Độ biến động lịch sử với những quan sát gia quyền đồng đều

       Độ biến động lịch sử theo những giả định i.i.d có thể được tính bằng cách sử dụng những khung thời gian động. Phươngpháp tiêu chuẩn sử dụng những khung quan sát chuyển động. Ví dụ, chúng ta sử dụng 250 quan sát hàng ngày và cửa sổ dịch chuyển theo thời gian. Giả sử có một bước nhảy vọt vào một ngày trong quá khứ.

     Nếu bước nhảy vọt đó nằm trong cửa sổ quan sát, nó sẽ ảnh hưởng tới ước lượng độ biến động lịch sử. Khi nó không còn nằm trong cửa sổ, ước lượng độ biến động sẽ giảm.

quan sát gia quyền

     Còn có những vân đề khác với độ biến động lịch sử. Những thu nhập liên tiếp được giả định là độc lập với nhau, nhưng thực ra chúng có tương quan chuỗi. Tương quan chuỗi nghĩ là thu nhập cao sẽ nối tiếp thu nhập cao. Trong khoảng thời gian dài, độ biến động tính từ căn bậc hai thời gian sẽ lớn vô hạn. Đây là điều không thể chấp nhận được. Nhiều hiện tượng “trở lại giá trị trung bình” ví dụ như lãi suất. Trở lại giá trị trung bình có nghĩa là khi độ lệch từ giá trị dài hạn quá lớn, một số hạng sẽ cộng với sự thay đổi ngẫu nhiên và bù trừ cho những độ lệch đó làm chúng trở lại bằng 0.

     Hơn nữa, những hiện tượng thật không “tĩnh”, nghĩa là độ biến động không ổn định theo thời gian và giả định này không đúng. Những phương pháp phức tạp hơn để tính toán độ bất Ổn của độ biến động sử dụng trung bình động hoặc những mô hình GARCH về hành vỉ thời gian của độ biến động.



Từ khóa tìm kiếm nhiều: quản trị rủi ro trong ngân hàng

Phương pháp khả năng cực đại

   Vì ta không thể tiếp tục dựa vào phương pháp lấy mẫu cho các mô hình GARCH, chúng ta cần một phương pháp hợp khít khác thay cho phương pháp thống kê thông thưởng để định chuẩn cho nhóm những mô hình GARCH. Vì EWMA là một trường hợp đặc biệt của GARCH (1,1), phương pháp có thể ứng dụng với cả hai, đơn giản hơn nếu phải ước lượng tham số suy giảm A. Ở đây, chúng ta mỏ rộng phương pháp khả năng cực đại và đưa ra một ví dụ về chuỗi dữ liệu.
Phương pháp khả năng cực đại bao gồm chọn những tham số để tối đa hóa xác suất quan sát được dữ liệu. Giả sử chúng ta có thể cho mỗi quan sát ting với một xác suất và rút ra xác suất quan sát toàn bộ tập hợp dữ liệu. Ví dụ, khi các quan sát độc lập với nhau, xác suất quan sát k sự kiện là tích của các xác suất của từng sự kiện. Phương pháp khả năng cực đại tìm tham số của phân phôi xác suất khớp với tập hợp dữ liệu nhất. Phựơng pháp có thể được minh họa để tìm ước lượng khả năng cực đại của một phương sai cố định như một bước trung gian. Điều này sẽ ứng dụng với EWMA.

Phương pháp khả năng cực đại

    Giả sử thu nhập rt tuân theo một phân phối chuẩn với giá trị kỳ vọng bằng 0 và có phương sai cố định ơ. Mật độ của phân phối.
     Xác suất quan sát k thu nhập là tích của các xác suất quan sát mỗi thu nhập bởi vì các ri
Ta cần ước lượng phương sai V = ơ2 . Ước lượng tốt nhất của ơ2 là giá trị sẽ cữc đại hóa biểu thức này. Cực đại hóa tích cũng tương đương với cực đại logarit của tích.
Ước lượng khả năng cực đại là trung bình của thu nhập bình phương, ứng với tính toán thống kê của phương sai trên toàn tập dữ liệu thu nhập. Chú ý ước lượng thống kê tốt nhất sử dụng phép chia cho k thay vì chia cho k-1.



