Ứng dụng mô hình var vào việc Đo lường rủi ro thị trường của ngành vật liệu xây dựng

Mục đích của nghiên cứu Với ứng dụng của VaR là một phương pháp đo lường thống kê được sử dụng để ước tính mức độ rủi của một tài sản, một danh mục đầu tư hoặc một công ty.. Đóng góp củ

HỌC VIỆN NGÂN HÀNG KHOA TÀI CHÍNH

-🙞🙜🕮🙞🙜 -

KHÓA LUẬN TỐT NGHIỆP

ĐỀ TÀI: ỨNG DỤNG MÔ HÌNH VAR VÀO VIỆC ĐO LƯỜNG RỦI RO THỊ TRƯỜNG CỦA NGÀNH VẬT LIỆU XÂY DỰNG

HỌC VIỆN NGÂN HÀNG KHOA TÀI CHÍNH

-🙞🙜🕮🙞🙜 -

KHÓA LUẬN TỐT NGHIỆP

ĐỀ TÀI: ỨNG DỤNG MÔ HÌNH VAR VÀO VIỆC ĐO LƯỜNG RỦI RO THỊ TRƯỜNG CỦA NGÀNH VẬT LIỆU XÂY DỰNG

LỜI CAM ĐOAN

Em xin cam đoan khóa luận tốt nghiệp là công trình nghiên cứu của cá nhân

em, dưới sự hướng dẫn của thầy giảng viên hướng dẫn – Tiến sĩ Trần Mạnh Hà Các nội dung nghiên cứu và mọi kết quả, số liệu trong bảng biểu, hình ảnh và sơ đồ phục

vụ cho việc phân tích, nhận xét và đánh giá là hoàn toàn trung thực Ngoài ra, các tài liệu tham khảo được sử dụng trong khóa luận đã được ghi rõ nguồn Nếu có bất kỳ

sự gian lận nào, em xin hoàn toàn chịu trách nhiệm trước Hội đồng nhà trường

Hà Nội, ngày 15 tháng 05 năm 2023

Tác giả khóa luận

Nguyễn Hoàng Dương

LỜI CẢM ƠN

Lời đầu tiên, em xin bày tỏ long biết ơn sâu sắc và chân thành đến thầy giáo giảng viên hướng dẫn Trần Mạnh Hà (TS) đã giúp đỡ em trong quá trình nghiên cứu

và chỉ bảo tận tình trong quá trình nghiên cứu Thầy Hà đã có những góp ý phù hợp

và nhận xét chi tiết để bài viết của em được hoàn chỉnh nhất có thể Đây là một vinh

dự lớn của em khi được làm việc dưới sự hướng dẫn của thầy Hà

Em cũng muốn gửi lời cảm ơn chân thành đến các thầy cô trong khoa Tài chính cũng như các thầy cô quản lý Chương trình Cử nhân Chất lượng cao Học viện Ngân hàng đã dạy dỗ, cho em những bài học đáng giá trong suốt 4 năm sinh viên; cũng như

đã giúp đỡ các bạn sinh viên một cách rất nhiệt tình

Điều quan trọng nhất, em muốn gửi lời cảm ơn sâu sắc nhất đến gia đình, những người đã luôn bên cạnh động viên, khích lệ em Đã có rất nhiều lần em nghĩ đến việc bỏ cuộc giữa chừng Tuy nhiên, vì gia đình em vẫn còn đó, em đã có động lực để tiếp tục tiến về phía trước và đạt được những điều ngày hôm nay

Em cũng muốn cảm ơn bản thân mình đã dám dấn thân vào hành trình đầy thử thách này, đã kiên trì, bền bỉ và luôn phấn đấu để đạt được sự xuất sắc

Do thời gian có hạn và khả năng có hạn của tác giả, luận văn này có thể còn những khiếm khuyết nhất định Vì vậy, em sẽ thực sự biết ơn mọi ý kiến đóng góp mang tính xây dựng để nâng cao chất lượng của bài khóa luận này

3.1.1.2 Cơ cấu tổ chức công ty 33

4.3 Giải pháp nhằm giảm thiểu ảnh hưởng rủi ro thị trường đối với ngành Vật liệu xây dựng

50

DANH MỤC VIẾT TẮT

CTCP Việt Thái Công ty Cổ phần Việt Thái

VaR Value at Risk: Giá trị rủi ro

TTCK Thị trường chứng khoán

BIST100 Chỉ số Borsa Istanbul 100: là chỉ số vốn hóa lớn bao gồm 100

công ty được niêm yết tại Sở Giao dịch Chứng khoán Istanbul

FTSE 100 Chỉ số thị trường chứng khoán của 100 công ty lớn nhất theo

vốn hóa thị trường được niêm yết trên Sở giao dịch chứng khoán Luân Đôn (LSE)

VNi VNIndex là một chỉ số thị trường, thể hiện các biến động về

giá của các mã cổ phiếu niêm yết trên sàn HoSE

GARCH Generalized Autoregressive Conditional Heteroskedasticity

DANH MỤC BẢNG BIỂU, SƠ ĐỒ VÀ HÌNH MINH HỌA

Bảng 2.1 Thông tin các cổ phiếu được lựa chọn 24

Bảng 3.3 Kết quả kiểm định phân phối chuẩn Jarque Bera 38 Bảng 3.4 Kết quả p-value kiểm định Dickey-Fuller và KPSS đối với

bộ dữ liệu

39

Bảng 3.5 Kết quả kiểm định tự tương quan Ljung Box và bậc tự

tương quan theo PACF

DANH MỤC PHỤ LỤC

Phụ lục I: Kết quả thống kê qua basicStats 60

Phụ lục II: Kết quả kiểm định phân phối chuẩn 62

Phụ lục III: Kết quả kiểm định tính dừng 63

Phụ lục VI: Kết quả chạy mô hình Riskmetrics và Econometrics 72

Phụ lục VII: Kiểm định sự tự tương quan và phân phối chuẩn

phần dư của phương pháp Riskmetrics và Econometrics

81

MỞ ĐẦU

1 Tính cấp thiết của đề tài

Trải qua rất nhiều năm thì hệ thống tài chính toàn cầu đang ngày càng được củng cố vững chắc Tuy nhiên hệ thống này không phải là không bị sụp đổ Những

sự kiện đổ vỡ của các hệ thống tài chính tại các nước trong quá khứ luôn mang đến ảnh hưởng vô cùng tiêu cực không chỉ cho đất nước đó mà còn cho cả nền kinh tế thế giới Trong khoảng thế kỷ 19 và 20, nhiều cuộc khủng hoảng tài chính đã diễn ra mang tới sức phá hủy như một cơn bão Đa phần các cuộc khủng hoảng tài chính xảy

ra khi một đơn vị lớn trong hệ thống tài chính gặp sự cố, đó có thể là hệ thống ngân hàng, hệ thống bất động sản hay thậm chí là do biến động chính trị Chúng ta có thể

kể đến những cuộc khủng hoảng kinh tế như: Khủng hoảng tài chính năm 2008; khủng hoảng tài chính Đông Nam Á 1997 bắt nguồn từ Thái Lan; đại khủng hoảng 1929-

1930 do bong bóng đầu cơ chứng khoán xuất hiện từ đầu năm 1920; hay gần đây nhất

là khủng hoảng tài chính năm 2008 do bong bóng bất động sản Các tín hiệu của sự sụp đổ này hầu hết đã xuất hiện nhưng vào thời điểm đó thì chúng ta chưa có những công cụ hiệu quả để nhận biết, đo lường mức độ tác động và các công cụ để quản lý; điều này gián tiếp đã gây ra những cuộc khủng hoảng tài chính toàn cầu và rất nhiều

tỷ USD của các nước đã mất đi và nhiều bài học đắt giá đã được rút ra Từ đó, chúng

ta có thể thấy rằng việc quản lý rủi ro phải được đặt lên hàng đầu đối với không chỉ các chuyên gia, nhà quản lý mà còn đối với các nhà đầu tư

Quản lý rủi ro bắt đầu được nghiên cứu sau Thế chiến thứ hai Crockford (1982); Williams và Heins (1995), Snider (1956) quan sát thấy rằng không có cuốn sách nào về quản lý rủi ro vào thời điểm đó và không có trường đại học nào cung cấp các khóa học về chủ đề này Hai cuốn sách học thuật đầu tiên được xuất bản bởi Mehr

và Hedges (1963) và Williams và Heins (1964) Nội dung của chúng bao gồm quản

lý rủi ro thuần túy, loại trừ rủi ro tài chính doanh nghiệp Việc ứng dụng quản lý rủi

ro dần trở nên phổ biến tại các nước trên thế giới và trở thành một tiêu chuẩn của việc đầu tư Cho tới ngày nay thì quản lý rủi ro càng trở nên quan trọng khi những biến động trên toàn thế giới xảy ra ngày càng nhiều và nhanh chóng

Trong thập niên 1990, Giá trị rủi ro (VaR) đã trở thành phổ biến trong việc đo lường rủi ro thị trường của các danh mục đầu tư và hỗ trợ việc quản lý rủi ro Có thể

nhắc đến nguồn gốc của VaR từ yêu cầu về vốn mà Sàn giao dịch chứng khoán New York áp đặt đối với các công ty thành viên từ năm 1922 Ngoài ra, lý thuyết danh mục đầu tư và thước đo VaR cũng được công bố từ năm 1945 VaR đã được sử dụng rộng rãi nhờ vào những ưu điểm đột phá của nó và trở thành công cụ quan trọng nhất trong các tổ chức tài chính và phi tài chính Năm 1996, Ủy ban Basel đã phê duyệt sử dụng VaR như là một thước đo để giới hạn rủi ro thị trường trong các yêu cầu về vốn của ngân hàng Đây có thể xem như là bước ngoặt quan trọng trong việc sử dụng VaR

