# Ma trận Hiệp phương sai & Tương quan: Thấu kính nhìn vào rủi ro tài chính Trong tài chính, định lý Modern Portfolio Theory (Lý thuyết Danh mục Đầu tư Hiện đại) của Harry Markowitz nói rằng: Đừng chỉ nhìn vào rủi ro của từng tài sản đơn lẻ, hãy nhìn vào cách chúng "nhảy múa" cùng nhau. Giả sử bạn đang xem xét tỷ suất sinh lời hàng ngày của hai tài sản: - **Tài sản X (Ví dụ: Trái phiếu Chính phủ):** An toàn, biến động thấp. - **Tài sản Y (Ví dụ: Cổ phiếu Bất động sản):** Rủi ro cao, biến động cực mạnh. Để đo lường rủi ro (sự phân tán), chúng ta dùng **Phương sai (Variance)** cho từng tài sản. Nhưng để biết chúng đi cùng nhau hay ngược nhau (để đa dạng hoá danh mục), chúng ta cần đến **Hiệp phương sai (Covariance)** và **Tương quan (Correlation)**. ## 1. Ma trận Hiệp phương sai: Bức tranh Nguyên bản Ma trận hiệp phương sai $\Sigma$ giữ nguyên đơn vị đo lường ban đầu (ở đây là % lợi nhuận): $$ \Sigma = \begin{bmatrix} \sigma_X^2 & \text{Cov}(X,Y) \\ \text{Cov}(Y,X) & \sigma_Y^2 \end{bmatrix} $$ - **Đường chéo:** Phương sai rủi ro của từng tài sản. - **Ngoài đường chéo:** Hiệp phương sai. Nếu $\text{Cov} > 0$, hai tài sản thường tăng giảm cùng ngày. Nếu $\text{Cov} < 0$, chúng là công cụ phòng vệ (hedge) tự nhiên cho nhau. Tuy nhiên, vì cổ phiếu Y biến động quá mạnh ($\sigma_Y \gg \sigma_X$), hiệp phương sai sẽ bị "thổi phồng" bởi quy mô của Y, làm lu mờ bản chất thực sự của mối liên kết giữa hai tài sản. ## 2. Ma trận Tương quan: Bản chất sau khi Chuẩn hóa Để loại bỏ sự nhiễu loạn do độ lớn rủi ro khác biệt, chúng ta "chuẩn hóa" dữ liệu: Lấy lợi nhuận chia cho chính độ lệch chuẩn của tài sản đó. Đại lượng thu được là **Hệ số tương quan Pearson** ($\rho$): $$ \rho = \frac{\text{Cov}(X,Y)}{\sigma_X \sigma_Y} \quad \in [-1, 1] $$ Khi đó, ma trận hiệp phương sai biến thành **Ma trận tương quan** $R$. Bất kể cổ phiếu Y giật giá mạnh đến đâu, trên ma trận tương quan, X và Y đều bình đẳng với độ lệch chuẩn $\sigma = 1$. ## 3. Trị riêng và Vector riêng: Kiến trúc sư của Rủi ro Điều tuyệt vời nhất của các ma trận này là chúng định hình phân bố rủi ro. Cả hai biểu đồ dưới đây đều được bao bọc bởi một **Elip độ tin cậy**. Hai khái niệm Đại số tuyến tính đứng sau hình dáng này chính là **Trị riêng (Eigenvalues)** và **Vector riêng (Eigenvectors)**. - **Vector riêng**: Chính là các mũi tên bạn thấy trên biểu đồ, quyết định hướng rủi ro chính. - **Trị riêng ($\lambda$)**: Lượng rủi ro phân tán dọc theo mũi tên. Trong biểu đồ, độ dài của mũi tên được vẽ tỷ lệ thuận với $\sqrt{\lambda}$ để chạm chính xác vào đường bao Elip độ tin cậy. Máy tính vẽ Elip bằng cách giải phương trình đặc trưng để tìm Trị riêng và Vector riêng, từ đó biết cần kéo giãn và xoay dữ liệu ra sao. Thuật toán phân tích rủi ro hay **PCA (Phân tích thành phần chính)** cũng dùng chính cơ chế này! ## Trực quan hóa Tương tác chung Hãy kéo các thanh trượt bên dưới. Cả hai biểu đồ đều dùng **chung một tập dữ liệu sinh lời 800 ngày**. Biểu đồ **bên trái** hiển thị giá trị thô (Covariance), biểu đồ **bên phải** hiển thị dữ liệu đã chuẩn hóa (Correlation). Bạn sẽ nhận ra một điều vô cùng thú vị: Khi bạn tăng Rủi ro Y ($\sigma_Y$), đám mây dữ liệu ở biểu đồ trái bị kéo giãn mạnh theo chiều dọc, nhưng biểu đồ phải **hoàn toàn bất động**! Chỉ khi bạn thay đổi **Mức độ đi chung** $\rho$, cả hai biểu đồ mới cùng thay đổi hình dáng cốt lõi.
Rủi ro X (Trái phiếu $\sigma_X$):
2.0%
Rủi ro Y (Cổ phiếu $\sigma_Y$):
8.0%
Mức độ đi chung ($\rho$):
0.70
Độ tin cậy Elip ($p$):
95%