2010 là năm đánh dấu chặng đường 10 năm thành lập của thị trường chứng khoán Việt Nam Sau 10 năm, thị trường đã có những phát triển vượt bậc,
2.2.4 Phương pháp mô phỏng MonteCarlo
Phương pháp Monter Carlo được tìm ra bở Stanislaw vào 1946 và bao phủ bất kỳ kỹ thuật tính toán nào của thống kê mô tả sử dụng để ước lượng xấp xỉ các tính
toán định lượng. Trong phương pháp này, một quá trình ngẫu nhiên được mô phỏng lập đi lặp lại, mà ở đó mỗi mô phỏng sẽ tạo ra một kịch bản có thể cho những giá trị của danh mục tại một phạm vi nhất định. Bằng việc tạo ra một số lượng lớn các kịch bản, cuối cùng phân phối được tạo ra bởi mô phỏng sẽ hội tụ về một phân phối đích thực nào đó.
Một điểm lợi của phương pháp này đó là bất kỳ phân phối nào của các nhân tố rủi ro có thể được sử dụng, phương pháp này có thể sử dụng để mô phỏng bất kỳ những danh mục phức tạp nào và nó cho phép thực hiện những phân tích nhạy cảm, giúp chúng ta mô hình hóa các sự kiện không chắc chắn và tiến hành chúng hàng ngàn lần trên máy vi tính.
. Điểm hạn chế của nó là có những kết quả nằm ngoài, không tương ứng với phân phối và đòi hỏi sự tính toán phức tạp của máy tính.
Thuật ngữ Mô phỏng Monte Carlo xuất hiện vào những thập kỉ 1930 và 1940, khi các mô phỏng trên máy vi tính được thực hiện để ước lượng xác suất nổ thành công của bom nguyên tử. Các nhà vật lý làm việc trong lĩnh vực này lại ưa thích các trò đỏ đen, do đó họ đặt cho các mô phỏng cái tên Monte Carlo.
Ai sử dụng mô phỏng Monte Carlo?
Rất nhiều công ty sử dụng mô phỏng Monte Carlo như một công cụ quan trọng trong việc ra quyết định. Dưới đây là một số ví dụ:
General Motors, Protect and Gamble, và Eli Lilly sử dụng mô phỏng này để ước lượng dòng tiền thu về và mức độ rủi ro của sản phẩm mới. Tại GM, những thông tin này được CEO Rick Waggoner sử dụng để quyết định liệu sản phẩm có nên được đưa ra thị trường.
GM sử dụng mô phỏng cho các khâu như dự báo thu nhập ròng cho công ty, dự báo chi phí kết cấu (structural costs) và chi phí tìm nhà cung cấp mới (purchasing costs), và xác định độ nhạy (susceptibility) đối với các mức rủi ro khác nhau (chẳng hạn sự thay đổi lãi suất và biến động tỉ giá hối đoái)
Lily áp dụng mô phỏng để xác định khả năng sản xuất tối ưu cho mỗi loại thuốc.
phái sinh phức tạp và quyết định VaR cho các danh mục đầu tư.
Procter và Gamble đem mô phỏng này để mô hình hóa và phòng vệ tối ưu với rủi ro tỷ giá hối đoái.
Sears sử dụng mô phỏng nhằm tính toán số lượng mỗi dây chuyển sản phẩm được đặt hàng từ các nhà cung cấp – ví dụ, bao nhiêu đôi Docker cần đặt cho một năm.
Mô phỏng có thể được dùng để định giá kiểu “Real Options”, chẳng hạn như giá trị của phương án mở rộng, kí kết, hay trì hoãn một dự án.
Các nhà kế hoạch tài chính sử dụng mô phỏng Monte Carlo để xác định các chiến lược đầu tư tối ưu cho kế hoạch nghỉ hưu của các khách hàng.
Các bước tiến hành:
B1. mô phỏng một số lượng rất lớn n bước lặp, ví dụ n>10,000 B2. cho mỗi bước lặp i, i<n
-- Tạo một kịch bản được căn cứ trên một phân bố xác suất về những hệ số rủi ro mà ta nghĩ chúng mô tả những dữ liệu quá khứ (historical data). Ví dụ ta giả sử mỗi hệ số rủi ro được phân bố chuẩn với kỳ vọng là giá trị của hệ số rủi ro ngày hôm nay. Từ tập hợp số liệu thị trường mới nhất và từ mô hình xác suất trên ta có thể ước tính mức biến động của mỗi hệ số rủi ro và mối tương quan giữa chúng.
-- đánh giá lại danh mục đầu tư Vi ứng với kịch bản trên.
-- tính tỷ suất sinh lợi ri = Vi – Vi-1 (giá trị danh mục đầu tư ở bước i−1). -- sắp xếp các tỷ suất sinh lợi ri theo thứ tự tăng dần
-- ước lượng VaR theo độ tin cậy và tỷ lệ phần trăm (percentile) số liệu ri. Ví dụ: nếu ta mô phỏng 10000 kịch bản và nếu độ tin cậy là 95%, thì VaR là giá trị thứ 500. Nếu độ tin cậy là 99%, VaR là giá trị thứ 100.
-- tính sai số tương ứng cho mỗi VaR, nếu số lượng bước lặp n càng cao thì sai số càng nhỏ.