7. ủa lu ăn
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 địi 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.
Để thuận lợi cho việc đánh giá các hệ số, ta có bảng tổng hợp sau:
Bảng 3.4: Bảng tổng hợp các hệ số Skewness và Kurtosis
K
ế t lu ậ n: 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.
K
ế t lu ậ n : 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.