Giao dịch thuật toán/định lượng cơ bản

Giao dịch thuật toán/định lượng cơ bản

(Nguồn: http://scue.vn)

[Algorithmic trading (algo trading)/ Quantitative trading/ Automated trading/ Robot trading/ Electronic trading/ Dark pool trading]

Giao dịch định lượng cơ bản (P1)

Bài viết này sẽ cung cấp một số khái niệm cơ bản về hệ thống giao dịch định lượng (quantitative trading system). Đối tượng của bài viết này bao gồm hai nhóm. Trước tiên sẽ là những ai đang có mục tiêu trở thành một chuyên viên giao dịch định lượng trong các quỹ đầu tư. Thứ hai là những người muốn cố gắn thiết kế thuật toán giao dịch cho công việc kinh doanh cá nhân.

Giao dịch định lượng (giao dịch bằng thuật toán) là một lĩnh vực cực kỳ tinh vi, phức tạp của tài chính định lượng. Nghiên cứu nó có thể cần một khoảng thời gian lớn để nắm bắt những kiến thức cần thiết nhằm vượt qua một cuộc phỏng vấn nghề nghiệp hay xây dựng một chiến lược giao dịch riêng cho bản thân. Không chỉ vậy nó còn đòi hỏi kỹ năng lập trình trên nhiều ngôn ngữ như MATLAB, R hay Python. Khi mà chiến thuật giao dịch tần số cao đang gia tăng thì công nghệ càng ngày quan trọng và có liên quan mật thiết. Do đó việc nắm vững và sử dụng các ngôn ngữ lập trình, đặc biệt là C/C++ là một điều tối quan trọng.

Một hệ thống giao dịch định lượng bao gồm 4 thành phần chính như sau:

1. Xác định chiến lược (Strategy Identification): Tìm một chiến lược, khai thác lợi thế đó và quyết định tần suất giao dịch

2. Kiểm định lại chiến lược (Strategy Backtesting): Khai thác dữ liệu, phân tích hiệu quả của chiến lược và loại bỏ những sai lệch.

3. Thực thi hệ thống (Execution System): Tạo một liên kết tới khu môi giới (broker), tự động hóa các giao dịch và giảm thiểu chi phí giao dịch.

4. Quản trị rủi ro (Risk Management): Phân bổ nguồn vốn tối ưu nhằm giảm thiểu rủi ro.

Xác định chiến lược (Strategy Identification)

Tất cả tiến trình giao dịch định lượng đều bắt đầu với vấn đề nghiên cứu. Quá trình nghiên cứu này bao gồm việc tìm kiếm một chiến lược, xem thử chiến lược có phù hợp với danh mục đầu tư của các chiến lược khác đang thực hiện, thu thập các dữ liệu cần thiết để kiểm tra chiến lược và thử tìm cách tối ưu hóa chiến lược để đạt được lợi nhuận cao hơn và/hoặc rủi ro thấp hơn. Chúng ta sẽ cần tính đến lượng vốn cần thiết nếu thực hiện nếu là một nhà giao dịch cá nhân và sự ảnh hưởng của chi phí giao dịch đến chiến lược.

Trái ngược với quan niệm phổ biến cho rằng sẽ khá dễ để tìm một chiến lược có lợi nhuận qua nhiều nguồn tài nguyên công cộng, việc tìm kiếm một chiến lược khả thi và tin cậy đòi hỏi công sức và nền tảng kiến thức lý thuyết cũng như thực tế để phát triển thuật toán cho chính mình. Các nhà nghiên cứu thường công bố những kết quả giao dịch theo lý thuyết trong khi các blog về tài chính định lượng sẽ thảo luận các chiến lược một cách chi tiết còn các tạp chí giao dịch sẽ tổng hợp các chiến lược được sử dụng của những quỹ đầu tư. Bạn có thể đặt câu hỏi tại sao các cá nhân và tổ chức lại sẵn sàng thảo luận về những chiến lược liên quan đến lợi nhuận của họ, đặc biệt là họ lại biết rất rõ đám đông nhà đầu tư còn lại có thể áp dụng chiến thuật này và làm nó trở nên mất hiệu lực trong dài hạn. Lý do nằm ở chỗ ho sẽ không nói về những thông số và phương pháp điều chỉnh mà họ đã thực hiện. Những tham số được tối ưu hóa mới chính là chìa khóa để biến một chiến lược tầm thường thành một chiến lược có lợi nhuận cao. Do đó trong thực tế một trong những cách tốt nhất để tạo ra một chiến lược độc đáo có lợi nhuận là dựa trên các phương pháp tương tự và sau đó tiến hành các thủ thuật để tối ưu hóa theo cách riêng của mình.

