You are on page 1of 19

Lý thuyết cc trị và ứng dụng trong đo lường ri ro tài chính

Lê Đức Th

Trường Đại hc Khoa hc Tự nhiên Luận văn ThS Chuyên ngành: lý thuyết xác suất và thống kê toán học Mã số: 60 46 15 Người hướng dn: TS.Trn Trọng Nguyên Năm bảo v: 2011

Abstract: Trình bày định lý của Fisher, Tippet (1928) và Gnedeko (1943) về phân loại hàm cực trị, khái niệm vmin hp dn cực đại, hàm phân vi, biểu đồ Q-Q và P-P, ước lượng các mô hình cực tr. ng dụng lý thuyết cc trị trong đo lường rủi ro tài chính: Rủi ro tài chính, mô hình đo lường ri ro.

Content Luận văn có cấu trúc 2 chương:

Chương 1: Tp trung làm rõ các kết quchính ca lý thuyết cc tr. Các định lý, bổ đề các hệ qucho phn ng dng chương 2. Trình bày các phân phối cc tr, xp xỉ hàm phân phối vượt ngưỡng, mô hình cực trcho khi cc đại, điều kin cần và đủ để một hàm phân F nằm trong min hp dn của hàm phân phối G.

1 . Chứng minh định lý nổi tiếng Fisher and Tippet (1928), Gnedenko (1943)) phân loại hàm cực tr.

  • 2 Min hp dn ca mt phân phi G.

  • 3 Hàm phân phi vượt ngưỡng

  • 4 Phân phi Pareto tng quát

  • 5 Hàm phân v

  • 6 Biu đồ QQ-PP

8

Mt smô hình cc trmrng và mi lien hcác mô hình

Chương 2: Úng dng lý thuyết cc trtrong đo lường ri ro tài chính.

  • 1. Ri ro tài chính

  • 2. Mô hình đo lường ri ro

  • 3. Tham shoá biến li nhun và biến thua l

  • 4. Mt sphương pháp tính các độ ri ro

  • 5. Phương pháp tính giá trri ro trong đầu tư vn

  • 6. ng dng lý thuyết cc trtrong mô hình hoá đuôi chui li sut chng khoán

  • 7. Áp dng EVT để đo lường ri ro trong đầu tư cphiếu ACB.

    • I. Các kết quchính ca lun văn đạt được:

II.

2.2 Khái quát về đo lường rủi ro va ̀ độ đo rủi ro cht ch

  • 2.2.1 Khái quát về đo lường ri ro

Trong qun trrủi ro tài chính hiện đại nếu chỉ đơn thun dựa vào các chính sách

định tính thì chưa đủ, mà quan trọng hơn là phải hình thành và phát triển các phương

pháp để lượng hoá mức rủi ro và tổn thất tài chính. Rủi ro thc chất là phản ánh tính

không chắc chn ca kết quả nên người ta thường sdụng phân phối xác suất để đo

lường rủi ro. Cho đến nay đã có nhiều chỉ tiêu và phương pháp đo lường rủi ro tài chính

đang được áp dụng. Mô hình Giá trị ri ro (Value at Risk-VaR) được sdụng khá phổ

biến trong qun trri ro thtrường ca danh mc. Mặc dù vậy, VaR vẫn có những hn

chế trên cả phương diện lý thuyết ln thc tiễn. Do đó, mới đây một số tác giả đã sử dng

độ đo Tn tht kvng (Expected Shortfall-ES) trong đo lường ri ro thtrường.

  • 2.2.2 Độ đo rủi ro cht ch

2.2.2.1 Mô hình

Ta xét một nhà đầu tư (cá nhân hoặc tchc) nm gimt danh mc. Gọi t là thời

điểm hin ti, (t+1) là thời điểm cui ca kỳ đầu tư (thời điểm trong tương lai), V t , V t+1

các giá tr ị ca danh mc tại ca ́ c thời điểm t, t+1 tương ứng. Giá trị V t đã biết, V t+1 chưa

biết và là biến ngẫu nhiên do đó khi nắm gidanh mục nhà đầu tư sẽ đối mt vi ri ro:

nhà đầu tư sbthua l, tn tht nếu V t+1 < V t và mức thua l: X = V t+1 - V t cũng là biến

ngẫu nhiên. Vấn đề đặt ra là:

Có thể tìm ra một thước đo chung, khái quát (độ đo rủi ro), mt chỉ tiêu định

lượng va thhin mức độ ri ro ca danh mc (mc thua l) bt kngun gc

phát sinh (biến động ca thtrường, tỷ giá, lãi suất, vnợ…) – va thun tin cho

yêu cầu giám sát, quản tr?

