7. Kết cấu của luận văn
3.2. Những đề xuất cho việc áp dụng VaR
Để phát huy tốt nhất vai trị của VaR thì các tổ chức đầu tư nên xây dựng một cơ
sở dữ liệu đáng tin cậy, dùng các phần mềm thống kê (EVIEWS, Stata, SPSS…) để
kiểm định phân phối chuẩn của tỷ suất sinh lợi của các mã cổ phiếu (hay danh mục
nhiều cổ phiếu), bên cạnh đó việc ước lượng VaR cần có kết hợp sử dụng đến kỹ thuật kiểm tra sau (back test) và phép thử kiểm định khả năng chịu áp lực (stress test).
3.2.1. Xây dựng cơ sở dữ liệu đáng tin cậy
Các tổ chức tài chính cần phải tự xây dựng cho mình một ngân hàng dữ liệu lịch sử về giá chứng khốn; thơng tin về các sự kiện khủng hoảng; thông tin để điều chỉnh giá tham chiếu do phân bổ quyền chia cổ tức, phát hành thêm, cổ phiếu thưởng;… Tại Việt Nam hiện nay, có nhiều nhà cung cấp thông tin về dữ liệu lịch sử về giá, chỉ số thanh khoản và chỉ số tài chính như Bloomberg, Reuters, StoxPlus… Tuy nhiên, các tổ chức tài chính cũng khơng nên q tin tưởng vào số liệu từ các nhà cung cấp này mà nên tự xây dựng cho mình một cơ sở dữ liệu chính xác và lấy các dữ liệu từ các nguồn trên cho mục đích tham khảo, đối chiếu với dữ liệu hiện có của mình.
Bảng 3.2: Dữ liệu về các sự kiện khủng hoảng (Một phần cơ sở dữ liệu của luận văn)
Mã Thời gian Sự kiện Tác động
ACB Tháng
08/2012
Ông Nguyễn Đức Kiên, nguyên Phó
Chủ tịch Hội đồng Sáng lập ACB, ông Lý Xuân Hải – nguyên Tổng giám đốc ACB bị bắt giam để điều tra về các sai phạm trong hoạt động kinh tế.
Giá giảm sàn 3 ngày liên tiếp (từ ngày 21/08/2012 đến ngày 23/08/2012).
STB Tháng
02/2012
Vụ việc thoái vốn của 2 cổ đông chiến
lược của Sacombank là Ngân hàng ANZ và Công ty Cổ phần Cơ Điện Lạnh REE.
Giá giảm sàn 4 ngày liên tiếp (từ 13/02/2012
đến 16/02/2012).
… … … …
Bảng 3.3: Dữ liệu về thông tin để điều chỉnh giá tham chiếu do phân bổ quyền chia cổ tức, phát hành thêm, cổ phiếu thưởng (Một phần cơ sở dữ liệu của luận văn)
3.3.2. Kiểm định phân phối chuẩn
Để các ước lượng VaR đem lại hiệu quả cao nhất, chúng ta cần xác định một
phương pháp phù hợp với danh mục của mình. Như đã nêu ra ở chương 1, phương
pháp VaR. variance-covariance thì đi liền với phân phối chuẩn, VaR. historical lại là
một ước lượng phi tham số, tức là việc tính tốn VaR khơng đòi hỏi bất cứ định nghĩa nào về loại phân phối xác suất, VaR. Monte Carlo simulation thì có thể áp dụng đối với mọi loại phân phối xác suất tuy nhiên việc tính tốn VaR địi hỏi định nghĩa về kiểu
phân phối. Như vậy, nếu các nhà đầu tư biết được tỷ suất sinh lợi của danh mục đang
nắm giữ tuân theo quy luật phân phối gì thì việc lựa chọn phương pháp ước lượng VaR sẽ trở nên dễ dàng hơn được phần nào. Để xác định phân phối của tỷ suất sinh lợi và
qua đó là lựa chọn phương pháp ước lượng VaR tối ưu, bài luận văn đề xuất sử dụng
kiểm định phân phối chuẩn trong kinh tế lượng thao tác trên phần mềm EVIEWS. Dựa trên số liệu về tỷ suất sinh lợi của 6 mã cổ phiếu ngân hàng và thực hiện kiểm định trên phần mềm EVIEWS, ta có các đồ thị và thơng số sau:
Hình 3.1: Đồ thị phân phối của các mã ngân hàng niêm yết
Có nhiều cách để làm kiểm định, trong đó bài luận văn thực hiện kiểm định
bằng 2 cách sau:
Cách 1: Đánh giá hệ số Skewness và Kurtorsis
Một phân phối chuẩn là một phân phối có Skewness bằng 0 và Kurtosis bằng 3, trong thực tế rất khó tìm thấy một phân phối chuẩn, tuy nhiên vẫn tồn tại các phân phối xấp xỉ chuẩn nếu Skewness gần bằng 0 hay Kurtosis gần bằng 3.