Sự phổ biến của việc ứng dụng VaR trên thế giới rất lớn, tuy nhiên tại Việt Nam thì dường như việc sử dụng VaR còn khá ít và những bài nghiên cứu về việc ứng dụng VaR còn khá hạn chế và bản thân thước đo này dường như còn khá mới

mẻ Trong những năm tháng là sinh viên của Học viện Ngân hàng thì đại dịch

Covid-19 cùng cuộc xung đột giữa Nga – Ukraine dường như đã khiến nền kinh tế Việt Nam cũng như trên thế giới lao đao Là sinh viên năm cuối và có may mắn được thực tập tại Công ty cổ phần Việt Thái (CTCP Việt Thái) - một công ty trong lĩnh vực sản xuất vật liệu xây dựng; do không có số liệu cụ thể về hoạt động đầu tư tài chính của công

ty cũng như CTCP Việt Thái là doanh nghiệp chưa niêm yết trên sàn Chứng khoán,

em cũng nhận thấy rằng chưa có bài ứng dụng mô hình VaR để đo lường rủi ro trong ngành Vật liệu xây dựng Do đó, bài nghiên cứu của em có mục đích ứng dụng VaR

để đo lường rủi ro thị trường của các doanh nghiệp trong ngành Vật liệu xây dựng Nhằm hỗ trợ cho các công ty trong ngành có thể áp dụng VaR trong quản trị rủi ro thị trường, đây là một khâu rất quan trọng để giảm thiểu rủi ro và đảm bảo an toàn trong hoạt động kinh doanh Bài nghiên cứu này cũng nhằm giúp cho công ty đã tạo điều kiện làm việc cho em và các doanh nghiệp trong ngành Vật liệu xây dựng có thể tăng cường kiểm soát rủi ro và tối ưu hóa quản trị rủi ro thị trường

2 Mục đích của nghiên cứu

Với ứng dụng của VaR là một phương pháp đo lường thống kê được sử dụng

để ước tính mức độ rủi của một tài sản, một danh mục đầu tư hoặc một công ty Mục đích của bài nghiên cứu này là đo lường rủi ro thị trường với ngành Vật liệu xây dựng

dự trên dữ liệu cổ phiếu của một số công ty đã niêm yết tại thị trường Việt Nam; ứng

dụng để đưa ra một số kinh nghiệm làm tham khảo cho các nhà đầu tư, nhà quản lý của các doanh nghiệp trong ngành Vật liệu xây dựng

3 Đối tượng, phạm vi nghiên cứu

Đối tượng nghiên cứu: Các nguy cơ rủi ro thị trường đối với ngành Vật liệu xây dựng

Phạm vi nghiên cứu: Nghiên cứu sử dụng dữ liệu về giá đóng cửa có điều chỉnh của 5 cổ phiếu ngành Vật liệu trong khoảng thời gian 05 năm từ 01/05/2017 đến 01/05/2022

4 Đóng góp của nghiên cứu

Bài khóa luận này sẽ tìm hiểu, nghiên cứu và áp dụng ứng dụng R và RStudio

đã được học trong môn Quản trị rủi ro tại Học viện Ngân hàng để tính toán, ước lượng giá trị rủi ro VaR đối với cổ phiếu của các cổ phiếu ngành Vật liệu xây dựng, từ đó

đề xuất một số giải pháp, kiến nghị để cung cấp cho nhu cầu quản trị rủi ro của các nhà quản lý công ty trong ngành Vật liệu xây dựng Nghiên cứu này không chỉ cung cấp một phương pháp tính toán VaR tối ưu cho các cổ phiếu ngành Vật liệu xây dựng,

mà còn đóng góp vào việc nghiên cứu và phát triển các phương pháp đo lường rủi ro thị trường trong tương lai Kết quả nghiên cứu cũng giúp các doanh nghiệp trong ngành Vật liệu xây dựng hiểu rõ hơn về các nguy cơ rủi ro thị trường, nhận ra lợi ích

và ứng dụng của VaR, từ đó đưa ra các giải pháp hợp lý để giảm thiểu, phòng ngừa rủi ro thị trường

5 Kết cấu của bài luận văn

Kết cấu của bài khóa luận gồm 04 chương gồm:

Chương 1: Tổng quan nghiên cứu:

Mục tiêu của chương này là cho cái nhìn bao quát về những công trình nghiên cứu đã có trước về việc ứng dụng VaR, tóm tắt cơ sở luận về rủi ro thị trường, lý thuyết về VaR và các phương pháp đo lường rủi ro cùng ưu nhược điểm của mô hình VaR

Chương 2: Số liệu sử dụng và phương pháp nghiên cứu

Chương 2 cung cấp tổng quan về phương pháp nghiên cứu, dữ liệu nghiên cứu

và thời gian nghiên cứu Chương này sẽ trình bày chi tiết các bước bài luận sử dụng

để đo lường VaR, sử dụng các mô hình đã được trang bị với các ứng dụng R và

RStudio để tính toán và tiến hành kiểm tra mức độ phù hợp của mô hình đã áp dụng

đo lường rủi ro thị trường

Chương 3: Kết quả nghiên cứu

Chương 3 trình bày các kết quả ước lượng và thảo luận các kết quả thu được

từ các dữ liệu và phương pháp được sử dụng trong Chương 2

Chương 4: Kết luận và khuyến nghị

Chương cuối kết luận kết quả nghiên cứu ở chương 3, đề xuất kiến nghị nghiên cứu đồng thời đưa ra một số giải pháp giúp các doanh nghiệp giảm thiểu rủi ro thị trường

CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU

1.1.1 Khái niệm chung về rủi ro

Như chúng ta đã biết, trong mọi hoạt động kinh tế thì kết quả là điều chúng ta không thể chắc chắn hoàn toàn Và điều đó đã đặt ra một vấn đề đối với các chủ thể kinh tế, các nhà quản lý là làm thế nào để hoạt động cho hiệu quả, để hạn chế mức thấp nhất các khả năng xấu hay còn gọi là rủi ro có thể xảy ra

Rủi ro là một vấn đề trừu tượng và có tính tương đối cao, rủi ro của người này

có thể là may mắn với người khác và ngược lại Do vậy, có nhiều định nghĩa khác nhau về rủi ro trên nhiều phương diện góc nhìn khác nhau, qua nghiên cứu đọc các tài liệu thì em xin đề cập đến định nghĩa có thể coi là đúng nhất với quan điểm hiện đại: Rủi ro được định nghĩa là sự thay đổi trong các kết quả có thể xảy ra trong một khoảng thời gian xác định Nếu chỉ có một kết quả có thể xảy ra, thì rủi ro bằng không Nếu nhiều kết quả có thể xảy ra thì rủi ro không phải là không có

U 2020) Rủi ro thị trường là rủi ro phát sinh từ biến động của lãi suất, tỷ giá hối đoái

và giá của các công cụ trên thị trường tiền tệ và thị trường vốn có ảnh hưởng tiêu cực đến thu nhập và vốn của tổ chức tài chính Rủi ro thị trường có thể phân thành 3 loại

là rủi ro lãi suất rủi ro tỷ giá, rủi ro ngoại hối và rủi ro giá cả Nghiên cứu của Trần Anh Thiết (2013) cho rằng rủi ro thị trường là loại rủi ro xảy ra trong kinh doanh của ngân hàng thương mại do những biến động về giá cả thị trường và/hoặc các thông số thị trường Các thông số chính bao gồm: giá cổ phần, đường cong lợi suất, tỷ giá hối

đoái, độ biến động giá và các hệ số tương quan Hoàng Xuân Phong (2014) cho rằng rủi ro thị trường là khả năng xảy ra mất mát đối với ngân hàng do sự thay đổi của các yếu tố thị trường Đó là rủi ro mà giá trị của các trạng thái nội bảng hoặc ngoại bảng cân đối kế toán 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, hay là rủi ro đối với thu nhập và vốn của ngân hàng do sự thay đổi trên thị trường về lãi suất về giá chứng khoán, tỷ giá, giá cả hàng hóa

Nhìn chung, rủi ro thị trường là loại rủi ro tác động tới toàn bộ nền kinh tế hoặc phân khúc thị trường chứng khoán Loại rủi ro này chịu tác động của các điều kiện kinh tế như lạm phát, sự thay đổi tỷ giá hối đoái, lãi suất , đó là các yếu tố nằm ngoài công ty, các yếu tố mà doanh nghiệp không thể kiểm soát được và nó sẽ ảnh hưởng đến tất cả các công ty bất kể tình trạng tài chính hoặc quản lý của công ty

1.1.3 Phân loại rủi ro thị trường

Trước khi các nhà quản trị đo lường được rủi ro, họ cần phải nhận diện được tất cả rủi ro mà doanh nghiệp có thể phải đối mặt Rủi ro thị trường đối với doanh nghiệp có thể bao gồm rủi ro lãi suất, rủi ro tỷ giá, rủi ro lạm phát, rủi ro biến động giá cả hàng hóa

Rủi ro về lãi suất (Interest risk): là rủi ro thu nhập hoặc vốn có thể bị ảnh

hưởng tiêu cực từ những thay đổi về lãi suất của tài sản, nợ và các khoản mục ngoại bảng, tất cả đều là những khoản mục nhạy cảm với lãi suất Nó cũng có thể ảnh hưởng đến thu nhập lãi ròng, giá trị thị trường của tài khoản giao dịch, thu nhập và các chi phí khác liên quan đến lãi suất như phí cho vay, phí dịch vụ tiền gửi và chi phí dự phòng,…

Rủi ro về tỷ giá hối đoái (Foreign exchange rate risk): một định nghĩa chung

về rủi ro tỷ giá hối đoái liên quan đến tác động của những thay đổi tỷ giá hối đoái bất ngờ đối với giá trị của công ty (Madura, 1989) Cụ thể, nó được định nghĩa là tổn thất trực tiếp có thể xảy ra (do rủi ro không được bảo vệ) hoặc tổn thất gián tiếp đối với dòng tiền, tài sản và nợ phải trả, lợi nhuận ròng và giá trị thị trường chứng khoán của công ty do thay đổi tỷ giá hối đoái Để quản lý rủi ro tỷ giá hối đoái vốn có trong hoạt động của các công ty đa quốc gia, một công ty cần xác định loại rủi ro cụ thể hiện tại,

chiến lược phòng ngừa rủi ro và các công cụ sẵn có để đối phó với những rủi ro tiền

tệ này

Rủi ro lạm phát (Inflation risk): là rủi ro mà giá trị thực trong tương lai (sau

khi lạm phát) của một khoản đầu tư, tài sản hoặc dòng thu nhập sẽ bị giảm do lạm phát không lường trước được Rủi ro lạm phát là rủi ro mà lạm phát sẽ làm suy giảm lợi nhuận của một khoản đầu tư thông qua sự suy giảm sức mua Các khoản thanh toán trái phiếu có rủi ro lạm phát cao nhất vì các khoản thanh toán của họ thường dựa trên lãi suất cố định, nghĩa là lạm phát gia tăng làm giảm sức mua của họ

