Latent Variable Model with R: FA, EFA, CFA; SEM

Mô hình biến tiềm ẩn với R: FA, EFA, CFA; SEM

 

  • Alex Beaujean

Factor Analysis using R [EFA+CFA]


Chapter 1: Example and computing

Chapter 2: Factor Analysis

Chapter 3: Multigroup Factor Analysis

Chapter 4: Structural Equation Models


  • Joel Cadwell [bifactor model]

Network Visualization of Key Driver Analysis

Halo Effects and Multicollinearity: Separating the General from the Specific

Structural Equation Modeling: Separating the General from the Specific (Part II)


  • lavaan Tutorial [path analysis, confirmatory factor analysis, structural equation modeling and growth curve models]

http://lavaan.ugent.be


  • psych Tutorial [factor analysis, PCA, cluster analysis and reliability analysis; Item Response Theory; front end for SEM; Graphical displays]

http://personality-project.org/r/psych/

———————&&&——————

Dự báo biến động giá chứng khoán qua mô hình Arch-Garch

Dự báo biến động giá chứng khoán qua mô hình Arch-Garch

(Tác giả: Phạm Chí Khoa – Nguồn: http://tapchitaichinh.vn)

Có nhiều phương pháp dự báo biến động giá tài sản tài chính. Trong nghiên cứu này, tác giả dự báo những biến động có điều kiện của thị trường chứng khoán Việt Nam với dữ liệu về biến động của chỉ số VN-Index từ ngày 15/06/2006 đến ngày 15/06/2016. Kết quả cho thấy, mô hình GARCH (1,1) là phù hợp để ước tính sự biến động của thị trường chứng khoán trong nước. Những biến động trong quá khứ của thị trường có thể được lặp lại trong hiện tại và nghiên cứu dự báo những biến động của thị trường góp phần cung cấp dữ liệu quan trong trọng trong việc quyết định phân bổ tài sản, quản lý rủi ro và quản lý các danh mục đầu tư cho các nhà đầu tư trên thị trường chứng khoán Việt Nam.

 

Ảnh minh họa. Nguồn: internetẢnh minh họa. Nguồn: internet

Dữ liệu và phương pháp nghiên cứu

Hiện có nhiều nghiên cứu về những biến động của thị trường chứng khoán (TTCK) thực hiện trên thế giới và ở Việt Nam. Việc nghiên cứu những biến động của TTCK Việt Nam thông qua chỉ số VN-Index đóng vai trò quan trọng đối với các nhà quản lý quỹ, các nhà đầu tư trên thị trường.

Nhìn lại TTCK Việt Nam trong 10 năm qua đã có không ít biến động lớn, trong đó đỉnh cao của thị trường đạt mốc với gần 1.200 điểm vào 12/03/2007 rồi lao dốc khi rơi xuống còn 235 điểm vào ngày 24/02/2009. Để nghiên cứu về biến động giá chứng khoán, nghiên cứu này áp dụng đồng thời dự báo rủi ro thông qua mô hình ARIMA và dự báo rủi ro thông qua GARCH.

Dữ liệu thu thập là chỉ số VN-Index theo ngày từ ngày 15/6/2006 đến ngày 15/6/2016, bao gồm 2.421 quan sát được sử dụng đo lường sự biến động của lợi nhuận hàng ngày. Theo đó, lợi suất của giá chứng khoán sẽ được xác định theo công thức sau:

VNRln = log (Pt/Pt-1)

Trong đó, Pt là giá đóng cửa của VN-Index thời điểm t được chuyển đổi theo logarit; Pt-1 là giá đóng cửa của VN-Index thời điểm t-1 được chuyển đổi theo logarit.

Một biến giả được đưa vào mô hình để chèn vào ngày thị trường bị đóng cửa (ngày 1/4/2014). Bởi các biến động của tỷ suất lợi nhuận của tài sản có mối tương quan chuỗi và để làm rõ các tương quan này, Engle (1982) đã có một cách tiếp cận mới trong nghiên cứu về dữ liệu chuỗi thời gian thông qua mô tả giá trị các biến thời gian khác nhau và được gọi là phương sai sai số có điều kiện và hiện tượng tự tương quan (Arch). Mô hình Arch mô tả phương sai có điều kiện của các biến trễ phân phối theo thời gian:

δt2=ω+α(L)ηt2

Trong đó, α (L) là một đa thức trong biến trễ. Để phương sai có điều kiện dương thì ω và α(L) phải không âm. Tuy nhiên, Fan và Yao (2001) lại cho rằng, Arch(p) chỉ thích hợp cho mô hình tài chính với độ trễ đủ lớn và điều này đảm bảo các phần mở rộng cho mô hình Arch. Trong khi đó, mô hình Garch là mô hình mở rộng của mô hình Arch được phát hiện bởi Bolleslev (1986). Mô hình Garch dựa vào các biến động nối tiếp nhau. Mô hình Garch(1,1) đơn giản nhất được mô tả như sau:

