Luận văn Thạc sĩ Kinh tế: Xếp hạng các mô hình Value at Risk trong dự báo rủi ro danh mục

Bài nghiên cứu tiến hành đánh giá và xếp hạng một số mô hình kinh tế lượng phổ biến trên thế giới trong việc ước lượng VaR. Qua đó, nhằm cung cấp thêm bằng chứng thực nghiệm trong việc đánh giá đâu là mô hình dự báo rủi ro danh mục tốt nhất.

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC KINH TẾ TP HỒ CHÍ MINH NGUYỄN THANH PHÚ XẾP HẠNG CÁC MƠ HÌNH VALUE AT RISK TRONG DỰ BÁO RỦI RO DANH MỤC LUẬN VĂN THẠC SĨ KINH TẾ Tp Hồ Chí Minh – Năm 2015 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC KINH TẾ TP HỒ CHÍ MINH NGUYỄN THANH PHÚ XẾP HẠNG CÁC MƠ HÌNH VALUE AT RISK TRONG DỰ BÁO RỦI RO DANH MỤC Chuyên ngành: TÀI CHÍNH – NGÂN HÀNG Mã số: 60340201 LUẬN VĂN THẠC SĨ KINH TẾ NGƢỜI HƢỚNG DẪN KHOA HỌC PGS TS LÊ PHAN THỊ DIỆU THẢO Tp Hồ Chí Minh – Năm 2015 LỜI CAM ĐOAN Tôi xin cam đoan Luận văn Thạc sĩ Kinh tế với đề tài “Xếp hạng mơ hình Value at Risk dự báo rủi ro danh mục” cơng trình nghiên cứu riêng hướng dẫn PGS TS Lê Phan Thị Diệu Thảo Các số liệu, kết luận văn trung thực chưa cơng bố cơng trình khác Tôi chịu trách nhiệm nội dung trình bày luận văn TP HCM, tháng năm 2015 Tác giả Nguyễn Thanh Phú MỤC LỤC TRANG PHỤ BÌA LỜI CAM ĐOAN MỤC LỤC DANH MỤC CÁC THUẬT NGỮ VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC CÁC ĐỒ THỊ CHƢƠNG 1: GIỚI THIỆU VỀ ĐỀ TÀI 1.1 Lý chọn đề tài 1.2 Mục tiêu nghiên cứu 1.3 Nội dung nghiên cứu 1.4 Phƣơng pháp nghiên cứu 1.5 Phạm vi nghiên cứu 1.6 Ý nghĩa đề tài 1.7 Kết cấu nghiên cứu CHƢƠNG 2: TỔNG QUAN CÁC NGHIÊN CỨU VỀ VaR 2.1 Tổng quan Value at Risk (VaR) 2.1.1 Khái niệm VaR 2.1.2 Sự phát triển VaR quản trị rủi ro 2.1.3 Một số đặc điểm VaR 2.1.4 Các thông số ảnh hưởng đến VaR 2.2 Các cách tiếp cận mơ hình VaR 2.2.1 Cách tiếp cận Phi tham số (Nonparametric)  Mơ hình Mơ Q khứ (Historical Simulation)  Mô hình mơ Monte Carlo 2.2.2 Cách tiếp cận tham số 10  Mơ hình Riskmetrics 10  Mô hình Phương sai-Hiệp phương sai (Variance-Covariance) 11  Mơ hình GARCH 12  Mơ hình EGARCH 13 2.2.3  Mơ hình CAViaR thích nghi (CAViaR Adaptive) 14  Mơ hình Giá trị tuyệt đối đối xứng (CAViaR Symmetric) 15  Mơ hình GARCH(1,1) gián tiếp (CAViaR Indirect GARCH) 15  Mơ hình độ dốc bất đối xứng (CAViaR Asymmetric) 16  Lý thuyết giá trị cực trị (Extreme Value Theory – EVT) 18 2.2.4 Kiểm tra lại phương pháp luận VaR (Back-testing) 19  Kiểm định phạm vi vô điều kiện (Unconditional Coverage Test) 19  Kiểm định phạm vi có điều kiện (Conditional Coverage Test) 20 2.2.5 2.3 Cách tiếp cận bán tham số 13 Stress test 22  Khái niệm 22  Phân tích kịch 22  Lựa chọn kịch 22  Đánh giá ảnh hưởng kịch 23  Đánh giá Stress Test 24 Bằng chứng thực nghiệm xếp hạng mơ hình VaR 24 2.2.6 Bằng chứng thực nghiệm thị trường phát triển 24 2.2.7 Bằng chứng thực nghiệm thị trường 24 2.2.8 Bằng chứng thực nghiệm thị trường phát triển 25 CHƢƠNG 3: PHƢƠNG PHÁP NGHIÊN CỨU 27 3.1 Các mơ hình dự báo VaR liệu đƣợc sử dụng 27 3.2 Phân tích liệu 29 3.2.1 Tính tốn TSSL 29 3.2.2 Mô tả thống kê chuỗi liệu TSSL 29 3.2.3 Mơ hình dự báo VaR phương pháp kiểm định 33  Mơ hình Historical Simulation 34  Mơ hình Variance-Covariance 35  Mơ hình GARCH (1,1) 35  Mơ hình EGARCH (1,1) 36  Mơ hình CAViaR Adaptive 36  Mơ hình CAViaR Symmetric 37  Mơ hình CAViaR Indirect GARCH 37  Mơ hình CAViaR Asymmetric 37  Mơ hình kiểm định VR 37 3.2.4 Các bước nghiên cứu 38 CHƢƠNG 4: KẾT QUẢ NGHIÊN CỨU 41 4.1 Kết dự báo VaR 41 4.1.1 Trình bày kết dự báo VaR theo bảng 41 4.1.2 Trình bày kết dự báo VaR đồ thị 45 4.2 Kiểm định kết dự báo 54 4.3 Xếp hạng, phân tích đánh giá kết dự báo 56 4.3.1 Xếp hạng mơ hình 56 4.3.2 Phân tích kết xếp hạng 57 4.3.3 Phân tích đồ thị kết dự báo 58 4.3.4 Lựa chọn mơ hình dự báo rủi ro danh mục 58 CHƢƠNG 5: KẾT LUẬN 60 5.1 Kết nghiên cứu 60 5.2 Hạn chế nghiên cứu