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.

————————&&&————————

Xây dựng đường cong lãi suất chuẩn của Việt Nam

Xây dựng đường cong lãi suất chuẩn của Việt Nam

(Nguồn: http://duyviet90.blogspot.com)

I – Các mô hình xây dựng đường cong lãi suất chuẩn

1.1. Các đường cong lãi suất hoàn vốn

Đường cong lãi suất hoàn vốn (yield curve): được hình thành bằng cách minh họa các mức lãi suất hoàn vốn của các trái phiếu chỉ khác nhau về kỳ hạn đáo hạn trên cùng một đồ thị.

Đường cong lãi suất hoàn vốn đến kỳ đáo hạn (yield-to-maturity yield curve):được hình thành bằng cách minh họa các mức lãi suất hoàn vốn đến kỳ đáo hạn của các trái phiếu chỉ khác nhau về kỳ hạn đáo hạn trên cùng một đồ thị.

 

Đường cong lãi suất hoàn vốn đến kỳ đáo hạn của các trái phiếu có cùng mức coupon (coupon yield curve): minh họa lãi suất hoàn vốn đến kỳ đáo hạn của các trái phiếu có cùng mức coupon và chỉ khác nhau về kỳ hạn đáo hạn lên cùng một đồ thị.

Đường cong lãi suất hoàn vốn của trái phiếu được giao dịch với giá bằng mệnh giá (par yield curve): minh họa các mức lãi suất hoàn vốn đến kỳ đáo hạn của các trái phiếu hiện hành chỉ khác nhau về kỳ hạn và đều được giao dịch ở mức gần bằng mệnh giá.

Cấu trúc kỳ hạn của lãi suất (the term structure of interest rates): chính là đường cong lãi suất hoàn vốn của trái phiếu chiết khấu (zero-coupon yield curve) hay đường cong lãi suất hoàn vốn giao ngay (spot yield curve).

1.2. Các mô hình xây dựng đường cong lãi suất chuẩn

1.2.1. Mô hình một nhân tố

Mô hình một nhân tố là loại mô hình cho phép xây dựng được một cấu trúc kỳ hạn hoàn chỉnh từ một loại lãi suất ngắn hạn. Gồm có: (1) Mô hình Vasicek; (2) Mô hình Merton; (3) Mô hình Cox-Ingersoll-Ross (CIR).

1.2.2. Các mô hình tự do chênh lệch giá

Mô hình tự do chênh lệch giá có mục đích là xây dựng nên một cấu trúc kỳ hạn lý thuyết tương thích với cấu trúc thực tế quan sát được để khiến cho lãi suất hoàn vốn quan sát trên thị trường thì có giá trị bằng với lãi suất hoàn vốn được tính toán trên cơ sở mô hình. Bao gồm các mô hình: (1) Mô hình Ho-Lee; (2) Mô hình Hull-White; (3) Mô hình Black-Derman-Toy (BDT).

1.2.3. Mô hình đa nhân tố

Mô hình đa nhân tố cho phép giải thích được dạng thức thay đổi phi song song hoặc những thay đổi về độ dốc của đường cong. Trong nhóm này có: (1) Mô hình hai nhân tố; (2)Mô hình đa nhân tố Heath-Jarrow-Morton (HJM).

1.2.4. Các kỹ thuật sử dụng phương pháp tham số

– Mô hình Nelson-Siegel: Bản chất của kỹ thuật này là mô hình hóa lãi suất kỳ hạn bằng cách sử dụng hàm số hóa.

– Mô hình hàm nối trục bậc ba (cubic spline model): Mô hình hàm nối trục ra đời với mục đích là để phát huy ưu điểm của mô hình tham số trong việc mô phỏng tốt các mức lãi suất hoàn vốn của các kỳ hạn đáo hạn dài đồng thời khắc phục nhược điểm của mô hình tham số ở các kỳ hạn đáo hạn ngắn.

– Mô hình hàm nối trục cơ bản (B-spline)Bên cạnh công thức tổng quát của hàm nối trục bậc ba như trên, người ta cũng thường tạo ra các đường nối trục bằng cách kết hợp tuyến tính các đường nối trục cơ bản lại với nhau.

1.3. Điều kiện áp dụng các mô hình xây dựng đường cong lãi suất chuẩn

1.3.1. Yêu cầu của mô hình xây dựng đường cong lãi suất chuẩn

– Mô hình có thể đưa ra được một đường cong lý thuyết khớp với số liệu hiện hành trên thị trường.

– Mô hình có thể phản ánh được diễn biến của lãi suất theo thời gian và diễn biến này phải theo dõi được thông qua việc tính toán cụ thể trên cơ sở các hàm toán học trực quan.

– Mô hình phải đảm bảo tính hiệu quả và kịp thời trên cơ sở các nguồn lực có sẵn như mức độ có sẵn và đáng tin cậy của số liệu, năng lực xử lý số liệu của máy tính,…

Từ những yêu cầu nói trên, ta có thể thấy rằng mô hình được sử dụng sẽ đưa ra kết quả chính xác khi: (i) Lãi suất đầu vào phản ánh tính khách quan của thị trường, (ii) Các thông tin về thị trường là minh bạch, và (iii) Phải có thị trường trái phiếu phát triển với các kỳ hạn đa dạng và khối lượng phát hành đủ lớn.

1.3.2. Điều kiện áp dụng của các mô hình xây dựng đường cong lãi suất chuẩn

Việc nghiên cứu các mô hình xây dựng đường cong lãi suất chuẩn cho thấy mỗi mô hình sẽ phát huy hiệu quả riêng biệt trong việc xây dựng đường cong lãi suất chuẩn của từng quốc gia.

1.4. Bài học từ việc xây dựng đường cong lãi suất chuẩn của các nước

1.4.1. Kinh nghiệm của các nước:

Nghiên cứu thực tế xây dựng đường cong lãi suất chuẩn của các nước Mỹ, Malaysia,Singapore cho thấy, mỗi mô hình được xây dựng trên một giả định riêng và các nước khi lựa chọn mô hình đều xem xét sự phù hợp của các giả định đối với trường hợp của riêng mình. Việc lựa chọn mô hình để xây dựng đường cong lãi suất chuẩn của các nước này phụ thuộc vào mức độ phát triển của thị trường trái phiếu, mức độ đa dạng về các kỳ hạn của trái phiếu chính phủ, khối lượng các đợt phát hành, tính hiệu quả của thị trường cũng như sự sẵn có của số liệu …

1.4.2. Lựa chọn mô hình cho Việt Nam

Từ quá trình nghiên cứu trên, tiếp cận từ giác độ NHTW thì chúng ta có thể xây dựng cấu trúc kỳ hạn của lãi suất hay đường cong lãi suất hoàn vốn giao ngay hoặc đường cong lãi suất của trái phiếu chiết khấu.


II – Đặc điểm thị trường các công cụ nợ của Việt Nam

2.1. Thị trường trái phiếu Chính phủ

2.1.1. Thực trạng thị trường trái phiếu Chính phủ

            – Hiện thời, trái phiếu Chính phủ bao gồm: Tín phiếu Kho bạc; Trái phiếu Kho bạc; Trái phiếu công trình trung ương; Trái phiếu đầu tư; Công trái xây dựng Tổ quốc; Trái phiếu ngoại tệ. Từ năm 2007, KBNN đã triển khai đề án phát hành TPCP lô lớn. Bộ Tài chính đã xây dựng kế hoạch phát hành hàng năm và  lịch trình phát hành TPCP từng quí. TPCP được phát hành qua các kênh: Bán lẻ qua hệ thống Kho bạc Nhà nước; Phát hành tín phiếu kho bạc qua đấu thầu tại NHNN; Phát hành TPCP qua đấu thầu tại Sở giao dịch chứng khoán; Bảo lãnh phát hành TPCP; Phát hành qua kênh Bảo hiểm Xã hội mua.