Một số website có thể dùng để tìm kiếm chiến lược giao dịch:

·         Social Science Research Network – www.ssrn.com

·         arXiv Quantitative Finance – arxiv.org/archive/q-fin

·         Seeking Alpha – www.seekingalpha.com

·         Elite Trader – www.elitetrader.com

·         Nuclear Phynance – www.nuclearphynance.com

·         Quantivity – quantivity.wordpress.com

Nhiều chiến lược khi bạn xem xét thường rơi vào các nhóm mean-reversion và trend-following/momentum. Chiến lược mean-reverting cố gắng để khai thác vấn đề trung bình trong dài hạn của một chuỗi giá (price series) và những sai lệch trong ngắn hạn này sẽ được điều chỉnh về quy luật của nó trong dài hạn. Chiến lược momentum lại cố gắng khai thác cả tâm lý nhà đầu tư và chiến lược của các quỹ lớn để đi theo xu hướng bằng cách tìm kiếm các đà tăng/giảm của thị trường cho đến khi nó bị đảo ngược.

Một khía cạnh rất quan trọng khác của giao dịch định lượng là tần số của chiến lược giao dịch. Giao dịch tần suất thấp (Low frequency trading – LFT ) thường được dùng để đề cập đến chiến lược nào giữ các tài sản dài hơn một ngày giao dịch. Tương ứng thì giao dịch tần suất cao (High frequency trading – HFT) dùng để đề cập đến các chiến lược chỉ giữ tài sản trong ngày giao dịch và giao dịch tần suất siêu cao (Ultra-high frequency trading – UHFT) là giữ tài sản chỉ trong vài giây hoặc mili giây. Do tính chất rất phức tạp của HFT và UHFT nên bài viết này sẽ không nghiên cứu 2 loại chiến lược này chi tiết.


Giao dịch định lượng cơ bản (P2)

Kiểm định lại chiến lược (Strategy Backtesting)

Mục tiêu của việc kiểm định lại chiến lược là tìm các bằng chứng xác thực khả năng sinh lời của một chiến lược khi ứng dụng vào dữ liệu lịch sử (historical data) và dữ liệu ngoài mẫu(*) (out-of-sample data). Bước kiểm định này dễ tạo ra kỳ vọng rằng sẽ có các chiến lược tạo ra lợi nhuận tốt trên thị trường thực. Tuy nhiên thực sự khâu kiểm định không đảm bảo cho sự thành công vì nhiều lý do. Đây chính là phần nhạy cảm nhất của giao dịch định lượng khi mà nó đòi hỏi phải vô số các sai lệch (bias) phải được xem xét cẩn thận và loại bỏ càng nhiều càng tốt. Chúng ta sẽ bàn đến một số loại sai lệch thông thường bao gồm look-ahead bias, survivorship bias và optimisation bias (hay còn gọi là data-snooping bias). Một số vấn đề quan trọng khác ảnh hưởng đến mô hình là tính khả dụng và độ “trong sạch” của dữ liệu, phân tích các chi phí giao dịch trong thực tế cũng như việc đưa ra quyết định dựa trên nền tảng vững chắc của khâu kiểm định. Chúng ta sẽ nói thêm về chi phí giao dịch trong phần thực thi hệ thống bên dưới.

(*Out-of-sample data: Ví dụ một mô hình được xây dựng dựa trên dữ liệu từ 1970-1979, sau đó người ta thử nghiệm mô hình này với dữ liệu từ 1980-1989 thì dữ liệu này gọi là out-of-sample).

Một khi chiến lược đã được xác định thì phải tiến hành thu thập dữ liệu lịch sử rồi tiến hành thử nghiệm và cải tiến mô hình. Có rất nhiều nhà cung cấp dữ liệu cần thiết cho tất cả các loại tài sản, thông thường chi phí họ yêu cầu tỉ lệ với chất lượng, độ sâu và độ lâu dài của dữ liệu. Cách truyền thống để trở thành một chuyên viên giao dịch quant (ít nhất ở vị trí sales) là sử dụng các bộ dữ liệu miễn phí trên Yahoo Finance.

