Var - Nhãn - NZQIRChttps://nzqirc.xyz/tags/var/Var - 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.

]]>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?”

]]>Phương pháp Bootstraphttps://nzqirc.xyz/posts/math/stats/bootstrap-method/Mon, 03 Aug 2026 09:30:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/bootstrap-method/<p>Trong thống kê và học máy, việc đánh giá độ bất định của một ước lượng (như trung bình, phương sai hay một thước đo rủi ro) thường phụ thuộc vào phân phối chọn mẫu của ước lượng đó. Trong thực tế, phân phối này hiếm khi có sẵn dưới dạng giải tích. <strong>Phương pháp Bootstrap</strong> dùng phân phối thực nghiệm để xấp xỉ độ bất định mà không cần ấn định một họ phân phối tham số cụ thể. Bài viết trình bày trực giác, cách hoạt động và một ứng dụng của Bootstrap trong phân tích chuỗi thời gian tài chính.</p>Mô phỏng Monte Carlohttps://nzqirc.xyz/posts/math/stats/monte-carlo-simulation/Mon, 03 Aug 2026 09:00:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/monte-carlo-simulation/1. Giới thiệu

Đã bao giờ bạn tự hỏi làm thế nào để giải quyết một bài toán quá phức tạp để có thể tính toán bằng các công thức toán học thông thường? Câu trả lời thường là: hãy để sự ngẫu nhiên làm việc đó cho bạn. Đó chính là triết lý đằng sau Mô phỏng Monte Carlo (Monte Carlo Simulation).

Tên gọi “Monte Carlo” được nhà toán học Stanislaw Ulam và John von Neumann đặt vào những năm 1940, lấy cảm hứng từ sòng bạc nổi tiếng ở Monaco, nơi chú của Ulam thường xuyên lui tới. Ý tưởng cốt lõi rất đơn giản: sử dụng lấy mẫu ngẫu nhiên (random sampling) lặp đi lặp lại để xấp xỉ kết quả của những bài toán khó hoặc không thể giải quyết bằng phương pháp giải tích (analytic).

]]>