Data Engineering cho Phân tích Rủi ro 🏠
🏠 Trang chủ / Data Engineering cho Phân tích Rủi ro / Phần 3 · Phân tích rủi ro trên dữ liệu / Module 13
📉 Module 13 / 18 · 2 tuần Nâng cao

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.

Tỷ giáVaRExpected ShortfallMonte CarloBacktesting
📌 Vì sao module này quan trọng

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

KhoảnUSDChiều
Vay ngân hàng bằng USD4.000.000Nợ USD (ngắn)
Phải trả nhà cung cấp nước ngoài1.500.000Nợ USD (ngắn)
Vị thế ròng5.500.000Lỗ khi USD tăng
Lỗ khi USD tăng x% ≈ x% × 5,5 triệu USD × 26.136 = x% × 143,7 tỷ
Tỷ giá USD/VND giả lập 2024–202524057246172517725736262962685601/2405/2409/2412/2405/2509/2512/25
Tăng 7,8% sau hai năm, có vài cú nhảy đột ngột. Biến động năm của 250 ngày gần nhất: 3,62%.

🟡 Ba cách tính VaR

Phương phápÝ tưởngƯuNhược
Tham số (variance-covariance)Giả định lợi suất phân phối chuẩn: VaR = z × σ × vị thếNhanh, dễ giải thíchĐánh giá thấp đuôi dày
Lịch sửLấy phân vị của lỗ thực tế trong N ngày quaKhông giả định phân phối, có đuôi thậtPhụ thuộc cửa sổ; quá khứ có thể không lặp lại
Monte CarloMô phỏng hàng nghìn kịch bảnLinh hoạt, nhiều kỳ, phi tuyếnTốn 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)
Phân phối lợi suất ngày USD/VND, 250 ngày gần nhất (%)025.350.675.91010-1,100-0,902-0,706-0,5034-0,3078-0,10880,10290,3080,5050,7000,9001,10
Đa số ngày dao động dưới ±0,3%, nhưng có vài ngày ở hai đuôi xa hơn nhiều so với phân phối chuẩn: lý do VaR lịch sử 99% lớn hơn VaR tham số.

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")
4.000 kịch bản lãi/lỗ 20 ngày (tỷ đồng, dương = lỗ)0289578867115616-4,368-3,4196-2,5559-1,5824-0,610050,37581,23842,11393,1404,0104,915,8
VaR 99% 20 ngày theo mô phỏng: khoảng 3,69 tỷ. Bootstrap giữ được đuôi dày của dữ liệu thật nhưng giả định các ngày độc lập với nhau.

🟡 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 lệÝ nghĩa
🟢 Xanh0–4Mô hình chấp nhận được
🟡 Vàng5–9Nghi ngờ, cần điều tra và có thể tăng hệ số an toàn
🔴 Đỏ≥ 10Mô hình không đạt
5 ngoại lệ: vùng vàng

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 bảnLỗ 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 trườngCách làm
Một nguồn tỷ giá chính thức + nguồn dự phòngSo chéo hằng ngày, cảnh báo chênh > 0,3%
Lịch ngày làm việc, ngày lễdim_date có is_workday; không nội suy ngày lễ thành lợi suất 0
Tỷ giá cuối ngày chốt cố định giờVD 16:00; lưu cả thời điểm lấy
Lịch sử không bị ghi đèBronze append-only; sửa tỷ giá sai bằng bản ghi mới có lý do
Vị thế từ kế toán/ hợp đồng vayJoin ASOF theo ngày (module 5)

⚠️ Sai lầm thường mắc

❌ Coi VaR là lỗ tối đa

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.

❌ Dùng VaR tham số cho dữ liệu đuôi dày

Vì sao nguy hiểm: Đánh giá thấp rủi ro.

Cách làm đúng: So với VaR lịch sử, kiểm định ngược.

❌ Nhân căn bậc hai thời gian vô điều kiện

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.

❌ Không kiểm định ngược

Vì sao nguy hiểm: Tin mô hình sai nhiều tháng.

Cách làm đúng: Đếm ngoại lệ, đọc vùng đèn giao thông.

❌ Nội suy ngày lễ thành lợi suất 0

Vì sao nguy hiểm: Làm biến động trông thấp hơn.

Cách làm đúng: Chỉ dùng ngày làm việc thật.

❌ Sai chiều vị thế

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%.

📌 Cần nhớ
  • 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
Đáp án: B. Định nghĩa phân vị.
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
Đáp án: A. Đuôi thật dày hơn chuẩn.
3. Kiểm định 250 ngày VaR 99% có 11 ngoại lệ. Vùng:
A. Xanh
B. Vàng
C. Đỏ
Đáp án: C. ≥ 10 là 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
Đáp án: A. Đo độ sâu của đuôi.
5. Vị thế ngắn USD lỗ khi:
A. USD giảm giá
B. USD tăng giá
C. Lãi suất VND tăng
Đáp án: B. Phải trả nhiều VND hơn.

🏋️ Bài tập thực hành

VaR EWMA và so sánh kiểm định ngược

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
σ²t = λσ²t−1 + (1−λ)r²t−1; khởi tạo bằng phương sai 30 ngày đầu. Với pandas: 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

✅ 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
Lưu ý: đây là tài liệu giáo dục. Công ty An Phát Distribution, đại lý, nhà cung cấp, nhân viên và mọi số liệu đều là giả định do code sinh ra, không đại diện cho doanh nghiệp thật. Phương pháp (scorecard, ECL, VaR, Benford...) được đơn giản hoá cho mục đích học; khi áp dụng thật, hãy đối chiếu chuẩn mực kế toán (VAS/ IFRS 9), quy định pháp luật hiện hành (ví dụ về bảo vệ dữ liệu cá nhân) và chính sách nội bộ của tổ chức bạn.