Đề tài Ứng dụng value at risk trong đo lường rủi ro kinh doanh ngoại tệ tại các ngân hàng thương mại Việt Nam

Đề tài nghiên cứu áp dụng VaR trong việc đo lường rủi ro tỷ giá với việc sử dụng bộ số liệu tỷ giá Việt Nam giai đoạn 2006-2016. Tuy nhiên ở nước ta trong 5 năm gần đầy thì tỷ giá là vấn đề được quan tâm và chịu sự điều tiết mạnh mẽ từ phía NHNN với việc ban hành nhiều thông tư đặc biệt là quy định về biên độ dao động tỷ giá nhằm hạn chế sự biến động mạnh về tỷ giá do đó số liệu thu thập được trong những năm gần đây có mức độ biến động không cao. Như vậy, chuỗi số liệu này có thể làm thấp giá trị VaR, giảm dự phòng rủi ro dẫn đến nguy cơ rủi ro cao khi thị trường bất ngờ biến đông mạnh trước các cú sốc kinh tế. 3. Hướng phát triển của đề tài Nghiên cứu này chỉ áp dụng VaR để đo lường rủi ro tỷ giá trên cơ sở đó tiến hành phòng ngừa. Tuy nhiên, phương pháp này còn bị động nên ta có thể kết hợp việc áp dụng các mô hình dự báo tỷ giá cũng như những kiến thức phân tích chuyên sâu về kinh tế từ đó đưa ra quyết định đầu tư chính xác hơn. Bên cạnh việc vận dụng VaR, có thể sử dụng C-VaR để khắc phục một số hạn chế mà VaR không làm được. Ngoài ra, ta có thể nghiên cứu áp dụng một số phương pháp tính VaR khác hay các mô hình có khả năng đo lường rủi ro nhằm hỗ trợ cũng như khắc phục những hạn chế mà đề tài gặp phải.

pdf82 trang | Chia sẻ: phamthachthat | Ngày: 11/08/2017 | Lượt xem: 545 | Lượt tải: 0download
Bạn đang xem trước 20 trang tài liệu Đề tài Ứng dụng value at risk trong đo lường rủi ro kinh doanh ngoại tệ tại các ngân hàng thương mại Việt Nam, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
in cậy để suy ra kết quả VaR thích hợp. Trường Đại học Kinh tế Đại học Huế 33 Bảng 2.3. Giá trị danh mục đầu tư và mức lỗ dự kiến vào 21/02/2016 Đơn vị tính: đồng ST T Ngày USD AUD GBP EUR JPY Giá trị DMĐT Mức lỗ 1 26/02/2006 15717,63 11612,14 27433,26 18713,07 133,54 2 05/03/2006 15700,43 11665,63 27476,56 18774,99 135,07 1.358.029.751,15 -3.769.580,15 3 12/03/2006 15811,60 11623,49 27458,87 18868,81 133,89 1.356.152.508,12 -1.892.337,12 4 19/03/2006 15699,26 11506,54 27415,77 18963,91 133,91 1.350.341.523,53 3.918.647,47 300 20/11/2011 20772,14 20962,16 32871,23 28131,36 269,80 1.340.721.101,25 13.539.069,75 301 27/11/2011 20787,31 20306,36 32309,26 27781,44 268,90 1.340.537.860,81 13.722.310,19 520 07/02/2016 21949,09 15582,00 31763,07 24255,64 185,31 1.363.691.567,94 -9.431.396,94 521 14/02/2016 21988,46 15583,00 31839,31 24735,83 192,91 1.368.630.042,23 -14.369.871,23 (Nguồn: Bảng tính Excel) Bảng 2.4. Sắp xếp các mức lỗ theo thứ tự giảm dần Mức lỗ Sắp xếp 31.598.497,20 1 31.104.914,80 2 28.075.882,29 3 24.135.647,86 4 24.003.101,62 5 15.343.582,89 26 14.650.904,79 27 -54.163.395,80 520 Trường Đại học Kinh tế Đại học Huế 34 (Nguồn: Bảng tính Excel) Từ bảng 2.4, ta nhận thấy rằng, 5% trong số 520 mức lỗ cho một kết quả bằng 5%*520= 26. Vậy VaR của danh mục theo phương pháp lịch sử phải có giá trị bằng giá trị mức lỗ thứ 26 trong bảng trên: VaR(95%,1 ngày) =15.343.582,89 đồng Tương tự, VaR (99%, 1 ngày) sẽ tương ứng như sau: 1%*520=5.2, ta sẽ lấy giá trị xấp xỉ ở mức lỗ thứ 5: VaR(99%, 1 ngày) = 24.003.101,62 đồng Ý nghĩa: - Với độ tin cậy là 95% thì khoản lỗ tối đa mà NĐT có thể gặp phải sau 7 ngày là 15.343.582,89 đồng hoặc NĐT dự kiến lỗ ít nhất là 15.343.582,89 đồng trong một tuần với xác suất 5%. - Với độ tin cậy là 99% thì khoản lỗ tối đa mà NĐT có thể gặp phải sau 7 ngày là 24.003.101,62 đồng hoặc NĐT dự kiến lỗ ít nhất là 24.003.101,62 đồng trong một tuần với xác suất là 1%. 2.3.1.2. Tính VaR theo phương pháp Variance-Covariance Phương pháp này đưa ra giả định rằng chuỗi dữ liệu về tỷ suất sinh lợi tuân theo quy luật phân phối chuẩn. Xác định giá trị VaR theo phương pháp phương sai-hiệp phương sai được thực hiện lần lượt qua các bước như sau: Bước 1: Từ dữ liệu hàng ngày, tính toán sự biến động của các chuỗi tỷ giá theo ngày. Kết quả được trình bày ở phụ lục. Bước 2: Tính TSSL trung bình, độ lệch chuẩn của các đồng tiền được tính toán dựa vào hàm AVERAGE và STDEV trong Excel. Kết quả được trình bày ở bảng 2.5. Trường Đại học Kinh tế Đại học Huế 35 Bảng 2.5. Kết quả tính TSSL và độ lệch chuẩn của tỷ giá USD AUD GBP EUR JPY TSSL trung bình 0,07% 0,07% 0,04% 0,06% 0,08% Độ lệch chuẩn 0,00500085 0,01592763 0,01152038 0,01217653 0,01179598 Tỷ trọng 32,47% 11,51% 23,51% 18,27% 14,24% (Nguồn: Bảng tính Excel) Bước 3 : Tính toán ma trận Variance-Covariance để làm cơ sở tính toán độ lệch cuẩn của danh mục các đồng tiền, ta thu được kết quả như ở bảng 2.6. Bảng 2.6. Kết quả tính ma trận Covariance USD AUD GBP EUR JPY USD 2,49125E-05 2,41357E-05 2,41386E-05 2,46634E-05 2,40584E-05 AUD 2,41357E-05 0,000252716 0,00011757 0,00012665 7,90447E-06 GBP 2,41386E-05 0,00011757 0,00013221 9,89036E-05 2,44961E-05 EUR 2,46634E-05 0,00012665 9,89036E-05 0,000147699 4,60295E-05 JPY 2,40584E-05 7,90447E-06 2,44961E-05 4,60295E-05 0,000138611 (Nguồn: Bảng tính Excel) Bước 4: Từ hai bảng tính trên, ta tiến hành tính toán TSSL trung bình của danh mục và độ lệch chuẩn của danh mục. Kết quả được trình bày ở bảng 2.7. Bảng 2.7. Kết quả tính toán tỷ suất sinh lời trung bình, phương sai, độ lệch chuẩn của danh mục Lợi nhuận trung bình của danh mục 810.902,36 Phương sai của danh mục 1,02954E+14 Độ lệch chuẩn của danh mục 10146647,22 (Nguồn: Bảng tính Excel) Trường Đại học Kinh tế Đại học Huế 36 Với giả định phân phối chuẩn, VaR của danh mục tại mức tin cậy 95% và 99% là: VaR(95%,1tuần) = |(810.902,36-1.65x1,02954E+14) | = 15.931.065,56 đồng VaR (99%, 1 tuần) = |(810.902,36-2.33,02954E+14) | = 22.830.785,67 đồng Ý nghĩa: - Với độ tin cậy 95% thì khoản lỗ tối đa mà NĐT có thể gặp phải sau 7 ngày là 15.931.065,56 đồng hay NĐT dự kiến lỗ ít nhất là 15.931.065,56 đồng trong một tuần với xác suất 5%. - Với độ tin cậy 99% thì khoản lỗ tối đa mà NĐT có thể gặp phải sau 7 ngày 22.830.785,67 đồng hay NĐT dự kiến lỗ ít nhất là 22.830.785,67 đồng trong một tuần với xác suất 1%. Bảng 2.8. Kết quả tính VaR theo hai phương pháp truyền thống Đơn vị tính: đồng Phương pháp VaR(95%,1 tuần) VaR(99%, 1 tuần) Truyền thống Historical Method 15.343.582,89 24.003.101,62 Covariance- Variance 15.931.065,56 22.830.785,67 (Nguồn: