4. NỘI DUNG VÀ KẾT QUẢ NGHIÊN CỨU
4.5. Dự báo VAR của chuỗi TSSL VN-Index
Trên cơ sở các tham số của mô hình được ước lượng theo các giả định phân phối, chúng ta dự báo được giá trị kỳ vọng và phương sai, trên cơ sở đó dự báo được VAR của chuỗi TSSL VN-Index (Được thực hiện bằng phần mềm Eviews kết hợp với bảng tính Excel). 4.6. So sánh kết quả của các mô hình và tiến hành kiểm định
43
Bảng 4.6.1: Số giá trị vi phạm của các mô hình theo các giả định phân phối
Phân phối chuẩn Phân phối student Phân phối GED
VAR 99% GARCH 7 3 5 EGARCH 5 3 4 TGARCH 7 3 5 IGARCH 8 3 3 VAR 95% GARCH 15 6 11 EGARCH 15 5 9 TGARCH 15 6 10 IGARCH 16 7 9
Nhìn vào kết quả các vi phạm cho thấy mô hình với giả định sai số có phân phối student’s-t dự báo tốt hơn, tiếp theo là GED và cuối cùng là phân phối chuẩn. So sánh giữa các họ mô hình GARCH với nhau thì ta thấy, tại mức tin cậy 99%, đối với cả 3 giả định phân phối, IGARCH và EGARCH có kết quả dự báo tốt hơn với chỉ 14 và 12 trường hợp ngoại lệ tương ứng, trong khi 2 mô hình còn lại thì có đến 15 trường hợp ngoại lệ. Tại mức tin cậy 95%, mô hình EGARCH và TGARCH lại tốt hơn 2 mô hình còn lại.
Kiểm định mức độ hiệu quả của mô hình theo chuẩn Basel II:
Dựa trên thang đo, mức độ hiệu quả của mô hình được phân loại dựa vào số lần vi phạm của mô hình. Ta có kết quả sau:
Bảng 4.6.2: Mức độ hiệu quả của mô hình theo chuẩn Basel II
Phân phối chuẩn Phân phối student Phân phối GED
VAR 99% GARCH 7 3 5 EGARCH 5 3 4 TGARCH 7 3 5 IGARCH 8 3 3 VAR 95% GARCH 15 6 11 EGARCH 15 5 9 TGARCH 15 6 10 IGARCH 16 7 9
44
Theo thang đo chuẩn Basel, nếu số lần vi phạm từ 0 đến 4 thì mô hình dùng để dự báo giá trị VaR được xem an toàn biểu thị màu xanh, từ 5 đến 9 là vùng vàng, trên 9 là vùng đỏ. Nếu mô hình sử dụng để dự báo giá trị VaR nằm trong vùng đỏ thì mô hình đó phải được xem xét và thay thế bằng 1 mô hình khác. Chuẩn này áp dụng cho kỳ tính VaR theo ngày và chiều thời gian backtest là 1 năm (250 quan sát).
Đối với mức tin cậy 95% và 99% thì mô hình theo phân phối Student’s-t là hiệu quả hơn cả, theo phân phối GED thì chỉ có mô hình EGARCH và IGARCH là hiệu quả, còn dưới giả định phân phối chuẩn thì mức độ hiệu quả là kém nhất.
Tại mức tin cậy 95%, mô hình dự báo hoạt động rất kém, bị bác bỏ hoàn toàn theo giả định phân phối chuẩn, tương tự mô hình GARCH và TGARCH theo giả định GED cũng bị bác bỏ hoàn toàn.
Kiểm định theo chuẩn “Unconditional coverage” của Kupiec (1995):
Bảng 4.6.3: Giá trị thống kê với tần số vi phạm kì vọng là 1%.