Phương trình trung bình:

rt = μ = εt

Phương trình phương sai:

σt = ω + α1εt-1+ β1σt-1

Trong đó, mô hình Garch phải thỏa mãn α1 ≥ 0 và β1 ≥ 0 để đảm bảo σ2là phương sai có điều kiện luôn dương. Hệ số α1 đo lường biến động có thể xảy ra ở thời kỳ tiếp theo. Nếu hệ số β1 cao điều đó chỉ ra rằng có sự biến động trong thời gian dài. Nếu α1 cao, nó có thể chỉ ra các biến động làm thay đổi thị trường là mạnh.

Bên cạnh đó, nếu α1 cao và β1 thấp, sự biến động là rất mạnh mẽ. Nếu tổng α1 và β1 tiến gần tới 1, một cú sốc tại thời điểm t sẽ tồn tại trong một thời gian dài ở tương lai. Nếu tổng α1 và β1 nhỏ hơn 1 nó sẽ dẫn đến sự thay đổi thường xuyên trong thời gian dài. Nếu tổng α1 và β1bằng 1, những cú sốc sẽ làm thay đổi tạm thời các giá trị trong tương lai. Mô hình Garch dựa vào sự phụ thuộc của chuỗi các biến động, đưa ra các quan sát trong tương lai dựa vào các quan sát ở qua khứ, do đó mô hình Garch dựa trên phương sai thay đổi theo thời gian.

Kết quả nghiên cứu

Nghiên cứu căn cứ vào tiêu chuẩn Schwarz (SIC) để quyết định bậc phù hợp trong mô hình Arma áp dụng cho dự báo giá trị trung bình của lợi suất VN-Index. Ender (2010) cho rằng, SIC thì tốt hơn tiêu chuẩn Akaike (AIC) trong việc lựa chọn mô hình phù hợp. Nghiên cứu dự báo sự kết hợp của bậc p,q của mô hình Arma với độ trễ tối ưu Arma (4,1) là phù hợp nhất với bộ dữ liệu của nghiên cứu này.

Ta thấy giá trị của hằng số là khác 0 và giá trị của AR và MA đều dương để đảm bảo phương sai có điều kiện là không âm. Bên cạnh đó, hệ số α1 và β1 có ý nghĩa thống kê và điều này có thể cho biết sự biến động của thời kỳ trước có thể giải thích cho những biến động ở thời kỳ này. Hệ số β1= 0.780229 là cao và điều đó chỉ ra rằng có sự biến động trong thời gian dài. Biến động của thị trường tồn tại lâu dài.

 Hệ số α1 cho thấy cường độ của biến động đối với thị trường, α1 = 0.163667 cho thấy, VN – Index khá nhạy trong phản ứng với các biến động diễn ra trên thị trường. Tổng α1 và β1 tiến gần tới 1, chứng tỏ một cú sốc tại thời điểm t sẽ tồn tại trong một thời gian dài ở tương lai và tổng α1 và β1 nhỏ hơn 1 chỉ ra rằng phương sai không điều kiện εt là cố định.

Với α1 nhỏ hơn β1 có thể đưa ra kết luận rằng biến động của thời kỳ này bị ảnh hưởng bởi biến động của thời kỳ trước hơn là bị ảnh hưởng bởi thông tin có liên quan của thời kỳ trước. Biến giả DUM không có ý nghĩa thống kê trong ước lượng này. Bài viết đã dùng các kiểm định để xem xét sự vững và không chệch của mô hình. Với kiểm định Arch-LM kiểm tra phần dư có còn biểu hiện hiệu ứng Arch. Tương tự, kiểm định Ljung-Box Q-statistic kiểm tra hiện tượng tự tương quan phần dư.

Cuối cùng, để kiểm định chuỗi dữ liệu lợi suất VN-Index theo ngày trong 10 năm có cần áp dụng thêm một mô hình phi tuyến, tác giả đã sử dụng kiểm định BDS phần dư của mô hình, kết quả được mô tả tại bảng 1. Kết quả kiểm định BDS cho thấy, bên cạnh mô hình Arma (4,1) – Garch (1,1), bộ dữ liệu còn cần một mô hình phi tuyến để dự báo nhằm nâng cao tính chính xác. Điều này có thể xảy ra và có thể đoán trước bởi biến động Vn – Index là quá lớn và do nhiều nguyên nhân, dẫn đến tính kém chính xác của bộ dữ liệu nghiên cứu.