Bảng tính Excel) Từ kết quả trên ta nhận thấy rằng giá trị tính VaR đối với hai phương pháp cho ra kết quả tương đối giống nhau ở độ tin cậy 95%, nhưng đối với độ tin cậy 99% thì có sự sai lệch đáng kể. Nguyên nhân của sự sai lệch này là do việc áp đặt các giả thiết về phân phối chuẩn, tính dừng, phương sai sai số không đổi nhưng thực tế thì các chuỗi dữ liệu thường xuyên không thoả mãn những điều kiện này dẫn đến ảnh hưởng đến tính chính xác của VaR. Trước thực tế này, đề tài đưa ra thêm một cách tiếp cận mới bằng cách hiệu chỉnh các yếu tố đầu vào thông qua sự hỗ trợ của ARMA/GARCH từ đó ứng dụng vào hai phương pháp tính VaR mới là Risk Metrics và Monte Carlo. Trường Đại học Kinh tế Đại học Huế 37 2.3.2. Tính VaR theo hướng mở rộng 2.3.2.1. Kiểm định Để khẳng định xem những sai lệch của VaR tính theo mô hình truyền thống bị phát sinh do các áp đặt về giả thiết hay không ta đi kiểm định các điều kiện về độ lệch chuẩn và tính dừng. Nếu thật sự chuỗi dữ liệu không thỏa những điều kiện áp đặt của giả thiết ta thực hiện hiệu chỉnh. - Kiểm định giả thiết phân phối chuẩn đối với 5 ngoại tệ Kiểm định phân phối chuẩn JB: JB= n[ + () ] S: hệ số bất cân xứng K: hệ số nhọn Với n khá lớn, JB có phân bố xấp xỉ χ2(2) = 5.99 H0 : Chuỗi dữ liệu TSSL của ngoại tệ i có phân phối chuẩn H1 : Chuỗi dữ liệu TSSL của ngoại tệ i không có phân phối chuẩn (i= USD, AUD, GBP, EUR, JPY) Nếu JB > χ2(2) thì bác bỏ H0 và ngược lại. Kết quả từ phần mềm Eviews đối với GBP Biểu đồ 2.2. Dạng phân phối xác suất của ngoại tệ GBP (Nguồn: Bảng tính Eview) Trường Đại học Kinh tế Đại học Huế 38 JB = 73.77221 > χ2(2) = 5.99. Bác bỏ H0. Như vậy rGBP không có phân phối chuẩn. Tương tự với 4 đồng tiền còn lại, ta có bảng tổng hợp kết quả kiểm định như sau: Bảng 2.9. So sánh giá trị phân phối xác suất của các đồng tiền có trong DMĐT Ngoại tệ JB χ2(2) USD 2031.560 >5.99 AUD 2301.365 GBP 73.77221 EUR 66.06342 JPY 67.85710 (Nguồn: Bảng tính Eview) Như vậy, chuỗi dữ liệu TSSL của 5 đồng ngoại tệ đều không có phân phối chuẩn. - Kiểm định giả thiết tính dừng Kết quả kiểm định với chuỗi TSSL của GBP trên Eviews như sau: Bảng 2.10. Kết quả kiểm định tính dừng đối với chuỗi TSSL của GBP t-Statistic Prob.* Augmented Dickey-Fuller test statistic -11.21355 0.0000 Test critical values: 1% level -3.442771 5% level -2.866911 10% level -2.569692 (Nguồn: Bảng tính Eview) Chú ý đến phần kiểm định Dickey-Fuller, ta có, giá trị = () = 11.21355, với |%| = 3.442771; |%| = 2.866911; |%| = 2.569692. Vì = () > || với α =1%; 5%; 10%. Như vậy rGBP là chuỗi dừng. Tương tự với chuỗi TSSL của các ngoại tệ còn lại, ta đều có kết quả các chuỗi TSSL là dừng. Trường Đại học Kinh tế Đại học Huế  Kết luận kiểm mục: - Không phân phối chuẩn - Là chuỗi dừng. Tuy nhi chuỗi dữ liệu này vẫn không tránh khỏi hiện t đổi. Đây cũng là nguyên nhân động sai lệch các giá trị đầu v lựa chọn áp dụng các mô h (µ) và độ lệch chuẩn ( VaR đáng tin cậy. 2.3.2.2. Hiệu chỉnh số liệu Trong giới hạn đề t GBP. Các chuỗi dữ liệu c Chuỗi dữ liệu TSSL của 2.3.2.2.1. Mô hình ARMA/GARCH Bước 1: Xác định các chỉ sổ p, q của mô h Biểu đồ 2.3 39 định: Chuỗi dữ liệu TSSL của các ngoại tệ trong danh ên, các chuỗi có mức biến động lớn n ượng tồn tại ph ảnh hưởng đến tính chính xác khi tính VaR do tác ào.Trong trường hợp này, ta cần hiệu chỉnh bằng v ình họ ARMA/GARCH, nhằm ước l σ) chính xác hơn trước khi đưa vào các mô h . ài, tôi sẽ trình bày chuỗi dữ liệu TSSL đ òn lại sẽ được tổng hợp trong bảng kết quả. GBP : ình ARMA bằng đồ thị correlogram . Hàm tương quan và tự tương quan riêng ph của chuỗi lợi suất GBP ên trên thực tế các ương sai sai số thay iệc ượng được kỳ vọng ình ước lượng ặc trưng của đồng ần Trường Đại học Kinh tế Đại học Huế 40 (Nguồn: Bảng tính Eview) Từ kết quả lược đồ tự tương quan và tương quan riêng phần, ta nhận thấy, dạng đồ thị ACF có đỉnh tại q=1,3và dạng đồ thị PACF có đỉnh tại p=1,3. Ta phỏng đoán mô hình có dạng ARMA(3,3), ARMA(1,3), ARMA(3,1), ARMA(1,1). Chạy mô hình ARMA(3,3), ta có: Bảng 2.11- Kết quả ước lượng bằng Eview đối với mô hình thử nghiệm Variable Coefficient Std. Error t-Statistic Prob. C 0.000379 0.000595 0.637736 0.5239 AR(1) -0.711953 0.148051 -4.808827 0.0000 AR(2) -1.061826 0.077956 -13.62080 0.0000 AR(3) -0.173121 0.144552 -1.197639 0.2316 MA(1) 0.942630 0.134668 6.999634 0.0000 MA(2) 1.211188 0.065881 18.38441 0.0000 MA(3) 0.451083 0.133383 3.381861 0.0008 R-squared 0.094704 Mean dependent var 0.000356 Adjusted R-squared 0.084054 S.D. dependent var 0.011553 S.E. of regression 0.011057 Akaike info criterion -6.158042 Sum squared resid 0.062352 Schwarz criterion -6.100525 Log likelihood 1598.854 Hannan-Quinn criter. -6.135505 F-statistic 8.891982 Durbin-Watson stat 2.003466 Prob(F-statistic) 0.000000 (Nguồn: Bảng tính Eview) Tuy nhiên, để đảm báo xác định mô hình ARMA tốt nhất ta cần so sánh với kết quả của một số mô hình ARMA dự đoán khác như: ARMA(1,3), ARMA(3,1), ARMA(1,1). Bảng 2.12. So sánh chọn mô hình phù hợp Mô hình ARMA AIC SIC R2 ARMA(3,3) -6.158042 -6.100525 0.094704 ARMA(3,1) -6.127645 -6.086561 0.059515 ARMA(1,3) -6.128166 -6.087203 0.056362 ARMA(1,1) -6.130197 -6.105619 0.050991 (Nguồn: Bảng tính Eview) Trường Đại học Kinh tế Đại ọc Huế 41 Kết quả so sánh cho thấy mô hình ARMA(3,3) phù hợp nhất với các chỉ số AIC, SIC nhỏ nhất và R2 tiến gần đến 1. 