8.2. Độ biến động thực tế, tần suất hỗn hợp và rủi ro đuôi
- Định danh nhóm bài giảng: Nhóm 8.2. Độ biến động thực tế, tần suất hỗn hợp và rủi ro đuôi trực thuộc 8. Độ biến động tài chính, định giá tài sản và rủi ro hệ thống.
- Phạm vi mô hình: Quy tụ 4 mô hình kinh tế lượng từ mục 8.2.1 đến mục 8.2.4.
- Cơ sở phương pháp luận: Hệ thống hóa phương trình cấu trúc, phân biệt giả định nhận dạng và cấu trúc sai số chuẩn theo Becketti (2020); Pesaran (2015); Verbeek (2021).
- Đối chiếu đa nền tảng: So sánh trực tiếp cú pháp thực thi trên Stata 18, R 4.x và Python 3.11+ theo J.P. Morgan / RiskMetrics (1996); Jorion (2007); Brooks (2019).
1. Bản chất học thuật và cấu trúc toán học
Trong phạm vi của chương Độ biến động tài chính, định giá tài sản và rủi ro hệ thống, nhóm phương pháp Độ biến động thực tế, tần suất hỗn hợp và rủi ro đuôi giải quyết các bài toán thực nghiệm đòi hỏi đặc tả chính xác quá trình sinh dữ liệu và kiểm soát chặt chẽ cấu trúc sai số theo Becketti (2020); Pesaran (2015); Verbeek (2021). Các mô hình trong nhóm 8.2 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình 1 theo J.P. Morgan / RiskMetrics (1996); Jorion (2007); Brooks (2019):
$$\sigma_t^2 = \lambda \sigma_{t-1}^2 + (1 – \lambda) r_{t-1}^2, \quad \lambda = 0.94 \tag*{[1]}$$
Phương trình điều kiện ước lượng và tối ưu hóa của nhóm phương pháp này được xác định tại công thức 2:
$$\ell_T(\theta) = -\frac{1}{2}\sum_{t=1}^T \left[\ln(2\pi) + \ln(\sigma_t^2(\theta)) + \frac{\varepsilon_t^2}{\sigma_t^2(\theta)}\right], \quad z_t = \frac{\varepsilon_t}{\sigma_t} \sim \text{i.i.d. }(0, 1) \tag*{[2]}$$
Sự khác biệt giữa 4 mô hình từ 8.2.1. Mô hình độ biến động trung bình trượt trọng số mũ (EWMA) đến 8.2.4. Mô hình đo lường rủi ro đuôi và lây lan hệ thống (VaR, CoVaR) nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng theo J.P. Morgan / RiskMetrics (1996); Jorion (2007); Brooks (2019); Becketti (2020); Pesaran (2015); Verbeek (2021).
2. Bảng đối chiếu các mô hình trong nhóm
Bảng dưới đây so sánh trực tiếp bản chất kinh tế lượng, câu lệnh thực thi trên ba phần mềm và kiểm định chẩn đoán của từng bài học trong nhóm 8.2:
| Mã mục | Tên mô hình | Bản chất kinh tế lượng | Cú pháp ước lượng chuẩn Stata 18 · R 4.x · Python 3.11+ | Kiểm định chẩn đoán bắt buộc |
|---|---|---|---|---|
| 8.2.1 | Mô hình độ biến động trung bình trượt trọng số mũ (EWMA) | Gán trọng số suy giảm theo hàm mũ $\lambda^{j-1}(1 – \lambda)$ cho bình phương tỷ suất sinh lời quá khứ, tương đương IGARCH bậc 1, 1 không có hằng số chặn với $\lambda = 0.94$ theo chuẩn RiskMetrics, phản ứng tức thời trước các cú sốc thị trường mới. | 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) |
Kiểm định hậu nghiệm tỷ lệ vi phạm (VaR) của Kupiec và kiểm định tính độc lập vi phạm của Christoffersen, tối ưu hóa hệ số làm trơn $\lambda$ theo (RMSE) |
| 8.2.2 | Mô hình tự hồi quy không đồng nhất cho độ biến động thực tế (HAR-RV) | Dự báo độ biến động thực tế tính từ dữ liệu tần suất cao trong ngày thông qua tổ hợp tuyến tính của độ biến động trung bình ngày, tuần gồm 5 ngày và tháng gồm 22 ngày dựa trên giả thuyết thị trường phân mảnh của Corsi. | 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}) |
Sai số chuẩn vững tự tương quan Newey–West (HAC), kiểm định Mincer–Zarnowitz cho độ chệch dự báo và kiểm định Diebold–Mariano so sánh với (GARCH) chuẩn |
| 8.2.3 | Mô hình độ biến động hai thành phần vĩ mô–tài chính (GARCH-MIDAS) | 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 qua trọng số Beta-MIDAS. | Stata: garchmidas ret, mv(macro_x) lags(12)R: mfGARCH::fit_mfgarch(data = df, y = 'ret', x = 'macro_x', low.freq = 'month', K = 12)Python: arch_model(df['y'], vol='GARCH', p=1, o=1, q=1).fit(disp='off') |
