Rủi ro thị trường: tỷ giá, VaR, Monte Carlo và kiểm định ngược
An Phát đang ngắn 5,5 triệu USD (≈ 144 tỷ). Đo rủi ro tỷ giá bằng VaR tham số, VaR lịch sử, Expected Shortfall, mô phỏng Monte Carlo 20 ngày, kiểm định ngược bằng “đèn giao thông” Basel, kịch bản sốc và đường ống dữ liệu thị trường.
Mỗi 1% USD tăng giá, An Phát lỗ khoảng 1,44 tỷ trên vị thế ngoại tệ, gần bằng lợi nhuận của cả tuần bán hàng. Rủi ro tỷ giá là loại rủi ro có dữ liệu tốt nhất (giá có mỗi ngày), nên là nơi lý tưởng để học đo lường rủi ro bằng thống kê, và hiểu giới hạn của chính các con số đó.
🎯 Mục tiêu học tập
- Tính vị thế và độ nhạy với tỷ giá
- Tính VaR tham số, VaR lịch sử, ES
- Mô phỏng Monte Carlo theo bootstrap
- Kiểm định ngược VaR và đọc vùng đèn giao thông
- Dựng đường ống dữ liệu thị trường đúng chuẩn
🟢 Vị thế và độ nhạy
| Khoản | USD | Chiều |
|---|---|---|
| Vay ngân hàng bằng USD | 4.000.000 | Nợ USD (ngắn) |
| Phải trả nhà cung cấp nước ngoài | 1.500.000 | Nợ USD (ngắn) |
| Vị thế ròng | 5.500.000 | Lỗ khi USD tăng |
🟡 Ba cách tính VaR
| Phương pháp | Ý tưởng | Ưu | Nhược |
|---|---|---|---|
| Tham số (variance-covariance) | Giả định lợi suất phân phối chuẩn: VaR = z × σ × vị thế | Nhanh, dễ giải thích | Đánh giá thấp đuôi dày |
| Lịch sử | Lấy phân vị của lỗ thực tế trong N ngày qua | Không giả định phân phối, có đuôi thật | Phụ thuộc cửa sổ; quá khứ có thể không lặp lại |
| Monte Carlo | Mô phỏng hàng nghìn kịch bản | Linh hoạt, nhiều kỳ, phi tuyến | Tốn tính toán, phụ thuộc mô hình sinh |
import numpy as np
import pandas as pd
fx = pd.read_csv("fx_usdvnd.csv", parse_dates=["date"]).set_index("date")["usd_vnd"]
r = np.log(fx).diff().dropna() # lợi suất log hằng ngày
last = r.iloc[-250:] # cửa sổ 250 ngày làm việc gần nhất
usd_short = 5.5e6 # vay USD + phải trả NCC nước ngoài
expo = usd_short * fx.iloc[-1] / 1e9 # tỷ đồng; vị thế NGẮN USD -> lỗ khi USD tăng
sd = last.std()
var_param = 2.326 * sd * expo # tham số, 99%, 1 ngày
k = int(0.01 * len(last)) # thống kê thứ tự
cut = last.sort_values(ascending=False).iloc[k]
var_hist = cut * expo # lịch sử, 99%, 1 ngày
es_hist = last[last >= cut].mean() * expo # trung bình phần đuôi
print(f"Tỷ giá cuối kỳ: {fx.iloc[-1]:,.0f} | vị thế: {expo:.1f} tỷ đồng")
print(f"Biến động năm: {sd * np.sqrt(250):.2%}")
print(f"VaR 99% 1 ngày tham số: {var_param:.3f} tỷ | lịch sử: {var_hist:.3f} tỷ | ES lịch sử: {es_hist:.3f} tỷ")
print(f"VaR 99% 10 ngày (căn bậc hai thời gian): {var_param * np.sqrt(10):.2f} tỷ")
# Backtest: VaR lịch sử cửa sổ trượt 250 ngày, đếm số ngày thực tế vượt VaR trong 250 ngày gần nhất
exc = 0
for i in range(len(r) - 250, len(r)):
w = r.iloc[i - 250:i].sort_values(ascending=False)
exc += int(r.iloc[i] > w.iloc[int(0.01 * 250)])
print(f"Số ngoại lệ trong 250 ngày: {exc} (kỳ vọng ≈ 2,5)")Tỷ giá cuối kỳ: 26,136 | vị thế: 143.7 tỷ đồng
Biến động năm: 3.62%
VaR 99% 1 ngày tham số: 0.766 tỷ | lịch sử: 0.984 tỷ | ES lịch sử: 0.993 tỷ
VaR 99% 10 ngày (căn bậc hai thời gian): 2.42 tỷ
Số ngoại lệ trong 250 ngày: 5 (kỳ vọng ≈ 2,5)VaR lịch sử 99% (0,984 tỷ) lớn hơn VaR tham số (0,766 tỷ) khoảng 28%: dấu hiệu đuôi dày. Expected Shortfall trả lời câu hỏi VaR bỏ ngỏ: khi ngày xấu xảy ra, trung bình lỗ bao nhiêu?