Rủi ro biến động giá cả hàng hóa (Commodity Price Risk): là rủi ro tài

chính đối với hiệu quả tài chính/ khả năng sinh lời của một đơn vị do sự biến động về giá của hàng hóa nằm ngoài tầm kiểm soát của đơn vị do chúng chủ yếu chịu tác động của các lực lượng thị trường bên ngoài Những biến động mạnh về giá cả hàng hóa đang tạo ra những thách thức kinh doanh đáng kể có thể ảnh hưởng đến chi phí sản xuất, giá cả sản phẩm, thu nhập và tính khả dụng của tín dụng Sự biến động về giá này khiến một thực thể bắt buộc phải quản lý tác động của biến động giá cả hàng hóa trong chuỗi giá trị của mình để quản lý hiệu quả hoạt động tài chính và lợi nhuận của mình

1.2 Cơ sở lý thuyết về mô hình giá trị rủi ro VaR

Kiểm soát rủi ro là quá trình phức tạp và để quản lý rủi ro một cách hiệu quả lại càng phức tạp hơn Chính vì lý do đó, việc sáng tạo và phát triển ra các phương pháp đánh giá rủi ro, đặc biệt là sau bối cảnh các cuộc suy thoái là nhu cầu cấp thiết với các tổ chức tài chính nói riêng và cộng đồng doanh nghiệp nói chung Phương pháp giá trị rủi ro VaR đã được ra đời nhằm mục đích trên

1.2.1 Lịch sử ra đời của mô hình giá trị rủi ro VaR

Những nghiên cứu ban đầu về VaR thuộc về Markowitz (1952) và Roy (1952) Hai công bố độc lập về các thước đo VaR này giống nhau một cách đáng ngạc nhiên Mục đích của họ là để tối ưu hóa lợi nhuận danh mục đầu tư ở một mức độ rủi ro nhất định Về mặt toán học, Markowitz và Roy đã trình bày các phép tính VaR tương tự nhau, mặc dù chúng hỗ trợ các phần khác nhau Markowitz tập trung vào phương sai, trong khi Roy giữ quan điểm lịch sử với các ước tính về hiệp phương sai từ quá khứ

Với mục đích này, mỗi biện pháp VaR được đề xuất kết hợp các hiệp phương sai giữa các yếu tố rủi ro để phản ánh tác động phòng ngừa rủi ro và đa dạng hóa

Trong những năm đầu thập niên 80, thị trường chứng khoán và các ngân hàng thương mại trên thế giới được mở rộng và phát triển mạnh mẽ Các công ty ngày càng trở nên sử dụng nhiều đòn bẩy hơn và nhu cầu về các biện pháp đo lường rủi ro tài chính, chẳng hạn như VaR, ngày càng tăng Các nguồn lực để thực hiện VaR đã có sẵn, nhưng VaR chủ yếu vẫn là một công cụ lý thuyết của lý thuyết danh mục đầu tư Các công ty cần một số cách để đo lường rủi ro thị trường trên các loại tài sản khác nhau, nhưng không nhận ra cách VaR có thể đáp ứng nhu cầu này Ủy ban Chứng khoán và Ngoại hối liên bang Hoa Kỳ (SEC - Securities and Exchange Commission)

đã thông qua VaR để ràng buộc yêu cầu về vốn tối thiểu của các công ty tài chính để phù hợp với các khoản lỗ có thể phát sinh Trong thời gian này, ngân hàng “Bank Trust” đã triển khai sử dụng VaR cho hệ thống phân bổ vốn đầu tư (RAROC - Risk-Adjusted Return on Capital) Vào cuối những năm 1990, Ủy ban Chứng khoán yêu cầu các công ty phải báo cáo định lượng rủi ro thị trường trong báo cáo tài chính của

họ nhằm cung cấp thông tin cho các nhà đầu tư tài chính, và VaR là công cụ được lựa chọn Năm 1996, sự phát triển của VaR, cũng như những công dụng của VaR đã chính thức được ghi nhận bằng sự kiện Ủy ban Basel cho phép các ngân hàng tự tính toán các yêu cầu vốn cho mình trên cơ sở sử dụng các mô hình VaR nội bộ

1.2.2 Khái niệm về VaR

Linsmeier và Pearson (1996) mô tả VaR là “một thước đo thống kê duy nhất

về các tổn thất danh mục đầu tư có thể xảy ra” VaR đo lường những tổn thất tiềm năng xảy ra tùy thuộc vào sự biến động trên thị trường Penza và Bansal (2001), nhận thấy điều tương tự như Linsmeier và Pearson (1996), rằng tổn thất lớn hơn VaR tính toán chỉ xảy ra với một xác suất nhỏ Khi đo lường VaR, trọng tâm nằm ở các khoản

lỗ tiềm ẩn trong tương lai, chứ không phải lợi nhuận Duffie và Pan (1997) sử dụng một cách tiếp cận khác để giải thích VaR, trong đó khoảng thời gian (t) được quyết định cùng với mức độ tin cậy cụ thể, ký hiệu là P Việc mất giá trị thị trường dự kiến

sẽ vượt quá xác suất 1-p trong khoảng thời gian được chọn cụ thể

Ở dạng chung nhất, Giá trị Rủi ro (Value at Risk - VaR) đo lường tổn thất tiềm tàng về giá trị của một tài sản hoặc danh mục đầu tư rủi ro trong một khoảng thời gian

xác định đối với một khoảng tin cậy nhất định Do đó, nếu VaR trên một tài sản là

100 triệu đô la ở mức độ tin cậy 95% trong một tuần, thì chỉ có 5% khả năng giá trị của tài sản đó sẽ giảm hơn 100 triệu đô la trong bất kỳ tuần nào

Về mặt thống kê, chúng ta có thể xác định VaR như sau:

p = Pr[L(l)≥VaR] = 1 -Pr[L(l) < VaR]

Trong đó:

VaR: giá trị chịu rủi ro

L(l) = hàm thua lỗ của tài sản

l: khoảng thời gian (l: ngày/tháng/năm) để tính VaR

p: xác suất để vị thế tài sản bị giảm giá trị lớn hơn VaR (thường là 5% hoặc 1%)

Theo VaR, ta có thể phát biểu như sau (chẳng hạn với khung thời gian l ngày)

“Tôi chắc chắn đến (1- p) % là danh mục sẽ không lỗ vượt quá VaR dollars trong vòng l ngày tới” Hoặc: “Khả năng danh mục phải chịu thua lỗ cao hơn VaR dollars

và đầu tư sử dụng nhiều nhất để nắm bắt tổn thất tiềm ẩn về giá trị của danh mục đầu

tư được giao dịch của họ do các biến động bất lợi của thị trường trong một khoảng thời gian xác định; điều này sau đó có thể được so sánh với vốn khả dụng và dự trữ

tiền mặt của họ để đảm bảo rằng các khoản lỗ có thể được bù đắp mà không khiến các công ty gặp rủi ro

Căn cứ vào VaR, các cổ đông và các nhà quản lý có thể xem xét, chấp nhận hay không vào một mức thua lỗ, rủi ro như vậy, họ còn có thể tìm hiểu nguồn gốc rủi

ro thông qua giá trị cấu thành VaR Vì vậy, hiện nay không chỉ những thành viên tham gia thị trường, những tổ chức ngày càng cần thiết định lượng mức độ rủi ro liên quan tới mọi hoạt động đầu tư của mình, mà các cơ quan quản lý về ngân hàng, chứng khoán, doanh nghiệp niêm yết cũng ngày càng trở nên quan tâm hơn tới VaR

1.2.3 Các giả thiết của VaR

Như vậy, ta có thể thấy hai yếu tố quan trọng nhất để xác định VaR: thời gian đánh giá mức độ rủi ro và mức độ tin cậy

Thời gian đánh giá mức độ rủi ro: Thời gian đánh giá là khoảng thời gian ấn định để dự báo sự thay đổi giá trị thị trường của danh mục có thể xảy ra VaR có thể được xác định theo ngày, theo tuần, theo tháng tùy vào mục đích người sử dụng Việc lựa chọn kỳ đánh giá dựa trên quan điểm, mục đích của người sử dụng Tuy nhiên, một yếu tố quan trọng của nền kinh tế là ngân hàng thường đo lường VaR theo chu

kì thời gian là theo tuần Theo đề nghị của Ủy ban BASEL, kỳ đánh giá được chọn là

10 ngày kinh doanh, trong khi theo quan điểm của RiskMetrics kỳ đánh giá nên được lựa chọn là 01 ngày kinh doanh đối với các danh mục đầu tư nhằm mục đích mua bán

và kiếm lợi nhuận trong ngắn hạn và 25 ngày kinh doanh đối với mục đích đầu tư dài hạn

Mức độ tin cậy: Mức độ tin cậy là xác suất tổn thất cho trước được lựa chọn bởi nhà quản trị rủi ro Dưới góc độ an toàn vốn, xác suất tổn thất nên được dựa sao cho tối thiểu hóa các trường hợp giá trị tổn thất thực tế vượt quá dự báo của VaR Cũng giống như thời gian đánh giá, mức độ tin cậy được lựa chọn không có quy luật hay một lý thuyết nhất định nào mà phụ thuộc hoàn toàn vào người dùng mong muốn xác suất tổn thất vượt quá là bao nhiêu Theo đề nghị của Ủy ban BASEL xác suất tổn thất không vượt quá VaR là 99% (hay mức rủi ro là 1%), trong khi RiskMetrics

đề nghị mức 95% (hay mức rủi ro là 5%) đối với mục đích mua bán lẫn đầu tư Một

mô hình có thể được ước lượng tốt hơn mô hình khác ở mức độ tin cậy này nhưng lại kém hơn khi ước lượng với các mức độ tin cậy khác Điều này cho thấy chất lượng

của việc ước lượng mô hình VaR phụ thuộc nhiều vào việc lựa chọn các mức độ tin cậy (hay mức rủi ro)