Phân phối chuẩn Phân phối student Phân phối GED
VAR 99% GARCH 5.4969904 0.0949401 1.9568097 EGARCH 1.9568097 0.0949401 0.7613484 TGARCH 5.4969904 0.0949401 1.9568097 IGARCH 7.7335507 0.0949401 0.0949401 VAR 95% GARCH 29.395002 3.5553547 15.890619 EGARCH 29.395002 1.9568097 10.229031 TGARCH 29.395002 3.5553547 12.955491 IGARCH 33.151665 5.4969904 10.229031
Đối với mức tin cậy 99%, tra bảng thống kê Chi bình phương 1 bậc tự do tại mức ý nghĩa 10% ta có giá trị là 2.7055434. So sánh kết quả ta thấy mô hình với giả định sai số có phân phối student’s-t và GED nằm trong miền chấp nhận giả thiết H0 (màu xanh) (tần số vi phạm kì vọng bằng với tần số thực), mô hình được chấp nhận. Riêng phân phối chuẩn
45
thì ¾ mô hình nằm trong miền bác bỏ (màu đỏ). Chứng tỏ mô hình có tần số vi phạm thực tế vượt quá tần số kì vọng. Mô hình không được chấp nhận.
Tại mức tin cậy 95%, các mô hình theo giả định phân phối chuẩn và GED bị bác bỏ hoàn toàn, theo phân phối Student’s-t thì chỉ có mô hình EGARCH được chấp nhận.
5. KẾT LUẬN
5.1. Các kết quả nghiên cứu chính của đề tài
Bài nghiên cứu ứng dụng lớp mô hình GARCH theo các giả định về phân phối của sai số mô hình để đo lường VAR trên thị trường chứng khoán Việt Nam giai đoạn 2000- 2012. Phương pháp này được đề cập đến trong nghiên cứu của T.Angelidis, A.Benos, S. Degiannakis (2004). Kết quả cho thấy như sau:
- Thống kê mô tả cho thấy chuỗi TSSL của VN-Index không theo phân phối chuẩn đồng nhất mà có hiện tượng “leptokurtosis”. Đây có lẽ là nguyên nhân làm cho mô hình ước lượng VAR theo giả định của phân phối chuẩn kém hơn hẳn so với 02 giả định phân phối còn lại. Cụ thể là tần số vi phạm nhiều hơn và bị kiểm định Kupiec bác bỏ ¾ trường hợp dự báo. Kết quả này hoàn toàn thống nhất với nghiên cứu của T.Angelidis và các cộng sự và các nghiên cứu khác trên thế giới.
- Trong 2 giả định phân phối còn lại thì student’s-t có vẻ tốt hơn khi dự báo giá trị VAR ít vi phạm hơn GED mặc dù GED không bị kiểm định Kupiec bác bỏ. Giả định GED dự báo giá trị VAR cao hơn giá trị thực 17 lần trong khi giả định student’s-t chỉ là 12 lần. Nếu tính toán về lợi ích kinh tế thì rõ ràng student’s-t có lợi về mặt kinh tế hơn vì GED bắt buộc chúng ta dự trữ vốn để phòng rủi ro cao hơn student’s-t thông qua đó làm mất đi chi phí cơ hội của vốn. Từ đó cũng cho thấy những giả định phân phối có ý nghĩa rất quan trọng lên chất lượng dự báo của những mô hình VAR. - Kết quả kiểm định cũng cho thấy, tại mức tin cậy 99%, các mô hình ước tính VAR
46
nghiên cứu trên các chỉ số chứng khoán khác nhau khi một số nghiên cứu chỉ ra rằng mức tin cậy 95% thì cho ra ước lượng chính xác hơn là 99%.
- Kết quả ước lượng chỉ ra phân phối của TSSL VN-Index gần như đối xứng nên các cú sốc âm dương sẽ tác động như nhau đến độ dao động của TSSL VN-Index. Do đó hệ số bất đối xứng trong các mô hình dự báo phương sai có điều kiện là EGARCH và TGARCH không có ý nghĩa thống kê nên các mô hình ước lượng này không thể xem xét được tính bất cân xứng của các cú số âm dương như bản chất của mô hình. Điều này khác biệt so với các nghiên cứu trước đó về việc ứng dụng các hiệu ứng bất đối xứng trong việc ước tính VAR. GARCH là một trường hợp đối xứng nhưng GARCH không có giả định như IGARCH nên để xác định VAR thì mô hình IGARCH là phù hợp nhất.