Độ đo rủi ro cn phải đáp ứng những yêu cầu cơ bản nào (những tiên đề) để phù

hợp logic và thực tin?

Vào giữa những năm 90 của thế ktrước, P. Artzner, F. Delbaen, D. Heath và một số tác

giả khác (xem [10]) đã nghiên cứu vn đề trên và đề xut mt mô hình lý thuyết về độ đo

ri ro và được gọi là “Độ ri ro cht chẽ” để đo lường ri ro ca danh mc.

2.2.2.2 Lý thuyết Độ đo rủi ro cht ch

Hoạt động ca thtrường tài chính diễn ra trong môi trường bất định, môi trường

này được mô hình hóa bởi không gian xác suất

(,,P) . Gi X 0 là tập các biến ngu

nhiên hữu hn (hu như chc chắn) trong không gian trên. Cho X X 0 là một nón lồi.

Các nhà đầu tư tham gia thtrường thông qua việc nm gidanh mc. Rủi ro tài chính

ca vic nm gidanh mc biu hin bi mc thua ltim n sau kỳ đầu tư và được mô

hình hóa bởi biến ngẫu nhiên XX.

Điṇh nghi a ̃ 2.1: Ánh xạ : X gọi là Độ đo rủi ro ca danh mc. Danh mc vi

mc thua lX có mức ri ro (X). Trong qun trị, giám sát rủi ro có thể xem (X) như

khon dự phòng, khoản thế chp,

Độ đo rủi ro (X) gọi là Độ đo rủi ro cht chnếu thỏa mãn các điều kiện (tiên đề)

sau:

  • T1: Bt biến theo phép tịnh tiến:

Vi mi XX, a: (X+a) = (X) − a

  • T2: Cộng tính dưới: Vi mi X 1 , X 2 X ta có : (X 1 +X 2 ) (X 1 ) + (X 2 )

  • T3: Thun nht dương: Vi mi XX, λ > 0: X) = λ(X)

  • T4: Đơn điệu tăng: Vi X 1 , X 2 X X 1 X 2 (hu như chc chắn), ta có: (X 1 ) (X 2 )

Ta có thể gii thích tính logic của các tiên đề như sau:

T1: Vi danh mục có độ ri ro (X), khi bổ sung tài sản phi rủi ro có giá trị a thì

mức độ ri ro ca danh mc giảm còn (X) − a.

T2: Ri ro ca danh mc tng hp (ng vi X 1 + X 2 ) không lớn ln tng ri ro ca

các danh mục thành phần. Yêu cầu này phù hợp với nguyên lý Đa dạng hóa đầu

tư.

T3: Danh mục có quy mô lớn thì rủi ro cũng lớn.

T4: Danh mục có mức thua ltim ẩn cao thì rủi ro cũng cao.

Như vy tt cả các yêu cầu (các tiên đề) đối với độ đo rủi ro đều hợp lý và phù hợp vi

thc tin.

Độ đo rủi ro ca danh mục theo cách tiếp cận trên rất tổng quát. Người làm công

tác quản trrủi ro có thể căn cứ vào ngun gc ca ri ro mà xây dựng các độ đo cụ th.

Kết qusau scung cấp tiêu chuẩn để đánh giá một độ đo rủi ro cthể có phải là độ đo

ri ro cht chẽ hay không.

2.2.2.3 Định lý biểu diễn đô ̣đo rủi ro cht ch

Ký hiệu A là tập các hàm (p) xác định trên [0,1], không âm, đơn điệu giảm và:

1

0 (x)dx 1

.

Ta có thể xem (p) như mt dạng hàm mật độ xác suất.

Gi F(x) là hàm phân phối ca mc tn tht X. Ta xây dựng độ đo rủi ro như sau:

(X)

1

 

1

F ( p)( p)dp

0

(2.1)

vi (p): xác định trên [0,1], (p) ≥ 0 và

  • 1 . Có thể coi (p) là hàm tỷ trng.

0 (x)dx 1

Ta co ́ điṇ h ly ́ sau (xem [10]):

Định lí 2.1: Độ đo rủi ro (2.1) là chặt chẽ khi và chỉ khi (p)A.

Với công thức biu din (2.1) của độ đo rủi ro cht chẽ ta có thể xây dựng các độ

đo cụ thể phù hợp vi ngun gốc phát sinh rủi ro thông qua việc chọn hàm (p). Đây là

gợi ý rất quan trọng trong đo lường ri ro.