🟡 Monte Carlo 20 ngày bằng bootstrap
# tiếp nối đoạn code trên: dùng lại biến last (lợi suất 250 ngày) và expo (vị thế, tỷ đồng)
import numpy as np
rng = np.random.default_rng(7)
paths = rng.choice(last.to_numpy(), size=(4000, 20), replace=True).sum(axis=1) # 4.000 kịch bản 20 ngày
mc_var99 = np.quantile(paths, 0.99) * expo # lỗ khi USD tăng
print(f"VaR 99% 20 ngày (Monte Carlo): {mc_var99:.2f} tỷ")🟡 Kiểm định ngược: VaR có đáng tin không?
Đếm số ngày lỗ thực tế vượt VaR 99% trong 250 ngày. Kỳ vọng ≈ 2,5 ngày. An Phát: 5 ngoại lệ.
| Vùng (VaR 99%, 250 ngày) | Số ngoại lệ | Ý nghĩa |
|---|---|---|
| 🟢 Xanh | 0–4 | Mô hình chấp nhận được |
| 🟡 Vàng | 5–9 | Nghi ngờ, cần điều tra và có thể tăng hệ số an toàn |
| 🔴 Đỏ | ≥ 10 | Mô hình không đạt |
Nguyên nhân hợp lý: cửa sổ 250 ngày trước đó yên ả hơn giai đoạn kiểm tra (biến động thay đổi theo thời gian). Cách cải thiện: VaR có trọng số thời gian (EWMA), cửa sổ ngắn hơn cho biến động, hoặc cộng thêm VaR căng thẳng từ giai đoạn biến động mạnh nhất.
🔴 Kịch bản sốc, phòng hộ và đường ống dữ liệu thị trường
| Kịch bản | Lỗ ước tính |
|---|---|
| USD +1% | 1,44 tỷ |
| USD +3% | 4,3 tỷ |
| USD +5% (cú sốc mạnh) | 7,2 tỷ |
| VaR 99% 10 ngày (tham số) | 2,42 tỷ |
Kịch bản +5% lớn gấp nhiều lần VaR 10 ngày: VaR đo “ngày xấu bình thường”, kịch bản đo “điều hiếm nhưng có thể”. Ban điều hành cần cả hai. Công cụ phòng hộ phổ biến: hợp đồng kỳ hạn (forward) mua USD cho các khoản phải trả đã biết ngày, hoặc giảm vay USD.
| Yêu cầu đường ống dữ liệu thị trường | Cách làm |
|---|---|
| Một nguồn tỷ giá chính thức + nguồn dự phòng | So chéo hằng ngày, cảnh báo chênh > 0,3% |
| Lịch ngày làm việc, ngày lễ | dim_date có is_workday; không nội suy ngày lễ thành lợi suất 0 |
| Tỷ giá cuối ngày chốt cố định giờ | VD 16:00; lưu cả thời điểm lấy |
| Lịch sử không bị ghi đè | Bronze append-only; sửa tỷ giá sai bằng bản ghi mới có lý do |
| Vị thế từ kế toán/ hợp đồng vay | Join ASOF theo ngày (module 5) |
⚠️ Sai lầm thường mắc
Vì sao nguy hiểm: Ngày tệ hơn VaR chắc chắn sẽ xảy ra (1% số ngày).
