Các phân phối đuôi dày: Laplace, GED, Student-t và Skewed-t

Trong mô hình hóa dữ liệu tài chính và chuỗi thời gian, phân phối Chuẩn thường không đủ để nắm bắt tần suất xuất hiện của các biến cố cực đoan. Phân phối thực nghiệm của tỷ suất sinh lợi thường có độ nhọn cao (leptokurtic) và tính bất đối xứng, dẫn đến khái niệm phân phối đuôi dày (heavy-tail distribution). Việc giả định phân phối Chuẩn trong các trường hợp này có xu hướng đánh giá thấp rủi ro đuôi (tail risk). Để khắc phục hạn chế này, một số họ phân phối linh hoạt hơn đã được sử dụng rộng rãi.

1. Phân phối Laplace (Double Exponential)

Bối cảnh lịch sử và Mạch tư duy

Vào năm 1774, Pierre-Simon Laplace đối mặt với một vấn đề cơ bản trong thiên văn học: làm thế nào để xử lý các sai số trong quan trắc? Trước khi Carl Friedrich Gauss giới thiệu Phương pháp Bình phương tối thiểu (cực tiểu hóa sai số bình phương $L_2$) dẫn đến phân phối Chuẩn, Laplace đã đề xuất một nguyên lý khác: cực tiểu hóa tổng giá trị tuyệt đối của sai số (chuẩn $L_1$).

Mạch tư duy của Laplace bắt nguồn từ một bài toán ngược: Đâu là hàm phân phối mà nếu ta tối đa hóa hàm hợp lý (Maximum Likelihood), ta sẽ thu được trung vị (median) làm ước lượng tốt nhất thay vì trung bình (mean)? Kết quả toán học chỉ ra rằng, hàm mật độ xác suất phải có dạng giảm dần theo hàm mũ của khoảng cách tuyệt đối, thay vì khoảng cách bình phương.

Trực giác (Intuition)

Phân phối Laplace có thể được xem trực quan như việc lấy một phân phối mũ (exponential distribution) và “phản chiếu” nó qua trục tung để tạo thành một phân phối đối xứng. Do đó, nó còn được gọi là phân phối “mũ kép” (double exponential).

$$ f(x) = \frac{1}{2b} \exp\left( -\frac{|x - \mu|}{b} \right) $$

Trong đó $\mu$ là tham số vị trí và $b > 0$ là tham số tỷ lệ.

So sánh trực giác với phân phối Chuẩn: Phân phối Chuẩn phạt các sai lệch lớn rất nặng (phạt theo $(x - \mu)^2$), khiến xác suất xuất hiện các giá trị xa tâm (phần đuôi) suy giảm cực kỳ nhanh. Trong khi đó, phân phối Laplace chỉ phạt sai lệch theo tỷ lệ tuyến tính bậc nhất $|x - \mu|$. Hệ quả là phân phối Laplace có chóp nhọn hơn hẳn tại đỉnh (do hàm số không có đạo hàm trơn tại $\mu$) và phần đuôi dày hơn (xác suất các giá trị xa tâm cao hơn).

Tuy nhiên, dù đuôi của nó dày hơn phân phối Chuẩn và chịu đựng (robust) dữ liệu ngoại lai tốt hơn, nó vẫn thuộc lớp phân phối có phần đuôi giảm theo hàm mũ (exponential tail). Trong tài chính hiện đại, tốc độ suy giảm này vẫn là quá nhanh so với thực tế các cú sốc cực đoan, dẫn đến sự cần thiết của các phân phối đuôi lũy thừa (power-law tail).

2. Phân phối Sai số Tổng quát (Generalized Error Distribution - GED)

Bối cảnh và Động lực

Sau khi có phân phối Chuẩn (phạt sai lệch theo bậc 2) và phân phối Laplace (phạt sai lệch theo bậc 1), một tư duy toán học tự nhiên nảy sinh: Tại sao phải giới hạn ở bậc 1 hay bậc 2? Liệu ta có thể khái quát hóa số mũ này thành một hằng số tùy ý $\kappa > 0$ để dữ liệu tự “lên tiếng” về độ dày của đuôi không? Khởi nguồn từ ý tưởng của Subbotin (1923), GED ra đời như một nỗ lực để tạo ra một họ phân phối bao trùm toàn bộ phổ từ đuôi siêu mỏng (như phân phối đều) cho đến đuôi dày. Động lực chính là sự linh hoạt (flexibility): thay vì tranh cãi xem dữ liệu tuân theo Chuẩn hay Laplace, hãy để mô hình tự ước lượng tham số hình dạng.

Trực giác (Intuition)

$$ f(x) \propto \exp\left( - \frac{1}{2} \left| \frac{x - \mu}{\sigma} \right|^\kappa \right) $$

Tham số $\kappa$ quyết định trực tiếp tốc độ suy giảm của phần đuôi (mức độ phạt sai lệch):

• Khi $\kappa = 2$, hệ số phạt là bậc 2, GED thu gọn thành phân phối Chuẩn.
• Khi $\kappa = 1$, hệ số phạt là bậc 1, GED trở thành phân phối Laplace.
• Khi $\kappa < 2$, mức phạt sai số ở phần đuôi nhẹ hơn bậc 2, tạo ra phân phối có đuôi dày hơn phân phối Chuẩn, phù hợp hơn với nhiều chuỗi tỷ suất sinh lợi tài chính.
• Khi $\kappa > 2$, mức phạt khắt khe hơn bậc 2, phân phối có đuôi mỏng hơn (platykurtic) và chóp bẹt hơn (sẽ hội tụ về phân phối đều khi $\kappa \to \infty$).

