Risk-Management - Nhãn - NZQIRChttps://nzqirc.xyz/tags/risk-management/Risk-Management - Nhãn - NZQIRCHugo -- gohugo.ioviThis work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.Thu, 13 Aug 2026 09:00:00 +0700Backtest VaR: Đánh giá mô hình quản trị rủi rohttps://nzqirc.xyz/posts/math/stats/var-backtesting/Thu, 13 Aug 2026 09:00:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/var-backtesting/Trong quản trị rủi ro tài chính, Value at Risk (VaR) là một con số ước lượng mức tổn thất tối đa có thể xảy ra trong một khoảng thời gian nhất định, với một độ tin cậy cho trước. Tuy nhiên, làm sao để biết mô hình VaR mà ngân hàng đang sử dụng có thực sự chính xác hay không? Đây là lúc quá trình Backtesting (kiểm định ngược) và đặc biệt là Kiểm định Kupiec POF (Proportion of Failures) phát huy tác dụng.

]]>Phân phối Pareto Tổng quát (GPD): Lời giải cho những thảm họa 'Thiên nga đen'https://nzqirc.xyz/posts/math/stats/generalized-pareto-distribution/Sun, 09 Aug 2026 10:30:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/generalized-pareto-distribution/Trong quản trị rủi ro tài chính hay bảo hiểm, các mô hình phân phối truyền thống (như Phân phối Chuẩn) thường hoạt động cực kỳ mượt mà ở vùng trung tâm – nơi diễn ra 90% đến 95% các sự kiện bình thường của thị trường. Tuy nhiên, khi một cuộc khủng hoảng xảy ra (những sự kiện “Thiên nga đen”), các mô hình truyền thống này thường đánh giá quá thấp xác suất và mức độ thiệt hại thực tế, dẫn đến hậu quả thảm khốc.

]]>Hàm Trung bình Vượt ngưỡng (Mean Excess Plot)https://nzqirc.xyz/posts/math/stats/mean-excess-plot/Fri, 07 Aug 2026 09:00:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/mean-excess-plot/<p>Trong quản trị rủi ro tài chính, Thuyết Giá trị Cực đoan (Extreme Value Theory - EVT) là một công cụ toán học mạnh mẽ để đối phó với hiện tượng <a href="/posts/math/stats/laplace-ged-student-t-skewed-t/" rel="">đuôi dày</a> (fat-tails) - những sự kiện Thiên nga đen tàn khốc. Thay vì cố gắng mô hình hóa toàn bộ thị trường, EVT tập trung ánh nhìn hoàn toàn vào phần đuôi (những ngày lỗ nặng nhất) của phân phối.</p>Các phân phối đuôi dày: Laplace, GED, Student-t và Skewed-thttps://nzqirc.xyz/posts/math/stats/laplace-ged-student-t-skewed-t/Thu, 06 Aug 2026 10:00:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/laplace-ged-student-t-skewed-t/Trong mô hình hóa dữ liệu tài chính và chuỗi thời gian, phân phối Chuẩn thường không đủ để nắm bắt tần suất xuất hiện của các biến cố cực đoan. Phân phối thực nghiệm của tỷ suất sinh lợi thường có độ nhọn cao (leptokurtic) và tính bất đối xứng, dẫn đến khái niệm phân phối đuôi dày (heavy-tail distribution). Việc giả định phân phối Chuẩn trong các trường hợp này có xu hướng đánh giá thấp rủi ro đuôi (tail risk). Để khắc phục hạn chế này, một số họ phân phối linh hoạt hơn đã được sử dụng rộng rãi.

]]>Ứng dụng Bootstrap trong Phân tích Tài chính: Từ IID đến Moving-Blockhttps://nzqirc.xyz/posts/math/stats/bootstrap-finance-application/Thu, 06 Aug 2026 10:00:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/bootstrap-finance-application/Bên cạnh các phương pháp Monte Carlo sử dụng phân phối tham số (như phân phối Chuẩn hay phân phối Student-t), một triết lý phân tích hoàn toàn khác biệt được áp dụng rộng rãi trong quản trị rủi ro: Hãy để dữ liệu tự cất tiếng nói. Đó chính là triết lý cốt lõi của phương pháp Bootstrap.

Bài viết này đi sâu vào cách áp dụng Bootstrap để mô phỏng rủi ro, phân tích sự khác biệt giữa Bootstrap cơ bản (IID) và Bootstrap nâng cao (Khối trượt - Moving-Block), đồng thời lý giải tại sao việc chọn đúng kỹ thuật lại mang tính sống còn đối với dữ liệu tài chính (đặc biệt là bài toán ước lượng VaR).

]]>Ứng dụng Mô phỏng Monte Carlo trong Phân tích Tài chínhhttps://nzqirc.xyz/posts/math/stats/mc-finance-application/Thu, 06 Aug 2026 10:00:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/mc-finance-application/Bài viết này được thiết kế như một tài liệu bổ trợ giúp các bạn sinh viên hiểu rõ hơn về cách ứng dụng mô phỏng Monte Carlo (MC) vào phân tích rủi ro định lượng, đặc biệt là khi đọc các báo cáo chuyên sâu (như đồ án tốt nghiệp hay báo cáo phân tích rủi ro nội bộ).

1. Tại sao phải dùng Mô phỏng Monte Carlo?

Trong tài chính, chúng ta thường biết (hoặc giả định) phân phối xác suất của tỷ suất sinh lợi logarit trong 1 ngày. Nhưng nếu Giám đốc Rủi ro (CRO) đặt câu hỏi: “Rủi ro lớn nhất mà danh mục có thể gặp phải trong 20 ngày tới là bao nhiêu?”

]]>