ch n ra mô hình d báo t t nh t, tác gi ti n hành x p h ng tám mô hình d a trên k t qu ki m đnh VR t i m c 4.2.
Tiêu chí x p h ng: Mô hình nào có giá tr sai l ch tuy t đ i gi a ch s VR và tr s bé nh t s đ c x p h ng th nh t và các v trí th hai, ba, b n, n m, sáu, b y, tám cho l n l t các mô hình còn l i. X p h ng t ng t cho tám danh m c. Ti p theo, tác gi tính giá tr bình quân th h ng c a b n mô hình. Mô hình nào có th h ng bình quân bé nh t s đ c x p đ u tiên và các v trí th hai, ba, b n, n m, sáu, b y, tám cho l n l t các mô hình còn l i. K t qu x p h ng đ c trình bày chi ti t t i các b ng 12 và b ng 13.
B ng 12: K t qu x p h ng c l ng VaR t i m c ý ngh a 1%
B ng 13: K t qu x p h ng c l ng VaR t i m c ý ngh a 5%
VaR-1% DJA NIKKEI FTSE DAX BOVESPA SSEC SENSEX VNINDEX Average Rank
1. Historical simulation 5 5 5 5 7 5 5 5 5.3 5
2. Variance–Covariance 7 8 8 8 8 7 8 8 7.8 8
3. CAViaR Symmetric 4 4 2 2 1 3 3 2 2.6 3
4. CAViaR Asymmetric 2 2 3 4 3 2 1 3 2.5 2
5. CAViaR Indirect GARCH 3 3 4 2 1 4 1 3 2.6 3
6. CAViaR Adaptive 1 1 1 1 3 1 3 1 1.5 1
7. GARCH (1,1) 6 5 7 7 6 6 6 7 6.3 6
8. EGARCH (1,1) 8 7 6 6 5 8 7 6 6.6 7
VaR-5% DJA NIKKEI FTSE DAX BOVESPA SSEC SENSEX VNINDEX Average Rank
1. Historical simulation 6 7 6 6 8 7 3 3 5.8 6
2.ăVarianceậCovariance 2 2 4 1 7 5 2 2 3.1 2
3. CAViaR Symmetric 7 3 2 2 6 3 4 4 3.9 4
4. CAViaR Asymmetric 3 3 3 2 3 4 5 7 3.8 3
5. CAViaR Indirect GARCH 3 3 4 5 4 2 6 6 4.1 5
6. CAViaR Adaptive 1 1 1 4 4 1 1 1 1.8 1
7. GARCH (1,1) 3 8 8 7 2 6 7 5 5.8 6
4.3.2. Phân tích k t qu x p h ng
Tr c h t, d a vào k t qu d báo cho tám danh m c đ c trình bày t i b ng 9 t i b ng 11, nh n xét chung c a tác gi là không có s đ ng nh t khi xét v tính hi u qu trong ho t đ ng d báo c a m i mô hình. Ch ng h n, hai mô hình Historical Simulation và Variance-Covariance cho k t qu d báo VaR cao h n nhi u so v i
các mô hình khác đ i v i danh m c DJA, tuy nhiên, trong tr ng h p SSEC thì
ng c l i, hai mô hình này cho k t qu d báo VaR khá th p so v i các mô hình khác.
có m t k t lu n c th , tác gi ti n hành so sánh k t qu ki m đ nh cho hi u qu d báo c a tám mô hình đ c trình bày t i b ng 10 và 11.
Tr c tiên, t i m c Ủ ngh a 1%, h u h t k t qu d báo VaR c a tám mô hình b bát b khi chi u theo khung ch p nh n c a ch s VR. C th , hai mô hình Historical Simulation và Variance-Covariance d báo hoàn toàn không hi u qu , ch s VR c a hai mô hình này cho t t c tám danh m c đ u v t kho ng ch p nh n [0.8:1.2]. Mô hình CAViaR Adaptive cho k t qu t t nh t, t t c các h s VR c a mô hình này cho t t c tám danh m c đ u n m trong kho ng ch p nh n.
Trong khi đó, t i m c Ủ ngh a 5%, c tám mô hình đ u cho k t qu khá kh quan.
Các mô hình đ a ra k t qu VR ch p nh n 6/8 danh m c. Rõ ràng, các mô hình d báo VaR hi u qu h n t i m c Ủ ngh a 5% h n 1%.
D a vào k t qu x p h ng b ng 10 và b ng 11, không có nhi u b t ng khi mô hình CAViaR Adaptive đ ng v trí th nh t trong b ng x p h ng ch s VR cho ki m đnh hi u qu c a vi c d báo VaR cho tám danh m c ng v i c hai m c ý
ngh a 1% và 5%.
Trong khi đó, hai ph ng pháp Variance-Covariance và EGARCH có th h ng th p nh t trong d báo VaR ng v i m c Ủ ngh a l n l t là 1% và 5%. Ph ng pháp
Variance-Covariance cho hi u qu khá th t th ng, m c Ủ ngh a 1%, hi u qu c a mô hình này là th p nh t, trong khi đó, m c Ủ ngh a 5% hi u qu c a mô hình này khá cao, ch đ ng sau hi u qu c a mô hình CAViaR Adaptive.