– Trên thị trường mở, đến năm 2009 có 58 tổ chức tín dụng được cấp giấy chứng nhận là thành viên nghiệp vụ thị trường mở; trong đó có 5 NHTM Nhà nước và ngân hàng cổ phần Nhà nước nắm cổ phần chủ yếu, 34 NHTM cổ phần, 3 ngân hàng liên doanh, 14 chi nhánh NH nước ngoài, 1 Công ty tài chính và QTD Trung ương. Doanh số trúng thầu từ năm 2000 đến 2005 hàng năm bình quân tăng gấp khoảng 3 lần so với năm trước.

2.1.2. Đặc điểm thị trường trái phiếu Chính phủ

2.1.2.1. Tính thanh khoản của thị trường

– Tính thanh khoản tại sở giao dịch chứng khoán Hà Nội thấp.

– Tính thanh khoản trong giao dịch thị trường mở tương đối cao, thể hiện ở tần suất và số lượng các phiên giao dịch thị trường mở liên tục tăng.

2.1.2.2. Lãi suất TPCP

a/ Tính thị trường của lãi suất TPCP:

–  Tính thị trường của lãi suất TPCP mới phát hành thấp:

 b/ Mức độ nhạy cảm của lãi suất đối với sự tác động của Ngân hàng Trung ương:

– Lãi suất nghiệp vụ thị trường mở chịu sự chi phối bởi cặp lãi suất chỉ đạo của NHNN. Tuy nhiên, tại những thời điểm nhất định lãi suất TTM đã biến động ra khỏi cặp lãi suất chỉ đạo, thể hiện ở các phiên thực hiện theo phương thức đấu thầu lãi suất.

– Lãi suất phát hành TPCP hầu như không chịu sự chi phối bởi mức lãi suất chỉ đạo của NHNN mà theo mục đích huy động vốn cho NSNN trong từng thời kỳ.

– Lãi suất TPCP đôi khi tăng cao, hơn cả lãi suất tín dụng ngân hàng.

2.2. Thị trường trái phiếu doanh nghiệp

2.2.1. Thực trạng thị trường trái phiếu doanh nghiệp

– Giá trị vốn huy động của các doanh nghiệp qua TTCK rất thấp, chỉ đạt 15-20% lượng vốn doanh nghiệp huy động

–  Trong số chứng khoán doanh nghiệp phát hành, trái phiếu là công cụ được các doanh nghiệp lựa chọn trong vài năm trở lại đây.

– Tỷ trọng giá trị trái phiếu doanh nghiệp phát hành so với tổng vốn huy động qua TTCK nhỏ, đặc biệt năm 2008 tỷ lệ này chỉ đạt 4,07%.

– Tỷ trọng giá trị trái phiếu doanh nghiệp phát hành trong tổng giá trị trái phiếu phát hànhrất thấp, khoảng 23-37%, thậm chí chỉ chiếm 5,28% trong năm 2008.

2.2.2. Đặc điểm thị trường trái phiếu doanh nghiệp

– Thị trường trái phiếu doanh nghiệp có tính thanh khoản thấp

– Lãi suất trái phiếu doanh nghiệp: lãi suất TPDN phần nào chịu sự chi phối bởi lãi suất chỉ đạo của NHNN, song qui mô thị trường trái phiếu doanh nghiệp quá nhỏ bé, lãi suất trái phiếu doanh nghiệp không phải là mức lãi suất tiêu biểu của thị trường.

2.3. Thị trường tín dụng ngân hàng

2.3.1. Thị trường giữa tổ chức tín dụng và doanh nghiệp, cá nhân (thị trường 1)

2.3.1.1. Thực trạng thị trường

– Tín dụng ngân hàng là hoạt động truyền thống, là kênh huy động và cung ứng vốn chủ yếu ở Việt Nam.

– Với vai trò là trung gian tín dụng trên thị trường tài chính, các tổ chức tín dụng, đặc biệt là các Ngân hàng thương mại đã thực hiện việc huy động vốn và đáp ứng phần lớn nhu cầu vốn của các doanh nghiệp và cá nhân trong nền kinh tế. Khối lượng vốn huy động và cho vay tăng liên tục qua các năm.

2.3.1.2. Đặc điểm thị trường

– Thị trường tín dụng ngân hàng có tính thanh khoản rất cao.

– Mức độ tự do hoá lãi suất ngày càng cao. Từ đầu năm 2009, các cơ chế kiểm soát hành chính dần dần được dỡ bỏ. Tuy nhiên, trong những thời điểm nhất  định, tính thị trường của lãi suất bị hạn chế  do được khống chế bởi trần lãi suất và sự can thiệp của Hiệp hội ngân hàng.

– Lãi suất tín dụng ngân hàng đã phản ánh sự tác động CSTT của NHNN. Hiện nayNHNN Việt Nam ấn định các loại lãi suất cơ bản, lãi suất tái cấp vốn, lãi suất tái chiết khấu, lãi suất cho vay qua đêm, lãi suất tiền gửi dự trữ bắt buộc để điều hành lãi suất thị trường. Bên cạnh đó còn sử dụng các công cụ CSTT để tác động đến lãi suất liên ngân hàng, lãi suất nghiệp vụ thị trường mở, từ đó ảnh hưởng đến lãi suất của các NHTM, nhằm thực hiện mục tiêu chính sách tiền tệ và mục tiêu kinh tế vĩ mô trong từng thời kỳ.

2.3.2. Thị trường tiền tệ liên ngân hàng (thị trường 2)

2.3.2.1. Thực trạng hoạt động thị trường

– Năm 1992, NHNN ban hành Chỉ thị số 07/CT-NH1 ngày 7/10/1992, là văn bản pháp lý đầu tiên quy định về hoạt động về quan hệ tín dụng giữa các TCTD. Từ năm 2001 đến nay, NHNN tiếp tục ban hành đồng bộ các văn bản thể chế đối với hoạt động của thị trường, từng bước tiến gần hơn tới thông lệ quốc tế.

2.3.2.1. Đặc điểm của thị trường

– Doanh số giao dịch trên thị trường nhìn chung có sự tăng trưởng mạnh theo từng năm, đặc biệt là trong khoảng 10 năm trở lại đây.

– Tính thanh khoản của thị trường liên ngân hàng rất cao, các giao dịch trên thị trường liên ngân hàng diễn ra hàng ngày với doanh số giao dịch lớn, đặc biệt trong những thời điểm các ngân hàng căng thẳng về vốn khả dụng.

– Lãi suất liên ngân hàng có tính thị trường cao, ngày càng phản ánh sát thực hơn cung cầu vốn khả dụng của các ngân hàng.

– Lãi suất liên ngân hàng có quan hệ chặt chẽ với lãi suất huy động, cho vay trên thị trường 1 song có mức biến động mạnh.

– Lãi suất liên ngân hàng cũng bị khống chế bởi trần lãi suất.

– Lãi suất liên ngân hàng phản ánh rõ tác động của NHNN đến dự trữ của các ngân hàng.

– Lãi suất liên ngân hàng đôi khi ít chịu tác động bởi lãi suất chỉ đạo của NHNN.