5.2. Thảo luận và đề xuất:
Các kết quả mà chúng tôi rút ra được tin rằng sẽ mang đến một cái nhìn mới về việc ứng dụng các mô hình ước lượng VAR trong việc dự báo rủi ro thị trường. Kết quả của bài nghiên cứu có một số điểm khác biệt so với các nghiên cứu trước đó. Sở dĩ có sự khác nhau giữa các kết quả nghiên cứu là bởi sự khác nhau về đặc tính của mỗi chuỗi dữ liệu, thời kì và giai đoạn nghiên cứu khác nhau, và nhất là sự khác biệt ở cách vận dụng kiểm định từ mô hình gốc từ đó ước lượng cho Việt Nam. Nghiên cứu của đề tài cũng đã cung cấp những khái niệm cơ bản và phương pháp dự báo biến động phương sai có điều kiện của một chuỗi TSSL giúp nhà đầu tư, các tổ chức tài chính… có kế hoạch phòng ngừa rủi ro, đồng thời làm cơ sở cho các nghiên cứu sâu rộng sau này.
VAR đang ngày càng trở thành một thước đo rủi ro phổ biến và được sử dụng rộng rãi trên thế giới. Do đó, ở nước ta, các tổ chức tài chính, công ty đầu tư… cũng cần nhanh chóng tiếp cận và áp dụng thước đo này nhằm xây dựng hệ thống VAR nội bộ giúp phòng ngừa rủi ro hiệu quả hơn. Các cơ quan có thẩm quyền cần ban hành các quy định chung về tiêu chuẩn phòng ngừa rủi ro bằng thước đo VAR, định kỳ tiến hành kiểm tra hệ thống VAR nội bộ tại các tổ chức tài chính nhằm đảm bảo tính chính xác và tuân thủ
47
các quy định về an toàn hoạt động, giúp điều tiết thị trường hoạt động ổn định và hiệu quả. Do VAR có những nhược điểm nhất định nên để có thể ứng dụng VAR trong thực tế, tác giả đưa ra một số đề xuất:
- Nhược điểm lớn nhất của VAR là chỉ dự báo chính xác trong thời “bình”, còn khi thị trường có những biến động đột ngột thì VAR sẽ trở nên kém chính xác vì giá trị VAR gặp rủi ro đuôi (Tail loss), do đó cần thiết phải áp dụng phép thử Stress-test (thử sức chịu đựng). Theo đó, các tổ chức sẽ đưa ra bối cảnh của các nhân tố rủi ro như biến động của lãi suất, tỷ giá… khác xa so với điều kiện thông thường để xác định VAR tương ứng với từng bối cảnh đó, từ đó có kế hoạch phòng ngừa và phân bổ nguồn vốn phù hợp.
- Để giám sát có hiệu quả tình hình quản trị rủi ro của các định chế tài chính thông qua hệ thống VAR nội bộ, các cơ quan có thẩm quyền cần tiến hành thử nghiệm lại (Backtest) để đảm bảo VAR nội bộ của các tổ chức hoạt động hiệu quả và chính xác. Nếu qua phép thử có số tổn thất lớn hơn VAR nhiều hơn mức dự kiến sẽ cho thấy hệ thống VAR nội bộ của tổ chức đó chưa chính xác và cần phải điều chỉnh sao cho những kết quả thực tế sau này phù hợp với VAR mà hệ thống đưa ra.
5.3. Hạn chế của đề tài và các hướng nghiên cứu tiếp theo 5.3.1. Hạn chế
Mặc dù đã rất cố gắng, nhưng đề tài vẫn còn một số hạn chế nhất định sau đây:
Đề tài chỉ mới thực hiện kiểm định tính phù hợp của mô hình dựa trên tiêu chuẩn của Basel II và chuẩn Unconditional coverage của Kupiec (1995), chưa thực hiện kiểm định dựa trên các tiêu chuẩn được phát triển sau này như chuẩn Conditional coverage của Christoffersen (1998) và Hàm tổn thất dựa trên nghiên cứu của Diebold và Mariano (1995), Sarma và các cộng sự (2003).