Kết luận

Dựa trên dữ liệu thu thập là chỉ số VN-Index từ ngày 15/6/2006 đến ngày 15/6/2016, bao gồm 2421 quan sát được sử dụng đo lường sự biến động của lợi nhuận hàng ngày và sử dụng mô hình Arch-Garch để dự báo. Chuỗi lợi suất theo ngày của VN-Index tuân theo quy luật phân phối không chuẩn và lệch âm. Áp dụng mô hình ARMA(4,1)-GARCH(1,1) cho thấy lợi suất trong quá khứ có vai trò quyết định lợi suất hiện tại. Biến động của Vn-Index sẽ tồn tại lâu dài. Biến động trong quá khứ sẽ ảnh hưởng đến biến động trong hiện tại.

Dựa vào kết quả này, những nhà phân tích kỹ thuật, nhà quản lý danh mục sẽ tự tin hơn trong việc phân tích dự báo của mình thông qua các mô hình phân tích kỹ thuật chủ yếu dựa trên biến động có quy luật của giá chứng khoán. Thêm nữa, các nhà đầu tư có thể sử dụng kết quả này để áp dụng vào lý thuyết đánh giá hiệu quả của danh mục đầu tư chủ động nhằm nhấn mạnh vai trò của thời điểm thị trường.

Như vậy, nghiên cứu này giúp dự báo những biến động của TTCK, góp phần cung cấp dữ liệu quan trong trọng trong việc quyết định phân bổ tài sản, nguồn vốn đầu tư, quản lý rủi ro và quản lý các danh mục đầu tư cho các nhà đầu tư trên TTCK Việt Nam, từ đó góp phần mạng lại thành công khi đầu tư trên thị trường này.

Tài liệu tham khảo

1. Lakshmi Kalyanaraman(2014), Stock Market Voltality in Saudi Arabia: An Application of Univariate GARCH Model, Canadian Center of Science and Education;

2. Bolleslev T, Engle RF, Nelson DB. (1994), Garch Model. In the Handbook of Econometrics, Vol.4;

3. Tsay (2010), Analysis of Financial Time Series. A John Wiley & Son, Inc., Publication.

————————&&&————————

Niết bàn của các nhà kinh tế học (5): Các đường biểu diễn

Niết bàn của các nhà kinh tế học (5): Các đường biểu diễn

(Nguồn: http://www.phantichkinhte123.com/)

Đường Beveridge

Lord William Beveridge (1879-1963) được biết đến nhiều nhất vì là người đặt cơ sở (năm 1942) cho hệ thống bảo hiểm xã hội của Anh, như nó được thiết lập kể từ năm 1945, dưới sự thúc đẩy của chính phủ thuộc Đảng Lao động của Clement Attlee. Vả lại người ta gọi mô hình Beveridge (đối lập với mô hình Bismarck) mọi hệ thống bảo hiểm xã hội theo khuynh hướng phổ quát (tất cả mọi người đều được trợ cấp và kinh phí cho chế độ bảo hiểm xã hội được lấy từ tiền thuế), trong khi đó hệ thống Bismarck dựa trên việc làm và các khoản đóng góp về an sinh xã hội, mỗi thành viên trong gia đình được giới hạn trợ cấp theo chế độ người hưởng quyền.

Nhưng đường biểu diễn được đặt tên theo Nam tước không liên quan đến chế độ bảo hiểm xã hội. Nó kết nối tỷ lệ việc làm còn trống tại một thời điểm nhất định với tỷ lệ thất nghiệp. Thông thường, khi tỷ lệ thất nghiệp tăng, thì tỷ lệ việc làm còn trống giảm: người thất nghiệp phải chấp nhận những vị trí công việc này, bởi vì họ không có sự lựa chọn. Ngược lại, khi tỷ lệ thất nghiệp giảm, thì tỷ lệ việc làm còn trống tăng. Nhưng nếu tỷ lệ thất nghiệp và tỷ lệ việc làm còn trống đều tăng, thì điều đó có nghĩa là có tình trạng thất nghiệp cơ cấu: trình độ chuyên môn hoặc kinh nghiệm nghề nghiệp của người thất nghiệp và các vị trí việc làm còn trống không phù hợp, và điều này dẫn đến một sự tiến hóa của hệ thống đào tạo để tạo điều kiện cho việc chuyển đổi ngành nghề.