hƣớng mở rộng 60 Lời kết 61 TÀI LIỆU THAM KHẢO PHỤ LỤC DANH MỤC CÁC THUẬT NGỮ VIẾT TẮT CAViaR Conditional Autoregressive Value at Risk - Mơ hình VaR tự hồi quy có điều kiện CRO Chief Risk Officer – Giám đốc quản trị rủi ro EGARCH Exponential GARCH – GARCH lũy thừa EWMA Mơ hình bình qn gia quyền theo hàm số mũ ES Expected Shortfall – Thước đo giá trị tổn thất kỳ vọng EVT Extreme Value Theory – Mơ hình cực trị GARCH Generalized autoregressive conditional heteroskedasticity ARCH tổng qt HS Histirical Simulation – Mơ hình mơ phịng lịch sử TSSL Tỷ suất sinh lời VaR Value at Risk – Thước đo giá trị chịu rủi ro VR Violation ratio – Tỷ lệ vi phạm DANH MỤC CÁC BẢNG Bảng 1: Một số kết nghiên cứu thực nghiệm Mơ hình Monte Carlo 10 Bảng 2: Một số nghiên cứu mở rộng mơ hình CAViaR 17 Bảng 3: Dữ liệu danh mục chứng khoán sử dụng 28 Bảng 4: Kết ước lượng VaR cho danh mục DJA NEKKEI 225 42 Bảng 5: Kết ước lượng VaR cho danh mục FTSE DAX 43 Bảng 6: Kết ước lượng VaR cho danh mục BOVESPA SSEC 44 Bảng 7: Kết ước lượng VaR cho danh mục SENSEX VNINDEX 44 Bảng 8: Số trường hợp vi phạm mơ hình VaR mức ý nghĩa 1% 54 Bảng 9: Số trường hợp vi phạm mơ hình VaR mức ý nghĩa 5% 54 Bảng 10: Kết kiểm định ước lượng VaR mức ý nghĩa 1% 55 Bảng 11: Kết kiểm định ước lượng VaR mức ý nghĩa 5% 55 Bảng 12: Kết xếp hạng ước lượng VaR mức ý nghĩa 1% 56 Bảng 13: Kết xếp hạng ước lượng VaR mức ý nghĩa 5% 56 DANH MỤC CÁC ĐỒ THỊ Đồ thị 1: Sự phân bố lời/lỗ khoảng thời gian xác định VaR Đồ thị 2: Tác động TSSL Phương sai lên thước đo VaR 15 Đồ thị 3: Phân phối xác suất TSSL danh mục DJIA 29 Đồ thị 4: Phân phối xác suất TSSL danh mục FTSE 100 30 Đồ thị 5: Phân phối xác suất TSSL dah mục NIKKEI 225 30 Đồ thị 6: Phân phối xác suất TSSL danh mục DAX 30 Đồ thị 7: Phân phối xác suất TSSL danh mục BOVESPA 31 Đồ thị 8: Phân phối xác suất TSSL danh mục SENSEX 31 Đồ thị 9: Phân phối xác suất TSSL danh mục SSEC 31 Đồ thị 10: Phân phối xác suất TSSL danh mục VN INDEX 32 Đồ thị 11: Kết dự báo VaR cho danh mục DJA mức ý nghĩa 1% 46 Đồ thị 12: Kết dự báo VaR cho danh mục DJA mức ý nghĩa 5% 46 Đồ thị 13: Kết dự báo VaR cho danh mục NIKKEI mức ý nghĩa 1% 47 Đồ thị 14: Kết dự báo VaR cho danh mục NIKKEI mức ý nghĩa 5% 47 Đồ thị 15: Kết dự báo VaR cho danh mục FTSE mức ý nghĩa 1% 48 Đồ thị 16: Kết dự báo VaR cho danh mục FTSE mức ý nghĩa 5% 48 Đồ thị 17: Kết dự báo VaR cho danh mục DAX mức ý nghĩa 1% 49 Đồ thị 18: Kết dự báo VaR cho danh mục DAX mức ý nghĩa 5% 49 Đồ thị 19: Kết dự báo VaR cho danh mục BOVESPA mức ý nghĩa 1% 50 Đồ thị 20: Kết dự báo VaR cho danh mục BOVESPA mức ý nghĩa 5% 50 Đồ thị 21: Kết dự báo VaR cho danh mục SSEC mức ý nghĩa 1% 51 Đồ thị 22: Kết dự báo VaR cho danh mục SSEC mức ý nghĩa 5% 51 Đồ thị 23: Kết dự báo VaR cho danh mục SENSEX mức ý nghĩa 1% 52 Đồ thị 24: Kết dự báo VaR cho danh mục SENSEX mức ý nghĩa 5% 52 Đồ thị 25: Kết dự báo VaR cho danh mục VNINDEX mức ý nghĩa 1% 53 Đồ thị 26: Kết dự báo VaR cho danh mục VNINDEX mức ý nghĩa 5% 53 CHƢƠNG 1: GIỚI THIỆU VỀ ĐỀ TÀI 1.1 Lý chọn đề tài Khủng hoảng tài tồn cầu năm 2008 qua dư chấn nặng nề cịn tiếp tục kéo dài đến ngày hơm Anh hưởng tiêu cực đến thành phần kinh tế thị trường, đặc biệt quỹ đầu tư Chính thế, vai trị quản trị rủi ro ngày trở nên quan trọng, mơ hình ngày trở nên quan trọng trở thành vấn đề nóng bỏng giới tài hệ tất yếu Sau thời gian dài hình thành phát triển, mơ hình VaR đời, ứng dụng xoay quanh cho thấy hiệu qua thực tế Hiện có nhiều phương pháp để tính VaR từ đơn giản tới tính tốn phức tạp, yêu cầu phải sử dụng hệ thống chuyên dụng Tuy nhiên, mơ hình có ưu điểm nhược điểm riêng biệt Để đánh giá đâu mơ hình phù hợp để dự báo tốt rủi ro cho danh mục đầu tư, tác giả tiến hành nghiên cứu đề tài: Xếp hạng mơ hình Value at Risk dự báo rủi ro danh mục 1.2 Mục tiêu nghiên cứu Bài nghiên cứu tiến hành