III- Xây dựng đường cong lãi suất chuẩn của Việt Nam

download bài viết đầy đủ: http://www.cantholib.org.vn/Database/Content/2521.pdf

———————&&&———————

Machine Learning 4 Trading [Talk]

Strategy development—powered by machine learning

(Nguồn: https://chatwithtraders.com)

  • How large funds and institutions put on $100-million positions; how they work orders into the market, structure the trade and handle market impact etc.
  • Morgan explains why he feels as though the common approach to strategy development is counter intuitive, and shares an alternative 3-step formula.
  • A simple description of how machine learning and data science is being used by traders, and an example of how ML has been used to improve existing strategies.

Ứng dụng tốt (và không thật tốt) của Học máy trong kinh doanh và tài chính.

(Nguồn: https://chatwithtraders.com)

Học máy (Machine learning) là một chủ đề nóng hiện nay,  rất nhiều người tự hỏi làm thế nào nó có thể được sử dụng trong tài chính và kinh doanh. Nếu sử dụng ML một cách “ngây thơ”, nó có thể dẫn tới rất nhiều rủi ro. Chúng tôi sẽ thảo luận về lý do tại sao rủi ro có thể xảy ra và một số cách tốt để sử dụng ML một cách cẩn thận.

Chủ đề của cuộc thảo luận:

  • Máy học (Machine learning) là gì và làm thế nào nó được sử dụng trong cuộc sống hàng ngày?
  • Học có giám sát vs Học không có giám sát, và khi nào thì sử dụng chúng.
  • Liệu Học máy có cung cấp bất cứ điều gì nhiều hơn các phương pháp thống kê truyền thống.
  • Ứng dụng tốt (và không thật tốt) của máy học trong kinh doanh và tài chính.
  • Sự cân bằng giữa đơn giản và phức tạp.

Machine learning for algorithmic trading

(Nguồn: https://chatwithtraders.com)

  • Bert’s takeaway from reading a ton of trading books, and why there’s “no such thing as a bad book” – because you can always learn something (even if it’s doing the opposite).
  • In it’s purest form, Bert explains the purpose of machine learning, and gives an example of how it’s used in everyday technology.
  • How Bert uses machine learning to discover and create effective trading algorithms, from starting point through to live trading. And the information which is “nice to incorporate” outside of price.
  • The ways in which machine learning techniques differ from more common ways of developing algorithms, and how it removes further bias from your models.
  • Bert shares his opinion about whether a strategy should make sense logically, or if a statistical edge is the only evidence you need.
  • How Bert  thinks about diversification, and why he prefers to allocate additional capital to new markets, instead of adding to the markets he’s already actively trading.
  • The affects of machines becoming more and more prominent in the trading landscape; positive or negative?
  • Bert speaks about his attitude to always be learning and striving for continual progression. As well as his mindset of setting goals that are just out of reach, to really push yourself.
  • And much, much more…

Machine Learning With Kris Longmore

(Nguồn: http://bettersystemtrader.com)

Machine learning has seen a huge amount of growth over recent years with the increase in available data and processing power.

It’s an incredibly powerful toolset for uncovering patterns and relationships in data, however, these tools can be challenging to learn, apply correctly and are also open to abuse.

  • How Machine Learning can be used to analyse huge amounts of data, uncover patterns and relationships, and define a trading edge,
  • How Machine Learning tools can be abused and the common mistakes that traders make with Machine Learning,
  • Strategy validation techniques that best suit market data and 1 popular technique that shouldn’t be used,
  • How to approach the vast libraries of algorithms available today,
  • Why delaying the trading process can lead to opportunity cost and how to know when a model is ready for trading.

A Guided Tour of Machine Learning for Traders – Dr. Tucker Balch

(Nguồn: https://blog.quantopian.com)

Which algorithms really matter for investing? In his presentation, Professor Balch helps declutter the Machine Learning jungle. He introduces a few of the most important ML algorithms and shows how they can be applied to the challenges of trading.

Talk Overview 

  • Machine Learning: Big Picture
  • Decision Trees: Classification
  • Decision Trees: Regression
  • Decision Trees Example: Sentiment-based strategy
  • kNN: Classification
  • kNN: Regression • Reinforcement Learning

Slide: link


Market Timing, Big Data, and Machine Learning – Dr. Xiao Qiao

(Nguồn: https://blog.quantopian.com)

Return predictability has been a controversial topic in finance for a long time. We show there is substantial predictive power in combining forecasting variables. We apply correlation screening to combine twenty variables that have been proposed in the return predictability literature, and demonstrate forecasting power at a six-month horizon. We illustrate the economic significance of return predictability through a simulation which takes positions in SPY proportional to the model forecast.

The simulated strategy yields annual returns more than twice that of the buy-and-hold strategy, with a Sharpe ratio four times as large. This application of big data ideas to return predictability serves to shift the sentiment associated with market timing.

Slide: link

———–&&&———–

Đánh giá xếp hạng ngân hàng thương mại Việt Nam dựa vào các chỉ tiêu tài chính

Đánh giá xếp hạng ngân hàng thương mại Việt Nam dựa vào các chỉ tiêu tài chính

(Tác giả: Nguyễn Chí Đức – Nguồn: http://tapchitaichinh.vn)

Bằng phương pháp phân tích thành phần chính và thứ bậc thực hiện xếp hạng 23 ngân hàng thương mại Việt Nam trong năm 2015 trên cơ sở số liệu báo cáo tài chính của các ngân hàng từ năm 2012-2015, bài viết đánh giá quy trình xếp hạng ngân hàng thương mại Việt Nam dựa vào các chỉ số tài chính. Tuy nhiên, vấn đề xếp hạng ngân hàng có nhiều phương pháp khác nhau, cần có thêm các nghiên cứu về vấn đề này để các cơ quan quản lý ngành Ngân hàng có thêm căn cứ để tham khảo so sánh và lựa chọn cho phù hợp với điều kiện Việt Nam.
Hiện nay, các nghiên cứu về đánh giá, xếp hạng tín nhiệm ngân hàng thương mại Việt Nam còn tương đối ít và chưa được các cơ quan quản lý nhà nước sử dụng. Nguồn: Internet.Hiện nay, các nghiên cứu về đánh giá, xếp hạng tín nhiệm ngân hàng thương mại Việt Nam còn tương đối ít và chưa được các cơ quan quản lý nhà nước sử dụng. Nguồn: Internet.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết

Trên thực tế, các tổ chức đánh giá, xếp hạng tín nhiệm có uy tín như: Fitch, Moody’s và Standard&Poor’s đã thực hiện xếp hạng tín nhiệm đối với nhiều ngân hàng. Nhìn chung, các kết quả đánh giá xếp hạng tín nhiệm ngân hàng từ các tổ chức này là một nguồn thông tin tham khảo đáng tin cậy trong việc ra quyết định tài chính liên quan đến lĩnh vực ngân hàng.

Bên cạnh các báo cáo đánh giá, xếp hạng tín nhiệm ngân hàng của một số tổ chức lớn trên thế giới, các bài nghiên cứu học thuật chuyên sâu về lĩnh vực này cũng tương đối đa dạng. Cụ thể, Peresetsky và Karminsky (2008) đánh giá xếp hạng 380 ngân hàng thuộc 42 nước trên thế giới giai đoạn 2003-2006 (bao gồm cả các nước phát triển và đang phát triển), để có thể kết luận rằng nhóm các ngân hàng thương mại (NHTM) từ các nước đang phát triển xếp hạng tín nhiệm thấp hơn so với nhóm ngân hàng từ các nước phát triển.