Đường Kuznets

Simon Kuznets (1901-1985), nhà kinh tế học người Mỹ gốc Ukraine đã được trao “Giải thưởng Nobel về kinh tế” vào năm 1971 vì những công trình thống kê của ông về sự tăng trưởng, các chu kỳ kinh tế và sự phát triển. Đường biểu diễn của ông, kết quả của nhiều quan sát về mặt thống kê liên quan đến sự bất bình đẳng. Đường biểu diễn có hình một đường cong chữ “U” ngược: đường cong này thấp khi một quốc gia ở trong hoàn cảnh nghèo, tình trạng bất bình đẳng, trong thời gian đầu, gia tăng dần dần khi đất nước phát triển, sau đó giảm xuống với quá trình hiện đại hóa của toàn xã hội. Một nhận xét mà ông giải thích như sau: giai đoạn đầu (bất bình đẳng đậm nét) phát sinh từ việc, trong một xã hội truyền thống, sự bất bình đẳng về thu nhập kích thích sự phát triển kinh tế bởi vì (vài) người rất giàu có thể tiết kiệm và tài trợ vào những khoản đầu tư cơ bản rất đắt tiền (các cơ sở hạ tầng giao thông, chẳng hạn); trong khi đó, đám đông người nghèo thì không có khả năng tiết kiệm bất cứ điều gì và vì vậy không thể tiết kiệm được, ngay cả khi số tiền được những người giàu tài trợ đã được phân phối cho họ. Nhưng đến một lúc nào đó khi mà ngay cả nguồn tài trợ của giới nhà giàu không kham nỗi do lượng vốn cần tài trợ trở nên quá lớn, và đặc biệt, quá khác biệt: việc giảm bớt sự bất bình đẳng cho phép nổi lên một tầng lớp trung lưu có khả năng tài trợ đồng thời nhiều dự án đầu tư tại địa phương (các khu dân cư, các doanh nghiệp vừa và nhỏ) và khả năng tiêu thụ trong nước cần thiết cho sự tăng trưởng kinh tế. Vì vậy, chính nhờ vào sự tiến triển của các tầng lớp trung lưu mà chúng ta có thể theo đuổi sự phát triển kinh tế. Sự bất bình đẳng, ban đầu thuận lợi cho sự phát triển, trở thành một trở ngại khi mà mức độ phát triển đạt đến một ngưỡng nhất định.

Nếu trường hợp của Trung Quốc minh họa khá đúng phân tích của Kuznets, thì phân tích này từ nay bị phủ nhận bởi những diễn biến đang diễn ra ở các nước công nghiệp hóa cũ, với một sự tăng mạnh của bất bình đẳng trong thu nhập theo hướng có lợi cho giới giàu nhất và theo hướng bất lợi cho toàn bộ các tầng lớp trung lưu, như các công trình của Thomas Piketty đã cho thấy. Liệu giới giàu, trước đây được tôn vinh như là những người cung cấp nhiên liệu cho sự tăng trưởng kinh tế, có trở thành những kẻ săn mồi không? Trong bất kỳ trường hợp nào, đó là luận thuyết của một số các nhà kinh tế học, như Joseph Stiglitz và Thomas Piketty.

Đường Laffer

Arthur Laffer (1940-) là một nhà kinh tế học đương đại người Mỹ, người nổi tiếng vì đã vẽ, hình như vậy, trên một khăn trải bàn của nhà hàng(may mắn là khăn trải bàn được làm bằng giấy!) một đường có dạng là một hình bán nguyệt đặt trên một đường nằm ngang. Đường ngang này thể hiện mức thuế đánh trên thu nhập có thể dao động từ 0 đến 100%. Tung độ của biểu đồđo lường các khoản thu thuế. Dưới một thuế suất nào đó, bất kỳ gia tăng nào của thuế suất đó đều kích thích người dân làm việc nhiều hơn để bù đắp cho khoản thu thuế, một điều có lợi kép cho thu nhập của Nhà nước: không chỉ nguồn thu thuế tăng, mà cơ sở để tính thuế cũng tăng.

Tuy nhiên, khi mà thuế suất càng tăng, thì điều này càng ít thích hợp: người dân sẽ ngày càng có ít động lực để làm việc và kiếm thêm tiền, bởi vì Nhà nước thu về một phần ngày càng tăng của số thu nhập thặng dư đó. Đến một lúc nào đó khi mà việc tăng tiền thuế vượt quá mức tối đa chấp nhận được: cơ quan thuế siết cổ con gà đẻ trứng vàng, đến mức nó đẻ ít đi. Khi vượt quá ngưỡng thu thuế tối đa chấp nhận được, thì người dân ngừng nổ lực để kiếm nhiều tiền hơn, vì biết rằng cơ quan thuế sẽ thu nhiều tiền đến mức là không còn đáng phải lao lực cho khoản thu nhập nhỏ nhoi còn lại, “Quá nhiều thuế sẽ triệt tiêu thuế.”