đánh giá xếp hạng số mơ hình kinh tế lượng phổ biến giới việc ước lượng VaR Qua đó, nhằm cung cấp thêm chứng thực nghiệm việc đánh giá đâu mơ hình dự báo rủi ro danh mục tốt Tác giả sử dụng tám mơ hình nghiên cứu đại diện cho cách tiếp cận tham số, phi tham số, bán tham số để ước lượng VaR cho tám danh mục đầu tư thị trường đại diện cho thị trường thị trường phát triển với mức ý nghĩa 1% 5% Sau tiến hành ước lượng VaR, tác giả thực kiểm định theo phương pháp tỷ lệ VR để xếp hạng mơ hình ước lượng VaR 57 4.3.2 Phân tích kết xếp hạng Trước hết, dựa vào kết dự báo cho tám danh mục trình bày bảng tới bảng 11, nhận xét chung tác giả khơng có đồng xét tính hiệu hoạt động dự báo mơ hình Chẳng hạn, hai mơ hình Historical Simulation Variance-Covariance cho kết dự báo VaR cao nhiều so với mơ hình khác danh mục DJA, nhiên, trường hợp SSEC ngược lại, hai mơ hình cho kết dự báo VaR thấp so với mơ hình khác Để có kết luận cụ thể, tác giả tiến hành so sánh kết kiểm định cho hiệu dự báo tám mơ hình trình bày bảng 10 11 Trước tiên, mức ý nghĩa 1%, hầu hết kết dự báo VaR tám mô hình bị bát bỏ chiếu theo khung chấp nhận số VR Cụ thể, hai mơ hình Historical Simulation Variance-Covariance dự báo hồn tồn khơng hiệu quả, số VR hai mơ hình cho tất tám danh mục vượt khoảng chấp nhận [0.8:1.2] Mơ hình CAViaR Adaptive cho kết tốt nhất, tất hệ số VR mơ hình cho tất tám danh mục nằm khoảng chấp nhận Trong đó, mức ý nghĩa 5%, tám mơ hình cho kết khả quan Các mơ hình đưa kết VR chấp nhận 6/8 danh mục Rõ ràng, mơ hình dự báo VaR hiệu mức ý nghĩa 5% 1% Dựa vào kết xếp hạng bảng 10 bảng 11, khơng có nhiều bất ngờ mơ hình CAViaR Adaptive đứng vị trí thứ bảng xếp hạng số VR cho kiểm định hiệu việc dự báo VaR cho tám danh mục ứng với hai mức ý nghĩa 1% 5% Trong đó, hai phương pháp Variance-Covariance EGARCH có thứ hạng thấp dự báo VaR ứng với mức ý nghĩa 1% 5% Phương pháp Variance-Covariance cho hiệu thất thường, mức ý nghĩa 1%, hiệu mơ hình thấp nhất, đó, mức ý nghĩa 5% hiệu mơ hình cao, đứng sau hiệu mơ hình CAViaR Adaptive 58 4.3.3 Phân tích đồ thị kết dự báo VR phương pháp kiểm định hiệu đơn dựa kết kiểm định VR CAViaR Adaptive mơ hình hiệu Vậy có nên sử dụng CAViaR Adaptive để ước lượng cho VaR khơng Nhìn vào giai đoạn 2008 khủng hoảng tài xảy ra, hàng loạt thị trường giảm điểm mạnh Các mơ hình ước lượng VaR hầu hết bị vi phạm Có thể nhìn thấy rõ mơ hình Historical Simulation Variance-Covariance cho kết ước lượng không thật nhạy cảm so với biến động thị trường 4.3.4 Lựa chọn mơ hình dự báo rủi ro danh mục Sau tiến hành xếp hạng phân tích đồ thị kết dự báo rủi ro danh mục tám mơ hình, tổng hợp kết từ hai bước này, tác giả khẳng định mơ hình CAViaR Adaptive dự báo VaR hiệu Trong đó, mơ hình Historical Simulation EGARCH cho hiệu thấp việc ước lượng VaR Sau có kết xếp hạng cuối mơ hình dự báo rủi ro danh mục hiệu nhất, tác giả đưa khuyến nghị vấn đề nên lựa chọn mơ hình phục vụ cho hoạt động dự báo rủi ro danh mục đứng phương diện nhà đầu tư cá nhân nhà đầu tư tổ chức Khi tiến hành so sánh mơ hình dự báo rủi ro danh mục, để lựa chọn mô hình phù hợp dựa nhiều tiêu chí Tuy nhiên, hai tiêu chí lựa chọn phổ biến liệt kê tính đơn giản ứng dụng hiệu mô hình Thơng thường tiêu chí đâu tiên thường sở lựa chọn nhà đầu tư cá nhân, tổ chức lơn, nhà đâu tư chuyên nghiệp thường thiên tiêu chí thứ hai hiệu hoạt động dự báo mơ hình Rõ ràng, vấn đề có tính hai mặt, mơ hình phức tạp địi hỏi chi phí lớn, kỳ vọng độ xác mơ hình cao Ngược lại, mơ hình đơn 59 giản giúp tiết kiệm tối đa chi phí dĩ nhiên xác, hiệu dự báo dấu hỏi lớn Mục tiêu xuyên suốt nghiên cứu xếp hạng tính hiệu mơ hình dự báo Vì vậy, tiêu chí hiệu mơ hình đặt lên hàng đầu việc lựa chọn mơ hình dự báo VaR Như kết đề cập phần 4.3 mơ hình thuộc nhóm CAViaR có tính hiệu cao hẳn mơ hình khác Đặc biệt mơ hình