Trong lĩnh vực sử dụng các chỉ tiêu tài chính đánh giá ngân hàng, Podviezko và Ginevičius (2010) đã thực hiện nghiên cứu về tác động của các chỉ tiêu tài chính trong đánh giá tình hình tài chính và đo lường độ ổn định của ngân hàng. Nhóm tác giả đã sử dụng 10 chỉ số tài chính theo hệ thống phân tích CAMELS để đánh giá các ngân hàng tại Lithuania.


Mabwe và Robert (2010) tiến hành nghiên cứu thực nghiệm về hoạt động của ngân hàng trước và sau khủng hoảng giai đoạn 2005-2009 tại Nam Phi. Các ngân hàng lớn được đánh giá về lợi nhuận, thanh khoản và chất lượng tín dụng thông qua 7 yếu tố tài chính. Gupta và Aggarwal (2012) đã dùng 12 chỉ tiêu tài chính nhằm đánh giá hoạt động của các ngân hàng tại Ấn Độ trước và sau khi gia nhập Tổ chức Thương mại thế giới (WTO), đặc biệt thời điểm Ấn Độ mở cửa ngành Ngân hàng từ năm 2005. Sử dụng phương pháp phân tích thành phần chính để tính điểm xếp hạng các ngân hàng có Chen Jia Li và Li Xue Jian (2011), các tác giả này đã sử dụng 24 chỉ tiêu tài chính, phân thành 5 nhóm nhân tố để xếp hạng các NHTM Trung Quốc.

Hiện nay, các nghiên cứu về đánh giá, xếp hạng tín nhiệm NHTM Việt Nam còn tương đối ít và chưa được các cơ quan quản lý nhà nước sử dụng. Gần đây nhất là đợt phân loại NHTM để cấp tăng trưởng tín dụng do Trung tâm Thông tin tín dụng (CIC) trực thuộc Ngân hàng Nhà nước (NHNN) triển khai thực hiện vào năm 2011, tiếp đến là bảng xếp hạng 32 NHTM Việt Nam năm 2012 do Công ty xếp hạng tín nhiệm doanh nghiệp Việt Nam công bố.

Nếu xét về lĩnh vực nghiên cứu học thuật liên quan đến đề tài, Võ Hồng Đức và Nguyễn Đình Thiên (2013) là một trong số ít những tác giả đã có những phân tích, đánh giá chuyên sâu về việc xếp hạng tín nhiệm NHTM tại Việt Nam. Nhóm tác giả đã tiến hành thu thập, phân tích dữ liệu từ 34 NHTM Việt Nam trong các năm 2010, 2011, kết quả xếp hạng NHTM dựa trên nền tảng lý thuyết mở và so sánh các kết quả xếp hạng này với những kết quả phân loại được NHNN công bố. Nhóm tác giả cũng sử dụng các bộ chỉ tiêu đánh giá của Moody’s như hiệu suất sinh lời, hiệu quả quản lý, thanh khoản, cơ cấu và an toàn tài chính, chất lượng tín dụng/tài sản.

Sau 30 năm đổi mới, hệ thống NHTM Việt Nam đã có những thay đổi, phát triển và biến động gắn liền với những diễn biến của nền kinh tế. Đặc biệt, sau khi thực hiện Đề án cơ cấu lại hệ thống các tổ chức tín dụng giai đoạn 2011 – 2015, kết quả là tình trạng tài chính của các ngân hàng đã được cải thiện, trật tự, kỷ cương và nguyên tắc thị trường trong hoạt động ngân hàng đã được thiết lập lại.

Tuy nhiên, để hệ thống ngân hàng hoạt động bền vững, hiệu quả trong bối cảnh hội nhập kinh tế ngày càng sâu rộng khi tham gia vào Cộng đồng Kinh tế ASEAN (AEC) và Hiệp định Thương mại tự do thế hệ mới, hệ thống ngân hàng không chỉ nâng cao năng lực từ tăng vốn, quản trị mà chính việc xếp hạng tín nhiệm các ngân hàng cũng cần phải được quan tâm. Vì vậy, cần có thêm các công trình nghiên cứu đánh giá xếp hạn NHTM Việt Nam dựa vào các chỉ tiêu tài chính trong giai đoạn cơ cấu lại hệ thống các tổ chức tín dụng giai đoạn 2011-2015.

Phương pháp nghiên cứu

Bài viết sử dụng các phương pháp phân tích thành phần chính và phân tích thứ bậc theo mô hình của Chen Jia Li và Li Xue Jian (2011). Theo đó, các phương pháp này thực hiện xếp hạng ngân hàng trên cơ sở số liệu kinh doanh của 23 NHTM Việt Nam giai đoạn 2012-2015 làm căn cứ xếp hạng NHTM. Đây là phương pháp nghiên cứu xếp hạng các NHTM dựa vào các chỉ tiêu tài chính trong từng thời kỳ (tùy từng thời kỳ khác nhau thì các biến được sử dụng khác nhau cho phù hợp).

Các bước nghiên cứu chủ yếu:

Bước 1: Phân tích thành phần chính để lựa chọn biến và nhân tố phù hợp trong giai đoạn 2012-2015.

Bước 2: Phân tích thành phần chính của phần mềm SPSS, lần lượt tính toán điểm của các chỉ tiêu cấp 1 của 23 NHTM qua từng năm.

Bước 3: Sử dụng các điểm của các nhân tố chỉ tiêu cấp 1 của các NHTM, xác định thứ tự đơn lẻ các NHTM.

Bước 4: Thông qua mức độ quan trọng đóng góp của các chỉ tiêu tài chính cấp 1 để xác định thứ tự tổng thể.

Dữ liệu nghiên cứu

– Chuyển trị số của các chỉ tiêu tài chính thành giá trị chuẩn từ 0 đến 1: Do các trị số của các chỉ tiêu tài chính có chiều hướng khác nhau, có chỉ tiêu càng lớn càng tốt và có chỉ tiêu càng nhỏ càng tốt nên cần phải được chuyển đổi về dạng chuẩn từ 0 đến 1 và cùng chiều thuận, trong đó giá trị xấu nhất sẽ là 0 và giá trị tốt nhất sẽ là 1. Công thức như sau:

Đối với chỉ tiêu thuận càng lớn càng tốt thì công thức chuyển đổi là:

Đối với chỉ tiêu nghịch càng nhỏ càng tốt thì công thức chuyển đổi:

Trong đó:

yij: các giá trị chuẩn theo thang đo từ 0 đến 1 của ngân hàng i ở chỉ tiêu tài chính j

xij: các trị số nhân tố theo đơn vị đo lường độ lệch chuẩn của ngân hàng i ở chỉ tiêu tài chính j

m: số lượng ngân hàng được xếp hạng

n: số lượng các chỉ tiêu tài chính


Bài viết lựa chọn dựa trên tình hình thực tế về số liệu để gom thành 5 nhân tố có mức độ hội tụ và độ phân biệt tốt, cụ thể gồm 13 chỉ tiêu tài chính được nhóm lại thành 5 nhân tố sau:Nhóm 1 (F1): Năng lực sinh lời được đo lường bằng 4 chỉ tiêu gồm: Tỷ suất sinh lời trên tài sản bình quân (ROA) = Lợi nhuận ròng/Tài sản bình quân (X1); Tỷ suất sinh lời trên vốn chủ sở hữu bình quân (ROE) =  Lợi nhuận ròng/Vốn chủ sở hữu bình quân (X2);  Tỷ lệ ngoài lãi cận biên = thu nhập ngoài lãi thuần/Tài sản sinh lời bình quân (X3); Thu nhập trên cổ phiếu (EPS) = Lợi nhuận ròng/số cổ phiếu (X4).

