CHƢƠNG 4 : KẾT QUẢ NGHIÊN CỨU
4.3. Xếp hạng, phân tích và đánh giá kết quả dự báo
4.3.1. Xếp hạng các mơ hình
Để chọn ra mơ hình dự báo tốt nhất, tác giả tiến hành xếp hạng tám mơ hình dựa trên kết quả kiểm định VR tại mục 4.2.
Tiêu chí xếp hạng: Mơ hình nào có giá trị sai lệch tuyệt đối giữa chỉ số VR và trị số
bé nhất sẽ được xếp hạng thứ nhất và các vị trí thứ hai, ba, bốn, năm, sáu, bảy, tám cho lần lượt các mơ hình cịn lại. Xếp hạng tương tự cho tám danh mục. Tiếp theo, tác giả tính giá trị bình qn thứ hạng của bốn mơ hình. Mơ hình nào có thứ hạng bình qn bé nhất sẽ được xếp đầu tiên và các vị trí thứ hai, ba, bốn, năm, sáu, bảy, tám cho lần lượt các mơ hình cịn lại. Kết quả xếp hạng được trình bày chi tiết tại các bảng 12 và bảng 13.
Bảng 12: Kết quả xếp hạng ước lượng VaR tại mức ý nghĩa 1%
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. Variance–Covariance 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 kết quả xếp hạng
Trước hết, dựa vào kết quả dự báo cho tám danh mục được trình bày tại bảng 9 tới bảng 11, nhận xét chung của tác giả là khơng có sự đồng nhất khi xét về tính hiệu quả trong hoạt động dự báo của mỗi mơ hình. Chẳng hạn, hai mơ hình Historical Simulation và Variance-Covariance cho kết quả dự báo VaR cao hơn nhiều so với các mơ hình khác đối với danh mục DJA, tuy nhiên, trong trường hợp SSEC thì ngược lại, hai mơ hình này cho kết quả dự báo VaR khá thấp so với các mơ hình khác.
Để có một kết luận cụ thể, tác giả tiến hành so sánh kết quả kiểm định cho hiệu quả dự báo của tám mơ hình được trình bày tại bảng 10 và 11.
Trước tiên, tại mức ý nghĩa 1%, hầu hết kết quả dự báo VaR của tám mơ hình bị bát bỏ khi chiếu theo khung chấp nhận của chỉ số VR. Cụ thể, hai mơ hình Historical Simulation và Variance-Covariance dự báo hồn tồn khơng hiệu quả, chỉ số VR của hai mơ hình này cho tất cả tám danh mục đều vượt khoảng chấp nhận [0.8:1.2]. Mơ hình CAViaR Adaptive cho kết quả tốt nhất, tất cả các hệ số VR của mơ hình này cho tất cả tám danh mục đều nằm trong khoảng chấp nhận.
Trong khi đó, tại mức ý nghĩa 5%, cả tám mơ hình đều cho kết quả khá khả quan. Các mơ hình đưa ra kết quả VR chấp nhận ở 6/8 danh mục. Rõ ràng, các mơ hình dự báo VaR hiệu quả hơn tại mức ý nghĩa 5% hơn 1%.
Dựa vào kết quả xếp hạng ở bảng 10 và bảng 11, khơng có nhiều bất ngờ khi mơ hình CAViaR Adaptive đứng ở vị trí thứ nhất trong bảng xếp hạng chỉ số VR cho kiểm định hiệu quả của việc dự báo VaR cho tám danh mục ứng với cả hai mức ý nghĩa 1% và 5%.
Trong khi đó, hai phương pháp Variance-Covariance và EGARCH có thứ hạng thấp nhất trong dự báo VaR ứng với mức ý nghĩa lần lượt là 1% và 5%. Phương pháp Variance-Covariance cho hiệu quả khá thất thường, ở mức ý nghĩa 1%, hiệu quả của mơ hình này là thấp nhất, trong khi đó, ở mức ý nghĩa 5% hiệu quả của mơ hình này
4.3.3. Phân tích đồ thị kết quả dự báo.
VR là một phương pháp kiểm định cực kỳ hiệu quả và nếu chỉ đơn thuần dựa trên kết quả kiểm định VR thì CAViaR Adaptive là mơ hình hiệu quả nhất. Vậy chúng ta có nên chỉ sử dụng CAViaR Adaptive để ước lượng cho VaR khơng.