CAViaR Adaptive có tính hiệu cả, lựa chọn tác giả Bài nghiên cứu xếp hạng chất lượng dự báo tám mô hình kinh tế lượng sử dụng phổ biến tổ chức tài chính, quỹ đầu tư giới dự báo rủi ro danh mục đầu tư Dựa vào kết nghiên tác giả rút số nhận xét sau: Thứ nhất, mơ hình dự báo VaR hoạt động hiệu mức ý nghĩa 5% Ở mức ý nghĩa 1%, mô hình Historical Simulation Variance-Covariance, GARCH, EGARCH thất bại hoạt động dự báo VaR Nguyên nhân chủ yếu giả định phân phối chuẩn liệu sử dụng phương pháp Thứ hai, dựa vào đồ thị tác giả thấy mơ hình Historical Simulation Variance-Covariance cho kết ước lượng VaR không thật nhạy cảm so với biến động thị trường Thứ ba, dựa vào kết bảng xếp hạng mục tiêu nghiên cứu xuyên suốt nghiên cứu, tác giả thấy CAViaR Adaptive mơ hình ước lượng VaR có tính hiệu cao đáng lựa chọn 60 CHƢƠNG 5: KẾT LUẬN 5.1 Kết nghiên cứu Nội dung nghiên cứu xếp hạng đánh giá hiệu mơ hình kinh tế lượng hoạt động dự báo VaR danh mục đầu tư Tám mơ hình sử dụng Historical Simulation, Variance-Covariance, GARCH(1,1), EGARCH(1,1), CAViaR Adaptive, CAViaR Symetric, CAViaR Indirect GARCH(1,1), CAViaR Asymetric đại diện cho ba cách tiếp cận phi tham số, tham số bán tham số Với sở liệu số giá đóng cửa tám danh mục đại diện cho thị trường phát triển vùng địa lý khác Tác giả tiến hành phân tích thấy rằng, tất liệu khơng có phân phối chuẩn Sau đó, tác giả tiến hành dự báo kiểm định theo phương pháp VR thực phân tích đồ thị xác định mơ hình ước lượng VaR hiệu Kết cho thấy rằng, hầu hết các mơ hình hoạt động hiệu mức ý nghĩa 5% Trong đó, mức ý nghĩa 1%, mơ hình có giả định liệu phân phối chuẩn Variance-Covariance, GARCH, EGARCH hoàn toàn thất bại dự báo VaR 5.2 Hạn chế nghiên cứu hƣớng mở rộng Bài nghiên cứu nhiều hạn chế cần bổ sung cho hoàn thiện Cụ thể, số lượng mơ hình ước lượng VaR mơ hình xếp hạng tác giả sử dụng chưa nhiều Hướng mở rộng cho nghiên cứu ứng dụng nhiều mơ hình kinh tế lượng để ước lượng VaR mơ hình lai HS & Riskmetrics, Monte Carlo, T-GARCH, EVT… thực thêm số phương pháp kiểm định hiệu khác chẳng hạn Kupiec, DQ, Christoffersen’s Independence, White’s SPA… để kết luận nghiên cứu vững 61 Lời kết Như vậy, tìm hiểu lý thuyết tảng rủi ro mơ hình dự báo rủi ro cho danh mục đầu tư chứng khoán thực xếp hạng đánh giá hiệu mô hình VaR dự báo rủi ro danh mục đầu tư Mặc dù mơ hình VaR có nhiều ưu điểm vượt trội dự báo rủi ro danh mục so với công cụ khác không tồn hạn chế Tuy nhiên, không phủ nhận rằng, mơ hình VaR cơng cụ thích hợp mà định chế tài chính, quỹ đầu tư doanh nghiệp tham khảo đưa vào dự báo rủi ro danh mục nhằm đạt mục đích cuối đảm bảo an tồn tình hình tài nâng cao giá trị tổ chức Tác giả mong muốn rằng, tương lai không xa mơ hình VaR ứng dụng rộng rãi Việt Nam đêm lại thành công kỳ vọng Và cuối cùng, xin chân thành cảm ơn Lê Phan Thị Diệu Thảo tồn thể bạn bè tận tình giúp đỡ tơi việc hoàn thành luận văn TÀI LIỆU THAM KHẢO Danh mục tài liệu tiếng Việt Lê Đạt Chí, Lê Tuấn Anh, 2012 Kết hợp phương pháp CVAR mơ hình Merton/KMV để đo lường rủi ro vỡ nợ Bằng chứng thực nghiệm Việt Nam Tạp chí Phát triển Hội nhập Số (15) - Tháng 7-8/2012 Nguyễn Thị Ngọc Trang, 2010 Giáo trình Quản trị rủi ro tài Trường Đại học Kinh tế thành phố Hồ Chí Minh Nguyễn Quang Sơn, 2013 Xếp hạng mơ hình VaR ES dự báo rủi ro danh mục Luận văn Thạc sĩ Trường Đại học Kinh tế Thành phố Hồ Chí Minh Trung tâm nghiên cứu đào tạo chứng khoán, 2010 Giáo trình Quản lý danh mục đầu tư chứng khốn Hà Nội: Nhà xuất văn hóa thơng tin Ủy ban Chứng khoán Nhà nước, 2013 Quy chế hướng dẫn việc thành lập vận hành hệ thống Quản trị rủi ro cho công ty Quản lý quỹ Danh mục tài liệu tiếng Anh Akgiray V., 1989 Conditional Heteroscedasticity in Time Series of Stock Returns Journal of Business Angelidis, T., Benos, A., Degiannakis, S., 2004 The use of GARCH models in VaR