2.3 Giá trị ri ro (Value At Risk)

2.3.1 Ngun gốc ra đời và quá trình phát triển

Thut ngữ giá trị ri ro (Value at Risk – viết tắt la ̀ : VaR) đã được sdng rộng rãi

và thực strthành một kha ́ i niêṃ quan trng trong khoa hc kinh tế tsau skin th

trường chứng khoán sụp đổ năm 1987.

Người đã tiếp cận giá trị VaR đầu tiên là Harry Markowitz vào năm 1952. Trong

bài báo tài chính “Sự la chn danh mục đầu tư (Porfolio Selection)”, ông đã dựa vào ma

trn hip phương sai li suất để phát triển phương pháp tối ưu danh mục đầu tư.

Trong những năm đầu thập niên 80, Ủy ban Chứng khoán và Ngoại hối liên bang Hoa

K(SEC - Securities and Exchange Commisson) đã thông qua độ đo VaR để ràng buộc yêu

cu vvốn các công ty tài chính cho các khoản lỗ có thể phát sinh, với độ tin cy 95% trong

khong thời gian 30 ngày, và ở các mức độ khác nhau, chuỗi li suất quá khứ được sdng

để tính toán các khoản ltiềm năng. Trong khoảng thời gian này, Ngân hàng Trust đã triển

khai sdng một đô đo VaR cho một hthống phân bổ vốn đầu tư của mình (RAROC).

Trong thi gian cui thập niên 80 và đầu thập niên 90, một stchức đã thực hin

tính toán VaR để htrcho việc phân bổ vốn đầu tư và hạn chế ri ro ca thtrường.

Nhng skiện tài chính đầu những năm 1990 cho thấy rt nhiều công ty đã gặp

rc rối vì tổn thất công ty ở dưới mc dkiến hoặc không được xác định một cách rõ

ràng từ trước. Tkhi tt cả các bàn giao dịch luôn quan tâm đến việc tính giá trị tn tht,

VaR đã trở thành một điều kin tt yếu trong các báo cáo về ri ro ca hu hết các công

ty. Tại Ngân hàng JP Morgan, Giám đốc điều hành nổi tiếng - Dennis Weatherstone đã

tuyên bố “Báo cáo lúc 4:15”, với ý nghĩa phải tng kết tn tht ca tt cả các công ty

trong ngày trên một báo cáo trong vòng 15 phút khi thị trường đóng cửa giao dịch. Độ đo

tn thất VaR đã được phát triển cho mục đích này. VaR đã được ng dng rộng rãi nhất

tại Ngân hàng JP Morgan, đây cũng là nơi đã công bố rt nhiu phương pháp VaR và cho

phép truy cập miễn phí dữ liệu các tham số ước lượng cn thiết trong năm 1994. Đây là

lần đầu tiên VaR được quan tâm rộng rãi mà không chỉ gii hn trong một nhóm nhỏ các

nhà khoa học và toán học tài chính. Hai năm sau, phương pháp này đã được tách ra một

cách độc lập mà trước đây là một phn của nhóm RiskMetrics.

Năm 1997, SEC đã phán quyết rng tt cả các công ty niêm yết phải công bố

thông tin định lượng vhoạt động phái sinh của h. Những ngân hàng lớn và các đại lý

đã tuân thủ bằng cách bao gồm cả thông tin về VaR trong các ghi chú báo cáo tài chính

ca h.

Tchức Ngân hàng Quốc tế đã công bố “Hiệp định Basel II”, bắt đầu từ năm 1999

và gần như hoàn thiện cho đến ngày nay, đã thúc đẩy hơn na vic sdng VaR trong

qun trri ro. VaR đã trở nên một biện pháp hàng đầu để đo lường tn tht thtrường, và

nhng tiếp cn tương tnhư VaR cũng được sdng trong nhiều điều khoản khác của

Hiệp định.

Mô hình VaR là một trong những mô hi nh ̀ đo l ường ri ro thtrường của tài sản,

danh mc. Sdụng mô hình VaR như một cách đo lường và cảnh báo sớm nhng tn tht

vmặt giá trị ca danh mục khi giá của mỗi tài sản trong danh mc biến động giúp nhà

đầu tư ước lượng mức độ tn thất và thực hiện phòng hộ ri ro.

2.3.2 Khái niệm VaR

VaR ca danh mục tài sản thhin mức độ tn thất có thể xảy ra đối vi danh

mục, tài sản trong mt chu kk (đơn vthi gian) vi mức độ tin cy nhất định.

Ví dụ 2.1: Một nhà đầu tư quyết định đầu tư mt khon tin lớn vào một danh mc c

phiếu châu Âu và tháng vừa rồi giá trị danh mục đầu tư này đã giảm xung 50000USD.