1.2.4 Các phương pháp xác định VaR

Hiện nay có nhiều phương pháp để tính VaR, tuy nhiên thông dụng nhất có thể kể đến 03 phương pháp sau:

- Phương pháp Lịch sử

- Phương pháp định lượng (RiskMetrics)

- Phương pháp kinh tế định lượng (Econometrics)

đã gặp phải trong quá khứ với xác suất 5% (khi giá trị lỗ vượt quá mức này) Giá trị

lỗ này sẽ được sử dụng như VaR cho danh mục trong tương lai

Linsmeier và Pearson (1996), mô tả quá trình Mô phỏng lịch sử như sau: Đầu tiên, một công cụ tài chính được xác định, sau đó các yếu tố thị trường cơ bản của nó được công nhận Đây là những điều quan trọng để tính toán VaR Lãi suất là ví dụ về các yếu tố cơ bản Dữ liệu lịch sử tiếp theo cần được thu thập bao gồm hồ sơ về giá trị thực tế cho các yếu tố cơ bản của tài sản tài chính trong khoảng thời gian cụ thể đã chọn

Sau đó, các giá trị thực tế của các yếu tố cơ bản sẽ được sử dụng để tính phần trăm thay đổi giữa các ngày của giai đoạn lịch sử (Linsmeier và Pearson, 1996)

Hơn nữa, giá trị đánh dấu trên thị trường của công cụ tài chính sẽ được tính toán Điều này được thực hiện bằng cách áp dụng các giá trị giả định thu được trước

đó vào công thức giá trị của công cụ Khi giá trị đánh dấu theo thị trường đã được tạo

ra, lãi hoặc lỗ giả định trên thị trường có thể được xác định Việc tính toán này khá đơn giản; giá trị được điều chỉnh theo thị trường được trừ đi với giá trị thực tế của giá trị thị trường ngày nay Điều này sau đó được lặp lại cho tất cả các yếu tố cơ bản

trong suốt chuỗi thời gian Tất cả các khoản lãi và lỗ thu được sau đó được sắp xếp

từ lãi cao nhất đến lỗ lớn nhất

Từ đó, ta có thể đưa ra các bước xác định VaR theo phương pháp mô phỏng lịch sử như sau:

Bước 1: Xác định giá trị hiện tại của DMĐT

Bước 2: Tính tỷ suất sinh lời của DMĐT trong quá khứ bằng ln 𝑃𝑡

𝑃𝑡−1

Bước 3: Sắp xếp tỷ suất sinh lời theo quá khứ từ thấp nhất đến cao nhất Bước 4: Tính VaR dựa trên số liệu tỷ suất sinh lời trong quá khứ và độ tin cậy

Ưu điểm và nhược điểm:

Phương pháp Mô phỏng lịch sử được ưa chuộng hơn vì nhiều lý do (Linsmeier

và Pearson, 1996) Thứ nhất, đây là một phương pháp đơn giản với các tính toán toán học dễ dàng (Best, 1998), không cần ước lượng các tham số thống kê (Bohdalová, 2007)

Thứ hai, phương pháp nắm bắt sự phân phối thực sự của các yếu tố; không có giả định nào được đưa ra (Stambaugh, 1996) Khi các yếu tố được phân phối bình thường, giá trị rủi ro của công cụ cơ sở là khá tốt Trong trường hợp phân phối của các yếu tố không thể hiện tính quy luật nhưng ổn định theo thời gian, phương pháp

Mô phỏng lịch sử cho kết quả tốt hơn so với các mô hình dựa trên phân phối khác Cuối cùng, Mô phỏng lịch sử không có vấn đề gì để giải thích cho những người khác không quen với việc tính toán rủi ro (Penza và Bansal, 2001)

Một trong những nhược điểm đáng kể nhất của phương pháp này là việc tính toán dựa trên sự phân bố trước đây của các yếu tố cơ bản và do sự phân bố trong tương lai của các yếu tố có thể khác hoàn toàn nên kết quả của VaR có thể bị sai lệch (Penza và Bansal, 2001)

Một điểm yếu khác của phương pháp này là lợi nhuận của mỗi ngày được gán các trọng số bằng nhau Điều này không thực tế vì sự biến động phụ thuộc vào thời gian và vì lợi nhuận cao hơn và thấp hơn có xu hướng tập trung lại với nhau Điều thú vị nữa liên quan đến vấn đề này là tỷ suất sinh lợi gần với thời điểm mà VaR được tính toán, đã cho thấy đóng vai trò quan trọng hơn đối với tỷ suất sinh lợi trong tương lai, so với tỷ suất sinh lợi của những ngày xa hơn trong lịch sử và do đó nên được cho giá trị lớn hơn tạ (Pritsker, 2006)

Hơn nữa, có một lỗ hổng trong việc chọn khoảng thời gian và độ dài của nó Mặt khác, thời lượng dữ liệu dài hơn có thể tạo ra kết quả VaR chính xác hơn do ít lỗi lấy mẫu rủi ro hơn, nhưng mặt khác, nó có thể bị nghi ngờ về tính hợp lệ của nó (Stambaugh, 1996) Cũng có thể khó tìm thấy dữ liệu nhất quán trong khoảng thời gian dài hơn, điều cần thiết để tính toán VaR bằng cách sử dụng Mô phỏng lịch sử Phương pháp này cũng có thể khó hoặc gần như không thể sử dụng khi tính toán VaR đối với tài sản tài chính ở các thị trường mới nổi Các công cụ trên các thị trường mới nổi có thể không có dữ liệu về giai đoạn lịch sử có thể đại diện được (Penza và Bansal, 2001)

b Phương pháp định lượng RiskMetrics:

RiskMetrics là một phương pháp tính toán VaR dựa trên mô hình phân phối chuẩn hóa của lợi nhuận tài sản hoặc danh mục đầu tư Phương pháp này sử dụng một

bộ chỉ số thống kê, bao gồm độ lệch chuẩn và hệ số tương quan, để tính toán VaR RiskMetrics thường dùng mô hình phân phối chuẩn hóa GARCH (Generalized Autoregressive Conditional Heteroskedasticity) để ước tính mức độ biến động và lợi nhuận tài sản Các bước xác định VaR theo phương pháp RiskMetrics có thể được biểu diễn như sau:

Bước 1: Chuẩn bị dữ liệu: Thu thập dữ liệu lịch sử về lợi nhuận (hoặc thay đổi giá) của tài sản hoặc danh mục đầu tư trong quá khứ Dữ liệu này thường được thu thập hàng ngày trong một khoảng thời gian xác định

Bước 2: Xác định thời gian quan sát: Chọn khoảng thời gian mà bạn muốn tính toán VaR, ví dụ: 1 ngày, 1 tuần, hoặc 1 tháng

Bước 3: Tính toán độ lệch chuẩn (standard deviation): Sử dụng dữ liệu lịch sử, tính toán độ lệch chuẩn của lợi nhuận tài sản hoặc danh mục đầu tư trong khoảng thời gian quan sát Độ lệch chuẩn đo lường mức độ biến động của lợi nhuận

Bước 4: Xác định tham số "Lambda": Lambda (λ) là một tham số quan trọng trong phương pháp RiskMetrics Nó xác định mức độ trọng số của quá khứ so với hiện tại trong việc ước tính VaR Thông thường, giá trị lambda được chọn là 0.94, nhưng bạn cũng có thể điều chỉnh nó dựa trên mục tiêu riêng của bạn

Bước 5: Tính toán lớp biến đổi chuẩn (standardized tail loss): Sử dụng độ lệch chuẩn và tham số lambda, tính toán lớp biến đổi chuẩn Lớp biến đổi chuẩn được tính bằng cách nhân độ lệch chuẩn với giá trị tương ứng của tham số lambda

Bước 6: Xác định mức độ tin cậy: Chọn mức độ tin cậy (confidence level) cho VaR, ví dụ: 95% hoặc 99% Mức độ tin cậy xác định xác suất mà VaR sẽ không bị vượt qua

Bước 7: Tính toán VaR: Sử dụng lớp biến đổi chuẩn và mức độ tin cậy, tính toán VaR bằng cách nhân lớp biến đổi chuẩn với đối số tương ứng của phân phối chuẩn, phụ thuộc vào mức độ tin cậy được chọn

Ưu điểm và nhược điểm:

Dựa trên mô hình phân phối chuẩn hóa, giúp đơn giản hóa tính toán và cung cấp cơ sở toán học rõ ràng cho ước tính VaR Sử dụng độ lệch chuẩn và hệ số tương quan, giúp mô hình chứng tỏ tính phân tán và tương tác giữa các thành phần của danh mục Dễ áp dụng, không đòi hỏi nhiều dữ liệu và kỹ thuật phức tạp

Một nhược điểm của phương pháp này là giả định phân phối chuẩn hóa: Phương pháp RiskMetrics giả định rằng lợi nhuận tuân theo phân phối chuẩn hóa, trong khi thực tế lợi nhuận thị trường và tài sản thường không tuân theo phân phối này Điều này có thể dẫn đến sai lệch trong ước tính VaR và không phản ánh đúng mức độ rủi ro thực tế

c Phương pháp kinh tế định lượng (Econometrics)

Phương pháp này kết hợp các phương pháp thống kê và kinh tế để ước tính VaR Nó sử dụng các biến số kinh tế và tài chính như lợi suất, tỷ giá hoặc chỉ số thị trường để xây dựng mô hình dự báo và ước tính VaR Mô hình Econometrics có thể

sử dụng các phương pháp như mô hình Regime-switching, ARCH/GARCH và VAR (Vector Autoregression) để dự báo mức rủi ro

Các bước xác định VaR theo phương pháp Econometrics:

Bước 1: Chuẩn bị dữ liệu: Thu thập và chuẩn bị dữ liệu cần thiết cho phân tích

Dữ liệu này bao gồm các giá trị lợi nhuận hoặc thay đổi giá của tài sản hoặc danh mục đầu tư trong quá khứ Đảm bảo rằng dữ liệu thu thập được có độ tin cậy và đủ