estimation Statistical Methodology Basel Committee on Banking Supervision, 1996 Amendment to the capital accord to incorporate market risks Black, F., 1976 Studies of stock price volatility changes In Proceedings of the 1976 Meeting of Business and Economic Statistics Section, American Statistical Association (pp 177–181) Bollerslev, T.,1986 Generalized autoregressive conditional heteroskedasticity Journal of Econometrics, 31, 307–327 Brailsford and Fall ,1996 An evaluation of volatility forecasting techniques Journal of Banking and Finance Christoffersen, P.F., Berkowitz, J., & Pelletier, D., 2006 Evaluating valueat-risk models with desk-level data North Carolina State University Working Paper Series No 010 Christoffersen, P F., & Pelletier, D., 2004 Backtesting value-at-risk: a duration based approach Journal of Financial Econometrics, 2, 84–108 Cotter, John (2007): Extreme risk in Asian equity markets MPRA Papper 3536 10 Emrah Şener, Sayad Baronyan, Levent Ali Mengütürk, 2012 Ranking the predictive performances of value-at-risk estimation methods International Journal of Forecasting 28 (2012) 849–873 11 Engle, R., Manganelli, S., 2004 CAViaR: conditional autoregressive value at risk byregression quantiles Journal of Business & Economic Statistics 22, 367– 381 12 Escanciano, J.C., Olmo, J., 2010 Backtesting parametric value-at-risk with estimationrisk Journal of Business & Economic Statistics 28, 36–51 13 Gencay, Ramazan & Selcuk, Faruk, 2004 Extreme value theory and Value-atRisk: Relative performance in emerging markets International Journal of Forecasting, Elsevier, vol 20(2), pages 287-303 14 Jon Danielsson, 2011, Financial risk forecasting,140-146 15 Koenker, R., & Basset, G.,1978 Regression quantiles Econometrica, 46, 33– 50 16 Kupiec, P., 1995 Techniques for verifying the accuracy of risk measurement models Journal of Derivatives 2, 73–84 17 Maghyereh, A & Al-Zoubi, H., 2006 Does Fisher Effect Apply in Developing Countries: Evidence From a Nonlinear Cotrending Test applied to Argentina, Brazil, Malysia, Mexico, Korea and Turkey Applied Econometrics and International Development, Euro-American Association of Economic Development, vol 6(2) 18 Pilar Abad, Sonia Benito, Carmen López, 2013 A comprehensive review of Value at Risk methodologies The Spanish Review of Financial Economics, Volume 12, Issue 1, Pages 15-32 19 Saša ŽIKOVIĆ, Randall K FILER, 2013 Ranking of VaR and ES Models: Performance in Developed and Emerging Market Journal of Economics and Finance, 63, 2013 Trang Web tham khảo http://markets.wsj.com/us http://www.simonemanganelli.org/Simone/Research.html http://investexcel.net/ PHỤ LỤC Hàm Malab để tính tốn phương pháp CAViaR tham khảo từ SIMONE MANGANELLI, European Central Bank, Frankfurt am Main function CAViaR % * * % * Codes for the paper "CAViaR: Conditional Autoregressive Value at Risk by Regression Quantile" by Robert Engle and Simone Manganelli * % * * % * By SIMONE MANGANELLI, European Central Bank, Frankfurt am Main * % * Created on 15 September, 2000 Last modified 20 February 2002 * % * % % % This is the parent program that calls all the other codes % The four models described in the paper [1) Symmetric Absolute Value, 2) Asymmetric Slope, 3) GARCH, 4) Adaptive] are estimated % for two confidence levels: 5% and 1% % % The outputs are the tables that appear in the paper The tables are saved in ASCII format The whole workspace is saved % using the path J:\papers\CAViaR\Results\ % % ****************** WARNING ******************* % Remember to change the saving paths in the lines 50, 51 and 55 of this code, and the loading path in the line 50 of CAViaROptimisation.m % before running the program % %************************************************************************ ***************** tic THETA = [1, 