Kiểm định ý nghĩa hệ số truyền dẫn vĩ mô $\theta$, tỷ trọng phương sai giải thích bởi thành phần vĩ mô dài hạn $\text{VR} = \text{Var}(\ln\tau_t)/\text{Var}(\ln\tau_t g_t)$, Ljung–Box $\hat{z}_t^2$. |
| 8.2.4 | Mô hình đo lường rủi ro đuôi và lây lan hệ thống (VaR, CoVaR) | Đo lường mức đóng góp rủi ro sụp đổ hệ thống của từng định chế tài chính/ngành $i$ lên toàn hệ thống $s$: $\Delta\text{CoVaR}_q^{s\mid i} = \text{CoVaR}_q^{s \mid X^i = \text{VaR}_q^i} – \text{CoVaR}_q^{s \mid X^i = \text{Median}^i}$ qua hệ hồi quy phân vị đuôi $q \in \{0.01, 0.05\}$. | Stata: sqreg ret_i ret_sys l1_state, quantile(0.05 0.50) reps(200)R: quantreg::rq(ret_sys ~ ret_i + l1_state, tau = 0.05, data = df)Python: smf.quantreg('ret_sys ~ ret_i + l1_state', data=df).fit(q=0.05) |
Kiểm định hậu nghiệm Kupiec Unconditional Coverage & Christoffersen Independence cho $\text{VaR}_q$, kiểm định Abadie Kolmogorov–Smirnov $\Delta\text{CoVaR} \lt 0$. |
3. Quy tắc lựa chọn mô hình phù hợp
Nhà nghiên cứu có thể áp dụng quy tắc phân nhánh dưới đây để chọn đúng mô hình trong nhóm 8.2 cho dữ liệu thực tế theo Becketti (2020); Pesaran (2015); Verbeek (2021):
- Chọn 8.2.1. Mô hình độ biến động trung bình trượt trọng số mũ (EWMA) khi: Quản trị rủi ro danh mục đầu tư hàng ngày, tính toán biên ký quỹ và ước lượng nhanh độ biến động không cần tối ưu hóa phi tuyến phức tạp. — Kiểm định bắt buộc: Kiểm định hậu nghiệm tỷ lệ vi phạm (VaR) của Kupiec và kiểm định tính độc lập vi phạm của Christoffersen, tối ưu hóa hệ số làm trơn $\lambda$ theo (RMSE).
- Chọn 8.2.2. Mô hình tự hồi quy không đồng nhất cho độ biến động thực tế (HAR-RV) khi: Dự báo độ biến động thực tế và định giá phái sinh khi có dữ liệu giao dịch tần suất cao hoặc biên độ giá ngày. — Kiểm định bắt buộc: Sai số chuẩn vững tự tương quan Newey–West (HAC), kiểm định Mincer–Zarnowitz cho độ chệch dự báo và kiểm định Diebold–Mariano so sánh với (GARCH) chuẩn.
- Chọn 8.2.3. Mô hình độ biến động hai thành phần vĩ mô–tài chính (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 bắt buộc: Kiểm định ý nghĩa hệ số truyền dẫn vĩ mô $\theta$, tỷ trọng phương sai giải thích bởi thành phần vĩ mô dài hạn $\text{VR} = \text{Var}(\ln\tau_t)/\text{Var}(\ln\tau_t g_t)$, Ljung–Box $\hat{z}_t^2$..
- Chọn 8.2.4. Mô hình đo lường rủi ro đuôi và lây lan hệ thống (VaR, CoVaR) khi: Đánh giá an toàn vĩ mô, lây lan rủi ro hệ thống ngân hàng niêm yết Việt Nam hoặc các thị trường tài chính khu vực có biến trạng thái vĩ mô $M_{t-1}$. — Kiểm định bắt buộc: Kiểm định hậu nghiệm Kupiec Unconditional Coverage & Christoffersen Independence cho $\text{VaR}_q$, kiểm định Abadie Kolmogorov–Smirnov $\Delta\text{CoVaR} \lt 0$..
4. Tài liệu tham khảo
- J.P. Morgan / Reuters.(1996). RiskMetrics Technical Document, 4th ed.. Morgan Guaranty Trust Company.
- Jorion, P.(2007). Value at Risk: The New Benchmark for Managing Financial Risk, 3rd ed.. McGraw-Hill.
- Brooks, C.(2019). Introductory Econometrics for Finance, 4th ed.. Cambridge University Press.
- Becketti, S.(2020). Introduction to Time Series Using Stata, Revised ed, Chương 8: Modeling Time-Varying Volatility with ARCH/GARCH. Stata Press.
- Pesaran, M. H.(2015). Time Series and Panel Data Econometrics, Chương 18: Volatility Modeling in Finance. Oxford University Press.
- Verbeek, M.(2021). Panel Methods for Finance: A Guide to Empirical Practice, Chương 6: Asset Pricing & Fama–MacBeth/GRS Tests. De Gruyter.
↑ Tài liệu gốc: KINH TẾ LƯỢNG ỨNG DỤNG TOÀN DIỆN TỪ A – Z
↑ Chương chủ quản: 8. Độ biến động tài chính, định giá tài sản và rủi ro hệ thống
→ Bài học đầu tiên trong nhóm: 8.2.1. Mô hình độ biến động trung bình trượt trọng số mũ (EWMA)