4.3.3. Phơnătíchăđ th k t qu d báo.
VR là m t ph ng pháp ki m đ nh c c k hi u qu và n u ch đ n thu n d a trên k t qu ki m đnh VR thì CAViaR Adaptive là mô hình hi u qu nh t. V y chúng ta có nên ch s d ng CAViaR Adaptive đ c l ng cho VaR không.
Nhìn vào giai đo n 2008 khi kh ng ho ng tài chính x y ra, hàng lo t th tr ng gi m đi m m nh. Các mô hình c l ng VaR h u h t b vi ph m. Có th nhìn th y rõ 2 mô hình Historical Simulation và Variance-Covariance cho k t qu c l ng không th t s nh y c m so v i s bi n đ ng c a th tr ng.
4.3.4. L a ch n mô hình d báo r i ro danh m c.
Sau khi ti n hành x p h ng c ng nh phân tích đ th đ i v i k t qu d báo r i ro danh m c c a tám mô hình, t ng h p k t qu t hai b c này, tác gi kh ng đnh r ng mô hình CAViaR Adaptive d báo VaR hi u qu nh t. Trong khi đó, mô hình
Historical Simulation và EGARCH cho hi u qu khá th p trong vi c c l ng VaR.
Sau khi có đ c k t qu x p h ng cu i cùng v mô hình d báo r i ro danh m c hi u qu nh t, tác gi đ a ra khuy n ngh v v n đ nên l a ch n mô hình nào ph c v cho ho t đ ng d báo r i ro danh m c đ ng trên ph ng di n các nhà đ u t cá nhân và nhà đ u t t ch c.
Khi ti n hành so sánh các mô hình d báo r i ro danh m c, đ l a ch n ra mô hình phù h p nh t có th d a trên nhi u tiêu chí. Tuy nhiên, hai tiêu chí l a ch n ph bi n nh t có th đ c li t kê đó là tính đ n gi n trong ng d ng và s hi u qu c a mô hình.
Thông th ng thì tiêu chí đâu tiên th ng là c s l a ch n c a các nhà đ u t cá nhân, trong khi đó các t ch c l n, các nhà đâu t chuyên nghi p th ng thiên v tiêu chí th hai là s hi u qu trong ho t đ ng d báo c a mô hình. Rõ ràng, v n đ nào c ng có tính hai m t, mô hình càng ph c t p thì đòi h i chi phí càng l n, và vì th k v ng v đ chính xác c a mô hình càng cao. Ng c l i, mô hình càng đ n
gi n s giúp ti t ki m t i đa chi phí và d nhiên s chính xác, hi u qu d báo s là m t d u h i l n.
M c tiêu chính xuyên su t trong bài nghiên c u là x p h ng tính hi u qu c a các mô hình d báo. Vì v y, tiêu chí v s hi u qu c a mô hình đ c đ t lên hàng đ u trong vi c l a ch n mô hình d báo VaR.
Nh k t qu đư đ c p trong các ph n 4.3 thì các mô hình thu c nhóm CAViaR có tính hi u qu cao h n h n các mô hình khác. c bi t là mô hình CAViaR Adaptive có tính hi u qu h n c , và đây c ng chính là l a ch n c a tác gi .
Bài nghiên c u x p h ng ch t l ng d báo c a tám mô hình kinh t l ng đ c s d ng ph bi n b i các t ch c tài chính, các qu đ u t trên th gi i trong d báo r i ro danh m c đ u t .
D a vào k t qu nghiên tác gi rút ra m t s nh n xét sau:
Th nh t, các mô hình d báo VaR ho t đ ng hi u qu h n m c Ủ ngh a 5%.
m c Ủ ngh a 1%, các mô hình Historical Simulation và Variance-Covariance, GARCH, EGARCH th t b i trong ho t đ ng d báo VaR. Nguyên nhân ch y u là do gi đnh phân ph i chu n c a d li u s d ng đ i v i các ph ng pháp này.
Th hai, d a vào đ th tác gi th y r ng 2 mô hình Historical Simulation và Variance-Covariance cho k t qu c l ng VaR không th t s nh y c m so v i s bi n đ ng c a th tr ng.
Th ba, d a vào k t qu c a b ng x p h ng và m c tiêu nghiên c u xuyên su t trong bài nghiên c u, tác gi th y r ng CAViaR Adaptive là mô hình c l ng VaR có tính hi u qu cao nh t và đáng đ c l a ch n nh t.
CH NGă5:ăK T LU N
5.1. K t qu nghiên c u
N i dung chính c a bài nghiên c u là x p h ng và đánh giá hi u qu c a các mô hình kinh t l ng trong ho t đ ng d báo VaR c a danh m c đ u t . Tám mô hình đ c s d ng trong bài là Historical Simulation, Variance-Covariance, GARCH(1,1), EGARCH(1,1), CAViaR Adaptive, CAViaR Symetric, CAViaR Indirect GARCH(1,1), CAViaR Asymetric đ i di n cho ba cách ti p c n phi tham s , tham s và bán tham s .