5]; for t = 1:size(THETA,2) % Loop through the THETA for n = 1:4 % Loop through the models disp(' ') y = ['disp(', '''', '*********************************************************', '''', ')']; x = ['disp(', '''', '* *', '''', ')']; z = ['disp(', '''', '* STAGE: ', 'THETA=', int2str(THETA(t)), '%, ', 'MODEL=', int2str(n), ' *', '''', ')']; eval(y), eval(x), eval(z), eval(x), eval(y) a = ['[param', int2str(n), '_',int2str(THETA(t)), ', output', int2str(n), '_',int2str(THETA(t)), ', TABLE', int2str(n), '_',int2str(THETA(t)), '] = CAViaROptimisation(', int2str(n), ', ' num2str(THETA(t)/100),');']; eval(a) end end % Generate the table in the paper b = ['TABLE', int2str(THETA(1)), '= [TABLE', int2str(1), '_',int2str(THETA(1)), ', TABLE', int2str(2), '_',int2str(THETA(1)), ', TABLE', int2str(3), '_',int2str(THETA(1)), ', TABLE', int2str(4), '_',int2str(THETA(1)), ']']; c = ['TABLE', int2str(THETA(2)), '= [TABLE', int2str(1), '_',int2str(THETA(2)), ', TABLE', int2str(2), '_',int2str(THETA(2)), ', TABLE', int2str(3), '_',int2str(THETA(2)), ', TABLE', int2str(4), '_',int2str(THETA(2)), ']']; eval(b), eval(c) % Save the tables in ASCII format d = ['save C:\Users\ThanhPhu\Desktop\SSE_SEN_VNI\TABLE', int2str(THETA(1)), ' TABLE', int2str(THETA(1)), ' -ascii -double']; e = ['save C:\Users\ThanhPhu\Desktop\SSE_SEN_VNI\TABLE', int2str(THETA(2)), ' TABLE', int2str(THETA(2)), ' -ascii -double']; eval(d), eval(e) % Generate the plots in the paper TIME=[1986+65/250:1/250:1986+65/250+3391/250]'; subplot(2,2,1); plot(TIME, output1_5.VaR(:,1)), axis manual, axis([TIME(1), TIME(end),1,10]), title('5% GM VaR - SAV') subplot(2,2,2); plot(TIME, output2_5.VaR(:,1)), axis manual, axis([TIME(1), TIME(end),1,10]), title('5% GM VaR - AS') subplot(2,2,3); plot(TIME, output3_5.VaR(:,1)), axis manual, axis([TIME(1), TIME(end),1,10]), title('5% GM VaR - GARCH') subplot(2,2,4); plot(TIME, output4_5.VaR(:,1)), axis manual, axis([TIME(1), TIME(end),1,10]), title('5% GM VaR - Adaptive') figure y = [-10 : 05 : 10]'; ImpactCurveSAV = NewsImpactCurve(output1_1.BETA(:,3), 1); subplot(2,2,1); plot(y, ImpactCurveSAV), axis manual, axis([10,10,1,11]), title('1% S&P500 Impact Curve - SAV') ImpactCurveAS = NewsImpactCurve(output2_1.BETA(:,3), 2); subplot(2,2,2); plot(y, ImpactCurveAS), axis manual, axis([-10,10,1,11]), title('1% S&P500 Impact Curve - AS') ImpactCurveGARCH = NewsImpactCurve(output3_1.BETA(:,3), 3); subplot(2,2,3); plot(y, ImpactCurveGARCH), axis manual, axis([10,10,1,11]), title('1% S&P500 Impact Curve - GARCH') ImpactCurveADAPTIVE = NewsImpactCurve(output4_1.BETA(:,3), 4); subplot(2,2,4); plot(y, ImpactCurveADAPTIVE), axis manual, axis([10,10,1,11]), title('1% S&P500 Impact Curve - Adaptive') % Save the workspace save C:\Users\ThanhPhu\Desktop\SSE_SEN_VNI\allmodels01_07_50 toc function [BetaHat, output, TABLE] = CAViaROptimisation(MODEL, THETA) if MODEL ~= [1, 2, 3, 4] disp(' ') disp('******************************************************************* ') disp('ERROR! You need to select one of the following models:') disp('MODEL=1: Symmetric Absolute Value') disp('MODEL=2: Asymmetric Slope') disp('MODEL=3: GARCH') disp('MODEL=4: Adaptive') error('Wrong MODEL selected.') end % ************************************************************************* **************** % Load the file with real data and run the optimization routine % The file contains daily returns (7 April 1986 - April 1999) for GM, IBM and S&P respectively % It loads a (T,3) matrix, where T is the number of observations and is the number of portfolios considered % % ***************************** WARNING ***************************** % Remember to change the path to your own directory before running the program load C:\Users\ThanhPhu\Desktop\SSE_SEN_VNI\dataCAViaR.txt % ************************************************************************* **************** % % Define some variables ytot = dataCAViaR; %ytot = dataCAViaR(501:size(dataCAViaR,1),:)*100; inSampleObs = 2892; % Number of in sample observations totalObs = size(ytot,1); % Number of total observations %y = dataCAViaR(1:inSampleObs,:); % Vector of in sample observations y = ytot(1:inSampleObs,:); nSamples = size(y,2); % Number of portfolio time series % ************************************************************************* **************** % Set parameters for optimisation % ************************************************************************* **************** REP = 5; % Number of times the optimization algorithm is repeated if (MODEL == 1) | (MODEL == 3) nInitialVectors = [10000, 3]; % Number of initial vector fed in the uniform random number generator SAV and GARCH models nInitialCond = 10; % Select the number of initial conditions for the optimisation elseif MODEL == nInitialVectors = [100000, 4]; % Number of initial vector fed in the uniform random number generator for AS model nInitialCond = 15; % Select the number of initial conditions for the optimisation elseif MODEL == % See the comment in RQobjectivefunction.m lines 66-70 for this model nInitialVectors = [10000, 1]; % Number of initial vector fed in the uniform random number generator for AS model nInitialCond = 5; % Select the number of initial conditions for the optimisation end MaxFunEvals = 500; % Parameters for the optimisation algorithm Increase them in case the algorithm does not converge MaxIter = 500; options = optimset('LargeScale', 'off', 'HessUpdate', 'dfp', 'LineSearchType', 'quadcubic','MaxFunEvals', MaxFunEvals, 'display', 'off', 'MaxIter', MaxIter, 'TolFun', 1e10, 'TolX', 1e-10); warning off rand('seed', 50) % Set the random number generator seed for reproducability (seed used in the paper = 50) % % Define some matrices VaR = zeros(size(ytot,1), size(ytot, 2)); Hit = VaR; DQinSample = zeros(1, nSamples); DQoutOfSample = DQinSample; % % Compute the empirical THETA-quantile for y (the in-sample vector of observations) for t = 1:nSamples ysort(:, t) = sortrows(y(1:300, t), 1); empiricalQuantile(t) = ysort(round(300*THETA), t); end % % %**************************** Start the loop over the portfolios ****************************************** for t = : nSamples disp(' ') disp(' ') SMPL = ['disp(', '''', ' Sample number: ', int2str(t), '''', ' )']; eval(SMPL) disp(' ') % % %**************************** Optimization Routine ****************************************** initialTargetVectors = unifrnd(0, 1, nInitialVectors); RQfval = zeros(nInitialVectors(1), 1); for i = 1:nInitialVectors(1) RQfval(i) = RQobjectiveFunction(initialTargetVectors(i,:), 1, MODEL, inSampleObs, y(:,t), THETA, empiricalQuantile(t)); end Results = [RQfval, initialTargetVectors]; SortedResults = sortrows(Results,1); if (MODEL == 1) | (MODEL == 3) BestInitialCond = SortedResults(1:nInitialCond,2:4); elseif MODEL == BestInitialCond = SortedResults(1:nInitialCond,2:5); elseif MODEL == BestInitialCond = SortedResults(1:nInitialCond,2); end for i = 1:size(BestInitialCond,1) [Beta(i,:), fval(i,1), exitflag(i,1)] = fminsearch('RQobjectiveFunction', BestInitialCond(i,:), options, 1, MODEL, inSampleObs, y(:,t), THETA, empiricalQuantile(t)); for it = 1:REP [Beta(i,:), fval(i,1), exitflag(i,1)] = fminunc('RQobjectiveFunction', Beta(i,:), options, 1, MODEL, inSampleObs, y(:,t), THETA, empiricalQuantile(t)); [Beta(i,:), fval(i,1), exitflag(i,1)] = fminsearch('RQobjectiveFunction', Beta(i,:), options, 1, MODEL, inSampleObs, y(:,t), THETA, empiricalQuantile(t)); if exitflag(i,1) == break end end end SortedFval = sortrows([fval, Beta, exitflag, BestInitialCond], 1); if (MODEL == 1) | (MODEL == 3) BestFval = SortedFval(1, BetaHat(:, t) = SortedFval(1, ExitFlag = SortedFval(1, InitialCond(:,t) = SortedFval(1, 1); 2:4)'; 5); 6:8)'; elseif MODEL == BestFval BetaHat(:, t) ExitFlag InitialCond(:,t) 1); 2:5)'; 6); 7:10)'; elseif MODEL == = = = = SortedFval(1, SortedFval(1, SortedFval(1, SortedFval(1, BestFval BetaHat(:, t) ExitFlag InitialCond(:,t) = = = = SortedFval(1, SortedFval(1, SortedFval(1, SortedFval(1, 1); 2); 3); 4); end %**************************** End of Optimization Routine ****************************************** % % %************************** Compute variables that enter output ***************************** % Compute VaR and Hit for the estimated parameters of RQ VaRHit = RQobjectiveFunction(BetaHat(:,t)', 2, MODEL, totalObs, ytot(:,t), THETA, empiricalQuantile(t)); VaR(:,t) = VaRHit(:,1); Hit(:,t) = VaRHit(:,2); % Compute the percentage of hits in sample and out-of-sample HitInSample(1,t) = mean(Hit(1:inSampleObs,t) + THETA) * 100; HitOutOfSample(1,t) = mean(Hit((inSampleObs + 1):totalObs, t) + THETA) * 100; % Compute the variance-covariance matrix of the estimated parameters [varCov, D, gradient] = VarianceCovariance(BetaHat(:,t)', MODEL, inSampleObs, y(:, t), THETA, VaR(1:inSampleObs,t)); standardErrors(:, t) = sqrt(diag(varCov)); coeffPvalue(:, t) = normcdf(-abs(BetaHat(:,t) / standardErrors(:,t))); % % Compute the DQ test in and out of sample DQinSample(1,t) = DQtest(1, MODEL, inSampleObs, y(:,t), THETA, VaR(1:inSampleObs,t), Hit(1:inSampleObs,t), D, gradient); DQoutOfSample(1,t) = DQtest(2, MODEL, totalObs - inSampleObs, ytot((inSampleObs + 1):totalObs, t), THETA, VaR((inSampleObs + 1):totalObs, t), Hit((inSampleObs + 1):totalObs, t), D, gradient); RQ(1,t) = BestFval; EXITFLAG(1,t) = ExitFlag; end % End of the t loop % % %**************************** End of the loop over the portfolios ****************************************** % % %**************************** Store the outputs in the vector 'output' ****************************************** output.BETA = BetaHat; output.VaR = VaR; output.Hit = Hit; output.RQ output.ExitFlag output.HitInSample output.HitOutOfSample output.DQinSample output.DQoutOfSample output.stdErr output.coeffPvalue output.initialConditions = = = = = = = = = RQ; EXITFLAG; HitInSample; HitOutOfSample; DQinSample; DQoutOfSample; standardErrors; coeffPvalue; InitialCond; % % %**************************** Construct the ****************************************** if (MODEL == 1) | (MODEL == 3) TABLE = [BetaHat(1,:); standardErrors(1,:); BetaHat(2,:); standardErrors(2,:); BetaHat(3,:); standardErrors(3,:); zeros(3, 3); RQ; HitInSample; HitOutOfSample DQinSample;DQoutOfSample]; elseif (MODEL == 2) TABLE = [BetaHat(1,:); standardErrors(1,:); BetaHat(2,:); standardErrors(2,:); BetaHat(3,:); standardErrors(3,:); BetaHat(4,:); standardErrors(4,:); RQ; HitInSample; HitOutOfSample DQinSample;DQoutOfSample]; table of the CAViaR paper coeffPvalue(1,:); coeffPvalue(2,:); coeffPvalue(3,:); coeffPvalue(1,:); coeffPvalue(2,:); coeffPvalue(3,:); coeffPvalue(4,:); elseif (MODEL == 4) TABLE = [BetaHat(1,:); standardErrors(1,:); coeffPvalue(1,:); zeros(9, 3); RQ; HitInSample; HitOutOfSample DQinSample;DQoutOfSample]; end ... mơ hình VaR dự báo rủi ro danh mục cách xác Việc xếp hạng mơ hình tám danh mục khác nhau, giúp hạn chế trường hợp mơ hình dự báo rủi tốt cho danh mục, lại không thật hiệu dự báo rủi ro cho danh. .. TRƢỜNG ĐẠI HỌC KINH TẾ TP HỒ CHÍ MINH NGUYỄN THANH PHÚ XẾP HẠNG CÁC MƠ HÌNH VALUE AT RISK TRONG DỰ BÁO RỦI RO DANH MỤC Chuyên ngành: TÀI CHÍNH – NGÂN HÀNG Mã số: 60340201 LUẬN VĂN THẠC SĨ KINH TẾ NGƢỜI... đoan Luận văn Thạc sĩ Kinh tế với đề tài ? ?Xếp hạng mơ hình Value at Risk dự báo rủi ro danh mục? ?? cơng trình nghiên cứu riêng tơi hướng dẫn PGS TS Lê Phan Thị Diệu Thảo Các số liệu, kết luận văn