Ứng dụng Bootstrap trong Phân tích Tài chính: Từ IID đến Moving-Block

Bên cạnh các phương pháp Monte Carlo sử dụng phân phối tham số (như phân phối Chuẩn hay phân phối Student-t), một triết lý phân tích hoàn toàn khác biệt được áp dụng rộng rãi trong quản trị rủi ro: Hãy để dữ liệu tự cất tiếng nói. Đó chính là triết lý cốt lõi của phương pháp Bootstrap.

Bài viết này đi sâu vào cách áp dụng Bootstrap để mô phỏng rủi ro, phân tích sự khác biệt giữa Bootstrap cơ bản (IID) và Bootstrap nâng cao (Khối trượt - Moving-Block), đồng thời lý giải tại sao việc chọn đúng kỹ thuật lại mang tính sống còn đối với dữ liệu tài chính (đặc biệt là bài toán ước lượng VaR).

1. Giới hạn của mô hình Tham số (Parametric Models)

Khi sử dụng mô phỏng theo Student-t hay Chuẩn, bạn đang ép dữ liệu phải tuân theo một khuôn mẫu toán học cố định. Tuy nhiên, thị trường thực tế đôi khi tạo ra những phân phối hình dáng kỳ dị (bất đối xứng phức tạp, có nhiều đỉnh - bimodal) mà không một hàm lý thuyết đơn giản nào khớp nổi một cách hoàn hảo.

Đó là lúc ta cần tới Bootstrap phi tham số (Non-parametric Bootstrap).

2. Bootstrap Tiêu chuẩn (IID Bootstrap)

Nguyên lý của IID Bootstrap rất đơn giản:

1. Lấy toàn bộ lịch sử lợi suất hằng ngày của danh mục trong quá khứ (ví dụ 1000 ngày).
2. Xáo trộn chúng vào một “hộp bốc thăm”.
3. Để tạo ra kịch bản 20 ngày tới, ta thò tay vào hộp bốc ngẫu nhiên 1 ngày, ghi lại kết quả, rồi bỏ lại vào hộp (bốc mẫu có hoàn lại - sampling with replacement). Lặp lại thao tác này 20 lần.

Lỗ hổng chết người: Phương pháp này ngầm giả định các ngày giao dịch độc lập hoàn toàn với nhau (IID - Independent and Identically Distributed). Nhưng trong thực tế, thị trường tài chính có hiện tượng cụm biến động (volatility clustering - thường được xác nhận qua kiểm định Ljung-Box): những ngày bão táp thường tụ lại thành chuỗi liên tiếp. Việc bốc từng ngày rời rạc phá nát hoàn toàn cấu trúc thời gian của dữ liệu, khiến “chuỗi bão” bị xé lẻ và trung bình hóa, làm giảm đi nghiêm trọng rủi ro cực trị thực sự.

3. Khối trượt (Moving-Block Bootstrap)

Để khắc phục điểm yếu trên, kỹ thuật Moving-Block Bootstrap ra đời. Thay vì bốc từng ngày rời rạc, ta sẽ bốc theo từng khối (cụm) liên tiếp. Ví dụ, nếu chọn kích thước khối (block size) là 5 ngày:

1. Ta bốc ngẫu nhiên một ngày khởi đầu $t$.
2. Ta lấy luôn chuỗi lợi suất từ $t$ đến $t+4$.
3. Tiếp tục bốc khối 5 ngày khác cho đến khi gom đủ chuỗi 20 ngày.

Nhờ việc giữ nguyên chuỗi liên tiếp, nếu chẳng may bốc trúng ngày đầu tiên của một đợt khủng hoảng, ta sẽ phải “ôm” luôn cả dư chấn của những ngày thê thảm ngay sau đó. Cơ chế này giúp bảo tồn được cấu trúc tự tương quan ngắn hạn và hiện tượng cụm biến động, qua đó mang lại một bức tranh rủi ro (VaR) sát với thực tế tàn khốc của thị trường hơn.

4. Công cụ Tương tác: Trải nghiệm Bootstrap

Dưới đây là một mô phỏng tương tác. Chúng tôi đã sinh ngẫu nhiên một chuỗi dữ liệu lịch sử giả định gồm 500 ngày. Bạn có thể thấy rõ chuỗi này có những giai đoạn rất êm đềm và những giai đoạn bùng nổ (cụm biến động).

Hãy thử chạy mô phỏng quỹ đạo 20 ngày tiếp theo bằng cả hai phương pháp IID và Moving-Block, thay đổi Kích thước khối (Block Size) để xem cách mà VaR (khoản lỗ ở ngưỡng 5%) biến động nhé! (Gợi ý: Dùng Moving-Block với kích thước lớn sẽ khiến VaR bị nới rộng đáng kể do giữ được các chuỗi rơi giá liên tiếp).

5. Kết luận nội bộ

Như đã chứng minh trong bài kiểm định Kupiec (Backtesting), việc dùng mô hình Chuẩn liên tục thất bại vì nó giả định rủi ro phân tán đều đặn. Việc áp dụng Moving-Block Bootstrap là một kỹ thuật mang tính thực tiễn cực cao, giúp tận dụng tối đa dữ liệu lịch sử thô ráp mà không làm vỡ đi nhịp đập tự nhiên (chu kỳ biến động) của thị trường. Hơn thế nữa, khi kết hợp với Mô phỏng lịch sử có lọc (FHS - sử dụng mô hình GARCH để chuẩn hóa phương sai), ta sẽ có được một công cụ dự báo rủi ro bám cực sát vào diễn biến của thị trường hiện tại.