Nhóm 8.2: Biến động thực tế, MIDAS & Rủi ro đuôi (risk_models)
Tóm tắt Nhóm phương pháp 8.2 (AEO Quick Answer): Nhóm 8.2 — Biến động thực tế, MIDAS & Rủi ro đuôi (mã nhóm
risk_models) là phân nhánh chuyên sâu thuộc Chương 08: Độ biến động tài chính, định giá tài sản và rủi ro hệ thống, quy tụ 4 phương pháp ước lượng (từ B129 đến B132). Phần tổng quan này giúp chúng ta so sánh trực diện điều kiện áp dụng, cấu trúc toán học và cú pháp thực thi trên Stata 18 MP, R 4.x và Python 3.11+ để chọn đúng mô hình cho bài toán nghiên cứu.1. Bản chất Học thuật & Vị trí của Nhóm 8.2 (Biến động thực tế, MIDAS & Rủi ro đuôi)
Khi triển khai nghiên cứu định lượng trong miền Độ biến động tài chính, định giá tài sản và rủi ro hệ thống, chúng ta thường đứng trước câu hỏi: giữa 4 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, risk_models), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?
Mọi phương pháp trong Nhóm 8.2 đều xuất phát từ khung biểu diễn đại số cơ sở của chương như trình bày tại công thức (1):
$$sigma_t^2 = omega + alpha varepsilon_{t-1}^2 + gamma varepsilon_{t-1}^2 mathbb{I}(varepsilon_{t-1} lt 0) + beta sigma_{t-1}^2 tag{1}$$
Sự khác biệt giữa các mô hình từ B129 (ewma_volatility) đến B132 (covar_systemic_risk) nằm ở cách chúng ta đặt giả định lên phân phối của sai số ngẫu nhiên, cấu trúc nội sinh và phương pháp tối ưu hóa hàm mục tiêu từ công thức (1).
2. Bảng So sánh Trực diện 4 Mô hình thuộc Nhóm 8.2
Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 4 bài học trong Nhóm 8.2 kèm câu lệnh cốt lõi trên cả ba phần mềm:
| Mã Bài | model_key |
Tên Mô hình (VI / EN) | Cấp độ | Lệnh Thực thi Chuẩn (Stata 18 · R 4.x · Python 3.11+) | Ý nghĩa Kinh tế lượng Trọng tâm |
|---|---|---|---|---|---|
| B129 | ewma_volatility |
Mô hình trung bình trượt trọng số mũ RiskMetrics (EWMA Volatility) EWMA Volatility |
L1 | Stata: tssmooth exponential sigma2_ewma = ret_sq, parms(0.06)R: stats::filter(ret^2, 0.94, method = 'recursive')Python: ret.pow(2).ewm(alpha=0.06, adjust=False).mean().pow(0.5) |
Phương pháp Mô hình trung bình trượt trọng số mũ RiskMetrics (EWMA Volatility) (EWMA Volatility) trong họ mô hình độ biến động tài chính, định giá tài sản và rủi ro hệ thống, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B130 | har_rv |
Mô hình tự hồi quy không đồng nhất cho độ biến động thực tế của Corsi (HAR-RV) HAR-RV |
L2 | Stata: regress rv_d L.rv_d rv_w rv_m, vce(hac nwest 5)R: lm(rv_d ~ rv_lag1 + rv_week + rv_month, data = df)Python: smf.ols('rv_d ~ rv_lag1 + rv_week + rv_month', data=df).fit(cov_type='HAC', cov_kwds={'maxlags': 5}) |
Phương pháp Mô hình tự hồi quy không đồng nhất cho độ biến động thực tế của Corsi (HAR-RV) (HAR-RV) trong họ mô hình độ biến động tài chính, định giá tài sản và rủi ro hệ thống, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B131 | garch_midas |
Mô hình độ biến động hai thành phần kết nối vĩ mô–tài chính Engle–Ghysels–Sohn (GARCH-MIDAS) GARCH-MIDAS Two-Component Macro-Finance Volatility |
L3 | Stata: garchmidas / Two-step QMLE Beta-MIDAS $tau_t times g_{i,t}$R: mfGARCH / rumidas (mfGARCH::fit_mfgarch(data = df, y = "ret", x = "macro_var", low.freq = "month", K = 12))Python: Multiplicative Two-Component GARCH-MIDAS QMLE (scipy.optimize Beta lag polynomial secular $tau_t times$ unit-mean GJR-GARCH $g_{i,t}$ với Bollerslev–Wooldridge robust SE) |
Phân tách phương sai lợi suất ngày thành tích của thành phần dao động ngắn hạn $text{GARCH}(1,1)$ $g_{i,t}$ và thành phần xu thế dài hạn $tau_t$ được điều khiển trực tiếp bởi các biến kinh tế vĩ mô tháng/quý (CPI, IIP, EPU, GPR) qua trọng số Beta-MIDAS. |
| B132 | covar_systemic_risk |
Mô hình đo lường rủi ro đuôi và lây lan hệ thống Adrian–Brunnermeier ($text{VaR}$, $text{CoVaR}$ & $Deltatext{CoVaR}$) Systemic Tail Risk ($text{VaR}$, $text{CoVaR}$ & $Deltatext{CoVaR}$) |
L4 | Stata: qreg / sqreg system (qreg ret_i l.state_vars, q(0.05) $to$ qreg ret_sys ret_i l.state_vars, q(0.05))R: quantreg (quantreg::rq two-equation state-conditioned $text{VaR}_{q,t}^i$ & $Deltatext{CoVaR}_{q,t}^{smid i}$ + block bootstrap SE)Python: statsmodels (QuantReg two-stage tail-quantile system tại $q=0.05$ & $q=0.50$ + Kupiec POF / Christoffersen VaR backtest & bootstrap CI) |
