5. KẾT LUẬN
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 mơ 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 mơ 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 phịng 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, cơng 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
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”, cịn khi thị trường có những biến động đột ngột thì VAR sẽ trở nên kém chính xác vì giá trị VAR gặp rủi ro đi (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 phịng 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 thơng 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 mơ 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 cịn có những yếu tố ngoại sinh mà khơng được kể đến trong mơ hình: như
48
lựa chọn mơ 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 mơ hình khơng phù hợp trong việc dự báo phương sai có điều kiện của chuỗi TSSL VN-Index.
Ngồi ra, tính chính xác của các dự báo cịn tùy thuộc rất lớn vào các giả định phân phối của sai số mơ hình và các tiêu chuẩn kiểm định, do đó việc lựa chọn mơ hình nào cịn 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 cơng cụ phái sinh. Nghiên cứu và ứng dụng lớp mơ 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 mơ hình dự báo VAR nhằm
lựa chọn được mơ hình cung cấp các ước lượng chính xác, khơng 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 Hồi, 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 mơ hình quản
trị rủi ro thị trường vốn – Trường hợp của Value-At-Risk Models”, Tạp chí khoa
học và cơng 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), “Mơ 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
Index Futures: Fat Tails and Conditional Asymmetries in Return Innovations”,
Review of Quantitative Finance and Accounting, Vol.22, Issue 2 pp 79-95. 24. Zvi Wiener (1997), “Introduction to VaR (Value-at-Risk)”, Risk Management
52
53
PHỤ LỤC 2: Lược đồ hàm tự tương quan (ACF) và tự tương quan riêng phần (PACF) tương ứng 36 độ trễ đối với chuỗi TSSL VN-Index.
54
55
56
PHỤ LỤC 5: Kiểm định tính dừng của chuỗi phần dư mơ hình AR(1,5) MA(1,4,5,6)
57
PHỤ LỤC 6: Lược đồ hàm tự tương quan tương ứng 36 độ trễ đối với phần dư chuẩn hóa của mơ hình AR(1,5) MA(1,4,5,6).
58
PHỤ LỤC 7: Lược đồ hàm tự tương quan tương ứng 36 độ trễ đối với bình phương sai số mơ hình AR(1,5) MA(1,4,5,6).
59
60
PHỤ LỤC 9: Kết quả ước lượng mơ hình GARCH(p,q)
61
62
63
64
65
PHỤ LỤC 10: Kết quả ước lượng mơ hình ARMA-GARCH theo giả định phân phối chuẩn
66
67
68
69
PHỤ LỤC 11: Kết quả ước lượng mơ hình ARMA-GARCH theo giả định phân phối Student’s-t
70
71
72
73
PHỤ LỤC 12: Kết quả ước lượng mơ hình ARMA-GARCH theo giả định phân phối GED
74
75
76
77
PHỤ LỤC 13: Đồ thị giá trị dự báo VAR 99% của lớp mơ hình GARCH
ARMA-GARCH(2,1):
Ghi chú: n: normal distribution
t: t-distribution g: GED ARMA-EGARCH(2,1): -0.15 -0.1 -0.05 0 0.05 0.1 0.15 1 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 giá trị thực (E + z*std)n (E - z*std)n (E + Z*std)t (E - Z*std)t (E + Z*std)g (E - Z*std)g -0.2 -0.15 -0.1 -0.05 0 0.05 0.1 0.15 0.2 0.25 1 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 giá trị thực (E + z*std)n (E - z*std)n (E + Z*std)t (E - Z*std)t (E + Z*std)g (E - Z*std)g
78 ARMA-TGARCH(2,1): ARMA-IGARCH(2,1): -0.15 -0.1 -0.05 0 0.05 0.1 0.15 0.2 1 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 giá trị thực (E + z*std)n (E - z*std)n (E + Z*std)t (E - Z*std)t (E + Z*std)g (E - Z*std)g -0.15 -0.1 -0.05 0 0.05 0.1 0.15 1 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 giá trị thực (E + z*std)n (E - z*std)n (E + Z*std)t (E - Z*std)t (E + Z*std)g (E - Z*std)g
79
PHỤ LỤC 14: Đồ thị giá trị dự báo VAR 95% của lớp mơ hình GARCH
ARMA-GARCH(2,1): ARMA-EGARCH(2,1): -0.15 -0.1 -0.05 0 0.05 0.1 0.15 1 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 giá trị thực (E + z*std)n (E - z*std)n (E + Z*std)t (E - Z*std)t (E + Z*std)g (E - Z*std)g -0.2 -0.15 -0.1 -0.05 0 0.05 0.1 0.15 0.2 0.25 1 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 giá trị thực (E + z*std)n (E - z*std)n (E + Z*std)t (E - Z*std)t (E + Z*std)g (E - Z*std)g
80 ARMA-TGARCH(2,1): ARMA-IGARCH(2,1): -0.15 -0.1 -0.05 0 0.05 0.1 0.15 0.2 1 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 giá trị thực (E + z*std)n (E - z*std)n (E + Z*std)t (E - Z*std)t (E + Z*std)g (E - Z*std)g -0.15 -0.1 -0.05 0 0.05 0.1 0.15 1 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 giá trị thực (E + z*std)n (E - z*std)n (E + Z*std)t (E - Z*std)t (E + Z*std)g (E - Z*std)g