2.3.2.2.2. Kiểm tra PSSS thay đổi H0 : Mô hình không có hiện tượng PSSS thay đổi H1 : Mô hình có hiện tượng PSSS thay đổi Bảng 2.13. Kết quả kiểm định Heteroskedasticity Test F-statistic 13.17621 Prob. F(1,514) 0.0003 Obs*R-squared 12.89687 Prob. Chi-Square(1) 0.0003 (Nguồn: Bảng tính Eview) P-Value < 0.05, bác bỏ H0, chứng tỏ mô hình ARMA(3,3) tồn tại phương sai sai số thay đổi. Do đó cần lựa chọn chạy mô hình GARCH để khắc phục tình trạng này. Ước lượng các mô hình GARCH với p’, q’ ∈ {0,1,2} ta có những mô hình chứa hệ số thống kê có ý nghĩa gồm: Bảng 2.14. Kết quả Eview mô hình GARCH thử nghiệm ARMA(3,3)/GARCH(1,1) Variable Coefficient Std. Error z-Statistic Prob. C 0.000355 0.000540 0.657893 0.5106 AR(1) 0.263164 1.839881 0.143033 0.8863 AR(2) -0.064675 0.406819 -0.158977 0.8737 AR(3) 0.025168 0.106594 0.236110 0.8133 MA(1) -0.041397 1.841302 -0.022482 0.9821 Variance Equation C 3.90E-06 2.33E-06 1.672548 0.0944 RESID(-1)^2 0.088019 0.029520 2.981720 0.0029 GARCH(-1) 0.878291 0.041334 2.124854 0.0000 ARMA(3,3)/GARCH(0,1) Variable Coefficient Std. Error z-Statistic Prob. C 0.000357 0.000654 0.546369 0.5848 AR(1) 0.082623 0.271857 0.303922 0.7612 Trường Đại học Kinh tế Đại học Huế 42 AR(2) -0.080253 0.060962 -1.316431 0.1880 AR(3) 0.126187 0.046966 2.686792 0.0072 MA(1) 0.133693 0.276060 0.484289 0.6282 Variance Equation C 0.000177 0.002997 0.058970 0.9530 GARCH(-1) -0.411472 2.392345 -0.017200 0.9863 ARMA(3,3)/GARCH(2,1) Variable Coefficient Std. Error z-Statistic Prob. C 0.000322 0.000542 0.593670 0.5527 AR(1) 0.277153 1.830713 0.151391 0.8797 AR(2) -0.069798 0.407684 -0.171206 0.8641 AR(3) 0.025912 0.109548 0.236539 0.8130 MA(1) -0.053510 1.832316 -0.029204 0.9767 Variance Equation C 4.25E-06 2.49E-06 1.706620 0.0879 RESID(-1)^2 0.058253 0.045201 1.288762 0.1975 RESID(-2)^2 0.035001 0.045158 0.775084 0.4383 GARCH(-1) 0.869973 0.044142 1.970852 0.0000 (Nguồn: Bảng tính Eview) Để lựa chọn mô hình tối ưu, ta xét thêm tiêu chuẩn AIC, SIC và hệ số tương quan điều chỉnh R2 . Trong đó tiêu chí AIC, SIC thì càng nhỏ càng tốt, tiêu chí R2 càng gần 1 càng tốt. Ta có bảng tổng hợp kết quả thống kê dưới đây của từng mô hình: Bảng 2.15. So sánh các chỉ tiêu của mô hình GARCH thử nghiệm Mô hình ARMA/GARCH AIC SIC R2 ARMA(3,3)/GARCH(0,1) -6.119946 -6.062428 0.059515 ARMA(3,3)/GARCH(1,1) -6.264903 -6.199169 0.045583 ARMA(3,3)/GARCH(2,1) -6.261912 -6.187961 0.045618 (Nguồn: Bảng tính Eview) Mô hình ARMA(3,3)/GARCH(0,1) tuy phù hợp nhất vì có giá trị AIC/SIC nhỏ nhất và R2 tiến gần đến 1 nhất. Tuy nhiên, sau khi kiểm tra lại mô hình Trường Đại học Kinh tế Đại học Huế 43 ARMA(3,3)/GARCH(0,1) thì vẫn còn hiện tương phương sai sai số thay đổi. Do đó, ta phải chọn một trong 2 mô hình còn lại. Ở đây ta quyết định chọn mô hình ARMA(3,3)/GARCH(2,1) vì giá trị R2 tiến gần đến 1 hơn so với mô hình còn lại là ARMA(3,3)/GARCH(1,1). Ngoài ra mô hình ARMA(3,3)/GARCH(2,1) đã khắc phục được hiện tượng phương sai sai số thay đổi (được kiểm định ở bảng 2.16). Ta kiểm định lại xem mô hình có còn hiện tượng PSSS thay đổi hay không Bảng 2.16- Kết quả kiểm tra lại PSSS Heteroskedasticity Test F-statistic 0.001242 Prob. F(1,514) 0.9719 Obs*R-squared 0.001247 Prob. Chi-Square(1) 0.9718 (Nguồn: Bảng tính Eview) P-Value>0.05 chứng tỏ mô hình đã không còn PSSS thay đổi. Sử dụng mô hình hình ARMA(3,3)/GARCH(2,1) để ước lượng TSSL và phương sai, ta có: Bảng 2.17. Kết quả ước lượng mô hình ARMA(3,3)/GARCH(2,1) Ngoại tệ GBP TSSL 0,03% PSAI 7,88839E-05 (Nguồn: Bảng tính Excel) Thực hiện các bước tương tự cho 4 ngoại tệ còn lại, ta có bảng kết quả tổng hợp như sau: Trường Đại học Kinh tế Đại học Huế 44 Bảng 2.18. Kết quả ước lượng mô hình ARMA/GARCH của các ngoại tệ trong DMĐT USD AUD GBP EUR JPY TSSL -0,23% 0,01% 0,03% 0,24% 0,10% Phương sai 2,5E-05 0,000138 8,58E-05 0,000127 0,000139 ARMA (3,3) (0,1) (3,3) (1,1) (1,0) GARCH (0,0) (1,1) (2,1) (2,1) (0,0) (Nguồn: Bảng tính Eview và Excel) Trong đó chuỗi TSSL của USD, JPY không có hiện tượng PSSS thay đổi, còn chuỗi TSSL của AUD, GBP, EUR tồn tại PSSS thay đổi. Đối với chuỗi TSSL của ngoại tệ không có hiện tượng phương sai sai số thay đổi , ta lấy giá trị phương sai sai số đã ước lượng từ dữ liệu cũ đã tính toán làm kết quả hiệu chỉnh. 2.3.2.3. Phương pháp Risk Metrics Với các chuỗi TSSL đã hiệu chỉnh theo ARMA/GARCH ta có số liệu dự báo cho 7 ngày sau của DM đầu tư: Bảng 2.19. Kết quả dự báo TSSL và tỉ trọng ngoại tệ cho ngày 21/02/2016 Ngoại tệ Tỷ giá dự báo 21/02/2016 Số lượng Giá trị (đồng) TSSL dự báo 21/02/2016 Tỷ trọng USD 21937,36 20.000 438.747.183 -0,23% 32,40% AUD 15583,89 10.000 155.838.940 0,01% 11,51% GBP 31848,08 10.000 318.480.820 0,03% 23,52% EUR 24795,73 10.000 247.957.318 0,24% 18,31% JPY 193,11 1.000.000 193.110.581 0,10% 14,26% TSSL danh mục -0,0090% (Nguồn: Bảng tính Eview và Excel) Trường Đại học Kinh tế Đại học Huế 45 Bảng 2.20. Ma trận phương sai-hiệp phương sai của DMĐT sau hiệu chỉnh USD AUD GBP EUR JPY USD 1,45648E-33 -6,2565E-35 7,93614E-35 4,93034E-35 2,78056E-33 AUD -6,2565E-35 3,00114E-05 1,38424E-05 1,38648E-05 -1,9019E-34 GBP 7,93614E-35 1,38424E-05 1,08005E-05 9,46695E-06 1,77067E-34 EUR 4,93034E-35 1,38648E-05 9,46695E-06 1,20109E-05 8,63388E-35 JPY 2,78056E-33 -1,9019E-34 1,77067E-34 8,63388E-35 5,30834E-33 (Nguồn: Bảng tính Excel) Bảng 2.21. Kết quả tính TSSL và độ lệch chuẩn của DMĐT sau hiệu chỉnh Lợi nhuận trung bình của danh mục -125.328,67 Phương sai danh của danh mục 6,49219E+12 Độ lệch chuẩn của danh mục 2.547.977,26 (Nguồn: Bảng tính Excel) Kểt quả này được sử dụng ước tính VaR bằng phương pháp Risk Metrics theo công thức: ( − ) ∗ %, ầ = | + ()| Mức lỗ tối đa ước lượng tại ngày 21/02/2016 với khoản đầu tư danh mục trị giá 1.354.260.171 đồng ở các mức ý nghĩa 95% và 99% là: VaR (95%, 1 tuần) = |-125.328,67+ (-1.65)x 2.547.977,26|= 4.329.491,14 đồng VaR (99%, 1 tuần) = |-125.328,67+ (-2.33)x 2.547.977,26|= 6.062.115,68 đồng Ý nghĩa: - Với độ tin cậy là 95% thì khoản lỗ tối đa mà NĐT có thể gặp phải sau 7 ngày là 4.329.491,14 đồng hoặc NĐT dự kiến lỗ ít nhất là 4.329.491,14 đồng trong một tuần với xác suất 5%. - Với độ tin cậy là 99% thì khoản lỗ tối đa mà NĐT có thể gặp phải sau 7 ngày là 6.062.115,68 đồng hoặc NĐT dự kiến lỗ ít nhất là 6.062.115,68 đồng trong một tuần với xác suất 1%. Trường Đại học Kinh tế Đại học Huế 46 2.3.2.4. Phương pháp mô phỏng Monte Carlo Mục đích: Thiết lập mô hình bảng tính thể hiện mối quan hệ giữa TSSL của từng ngoại tệ trong danh mục với TSSL danh mục, từ đó dựa vào mô phỏng để dự báo mức lời/lỗ với độ tin cậy xác định. Với cách tiếp cận VaR mở rộng, các số liệu TSSL của từng ngoại tệ với μ và σ đã được hiệu chỉnh bằng ARMA/GARCH kì vọng sẽ cho kết quả sát với thực tế hơn. Phương pháp thực hiện dựa trên: Công cụ tính toán: Phần mềm mô phỏng Crystal Ball. Số lượng mô phỏng: 10000. Biến đầu vào: TSSL của 5 ngoại tệ trong danh mục với trung bình và độ lệch chuẩn được tính từ dữ liệu 520 quan sát và phân phối được lựa chọn là phân phối chuẩn. Biến đầu ra: TSSL của danh mục. Kịch bản mô phỏng: Bảng 2.22. Kịch bản mô phỏng Monte Carlo USD AUD GBP EUR JPY TSSL -0,23% 0,01% 0,03% 0,24% 