Sau khi khảo sát đến những nguyên nhân dẫn đến st gim li nhun, anh ta mun biết

mức độ tn tht tối đa vào cuối tháng này. Câu trả li ngay lp tức là anh ta có thể mt

hết khon tiền đầu tư, nhưng câu trả lời này không phù hợp vi thc tế vì ai cũng biết

trường hp thit hi lớn này hiếm khi xảy ra. Câu trả lời thích hợp là: “Nếu không tồn ti

skiện đặc biệt, thì tổn tht tối đa trong 95% các trường hp sẽ không vượt quá

4000USD vào cuối tháng này”. Đó là khái niệm ca VaR.

Trong qun trrủi ro tài chính, VaR là một giá trị sdng rộng rãi đo độ ri ro

mức độ tn thất trên một danh mục tài sản tài chính nhất định. Cho mt danh mục, xác

suất và khoảng thời gian không đổi, VaR được định nghĩa như một giá trị ngưỡng sao cho

xác suất để tn tht danh mc trong khong thi gian nhất định không vượt quá giá trị

này là một số cho trước.

2.3.3 Mô hình VaR

2.3.3.1 Tiếp cận mô hình

Gisrng một nhà đầu tư quyết định đầu tư mt danh mục tài sản P. Ti thi

điểm t, giá trị ca danh mục đầu tư là

V t
V
t

. Sau mt khong thi gian

t , tức là tại thi

điểm k t  t thì giá trị ca danh mục đầu tư là

V k
V
k

. Khi đó, giá trị

V(k) V V

k

t

cho

biết sự thay đổi giá trị ca danh mc P trong khong thi gian t . V(k) gọi là hàm lỗ -

lãi (Profit&Loss – P&L(k)) k chu kca danh mc. Ta nhâṇ thấy:

  • - Nhà đầu tư ở vthế “trường” đối vi P sau chu kk nếu ∆V(k) < 0 (tức la ̀ P&L(k) < 0) sbtn tht.

  • - Nhà đầu tư ở vthế “đoản” đối vi P sau chu kk nếu ∆V(k) > 0 (tức la ̀ P&L(k) > 0) sbtn tht.

V t V k t t  t t
V t
V k
t
t  t
t

Hình 2.1: Biu diễn thay đổi giá trị tài sản sau khong thi gian t

Ta thấy V k là biến ngẫu nhiên nên P&L(k) cũng là biến ngẫu nhiên. Gọi F k (x) là

hàm phân bố xác suất của P&L(k) và cho

0 < α < 1. Khi đó ta có

P(P&L(k) ≤ x α ) = α

giá trị x α gọi là “Phân vị mức α” của hàm phân bố F k . Với α khá nhỏ thì x α < 0 do đó

P&L(k) <

0

tức

nhà

đầu tư

trường

v

s

b

tn thất. Xét

Pr(P&L(k) x α ), ta

Pr(P&L(k) x α ) = 1 - Pr(P&L(k) ≤ x α ) = 1 -

α do đó với α khá nhỏ thì P&L(k) > 0 tức là

nhà đầu tư đoản vsbtn tht.

Hình 2.2 : Bi ể u di ễ n m ức phân vị  Xem xét

Hình 2.2: Biu din mức phân vị

Xem xét nhà đầu tư ở vthế trường v, khi

V(k) 0 tức là nhà đầu tư schu tn

tht. P( V(k) ≤ x α ) = α ta nói rằng xác suất để nhà đầu tư chu tn tht dưới mc x α (x α

<0) là α.

Ngược lại, nhà đầu tư ở vthế đoản v,

V(k) 0

tức là nhà đầu tư schu tn

tht. P( V(k)

x α ) = 1 - P(V(k)

≤ x α ) = 1 - α ta nói rằng xác suất để nhà đầu tư chu

mc tn thất trên mức x α (x α >0) là 1- α.

Đứng trên cả hai vthế cho nhà đầu tư, khi nhà đầu tư chu tn tht tức là giá trị

danh mc st giảm (giá trị âm). Trong cả hai trường hợp trên, α được cho như xác suất để

mc tn thất không vượt quá giá trị âm này. Ngưỡng giá trị âm này chính là VaR. Như

vy VaR ca mt danh mc vi chu kỳ k và độ tin cy (1-α) là mức phân vị α của hàm

phân bố F k (x). Đại lượng này được ký hiệu là VaR(k, α) và mang giá trị âm.