để đánh giá rủi ro

Bước 2: Xác định mô hình: Xây dựng một mô hình econometrics phù hợp để

mô tả sự biến đổi của lợi nhuận hoặc thay đổi giá Mô hình này có thể dựa trên các phương pháp như mô hình GARCH (Generalized Autoregressive Conditional Heteroskedasticity) hoặc mô hình ngẫu nhiên dồn dập (jump-diffusion model) Mô hình sẽ xác định đặc điểm của quá trình ngẫu nhiên trong dữ liệu và sự biến đổi của

nó theo thời gian

Bước 3: Ước tính tham số: Sử dụng các phương pháp ước tính econometrics, xác định các tham số của mô hình Điều này bao gồm ước tính các tham số như độ lệch chuẩn và hệ số tương quan từ dữ liệu quá khứ Các phương pháp ước tính có thể bao gồm Maximum Likelihood Estimation (MLE) hoặc phương pháp GMM (Generalized Method of Moments)…

Bước 4: Xác định VaR: Dựa trên mô hình và các tham số ước tính, tính toán VaR cho một mức độ tin cậy xác định VaR có thể được xác định bằng cách sử dụng phân phối xác suất được xác định từ mô hình econometrics hoặc thông qua phương pháp mô phỏng Monte Carlo…

Ưu điểm và nhược điểm:

Cơ sở lý thuyết mạnh mẽ: Econometrics dựa trên các mô hình kinh tế và lý thuyết kinh tế, cung cấp một cơ sở lý thuyết mạnh mẽ cho việc phân tích dữ liệu và đánh giá rủi ro Điều này giúp hiểu rõ hơn về mối quan hệ nguyên nhân và hệ quả giữa các biến kinh tế và đưa ra những kết luận có căn cứ từ dữ liệu Dự báo và quản

lý rủi ro: Econometrics cung cấp công cụ để dự báo và quản lý rủi ro trong lĩnh vực tài chính và kinh tế Bằng cách sử dụng các mô hình và phương pháp econometrics, nhà quản lý có thể ước tính và dự báo sự biến đổi của các biến kinh tế quan trọng, từ

đó đưa ra quyết định kinh doanh và quản lý rủi ro hiệu quả…

Nhược điểm của việc tính VaR theo phương pháp Econometrics là giả định về

mô hình: Econometrics dựa trên giả định về mô hình kinh tế và các tham số liên quan Nếu mô hình không chính xác hoặc giả định không phù hợp, kết quả ước tính VaR

có thể không chính xác và không phản ánh đúng mức rủi ro thực tế Độ tin cậy của

dữ liệu: Econometrics yêu cầu dữ liệu đầu vào chất lượng cao và đủ để đưa ra kết quả tin cậy Nếu dữ liệu không đủ hoặc không chính xác, kết quả ước tính VaR có thể bị

sai lệch và không đáng tin cậy Phức tạp và tốn thời gian: Phương pháp Econometrics yêu cầu kiến thức chuyên môn và kỹ năng phân tích cao

1.2.5 Ưu, nhược điểm của VaR

a Ưu điểm:

- Dễ hiểu: VaR là một con số ước tính mức độ rủi ro trong một danh mục đầu

tư VaR được trình bày dưới dạng phần trăm giá trị của danh mục đầu tư hoặc đơn giản là theo đơn vị giá như đô la Điều này làm cho nó dễ hiểu và giải thích

- Khả năng áp dụng: VaR có thể được sử dụng để đo lường và so sánh rủi ro giữa các loại tài sản và danh mục đầu tư Điều này trang bị cho người quản lý rủi ro thông tin liên quan về những rủi ro có thể xảy ra

- Khả năng chấp nhận: Con số VaR là một tiêu chuẩn được chấp nhận rộng rãi trong việc mua hoặc bán tài sản Bên cạnh đó, nó được chấp nhận bởi các cơ quan quản lý ngân hàng và các tổ chức tài chính khác

- Được sử dụng để đánh giá hiệu suất: Thay vì đánh giá hiệu suất của một công

ty hoàn toàn dựa trên lợi nhuận, lợi nhuận được điều chỉnh theo rủi ro có thể được tính toán bằng cách xem xét mức độ rủi ro đã thực hiện Trong trường hợp này, VaR

có thể dùng làm cơ sở điều chỉnh

- Độ tin cậy: VaR, như một thước đo rủi ro, có thể được xác minh bằng cách

kiểm tra lại

b Nhược điểm:

- Phụ thuộc vào đầu vào và giả định: Một số phương pháp giả định rằng lợi nhuận của tài sản và danh mục đầu tư tuân theo phân phối chuẩn Do đó, cuối cùng người ta có thể sử dụng phân phối lợi nhuận không thực tế làm đầu vào Đổi lại, điều này sẽ dẫn đến việc đánh giá thấp rủi ro thực sự Hơn nữa, giả định bằng phương pháp

mô phỏng lịch sử rằng hiệu suất trong quá khứ của một danh mục đầu tư là một chỉ báo tốt về hiệu suất của nó trong tương lai gần là không thực tế

- Kết quả không nhất quán: Các mô hình khác nhau có thể cho ra các kết quả khác nhau về VaR do sử dụng các giả định khác nhau của cùng một danh mục đầu

tư

- Khó tính toán với danh mục đầu tư lớn: Có nhiều tài sản đa dạng làm phức tạp việc tính toán VaR Điều này chủ yếu là do để có được VaR, phải tính toán được mối tương quan giữa các tài sản, cũng như rủi ro và lợi nhuận của tất cả các tài sản

- Tính chủ quan: Việc tính toán VaR liên quan đến việc chọn ước tính tham số, giả định phân phối, tỷ lệ tổn thất cũng như khoảng thời gian xem xét lại Những lựa chọn này có thể ảnh hưởng rất lớn đến VaR

1.3 Các nghiên cứu thực nghiệm

Với những ưu điểm vượt trội của mình, VaR đã trở thành một công cụ quan trọng trong việc đo lường rủi ro thị trường Đã có rất nhiều nghiên cứu khoa học ứng dụng VaR trong đo lường rủi ro, ta có thể thấy các nghiên cứu về đo lường rủi ro chia thành 2 nhóm chính: các nghiên cứu về ứng dụng VaR để đo lường rủi ro; nhóm các nghiên cứu kiểm định phương pháp VaR

1.3.1 Các nghiên cứu nước ngoài

Hiện tại trên thế giới có rất nhiều các nghiên cứu kiểm định phương pháp VaR, tuy nhiên có một số kiểm định mang tính đột phá đáng kể đến như sau:

Longin (2000) đã trình bày một ứng dụng của lý thuyết giá trị cực đoan để tính toán giá trị rủi ro của một vị thế thị trường Trong thống kê, các cực trị của một quá trình ngẫu nhiên đề cập đến quan sát thấp nhất (tối thiểu) và quan sát cao nhất (tối đa) trong một khoảng thời gian nhất định Lý thuyết giá trị cực đoan đưa ra một số kết quả thú vị về phân phối lợi nhuận cực đoan Đặc biệt, sự phân phối giới hạn của lợi nhuận cực đoan được quan sát trong một khoảng thời gian dài phần lớn độc lập với chính sự phân phối lợi nhuận Trong thị trường tài chính, biến động giá cực đoan tương ứng với sự điều chỉnh của thị trường trong các giai đoạn bình thường, cũng như sự sụp đổ của thị trường chứng khoán, sự sụp đổ của thị trường trái phiếu hoặc khủng hoảng ngoại hối trong các giai đoạn bất thường Do đó, một cách tiếp cận dựa trên các giá trị cực đoan để tính toán VaR bao gồm các điều kiện thị trường, từ môi trường thông thường được xem xét bởi các phương pháp VaR hiện có cho đến các cuộc khủng hoảng tài chính vốn là trọng tâm của thử nghiệm căng thẳng Lý thuyết giá trị cực đoan đơn biến được sử dụng để tính toán VaR của một vị thế được tổng hợp đầy đủ trong khi lý thuyết giá trị cực đoan đa biến được sử dụng để tính toán VaR của một vị trí được phân tách theo các yếu tố rủi ro

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 Phân tích được thực hiện trong một số khoảng thời gian đối với tài sản được đề cập ở trên, có giao dịch tại Sàn giao dịch phái sinh Mexico Để phân tích VaR với khoảng thời gian kéo dài hơn một ngày giao dịch, dữ liệu được ước tính bằng cách áp dụng các mô hình GARCH Kết quả cho thấy các mô hình GARCH tương đối chính xác trong khoảng thời gian của một ngày giao dịch Tuy nhiên, tính bền bỉ của sự biến động được nắm bắt bởi các mô hình này được phản ánh bằng các ước tính VaR tương đối cao cho các khoảng thời gian dài hơn Về mặt quản lý rủi ro, điều này được coi là không mong muốn do lượng vốn không tối ưu phải được trích lập để đáp ứng yêu cầu rủi ro vốn tối thiểu cho danh mục đầu tư tương lai Những kết quả này cũng có ý nghĩa đối với dự báo lãi suất ngắn hạn cho rằng RWD được ước tính

Carol Alexander (2008) đã nghiên cứu và giới thiệu một cách tiếp cận để định lượng rủi ro mô hình VaR trong một khung thống kê nghiêm ngặt và rút ra một sự điều chỉnh tương ứng đối với vốn pháp định tương đối dễ thực hiện Nghiên cứu đã tập trung vào rủi ro mô hình của các đánh giá rủi ro phân vị với tham chiếu cụ thể đến các ước tính VaR, được lấy từ các phân vị lãi và lỗ của danh mục đầu tư Nghiên cứu cũng cho rằng cần có thêm các nghiên cứu sâu hơn cùng với cả cơ quan quản lý

và ngân hàng – về việc phát triển các mô hình VaR chuẩn và kiểm tra lại các ước tính được điều chỉnh theo rủi ro mô hình cho các mô hình VaR thường được sử dụng