Những vấn đề chính cần phải quan tâm đối với dữ liệu lịch sử (historical data) bao gồm tính chính xác/trong sạch, survivorship bias và điều chỉnh số liệu lại do những hoạt động của công ty như chia cổ tức và tách cổ phiếu:

  • Tính chính xác (Accuracy) gắn liền với chất lượng tổng thể của dữ liệu. Một vài lỗi có thể dễ dàng tìm thấy bằng cách sử dụng các bộ lọc các điểm bất thường (spike filter), bộ lọc này sẽ tìm ra các điểm bất thường này trong chuỗi dữ liệu thời gian và chỉnh sửa lại cho phù hợp. Tuy nhiên sẽ có những lỗi rất khó phát hiện, vì vậy cần thiết phải có hai hay nhiều nguồn cung cấp dữ liệu trở lên để kiểm tra lẫn nhau.
  • Survivorship bias thường là đặc điểm của dữ liệu rẻ hoặc miễn phí. Bộ dữ liệu có survivorship bias nghĩa là nó không có hoặc thiếu dữ liệu về những tài sản đã không còn được giao dịch. Một ví dụ trường hợp loại tài sản vốn như cổ phiếu bị hủy niêm yết, vỡ nợ. Thiên kiến sai lệch này cho thấy bất kỳ chiến lược giao dịch của phiếu kiểm định trên bộ dữ liệu này dễ dẫn đến có kết quả tốt hơn so với kết quả thực giống như người chiến thắng đã được lịch sử lựa chọn trước.
  • Các hoạt động của công ty (Coporate actions) những hoạt động có tác động đến dữ liệu như giá cổ phiếu cần phải được điều chỉnh cho phù hợp, trường hợp điển hình là điều chỉnh cho việc chia cổ tức và tách cổ phiếu. Quá trình thực hiện các công việc điều chỉnh này gọi là quá trình điều chỉnh (back adjustment process). Một lưu ý khá quan trọng là cần phải phân biệt rõ ràng giữa việc chia tách cổ phiếu và điều chỉnh lại lợi nhuận cho phù hợp vì nhiều giao dịch viên thường không phân biệt rõ ràng sự khác biệt giữa hai khái niệm này.

Để thực hiện thủ tục kiểm định lại này cần phải sử dụng một phần mềm làm nền tảng. Có thể thực hiện kiểm định bằng phần mềm kiểm định chuyên dụng như Tradestation, phần mềm chuyên tính toán như Excel, MATLAB hoặc sử dụng ngôn ngữ lập trình để tự tạo ra một công cụ kiểm định riêng cho mình ví dụ như Python hay C++. Chúng ta sẽ không quan tâm nhiều đến phương pháp sử dụng các phần mềm có sẵn để kiểm định, thay vào đó là xây dựng các công cụ bằng cách tự lập trình. Một trong những lợi ích của cách làm này là chúng ta có thể tích hợp (liên kết) phần mềm kiểm định và hệ thống thực thi, điều này cho phép tính toán các phép tính thống kê phức tạp hơn trên hệ thống ngay cả khi hệ thống đang giao dịch, đặc biệt đối với các chiến lược HFT.

Công việc kiểm định phải định lượng được hiệu suất của hệ thống tốt đến mức nào. Các tiêu chuẩn để định lượng các chiến lược là maximum drawdown và Sharpe ratio. Maximum drawdown là chỉ số đặc trưng cho mức giảm lớn nhất (từ đỉnh đến đáy) của đường cong tài khoản vốn (account equity curve) trong một khoảng thời gian (thường là một năm). Chỉ số này thường được thể hiện ở tỉ số phần trăm, thông thường chiến lược LFT sẽ có maximum drawdown lớn hơn so với HFT do một số yếu tố khi thống kê. Kiểm định lại lịch sử giao dịch sẽ cho thấy maximum drawdown lớn nhất trong quá khứ từ đó có thể định hướng và kiểm soát các chiến lược có drawdown phù hợp. Chỉ số thứ hai cần phải quan tâm là Sharpe ratio, chỉ số này là trung bình của tỉ suất sinh lợi vượt trội chia cho độ lệch chuẩn của các tỉ suất sinh lợi vượt trội đó. Tỉ suất sinh lợi vượt trội là phần chên lệch giữa lợi nhuận chiến lược tạo ra và một tỉ suất sinh lợi tiêu chuẩn như chỉ số S&P 500 hay trái phiếu kho bạc T-bill kỳ hạn 3 tháng. Một vấn đề nữa là không nên sử dụng lợi nhuận hàng năm để làm thước đo tính hiệu quả của chiến lược hiện tại vì chiến lược có thể được điều chỉnh qua thời gian.