Rõ ràng, đường này có cơ sở: ai sẽ đồng ý tiếp tục nổ lực làm việc nếu Nhà nước thu tất cả? Vấn đề duy nhất là xác định từ mức độ nào thì sự dị ứng thuế này phát huy tác dụng: 10% hay 90%? Laffer đề xuất mức 30% và, vào đầu những năm 1980, ông đã thuyết phục được Tổng thống Hoa Kỳ lúc đó là Ronald Reagan. Đây là sự khởi đầu của kinh tế học trọng cung. Tại Pháp, Thomas Piketty đã chứng minh rằng việc nhiều chính phủ liên tiếp, từ năm 1986 đến năm 1996, chấp thuận cắt giảm các thuế suất cao đánh vào thu nhập, đã không có ảnh hưởng nào đến sự tăng trưởng kinh tế, mà chỉ tác động đến mức độ thâm hụt công không thôi. Nói tóm lại, đường Laffer là một chủ đề vẫn còn được tranh cãi: đó là một biểu trưng sát với thực tế hay là một ảo ảnh của tư tưởng tự do?

Đường Phillips

Đây có lẽ là đường nổi tiếng nhất trong phân tích kinh tếĐó là kết quả của các công trình của một nhà kinh tế học người New Zealand, Alban William Phillips (1914-1975), trên khoảng một thế kỷ các dữ liệu số về tiền lương và việc làm ở Vương quốc Anh, và đã được Franco Modigliani (xem “định lý Modigliani-Miller”) tổng kết như sau: “Tỷ suất lạm phát sẽ tăng khi tỷ suất thất nghiệp giảm, và ngược lại”. Đường Phillips đã ra đời, với tỷ suất lạm phát trên trục dọc và tỷ suất thất nghiệp trên trục ngang. Đối với Modigliani, và toàn bộ các nhà kinh tế học keynesian của sự tổng hợp, thì kết luận rất rõ: chính phủ phải phân định giữa tình trạng thất nghiệp nhiều hơn hay lạm phát nhiều hơn.

Milton Friedman phản bác cách nhìn này: Lạm phát phát sinh từ khối lượng tiền tệ được phát hành, trong khi thất nghiệp là kết quả của khoảng cách ít nhiều lớn hay nhỏ giữa một nền kinh tế như nó vận hành trong thực tế và sự cạnh tranh hoàn hảo. Tình trạng độc quyền, các nghiệp đoàn, mức lương tối thiểu, bảo hiểm thất nghiệp, các quy định do Nhà nước áp đặt (trên xe taxi, ví dụ) sản sinh ra tô, tất cả những điều này làm méo mó thị trường và tạo ra tình trạng thất nghiệp, được Friedman gọi là tình trạng thất nghiệp “tự nhiên”. Trong trường hợp tốt nhất, khi tăng lương, bạn sẽ làm hài lòng những người làm công ăn lương, những người sẽ chi tiêu nhiều hơn, và sẽ làm giảm tỷ suất thất nghiệp… trong một thời gian ngắn. Nhưng sự gia tăng cầu cũng sẽ dẫn đến việc tăng giá (khối lượng tiền tệ nhiều hơn trong lưu thông = tình trạng lạm phát nhiều hơn). Và đến một lúc nào đó giá cả sẽ bắt kịp tiền lương, khiến cho sức mua của người làm công ăn lương sẽ trở lại mức trước đây, và tỷ suất thất nghiệp cũng vậy. Đường Phillips đích thực duy nhất có hiệu lực, theo kết luận của người được “Giải thưởng Nobel” năm 1976, là một đường thẳng đứng: tỷ suất thất nghiệp độc lập với tỷ suất lạm phát.

Cuộc “chiến tranh bốn mươi năm” này giữa những nhà kinh tế học keynesian và những nhà kinh tế học trọng tiền, chưa kết thúc. Ban đầu, những nhà kinh tế học keynesian đã thua trận: vào những năm 1970, tình trạng lạm phát cao không làm cho tình trạng thất nghiệp giảm đi. Nhưng cuộc khủng hoảng năm 2008 đã đưa họ trở lại: chính việc các ngân hàng trung ương phát hành một lượng lớn tiền tệ đã ngăn cuộc Đại khủng hoảng (cuộc khủng hoảng của những năm 1930) tái diễn và đã ngăn hệ thống tài chính sụp đổ. Kết quả hòa? Trong thực tế, từ nay vấn đề không còn là lạm phát nữa mà là có thể tin vào thị trường hay là phải để Nhà nước thận trọng cảnh giác và điều tiết nền kinh tế. Phillips và đường mang tên ông ở rất xa.

Huỳnh Thiện Quốc Việt dịch

Nguồn: Les lois, les théorèmes, les courbes…, Les Dossiers d’Alternatives Economiques, Hors-série no 4, septembre 2016.