Nhìn vào giai đoạn 2008 khi khủng hoảng tài chính 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 2 mơ hình Historical Simulation và Variance-Covariance cho kết quả ước lượng không thật sự nhạy cảm so với sự biến động của thị trường.
4.3.4. Lựa chọn mơ hình dự báo rủi ro danh mục.
Sau khi tiến hành xếp hạng cũng như phân tích đồ thị đối với kết quả dự báo rủi ro danh mục của tám mơ hình, tổng hợp kết quả từ hai bước này, tác giả khẳng định rằng mơ hình CAViaR Adaptive dự báo VaR hiệu quả nhất. Trong khi đó, mơ hình Historical Simulation và EGARCH cho hiệu quả khá thấp trong việc ước lượng VaR.
Sau khi có được kết quả xếp hạng cuối cùng về mơ hình dự báo rủi ro danh mục hiệu quả nhất, tác giả đưa ra khuyến nghị về vấn đề nên lựa chọn mơ hình nào phục vụ cho hoạt động dự báo rủi ro danh mục đứng trên phương diện các nhà đầu tư cá nhân và nhà đầu tư tổ chức.
Khi tiến hành so sánh các mơ hình dự báo rủi ro danh mục, để lựa chọn ra mơ hình phù hợp nhất có thể dựa trên nhiều tiêu chí. Tuy nhiên, hai tiêu chí lựa chọn phổ biến nhất có thể được liệt kê đó là tính đơn giản trong ứng dụng và sự hiệu quả của mơ hình.
Thơng thường thì tiêu chí đâu tiên thường là cơ sở lựa chọn của các nhà đầu tư cá nhân, trong khi đó các tổ chức lơn, các nhà đâu tư chuyên nghiệp thường thiên về tiêu chí thứ hai là sự hiệu quả trong hoạt động dự báo của mơ hình. Rõ ràng, vấn đề nào cũng có tính hai mặt, mơ hình càng phức tạp thì địi hỏi chi phí càng lớn, và vì thế kỳ vọng về độ chính xác của mơ hình càng cao. Ngược lại, mơ hình càng đơn
giản sẽ giúp tiết kiệm tối đa chi phí và dĩ nhiên sự chính xác, hiệu quả dự báo sẽ là một dấu hỏi lớn.
Mục tiêu chính xuyên suốt trong bài nghiên cứu là xếp hạng tính hiệu quả của các mơ hình dự báo. Vì vậy, tiêu chí về sự hiệu quả của mơ hình được đặt lên hàng đầu trong việc lựa chọn mơ hình dự báo VaR.
Như kết quả đã đề cập trong các phần 4.3 thì các mơ hình thuộc nhóm CAViaR có tính hiệu quả cao hơn hẳn các mơ hình khác. Đặc biệt là mơ hình CAViaR Adaptive có tính hiệu quả hơn cả, và đây cũng chính là lựa chọn của tác giả.
Bài nghiên cứu xếp hạng chất lượng dự báo của tám mơ hình kinh tế lượng được sử dụng phổ biến bởi các tổ chức tài chính, các quỹ đầu tư trên thế giới trong dự báo rủi ro danh mục đầu tư.
Dựa vào kết quả nghiên tác giả rút ra một số nhận xét sau:
Thứ nhất, các mơ hình dự báo VaR hoạt động hiệu quả hơn ở mức ý nghĩa 5%. Ở
mức ý nghĩa 1%, các mơ hình Historical Simulation và Variance-Covariance, GARCH, EGARCH thất bại trong hoạt động dự báo VaR. Nguyên nhân chủ yếu là do giả định phân phối chuẩn của dữ liệu sử dụng đối với các phương pháp này.
Thứ hai, dựa vào đồ thị tác giả thấy rằng 2 mơ hình Historical Simulation và
Variance-Covariance cho kết quả ước lượng VaR không thật sự nhạy cảm so với sự biến động của thị trường.
Thứ ba, dựa vào kết quả của bảng xếp hạng và mục tiêu nghiên cứu xuyên suốt
trong bài nghiên cứu, tác giả thấy rằng CAViaR Adaptive là mơ hình ước lượng VaR có tính hiệu quả cao nhất và đáng được lựa chọn nhất.