 

Backtesting bằng cách sử dụng phần mềm MATLAB

Một khi chiến lược đã được kiểm định và nó hạn chế được các sai lệch càng nhiều càng tốt đồng thời được thử nghiệm và có chỉ số Sharpe tốt cũng như các drawdown nhỏ sẽ được tiến hành bước tiếp theo – xây dựng hệ thống thực thi.

Thực thi hệ thống (Execution Systems)

Thực thi hệ thống là danh sách các lệnh được tạo ra bởi chiến lược sẽ được gửi đến và thực hiện bởi broker. Các hệ thống giao dịch của sàn giao dịch thế hệ mới có thể bán tự động hoặc hoàn toàn tự động và cơ chế thực hiện của hệ thống của chúng ta xây dựng có thể bằng tay, bán tự động (qua 1 click chuột) hay tự động hoàn toàn. Đối với chiến lược LFT thường sử dụng kỹ thuật bằng tay và bán tự động trong khi chiến lược HFT cần phải tạo ra một cơ chế giao dịch tự động hoàn toàn.

Những vấn đề quan trọng khi tạo ra một hệ thống thực thi là quá trình tương tác với broker, tối thiểu hóa chi phí giao dịch (bao gồm hoa hồng, sự trượt giá…) và sự khác biệt của hiệu năng thực tế với hiệu năng trong khâu kiểm định.

Có nhiều cách để tương tác với broker. Từ việc đơn giản như gọi điện trực tiếp đến các broker qua điện thoại tới sử dụng các chương trình ứng dụng tương tác (API – Application Programming Interface) hoàn toàn tự động. Lý tưởng nhất chính là tự động hóa các công việc điều hành giao dịch càng nhiều càng tốt. Điều này sẽ giải phóng chúng ta khỏi các tác vụ này và tập trung sâu hơn vào khâu nghiên cứu cũng như thử nghiệm nhiều chiến lược giao dịch khác nhau cùng lúc, thậm chí là chiến lược tần suất cao HFT (trong thực tế, chiến lược HFT không thể thực hiện mà không sử dụng phương pháp tự động). Các phần mềm kiểm định đã được nói ở trên như MATLAB, Excel và Tradestation thì phù hợp với các chiến lược đơn giản, tần suất thấp. Tuy nhiên, cần thiết phải xây dựng một hệt thống thực thi được viết trên một ngôn ngữ lập trình có hiệu năng cao như C++ nhằm thực thi những chiến lược HFT bởi vì các ngôn ngữ mạnh như C/C++ cho phép chúng ta xử lý dữ liệu với tần suất là phút, giây hay tới mili giây và micro giây – một đặc tính lý tưởng với HFT.

Các quỹ lớn thông thường không phải là nơi phù hợp với những chuyên gia giao dịch định lượng để tối ưu hóa các hoạt động đầu tư của họ. Tuy nhiên trong những quỹ nhỏ hơn hay các công ty HFT, các chuyên gia giao dịch cũng là những nhà điều hành do đó cần thiết kỹ năng chuyên môn rộng hơn. Nếu bạn vẫn muốn làm cho một quỹ đầu tư lớn, kỹ năng lập trình vẫn quan trọng không kém kỹ năng về thống kê và kinh tế lượng.

Một vấn đề chính trong khâu thực thi là giảm thiểu chi phí giao dịch. Thông thường có ba loại chi phí giao dịch: hoa hồng (hoặc thuế) được trả cho các broker hay chi phí giao dịch cho SEC (Ủy ban chứng khoán Hoa Kỳ) hoặc cơ quan đại diện tương đương; sự trượt giá là sự thay đổi giữa giá được đặt mua và giá thực sự mua được; sự chênh lệch (spread) về giá bid/ask (mua/bán) của cổ phiếu được giao dịch. Sự chênh lệch về giá mua/bán không cố định và phụ thuộc vào tính thanh khoản hiện tại trên thị trường.