Như vậy ta có P( V(k) ≤ VaR(k, α)) = α. Điều na ̀ y cho thấy rằng , ṭ nhà đầu tư

nm gidanh mc P thì sau mt chu kk, với độ tin cy (1- α)100%, nhà đầu tư có khả

năng tn tht mt khon sbng

VaR(k, α)

trong điều kin hoạt động bình thường.

Ví dụ 2.2: Ngân hàng JP Morgan trong báo cáo tài chính năm 1994 có công bố: VaR(1

ngày, 5%) là 15 triệu USD. Như vy với xác suất 5%, trong một ngày toàn hệ thng ca

JP Morgan có khả năng thua lỗ là 15 triệu USD.

Chú ý 2.1: Trong thc tế, theo tiêu chuẩn quc tế:

  • Nếu chu kỳ tính k = 1 ngày thì α = 1% hoặc 5%.

  • Nếu chu kỳ tính k = 10 ngày thì α = 1%

2.3.3.2 Các giả thiết của mô hình

Thông thường giá trị ri ro (VaR) phthuộc vào các giả định sau đây (trừ mt s

phương pháp tiếp cn VaR phi tham số có những điểm khác):

  • Tính dừng: Trong mô hình hồi quy cổ điển chúng ta đã giả thiết rằng các yếu tngẫu nhiên có kỳ vng bằng không, phương sai không đổi và chúng không có tương quan vi nhau. Nếu chúng ta tiến hành ước lượng một mô hình với chui thời gian, khi đó giả thiết ca OLS bvi phm. Mt chuỗi được gọi là dừng nếu kvng, phương sai và hip phương sai không thay đổi theo thời gian. Điều này cũng có nghĩa là phân bố xác suất ca chuỗi là không thay đổi theo thi gian.

  • Bước ngẫu nhiên: Mt biến

Y t
Y
t

được định nghĩa là một bước ngẫu nhiên nếu

Y Y u

t

t 1

t

mà trong đó

u

t

là nhiễu trắng (có trung bình bằng không, phương sai

không đổi và hiệp phương sai bằng không). Khi đó:

E Y E Y ( )  ( t t Y t
E Y E Y
(
)
(
t
t
Y
t

1

Điều này có nghĩa là kỳ vng ca

)

(

E u

t

)

(

E Y

t

1

)

.

không đổi. Vi githiết này, người ta tin

rằng giá trị tương lai không phụ thuộc vào giá trị trong quá khứ.

  • Giá trị không âm: Các tài sản nht thiết phải là các giá trị không âm.

  • Thi gian cố định: Githiết này cho rằng, điều gì đúng cho một khong thi gian thì cũng đúng cho nhiều khong thi gian. Chng hn, nếu cho khong thi gian

mt tuần thì cũng có thể mrng cho một năm.

  • Phân phối chun: Trong mt sphương pháp tính VaR, thì giả thiết li suất tài sản tuân theo quy luật phân phối chun, chtrmt sphương pháp tiếp cn VaR phi tham snhư Monte Carlo.

2.3.4 Các mô hình VaR trong thực hành

Ta đa ̃ biết lợi suất cu ̉ a môṭ ta ̀ i sa ̉ n, môṭ danh muc̣ trong chu ky ̀ k la ̀ :

r

t

P L k

&

(

)

V t
V
t

P L k

&

(

)

rV

t

t

.

Do

  • V t

đa ̃ biết nên để tính VaR của môṭ ta ̀ i sa ̉ n, môṭ danh muc̣ ta chi ̉ cần ti ́ nh VaR cu ̉ a li

suất

r

t

.

2.3.4.1 Mô hình VaR cho lợi suất và tài sản

Githiết chui li sut của tài sản

r t
r
t

là chuỗi dừng và có phân bố chun. Vi githiết

này, chúng ta chỉ cn sdng hai tham skvng ( ) và độ lch chun () (hoc s

dụng các ước lượng của chúng) có thể tính được giá trị VaR.

Tgithiết

(

r N  

t

~

,

2

)

suy ra

r t

~ N(0,1)

. Công thức tính VaR được xác

định như sau:

VaR ngày

(1

,(1

)100%)

  N

1

()

(2.2)

Hình 2.3: Ngưỡng VaR xác định trên hàm mật độ phân phố i chu ẩ n.

Hình 2.3: Ngưỡng VaR xác định trên hàm mật độ phân phối chun.

Ví dụ 2.3: Nhà đầu tư nm gimt khi lượng cphiếu A có giá trị tại thời điểm hin ti

V t = 100 triệu đồng, li suất (1 ngày) có phân bố chun r t

N(,

2

) vi σ = 3%.