Đo lường mức đóng góp rủi ro sụp đổ hệ thống của từng định chế tài chính/ngành $i$ lên toàn hệ thống $s$: $Deltatext{CoVaR}_q^{smid i} = text{CoVaR}_q^{s mid X^i = text{VaR}_q^i} – text{CoVaR}_q^{s mid X^i = text{Median}^i}$ qua hệ hồi quy phân vị đuôi $q in {0.01, 0.05}$. |
3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 8.2
Dựa trên kinh nghiệm phản biện và hướng dẫn luận văn, luận án thực tế, chúng ta có thể áp dụng quy tắc chọn nhanh sau đây:
- Chọn B129 — Mô hình trung bình trượt trọng số mũ RiskMetrics (EWMA Volatility) (
ewma_volatility) khi: Áp dụng khi nghiên cứu Đo lường rủi ro danh mục đầu tư hàng ngày và các bài toán thuộc nhóm biến động thực tế, midas & rủi ro đuôi. (Kiểm định kèm theo: Engle ARCH-LM Test, Sign & Size Bias Test, Tse/Engle–Sheppard Dynamic Correlation Test, Kupiec POF & Christoffersen VaR Backtest, Gibbons–Ross–Shanken F-test). - Chọn B130 — Mô hình tự hồi quy không đồng nhất cho độ biến động thực tế của Corsi (HAR-RV) (
har_rv) khi: Áp dụng khi nghiên cứu Dự báo biến động theo 3 chân trời nhà đầu tư và các bài toán thuộc nhóm biến động thực tế, midas & rủi ro đuôi. (Kiểm định kèm theo: Engle ARCH-LM Test, Sign & Size Bias Test, Tse/Engle–Sheppard Dynamic Correlation Test, Kupiec POF & Christoffersen VaR Backtest, Gibbons–Ross–Shanken F-test). - Chọn B131 — Mô hình độ biến động hai thành phần kết nối vĩ mô–tài chính Engle–Ghysels–Sohn (GARCH-MIDAS) (
garch_midas) khi: Kết nối trực tiếp dữ liệu thị trường chứng khoán tần suất ngày với dữ liệu kinh tế vĩ mô GSO/IMF tần suất tháng hoặc quý để đo tác động của bất định vĩ mô lên biến động thị trường. (Kiểm định kèm theo: Kiểm định ý nghĩa hệ số truyền dẫn vĩ mô $theta$, tỷ trọng phương sai giải thích bởi thành phần vĩ mô dài hạn $text{VR} = text{Var}(lntau_t)/text{Var}(lntau_t g_t)$, Ljung–Box $hat{z}_t^2$.). - Chọn B132 — Mô hình đo lường rủi ro đuôi và lây lan hệ thống Adrian–Brunnermeier ($text{VaR}$, $text{CoVaR}$ & $Deltatext{CoVaR}$) (
covar_systemic_risk) khi: Đánh giá an toàn vĩ mô, lây lan rủi ro hệ thống ngân hàng niêm yết Việt Nam (HOSE/HNX) hoặc các thị trường tài chính khu vực có biến trạng thái vĩ mô $M_{t-1}$. (Kiểm định kèm theo: Kiểm định hậu nghiệm Kupiec Unconditional Coverage (POF) & Christoffersen Independence cho $text{VaR}_q$, kiểm định Abadie Kolmogorov–Smirnov $Deltatext{CoVaR} < 0$.).
Điều hướng Học tập trong Nhóm 8.2:
↑ Quay lại Tổng quan Chương 08: Chương 08 — Độ biến động tài chính, định giá tài sản và rủi ro hệ thống
→ Đi tới Bài học đầu tiên của Nhóm 8.2: Bài B129 — Mô hình trung bình trượt trọng số mũ RiskMetrics (EWMA Volatility) (
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
↑ Quay lại Tổng quan Chương 08: Chương 08 — Độ biến động tài chính, định giá tài sản và rủi ro hệ thống
→ Đi tới Bài học đầu tiên của Nhóm 8.2: Bài B129 — Mô hình trung bình trượt trọng số mũ RiskMetrics (EWMA Volatility) (
ewma_volatility)→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
Bài liên quan
- Bài B129: Mô hình trung bình trượt trọng số mũ RiskMetrics (EWMA Volatility) (EWMA Volatility — ewma_volatility)Cấp độ 1: Nền tảng (Foundation)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B130: Mô hình tự hồi quy không đồng nhất cho độ biến động thực tế của Corsi (HAR-RV) (HAR-RV — har_rv)Cấp độ 2: Trung cấp (Intermediate)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B131: Mô hình độ biến động hai thành phần kết nối vĩ mô–tài chính Engle–Ghysels–Sohn (GARCH-MIDAS) (GARCH-MIDAS Two-Component Macro-Finance Volatility — garch_midas)Cấp độ 3: Nâng cao (Advanced)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B132: Mô hình đo lường rủi ro đuôi và lây lan hệ thống Adrian–Brunnermeier ($text{VaR}$, $text{CoVaR}$ & $Deltatext{CoVaR}$) (Systemic Tail Risk ($text{VaR}$, $text{CoVaR}$ & $Deltatext{CoVaR}$) — covar_systemic_risk)Cấp độ 4: Chuyên sâu (Specialized)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)