Các chi phí giao dịch có thể tạo ra sự khác biệt giữa một chiến lược cực kỳ lợi nhuận với tỉ số Sharpe tốt và một chiến lược không có lợi nhuận với tỉ số Sharpe không tốt. Tuy nhiên dự đoán chi phí giao dịch chính xác ở khâu kiểm định chiến lược là một điều khá khó khăn. Dựa vào tần suất của chiến lược, chúng ta cần tiếp cận với các dữ liệu giao dịch trong quá khứ bao gồm cả dữ liệu của giá bid/ask.

Vấn đề chính cuối cùng đối với hệ thống thực thi là sự khác biệt giữa hiệu năng chiến lược trên thực tế với hiệu năng ở khâu kiểm định, điều này xảy ra do nhiều nguyên nhân đã được nói đến ở trên như các sai lệch (look-ahead bias, optimisatoin bias) khi xem xét ở khâu kiểm định. Tuy nhiên vẫn có một số chiến lược không dễ kiểm tra những sai lệch này trước khi triển khai thực hiện. Điều này thường xảy ra đối với các chiến lược HFT, UHFT như có thể xuất hiện các lỗi trong hệ thống thực thi cũng như lỗi trong chiến lược giao dịch mà không xuất hiện khi kiểm định mà chỉ xuất hiện khi giao dịch thực tế. Ngoài ra, thị trường hoàn toàn có thể thay đổi sau khi triển khai các chiến lược giao dịch như môi trường pháp lý thay đổi, tâm lý nhà đầu tư thay đổi và các hiện tượng kinh tế vĩ mô dẫn đến thị trường sẽ có những hành vi khác dự tính ảnh hưởng đến lợi nhuận của chiến lược.


Giao dịch định lượng cơ bản (P3-phần cuối)

Quản trị rủi ro (Risk management)

Công việc cuối cùng phải làm đối với hệ thống giao dịch là tiến trình quản trị rủi ro. Rủi ro ở đây bao gồm tất cả những lệch lạc mà chúng ta đã nói đến các phần trước. Nó bao gồm rủi ro về công nghệ ví dụ như các hệ thống máy chủ (server) ở sàn giao dịch đột nhiên xuất hiện lỗi đĩa cứng; rủi ro về broker như broker bị phá sản (bankrupt)…Tóm lại, những rủi ro này bao gồm gần như tất cả mọi thứ có thể gây trở ngại đến việc thực thi giao dịch của hệ thống và mỗi rủi ro là lại có thể có nhiều nguyên nhân gây ra nó. Hầu hết tất cả các quyển sách nói về chiến lược giao dịch đều đề cập đến quản trị rủi ro một cách chi tiết và đầy đủ, do đó trong phạm vi tính chất bài viết này sẽ không đề cập đầy đủ tất cả những nguyên nhân gây ra rủi ro với hệ thống.

Quản trị rủi ro cũng bao hàm cả khái niệm phân bổ nguồn vốn tối ưu (optimal capital allocation) là một nhánh của lý thuyết danh mục đầu tư. Khái niệm này có nghĩa là bao nhiêu vốn sẽ được phân phối tương ứng cho các chiến lược khác nhau và cho những giao dịch trong những chiến lược đó. Đây là một lĩnh vực phức tạp và nó dựa rất nhiều vào các kỹ thuật toán học để tính toán. Trong thực tế tiêu chuẩn được sử dụng trong việc phân bổ nguồn vốn tối ưu và tỉ lệ đòn bẩy của các chiến lược có liên quan đến khái niệm Tiêu chuẩn Kelly (Kelly criterion). Do bài viết này chỉ mang tính chất giới thiệu nên chúng tôi sẽ không đề cập sâu đến các vấn đề tính toán.

Công thức tiêu chuẩn Kelly: Kelly% = W – [(1-W)/R]

Có hai thành tố chính trong công thức này cần tính toán khi áp dụng vào việc giao dịch: W: xác suất xảy ra lợi nhuận dương của một giao dịch và R (win/loss): tỉ lệ giữa tổng những giao dịch lời và tổng những giao dịch lỗ.