Cách làm đúng: Báo cáo kèm ES và kịch bản.
Vì sao nguy hiểm: Đánh giá thấp rủi ro.
Cách làm đúng: So với VaR lịch sử, kiểm định ngược.
Vì sao nguy hiểm: Sai khi lợi suất tự tương quan hoặc có xu hướng.
Cách làm đúng: Kiểm tra bằng mô phỏng nhiều kỳ.
Vì sao nguy hiểm: Tin mô hình sai nhiều tháng.
Cách làm đúng: Đếm ngoại lệ, đọc vùng đèn giao thông.
Vì sao nguy hiểm: Làm biến động trông thấp hơn.
Cách làm đúng: Chỉ dùng ngày làm việc thật.
Vì sao nguy hiểm: Báo lỗ khi thực tế lãi và ngược lại.
Cách làm đúng: Ghi rõ dài/ ngắn, kiểm tra bằng kịch bản +1%.
- Vị thế ngắn 5,5 triệu USD: mỗi 1% USD tăng ≈ 1,44 tỷ.
- VaR tham số nhanh nhưng bỏ sót đuôi; VaR lịch sử có đuôi thật; ES đo lỗ trung bình phần đuôi.
- Monte Carlo bootstrap cho nhiều kỳ, giữ phân phối thật.
- Kiểm định ngược: 5 ngoại lệ/250 ngày → cần điều tra.
- VaR + kịch bản sốc + phòng hộ; dữ liệu thị trường cần lịch ngày làm việc và lịch sử không ghi đè.
🧩 Tự kiểm tra (bấm để xem đáp án)
1. VaR 99% 1 ngày = 1 tỷ nghĩa là:
A. Không bao giờ lỗ quá 1 tỷ
B. Khoảng 1% số ngày lỗ vượt 1 tỷ
C. Lỗ trung bình 1 tỷ
2. VaR lịch sử lớn hơn VaR tham số đáng kể gợi ý:
A. Phân phối có đuôi dày
B. Dữ liệu sai
C. Biến động bằng 0
3. Kiểm định 250 ngày VaR 99% có 11 ngoại lệ. Vùng:
A. Xanh
B. Vàng
C. Đỏ
4. ES khác VaR ở chỗ:
A. ES là trung bình lỗ khi đã vượt VaR
B. ES luôn nhỏ hơn VaR
C. ES không cần dữ liệu
5. Vị thế ngắn USD lỗ khi:
A. USD giảm giá
B. USD tăng giá
C. Lãi suất VND tăng
🏋️ Bài tập thực hành
Tính biến động theo EWMA (λ = 0,94) trên lợi suất USD/VND, dùng cho VaR tham số 99% 1 ngày, rồi kiểm định ngược trên 250 ngày gần nhất. So số ngoại lệ với VaR lịch sử cửa sổ cố định. Vẽ cả ba đường VaR cùng lợi suất thực tế.
💡 Gợi ý lời giải
r.pow(2).ewm(alpha=0.06, adjust=False).mean().shift(1). Ngoại lệ: r > 2.326 * sigma (vị thế ngắn).📚 Tài nguyên học tập
- BCBS: Supervisory framework for backtesting (1996)Nguồn gốc vùng đèn giao thôngChuẩn mực
- RiskMetrics (tổng quan)EWMA và VaR tham số kinh điểnTài liệu
- NumPy random GeneratorMô phỏng Monte CarloTài liệu
✅ Tự đánh giá hoàn thành
- Tính vị thế và độ nhạy 1%
- Chạy VaR tham số, lịch sử, ES
- Chạy Monte Carlo 20 ngày
- Đọc kết quả kiểm định ngược
- Liệt kê yêu cầu đường ống dữ liệu thị trường