—————————-&&&————————

DataCamp Course-Quantitative Risk Management in R; Alexander J. McNeil

DataCamp Course-Quantitative Risk Management in R; Alexander J. McNeil

Quantitative Risk Management in R

Course Description

In Quantitative Risk Management (QRM), you will build models to understand the risks of financial portfolios. This is a vital task across the banking, insurance and asset management industries. The first step in the model building process is to collect data on the underlying risk factors that affect portfolio value and analyze their behavior. In this course, you will learn how to work with risk-factor return series, study the empirical properties or so-called “stylized facts” of these data – including their typical non-normality and volatility, and make estimates of value-at-risk for a portfolio.

CHAPTERS:

  1. Exploring market risk-factor data

  2. Real world returns are riskier than normal

  3. Real world returns are volatile and correlated

  4. Estimating portfolio value-at-risk (VaR):

  • Value-at-risk and expected shortfall
  • Computing VaR and ES for normal distribution
  • International equity portfolio
  • Examining risk factors for international equity portfolio
  • Historical simulation
  • Estimating VaR and ES
  • Option portfolio and Black Scholes
  • Compute Black-Scholes price of an option
  • Equity and implied volatility risk factors
  • Historical simulation for the option example
  • Historical simulation of losses for option portfolio
  • Estimating VaR and ES for option portfolio
  • Computing VaR for weekly losses
  • Wrap-up

******************

Đăng ký (free): link

———————–&&&——————–

Top ngôn ngữ lập trình 2017 [IEEE Spectrum]

Top ngôn ngữ lập trình 2017 [IEEE Spectrum]

 web —  di động —  máy tính —  nhúng

IEEE Spectrum 2017

  • 15 Matlab
  • 16 HTML
  • 19 Visual Basic
  • 23 SQL
  • 31 Julia
  • 37 SAS

—————–&&&—————–

Thời của thương mại điện tử: Ở Trung Quốc, người ta còn bán cả nợ xấu online

Thời của thương mại điện tử: Ở Trung Quốc, người ta còn bán cả nợ xấu online

(Nguồn: http://cafef.vn)

Trong số những mặt hàng thường ngày bán trên trang thương mại điện tử lớn nhất Trung Quốc Taobao, ngoài những sản phẩm như giày thể thao, tã trẻ em thì nay khách hàng còn có thể mua được cả nợ xấu.

Mới đây, trang web của tập đoàn Alibaba đã chào bán khoản nợ 4,15 triệu Nhân dân tệ(610.000 USD) của một nhà máy sản xuất theo tại tỉnh Chiết Giang. Công ty này đã thất bại trong việc thanh toán khoản vay 9,95 triệu Nhân dân tệ bao gồm lãi vay, qua đó buộc các nhà quản lý tài sản phải đem bán đấu giá trực tuyến.

Theo tính toán của Bloomberg, khoảng 1 tỷ Nhân dân tệ hàng hóa được giao dịch mỗi ngày qua trang Taobao này bao gồm mọi thứ từ quần áo cho đến các khoản nợ xấu. Khoảng 118 khoản nợ xấu từ các công ty ở tỉnh Vân Nam, một biệt thự ở Thiệu Hưng bị ngân hàng siết nợ hay một bất động sản ở Bắc Kinh là những loại tài sản không hề mới lạ đang được rao bán trên trang này.

Hiện tượng này đang làm ngạc nhiên nhiều chuyên gia Phương Tây. Hãng Banco Bilbao Vizcaya Argentaria nhận định công nghệ tài chính và thương mại điện tử của Trung Quốc đã đạt đến mức độ tinh vi khá cao. Đặc biệt, các nền tảng trực tuyến trên thị trường tín dụng đang được phát triển mạnh trước nhu cầu trong nước.

 Nợ khó đồi của ngành ngân hàng Trung Quốc đang ở mức cao nhất trong 12 năm qua (tỷ Nhân dân tệ)

Nợ khó đồi của ngành ngân hàng Trung Quốc đang ở mức cao nhất trong 12 năm qua (tỷ Nhân dân tệ)

Xu thế này cũng là dễ hiểu khi thương mại điện tử có thể giúp chính phủ giải quyết một trong những vấn đề khiến nước này đau đầu nhất là nợ xấu.

Tăng trưởng giảm tốc trong khi tình trạng vỡ nợ ngày một nhiều đã làm thị trường tín dụng Trung Quốc trở nên ngày càng phức tạp. Tổng số nợ khó đòi của các ngân hàng thương mại nước này đã tăng hơn 100% trong 2 năm qua lên 1,6 nghìn tỷ Nhân dân tệ tính đến cuối tháng 3 vừa qua.

Chính quyền Bắc Kinh đang hối thúc những chủ nợ tìm kiếm đầu ra cho các tài sản thế chấp trong khi lãi suất ngày một đi lên do rủi ro cao trên thị trường. Điều này khiến các ngân hàng và nhà quản lý tài sản phải tìm đến những kênh sáng tạo như đấu giá trực tuyến.