0,10% Tỷ trọng 32,47% 11,51% 23,51% 18,27% 14,24% TSSL DM -0,0093% Độ lệch chuẩn 0,46% 0,45% 0,06% 0,12% 0,00% (Nguồn: Bảng tính Crystal Ball) Tiến hành mô phỏng, ta có kết quả sau đây Trường Đại học Kinh tế Đại học Huế 47 Biểu đồ 2.4. Kết quả tính TSSL trung bình danh mục bằng Monte Carlo độ tin cậy 95% Biểu đồ 2.5. Kết quả tính TSSL trung bình danh mục bằng Monte Carlo độ tin cậy 99% Vậy ta có: VaR (95%, 1 tuần)= |-0.2749% x 1.354.260.171| = 3.722.861,21 đồng VaR (99%, 1 tuần) = |-0.3769%x 1.354.260.171| = 5.104.206,58 đồng Trường Đại học Kinh tế Đại học Huế 48 Ý nghĩa: - Với độ tin cậy là 95% thì khoản lỗ tối đa mà NĐT có thể gặp phải sau 7 ngày là 3.722.861,21 đồng hoặc NĐT dự kiến lỗ ít nhất là 3.722.861,21 đồng trong một tuần với xác suất 5%. - Với độ tin cậy là 99% thì khoản lỗ tối đa mà NĐT có thể gặp phải sau 7 ngày là 5.104.206,58 đồng hoặc NĐT dự kiến lỗ ít nhất là 5.104.206,58 đồng trong một tuần với xác suất 1%. 2.3.3. Tổng hợp kết quả tính VaR theo các phương pháp Bảng 2.23. Kết quả tính VaR theo các phương pháp Đơn vị tính: đồng Phương pháp VaR(95%,1 tuần) VaR(99%, 1 tuần) Truyền thống Historical Method 15.343.582,89 24.003.101,62 Covariance- Variance 15.931.065,56 22.830.785,67 Mở rộng Risk Metrics 4.329.491,14 6.062.115,68 Monte Carlo 3.722.861,21 5.104.206,58 (Nguồn: Bảng tính Excel) Kết quả tính toán VaR theo các phương pháp tiếp cận truyền thống và mở rộng tại mức tin cậy 95% và 99%, ta nhận thấy: - Kết quả tính VaR theo hai cách tiếp cận truyền thống và mở rộng có sự chênh lệch khá lớn. Đặc biệt giá trị VaR tính theo phương pháp Historical Method, Covariance- Variance thường lớn hơn rất rõ so với hai phương pháp được xây dựng trên cách tiếp cận mở rộng là Risk Metrics, Monte Carlo. Nguyên nhân của sự chênh lệch này là do hai cách tiếp cận có sự khác biệt trong việc sử dụng dữ liệu về chuỗi TSSL. Cụ thể, cách tiếp cận truyền thống đã dùng dữ liệu chuối TSSL đã diễn ra trong quá khứ từ đó cho ra kết quả VaR đồng thời đưa ra một số giả định nhưng không phù hợp với chuỗi dữ liệu. Chẳng hạn, phương pháp Covariance-Variance đưa ra chuỗi TSSL của mỗi ngoại tệ đều tuân theo quy luật phân phối chuẩn nhưng Trường Đại học Kinh tế Đại học Huế 49 qua kiểm định Jarque Bera đã chứng minh được chuỗi TSSL của 5 ngoại tệ đều không có phân phối chuẩn. Qua đó, VaR theo cách tiếp mở rộng đã đưa ra hướng xử lý là phối hợp thêm mô hình ARMA và GARCH để hiệu chỉnh lại chuỗi TSSL sao cho chuỗi TSSL phù hợp với những giả định đặt ra. Chuỗi TSSL mới hiệu chỉnh được xây dựng dựa trên kết quả dự báo từ mô hình nên thường bỏ qua một số biến động bất ngờ từ các cú sốc kinh tế và chịu ảnh hưởng mạnh của tình hình tỷ giá trong những năm gần đây, do đó chuỗi dữ liệu ít biến động hơn, làm giảm độ biến động của danh mục từ đó VaR tính ra sẽ nhỏ hơn. Mặt khác, cách tiếp cận truyền thống sử dụng dữ liệu thực tế của thị trường ngoại tệ trong khoảng thời giản từ 2006-2016 với những biến động mạnh liên tục và kéo dài trong giai đoạn 2008- 2012 đã làm tăng độ biến động của danh mục và kéo theo đó VaR được tính theo hướng truyền thống sẽ cao. Như vây, giá trị VaR được tính theo hướng truyền thống thường cao hơn cách tiếp cận mở rộng là điều tất yếu khi mà ta đã sử dụng dữ liệu đầu vào theo hai cách khác nhau. - Kết quả VaR ở mức xác suất lớn hơn sẽ nhỏ hơn và ngược lại. - VaR tính theo cách tiếp cận mở rộng cho kết quả ít chênh lệch nhau giữa các phương pháp (Risk Metrics, Monte Carlo). Như vậy, ta có thấy được các phương pháp dùng để tính toán thường ra cho ra kết quả quá khác nhau và sự chênh lệch cũng khác phổ biến đối với những chuỗi dữ liệu khác. Tuy nhiên, trong thực tế thì phương pháp mô phỏng Monte Carlo được xem là “cách tiếp cận toàn cầu để tính VaR”, được các công ty, nhà đầu tư và ngân hàng đánh giá là “linh hoạt nhất” bởi vì nó cho phép người sử dụng giả định bất kì mức phân phối xác suất nào và có thể áp dụng đối với danh mục tương đối phức tạp. Mặt khác, để đánh giá chất lượng của những giá trị VaR được tính theo mỗi phương pháp thì nhiều nhà nghiên cứu cũng đưa ra các kiểm định Backtest, Stress-test và công cụ hỗ trợ E-VaR để khắc phục những hạn chế của VaR. Trường Đại học Kinh tế Đại học Huế 50 2.4. Ứng dụng Back-test để kiểm tra tính chính xác của VaR Bảng 2.24. Kết quả kiểm định Back-test STT Ngày Mức lỗ danh mục Historical Method Covariance- Variance Risk Metrics Monte Carlo 95% 99% 95% 99% 95% 99% 95% 99% 4 26/03/2006 7.124.870 0 0 0 0 1 1 1 1 5 02/04/2006 9.283.274 0 0 0 0 1 1 1 1 7 16/04/2006 10.150.213 0 0 0 0 1 1 1 1 13 28/05/2006 3.759.343 0 0 0 0 0 0 1 0 58 08/04/2007 6.046.715 0 0 0 0 1 0 1 1 64 20/05/2007 16.043.557 1 0 1 0 1 1 1 1 483 31/05/2015 15.663.572 1 0 0 0 1 1 1 1 488 05/07/2015 6.343.801 0 0 0 0 1 1 1 1 489 12/07/2015 17.752.500 1 0 1 0 1 1 1 1 Kết quả Back test 27 3 25 4 154 121 166 136 (Nguồn: Bảng tính Excel) Trong đó: - Số 1 chỉ mức lỗ thực tế gặp phải vượt quá VaR (tương ứng với mức tin cậy và phương pháp tính VaR trong bảng. - Số 0 chỉ mức lỗ thực tế gặp phải không vượt quá VaR (tương ứng với mức tin cậy và phương pháp tính VaR trong bảng. Kết quả Backtest cho thấy: Với độ tin cậy 99%, số mức lỗ vượt quá VaR được chấp nhận là: 1%*520=5,2 (xấp xỉ 5 quan sát). Như vậy, ở xác suất 1% thì trong lịch sử có 3 lần mức lỗ vượt quá VaR tính từ phương pháp Historical Method, 4 lần mức lỗ vượt quá VaR tính từ phương pháp Variance-Covariance, 121 lần mức lỗ vượt quá VaR tính từ phương pháp Riskmetric và 136 lần mức lỗ vượt quá VaR tính từ phương pháp Monte Trường Đại học Kinh tế Đại học Huế 51 Carlo. Nếu ở góc độ này thì phương pháp Historical Method và Variance- Covariance cho kết quả khá chính xác vì số lần mức lỗ vượt quá VaR đều nhỏ hơn 5. Mặt khác, phương pháp Riskmetric và Monte Carlo đang đánh giá thấp VaR dẫn đến kết quả chưa chính xác. Với độ tin cậy 95%, số mức lỗ vượt quá VaR được chấp nhận là: 5%*520=26 quan sát. Kết quả Backtest của phương pháp Historical Method và Variance- Covariance lần lượt là 27 và 25 lần, do đó VaR được tính theo hai phương pháp này được cho là đáng tin cậy. Riêng phương pháp Riskmetric và Monte Carlo vẫn đang đánh giá thấp VaR dẫn đến kết quả chưa chính xác Tuy nhiên, điều này cũng hợp lý vì Riskmetric và Monte Carlo đều dựa trên