Bảng 3.4: Bảng tổng hợp các hệ số Skewness và Kurtosis
Kết luận: Tỷ suất sinh lời của các mã CTG, SHB, VCB có hệ số Skewness gần bằng 0 nhất và Kurtosis gần bằng 3 nhất nên chúng ta cho rằng các mã này có phân phối xấp xỉ chuẩn, do đó sẽ phù hợp hơn với phương pháp ước lượng VaR. variance-
covariance.
Cách 2: Dùng giá trị P của kiểm định Jacque-bera.
Bảng 3.5: Bảng tổng hợp giá trị P trên đồ thị phân phối của các mã ngân hàng niêm yết
Gọi: H0: giả thuyết phân phối chuẩn
H1: giả thuyết không phải phân phối chuẩn
P_value trên tỷ suất sinh lời của mã CTG và VCB là lớn hơn giá trị α = 0.05 (độ tin cậy 95%) hay giá trị α = 0.01 (độ tin cậy 99%) nên ta có thể kết luận rằng chưa có cơ sở để bác bỏ giả thuyết H0. Còn với các mã ACB, EIB, SHB, STB có giá trị P bé
hơn giá trị α (0.05 hay 0.01) nên ta bác bỏ giả thuyết H0 và chấp nhận giả thuyết H1. Kết luận: từ kiểm định trên, chúng ta kết luận rằng ước lượng VaR đối với tỷ
suất sinh lời của mã CTG và VCB sẽ phù hợp hơn với phương pháp ước lượng VaR.
variance-covariance.
3.3.3. Kỹ thuật back test
Người dùng VaR nên kiểm tra một cách thường xuyên công cụ của họ để đảm bảo VaR được ước lượng một cách chính xác trong việc dự báo kết quả. Ví dụ nếu
là khoảng 1 năm với 250 ngày làm việc, số ngày lỗ với khoản lỗ lớn hơn 1 tỷ đồng
tương đương là 250×0.01 = 2.5 ngày. Nếu tần suất xảy ra các khoản lỗ thực tế vượt ngưỡng VaR lớn hơn số này thì mơ hình khơng đạt được mục tiêu ước lượng rủi ro của nó. Tiến trình so sánh giữa số lần thực tế vi phạm ngưỡng VaR với con số được tính ra từ độ tin cậy cho trước gọi là kỹ thuật back test . Phương pháp này thì cực kỳ quan trọng để tin chắc rằng phương pháp ước lượng VaR đang sử dụng đưa ra kết quả tốt
nhất. Nếu kết quả là các dự báo sai lệch vượt mức xác suất cho phép, người dùng phải tìm hiểu nguyên nhân và thực hiện giải pháp khắc phục thích hợp.
Các cơ quan có thẩm quyền phải định kỳ kiểm tra hệ thống VaR nội bộ của các
định chế tài chính bằng kỹ thuật back test này để đảm bảo rằng hệ thống VaR tại tổ
chức đó cho những kết quả chính xác, đó sẽ là cơ sở để cơ quan quản lý đưa ra những khuyến nghị hay quyết định về hoạt động kinh doanh của tổ chức đó (John L.Maginn et al., 2007)
Các bước tiến hành back test:
Để mơ tả rõ ràng nhất về tiến trình này, bài luận văn sẽ thực hiện back test đối
với VaR trong năm 2012.
Bước 1: Tập hợp kết quả tính VaR
Áp dụng các cách tính VaR như đã nêu ở chương 2 với danh mục giả định chỉ có một mã chứng khốn và khơng có mua bán gì, ta tính được VaR mỗi ngày và tập hợp số liệu trong năm 2012.
Bước 2: So sánh giữa kết quả VaR với biến động giá thực tế
Dưới đây là một phần dữ liệu của bài luận văn về việc so sánh giữa kết quả VaR với biến động giá thực tế đối với mã ACB của bài luận văn:
Bảng 3.6: Bảng dữ liệu thực hiện back test năm 2012 (Một phần cơ sở dữ liệu của bài luận văn)
Ghi chú:
Within: trong phạm vi dự báo của VaR. Out: vượt phạm vi dự báo của VaR.
Trong trường hợp của cổ phiếu ACB, ta tính được VaR 95% ngày 20/08/2012 là -2.44%, hay có thể nói rằng, với 250 ngày quan sát và độ tin cậy ở mức 95% chúng ta dự báo mã ACB sẽ giảm tối đa là 2.44% vào ngày 20/08. Trên thực tế, kết thúc ngày 20/08, giá của mã ACB là 25,900 đ, tăng 0.39% so với ngày 17/08. Như vậy, VaR
ngày 20/08 đã thực hiện tốt vai trị của mình.