Nhóm 2 (F2): Năng lực tăng trưởng được đo lường bằng 3 chỉ tiêu gồm: Tỷ lệ tăng trưởng tài sản (X5); Tỷ lệ tăng trưởng tín dụng (X6); Tỷ lệ tăng trưởng huy động vốn (X7).

Nhóm 3 (F3): Năng lực quản lý rủi ro được đo lường bằng 2 chỉ tiêu gồm: Vốn điều lệ/Tổng tài sản sinh lời (X8); Nợ phải trả/Tổng tài sản (X9).

Nhóm 4 (F4): Năng lực quản lý thanh khoản được đo lường bằng 2 chỉ tiêu gồm: Tính thanh khoản tiền VND = Tài sản có tính thanh khoản/Nợ phải trả (X10); Tỷ lệ dư nợ cho vay/ dư nợ tiền gửi (X11).

Nhóm 5 (F5): Năng lực quản lý chất lượng tín dụng được đo lường bằng 2 chỉ tiêu gồm: Tỷ lệ nợ xấu (X12); Tỷ lệ dự phòng rủi ro tín dụng = Dự trữ  rủi ro tín dụng/dư nợ cho vay (X13).

5 nhân tố trên rút trích được 78,9% tổng biến thiên của 13 biến đo lường, vai trò của từng nhân tố thể hiện qua phần trăm phương sai trích được, phần trăm này được sử dụng làm trọng số để tính chỉ tiêu xếp hạng cuối cùng.

Nghiên cứu thực chứng

Sau khi tiến hành xử lý số liệu và phân tích thành phần chính, nhìn vào Bảng 2, bao gồm các trị số nhân tố đã chuẩn hóa và thứ bậc các NHTM năm 2015 theo các trị số nhân tố này (xếp hạng các NHTM theo từng khía cạnh).

Chuyển dữ liệu về thang đo chuẩn:

Do các trị số nhân tố dưới dạng chuẩn hóa (đơn vị đo lường độ lệch chuẩn) bao gồm các trị số âm (dưới trung bình) và trị số dương (trên trung bình). Để thuận tiện cho việc tính toán và xếp hạng, tiến hành chuyển các trị số này về thang đo chuẩn 0 và 1, trong đó giá trị thấp nhất sẽ là 0 và giá trị lớn nhất sẽ là 1. Công thức như sau:

yij: các giá trị chuẩn theo thang đo từ 0 đến 1 của ngân hàng i ở điểm thành phần nhân tố j.

xij: các trị số nhân tố theo đơn vị đo lường độ lệch chuẩn của ngân hàng i ở điểm thành phần nhân tố j

m: số lượng ngân hàng được xếp hạng

n: số lượng nhân tố thành phần

Phân tầng các ngân hàng theo điểm của từng nhân tố

Từ các trị số nhân tố đã chuyển đổi về các giá trị chuẩn trong khoảng từ 0 đến 1, tiếp theo là phân tầng các trị số này thành dữ liệu thành thang đo thứ bậc theo quy ước sau:

•        0 -> 0,099: Thứ bậc 1

•        0,1-> 0,199: Thứ bậc 2

•        0,2 -> 0,299: Thứ bậc 3

•        ….

•        0,9 ->1,0: Thứ bậc 10

Với dữ liệu thứ bậc này thì bậc càng lớn càng tốt, bậc càng nhỏ càng xấu, do đó, để xếp hạng từ tốt nhất đến xấu nhất cần tiến hành nghịch đảo các dữ liệu thứ bậc thành dữ liệu xếp hạng theo từng nhân tố. Sau đó dùng dữ liệu xếp hạng theo từng nhân tố gia trọng với các trọng số (tầm quan trọng của từng nhân tố thành phần thể hiện bằng % phương sai trích được) để tính ra dữ liệu xếp hạng chung của từng ngân hàng.

Kết luận

Trên cơ sở nghiên cứu xếp hạng của các NHTM, Ngâ hàng Nhà nước cần thiết lập một hệ thống chỉ số đánh giá khoa học theo phương pháp nghiên cứu định lượng, sử dụng phương pháp nghiên cứu phù hợp để có kết quả xếp hạng ngân hàng chính xác, khách quan.

Nghiên cứu này được tài trợ bởi Quỹ phát triển khoa học và công nghệ NTTU trong đề tài mã số 2016.01.02.

Tài liệu tham khảo:

1. Chen Jia Li và Li Xue Jian (2011) “A Study on Assessment for Bank Performance via PCA and AHP” Journal of Systems Science, vol.19 No.1 Feb, 2011;

2. Gupta, V., K. and Aggarwal, M. (2012), “Performance Analysis of Banks in India – Pre and  Post  World  Trade  Organization  (General  Agreement  on  Trade  in  Services)”. European Journal of Business and Management, Vol 4, No.3, 2012;

3. Mabwe,  K.  and  Robert,  W.  (2010),  “A  financial  Ratio  Analysis  of  Commercial  Bank Performance in  South  Africa”. African Review of Economics and  Finance, Vol.2, No.1, 2010;

4. Võ Hồng Đức và Nguyễn Đình Thiên (2013) “Cách tiếp cận mới về xếp hạng tín nhiệm các NHTM Việt Nam”. Trung tâm nghiên cứu phát triển, Đại học Mở TP. Hồ Chí Minh. http://www.ou.edu.vn/ncktxh/Documents/Seminars/Duc_Thien_%20Xep%20Hang%20Tin%20Nhiem%20NHTM.pdf.

Bài đăng trên Tạp chí Tài chính kỳ 2, số tháng 2/2017

————–&&&————-

5 Cách Để Đánh Giá Hiệu Quả Quản Lý Danh Mục Đầu Tư

 5 Cách Để Đánh Giá Hiệu Quả Quản Lý Danh Mục Đầu Tư

(Nguồn: http://www.saga.vn)

Hiệu suất tổng thể của danh mục đầu tư là thước đo cơ bản cho sự thành công của người quản lý danh mục đầu tư. Tuy nhiên, lợi suất tổng thể có thể không hoàn toàn là tiêu chí chuẩn xác khi đánh giá việc người được bổ nhiệm quản lý tiền của bạn có đang làm việc hiệu quả hay không. 

 

Ví dụ, bạn đầu bạn có thể cho rằng lợi suất tổng thể hàng năm của danh mục đầu tư ở mức 2% chỉ là một con số nhỏ. Tuy nhiên, nếu cũng trong khoảng thời gian tương tự, thị trường chỉ tăng 1% thì kết quả như vậy là tốt hơn so với vô vàn các loại chứng khoán hiện có. Mặt khác, nếu danh mục đầu tư này hoàn toàn tập trung vào các cổ phiếu vốn hóa siêu nhỏ và vô cùng rủi ro thì 1% lợi nhuận bổ sung trên thị trường không thể bù đắp rủi ro cho các nhà đầu tư. Dựa trên sự cần thiết phải đo đạc hiệu suất một cách chính xác, rất nhiều tỷ lệ khác nhau đã được sử dụng để xác định lợi suất đã điều chỉnh rủi ro (risk-adjusted return) của một danh mục đầu tư. Chúng ta sẽ xem xét 5 chỉ số phổ biến sau đây.

