Ứng dụng Mô phỏng Monte Carlo trong Phân tích Tài chính

Bài viết này được thiết kế như một tài liệu bổ trợ giúp các bạn sinh viên hiểu rõ hơn về cách ứng dụng mô phỏng Monte Carlo (MC) vào phân tích rủi ro định lượng, đặc biệt là khi đọc các báo cáo chuyên sâu (như đồ án tốt nghiệp hay báo cáo phân tích rủi ro nội bộ).

1. Tại sao phải dùng Mô phỏng Monte Carlo?

Trong tài chính, chúng ta thường biết (hoặc giả định) phân phối xác suất của tỷ suất sinh lợi logarit trong 1 ngày. Nhưng nếu Giám đốc Rủi ro (CRO) đặt câu hỏi: “Rủi ro lớn nhất mà danh mục có thể gặp phải trong 20 ngày tới là bao nhiêu?”

Nếu mô hình rất đơn giản (như phân phối Chuẩn), ta có thể nội suy rủi ro 20 ngày từ rủi ro 1 ngày bằng công thức giải tích (nhân phương sai với 20). Nhưng thực tế thị trường vốn có “đuôi dày” (khủng hoảng xảy ra khốc liệt hơn dự kiến), “cụm biến động” (bão đi theo chuỗi) và sự tương quan phức tạp giữa nhiều tài sản. Trong trường hợp này, phương pháp giải tích bị “bó tay”.

Đây là lúc Mô phỏng Monte Carlo tỏa sáng. Máy tính sẽ dùng số ngẫu nhiên để sinh ra hàng chục nghìn “vũ trụ song song” (kịch bản) của thị trường trong 20 ngày tới. Từ đó, ta sắp xếp kết quả lợi suất từ cao xuống thấp để tìm ra phần đuôi 5% tồi tệ nhất — đó chính là VaR (Value at Risk), và trung bình của phần đuôi đó là ES (Expected Shortfall).

2. Các mô hình MC Tiêu chuẩn

2.1. Mô phỏng Chuẩn (Normal MC)

• Cơ chế: Sinh các tỷ suất sinh lợi hằng ngày từ phân phối Chuẩn $N(\mu, \sigma^2)$.
• Ưu điểm: Dễ cài đặt, tính toán cực nhanh, có vai trò làm đường cơ sở (baseline).
• Hạn chế: Thường cho ra VaR rất thấp. Nó đánh giá thấp rủi ro thực tế vì ép dữ liệu phải tuân theo đường cong hình chuông lý tưởng, gần như triệt tiêu xác suất xảy ra “Thiên nga đen”.

2.2. Mô phỏng Student-t

• Cơ chế: Sinh cú sốc từ phân phối Student-t với số bậc tự do (degrees of freedom - df) được ước lượng từ tập dữ liệu.
• Ưu điểm: Nắm bắt được tính “đuôi dày” (fat-tails). Bậc tự do càng nhỏ, đuôi càng dày, rủi ro cực trị càng cao. Qua quá trình khớp phân phối (distribution fitting), Student-t đối xứng thường vượt qua các kiểm định gắt gao (như K-S Test) và cho điểm BIC tối ưu nhất.

2.3. Bootstrap (Lấy mẫu lại lịch sử)

• Cơ chế: Thay vì dùng một hàm toán học lý thuyết (như Chuẩn hay Student-t), ta cho máy tính “bốc thăm” ngẫu nhiên (có hoàn lại) từ chính chuỗi lợi suất thực tế trong quá khứ.
• Biến thể IID: Bốc ngẫu nhiên từng ngày rời rạc. Hạn chế là đánh mất trình tự thời gian.
• Biến thể Khối trượt (Moving-Block): Bốc theo từng cụm (ví dụ 5 ngày liên tiếp). Điều này giúp bảo tồn được hiện tượng cụm biến động (volatility clustering) — một đặc tính sống còn của dữ liệu chuỗi thời gian tài chính.