Thành phần quan trọng khác của quản trị rủi ro là đối mặt với vấn đề tâm lý của bản thân mình. Có nhiều lệch lạc do nhận thức cảm tính của chuyên viên giao dịch, thiết kế hệ thống có thể đan xen vào công việc giao dịch. Có thể thừa nhận rằng các vấn đề về tâm lý sẽ được loại bỏ nếu như các chuyên viên giao dịch để hệ thống tự động thực thi mà không can thiệp. Một lệch lạc thông thường là “cảm giác mất mát” khi mà bạn đang bị thua lỗ nhưng không muốn đóng giao dịch đó lại vì điều đó đồng nghĩa với việc thừa nhận thua lỗ đó. Tương tự như vậy, trong trường hợp có lời thì giao dịch thường sẽ bị đóng quá sớm vì sợ mất lợi nhuận đã đạt được một cách tuyệt vời. Một lệch lạc khác thường được nhắc đến là lệch lạc gần đây (recency bias) có nghĩa là nhà đầu tư đặt quá nhiều trọng tâm vào các giao dịch/sự kiện xảy ra trong thời gian gần đây và không lâu dài, ví dụ như các chuyên viên giao dịch tính toán mức độ sinh lời của chiến lược dựa trên những kết quả giao dịch gần đây mà không phải trong một khoảng thời gian đủ dài, điều đó sẽ dẫn đến đánh giá không chính xác hiệu năng của chiến lược. Và tất nhiên không thể không nhắc đến một cặp lệch lạc cảm xúc truyền thống chính là sợ hãi và tham lam. 2 lệch lạc này thường dẫn đến việc sử dụng đòn bẩy quá thấp hoặc quá cao dẫn đến tình trạng blow-up (tài khoản vốn bị thua lỗ về 0 hoặc tình trạng xấu hơn) hay làm giảm lợi nhuận.

Tổng kết

Có thể thấy rằng giao dịch định lượng cực kỳ phức tạp mặc dù rất thú vị và cũng là một nhánh của tài chính định lượng. Bài viết trên chỉ đề cập đến những khía cạnh bề ngoài của giao dịch định lượng mọt cách đơn giản nhất, có rất nhiều quyển sách, bài nghiên cứu đã được viết ra chỉ dành riêng cho một chủ đề nhỏ đã nhắc đến ở trên. Do đó, bất kỳ ai muốn làm việc cho các quỹ ở vị trí giao dịch thì cần phải sẵn sàng học và nghiên cứu một khối lượng kiến thức lớn. Ít nhất thì các chuyên viên này phải có nền tảng vững ở lĩnh vực thống kê và kinh tế lượng với kinh nghiệm trong việc áp dụng chúng bằng các phần mềm như MATLAB, Python hay R. Đối với các chiến lược tinh vi, phức tạp hơn như giao dịch tần suất cao thì cần thêm các kỹ năng bao gồm lập trình nhân của Linux (Linux kernel), lập trình C/C++ và assembly, tối ưu hóa mạng lưới độ trễ.

Nếu bạn đang muốn thử tạo ra một chiến lược giao dịch cho bản thân, lời khuyên chúng tôi đưa ra là phải có kỹ năng lập trình tốt trước tiên. Tự xây dựng các chương trình thu thập dữ liệu, kiểm định lại chiến lược và hệ thống điều hành cho bản thân càng nhiều càng tốt. Nếu như vốn của bạn đang được giao dịch trên hệ thống, ít nhất bạn có thể ngủ ngon khi biết rằng hệ thống đã được kiểm tra đầy đủ và những rủi ro đã được tính toán trước. Sử dụng phần mềm được gia công bởi các nhà cung cấp khác có thể giúp tiết kiệm thời gian trong ngắn hạn, tuy nhiên trong dài hạn lại có thể rất tốn kém vì khó điều chỉnh lại hệ thống theo mục tiêu của mình cũng như tối ưu hóa các vấn đề khác.


Algorithmic, or quantitative, trading: https://www.quantstart.com/articles/Beginners-Guide-to-Quantitative-Trading

———————-&&&———————

Giới thiệu ngành tài chính định lượng

Giới thiệu ngành tài chính định lượng

(Nguồn: http://scue.vn)

Giới thiệu ngành tài chính định lượng P1

I. Tài chính định lượng là gì?

Tài chính định lượng (Quantitative Finance hay Mathematical Finance) là một mảng của toán học ứng dụng vào thị trường tài chính, ứng dụng các mô hình toán học nhằm dự báo, định giá giá trị chứng khoán; quản lý danh mục đầu tư; quản trị rủi ro tài chính hay giao dịch tự động.

Cần phân biệt rõ ràng giữa tài chính định lượng với một ngành khác dễ gây nhầm lẫn là kinh tế tài chính (financial economics). Sự khác biệt cơ bản thể hiện qua ví dụ so sánh:

Các nhà kinh tế tài chính nghiên cứu các lý do tại sao giá cổ phiếu của công ty lại biến động do các yếu tố khác.

