Risk-Management - Nhãn - NZQIRC

Phân phối Pareto Tổng quát (GPD): Lời giải cho những thảm họa 'Thiên nga đen'

Du Mã — Sat, 08 Aug 2026 12:08:00 +0700

Trong quản trị rủi ro tài chính hay bảo hiểm, các mô hình phân phối truyền thống (như Phân phối Chuẩn) thường hoạt động cực kỳ mượt mà ở vùng trung tâm – nơi diễn ra 90% đến 95% các sự kiện bình thường của thị trường. Tuy nhiên, khi một cuộc khủng hoảng xảy ra (những sự kiện “Thiên nga đen”), các mô hình truyền thống này thường đánh giá quá thấp xác suất và mức độ thiệt hại thực tế, dẫn đến hậu quả thảm khốc.

Backtesting: Kiểm định Kupiec POF và Nghịch lý 'Vai Mỏng'

Du Mã — Fri, 07 Aug 2026 10:00:00 +0700

Sau khi xây dựng một mô hình đo lường rủi ro (như ước lượng VaR bằng Monte Carlo hay Bootstrap), làm sao để sếp của bạn (Giám đốc Rủi ro - CRO) tin rằng nó hoạt động tốt? Câu trả lời là bạn phải thực hiện Backtesting (Kiểm định lại trên dữ liệu quá khứ).

Một trong những bài kiểm định kinh điển và bắt buộc đối với chuẩn Basel là Kupiec POF (Proportion of Failures). Cơ chế của nó rất đơn giản: Đếm số lần mức lỗ thực tế đâm xuyên qua (vượt) ngưỡng VaR dự báo. Nếu bạn dự báo VaR ở độ tin cậy 95% (tức kỳ vọng có 5% số ngày bị vượt ngưỡng) trên 1000 ngày giao dịch, bạn được phép sai khoảng 50 lần. Nếu bạn sai tới 95 lần, kiểm định Kupiec sẽ bác bỏ mô hình của bạn vì nó “bảo vệ quá yếu”.

Hàm Trung bình Vượt ngưỡng (Mean Excess Plot)

Du Mã — Fri, 07 Aug 2026 09:00:00 +0700

Trong quản trị rủi ro tài chính, Thuyết Giá trị Cực đoan (Extreme Value Theory - EVT) là một công cụ toán học mạnh mẽ để đối phó với hiện tượng đuôi dày (fat-tails) - những sự kiện Thiên nga đen tàn khốc. Thay vì cố gắng mô hình hóa toàn bộ thị trường, EVT tập trung ánh nhìn hoàn toàn vào phần đuôi (những ngày lỗ nặng nhất) của phân phối.

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

Du Mã — Thu, 06 Aug 2026 10:00:00 +0700

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.

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

Du Mã — Thu, 06 Aug 2026 10:00:00 +0700

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).

Ứng dụng Mô phỏng Monte Carlo trong Phân tích Tài chính

Du Mã — Thu, 06 Aug 2026 10:00:00 +0700

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?”