Thông thường, li suất trong 1 ngày thường khá nhỏ nên ta sẽ giả định 0 . Vi mức ý

nghĩa α = 5% VaR ca li sut :

VaR(1 ngày, 5%) = -1,64 0,03 = -0,0492.

Suy ra VaR ca danh mc:

VaR(1 ngày,V t , 5%) = VaR Li sut (1 ngày, 5%)*V t = (- 0,0492)*100 = - 4,92.

Vy sau một ngày với xác suất 5%, khả năng nhà đầu tư có thể lỗ là 4,9 triệu.

2.3.4.2 Mô hình VaR cho danh mục

Cho danh mc P: (w 1 , w 2 , ...

,

w N ) vi li suất các tài sản trong danh mc phân

phối chuẩn: r i

N  

,

i

(

2

)

với i = 1÷N. Ta đã biết :

r

P

N

i

1

w .

i

r i
r
i

;

r

P

N

i

1

w .

i

r i
r
i

;

2

P

W'.V.W

vì vậy li sut ca danh mc r P

N r

P

,

P

(

2

)

. Từ đây tương tnhư cách tính đối với tài sản

ta tính được VaR ca danh mc:

p (1

VaR ngày

r

,(1

)100%)

p

N

1

()

p

.

(2.3)

Chú ý 2.2: Nếu xét danh mục P dưới dạng giá trị: P: x = (x 1 , x 2 ,….,x N ) vi x i khon

tiền đầu tư vào tài sản i khi đó P&L(k) sẽ là:

P L k

&

(

)

N

i

1

r x

i

i

.

Vi githiết li suất các tài sản trong danh mc r i

N  

,

i

(

2

)

; i = 1÷N suy ra:

2

P L k N  

&

(

)

(

&

P L

,

&

P L

)

trong đó

&

P L

N

x r

i

i

&

P L

;

2

  • i 1

'

x Vx

. Ta có công thức tính VaR:

VaR(1 ngày, (1- α)100% ) = μ P&L + N -1 (α)σ P&L = μ P&L + N -1 (α)* (x’Vx) 1/2 (2.4)

Vi chu kỳ 1 ngày, đại lượng μ P&L khá nhỏ nên trong thực tế có thể bỏ qua. Khi này công

thức tính VaR sẽ là:

VaR(1 ngày, (1- α)100% ) = N -1 (α)* (x’Vx) 1/2

(2.5)

Chú ý 2.3:

Trong ca ́ c công th ức trên, ta luôn giả định li sut của danh mc (hoặc tài

sản) có phân phối chuẩn do đó chỉ cn ước lượng hai tham s: kvng () và độ lch

chun () (ma trn hip phương sai V với danh mu ̣c) là đã có thể tính được VaR, do

vâỵ ca ́ ch ti nh ́

na ̀ y co ̀ n được goị la ̀ phương pha ́ p tham số. Trong thc tế các giả thiết ở trên

để tính VaR thường xuyên bị vi phm nên ca ́ c ước lượng VaR không chi ́ nh xa ́ c . Do đo ́

chúng ta cần ti ̀ m nh ững phương pha ́ p m ới cho ước lượng VaR gn vi giá trị tn tht

trong thc tế nht.

  • 2.3.3.5 Ưu điểm và hạn chế của độ đo rủi ro VaR

VaR ca danh mục tài sản thhin mức độ tn thất có thể xảy ra đối vi danh

mục, tài sản trong mt khong thi gian nhất định vi mức độ tin cy nhất định. Tuy

nhiên, có thể chỉ ra rằng độ đo VaR không pha ̉ i là một đô ̣đo ru ̉ i ro chtj che ̃ , VaR mi ch

cho chúng ta biết: “Ta có thể mt tối đa bao nhiêu trong phần lớn các tình huống”. Độ đo

VaR không trả lời được câu hỏi: “Trong một phn nhỏ các tình huống còn lại (1% hay

5% tình huống xu-ng vi nhng din biến bt thường ca thtrường), khi xy ra tn

tht, mc tn thất có thể dự tính được là bao nhiêu? Độ đo rủi ro ES dưới đây sẽ cho

chúng ta câu trả li.