Tác động đến biến động của TSSL VN-Index ngoài những biến động trong quá khứ của chính nó ra còn có những yếu tố ngoại sinh mà không được kể đến trong mô hình: như biên độ dao động giá, tâm lý đám đông… là những nhân tố có ảnh hưởng lớn đến việc
48
lựa chọn mô hình cũng như độ chính xác trong các kết quả dự báo, đặc biệt là hành vi điều chỉnh biên độ dao động giá để điều tiết thị trường là tác nhân chủ yếu ảnh hưởng đến cấu trúc dao động của VN-Index. Do đó dẫn đến một số mô hình không phù hợp trong việc dự báo phương sai có điều kiện của chuỗi TSSL VN-Index.
Ngoài ra, tính chính xác của các dự báo còn tùy thuộc rất lớn vào các giả định phân phối của sai số mô hình và các tiêu chuẩn kiểm định, do đó việc lựa chọn mô hình nào còn tùy thuộc vào đặc tính của chuỗi dữ liệu và mục đích của người sử dụng.
5.3.2. Hướng nghiên cứu tiếp theo
Để bổ sung vào nghiên cứu này, tác giả đề xuất thực hiện một số nghiên cứu mở rộng sau đây:
Nghiên cứu và mở rộng phạm vi xác định VAR không chỉ đối với cổ phiếu mà đối với tất cả các công cụ tài chính trên thị trường nhất là đối với các công cụ phái sinh. Nghiên cứu và ứng dụng lớp mô hình GARCH mở rộng khác như FIGARCH và
FIEGARCH… để ước tính VAR.
Ứng dụng các phương pháp dự báo VAR được phát triển sau này như: lý thuyết cực trị hay kết hợp giữa mô phỏng Monte-Carlo và phương pháp tham số để nâng cao phạm vi cũng như mức độ chính xác trong dự báo VAR cho các tài sản tài chính. Ứng dụng tiêu chuẩn “hàm tổn thất” vào kiểm định các mô hình dự báo VAR nhằm
lựa chọn được mô hình cung cấp các ước lượng chính xác, không được ước lượng vượt quá hoặc thấp hơn VAR thực sự bởi vì trong cả hai trường hợp này, các định chế tài chính sẽ phân bổ sai nguồn vốn của mình.
49
DANH MỤC TÀI LIỆU THAM KHẢO
Tài liệu tiếng Việt:
1. Phạm Trí Cao, Vũ Minh Châu (2009), Kinh tế lượng ứng dụng, Nhà xuất bản
thống kê.
2. Nguyễn Trọng Hoài, Phùng Thanh Bình, Nguyễn Khánh Duy (2009), Dự báo và
phân tích dữ liệu trong kinh tế và tài chính, Nhà xuất bản thống kê.
3. Đặng Hữu Mẫn (2009), “Nghiên cứu chất lượng dự báo của những mô hình quản
trị rủi ro thị trường vốn – Trường hợp của Value-At-Risk Models”, Tạp chí khoa
học và công nghệ, Đại học Đà Nẵng – Số 5(34).2009.
4. Nguyễn Thị Ngọc Trang, Trần Ngọc Thơ, Nguyễn Khắc Quốc Bảo, Hồ Quốc
Tuấn (2007), Quản trị rủi ro tài chính, Nhà xuất bản thống kê.
5. Nguyễn Anh Tùng (2010), “Mô hình giá trị chịu rủi ro trong đầu tư cổ phiếu tại
thị trường chứng khoán Việt Nam”, Luận văn thạc sĩ, Đại học Đà Nẵng.
