Student-T - Nhãn - NZQIRChttps://nzqirc.xyz/tags/student-t/Student-T - Nhãn - NZQIRCHugo -- gohugo.ioviThis work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.Thu, 06 Aug 2026 10:00:00 +0700Các 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 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?”

]]>Sinh số ngẫu nhiênhttps://nzqirc.xyz/posts/math/stats/random-number-generation/Mon, 03 Aug 2026 22:50:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/random-number-generation/Trong mô phỏng, máy tính thường dùng các thuật toán xác định để sinh số giả ngẫu nhiên (pseudo-random numbers). Nhiều phương pháp Monte Carlo bắt đầu từ các giá trị mô phỏng phân phối đều trên khoảng $[0,1]$, ký hiệu $U\sim\text{Uniform}(0,1)$. Linear Congruential Generator là một ví dụ lịch sử đơn giản; các thư viện hiện đại thường dùng những bộ sinh có chất lượng thống kê tốt hơn.

]]>