3. Trải nghiệm Tương tác: Chạy thử Monte Carlo

Dưới đây là một công cụ mô phỏng đơn giản. Bạn có thể thay đổi phân phối sinh ngẫu nhiên và các tham số cơ bản để quan sát tác động của chúng đến các kịch bản giá và hình dáng phân phối lợi suất sau 20 ngày. Mức VaR (khoản lỗ ngưỡng 5%) sẽ được tính toán trực tiếp từ các quỹ đạo bạn sinh ra.

Khi bạn bấm ▶ +1 Kịch bản, hãy quan sát diễn biến trên đồ thị:

1. Hình thành quỹ đạo (Bên trái): Một đường giá ngẫu nhiên được vẽ từng bước từ ngày 1 đến ngày 20. Mỗi bước đi đại diện cho một cú sốc thị trường (lời/lỗ) sinh ra từ phân phối bạn chọn.
2. Quả bóng bay (Chuyển giao): Quả bóng xuất hiện ở điểm chốt sổ của ngày 20. Độ cao của nó phản ánh tổng lợi suất (hoặc mức lỗ) của toàn bộ quỹ đạo đó. Nó bay vút sang phải để tìm đến đúng “thùng chứa” (cột histogram) của mức lợi suất đó.
3. Cập nhật phân phối (Bên phải): Khi quả bóng rơi xuống, cột tần suất tại vị trí đó được cộng thêm 1. Đường nét đứt màu đỏ sẽ liên tục dịch chuyển để đánh dấu mức VaR 95% mới (nơi chia cắt 5% kịch bản tồi tệ nhất ở bên trái).

4. Các mô hình MC Nâng cao

Khi mô hình tiêu chuẩn để lộ những lỗ hổng, các kỹ thuật phức tạp hơn được huy động để bóc tách tận cùng cấu trúc rủi ro:

1. Lịch sử có Lọc (FHS - GARCH + Bootstrap): Khắc phục điểm yếu của Bootstrap truyền thống bằng cách lọc dữ liệu qua một mô hình GARCH. Điều này giúp dự báo rủi ro 20 ngày tới có khả năng phản ứng cực nhanh với “cụm biến động” của ngày hôm nay. Nếu hôm nay thị trường đang sóng gió, FHS sẽ dự phóng một mức rủi ro khổng lồ.
2. Mô phỏng Copula Gaussian: Khắc phục lỗ hổng “bình quân hóa”. Bằng cách dùng hàm Copula, ta có thể mô phỏng song song từng cổ phiếu riêng biệt nhưng dùng một “dây thừng” toán học để trói buộc cấu trúc tương quan của chúng lại với nhau. Qua đó, ta thấy được hiện tượng đồng sụp đổ (joint tail risk) - lúc cả danh mục cùng dắt tay nhau rớt giá.
3. Lý thuyết Giá trị Cực trị (EVT): Khắc phục sự “phân tâm” của các hàm phân phối cơ sở (phải cố gắng khớp cả những ngày bình yên lẫn bão táp). EVT cắt bỏ 95% những ngày bình yên và dùng mô hình Pareto Tổng quát (GPD) để đo ni đóng giày riêng cho 5% những ngày rớt giá thê thảm nhất. Đây được ví như chiếc kính lúp soi thẳng vào “Thiên nga đen”, mang lại ước lượng rủi ro tồi tệ nhất nhưng lại an toàn nhất cho quản trị vốn.

Kết luận

Trong quản trị rủi ro định lượng, không có mô hình nào hoàn hảo tuyệt đối. Mô phỏng Chuẩn đóng vai trò là mức kỳ vọng cơ sở. Student-t và Bootstrap mang lại ước lượng cân bằng, bám sát dữ liệu hơn. Tuy nhiên, để thực sự phòng thủ trước những cú sốc hệ thống, bức tranh toàn cảnh chỉ hoàn thiện khi ta kết hợp thêm các kịch bản cực đoan từ EVT và FHS.