Bài 3/6 · Quản trị Rủi ro: VaR, CVaR, Stress Test
VaR lịch sử & mô phỏng: khi phân phối có đuôi dày
Mục tiêu bài học
- Hiểu ưu điểm của VaR lịch sử so với VaR tham số.
- Mô phỏng lợi suất từ phân phối Student-t để mô hình hoá đuôi dày.
- So sánh VaR/ES tính từ dữ liệu mô phỏng với giả định phân phối chuẩn.
Nội dung chính
Giả định phân phối chuẩn của VaR tham số thường đánh giá thấp xác suất xảy ra các biến động cực đoan — lợi suất tài sản tài chính trong thực tế có "đuôi dày" hơn phân phối chuẩn (nhiều biến động cực đoan hơn dự đoán).
VaR lịch sử (Historical Simulation)
VaR lịch sử không giả định dạng phân phối cụ thể — nó lấy trực tiếp phân vị thực nghiệm từ chuỗi lợi suất quá khứ. Ưu điểm là đơn giản, phản ánh đúng đặc điểm thực tế (kể cả đuôi dày, bất đối xứng) của dữ liệu; nhược điểm là phụ thuộc mạnh vào độ dài và giai đoạn của cửa sổ dữ liệu được chọn.
Mô phỏng Monte Carlo với phân phối đuôi dày
Khi mô hình hoá rủi ro, phân phối Student-t (với bậc tự do ν nhỏ) mô tả đuôi dày tốt hơn phân phối chuẩn — ν càng nhỏ, đuôi càng dày. Việc mô phỏng cho phép tạo ra hàng nghìn kịch bản lợi suất giả lập để ước tính VaR và ES một cách trực tiếp từ phân phối thực nghiệm của mẫu mô phỏng.
"Ghost effect" và rủi ro cửa sổ dữ liệu
Một nhược điểm đặc trưng của VaR lịch sử là "ghost effect": khi một quan sát cực đoan (ví dụ một ngày khủng hoảng) rơi ra khỏi cửa sổ dữ liệu (ví dụ sau đúng 1 năm), VaR có thể giảm đột ngột dù rủi ro thực tế của thị trường không hề thay đổi.
Thực hành Basel: Để khắc phục rủi ro dùng giai đoạn dữ liệu "quá yên ả", Basel yêu cầu ngân hàng tính thêm "Stressed VaR" — dùng cửa sổ dữ liệu lấy từ giai đoạn thị trường căng thẳng lịch sử (như 2008) thay vì chỉ dùng 1 năm gần nhất.
Công thức cốt lõi
VaR lịch sử
\[ VaR^{HS}_\alpha = -V\cdot Q_{1-\alpha}(r) \]\(Q_{1-\alpha}\): phân vị thực nghiệm của chuỗi lợi suất.
Mô phỏng Student-t chuẩn hoá
\[ r = \sigma\sqrt{\frac{\nu-2}{\nu}}\,\frac{Z}{\sqrt{\chi^2_\nu/\nu}} \]\(Z\): biến chuẩn tắc; \(\chi^2_\nu\): tổng bình phương ν biến chuẩn tắc độc lập.
Ví dụ số
Ví dụ: Mô phỏng đuôi dày (seed=42, n=500, ν=4)
Dữ kiện: V = 10 tỷ; σ = 1,5%/ngày; ν = 4 (đuôi khá dày); n = 500 kịch bản mô phỏng; mức tin cậy 99%.
- Sinh 500 kịch bản lợi suất theo phân phối t chuẩn hoá với σ = 1,5%.
- VaR lịch sử (phân vị 1%) = 4,257% giá trị danh mục.
- VaR giả định phân phối chuẩn (cùng σ mẫu 1,502%) = 3,464%.
- ES lịch sử 99% (trung bình phần đuôi vượt VaR) = 5,493%.
Kết quả: VaR lịch sử = 4,257% (0,4257 tỷ); VaR chuẩn = 3,464%; ES lịch sử = 5,493%.
Diễn giải: VaR giả định chuẩn (3,464%) thấp hơn khoảng 19% so với VaR lịch sử tính từ phân phối đuôi dày (4,257%) — minh chứng cụ thể cho việc giả định phân phối chuẩn có thể đánh giá thấp đáng kể rủi ro thực tế.
Công cụ: Mô phỏng VaR với đuôi dày
Mô phỏng lợi suất theo phân phối Student-t (seed cố định để tái lập kết quả) và so sánh VaR lịch sử với VaR giả định chuẩn.
Lưu ý thực tế & bẫy thường gặp
- Kết quả mô phỏng phụ thuộc vào seed và số kịch bản — số kịch bản càng lớn, ước lượng càng ổn định (sai số giảm theo 1/√n).
- VaR lịch sử với mẫu nhỏ (vài trăm quan sát) có sai số thống kê đáng kể ở phân vị đuôi — cần thận trọng khi mẫu dưới 500 quan sát.
- Nên định kỳ so sánh VaR mô hình với tổn thất thực tế (backtesting — bài 6) để phát hiện khi mô hình không còn phù hợp.
Kiểm tra nhanh (5 câu)
Tóm tắt
- VaR lịch sử dùng phân phối thực nghiệm, không giả định dạng phân phối cụ thể.
- Mô phỏng Student-t giúp mô hình hoá đuôi dày thực tế mà phân phối chuẩn bỏ sót.
- 'Ghost effect' và rủi ro chọn cửa sổ dữ liệu là hạn chế quan trọng của VaR lịch sử.