Số liệu của PwC cho thấy trong 6 tháng đầu năm 2016, sự dẫn đầu của Taobao đã kéo theo hơn 50 website trực tuyến quảng cáo dịch vụ đấu giá đến ngân hàng cũng như các chủ nợ khác. Trong khi đó, hơn 20 công ty tài chính đã trở thành khách hàng của Taobao trong mảng đấu giá nợ xấu này, bao gồm ngân hàng bảo hiểm Ping An Bank, ngân hàng MBC, ngân hàng CCB…

Tuy nhiên, kinh doanh nợ xấu trực tuyến không hề dễ dàng khi những khoản nợ này không dễ dàng định giá, đánh giá rủi ro như cổ phiếu hay trái phiếu.

Theo ShoreVest Capital Partners, dù kinh doanh nợ xấu trực tuyến có thể thúc đẩy thị trường tín dụng nhưng người mua vẫn phải gặp người bán và hợp đồng có thể tốn vài tháng mới hoàn thành. Thêm vào đó, liệu những nền tảng kinh doanh nợ xấu trực tuyến này có đánh giá chuẩn các khoản nợ cũng như phân tích chính xác các thông tin hay không còn là một dấu hỏi.

Trên trang Taobao, những tài sản thanh lý nợ xấu thường được quảng cáo vài tuần hay vài tháng trước ngày đấu giá. Trong trường hợp của nhà máy thép tại Chiết Giang, những nhà đầu tư có nhu cầu tìm hiểu có thể gọi cho văn phòng của công ty Cinda nhằm biết thêm thông tin chi tiết.

Một ví dụ khác là ngân hàng Industrial Bank có trụ sở tại Phúc Kiến đã ký hợp đồng bán nợ xấu với Taobao vào tháng 5 vừa qua và giải quyết được 232 triệu Nhân dân tệ nợ khó đòi chỉ trong khoảng 20/5- cuối tháng 6/2017.

Những nền tảng thương mại điện tử giúp những chủ nợ dễ dàng bán được nợ xấu hơn khi các khoản nợ này gặp khó trên thị trường truyền thống. Tuy nhiên, nhiều chuyên gia cho rằng vì có khá nhiều nhà đầu tư cá nhân không có kinh nghiệm mua nợ xấu trên Taobao nên những khoản tài sản thế chấp này mới được tiêu thụ nhanh như vậy.

Tuy nhiên, nói thế nào thì những nền tảng trực tuyến như Taobao cũng đã giúp các ngân hàng và chủ nợ giải quyết nhanh hơn nợ xấu, qua đó giúp giảm căng thẳng trong nền kinh tế Trung Quốc.

Theo cô Song Lingling thuộc hãng DCL Investments, việc xử lý nợ xấu thông qua các nền tảng trực tuyến có vẻ ít phức tạp hơn so với bán qua các nhà đấu giá, vốn thu phí hoa hồng cao với quy trình kiểm định dài dòng.

“Đấu giá nợ xấu trực tuyến đang ngày càng trở thành xu hướng mới. Ngày càng nhiều nhà đầu tư sử dụng Taobao làm nền tảng vì sự đơn giản, minh bạch cũng như tính riêng tư của các nhà đấu thầu”, cô Song nói.

Theo AB

Thời Đại

——————&&&——————-

Kho hàng của Amazon trông cực kỳ lộn xộn, nhưng thực ra đó lại là đỉnh cao của nghệ thuật lưu trữ bằng công nghệ

Kho hàng của Amazon trông cực kỳ lộn xộn, nhưng thực ra đó lại là đỉnh cao của nghệ thuật lưu trữ bằng công nghệ

(Nguồn: http://cafef.vn)

Mọi món đồ trong kho của Amazon đều được sắp xếp không theo thứ tự, búp bê đồ chơi có thể được xếp cùng ngăn với bàn chải đánh răng và tiểu thuyết, thế nhưng nó lại là sự đỉnh cao của nghệ thuật lưu trữ thời công nghệ.

Mỗi khi nhắc tới hình ảnh của những kho chứa hàng, đặc biệt là kho chứa của những công ty bán lẻ trực tuyến hàng đầu như Amazon , người ta sẽ liên tưởng ngay tới những giá, kệ ngăn nắp với nhãn ghi tên sản phẩm và được bộ trí thẳng tắp, vuông vắn như ô bàn cờ.

Mặc dù vậy, điều này không đúng sự thật với Amazon, khi mà kho hàng của họ được bố trí một cách hết sức ngẫu nhiên và lộn xộn đến khó ngờ.

Mỗi kho hàng rộng tới cả chục thậm chí là trăm nghìn m2 và rất nhiều người làm việc bên trong nó.

 Kho hàng của Amazon khi mà mọi thứ được xếp lung tung, không theo bất kì trình tự hay danh mục nào.

