Khung mô phỏng
- Bốn bước chung: thiết lập tham số → tạo kịch bản → tính toán kịch bản → tổng hợp và diễn giải.
- Ba phương pháp khác nhau chủ yếu ở bước tạo kịch bản: historical simulation dùng đúng thay đổi đã xảy ra; bootstrap rút ngẫu nhiên có hoàn lại từ mẫu; Monte Carlo rút ngẫu nhiên từ phân phối giả định.
Historical simulation
- Áp thay đổi giá, lợi suất lịch sử vào vị thế hiện tại; giả định quá khứ đại diện cho tương lai và dữ liệu là toàn bộ tổng thể.
- Ưu điểm: dễ giải thích, nonparametric (hợp với excess kurtosis, fat tails), tự giữ volatility clustering và tương quan thực tế, chi phí tính thấp.
- Nhược điểm: nhìn về quá khứ, không có biến cố chưa xảy ra, yếu khi có regime shift, phụ thuộc chất lượng dữ liệu. Dữ liệu thiếu (giao dịch thưa, lịch nghỉ khác nhau, chứng khoán mới) bù bằng proxy.
- Cổ phiếu dùng log return rt = ln(Pt ÷ Pt−1); P&L = giá trị vị thế × (er − 1). Ví dụ $30 million với −2.10% → −$623,431.
- VaR 95% = percentile thứ 5 của phân phối P&L; thứ hạng = 5% × số quan sát, thứ hạng lẻ thì nội suy. 236 quan sát: 0.2 × 1,215,400 + 0.8 × 1,187,900 = $1,193,400.
- VaR tham số giả định phân phối chuẩn, thường giả định lợi suất ngày trung bình bằng 0 (khó bác bỏ giả thuyết không; biến động lấn át xu hướng).
- Trái phiếu: không dùng giá lịch sử của chính trái phiếu vì duration giảm dần khi gần đáo hạn; dùng thay đổi lợi suất hoặc giá zero-coupon ở các kỳ hạn chuẩn.
Bootstrap
- Rút mẫu có hoàn lại từ dữ liệu quan sát; xác suất chọn mỗi quan sát ở mỗi lần rút = 1 ÷ n; một quan sát có thể xuất hiện nhiều lần.
- Coi mẫu là đại diện của tổng thể (historical simulation coi dữ liệu là tổng thể thật). Không cần giả định phân phối, hợp với mẫu nhỏ, giảm overfitting và ảnh hưởng outlier.
- Không ngoại suy được ra ngoài khoảng dữ liệu, nhạy với chất lượng mẫu, phá vỡ autocorrelation, không cho hiểu biết nhân quả.
- Định giá call: PT = P0 × eΣr, payoff = max(PT − K, 0). Ví dụ 50 × e0.078 = $54.06 → payoff $4.06.
- Ước lượng khoảng biến động hằng tháng của quỹ target date từ dữ liệu ngắn.
Monte Carlo simulation
- Giả định phân phối cho đầu vào, rút hàng nghìn lần thử; nhiều lần thử hơn thì chính xác hơn nhưng tốn thời gian hơn.
- Log return mỗi bước theo risk-neutral: r = (rf − σ2 ÷ 2) × s + σs × X; giá trị quyền chọn V0 = E(payoff) × e−rfT. Ví dụ năm lần thử: payoff trung bình $5.17 → $4.97.
- Dùng cho công cụ không có closed-form solution: Asian option (payoff = max(giá đáo hạn − giá bình quân, 0)), mortgage-backed securities, convertible bond.
- Đa biến: X1 = σ1Z1; X2 = σ2(ρZ1 + 1 − ρ2Z2). Cholesky decomposition chuyển biến chuẩn không tương quan thành biến chuẩn tương quan. Ví dụ 1.2%, 1.8%, ρ = 0.6, Z = (−0.5, 1.0) → −0.60% và 0.90%.
- Điểm mạnh: áp dụng rộng, linh hoạt với phân phối không chuẩn, chính xác nếu chạy đủ nhiều, xử lý tương quan, mô phỏng được kịch bản chưa từng xảy ra. Điểm yếu: phức tạp, phụ thuộc mô hình, tốn tính toán, cần nhiều dữ liệu để ước lượng tham số; chỉ là ước lượng thống kê.