chuỗi TSSL đã được hiệu chỉnh từ kết quả dự báo của mô hình. Do đó, kết quả VaR được tính theo phương pháp Riskmetric và Monte Carlo phụ thuộc nhiều vào tình hình biến động tỷ giá những năm gần đây dẫn đến kết quả VaR thấp hơn so với phương pháp Historical Method và Variance-Covariance là điều dễ hiểu. Mặt khác, việc cố gắng chuẩn hóa mô hình để phù hợp với giả thiết phân phối chuẩn ở phương pháp Riskmetric và Monte Carlo cũng là nguyên nhân gây ra những sai lệch này. Trong thị trường tiền tệ đầy biến động và chịu tác động của nhiều nhân tố thì việc đặt ra giả định phân phối chuẩn sẽ rất hạn chế và cho ra kết quả không chính xác. 2.5. Ứng dụng E-VaR để khắc phục hạn chế của VaR Kết quả Back-test cho thấy VaR (1%) đang đánh giá thấp rủi ro tỷ giá mà ngân hàng gặp phải. Do vây, ta tiến hành tính toán giá trị E-VaR để khắc phục một số hạn chế của VaR. Trường Đại học Kinh tế Đại học Huế 52 Bảng 2.25. Kết quả tính E-VaR theo phương pháp phương sai-hiệp phương sai Đơn vị tính: đồng STT Mức lỗ DM (Li) Xác suất Li*pi 1 27.023.758 0,001923 51.969 2 29.925.028 0,001923 57.548 3 23.045.188 0,001923 44.318 4 28.089.601 0,001923 54.018 Tổng 0,007692 207.853 E-VaR 27.020.894 (Nguồn: Bảng tính Excel) Bảng 2.26. So sánh kết quả VaR và E-VaR Đơn vị tính: đồng Phương pháp VaR(1%) E-VaR(1%) Truyền thống Historical Method 24.003.101,62 28.346.129 Covariance- Variance 22.830.785,67 27.020.894 Mở rộng Risk Metrics 6.062.115,68 11.614.287 Monte Carlo 5.104.206,58 10.950.480 (Nguồn: Bảng tính Excel) Kết quả cho thấy có sự chênh lệch đáng kể giữa giá trị E-VaR và giá trị VaR. Đặc biệt là ở phương pháp mô phỏng Monte Carlo và Riskmetrics khi giá trị E-VaR lớn hơn giá trị VaR khoảng trên 5 triệu đồng. Sở dĩ có sự chênh lệch lớn như vậy là do dữ liệu đầu vào của E-VaR là những khoản lỗ vượt quá VaR. Giá trị E-VaR sẽ cho kết quả chính xác về việc đo lường rủi ro hơn VaR, giúp cho chúng ta có cái nhìn toàn diện hơn về rủi ro tỷ giá mà ngân hàng có thể đối mặt. Chính kết quả này sẽ làm cơ sở cho nhà quản trị rủi ro đưa ra các quyết định phòng ngừa rủi ro thích hợp. Trường Đại học Kinh tế Đạ ọc Huế 53 2.6. Ứng dụng Stress-test để khắc phục hạn chế của VaR Với dữ liệu tỷ giá quá khứ, khi xem xét mức độ biến động tăng giảm các đồng tiền thì các đồng tiền thường biến động xoay quanh một ngưỡng nhất định. Tuy nhiên, trong thực tế có những thời điểm tỷ giá đã biến động rất lớn mà ta không thể lường trước được, cụ thể như: tỷ giá JPY/VNĐ biến động đến 7,32% trong giai đoạn khủng hoảng tài chính thế giới 2007-2008. Đặc biệt, tỷ giá USD/VNĐ vào ngày 11/02/2011 đã biến động tới 9,8%. Như vậy các kết quả VaR được mô phỏng ở trên vẫn chưa thực sự phản ánh chính xác rủi ro khi các cú sốc kinh tế xảy ra. Để có thể kiểm tra giá trị rủi ro trong trường hợp cú sốc kinh tế xảy ra ta có thể dùng Stress-test với độ biến động được mở rộng thêm 3% so với TSSL trung bình của dao động tỷ giá trong quá khứ. Kết quả tính VaR(1%) từ phương pháp Monte Carlo được trình bày như sau: Bảng 2.27. Kịch bản mô phỏng Monte Carlo khi sử dụng Stress-test USD AUD GBP EUR JPY TSSL -0,23% 0,01% 0,03% 0,24% 0,10% Tỷ trọng 32,47% 11,51% 23,51% 18,27% 14,24% TSSL DM -0,0093% Độ lệch chuẩn 0,46% 0,45% 0,06% 0,12% 0,00% Stress-test 3,46% 3,45% 3,06% 3,12% 3,00% (Nguồn: Bảng tính Excel) Tiến hành mô phỏng theo kịch bản, ta có kết quả sau: Trường Đại học Kinh tế Đại học Huế 54 Biểu đồ 2.6. Kết quả Stress test bằng phương pháp Monte Carlo Vậy ta có: VaR (99%, 1 tuần) = |-3.6612%x 1.354.260.171| = 49.582.173,38 đồng Kết quả cho thấy trong trường hợp có cú sốc kinh tế xảy ra thì khoản lỗ lớn nhất mà ngân hàng có thể phải gánh chịu là 49.582.173,38 đồng với độ tin cậy 99%. Giá trị này gấp 9,65 lần so với giá trị VaR đã được tính theo cùng phương pháp Monte Carlo trước đó là 5.104.206,58 đồng. Mức so sánh này cho ta thấy tầm quan trọng của Stress test và đây cũng là cơ sở giúp cho các nhà quản trị đánh giá chính xác hơn về rủi ro tỷ giá, từ đó có quyết định phòng ngừa thích hợp. Ở đây, NHTM đầu tư trên 1,3 tỷ đồng cho hoạt động kinh doanh ngoại tệ trong 7 ngày, với nguy cơ lỗ lớn nhất là 49.582.173,38 đồng với xác suất 1/520 quan sát. Ta nhận thấy rằng với mức lỗ này chưa gây ảnh hưởng mảnh đến hoạt động của ngân hàng nhưng nếu áp dụng trong thực tế thì quy mô kinh doanh có thế lớn hơn nhiều thì lúc này cảm nhận về rủi ro sẽ tăng lên và nhu cầu cấp bách về quản trị rủi ro tỷ giá. Trường Đại học Kinh tế Đại học Huế 55 CHƯƠNG 3: ỨNG DỤNG KẾT QUẢ VaR TRONG PHÒNG NGỪA RỦI RO KINH DOANH NGOẠI TỆ TẠI CÁC NHTM VIỆT NAM 3.1. Ứng dụng kết quả tính VaR để đưa ra quyết định đầu tư Kết quả tính VaR là một con số cụ thể, thể hiện khoản lỗ tiềm năng trong một khoảng thời gian với mức xác suất đã xác định trước. Từ những thông tin mà mô hình VaR cung cấp, các nhà quản lý danh mục có thể đưa ra những quyết định quan trọng và kịp thời đối với danh mục của họ. Ở nghiên cứu này, giả sử một NHTM có danh mục đầu tư là 1.354.260.171 VNĐ cho một giao dịch kỳ hạn được thực hiện sau 7 ngày, nguy cơ lỗ dự kiến là 5.104.206,58 VNĐ (theo phương pháp Monte Carlo ứng với xác suất 1%). Do đó, ta xác định được tỷ lệ lỗ tối đa của danh mục là: .., ... = 0,38% Trong tình huống xấu nhất, khi gặp phải cú sốc bất lợi của thị trường thì mức lỗ lớn nhất mà ngân hàng có thể phải gánh chịu là 49.582.173,38 VNĐ (theo kết quả Stress test ứng với xác suất 1%), lúc này tỷ lệ lỗ là: .., ... = 3.66% Với mức lỗ tiềm năng đã được xác định trước dựa trên kết quả VaR và so sánh với mức sinh lời bình quân của từng ngân hàng trong lĩnh vực kinh doanh ngoại hối thì ta có đưa ra một số khuyến nghị về việc có nên thực hiện các hợp động kì hạn ngoại tệ hay không. Chẳng hạn, nếu ngân hàng dự kiến khả năng sinh lời của giao dịch này khoảng 4% cao hơn nhiều so với tỷ lệ lỗ dự kiến thì ngân hàng có thể cân nhắc tới việc thực hiện hợp đồng giao dịch này. 3.2. Ứng dụng chi phí rủi ro biên để phòng ngừa rủi ro tỷ giá Với mức lỗ lớn nhất đã tính được từ mô hình VaR, nhưng vấn đề đặt ra là hợp đồng nào sẽ được chọn giao dịch ngoại tệ phái sinh phòng ngừa rủi ro tỷ giá. Vì ngân hàng không thể đồng thời thực hiện phòng ngừa rủi ro cho tất cả hợp đồng, vì Trường Đại học Kinh tế Đại học Huế 56 nếu thực hiện phòng ngừa cho tất cả