Tuy nhiên, xem xét VaR 95% của ngày 21/08/2012, kết quả cho thấy giá mã ACB được dự báo giảm không quá 2.44% ở mức tin cậy 95%, thực tế, giá giảm gần
7% so với ngày 20/08/2012. Như vậy, VaR đã tắc trách trong nhiệm vụ dự báo giá của ngày 21/08/2012
Bước 3: Xem xét mức chấp nhận sai sót và phân tích ngun nhân dự báo sai của VaR
Một lần nữa, chúng ta lại tổng hợp kết quả so sánh trong giai đoạn quan sát, sau
đó tính ra số ngày mà VaR dự báo đúng theo tỉ lệ phần trăm. Chúng ta xét năm 2012
Bảng 3.7: Bảng tổng hợp kết quả back test trong năm 2012 (250 ngày làm việc)
Ghi chú:
Test 95%: Độ tin cậy là 95% Test 99%: Độ tin cậy là 99%
Bảng tổng hợp trên đã chứng minh một điều rằng VaR trong năm 2012 chưa đáp
ứng được yêu cầu dự báo cho người dùng VaR, hầu hết các trường hợp đều dự báo
vượt quá mức sai lệch cho phép.
Bước 4: Đưa ra kết luận và khuyến nghị
Như vậy, để quyết định phương pháp ước lượng VaR thì tác giả đề xuất phương pháp VaR. variance-covariance đối với việc tính VaR cho 2 mã CTG và VCB, bởi vì dựa trên kết quả kiểm định ở mục 3.3.2 thì chưa có cơ sở bác bỏ giả thuyết phân phối chuẩn đối với tỷ suất sinh lợi 2 mã này. Và kết quả back test năm 2012 cũng cho thấy mã CTG và VCB là 2 mã dự báo chính xác nhất (trong phạm vị sai sót cho phép) trong mẫu gồm 6 mã ngân hàng niêm yết. Đối với các mã còn lại, tác giả chưa thể đưa ra kết luận được nếu chỉ dựa trên số liệu của năm 2012.
Kết luận và khuyến nghị trên kết quả back test VaR trong 3 năm 2010, 2011, 2012:
Thực hiện back test tương tự đối với VaR trong năm 2011 và 2010, tác giả có các kết luận và khuyến nghị như sau:
Bảng 3.8: Bảng dữ liệu thực hiện back test năm 2011 (248 ngày làm việc)
Dựa trên các bảng dữ liệu thực hiện back test trên 3 năm, chúng ta thấy rằng năm 2012 chỉ có 2 mã CTG và VCB được dự báo đúng bằng phương pháp VaR.
varicance-covariance ở mức sai sót cho phép là 1%. Năm 2011, ở độ tin cậy 95% thì có 4/6 mã được VaR dự báo đúng bằng phương pháp VaR. varicance-covariance và đúng nhiều hơn VaR. historical - có 3/6 mã được dự báo đúng. Tuy nhiên, ở độ tin cậy 99%
thì ở chiều ngược lại tức là VaR. historical dự báo đúng cho nhiều mã hơn. Năm 2010, với cả 2 phương pháp, VaR của tất cả các mã đều dự báo đúng trong mức sai sót cho
phép.
Chúng ta tiếp tục so sánh số ngày dự báo đúng của 2 phương pháp trong 3 năm bằng cách cộng số ngày dự báo đúng trong giai đoạn 3 năm này cho từng phương pháp:
+ VaR. historical (độ tin cậy 95%): 1,395 + 1,411 + 1,474 = 4,280 ngày.
+ VaR. variance-covariance (độ tin cậy 95%): 1,395 + 1,419 + 1,476 = 4,290 ngày. Với độ tin cậy 95%, thì VaR variance-covariance có số ngày dự báo đúng nhiều hơn.
+ VaR. historical (độ tin cậy 99%): 1,463 + 1,468 + 1,492 = 4,423 ngày.
+ VaR. variance-covariance (độ tin cậy 99%): 1,462 + 1,470 + 1,493 = 4,425 ngày. Với độ tin cậy 99%, thì VaR variance-covariance có số ngày dự báo đúng nhiều hơn.