6. Trần Mạnh Hà (2010), “Ứng dụng Value at risk trong việc cảnh báo và giám sát
rủi ro thị trường đối với hệ thống Ngân hàng thương mại Việt Nam”, Tạp chí
Khoa học và đào tạo Ngân hàng, Học viện Ngân hàng – Số 94(2010). Tài liệu tiếng Anh:
1. Angelidis T, Benos A, Degiannakis S (2004), “The use of GARCH models in VAR
estimation”, Statistical Methodology 1 pp 105-128.
2. Benavides G (2007), “GARCH Processes and Value at Risk: An Empirical
Analysis for Mexican Interest Rates Futures”, Panorama Socioeconomico,
Vol.25, No.35 pp 92-105.
3. Brooks C, Persand G (2003), “The effects of asymmetries on stock index return
50
4. Billio M, Pelizzon L (2000), “Value-at-Risk: a multivariate switching regime
approach”, Journal of Empirical Finance 7 pp 531-554.
5. Bollerslev T (1986), “Generalized autoregressive conditional heteroscedasticity”, Journal of Econometrics 31 pp 307-327.
6. Christoffersen P, Jinyong Hahn, Inoue A (2001), “Testing and comparing Value-
at-Risk measures”, Journal of Empirical Finance 8 pp 325-342.
7. Duffie D, Pan J (1997), “An Overview of Value at Risk”, Preliminary Draft.
8. Engle R.F, Bollerslev T (1986), “Modelling the Persistence of Conditional
Variances”, Econometrics Reviews 5(1):1-50.
9. Giot P, Lauren S (2003), “Value-at-Risk for long and short trading positions”,
Journal of Applied Econometrics 18 pp 641-664.
10.Glosten L.R, Jagannathan R, Runkle D.E (1993), “On the Relation between the
Expected Value and the Volatility of the Nominal Excess Return on Stocks”, The
Journal of Finance No.5.
11.Guermat C, Harris R.D.F (2002), “Forecasting value at risk allowing for time
variation in the variance and kurtosis portfolio returns”, International Journal of
Forecasting 18 pp 409-419.
12.Hongyu Pan, Zhichao Zhang (2006), “Forecasting financial volatility: Evidence
from Chinese stock market”, Working paper in Economics and Finance No.06/02.
13.Iqbal J, Azher S, Ijza A (2010), “Predictive ability of Value-at-Risk methods:
evidence from the Karachi Stock Exchange-100 Index”, MPRA paper No. 23752.
14.Jorion P (1996), “Value at Risk: The New Benchmark for Controlling Market
Risk”, Irwin Professional.
15.Krause A (2003), “Exploring the Limitations of Value at Risk: How Good Is It in
Practice”, The Journal of Risk Finance.
16.Kupiec P (1995), “Technique for Verifying the Accuracy of Risk Measurement
51
17.Linsmeier T.J, Pearson N.D (1996), “Risk Measurement: An Introduction to
Value at Risk”, University of Illinois at Ubrana-Champaign.
18.Manganelli S, Engle R.F (2001), “Value at Risk Models in Finance”, ECB- Working Paper No.75.
19.McMillan D.G, Thupayagale P (2010), “Evaluating Stock Index Return Value-at-
Risk Estimates in South Africa: Comparative Evidence for Symmetric, Asymmetric and Long Memory GARCH Models”, Journal of Emerging Market
Finance.
20.McMillan D.G, Speight A.E.H (2007), “Value-at-Risk in Emerging Equity
Markets: Comparative Evidence for Symmetric, Asymmetric and Long Memory GARCH Models”, International Review of Finance, 7(1-2): 1-19.
21.Nelson D.B (1991), “Conditional Heteroskedaticity in Asset Returns: A New
Approach”, Econometrica, Vol.59, No.2 pp 347-370.
22.Pagan A.R, Schwert G.W (1990), “Alternative models for conditional stock
volatility”, Journal of Econometrics 45 pp 267-290. North-Holland.
23.Yu Chuan Huang, Bor-Jing Lin (2004), “Value-at-Risk Analysis for Taiwan Stock