TỶ SỐ SHARPE (SHARPE RATIO)

Tỷ số Sharpe, còn được gọi là tỷ số lợi nhuận trên biến động, có lẽ là thước đo quản lý danh mục đầu tư phổ biến nhất. Mức chênh lệch cao hơn của danh mục đầu tư so với lãi suất phi rủi ro được tiêu chuẩn hóa bởi độ lệch chuẩn của phần lợi suất danh mục lớn hơn. Theo giả thuyết, các nhà đầu tư luôn có thể đầu tư vào trái phiếu chính phủ và thu về được phần lợi nhuận từ lãi suất phi rủi ro. Tỷ số Sharpe xác định rằng số lợi nhuận dự kiến trên số lợi nhuận tối thiểu đó. Trong khung lý thuyết rủi ro/lợi nhuận của lý thuyết danh mục đầu tư, khoản đầu tư rủi ro cao hơn thường sẽ đem lại lợi nhuận cao. Kết quả là, tỷ số Sharpe cao cho thấy mức tỷ suất sinh lời đã điều chỉnh rủi ro tốt hơn.

Trong số các thước đo dưới đây, có nhiều thước đo tương tự như tỷ số Sharpe. Theo đó, việc đo lường lợi nhuận dựa trên một mức chuẩn được chuẩn hóa cho các rủi ro vốn có của danh mục đầu tư, nhưng giữa các loại tỉ số đó cũng có điểm hơi khác nhau, tùy thuộc vào tình hình mà nhà đầu tư chọn lựa ra loại tỷ số phù hợp nhất cho mình.

TỶ SỐ ROY’S SAFETY-FIRST (ROY’S SAFETY-FIRST RATIO)

Tỷ số Roy’s Safety-First cũng tương tự như Sharpe, nhưng có một chút điều chỉnh. Thay vì so sánh lợi suất danh mục đầu tư với lãi suất phi rủi ro, lợi suất danh mục đầu tư được so sánh với lợi suất mục tiêu.

Nhà đầu tư thường sẽ xác định lợi suất mục tiêu dựa trên các yêu cầu tài chính để đảm bảo duy trì mức sống bình thường của mình, hoặc lợi suất mục tiêu có thể dựa theo một chuẩn đánh giá khác. Trong trường hợp một, nhà đầu tư có thể cần 50.000 USD/năm để chi tiêu; khi đó lợi suất mục tiêu đối với một danh mục đầu tư trị giá 1 triệu USD sẽ là 5%. Trong trường hợp thứ hai, lợi suất mục tiêu có thể lấy là bất cứ lợi suất nào từ chỉ số S&P500 cho đến lợi suất hàng năm của vàng. Các nhà đầu tư sẽ phải xác định được mục tiêu này trong bản nguyên tắc đầu tư (investment policy statement)

Tỷ số Roy’s Safety-First được dựa trên quy tắc an toàn là ưu tiên số một (safety-first-rule), trong đó nói rằng danh mục đầu tư nào cũng phải có một mức lợi suất tối thiểu, và rằng người quản lý danh mục đầu tư phải làm tất cả mọi thứ có thể để đảm bảo yêu cầu này.

TỶ SỐ SORTINO

Tỷ số Sortino tương tự như tỷ số Roy’s safety-first nhưng khác biệt ở chỗ thay vì là tiêu chuẩn hóa lợi suất cao hơn so với độ lệch chuẩn, chỉ có biến động xuống được sử dụng để tính toán. Hai tỷ số trước tính đến cả biến động lên và biến động xuống nên nếu một danh mục đầu tư tạo ra lợi suất hàng năm là +15%, +80% và +10 %, sẽ được coi là khá rủi ro, vì thể tỷ số Sharpe và Roy’s safety-first sẽ được điều chỉnh xuống.

Mặt khác thì tỷ số Sortino chỉ bao gồm các biến động xuống. Điều này có nghĩa là chỉ sự biến động làm lợi suất xuống dưới mức chuẩn mới được tính đến. Về cơ bản, chỉ có phía bên trái của đường cong phân bố chuẩn (normal distribution curve) được coi là một chỉ số đo lường rủi ro, do đó sự biến động của lợi suất vượt mức chuẩn sẽ không được tính. Có nghĩa là, điểm số dành cho người quản lý danh mục đầu tư không bị ảnh hưởng xấu bởi việc lợi suất vượt mức mong đợi.

TỶ SỐ TREYNOR

Tỷ số Treynor cũng tính toán lợi suất gia tăng của danh mục đầu tư so với lãi suất phi rủi ro. Tuy nhiên, hệ số beta được sử dụng như một thước đo rủi ro để chuẩn hóa hiệu suất thay vì độ lệch chuẩn. Vì thế, kết quả của tỷ số Treynor phản ánh phần lợi suất vượt mức đạt được bằng một chiến lược trên mỗi đơn vị rủi ro hệ thống. Sau khi Jack L. Treynor lần đầu tiên giới thiệu thước đo này, nó nhanh chóng bị vùi dập bởi khi đó chỉ số Sharpe đang rất được ưa chuộng. Tuy nhiên, Treynor chắc chắn sẽ không bị lãng quên. Ông đã theo học chuyên gia kinh tế Ý Franco Modigliani và là một trong những nhà nghiên cứu mở đường cho mô hình định giá tài sản vốn (capital asset pricing model).

Vì tỷ số Treynor dựa trên hiệu số giữa lợi suất của danh mục và rủi ro thị trường, chứ không phải rủi ro đặc thù của danh mục đầu tư cho nên nó thường được kết hợp với tỷ số khác để đưa ra cái nhìn toàn diện hơn về hiệu quả của danh mục.

TỶ SỐ THÔNG TIN (INFORMATION RATIO)

Tỷ số thông tin có hơi phức tạp hơn so với các chỉ số ở trên, nhưng nó cung cấp lượng thông tin lớn hơn về năng lực lựa chọn cổ phiếu của nhà quản lý danh mục đầu tư. Ngược lại với việc quản lý đầu tư thụ động, quản lý chủ động đòi hỏi việc giao dịch thường xuyên để làm tốt hơn mức chuẩn đề ra. Trong khi người quản lý chỉ có thể đầu tư vào công ty S&P500, người này có thể cố gắng tận dụng các cơ hội đến từ việc định giá chứng khoán sai có tính nhất thời. Phần lợi suất trên mức tiêu chuẩn được gọi là lợi suất chủ động, con số này chính là tử số trong công thức ở trên.

Trái ngược với Sharpe, Sortino và Roy’s safety-first, tỷ số thông tin sử dụng độ lệch chuẩn của lợi suất chủ động như một phép đo rủi ro thay vì độ lệch chuẩn của danh mục đầu tư. Do người quản lý danh mục đầu tư cố gắng để đạt kết quả trên mức tiêu chuẩn nên đôi khi lợi suất sẽ vượt quá hoặc giảm dưới mức chuẩn. Độ lệch danh mục đầu tư trên mức tiêu chuẩn là thước đo rủi ro được sử dụng để tiêu chuẩn hóa lợi suất chủ động.

Xem định nghĩa tổng quát của tỷ số thông tin, còn gọi là Luật cơ bản của Grinold (Grinold’s Fundamental Law): https://www.youtube.com/watch?v=yNeatdTJgQk

LỜI KẾT

Những tỷ số ở trên về cơ bản thực hiện nhiệm vụ tương tự nhau: Chúng giúp các nhà đầu tư tính toán lợi suất vượt mức trên một đơn vị rủi ro. Sự khác biệt phát sinh khi các công thức được điều chỉnh để bao hàm các loại rủi ro và lợi suất khác nhau. Ví dụ, hệ số beta rất khác rủi ro sai biệt so với chỉ số tham chiếu (tracking-error risk). Chuẩn hóa lợi suất trên cơ sở đã điều chỉnh rủi ro sẽ giúp các nhà đầu tư đánh giá nhà quản lý danh mục đầu tư và hiểu rằng những người chạy theo chiến lược mạo hiểm chẳng tài cán gì hơn so với nhà quản lý có độ rủi ro thấp, mà đơn giản chỉ là họ đi theo các chiến lược khác nhau.