thì sẽ làm tăng chi phí dự phòng kéo theo lợi nhuận từ hoạt động này sẽ giảm. Mặt khác thị trường cũng không thể đáp ứng nhu cầu này. Do vậy, kiến nghị được đưa ra là dùng chi phí rủi ro biên để tăng tính hiệu quả của việc ứng dụng mô hình VaR. Chi phí rủi ro biên của một giao dịch kỳ hạn X đóng góp vào trong danh mục các hợp đồng kỳ hạn đang có tại ngân hàng là phần rủi ro mà X làm tăng lên cho danh mục so với khi chưa có X. Hay cụ thể MRCx được tính bằng công thức sau MRCx = σ(P+X) - σ(P) với σ là ký hiệu của độ lệch chuẩn. Kết quả tính toán chi phí rủi ro biên được trình bày ở bảng 3.1 Bảng 3.1. Kết quả tính toán chi phí rủi ro biên của các hợp đồng kỳ hạn Hợp đồng kì hạn Độ lệch chuẩn của X Độ lệch chuẩn danh mục P+X Độ lệch chuẩn danh mục P Chi phí rủi ro biên USD 0,00500085 0,00749239 0,00969593 -0,00220354 AUD 0,01592763 0,00749239 0,00706085 0,00043154 GBP 0,01152038 0,00749239 0,00699731 0,00049508 EUR 0,01217653 0,00749239 0,00692851 0,00056388 JPY 0,01179598 0,00749239 0,00797763 -0,00048523 (Nguồn: Bảng tính Excel) Với kết quả từ bảng trên, ta thấy hợp đồng kỳ hạn mua 10.000 EUR có rủi ro cao nhất, sau đó là hợp đồng kỳ hạn mua 10.000 GBP và 10.000 AUD. Nếu ngân hàng muốn giảm mức độ rủi ro thì có thể cân nhắc lợi bỏ các hợp đồng mang lại rủi ro cao, cụ thể trong trường hợp này có thể cân nhắc việc không thực hiện hợp đồng mua kỳ hạn 10.000 EUR, nghĩa là ta chỉ thực hiện 4 hợp đồng kỳ hạn liên quan đến USD, AUD, GBP, JPY thì rủi ro của danh mục sẽ giảm 0,056%. Ngoài ra, ngân hàng có thể sử dụng công cụ phái sinh để phòng ngừa, ở đây ngân hàng có thể thực hiện vị thế bán đối với hợp đồng kỳ hạn EUR để giảm thiểu rủi ro do sự biến động của tỷ giá. Trường Đại học Kinh tế Đại học Huế 57 Nếu ngân hàng muốn an toàn hơn thì có thể phòng ngừa tiếp cho hợp đồng kỳ hạn mua 10.000 GBP và 10.000 AUD . Tuy nhiên, trước khi ra quyết định phòng ngừa thì cần lưu ý rằng nếu thực hiện phòng ngừa rủi ro càng nhiều sẽ giúp giảm thiểu rủi ro nhưng đồng thời lợi nhuận của ngân hàng từ hoạt động này cũng sẽ giảm. Do đó, ta cần so sánh giữa rủi ro và lợi nhuận để ra quyết định hợp lý. Mặt khác, ta nhận thấy chi phí rủi ro biên của USD và JPY mang dấu âm thì ta có thể hiểu sự có mặt của hợp đồng kỳ hạn mua USD và JPY sẽ làm rủi ro của danh mục giảm. 3.3. Một số chiến lược phòng ngừa rủi ro tỷ giá bằng hợp đồng quyền chọn Thị trường giao dịch ngoại tệ ngày càng phát triển và đa dạng khi các ngân hàng nhà nước Việt Nam đã ban hành các thông tư quy định, hướng dẫn các ngân hàng thường mai sử dụng công cụ phái sinh để phòng ngừa rủi ro tỷ giá: hợp đồng kì hạn, hợp đồng quyền chọn, hợp đồng giao sau và hợp đồng hoán đổi. Với tư cách là một công cụ phòng chống rủi ro nhưng cùng với sự lớn mạnh và phức tạp của thị trường tài chính, các công cụ tài chính phái sinh cũng được sử dụng nhiều hơn để tìm kiếm lợi nhuận và thực hiện các hoạt động đầu cơ. Những nhà kinh doanh ngoại tệ có thể kết hợp chiến thuật quyền chọn cùng với kỹ năng phân tích, dự báo về tỷ giá và mức lỗ tối đa được tính từ VaR để cân nhắc sử dụng các hợp đồng quyền chọn trong giao dịch ngoại tệ nhằm giảm thiểu rủi ro và mang lại lợi nhuận. Sau đây xin được giới thiệu chi tiết chiến lược Straddle được xem là chiến lược được được sử dụng phổ biến hiện nay. Chiến lược straddle Chiến lược Straddle là một trong những cách để phòng ngừa rủi ro tỷ giá hiệu quả mà các nhà đầu tư lẫn ngân hàng đang thực hiện trong thực tế và cũng được đánh giá là một trong những chiến lược mang lại lợi nhuận mong muốn cho các nhà đầu tư. Straddle là đồng thời mua (hoặc đồng thời bán) cả 2 hợp đồng quyền chọn mua và quyền chọn bán trên cùng một ngoại tệ, với giá thực hiện ở hai hợp đồng có thể bằng nhau hoặc có sự chênh lệch và có cùng ngày đáo hạn. Có hai loại: long straddle và short straddle Trường Đại học Kinh tế Đại học Huế 58  Long Straddle Quyền chọn này được thực hiện bằng cách mua cùng một lúc quyền chọn mua và quyền chọn bán ở trạng thái ngang giá quyền chọn (ATM), trên cùng một ngoại tệ với giá thực hiện lần lượt là X1, X2 (X1< X2) và cả 2 hợp đồng có cùng ngày đáo hạn. Đồ thị 3.1. Lời/Lỗ trong chiến lược Long Straddle Với ST: tỷ giá giao ngay của đồng tiền cơ sở X1: tỷ giá thực hiện của hợp đồng mua quyền chọn mua (Long Call) X2: tỷ giá thực hiện của hợp đồng mua quyền chọn bán (Long Put) C: phí quyền chọn của hợp đồng mua quyền chọn mua (Long Call) P: phí quyền chọn của hợp đồng mua quyền chọn bán (Long Put) Trường Đại học Kinh tế Đại học Huế 59 Bảng 3.2.Tổng hợp lợi nhuận của chiến lược Long Straddle Tỷ giá ST Thu hồi từ long call Thu hồi từ long put Tổng thu hồi Tổng lợi nhuận ST ≤ X1 0 X2 - ST X2 - ST X2 - ST - (C+P) X1<ST< X2 ST - X1 X2 - ST X2 - X1 X2 - X1 - (C + P) ST ≥ X2 ST - X1 0 ST - X1 ST – X1 - (C+P) (Nguồn tác giả tự tính toán) Điểm hòa vốn: X2 - ST - (C+P) = 0 ST1 = X2 - (C + P) ST - X1- (C+P) = 0ST2 = X1 + (C+ P) Như vậy, chiến lược này có 2 điểm hòa vốn. Điểm hòa vốn dưới (ST1) bằng giá thực hiện của hợp đồng mua quyền chọn bán trừ đi phí quyền chọn ròng. Điểm hòa vốn trên (ST2) bằng giá thực hiện hợp đồng mua quyền chọn mua cộng phí quyền chọn ròng. Có thể thấy rằng chiến lược Long Straddle có ưu điểm lớn nhất là mang lại lợi nhuận không giới hạn và ước tính được khoản lỗ tối đa gặp phải khi rủi ro tỷ giá xảy ra. Khoản lỗ trong giao dịch này chủ yếu đến từ: phí của 2 hợp đồng quyền chọn và khoản chênh lệch giá thực hiện (nếu X1> X2). Đối với chiến lược này, nếu tỷ giá giao ngay vào ngày đáo hạn chỉ biến động với biên độ nhỏ so với giá thực hiện thì chiến lược này xem như thất bại, vì sự chênh lệch này không đủ bù đắp chi phí giao dịch từ việc mua hợp đồng quyền chọn. Lỗ tối đa bằng X2-X1-(C + P) xảy ra khi X1<ST< X2. Lợi nhuận từ chiến lược Long Straddle mang lại khi tỷ giá giao ngay rời ra xa đáng kể so với giá thực hiện và nếu tỷ giá giao ngay rời càng xa hay biến động càng mạnh vào ngày đáo hạn thì khoản lợi nhuận thu được sẽ càng lớn. Vì vậy, Long Straddle sẽ rất có lợi khi nhà đầu tư cho rằng yếu tố rủi ro cao và thị trường có khả năng biến động theo 2 hướng tăng hoặc giảm mạnh. Hay nói cách khác, khi sử dụng chiến lược này, nhà đầu tư cược rằng ngoại tệ sẽ biến động mạnh. Tuy nhiên, ta Trường Đại học K nh tế ại học Huế 60 phải hiểu rằng thực tế lợi nhuận ở đây không thể vô hạn vì tỷ giá của thị trường có thể sẽ biến động mạnh nhưng phải nằm trong một giới hạn nhất định, nhất là khi thị trường ngoại tệ ở Việt Nam vẫn đang áp dụng biên độ dao động tỷ giá.  