  • 2.4 Mô hình tổn tht kvng ES (Expected Shortfall)

Như ta đa ̃ biết, mô hình VaR được sdng khá phổ biến trong qun trri ro th

trường, rủi ro tín dụng ca danh mục. Tuy nhiên VaR có những hn chế nhất định cả trên

phương diện lý thuyết ln thc tin. Một cách tiếp cn mới trong đo lường ri ro th

trường ca danh mục thông qua việc sdng thước đo Tn tht kvng (Expected

Shortfall ES). Trong muc̣ na ̀ y chu ́ ng ta

phương pháp ước lượng .

sẽ tìm hiể u vthước đo rủi ro này và các

2.4.1 Khái niệm

Sau khi đã tính VaR của danh mục chúng ta quan tâm tới nhng trường hp tn

tht thc tế ca danh mc vượt ngưỡng VaR và tính trung bình (kỳ vng) của các mức

tn thất này. Ta có điṇ h nghi a ̃ sau:

Tn tht kvng ca danh mc với độ tin cy (1- α)100%, ký hiệu là ES(α), là đại

lượng kvọng có điều kin:

ES( ) ES E(X / X VaR( ))

.

(2.6)

Nhmt số tính chất ưu vit hơn VaR, vic sdụng độ đo rủi ro ES thhin việc đo

lường rủi ro đầy đủ hơn khi dùng VaR.

2.4.2

Mt số tính chất ca ES

Ta co ́ thể chứng minh được ES co ́ môṭ số ti nh ́

chất sau (xem [10]):

ES là độ đo rủi ro cht chca danh mc.

Mọi độ đo rủi ro cht ch(X) khác của danh mục có thể biu din như mt t

hp li ca ES với các tham số phù hợp và ES  (X).

Như vy việc xác định, tính toán ES của danh mc va thay thế VaR trong vai trò

đo lường rủi ro đầy đủ hơn va chỉ ra đây là thước đo rủi ro ưu vit.

  • 2.4.3 Phương pháp thực nghim ước lượng ES

Để thuận tiên trong phân tích thống kê và tính toán ước lượng, thay vì xét mức

lỗ/lãi

X

ca danh

mục

ta

xét

lợi

sut (loga

li sut)

ca danh

mc

xác đị nh bi:

r ln    V

t

V

(

t

1)

. Cũng tương tnhư khi ước lượng VaR tsliệu quá khứ, có hai phương

pháp chính ước lượng ES: phương pháp tham số và phi tham số.

  • Phương pháp tham số dựa trên giả định về phân phối ca li sut r: chng hn phân phối chun, T- Student, Pareto tổng quát,…Sau đó từ sliệu quá khứ ca r, sdụng các phương pháp ước lượng trong thống kê, kinh tế lượng (hợp lý tối đa, moment tổng quát, ARCH, GARCH…) để ước lượng các tham số đặc trưng ca phân phối và suy ra các ước lượng ca VaR (xem [9]) và ES tương ng (xem [10]).

  • Phương pháp phi tham số không đưa ra giả định về phân phối ca li sut r mà chỉ dùng các phương pháp ước lượng thc nghiệm, mô phỏng và bootstraps cùng các kthuật tính toán xấp x(phương pháp ngoại suy, mng nơron…) để ước lượng (xem [11], [18], [21], [22]).

Công thức ước lượng

ES như

sau:

Cho mức ý nghĩa

(0,1), theo thông lệ

thường chn = 1% hoc 5%. Lp mẫu kích thước n: (X 1 , X 2 , …., X n ). Ký hiệu X i:n

thống kê thứ t

thi ca mu, tức là: X 1:n X 2:n … X i:n … .X n:n . Gi k là phần

nguyên của n, đặt p = n- k. Nếu nlà số nguyên thì p = 0. Ta tính thống kê trung bình

mu của các thống kê thứ ttừ 1 đến k:

X

k n

:

X

1:

n

X

2:

n

....

X

k n

:

k

(2.7)

Ta có các công thức ước lượng thc nghiệm cho VaR và ES (chi tiết tham kho trong

[10]):

VaR  X

(

)

k n

:

ES ( )

 X      (1
 X
 
  (1

k n

:

)

p X pX

k n

:

k n

1:

 

(2.8)

 

(

n nguyên

:

)

(

n không nguyên

:

)

(2.9)

Ví dụ 2.4: Trong ví dụ này, ta ước lượng thc nghim ES cho thtrường chứng khoán

Việt nam thông qua chuỗi VnIndex trên sàn HOSE. Xét chuỗi VnIndex (giá trị đóng cửa

theo ngày) được thu thp trong khong thi gian từ tháng 1/2006 đến 6/2010 tngun

VnDirect. Bằng thực nghiêm, ̣ người ta thấy trong giai đoa ̣

n na y chuỗi l ợi suất co phân

̀

́

phối chuẩn va ti nh

̀

́

được (xem [10]): n =1116, = 1% và 5% ta có n= 11,6 và 55,8 suy

ra k 1 =11, k 2 =55 và p 1 =0,6; p 2 =0,8. Sdụng công thức ước lượng (2.8), (2.9) ta được các