Sau khi nhìn nhận và đánh giá VaR ở cả 3 năm 2010, 2011 và 2012, tác giả đánh giá cao phương pháp VaR. variance-covariance. Kết hợp với những tiêu chí lựa
chọn các phương pháp tính VaR ở chương 1, bài luận văn khuyến nghị sử dụng
phương pháp VaR. variance-covariance để đánh giá VaR trong công tác quản lý rủi ro
đối với nhóm cổ phiếu ngân hàng niêm yết tại Việt Nam. Công cụ xác định VaR theo
phương pháp này được thiết lập trên Excel – đây là một chương trình mà máy tính nào cũng có và bất cứ người học kinh tế nào cũng biết sử dụng. Hơn nữa, phương pháp này cho ra kết quả tương đối chính xác, cơ chế tính tốn dễ hiểu và đang được nhiều cơng ty chứng khốn, tổ chức đầu tư áp dụng. Bên cạnh áp dụng VaR. variance-covariance,
3.3.4. Phép thử stress test
Chúng ta biết rằng, nhược điểm lớn nhất của VaR, đặc biệt là phương pháp mô phỏng lịch sử, đó là việc giả định biến động của các nhân tố rủi ro trong tương lai sẽ
giống như trong quá khứ. Tuy nhiên giả định này hoàn toàn phi thực tế, đã tồn tại
những trường hợp về việc áp dụng VaR mà thực hiện chưa trọn vẹn dẫn đến sự sụp đổ của hàng loạt tổ chức đầu tư, do họ thực hiện VaR dựa trên số liệu biến động rất êm đềm trong quá khứ. Tuy nhiên khi những điều kiện thị trường biến đổi đột ngột như
xuất hiện tin xấu về công ty niêm yết, ảnh hưởng dây chuyền từ các sự kiện kinh tế, chính trị thế giới… khiến cho giá trị VaR trở nên khơng chính xác, và số tổn thất vượt quá VaR đã khiến cho các ngân hàng này chịu những khoản thiệt hại khổng lồ… Giả sử một danh mục có VaR là 50 triệu đồng với độ tin cậy 99% trong 250 ngày giao
dịch, điều đó khơng nói lên nhiều về số lượng tổn thất lớn nhất có thể xảy ra trên thực tế. Ví dụ nếu trong 2 ngày của 250 ngày làm việc (quy ước 1% còn lại tương đương 2 ngày), tồn tại 2 khoản tổn thất là 52 triệu đồng và 600 triệu đồng, thì giá trị VaR 50
triệu đồng là chấp nhận được. Tuy nhiên, nếu chỉ cần có 1 ngày, ngân hàng đó bị thua lỗ 600 triệu đồng mặc dù giá trị VaR 50 triệu đồng vẫn chính xác, tuy nhiên tổ chức
dựa vào VaR đó sẽ phá sản, vì phần tổn thất ngồi dự kiến vượt xa rất nhiều so với giá trị VaR. Đó chính là những biến cố hiếm hoi mà các nhà đầu tư hay tổ chức tài chính thường lờ đi, coi rằng việc được đảm bảo đến 99% là đủ (Trần Mạnh Hà, n.d.).
Bên cạnh back test, phép thử stress test là một kỹ thuật nữa để hoàn thiện VaR. VaR định lượng tổn thất dưới điều kiện thị trường bình thường cịn stress test xác định các trường hợp bất thường cái mà có thể dẫn đến thua lỗ vượt quá dự tính.
Với phép thử stress test, nhà quản lý rủi ro sẽ thực hiện các phân tích tình huống - một tiến trình đánh giá danh mục dưới các kịch bản khác nhau. Đó là những kịch bản với những biến động lớn trong các biến chủ chốt mà ảnh hưởng đến giá trị tài sản của danh mục.
Một kiểu của phân tích tình huống đó là đưa ra những kịch bản về rủi ro như giá
đột ngột giảm 10%, 20%, … Một vài tổ chức đã chuẩn hóa tiến trình này như
Derivative Policy Group đã khuyến cáo các thành viên của họ xem xét các kịch bản
như sau:
+ Đường cong lãi suất di chuyển song song lên xuống 100 điểm cơ bản. + Đường cong lãi suất di chuyển không song song lên xuống 25 điểm cơ bản. + Chỉ số thị trường tăng giảm 10%.
+ Những đồng tiền chính tăng giảm 6% và các đồng tiền khác tăng giảm 20%. …
Một tiếp cận khác của phân tích tình huống là mô phỏng sự kiện đã từng xảy ra trong thực tế. Ở đây, chúng ta muốn đặt danh mục của chúng ta dưới một kịch bản
khủng hoảng trong quá khứ vì chúng ta muốn đánh giá xem cái gì sẽ xảy ra và sức chịu
đựng của chủ thể đầu tư khi mà một sự kiện khủng hoảng tương tự trong quá khứ lại
tiếp diễn.
Chúng ta cũng có thể sáng tạo ra các tình huống giả định, đó là các tình huống chưa bao giờ xảy ra hay chúng đã từng xảy ra với xác suất rất thấp. Tuy mang tính hư cấu nhưng đây là một kiểu stress test khá quan trọng khi nó giúp bổ sung thêm các
thơng tin hữu ích trong tiến trình quản lỷ rủi ro (John L.Maginn et al., 2007).