V i c s d li u là ch s giá đóng c a c a tám danh m c đ i di n cho các th
tr ng phát tri n và m i n i nh ng vùng đa lý khác nhau. Tác gi ti n hành phân tích và th y r ng, t t c nh ng d li u này đ u không có phân ph i chu n.
Sau đó, tác gi ti n hành d báo và ki m đ nh theo ph ng pháp VR c ng nh th c hi n phân tích đ th xác đ nh mô hình c l ng VaR hi u qu nh t. K t qu cho th y r ng, h u h t các các mô hình đ u ho t đ ng hi u qu m c Ủ ngh a 5%. Trong khi đó, m c Ủ ngh a 1%, các mô hình có gi đnh d li u là phân ph i chu n nh Variance-Covariance, GARCH, EGARCH hoàn toàn th t b i trong d báo VaR.
5.2. H n ch c a bài nghiên c uăvƠăh ng m r ng
Bài nghiên c u còn nhi u h n ch và c n b sung cho hoàn thi n h n. C th , s
l ng mô hình c l ng VaR và mô hình x p h ng tác gi s d ng trong bài còn
ch a nhi u.
H ng m r ng cho nh ng nghiên c u ti p theo có th ng d ng nhi u h n các mô
hình kinh t l ng đ c l ng VaR nh mô hình lai HS & Riskmetrics, Monte Carlo, T-GARCH, EVT… c ng nh th c hi n thêm m t s ph ng pháp ki m đ nh hi u qu khác ch ng h n nh Kupiec, DQ, Christoffersen’s Independence, White’s SPA…đ k t lu n c a bài nghiên c u v ng ch c h n.
L i k t
Nh v y, chúng ta đư cùng nhau tìm hi u các lý thuy t n n t ng v r i ro và các mô hình d báo r i ro cho danh m c đ u t ch ng khoán c ng nh th c hi n x p h ng
và đánh giá s hi u qu c a các mô hình VaR trong d báo r i ro danh m c đ u t .
M c dù các mô hình VaR có nhi u u đi m v t tr i trong d báo r i ro danh m c so v i các công c khác nh ng không ph i là không t n t i nh ng h n ch . Tuy nhiên, không ai có th ph nh n r ng, các mô hình VaR v n là các công c thích h p nh t mà các đnh ch tài chính, các qu đ u t và các doanh nghi p có th tham kh o và đ a vào d báo r i ro danh m c nh m đ t đ c m c đích cu i cùng là đ m b o s an toàn tình hình tài chính và nâng cao giá tr c a t ch c.
Tác gi c ng mong mu n r ng, trong t ng lai không xa các mô hình VaR s đ c ng d ng r ng rãi t i Vi t Nam và đêm l i nh ng thành công nh chúng ta k v ng. Và cu i cùng, xin chân thành c m n cô Lê Phan Th Di u Th o cùng toàn th b n
TÀI LI U THAM KH O
Danh m c tài li u ti ng Vi t
1. Lê t Chí, Lê Tu n Anh, 2012. K t h p ph ng pháp CVAR và mô hình
Merton/KMV đ đo l ng r i ro v n B ng ch ng th c nghi m Vi t Nam. T p chí Phát tri n và H i nh p S 5 (15) - Tháng 7-8/2012.
2. Nguy n Th Ng c Trang, 2010. Giáo trình Qu n tr r i ro tài chính. Tr ng i h c Kinh t thành ph H Chí Minh.
3. Nguy n Quang S n, 2013. X p h ng các mô hình VaR và ES trong d báo r i ro danh m c. Lu n v n Th c s . Tr ng i h c Kinh t Thành ph H Chí Minh. 4. Trung tâm nghiên c u và đào t o ch ng khoán, 2010. Giáo trình Qu n lý danh
m c đ u t ch ng khoán. Hà N i: Nhà xu t b n v n hóa thông tin.
5. y ban Ch ng khoán Nhà n c, 2013. Quy ch h ng d n vi c thành l p và v n hành h th ng Qu n tr r i ro cho công ty Qu n lý qu .
Danh m c tài li u ti ng Anh
1. Akgiray V., 1989. Conditional Heteroscedasticity in Time Series of Stock Returns. Journal of Business.
2. Angelidis, T., Benos, A., Degiannakis, S., 2004. The use of GARCH models in VaR estimation. Statistical Methodology.
3. Basel Committee on Banking Supervision, 1996. Amendment to the capital accord to incorporate market risks.
4. 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).
5. Bollerslev, T.,1986. Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31, 307–327.
6. Brailsford and Fall ,1996. An evaluation of volatility forecasting techniques. Journal of Banking and Finance.
7. 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.
8. Christoffersen, P. F., & Pelletier, D., 2004. Backtesting value-at-risk: a duration based approach. Journal of Financial Econometrics, 2, 84–108.
9. 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-at- Risk: 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.Saởa 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 kh o
1. http://markets.wsj.com/us
2. http://www.simonemanganelli.org/Simone/Research.html 3. http://investexcel.net/
PH L C
Hàm Malab đ tính toán các ph ng pháp CAViaR đ c tham kh o t 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.