Một điều cần lưu ý liên quan đến các thước đo này là chúng chỉ có thể được so sánh trực tiếp với nhau. Nói cách khác, tỷ số Sortino của một người quản lý danh mục đầu tư chỉ có thể được so sánh với tỷ số Sortino của người quản lý khác. Tỷ số Sortino của một người quản lý không thể so sánh với tỷ số thông tin của người khác. May mắn thay, năm tỉ số trên đều được diễn giải giống nhau: Tỉ số càng cao thì mức tỷ suất sinh lời đã điều chỉnh rủi ro càng tốt.

————&&&————

Phân tích các yếu tố tác động đến rủi ro thanh khoản tại ngân hàng thương mại Việt Nam

Phân tích các yếu tố tác động đến rủi ro thanh khoản tại ngân hàng thương mại Việt Nam

(Tác giả: Bùi Nguyên Khá – Nguồn: http://tapchitaichinh.vn)

Bài viết hướng tới phân tích các mối quan hệ tồn tại giữa rủi ro thanh khoản, được đo lường bởi tài sản thanh khoản với tổng nguồn vốn huy động và một số biến phụ thuộc cụ thể (tỷ lệ vốn chủ sở hữu/tổng nguồn vốn, tỷ suất sinh lời trên vốn chủ sở hữu, tỷ lệ cho vay ròng/tổng huy động ngắn hạn, quy mô ngân hàng). Kết quả cho thấy, các ngân hàng quy mô vốn lớn có nguy cơ rủi ro thanh khoản cao hơn. Các ngân hàng có tỷ lệ vốn chủ sở hữu/tổng nguồn vốn, tỷ suất sinh lời trên vốn chủ sở hữu, tỷ lệ cho vay ròng/tổng huy động ngắn hạn tốt, sẽ giảm thiểu nguy cơ rủi ro thanh khoản trong hệ thống ngân hàng.
Ngân hàng Nhà nước cần có sự kiểm tra, kiểm soát có hiệu quả hoạt động kinh doanh của các ngân hàng thương mại, đảm bảo sự phát triển bền vững và an toàn. Nguồn: Internet.Ngân hàng Nhà nước cần có sự kiểm tra, kiểm soát có hiệu quả hoạt động kinh doanh của các ngân hàng thương mại, đảm bảo sự phát triển bền vững và an toàn. Nguồn: Internet.

Theo Ủy ban Basel, thanh khoản là khả năng đáp ứng nhu cầu về sử dụng vốn khả dụng phục vụ cho hoạt động kinh doanh tại mọi thời điểm như chi lãi tiền gửi, cho vay, thanh toán, giao dịch vốn.

Các nghiên cứu trước đây cho thấy, những ngân hàng có tỷ lệ vốn chủ sở hữu so với tổng nguồn vốn tốt hơn có tác động tích cực đến thanh khoản ngân hàng; Angora và Roulet (2011) cũng chỉ ra mối quan hệ giữa rủi ro thanh khoản với hai chỉ số thanh khoản mới theo đề nghị của Ủy ban Basel là nhóm chỉ số LCR và một số chỉ số thuộc bảng cân đối kế toán (gồm ROE, logarit tự nhiên, tổng tài sản, tỷ lệ giữa các khoản vay cho khách hàng và tổng dư nợ).

Nghiên cứu của Bonfim & Kim (2011) nhấn mạnh rằng, tỷ lệ rủi ro thanh khoản có một mối quan hệ tiêu cực với hầu hết các chỉ số phân tích bao gồm kích thước và tỷ lệ giữa vốn điều tiết và tổng tài sản. Trước tình hình hội nhập theo các hiệp định song phương và đa phương, khả năng thanh khoản của ngân hàng thương mại (NHTM) phải được đáp ứng nhu cầu vốn cần thiết đúng thời điểm để phát triển thị trường.

Phương pháp nghiên cứu

Dữ liệu nghiên cứu tác giả thu thập từ 8 NHTM Việt Nam từ năm 2008 đến năm 2015. Các báo cáo tài chính hợp nhất cũng được đưa ra xem xét, bởi chúng cho thấy, tổng thể kết quả kinh doanh của ngân hàng trong từng năm, phù hợp với sự đầu tư đa dạng của các NHTM Việt Nam hiện nay.

Bài viết sử dụng mô hình hồi quy dữ liệu bảng tác động cố định:

(1)

Và sử dụng mô hình hồi quy dữ liệu bảng tác động ngẫu nhiên:

(2)

Kết quả nghiên cứu

Từ mô hình nghiên cứu ở trên với hai hiệu ứng fixed effect và random effect, kết quả được biểu diễn ở bảng 1:

Các hệ số hồi quy được kiểm định bằng Wald, ký hiệu *, **, *** chỉ ra các hệ số hồi quy lần lượt có ý nghĩa thống kê tại các mức ý nghĩa 1%, 5%, 10%

Kiểm định sự phù hợp của mô hình

Từ 2 mô hình trên cho thấy, yếu tố tỷ lệ vốn chủ sở hữu được đo lường bằng vốn chủ sở hữu chia cho tổng tài sản (CAP), có mối tương quan khá chặt chẽ với thanh khoản NHTM tại Việt Nam.

Các nghiên cứu của các tác giả Bunda (2003); Vodová (2011); Bonfim và Kim (2009); Aspachs và ctg. (2005); Repullo, 2003; Dewatripont và Tirole (1993); Gorton và Huang (2004); Thakor (1996), Indriani (2004) cũng cho thấy, kết quả về tỷ lệ vốn chủ sở hữu và khả năng thanh khoản của ngân hàng có mối tương quan tích cực với khả năng thanh khoản của các ngân hàng.

Yếu tố ROE được đo lường bởi tỷ lệ lợi nhuận sau thuế trên vốn chủ sở hữu trong 2 mô hình trên cũng có mối tương quan thuận với thanh khoản NHTM tại Việt Nam. Nhiều nghiên cứu khác cũng đã tìm ra tác động tích cực của tỷ lệ lợi nhuận với khả năng thanh khoản của các ngân hàng (Bonfim & Kim, 2011; Bunda &Desquilbet, 2008; Bryant, 1980; Diamond & Dybvig, 1983).

Yếu tố tỷ lệ vốn huy động được đo lường bằng tổng cho vay chia cho tổng huy động đều có mối tương quan thuận với thanh khoản ngân hàng trong cả 2 mô hình. Điều này cũng tồn tại trong các nghiên cứu trước của nhiều tác giả như: Aspachs và ctg. (2003); Bonfim và Kim (2011), Indriani (2004), Golin (2001).

Yếu tố quy mô ngân hàng được đo lường bằng cách lấy logarit tự nhiên của tổng tài sản (SIZE). Trong 2 mô hình, yếu tố này cũng có mối tương quan nghịch với yếu tố thanh khoản của ngân hàng. Các nghiên cứu trước của các tác giả Aspachs và ctg. (2003); Lucchetta (2007); Vodová (2011); Rauch và ctg. (2009), Indriani (2004) đều cho kết quả tương tự về mối quan hệ giữa quy mô ngân hàng và khả năng thanh khoản.