Kho hàng của Amazon khi mà mọi thứ được xếp lung tung, không theo bất kì trình tự hay danh mục nào.

Thế nhưng, mọi thứ đều có lý do của nó

Nhân viên làm trong kho hàng của Amazon được phép cất đồ dùng ở bất kì nơi nào họ thích, thế nhưng nó không có nghĩa là họ có thể ném bừa đồ dùng ở bất kì đâu rồi bỏ đi. Mỗi khi để một món đồ lên kệ, nó sẽ quét một mã vạch lên món đồ đó, mã vạch này sẽ được chuyển về máy chủ của Amazon từ đó tạo thành một hệ thống bản đồ cho người lấy hàng.

Điều này khiến cho những nhân viên làm việc tại Amazon hết sức nhàn hạ, họ có thể quay vài vòng gần những kệ trống và lưu trữ toàn bộ đồ trong xe đẩy của mình. Không như phương pháp lưu trữ truyền thống khi mà họ muốn cất một chiếc đĩa chẳng hạn, họ phải di chuyển tới một khu vực và rồi lại phải tiếp tục di chuyển tới khu vực khác để cất một món đồ khác.

Với những kho hàng có diện tích lớn như thế này, việc cất từng món đồ ở khu vực cố định sẽ rất tốn thời gian, công sức của nhân viên.

Bằng việc sử dụng phương pháp lưu trữ này, những khay, kệ chứa của Amazon được lấp kín rất nhanh chóng, một số nhân viên còn cố tình nhồi nhét thêm để đầy kệ, nó giúp cho các ô trống khác thừa nhiều chỗ hơn, lưu trữ được nhiều hơn và quá trình chuyển hàng vào kho diễn ra nhanh chóng.

Trong kho của Amazon, búp bê có thể được xếp cùng ngăn với tiểu thuyết, máy sấy xếp cùng khăn mặt… mọi thứ được xếp một cách ngẫu nhiên nhất có thể.

Mọi thứ còn tuyệt vời hơn mỗi khi xuất kho, lấy hàng

Việc lấy đồ trong kho mới là thứ đang đề cập, mỗi đơn hàng của khách sẽ được nạp vào thiết bị cầm tay của nhân viên kho. Hệ thống sẽ tự động xác định cho họ khoảng cách gần nhất giữa những món đồ ngẫu nhiên bên trong nhà kho này để họ hoàn thành “cua lấy đồ” của mình trong khoảng thời gian ngắn nhất.

Thời gian lấy đồ ngắn đồng nghĩa với thời gian món hàng tới tay khách ngắn hơn, khách hàng hài lòng hơn.

Mọi thứ đều được tự động hoá thế nên nhân viên chỉ cần đi theo chỉ dẫn của thiết bị cầm tay là có thể hoàn thành công việc của mình.

Sự ngẫu nhiên trong cách lưu trữ của Amazon được coi là hệ thống lưu trữ hoàn hảo nhất trên thế giới. Nó mang lại rất nhiều lợi ích cho những kho hàng có diện tích lớn.

Tiết kiệm lượng lưu trữ: Bất kì ô trống nào đều được lấp đầy, lượng lưu trữ của kho được tăng cường rất lớn. Amazon cho rằng chỉ với phương pháp sắp xếp ngẫu nhiên này, kho của họ đã chứa được nhiều gấp 2 lần so với cách thức lưu trữ truyền thống.

Sự chính xác khi lấy hàng: Mọi thứ đều được thực hiện bởi máy móc, yếu tố con người được giảm tối thiểu, nhân viên chỉ cần làm theo chỉ dẫn của hệ thống, đi theo quãng đường ngắn nhất, lấy món hàng và rồi mang đi gửi cho khách. Nó giúp giảm thiểu rủi ro như lấy sai màu quần áo, sai kích thước hay nhiều vấn đề khác.

Sự đơn giản: Nhân viên kho thường xuyên thay đổi, nếu theo quy tắc truyền thống, một nhân viên mới vào sẽ mất cả tháng trời chỉ để học thuộc các khu vực chứa hàng. Cách lưu trữ của Amazon đơn giản hơn, dễ thực hiện hơn vì luôn luôn làm theo cái máy. Nhân viên được phép lười!

Giảm thiểu gánh nặng quản lý kho: Thay vì có người nhập sổ sách, đếm số hàng còn lại, mọi thứ đều được tự động hoá bởi máy tính, chỉ với vài lần bấm chuột, nhà quản lý có thể tìm ra chính xác “chiếc áo màu đỏ size XL với cổ V” này còn số lượng bao nhiêu trong kho mà không cần vào kho kiểm tra độ chính xác.

Theo Van Vu

Trí thức trẻ

———————&&&———————