dự đoán, từ đó cung cấp bức tranh toàn diện về rủi ro tài chính của doanh nghiệp Nhờ Stress test, doanh nghiệp có thể xác định các điểm yếu trong hệ thống quản trị rủi ro và xây dựng các giải pháp phòng ngừa phù hợp để giảm thiểu thiệt hại trước các sự kiện rủi ro Việc áp dụng Stress test thường xuyên giúp doanh nghiệp nâng cao khả năng dự báo rủi ro, đưa ra quyết định sáng suốt và đảm bảo an toàn cho hoạt động kinh doanh
Mặc dù Stress test có thể được xem là phương pháp bổ sung hữu ích cho VaR và các kỹ thuật quản trị rủi ro khác, tuy nhiên bản thân Stress test cũng chịu phê phán vì việc quá xem trọng mức độ thảm họa của những sự kiện rất hiếm khi xảy ra Vì vậy, những phương pháp này chỉ mang tính ước lượng và được được sử dụng làm nguồn bổ sung cho thông tin quản trị rủi ro (Chance và Brooks, 2010)
5.3 Cải tiến chất lượng quy trình quản trị rủi ro và nguồn nhân lực trong quản trị rủi ro Để thích ứng với môi trường kinh doanh đầy biến động, việc nâng cao năng lực quản trị rủi ro là điều cần thiết cho các ngân hàng Nâng cấp, đổi mới và hoàn thiện quy trình quản trị rủi ro giúp ngân hàng phản ứng nhanh nhạy và linh hoạt trước các thay đổi, giảm thiểu tác động tiêu cực của rủi ro tiềm ẩn Chất lượng nguồn nhân lực đóng vai trò then chốt trong việc nâng cao năng lực quản trị rủi ro Ngân hàng cần đầu tư đào tạo, cập nhật kiến thức và xây dựng văn hóa quản trị rủi ro cho đội ngũ cán bộ nhân viên, đặc biệt là những người tham gia vào việc áp dụng mô hình VaR
Cán bộ nhân viên cần trang bị đầy đủ kiến thức chuyên môn, kỹ năng thực hành và khả năng thích ứng với thị trường biến động Hiểu biết về thị trường tài chính, các xu hướng biến động và các yếu tố rủi ro tiềm ẩn là điều kiện tiên quyết để đưa ra quyết định quản trị rủi ro chính xác Bên cạnh đó, việc áp dụng thành thạo các công nghệ tiên tiến, đặc biệt là các phần mềm quản trị rủi ro và mô hình VaR, nắm vững các phương pháp đo lường rủi ro chuẩn mực sẽ giúp nâng cao hiệu quả đánh giá, phân tích và theo dõi rủi ro Do đó, việc cung cấp các khóa đào tạo chuyên sâu về quản trị rủi ro, mô hình VaR và các kỹ thuật đánh giá rủi ro tiên tiến cho cán bộ nhân viên là vô cùng cần thiết.
Triển khai ứng dụng hoàn toàn chuẩn mực Basel III
Hiện nay, Basel II là yêu cầu quản lý rủi ro cao nhất tại Việt Nam Tuy nhiên, nhiều ngân hàng đã chủ động triển khai Basel III với các tiêu chí khắt khe hơn nhằm nâng cao khả năng quản trị thanh khoản, giảm thiểu rủi ro và ngăn ngừa tổn thất hệ thống Điển hình là các ngân hàng như VIB, Vietcombank, TPBank, MSB, SeABank, đã tiên phong áp dụng Basel III từ sớm Đây cũng là những ngân hàng
73 đã từng dẫn đầu trong việc hoàn thành thực hiện các quy chuẩn của Basel II Nhờ vậy, uy tín của ngân hàng Việt Nam trên thị trường quốc tế được củng cố và nâng cao, thể hiện qua việc 12 ngân hàng đã được Moody's nâng hạng vào tháng 9/2022
Năm 2023, Vietcombank đã liên tục rà soát, cập nhật định kỳ khung quản lý rủi ro thị trường đáp ứng quy định của pháp luật, nhu cầu của đơn vị kinh doanh đối với các sản phẩm mới, triển khai nghiên cứu và thử nghiệm các chuẩn mực quốc tế cao hơn như Basel III, ứng dụng chuyển đổi số, tăng cường tự động hóa nhằm nâng cao hiệu quả trong công tác quản lý rủi ro thị trường Ông Nguyễn Mạnh Hùng – một thành viên trong HĐQT, Trưởng Ban triển khai chương trình Basel cho biết: “Vietcombank xác định một trong những mục tiêu chiến lược đến năm 2025 của ngân hàng là giữ vững vị thế ngân hàng quản trị rủi ro tốt nhất Việt Nam Để đạt được mục tiêu này, HĐQT và Ban điều hành Vietcombank đã quyết tâm triển khai đáp ứng các tiêu chuẩn quản lý rủi ro của Ủy ban Basel
Trong giai đoạn triển khai Basel II theo phương pháp tiêu chuẩn (Standardised
Approach), Vietcombank đã thành công áp dụng Thông tư 41 (Thông tư 41/2016/TT-
NHNN quy định tỷ lệ an toàn vốn đối với ngân hàng, chi nhánh ngân hàng nước ngoài) sớm 1 năm và triển khai đầy đủ 3 trụ cột của Basel II sớm 6 tháng so với thời hạn hiệu lực
Hướng tới việc tiên phong triển khai các phiên bản Basel cao hơn trong công tác quản lý rủi ro, Vietcombank ưu tiên áp dụng phương pháp nâng cao trong tính vốn cho rủi ro tín dụng Đối với các chỉ số của lĩnh vực khác, Ngân hàng hướng đến áp dụng theo Basel III Hiện tại, Vietcombank đang nỗ lực để đáp ứng các điều kiện cần thiết phục vụ thí điểm Basel II F-IRB và Basel III từ Quý I/2025”