Kết quả trên cho thấy, mô hình Random effects có độ mạnh minh chứng cho trường hợp nghiên cứu này và phù hợp hơn với kỳ vọng đặt ra của nghiên cứu. Như vậy, hàm hồi quy có dạng: LIQ = 1.395066 + 0.5656603*CAP + 0.8120845*ROE + 0.1949694*LDR – 0.1954878*ROE + uit

Những khuyến nghị đặt ra

Đối với các ngân hàng thương mại

Các ngân hàng cần phải định kỳ đánh giá lại các nỗ lực thiết lập và duy trì các mối quan hệ với các chủ sở hữu, duy trì tính đa dạng hoá của các nguồn vốn. Bộ phận nguồn vốn hoặc bộ phận cụ thể khác trong ngân hàng phải có trách nhiệm theo dõi lựa chọn các nguồn vốn khác nhau và các xu hướng hiện hành trong lựa chọn đó.

Khai thác các cơ chế mà theo đó ngân hàng có thể thế chấp tài sản để vay, hay ký các hợp đồng mua lại (repo) với các ngân hàng khác để có được vốn nhanh nhất. Repo bao gồm một hợp đồng giữa người mua và người bán, thường sử dụng trái phiếu chính phủ hoặc các tài sản tài chính. Trong đó, người bán trái phiếu cho người mua kết hợp đồng thời với một hợp đồng mua lại những chứng khoán đó ở một mức giá đã thỏa thuận tại một thời điểm nhất định trong tương lai.

Đối với Chính phủ

Chính phủ cần tăng cường hệ thống kiểm tra giám sát nội bộ của hệ thống NHTM Việt Nam, đồng thời, cần không ngừng hoàn thiện hành lang pháp lý.

Hệ thống các quy định pháp lý liên quan đến công tác quản trị rủi ro thanh khoản trong các hoạt động của NHTM hiện nay mới chỉ dừng lại ở mức sơ khai, do đó cần phải hoàn thiện thêm nhiều khía cạnh, cụ thể, là cần ban hành một quy chế về rủi ro thanh khoản để hướng dẫn cho các NHTM trong quá trình hoạt động.

Đối với Ngân hàng Nhà nước

Ngân hàng Nhà nước cần có sự kiểm tra, kiểm soát có hiệu quả hoạt động kinh doanh của các NHTM, đảm bảo sự phát triển bền vững và an toàn. Cuối cùng, cần phải hoàn thiện mô hình tổ chức bộ máy thanh tra ngân hàng theo ngành dọc từ Trung ương đến địa phương và sự độc lập tương đối về điều hành, hoạt động nghiệp vụ trong tổ chức bộ máy Ngân hàng Nhà nước; ứng dụng những nguyên tắc cơ bản về giám sát hiệu quả hoạt động ngân hàng của uỷ ban Basel, tuân thủ những nguyên tắc thận trọng trong công tác thanh tra.

Tài liệu tham khảo:

1. Aspachs, O., Nier, E., Tiesset, M. (2005), “Liquidity, Banking Regulation and macroeconomics. Proof of shares, bank liquidity from a panel the bank’s UK-resident “, Bank of England working paper;

2. Arif A. & Anees N. A. (2012). Liquidity Risk and Performance in the Banking System. Journal of Financial Regulation and Compliance, 20(2), 182-195;

3. Bonfim, D., Kim, M. (2008), “Liquidity risk in banking: Is there herding?”, International Economic Journal, vol. 22, no. 3, pp. 361-386;

4. Vodovà P. (2011). Liquidity of Czech Commercial Banks and its Determinants. International Journal of Mathematical Models and Methods in Applied Sciences, 6(5), 1060-1067.

Bài đăng trên Tạp chí Tài chính kỳ II, số tháng 7/2016

—————-&&&—————-

Khám phá sự thú vị của phần mềm R trong việc áp dụng Lý thuyết danh mục đầu tư Markowitz trên TTCK VN

Khám phá sự thú vị của phần mềm R trong việc áp dụng Lý thuyết danh mục đầu tư Markowitz trên TTCK VN

Lê Văn Tuấn

Đại học Thương mại

Tóm tắt. Bài viết trình bày cơ sở lý luận của Lý thuyết danh mục đầu tư hiện đại Markowitz – lý thuyết mang tính khái sáng trong lĩnh vực quản lý danh mục đầu tư (một trong ba nhánh chính của Tài chính định lượng, hai nhánh còn lại là định giá phái sinh và quản trị rủi ro). Bên cạnh đó, chúng tôi cũng trình bày kỹ thuật ứng dụng phần mềm R trong việc xây dựng danh mục tối ưu Markowitz cho một bộ cổ phiếu trên TTCK VN.

  1. Lý thuyết danh mục đầu tư hiện đại Markowitz

Lý thuyết danh mục đầu tư hiện đại (Modern portfolio theory – MPT) được Harry Markowitz xây dựng vào năm 1952. Lý thuyết MPT giải quyết vấn đề căn bản trong lĩnh vực Quản lý danh mục đầu tư: Cho một danh mục các tài sản, cần phải phân bổ làm sao để được một danh mục là tối ưu. Lý thuyết này sẽ xem xét danh mục dưới hai khía cạnh: lợi nhuận và rủi ro (được đại diện bởi giá trị kỳ vọng và phương sai/độ lệch chuẩn của danh mục). Danh mục được xem là hiệu quả hơn nếu có lợi nhuận lớn hơn và rủi ro nhỏ hơn.

Cơ sở lý thuyết.

Giả sử danh mục gồm các tài sản (có rủi ro). Ứng với một bộ trọng số (còn gọi là một chiến lược đầu tư) ta có một cặp giá trị (lợi nhuận, rủi ro); hình biểu diễn các cặp giá trị này là hình lồi về bên trái:

mpt

Hình trên minh họa cho trường hợp danh mục có 3 cổ phiếu A, B, C. Tập tất cả những điểm nằm trong hình lồi gọi là điểm chấp nhận được – ứng với một danh mục được thành lập từ 3 cổ phiếu A, B, C. Điểm R ứng với danh mục có rủi ro nhỏ nhất.

  • Biên hiệu quả: Đường biên phía trên điểm R của hình lồi được gọi là biên hiệu quả. Mỗi điểm nằm trên biên hiệu quả ứng với một danh mục hiệu quả, chẳng hạn danh mục Q – không có danh mục nào lợi nhuận cao hơn Q mà đồng thời rủi ro nhỏ hơn Q.
  • Hiệu ứng đa dạng hóa: Lý thuyết MPT cổ súy cho chiến thuật đa dạng hóa trong đầu tư (còn gọi là “không nên bỏ tất cả trứng vào một giỏ”). Chẳng hạn, bằng cách đầu tư vào cả ba cổ phiểu A, B, C ta thu được danh mục R có rủi ro nhỏ hơn là đầu tư vào một cổ phiếu. Nói chung, đa dạng hóa sẽ giảm thiểu rủi ro nhưng cũng không hoàn toàn triệt tiêu rủi ro.
  • Nguyên lý “No free lunch”: Lý thuyết MPT cũng là một minh họa tốt cho khái niệm “No free lunch” trong tài chính. Chẳng hạn, so với danh mục hiệu quả Q, ta có thể tìm được danh mục hiệu quả khác có rủi ro thấp hơn nhưng lợi nhuận lại giảm đi; và ngược lại.

 

download bài viết đầy đủ: r-markowitz

————&&&————