Akar (2007), đã cố gắng ước tính sự biến động của chỉ số BIST100 thông qua các mô hình ARCH, GARCH, SWARCH và thấy rằng mô hình ARCH và GARCH dẫn đến sự gia tăng tính bền bỉ của biến động Balaban (2004), bày tỏ rằng mô hình GARCH tiêu chuẩn là cách tốt nhất để ước tính biến động hàng tháng Er và Fidan (2013), mô hình GARCH tham số và không tham số tương phản cho BIST100 bằng cách sử dụng dữ liệu hàng ngày từ năm 1991 đến 2012 Nghiên cứu đã kết luận rằng GARCH không tham số (1,1) cho kết quả tốt hơn GARCH tham số (1,1) cho chỉ số BIST100 Bên cạnh nhiều kiểm định phương pháp VaR trên toàn thế giới, các nghiên cứu về ứng dụng VaR để đo lường rủi ro thị trường còn khá hạn chế trên thế giới

Julijana Angelovska (2012) với bài báo “Managing market risk with VaR (Value at Risk) - Quản lý rủi ro thị trường với VaR” đã tập trung vào mô hình kinh tế lượng biến động và họ các mô hình SMA và EWMA nói riêng Theo đó, bài báo đóng góp vào cuộc tranh luận về việc sử dụng VaR như một công cụ để quản lý rủi ro Có ba yếu tố chính của VaR – mức độ mất giá trị cụ thể, khoảng thời gian cố định để đánh giá rủi ro và khoảng tin cậy VaR có thể được chỉ định cho một tài sản riêng lẻ, một danh mục tài sản hoặc cho toàn bộ công ty VaR được tính toán bằng SMA và EWMA trên dữ liệu của 3 chỉ số của các quốc gia phát triển (Mỹ, Anh và Đức) và 4 chỉ số của các quốc gia mới nổi (Serbia, Slovenia, Croatia và Macedonia) Bài nghiên cứu

đã chỉ ra rằng ở mức độ tin cậy 95% cho kết quả ước lượng VaR có độ chính xác tốt hơn so với độ tin cậy 99%

1.3.2 Các nghiên cứu trong nước

Mô hình VaR cũng được một số nhà nghiên cứu ở Việt Nam ứng dụng để đo lường rủi ro thị trường tuy nhiên vẫn còn hạn chế, phần lớn là các nghiên cứu kiểm định các phương pháp VaR

Võ Thị Thúy Anh và Nguyễn Anh Tùng (2011) đã có bài nghiên cứu “Đo lường rủi ro thị trường của danh mục chỉ số VN-Index bằng mô hình giá trị chịu rủi

ro (VaR)” Nghiên cứu đã thực hiện việc dự báo, lượng hóa mức độ rủi ro thị trường bằng thước đo 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 VN 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 TSSL 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: TSSL của chỉ số Vni dự báo chịu sự chi phối bởi diễn biến TSSL VNI trong 1,2,4 và

5 ngày trước có tương quan cùng chiều với TSSL 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 GARCH và GARCH phát triển để xác định thước đo VaR đối với các danh mục cổ phiếu trong DMĐT theo thời gian để làm cơ sở cho các quyết định phân bổ vốn hay rút vốn đầu tư

ARMA-Đặng Hữu Mẫn (2009) nghiên cứu chỉ số FTSE 100 trên TTCK Anh để tìm ra bằng chứng làm sáng tỏ nghi vấn có hay không những mô hình VaR được lựa chọn hoạt động hiệu quả trong những giai đoạn thị trường dao động mạnh, đặc biệt là dưới

sự tác động của cuộc khủng hoảng tín dụng dưới tiêu chuẩn gần đây Bài báo đã ứng dụng 4 mô hình VaR khá phổ biến bao gồm mô hình 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 tại Anh Kết quả thực nghiệm chỉ ra rằng mô hình mô phỏng lịch sử không hoạt động 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 Cuối cùng, nghiên cứu khẳng định rằng không có bằng chứng xác thực nào chứng tỏ mô hình t-GARCH (1,1) dự báo rủi ro chính xác hơn mô hình N-GARCH (1,1)

Nguyễn Thị Liên Hoa và Trần Đặng Dũng (2013) đã nghiên cứu các yếu tố nào đã, đang và sẽ ảnh hưởng đến lạm phát tại Việt Nam, đồng thời chạy mô hình định lượng SVAR để kiểm định mức độ ảnh hưởng đến lạm phát của tổng yếu tố Bài nghiên cứu đã đi sâu vào giải quyết các vấn đề: Các yếu tố tác động đến lạm phát ở Việt Nam; thời gian để lạm phát phản ứng lại một chính sách mới ảnh hưởng của cú sốc trong chính sách đến lạm phát; ảnh hưởng của cú sốc trong chính sách đến lạm phát và sự tác động ngược trở lại của một cú sốc trong lạm phát đến các yếu tố khác

Nguyễn Thị Thu Trang (2017) đã sử dụng mô hình ARIMA và VAR dự báo lạm phát tại Việt Nam Dựa trên những ưu điểm của hai mô hình ARIMA và VAR, bài nghiên cứu đã sử dụng mô hình ARIMA để dự báo lạm phát tại Việt Nam theo tháng và mô hình VAR để dự báo lạm phát Việt Nam theo quý với khoảng thời gian

dự báo được lựa chọn từ quý IV/2016 - IV/2017; từ đó đưa ra một số kết luận và hàm

ý chính sách góp phần nâng cao hiệu quả điều hành vĩ mô, kiểm soát lạm phát trong thời gian tới có thể kể đến: Mục tiêu chính sách vĩ mô cần hướng đến “lạm phát kỳ vọng” và gia tăng sự đồng thuận của nhân dân; Chính sách tiền tệ chỉ nên sử dụng giải pháp ngắn hạn trong điều tiết lạm phát, tuy nhiên, trong dài hạn, CSTT cần hướng tới chính sách lạm phát mục tiêu; Cần chủ động ứng phó với biến động giá dầu thế giới, góp phần kiềm chế lạm phát

Nghiên cứu “Các phương pháp đo lường giá trị chịu rủi ro: Ứng dụng cho Việt Nam” của Lê Hải Trung và Nguyễn Thị Mai Trang (2020) đã tiến hành đánh giá 3 phương pháp phổ biến được sử dụng để tính toán và dự báo VaR đối với thị trường chứng khoán Việt Nam qua tỷ lệ thu nhập của chỉ số chứng khoán VN-Index từ năm

2006 đến hết tháng 4/2020 với độ tin cậy là 99% Kết quả kiểm định lại dự báo VaR

từ các mô hình cho thấy chỉ duy nhất mô hình GARCH-SGED với việc ước lượng phân phối xác suất có điều kiện với giả định phân phối không chuẩn cho tỷ lệ thu nhập VN-Index cho ra kết quả dự báo VaR có tính chính xác cao nhất Nghiên cứu cho thấy các mô hình thông thường giả định phân phối chuẩn cho tỷ lệ thu nhập của VN-Index sẽ mang lại các dự báo VaR thấp hơn so với rủi ro thực tế trên thị trường

Việc sử dụng VaR càng ngày càng chứng tỏ vị trí của mình trong quản trị rủi

ro đối với các nước phát triển và đang phát triển trên thế giới Hiện nay đã có rất nhiều nghiên cứu kiểm định phương pháp VaR, tuy nhiên vẫn còn rất hạn chế những nghiên cứu về ứng dụng công nghệ VaR để đo lường rủi ro nói chung và rủi ro thị trường nói riêng trong các doanh nghiệp Trong bối cảnh các nghiên cứu về ứng dụng

mô hình VaR để đo lường rủi ro ở nước ta hiện nay còn rất ít, đặc biệt là với ngành nghề Vật liệu xây dựng nói riêng thì hầu như không có; em mong đề tài “Ứng dụng VaR trong đo lường rủi ro thị trường của ngành Vật liệu xây dựng” sẽ có đóng góp, giúp đỡ 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 rủi ro thị trường cũng như các loại rủi ro khác của mình một cách có hiệu quả hơn

Vì vậy, tính mới trong bài viết lần này là ứng dụng VaR trong đo lường mức

độ rủi ro của rủi ro thị trường đối với ngành Vật liệu xây dựng với giả định chuỗi tỷ suất sinh lời của cổ phiếu là chuỗi dừng, có tự tương quan và tuân theo quy luật phân phối chuẩn Câu hỏi nghiên cứu mà bài khóa luận trả lời bao gồm:

- Các thách thức mà doanh nghiệp trong ngành Vật liệu xây dựng sẽ đối mặt với các loại rủi ro thị trường nào? Mức độ ảnh hưởng, tác động của từng loại rủi ro thị trường có thể gây ra đối với doanh nghiệp?

- Giá trị cao nhất mà các doanh nghiệp này có thể mất đi dưới những điều kiện thị trường bình thường trên cơ sở một quãng thời gian và độ tin cậy nhất định?

- Các doanh nghiệp có thể quản trị rủi ro thị trường như thế nào để phòng ngừa,

loại trừ hoặc giảm thiểu những thiệt hại mà rủi ro thị trường có thể gây ra?