3. Phân phối Student-t

Bối cảnh lịch sử và Mạch tư duy

Khác với Laplace hay Subbotin xuất phát từ việc thay đổi hàm phạt sai số, phân phối Student-t ra đời từ một bài toán suy diễn thống kê thực tế. Năm 1908, William Sealy Gosset (dưới bút danh “Student”) làm việc tại nhà máy bia Guinness. Khi phân tích các mẫu lúa mạch có kích thước rất nhỏ, ông nhận ra rằng việc thay thế phương sai tổng thể (chưa biết) bằng phương sai mẫu trong phân phối Chuẩn sẽ dẫn đến sai số rất lớn. Mạch tư duy của Gosset là: Sự bất định (uncertainty) do việc phải ước lượng phương sai từ một mẫu nhỏ sẽ làm cho phân phối của thống kê kiểm định bị “nở” ra ở phần đuôi so với phân phối Chuẩn.

Động lực trong Tài chính và Trực giác

Mặc dù ban đầu được thiết kế cho bài toán mẫu nhỏ, phân phối Student-t sau này lại trở thành công cụ đắc lực trong tài chính nhờ cấu trúc đuôi của nó. Dù GED rất linh hoạt, phần đuôi của nó vẫn giảm dần theo quy luật hàm mũ $\exp(-|x|^\kappa)$. Trong thực tế, các sự kiện sụp đổ thị trường (market crashes) diễn ra với xác suất lớn hơn rất nhiều so với dự báo của bất kỳ hàm mũ nào.

Phân phối Student-t giải quyết vấn đề này bằng cách thay thế sự suy giảm hàm mũ bằng sự suy giảm theo quy luật lũy thừa (power law). Phân phối này được điều khiển bởi tham số bậc tự do (degrees of freedom) $\nu$. Trực giác ở đây là: $\nu$ càng nhỏ, sự “bất định” càng cao, phần đuôi phân phối càng cực kỳ dày để phản ánh các biến cố ngoại lai; khi $\nu \to \infty$, sự bất định biến mất và nó hội tụ tuyệt đối về phân phối Chuẩn.

Trong thực hành mô hình rủi ro, phân phối Student-t thường được chuẩn hóa (standardized) để có phương sai bằng 1 (đòi hỏi $\nu > 2$), nhằm tách bạch tham số vị trí và tỷ lệ khỏi tham số hình dạng đuôi $\nu$.

4. Phân phối Student-t lệch (Skewed-t)

Động lực (Motivation)

Đến đây, phân phối Student-t đã giải quyết tốt bài toán “đuôi quá mỏng” của phân phối Chuẩn. Tuy nhiên, nó vướng phải một giới hạn thực tế khác: tính đối xứng. Các mô hình Chuẩn, Laplace, GED và Student-t đều giả định xác suất xảy ra một cú tăng giá cực đoan bằng chính xác với xác suất của một cú giảm giá cực đoan. Thực tiễn thị trường (đặc biệt là cổ phiếu) lại cho thấy một bức tranh khác: thị trường có xu hướng đi lên từ từ nhưng lại sụp đổ (crash) rất đột ngột. Mạch tư duy tiếp theo mở ra: Làm thế nào để bẻ cong một phân phối đối xứng có đuôi lũy thừa (như Student-t) để một bên đuôi nặng hơn bên còn lại, mà vẫn giữ được các đặc tính thống kê tốt?

Trực giác (Intuition)

Để mô hình hóa đồng thời tính đuôi dày và sự bất đối xứng, người ta sử dụng phân phối Skewed-t. Có nhiều cách tham số hóa phân phối này (nổi tiếng nhất là phương pháp của Fernandez và Steel năm 1998). Về mặt trực giác, họ “cắt” phân phối Student-t làm hai nửa tại trục tung, sau đó “kéo giãn” một bên và “thu gọn” bên kia bằng cách đưa thêm một tham số độ lệch (skewness parameter) $\xi$.

• Nếu $\xi = 1$, hai bên được kéo dãn cân bằng, phân phối trở lại dạng Student-t đối xứng.
• Nếu $\xi < 1$, phần bên trái của trục tung bị kéo giãn dài ra, tạo thành đuôi trái dài và dày hơn đuôi phải. Điều này phản ánh chính xác thực tế: xác suất tổn thất cực đoan cao hơn lợi nhuận cực đoan, do đó mô hình này đặc biệt phù hợp cho việc tính toán các thước đo rủi ro giảm giá (downside risk) như VaR hay ES.

Kết luận

Việc chuyển từ phân phối Chuẩn sang Laplace, GED, Student-t và Skewed-t là quá trình tăng cường tính linh hoạt của mô hình nhằm phản ánh các đặc trưng thực nghiệm. Tuy nhiên, một mô hình phức tạp hơn với nhiều tham số sẽ đòi hỏi cỡ mẫu đủ lớn để ước lượng chính xác và cần được đánh giá tính phù hợp thông qua các tiêu chí thông tin hoặc kiểm định chẩn đoán. Việc chọn phân phối không phải là sự bảo đảm tuyệt đối cho dự báo, mà chỉ là một cách thiết lập cận rủi ro hợp lý hơn dựa trên dữ liệu.