Short straddle Chiến lược này thực hiện bằng cách bán đồng thời quyền chọn mua và quyền chọn bán ở trạng thái ngang giá quyền chọn (ATM) trên cùng một ngoại tệ với giá thực hiện lần lượt là X1, X2 (X1< X2) và cả 2 hợp đồng có cùng ngày đáo hạn. Chiến lược này có lợi nhuận là giới hạn và lỗ vô hạn. Nhà đầu tư có thể sử dụng chiến lược Short Straddle khi dự đoán đồng tiền cơ sở sẽ ít biến động so với tỷ giá thực hiện quyền chọn. Khoản lợi nhuận mà người bán thu được đến từ phí quyền chọn của các hợp đồng mà người mua phải trả. Tuy nhiên nếu tỷ giá biến động mạnh thì người bán Straddle cũng sẽ bị thua lỗ không giới hạn, mặc dù trong thực tế thì khoản lỗ này không phải thực sự là không giới hạn vì tỷ giá thường biến động trong một phạm vi nhất đinh nhưng lúc này người bán cũng phải chịu một khoản lỗ khá lớn. Khoản lỗ của người bán cũng chính là lợi nhuận mà người mua thu được. Đồ thị 3.2. Lời/Lỗ trong chiến lược Short Straddle Với ST: tỷ giá giao ngay của đồng tiền cơ sở X1: tỷ giá thực hiện của hợp đồng mua quyền chọn mua (Long Call) X2: tỷ giá thực hiện của hợp đồng mua quyền chọn bán (Long Put) Trường Đại học Kinh tế Đại học Huế 61 C: phí quyền chọn của hợp đồng mua quyền chọn mua (Long Call) P: phí quyền chọn của hợp đồng mua quyền chọn bán (Long Put) Bảng 3.3. Tổng hợp lợi nhuận của chiến lược Short Straddle Tỷ giá ST Thu hồi từ long call Thu hồi từ long put Tổng thu hồi Tổng lợi nhuận ST ≤ X1 0 -(X2 - ST) -(X2 - ST) -(X2 - ST) + (C+P) X1<ST< X2 -(ST - X1) -(X2 - ST) X1- X2 X1- X2 + (C + P) ST ≥ X2 -(ST - X1) 0 -(ST - X1) -(ST - X1) + (C+P) ( Nguồn tác giả tự tính toán) Điểm hòa vốn: -(X2 - ST) + (C+P) = 0ST1 = X2- (C+P) -(ST - X1) + (C+P)= 0 ST2= X1 + (C+P) Kết luận: Dựa vào diễn biến của thị trường ta có thể lựa chọn chiến lược phù hợp, đối với chiến lược Long Straddle thì lợi nhuận là không giới hạn, còn với chiến lược Short Straddle thì lợi nhuận lớn nhất chính là tổng 2 khoản phí quyền chọn mua và quyền chọn bán. Bên cạnh chiến lược Straddle, ngân hàng cũng có thể phòng ngừa rủi ro bằng nhiều chiến lược quyền chọn khác bằng cách thực hiện đặt các lệnh mua hay bán với các hợp đồng quyền chọn mua và hợp đồng quyền chọn bán theo các cách khác nhau. Trường Đại học Kinh tế Đại học Huế 62 PHẦN III: KẾT LUẬN 1. Kết quả đạt được Hoạt động KDNT tại Việt Nam đang diễn ra cạnh tranh giữa các NHTM trong và ngoài nước với ưu thế và chiếm thị phần cao hơn thuộc về ngân hàng có vốn đầu tư nước ngoài. Điều này đã gây ra không ít khó khăn cho các NHTM trong nước và chìa khoá để giải quyết vấn đề này là quan tâm đến hoạt động quản trị rủi ro tỷ giá. Quy định về quản trị rủi ro tỷ giá bằng trạng thái ngoại tệ của NHNN chưa đủ để giải quyết rủi ro về tỷ giá khi không thể cho thấy mức lỗ lớn nhất mà các NHTM gặp phải trước những cú sốc về kinh tế. Đề tài đã đưa ra mô hình VaR giúp cho các nhà đầu tư và ngân hàng có cái nhìn chính xác hơn về rủi ro khi đo lường được mức lỗ tối đa của các khoản đầu tư vào hoạt động KDNT. Các tính toán về VaR được xây dựng trên bộ số liệu khá lớn trong quá khứ, gồm 521 quan sát, khoảng thời gian gần 10 năm từ 2006-2016 đã bao gồm giai đoạn khủng hoảng kinh tế thế giới 2007- 2008 và giai đoạn ổn định tỷ giá 2011-2015 khi NHNN siết chặt về tỷ giá bằng cách ban hành hàng loạt thông tư nhằm giảm thiểu rủi ro trong hoạt động KDNT. Thông qua việc phân tích chuỗi số liệu về tỷ giá, đề tài đã làm rõ được ưu điểm và nhược điểm của các phương pháp kỹ thuật tính VaR, đánh giá được hiệu quả khi áp dụng VaR trong việc đo lường rủi ro tỷ giá của danh mục gồm 5 đồng tiền mạnh (USD, GBP, EUR, JPY, AUD), trên cơ sở đó đưa ra một số kiến nghị và biện pháp phòng ngừa rủi ro tỷ giá cho các NHTM. Tuy nhiên, VaR cũng có hạn chế nhất định nên bài nghiên cứu cũng đưa ra một số công cụ để kiểm định và khắc phục những hạn chế của VaR như: Back test, Stress test, E-VaR. Đề tài thực sự hữu ích khi đã đưa ra các cách tiếp cận khác nhau để tính VaR. Mặc dù, mỗi cách tiếp cận đều ra kết quả khác nhau và có sự chênh lệch nhưng đều có những ưu và nhược điểm riêng. Điển hình là phương pháp tính VaR theo hướng mở rộng thường cho ra kết quả nhỏ hơn so với cách tiếp cận truyền thống nhưng nó lại phản ứng khá chính xác khi áp dụng VaR trong ngắn hạn, tránh trường hợp đánh giá quá cao giá trị VaR và trích lập dự phòng cao. Phương pháp tính VaR truyền thống thường cho ra giá trị VaR khá cao và được sử dụng khi áp dụng VaR trong Trường Đại học Kinh tế Đại học Huế 63 dài hạn vì trong khoảng thời gian dài thì thị trường dễ gặp phải các cú sốc kinh tế làm tỷ giá biến động mạnh. 2. Hạn chế của đề tài Phương pháp tính VaR sử dụng chuỗi dữ liệu lịch sử và giả định rằng những diễn biến trong quá khứ là căn cứ để phản ánh giá trị trong tương lai. Tuy nhiên, thực tế thì giá trị tương lai của các biến số kinh tế vĩ mô sẽ không tiếp tục diễn biến như trong quá khứ mà biến động theo nhiều xu hướng khác nhau và rất khó để đưa ra dự đoán chính xác. Do đó, các phương pháp tính VaR chỉ hiệu quả trong việc dự báo mức lỗ ngắn hạn, còn trong dài hạn thường tồn tại nhiều yếu tố bất ngờ mà ta không lường trước được ảnh hưởng đến tính chính xác của VaR. Đề tài đã đưa ra phương pháp tính VaR theo hướng tiếp cận mở rộng bằng cách kết hợp mô hình ARMA/GARCH nhằm hiệu chỉnh số liệu đã giúp xoá bỏ một số hạn chế liên quan đến các giả định về VaR như: phân phối chuẩn, tính dừng, phương sai sai số không đổi,... Tuy nhiên, bên cạnh khắc phục một số hạn chế trên thì phương pháp tính VaR theo hướng mở rộng cũng gặp phải vướng mắc khi giá trị VaR thường thấp hơn so với cách tiếp cận truyền thống. Nguyên nhân của vấn đề trên là do chuỗi số liệu sau hiệu chỉnh được xây dựng dựa trên kết quả dự báo từ mô hình dẫn đến chuỗi số liệu mới thường bỏ qua một số biến động bất ngờ từ các cú sốc kinh tế và chịu ảnh hưởng mạnh bởi những biến động thị trường trong những năm gần đây. Do đó, chuỗi số liệu thường phản ánh xu hướng thị trường trong trong những khoảng thời gian gần nhất nên phương pháp tính VaR theo hướng mở