Dựa trên lý thuyết đã trình bày và tham khảo các nghiên cứu thực nghiệm liên

quan đến sử dụng VaR để đo lường rủi ro thị trường của doanh nghiệp như đã trình

bày trước đó, bài nghiên cứu này sẽ áp dụng 4 phương pháp khác nhau để đo lường

rủi ro thị trường trong ngành Vật liệu xây dựng Các phương pháp bao gồm

Riskmetrics, Econometrics, Monte-Carlo và Quantile Estimation

CHƯƠNG 2: SỐ LIỆU SỬ DỤNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 2.1 Số liệu sử dụng

Do công ty nơi em đang thực tập là công ty có ngành nghề kinh doanh chính theo Đăng ký doanh nghiệp là “Sản xuất bê tông và các sản phẩm từ xi măng và thạch cao” Cũng theo các số liệu của công ty thì công ty này không có các hoạt động đầu

tư vào các tài sản tài chính, cũng như chưa niêm yết trên sàn Chứng khoán Việt Nam Chính vì vậy, bài khóa luận sẽ sử dụng một danh mục gồm 05 cổ phiếu thuộc ngành Vật liệu xây dựng, cụ thể hơn là các doanh nghiệp có hoạt động “Sản xuất xi măng

và các sản phẩm bê tông” theo các tiêu chí sau:

Có sự thống nhất về sàn giao dịch: Các cổ phiếu được lựa chọn đều được niêm yết trên sàn Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) để có sự minh bạch và chất lượng dữ liệu cao nhất

Về thời gian: Các cổ phiếu phải được niêm yết trên sàn HOSE trước ngày 01/05/2017

Theo những tiêu chí kể trên và để ứng dụng mô hình VaR trong đo lường rủi

ro thị trường đối với cổ phiếu ngành Vật liệu xây dựng, bài nghiên cứu sẽ sử dụng dữ liệu như sau: Giá của các cổ phiếu FCM; HT1; HVX; TEG; THG trong khoảng thời gian từ 01/05/2017-01/05/2022 được tải từ trang Investing.com, dữ liệu được sử dụng

sẽ được lưu dưới dạng file csv Thông tin của các cổ phiếu được liệt kê ở bảng sau đây:

Bảng 2.1 Thông tin các cổ phiếu được lựa chọn

1 HT1 CTCP Xi Măng Vicem Hà Tiên

4 TEG CTCP Năng lượng và Bất động sản Trường

Thành

5 THG CTCP Đầu tư và Xây dựng Tiền Giang

2.2 Phương pháp nghiên cứu

Với sự phát triển của khoa học công nghệ ngày nay và sự quan tâm của các tổ chức tài chính đến quản trị rủi ro cũng như mô hình VaR, sự ra đời của R và R Studio

đã làm cho việc tính toán VaR ngày càng trở nên đơn giản hơn R và R Studio cũng đang dần được giảng dạy trong các trường đại học và đang ngày càng chứng minh được sự tiện lợi và chính xác của mình

Bài nghiên cứu sẽ sử dụng phần mềm R và R Studio để ứng dụng VaR vào đo lường rủi ro thị trường bằng 4 phương pháp khác nhau: Quantile Estimation, Econometric Approach, Monte Carlo Simulation, và Risk Metrics

Để thực hiện bài nghiên cứu một cách hiệu quả, em sử dụng phần mềm RStudio dựa trên phiên bản R 4.2.3 và một số gói tiện ích như fBasics để chạy phân tích kỹ thuật và tạo dữ liệu thống kê mô tả, quantmod để lấy trực tiếp dữ liệu tài chính

từ Investing.com, vẽ biểu đồ và thực hiện phân tích, fGarch để chạy mô hình ARCH, GARCH (1,1) cho dữ liệu tài chính theo thời gian, tseries để khai thác dữ liệu tài chính, và rugarch để chạy các mô hình phức tạp như iGARCH, EGARCH cho dữ liệu tài chính theo thời gian

Quy trình nghiên cứu cụ thể như sau:

Bước 1: Thu thập dữ liệu

Để áp dụng mô hình VaR, chúng ta cần có dữ liệu dựa trên cơ sở dữ liệu giá đóng cửa có điều chỉnh hằng ngày của FCM/ HT1/ HVX/ TEG/ THG từ ngày 01/05/2017-01/05/2022, bằng công thức như sau, ta thực hiện tính toán TSSL hang ngày của các cổ phiếu:

r = 𝑃𝑡 − 𝑃𝑡−1

𝑃𝑡−1Theo đó:

- Pt: Giá đóng cửa điều chỉnh của cổ phiếu ngày t

- Pt-1: Giá đóng cửa điều chỉnh của cổ phiếu ngày t-1

- r: TSSL của cổ phiếu Tại bài luận văn này, với mong muốn đo lường mức thua lỗ của các doanh nghiệp trong ngành Vật liệu xây dựng sẽ phải gánh chịu nên em sẽ sử dụng hàm Loss của TSSL, điều đó có nghĩa là chúng ta sẽ cần lấy số âm của TSSL

Bước 2: Xác định mức độ rủi ro 𝜶 (độ tin cậy 1- 𝜶)

Sau khi thu thập được dữ liệu, ta cần xác định phạm vi và mức độ rủi ro trong ngành vật liệu xây dựng Mức độ chấp nhận rủi ro của mỗi đối tượng là khác nhau;

có đối tượng chấp nhận mức độ rủi ro cao và cũng có các đối tượng chỉ chấp nhận mức độ rủi ro thấp Mức độ rủi ro cao sẽ đồng nghĩa với mức độ tổn thất có thể xảy

ra là lớn Trong bài luận này, em sẽ ước tính VaR ở mức rủi ro là 5% với mức độ tin cậy tương ứng là 95%, đây là mức mà khi được học bản thân em được gặp nhiều nhất

và cũng phù hợp với các doanh nghiệp tại Việt Nam

Bước 3: Kiểm định các giả thiết của mô hình VaR

Mô hình tính toán giá trị rủi ro -VaR giả định rằng chuỗi tỷ suất sinh lời của

cổ phiếu có tính dừng, có dạng phân phối chuẩn, có tự tương quan Khi đó, việc sử dụng các tham số trung bình, độ lệch chuẩn, phương sai sẽ 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 TSSL

Bài khóa luận này sẽ đánh giá tổng quát đặc điểm của số liệu nghiên cứu bằng cách sử dụng thống kê mô tả của chuỗi dữ liệu

*Kiểm định giả thiết phân phối chuẩn

Trên thực tế, để kiểm tra xem dữ liệu có phân phối chuẩn hay không, có nhiều phương pháp khác nhau Ví dụ, bạn có thể sử dụng biểu đồ Q-Q 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 các kiểm định như: Bera, Kolmogorov-Smirnov, Lilliefors, Shapiro-Wilk

Jarque-Tại bài khóa luận này, em sẽ sử dụng kiểm định Jarque-Bera với cặp giả thiết như sau:

H0: Chuỗi tỷ suất sinh lời có phân phối chuẩn

H1: Chuỗi tỷ suất sinh lời không có phân phối chuẩn

- Với ∝ là mức độ rủi ro: Nếu p-value < ∝, ta bác bỏ H0, chấp nhận H1, chuỗi TSSL không tuân theo phân phối chuẩn

- Nếu p-value > ∝ thì chuỗi TSSL tuân theo phân phối chuẩn

*Kiểm định giả thiết tính dừng

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 Nếu chuỗi dữ liệu không có tính dừng, tức là

nó thay đổi với 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 Theo Ramanathan (2002) hầu hết các chuỗi thời gian về kinh tế là không dừng vì chúng thường có một xu hướng tuyến tính

Để kiểm tra tính dừng của chuỗi dữ liệu, có thể sử dụng các phương: kiểm định Phillips–Person (PP), kiểm định KPSS, kiểm định Dickey–Fuller (DF) và kiểm định Dickey và Fuller mở rộng (ADF) Bài nghiên cứu này sẽ sử dụng 2 kiểm định Dickey-Fuller và KPSS để kiểm định tính dừng của chuỗi TSSL

+ Kiểm định Dickey-Fuller với cặp giả thuyết:

H0: Chuỗi dữ liệu không có tính dừng (non-stationary)

H1: Chuỗi dữ liệu có tính dừng (stationary)

- Nếu p-value < ∝, bác bỏ H0, chấp nhận H1, chúng ta kết luận chuỗi dữ liệu có tính dừng

- Nếu p-value >∝ thì chuỗi dữ liệu không có tính dừng

+ Kiểm định KPSS với cặp giả thuyết:

H0: Chuỗi tỷ suất sinh lời có tính dừng (stationary)

H1: Chuỗi tỷ suất sinh lời không có tính dừng (non-stationary)

- Nếu p-value < ∝, bác bỏ H0, chấp nhận H1, chúng ta kết luận chuỗi dữ liệu không có tính dừng

- Nếu p-value > ∝ thì chuỗi dữ liệu có tính dừng

*Kiểm định giả thiết tự tương quan

Thông qua việc sử dụng lệnh vẽ biểu đồ ACF hoặc PACF và kiểm định Box, bài nghiên cứu sẽ xem chuỗi TSSL có độc lập với nhau hay không

Ljung-Kiểm định Ljung-Box với cặp giả thiết:

H0: Các giá trị trong chuỗi dữ liệu không tương quan và độc lập với nhau

H1: Các giá trị trong chuỗi dữ liệu tương quan và không độc lập với nhau

- Nếu giá trị p-value < ∝, bác bỏ H0, chấp nhận H1, các giá trị trong chuỗi dữ liệu tương quan với nhau và không độc lập

- Nếu giá trị p-value > ∝ thì các giá trị trong chuỗi dữ liệu là ngẫu nhiên và độc lập với nhau

Bước 4: Mô hình phù hợp

*Phương pháp Econometric Approaches

Phương pháp Econometrics là một phương pháp sử dụng trong việc đo lường

và phân tích các mô hình kinh tế và tài chính Nó kết hợp các nguyên lý kinh tế học với phương pháp thống kê để nghiên cứu mối quan hệ và dự báo các biến số kinh tế

và tài chính Trong việc đo lường rủi ro tài chính, phương pháp Econometrics có thể được sử dụng để ước tính biến động tỷ lệ giá trị (volatility) và tính toán Value at Risk (VaR) Các mô hình Econometrics thường sử dụng các phương pháp như mô hình GARCH (Generalized Autoregressive Conditional Heteroskedasticity) để mô phỏng

sự biến đổi của giá trị tài sản hoặc danh mục đầu tư Nghiên cứu "Estimating at-Risk with time-varying volatility" của Francis X Diebold và Roberto S Mariano (1998): Nghiên cứu này ứng dụng phương pháp Econometrics trong việc ước tính VaR Nó sử dụng mô hình GARCH và mô hình đa biến (multivariate model) để tính toán VaR và kiểm tra độ chính xác của phương pháp

Value-Trong bài nghiên cứu, em sẽ sử dụng mô hình để thuận tiện, dễ dàng, tăng sự chính xác thì em sẽ sử dụng mô hình GARCH (1,1) với phương pháp Econometric Approaches để mô hình hóa Mô hình GARCH (1,1) được thể hiện như sau:

𝛾𝑡 = 𝜇𝑡+ 𝑎𝑡

𝑎𝑡 = 𝜎𝑡𝜖𝑡

𝜎𝑡2 = 𝛼0 + 𝛼1𝜎𝑡−12+ 𝛽1𝜀𝑡−12Trong đó:

𝑟𝑡 = 𝜇𝑡+ 𝑎𝑡 (Mean model)

𝜇𝑡: Gía trị kỳ vọng

𝛼0: hằng số có giá trị dương, biểu thị mức độ biến động trung bình

𝜎𝑡2: phương sai có điều kiện tại thời điểm t

𝜎𝑡−𝑖2 : phản ánh sự biến động của bình phương sai số trong quá khứ

𝑎𝑡: Phần dư

𝜖 : nhiễu trắng

Theo đó, chúng ta cần phải xem mô hình có ý nghĩa thống kê không bằng cách

xem mục Error Analysis, tại cột Pr (>|𝒕|), chúng ta sẽ so sánh các giá trị tại cột này

của biến các biến 𝛼0( omega), 𝛼1(alpha1), 𝛽1(beta1) với giá trị 𝑎 = 0.05 để xem liệu chúng ta có thể bác bỏ giả thuyết H0 không Nếu bác bỏ được H0 thì mô hình có ý nghĩa thống kê

Cặp giả thuyết cần kiểm định

H0: Mô hình không có ý nghĩa thống kê

H1: Mô hình có ý nghĩa thống kê

- Nếu p-value < ∝ (0.05) ta bác bỏ H0, chấp nhận H1, chúng ta kết luận

mô hình có ý nghĩa thống kê

- Nếu p-value > ∝ (0.05), thì mô hình không có ý nghĩa thống kê

*Phương pháp RiskMetrics

Phương pháp Riskmetrics là một phương pháp phổ biến để đo lường và quản

lý rủi ro tài chính, đặc biệt là trong việc tính toán VaR (Value at Risk) Phương pháp này được phát triển bởi J.P Morgan vào những năm 1990 và đã trở thành một tiêu chuẩn trong ngành tài chính Một ưu điểm của phương pháp Riskmetrics là nó cho phép điều chỉnh cho sự biến đổi không đồng nhất của dữ liệu tài chính Nghiên cứu

"Value-at-Risk: Implementing RiskMetrics" (1996) của J.P Morgan đưa ra phương pháp Riskmetrics và mô hình EWMA để ước tính biến động tỷ lệ giá trị và tính toán VaR Mô hình EWMA sử dụng trọng số khác nhau cho các quan sát gần đây để phản ánh mức độ biến động của giá trị tài sản Nghiên cứu "Evaluating Value at Risk Methodologies: Accuracy versus Computational Time" (2000) của Philippe Jorion và Gaiyan Zhang so sánh hiệu suất của các phương pháp tính VaR, bao gồm Riskmetrics, phương pháp lịch sử và phương pháp Monte Carlo Nghiên cứu này đánh giá độ chính xác và thời gian tính toán của từng phương pháp để xác định phương pháp nào hiệu quả nhất để tính toán VaR

Trong bài nghiên cứu đối với phương pháp RiskMetrics, em sẽ sử dụng mô hình iGARCH (1,1) hay là mô hình GARCH tích hợp (Integrated GARCH), đây là

mô hình mở rộng của mô hình GARCH Mô hình GARCH (p, q) được thể hiện như sau:

𝑟𝑡 = 𝜇𝑡+ 𝑎𝑡 : Mean model

𝜇𝑡: Gía trị kỳ vọng

𝛼0: hằng số có giá trị dương, biểu thị mức độ biến động trung bình

𝜎𝑡2: phương sai có điều kiện tại thời điểm t

𝜎𝑡−𝑖2 : phản ánh sự biến động của bình phương sai số trong quá khứ

𝑎𝑡: Phần dư

𝜖𝑡: nhiễu trắng

Mô hình iGARCH (1,1) đơn giản hóa và có tổng của 𝛼1, 𝛽1 bằng 1, nên mô hình không đưa ra kết quả 𝛽1, chúng ta chỉ quan tâm đến p-value của 𝛼1 (alpha1) để

xem mô hình có phù hợp không bằng cách xem mục Optimal Parameters, xem cột

< 𝛼(0.05) Tức là chúng ta sẽ bác bỏ H0, chấp nhận H1 Khi đó thì mô hình có ý nghĩa thống kê

Cặp giả thuyết cần kiểm định

H0: Mô hình không có ý nghĩa thống kê

H1: Mô hình có ý nghĩa thống kê

- Nếu p-value < ∝ (0.05), ta bác bỏ H0, chấp nhận H1, chúng ta kết luận

mô hình có ý nghĩa thống kê

- Nếu p-value > ∝ (0.05) thì mô hình không có ý nghĩa thống kê

*Phương pháp Monte Carlo Simulation

Phương pháp Monte Carlo Simulation là một phương pháp thống kê được sử dụng rộng rãi trong đo lường và mô phỏng rủi ro tài chính Phương pháp này dựa trên việc tạo ra một loạt các kịch bản ngẫu nhiên và tính toán kết quả tài chính dựa trên các kịch bản này để ước tính VaR (Value at Risk) và các thống kê khác Phương pháp Monte Carlo Simulation có ưu điểm là linh hoạt và có thể áp dụng cho các mô hình phức tạp và không đối xứng Nó cho phép đánh giá rủi ro dựa trên phân phối xác suất

toàn cầu của kết quả tài chính, và cung cấp thông tin chi tiết về phân phối kỳ vọng và biên độ rủi ro

Cách thức thực hiện của Monte Carlo là tạo ra một tập hợp các giá trị ngẫu nhiên dựa trên phân phối xác suất của biến đầu vào và sử dụng các giá trị này để tính toán các giá trị đầu ra của mô hình Các lần mô phỏng không hoàn toàn giống nhau khi sử dụng phương pháp "set seed" để tái lập kết quả

*Phương pháp Quantile Estimation

Phương pháp Quantile Estimation (ước tính ngưỡng) là một phương pháp được

sử dụng để tính toán giá trị của VaR (Value at Risk) Đây là một phương pháp thống

kê dựa trên phân phối xác suất của các biến số tài chính để xác định ngưỡng rủi ro mong muốn Phương pháp này tập trung vào việc ước tính mức ngưỡng tại một xác suất cụ thể, ví dụ như 95% hoặc 99% Ngưỡng này thể hiện giá trị mà rủi ro tài chính của một quỹ, một danh mục đầu tư hoặc một tài sản cụ thể có xác suất không vượt quá nó trong một khoảng thời gian nhất định

Với điểm mạnh là phương pháp có đặc điểm đơn giản, dễ thực hiện Cách tiếp cận này giả định rằng toàn bộ phân phối của tỷ suất lợi nhuận không thay đổi trong tương lai

Bước 5: Kiểm định sự phù hợp của mô hình

Bài nghiên cứu tiến hành hậu kiểm tra phần dư để đánh giá sự phù hợp của các ước lượng VaR với 2 phương pháp là Riskmetrics và Econometrics Đối với 2 phương pháp còn lại thì không cần hậu kiểm phần dư với lý do sau đây: Khi tính toán VaR bằng Quantile, chúng ta quan tâm đến xác suất một khoản lỗ vượt quá một mức xác định Quantile là một giá trị trong phân phối xác định sao cho xác suất của một biến ngẫu nhiên nhỏ hơn hoặc bằng nó là xác suất đã chọn Vì vậy, khi tính toán VaR, chúng ta chọn một quantile cố định (ví dụ: quantile 5%) để đại diện cho mức rủi ro được chấp nhận Trong trường hợp này, không cần kiểm định tính phù hợp cho quantile vì nó chỉ đơn giản là một giá trị trong phân phối xác định trước Monte Carlo

là một phương pháp số để ước lượng xác suất hoặc giá trị kỳ vọng bằng cách mô phỏng các lần lặp và tổng hợp các kết quả Khi sử dụng phương pháp Monte Carlo

để tính toán VaR, chúng ta mô phỏng nhiều lần các kịch bản ngẫu nhiên cho các biến tài sản và tổng hợp kết quả để tính toán xác suất lỗ vượt quá một ngưỡng nhất định

Trong quá trình này, chúng ta không cần kiểm định tính phù hợp của phân phối vì chúng ta không giả định một phân phối cụ thể cho biến tài sản)

1 Đối với phương pháp Riskmetrics:

a Kiểm định sự tự tương quan phần dư:

Nhìn vào bảng Weighted Ljung-Box Test on Standardized Residuals và Weighted Ljung-Box Test on Standardized Squared Residuals Ta có thể sử dụng

kiểm định Ljung-Box để xem liệu chuỗi giá trị phần dư hoặc chuỗi bình phương giá trị phần dư có tự tương quan hay không với cặp giả thiết:

H0: Các giá trị trong chuỗi dữ liệu không tương quan và độc lập với nhau

H1: Các giá trị trong chuỗi dữ liệu tương quan và không độc lập với nhau -Nếu giá trị p-value < ∝ (0.05), bác bỏ H0, chấp nhận H1, các giá trị trong chuỗi tương quan với nhau Có thể kết luận: mô hình không phù hợp

-Nếu giá trị p-value > ∝ (0.05); các giá trị trong chuỗi tương quan với nhau

Có thể kết luận: mô hình không phù hợp

Để vẽ biểu đồ ACF của chuỗi giá trị phần dư hoặc bình phương chuỗi giá trị

phần dư khi cần sự chắc chắn, chúng ta sử dụng lệnh PLOT, sau đó chọn Selection

10, 11

b Kiểm định tính phân phối chuẩn phần dư:

Sử dụng câu lệnh PLOT sau đó chọn Selection 9 để vẽ biểu đồ QQ-Plot của

phần dư Nếu các giá trị cùng nằm trên một đường thẳng thì phần dư có phân phối chuẩn và ngược lại

2 Đối với phương pháp Econometrics:

a Kiểm định sự tự tương quan của phần dư

Nhìn vào bảng kết quả Standardised Residuals Tests, ta có thể kiểm định sự

tương quan thông qua p-value bằng kiểm định Ljung-Box giống với phương pháp Riskmetrics

Để vẽ biểu đồ ACF của chuỗi giá trị phần dư hoặc bình phương chuỗi giá trị

phần dư khi cần sự chắc chắn, chúng ta có thể sử dụng lệnh PLOT, sau đó chọn Selection 10, 11

b Kiểm định tính phân phối chuẩn của phần dư