Các nhà tài chính định lượng lại tìm cách định giá hay dự báo giá trị cổ phiếu công ty trong tương lai bằng các mô hình và công cụ toán học hiện đại.

II. Lịch sử của tài chính định lượng

Lịch sử của tài chính định lượng gắn liền với sự phát triển của các ngành khoa học tự nhiên: toán học, vật lý học, tin học.

Những ứng dụng đầu tiên của toán học là lý thuyết tối ưu hóa danh mục của Harry Markowitz. Sử dụng ước tính trung bình phương sai của các danh mục để đánh giá chiến lược đầu tư làm thay đổi hoàn toàn cách làm trước đó là cố gắng tìm kiếm một cổ phiếu riêng lẻ tốt nhất để đầu tư. Hay sử dụng hồi quy tuyến tính để hiểu rõ và định lượng rủi ro (như phương sai) và lợi nhuận (như giá trị trung bình) của toàn bộ cổ phiếu và trái phiếu, chiến lược tối ưu hóa đã được sử dụng để chọn danh mục đầu tư với lợi nhuận trung bình lớn nhất với mức độ rủi ro (phương sai) chấp nhận được. Đồng thời, William Sharpe đã phát triển công cụ toán học xác định mối quan hệ giữa mỗi cổ phiếu và thị trường cùng với các đồng sự. Do đó năm 1990, Markowitz, Sharpe cùng với Merton Miller đã được trao giải nobel kinh tế. Trong thời gian này toán học trở nên tinh vi và phức tạp hơn. Nhờ những cống hiến của Robert Merton và Paul Samuelson những mô hình một thời điểm đã được thay thế bởi các mô hình thời gian liên tục, mô hình chuyển động Brown.

Cuộc cách mạng quan trọng tiếp theo trong ngành tài chính định lượng là công trình mô hình hóa thị trường tài chính của Fischer Black và Myron Scholes cùng với những đóng góp nền tảng của Robert C.Merton. Scholes và Merton đã được trao giải nobel kinh tế năm 1997.

Các mô hình toán học tinh vi, phức tạp và chiến lược định giá sản phẩm phái sinh đã được phát triển liên tục nhưng tính đảm bảo an toàn đã bị phá hủy bởi cuộc khủng hoảng tài chính 2007-2010. Tuy nhiên, nhiều tổ chức trong lĩnh vực tài chính vẫn đang tiếp tục tìm kiếm các phương pháp và lý thuyết hiệu quả hơn.

Trong lĩnh vực vật lý, Bachelier là người đầu tiên tìm cách “định lượng” chuyển động Brown (chuyển động của hạt nhỏ li ti trong nước hay của các phân tử chất khí trong không khí) vào năm 1900 và được coi là cha đẻ của ngành toán tài chính hiện đại. Ông đã phát triển lý thuyết toán để nghiên cứu các quá trình ngẫu nhiên, lý thuyết mà sau này được tái khám phá bởi Einstein. Ngày nay mô hình chuyển động Brown dựa trên lý thuyết xác suất thống kê chính là mô hình chuẩn và nền tảng trong việc dự báo giá chứng khoán, lãi suất trái phiếu, rủi ro đầu tư trong tài chính hiện đại.

Sự bùng nổ mạnh mẽ ở lĩnh vực công nghệ thông tin và khoa học máy tính cuối thế kỷ 20 làm nền tảng quan trọng nhất cho sự phát triển ngành tài chính định lượng. Các máy tính với tốc độ xử lí tăng theo định luật Moore(*) là công cụ mạnh mẽ và không thể thay thế để thực thi các mô hình, các dự báo tài chính. Ngoài ra nhiều máy tính, hệ thống quản lí điện tử đã được đưa vào ứng dụng ở các sở giao dịch chứng khoán như NYSE (New York Stock Exchange) những năm 1970 và từ năm 1980 xuất hiện hình thức giao dịch tự động (algorithmic trading hay automated trading), đặc biệt là giao dịch tần số cao HFT (high- frequency trading). Hệ thống giao dịch tự động sử dụng các thuật toán (algorithm) do các nhà tài chính định lượng viết ra cho các máy tính tự động giao dịch liên tục nhằm tối ưu hóa lợi nhuận bằng chênh lệch giá.

Tiếp tục đọc

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.

————&&&————