ước lượng thc nghim của VaR và ES cho lợi sut thtrường sàn HOSE:

VaR VnIndex (1%) = 4,604 (%); VaR VnIndex (5%) = 3,686 (%)

ES VnIndex (1%) = 4,731 (%); ES VnIndex (5%) = 4,249 (%)

Từ đo ́ , ta có thể rút ra một snhận xét sau mỗi phiên giao dịch tại sàn HOSE:

Nếu li sut thtrường giảm thì với khả năng 95% mức giảm này không

quá

Trong tình huống xu, nếu li sut thtrường giảm sâu vượt các ngưỡng

trên

thì 95% khả năng mức gim dự tính sẽ là 4,249 % và 99% khả năng mc gim d

tính sẽ là 4,731 %.

Do trong giai đoạn trên lợi sut thtrường có phân phối chuẩn vì vậy sau khi ước

lượng VaR, ES cho ngày, ta có thể sdụng “Quy tắc căn bậc 2 theo thời gian” để tính

VaR, ES cho các chu kỳ dài hơn. Nếu chu kỳ tính là: tuần (5 ngày giao dịch) hoc 10

ngày, ta có:

VaR VnIndex_tun (1%) = 10,294 (%); VaR VnIndex_tun (5%) = 8,242 (%)

ES VnIndex_10ngày (1%) = 14,96 (%); ES VnIndex_10ngày (5%) = 13,43 (%)

  • 2.4.4 Ý nghĩa Tn tht kvng ca danh mc với độ tin cy (1- α).100%, là tổn thất trung bi nh

̀

vượt ngưỡng VaR :

ES E(X / X VaR )

.

Mc tn tht kvng (ES) ca danh mc gần đây mới được đề xuất là độ đo rủi ro b

sung cho VaR nhưng ý nghĩa và tầm quan trng của nó trong quản trri ro tài chính là

rất rõ. Do cấu trúc phức tp hơn VaR nên để tính toán, ước lượng ES cần phát triển các

phương pháp phù hợp, đặc biệt khi ta đề cp ti danh mục có cấu trúc phức tp như các

danh mc ca tchức tài chính, tín dụng.

References

Tài liệu tham khảo

  • 1. Acerbi, C., Nordio, C., Sirtori, C.(2001), Expected Shortfall as a Tool for Financial Risk Management, AbaxBank – Working Paper.

  • 2. Danielsson, J.&de Vries, C. (1997), Tail index and quantile estimation with wery high frequency data, Journal of Empirical Finance 4, 241-257.

  • 3. Danniel De Waal (2004), Statistics of Extremes- Theory and Applications, John Wiley& Sons, Ltd.

  • 4. Feter F. Christoffersen (2003), Elements of Financial.Risk.Management.

  • 5. Fotios C. Harmantzis, Linyan Miao, Yifan Chien, Empirical Study of Value- at-Risk and Expected Shortfall Models with Heavy Tails, Working Paper - Financial Analytics Group, Stevens Institute of Technology, August 2005.

  • 6. Hull, J. and A. White, Value at Risk When Daily Changes in Market Vari- ables Are Not Normally Distributed, Journal of Derivatives, (1998) 5.

  • 7. Koji Inui, Masaaki Kijima, On the significance of expected shortfall as a coherent risk measure, Journal of Banking & Finance 29 (2005) 853–864p

  • 8. Longgin. M (2000), From value at risk to stress testing: The extreme value approach, Journal of Banking and Finance 24, pp.1097-1130.

64

9. Manfred Gilli, Evis Kellezi (2003), An Application of Extremme Value The- ory for Measuring Risk.

  • 10. McNeil. A. (1998), Calculating Quantile Risk Measures for Financial Re- turn Series using Extreme Value Theory

  • 11. McNeil. A. (1999), Extreme Value Theory for Risk Managers

  • 12. Neftci, S., Value at Risk Calculations, Extreme Events, and Tail Estimation, The Journal of Derivatives, (2000)

  • 13. Rudiger ¨ Frey, Alexander J. McNeil, VaR and expected shortfall in portfo- lios of dependent credit risks: Conceptual and practical insights, Journal of Banking & Finance 26 (2002) 1317–1334p.

  • 14. R.-D. Reiss & M. Thomas, Statistics Analysis of Extreme Values, with Ap- plications to Insurance, Finance, Hydrology and Other Fields

  • 15. Yasuhiro Yamai, Toshinao Yoshiba, Value-at-risk versus expected shortfall:

A practical perspective, Journal of Banking & Finance 29 (2005) 997 –

1015p.

65