rộng thích hợp khi áp dụng VaR trong ngắn hạn. Với kiểm định Back test, ta phát hiện một số phương pháp tính VaR còn chưa chính xác đặc biệt là 2 phương pháp tính VaR theo hướng mở rông: Risk Metrics và Monte Carlo. Theo kết quả từ kiểm định Back test thì VaR được tính theo hướng mở rộng được xem là bị đánh giá thấp và chỉ dùng tốt khi áp dụng trong ngắn hạn tuy nhiên trong giới hạn đề tài vấn chưa đề xuất được cách khắc phục hạn chế này. Trường Đại học Kinh tế Đại học Huế 64 Đề tài nghiên cứu áp dụng VaR trong việc đo lường rủi ro tỷ giá với việc sử dụng bộ số liệu tỷ giá Việt Nam giai đoạn 2006-2016. Tuy nhiên ở nước ta trong 5 năm gần đầy thì tỷ giá là vấn đề được quan tâm và chịu sự điều tiết mạnh mẽ từ phía NHNN với việc ban hành nhiều thông tư đặc biệt là quy định về biên độ dao động tỷ giá nhằm hạn chế sự biến động mạnh về tỷ giá do đó số liệu thu thập được trong những năm gần đây có mức độ biến động không cao. Như vậy, chuỗi số liệu này có thể làm thấp giá trị VaR, giảm dự phòng rủi ro dẫn đến nguy cơ rủi ro cao khi thị trường bất ngờ biến đông mạnh trước các cú sốc kinh tế. 3. Hướng phát triển của đề tài Nghiên cứu này chỉ áp dụng VaR để đo lường rủi ro tỷ giá trên cơ sở đó tiến hành phòng ngừa. Tuy nhiên, phương pháp này còn bị động nên ta có thể kết hợp việc áp dụng các mô hình dự báo tỷ giá cũng như những kiến thức phân tích chuyên sâu về kinh tế từ đó đưa ra quyết định đầu tư chính xác hơn. Bên cạnh việc vận dụng VaR, có thể sử dụng C-VaR để khắc phục một số hạn chế mà VaR không làm được. Ngoài ra, ta có thể nghiên cứu áp dụng một số phương pháp tính VaR khác hay các mô hình có khả năng đo lường rủi ro nhằm hỗ trợ cũng như khắc phục những hạn chế mà đề tài gặp phải. Trường Đại học Kinh tế Đại học Huế 65 DANH MỤC TÀI LIỆU THAM KHẢO  TÀI LIỆU TIẾNG VIỆT [1] Chương trình giảng dạy kinh tế FullBright, “ Kinh tế lượng về chuỗi thời gian- Dự báo với mô hình ARIMA và VaR” [2] Trần Mạnh Hà (2010), “ Ứng dụng Value at risk trong việc cảnh báo và giám sát rủi ro thị trường đối với hệ thống NHTM Việt Nam”, Tạp chí khoa học và đào tạo ngân hàng. [3] Nguyễn Khắc Hiếu (2014) “ Mô hình ARIMA và dự báo lạm phát 6 tháng cuối năm 2014 tại Việt Nam” [4] Trần Quang Huy (2014), “Nghiên cứu ứng dụng mô hình VaR và mô hình ARIMA vào quản trị rủi ro danh mục cổ phiêu niêm yết” [5] Nguyễn Thị Khánh Linh (2015), “ Đo lường rủi ro trong kinh doanh ngoại hối tại các NHTM Việt Nam - Một ứng dụng của VaR” [6] Bùi Quang Tín (2013), “ Quản lý rủi ro trong kinh doanh ngoại hối của các NHTM cổ phần tại thành phố Hồ Chí Minh” [7] Nguyễn Văn Tiến (2011), “ Thị trường ngoại hối”, NXB Thống kê. [8] Nguyễn Thị Thanh Thúy (2008) “ Ứng dụng VaR trong quản trị rủi ro danh mục các cổ phiếu niêm yết, Trường Đại học Kinh tế Tp.HCM” [9] Đỗ Nam Tùng (2010), “Quản trị rủi ro bằng mô hình VaR mở rộng”  TÀI LIỆU TIẾNG ANH [10] Carol Alexander(2001), Market Models, Copyright John Wiley & Sons Lid. [11] Gregory P.Hopper(1996), Value at Risk: A new Methodology for Measuring Portfolio Risk, Business Review [12] Kenyon (1991), Currency risk and business management, Basil Blackwell Trường Đại học Kinh tế Đại học Huế 66 [13] Jamie Monogan (2009), ARIMA Estimatation – Adapting Maximum Likelihood to the Special Issues of Time Series. [14] Phillippe Jorion (1996), “ Risk: Measuring the Risk in Value at Risk”  TRANG WEB [15] www.imf.org : Trang web của Quỹ tiền tệ thế giới IMF [16] www.gso.gov.vn : Trang web của Tổng cục thống kê Việt Nam [17] www.mof.gov.vn : Trang web của Bộ tài chính [18] www.sbv.gov.vn : Trang web của Ngân hàng nhà nước Việt Nam Trường Đại học Kinh tế Đại học Huế 67 PHỤ LỤC 1. Chuỗi tỷ suất sinh lời của các đồng tiền TSSL Ngày USD AUD GBP EUR JPY 26/02/2006 05/03/2006 -0,11% 0,46% 0,16% 0,33% 1,15% 12/03/2006 0,71% -0,36% -0,06% 0,50% -0,88% 19/03/2006 -0,71% -1,01% -0,16% 0,50% 0,01% 26/03/2006 -0,40% -2,86% -0,47% -0,48% -0,31% 02/04/2006 -0,76% -1,29% -0,99% -0,73% -1,05% 06/05/2012 -0,23% -1,12% -0,19% -0,64% 0,81% 13/05/2012 -0,13% -2,11% -0,58% -1,62% 0,10% 20/05/2012 -0,19% -1,92% -1,46% -1,69% 0,05% 27/05/2012 0,07% -1,11% -1,17% -1,08% 0,20% 03/06/2012 -0,34% -0,74% -1,73% -1,71% 0,69% 17/01/2016 0,09% -1,71% -1,43% 0,41% 0,75% 24/01/2016 -0,18% -0,08% -1,28% -0,44% -0,43% 31/01/2016 -0,54% 0,90% -0,25% -0,56% -1,96% 07/02/2016 -0,17% 0,61% 1,21% 1,62% 0,73% 14/02/2016 0,18% 0,01% 0,24% 1,98% 4,10% 2. Đồ thị biểu diễn sự phân bố tỷ suất sinh lời của các đồng tiền Trường Đại học Kinh tế Đại học Huế 68 Trường Đại học Kinh tế Đại học Huế 69 3. Kiểm định Dickey-Fuller Null Hypothesis: GBP has a unit root Exogenous: Constant Lag Length: 2 (Automatic - based on SIC, maxlag=18) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -11.21355 0.0000 Test critical values: 1% level -3.442771 5% level -2.866911 10% level -2.569692 *MacKinnon (1996) one-sided p-values. Null Hypothesis: AUD has a unit root Trường Đại học Kinh tế Đại học Huế 70 Exogenous: Constant Lag Length: 0 (Automatic - based on SIC, maxlag=18) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -17.21706 0.0000 Test critical values: 1% level -3.442722 5% level -2.866889 10% level -2.569680 *MacKinnon (1996) one-sided p-values. Null Hypothesis: EUR has a unit root Lag Length: 0 (Automatic - based on SIC, maxlag=18) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -16.57852 0.0000 Test critical values: 1% level -3.442722 5% level -2.866889 10% level -2.569680 *MacKinnon (1996) one-sided p-values. Null Hypothesis: USD has a unit root Exogenous: Constant Lag Length: 0 (Automatic - based on SIC, maxlag=18) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -24.17870 0.0000 Test critical values: 1% level -3.442722 5% level -2.866889 10% level -2.569680 *MacKinnon (1996) one-sided p-values. Null Hypothesis: JPY has a unit root Exogenous: Constant Lag Length: 0 (Automatic - based on SIC, maxlag=18) Trường Đại học Kinh tế Đại học Huế 71 t-Statistic Prob.* Augmented Dickey-Fuller test statistic -17.31446 0.0000 Test critical values: 1% level -3.442722 5% level -2.866889 10% level -2.569680 *MacKinnon (1996) one-sided p-values. Trường Đại học Kinh tế Đại học Huế

Các file đính kèm theo tài liệu này:

  • pdfton_phi_hung_9057.pdf
Luận văn liên quan