Từ khóa tìm kiếm nhiều: tin dung ngan hang

Các mô hình garch

     Nhóm các mô hình GARCH có mục tiêu mô phỏng hành vi thời gian của độ biến động. Độ biến động có vẻ tuân theo một quá hình trở lại giá trị trung bình, do đó những giá trị lớn thưởng bị “là phẳng” sau một thời gian. Các mô hình muốn mô tả được hành vi này giả định rằng phương sai trong một khoảng thời gian vào thời điểm t phụ thuộc vào phương sai vào thời điểm t-1 cũng trên cùng khoảng thời gian cộng với quan sát gần đầy nhất.

     Mô hình GARCH khác với EWMA ở chỗ nó kết hợp phương sai dài hạn với ước lượng của phương sai gần nhất và thu nhập gần đây nhất. GARCH (1,1) chỉ ra dựa vào thu nhập gần đây nhất bình phương và ước lượng gần đây nhất của phương sai. Công thức của mô hình GARCH . Phân phối của thu nhập không còn phân phối giống nhau bởi vì phương sai của nó bây giờ phụ thuộc vào ngày t. Phương sai ơ? được gọi là “phương sai điều kiện”, phụ thuộc vào những quan sát quá khứ. Phương sai dài hạn là phương sai vô điều kiện.

Các mô hình garch

    Vì phương sai thay đổi, chúng ta không thể dùng một phương pháp lây mẫu, dù có trọng số hay không, để ước lượng phương sai. Phương pháp phù hợp để ước lượng phương sai là hàm số khả năng cực đại được trình bày ở phần sau.
     So sánh mô hình EWMA với mô hình GARCH, ta thây với EWMA Y=0, P=A và a=l-A. Chúng ta chỉ có tham số A để ước lượng, quá trinh ước lượng của cả hai mô hình được trình bày chi tiết dưới đây, nhưng trước hết chúng ta cẩn biết về những điều cơ bản của ước lượng khả năng cực đại.
    Chú ý mô hình chịu chi phối của một số giới hạn. Trong trường hợp đặc biệt ơ là một hằng SỐ và bằng phương sai dài hạn. Chúng ta có thể thay tất cả các số hạng bằng phương sai dài hạn này. Phương sai dài hạn là “vô điều kiện” vì chúng không phụ thuộc vào những nhân tố ảnh hưởng tới phương sai vào thời điểm t.
    Do đó, Y+ (3+ a=l và Y =1 – (« + (3). Điều kiện a + i3 < 1 là cần thiết để trọng số của phương sai dài hạn là số dương. Cần phải xem xét điều kiện này khi ước lượng các hệ số.
     Công thức có thể được dùng lặp đi lặp lại để chứng minh mô hình GARCH nhất quán với trọng số giảm của những quan sát đã xảy ra từ lâu trong quá khứ.



Từ khóa tìm kiếm nhiều: tín dụng ngân hàng

Độ biến động ngắn và dài hạn

     Độ biến động không ổn định. Tùy vào giai đoạn, nó có thể rất cao hoặc rất thấp. Có nhiều cách để xử lý vân đề này. Một số phương pháp rất đơn giản, ví dụ như lây giá trị lớn hơn giữa độ biến động ngắn hạn (3 tháng) và độ biến động dài hạn (2 năm). Nên độ biến động tăng, độ biến động gần đây nhất sẽ dùng để làm tham chiêu. Nếu có những giai đoạn quá khứ với độ biến động cao, độ biến động dài hạn hơn sẽ dùng để làm tham chiếu. Mô hình Trung bình gia quyền động lũy thừa (EWMA) sử dụng trọng số giảm lũy thừa khi đi ngược lại thời gian. Những thước do rủi ro sử dụng một phiên bản khác của kỹ thuật “bình quân” này. Gọi ơ là độ biến động của một biến số thị trường vào ngày t được ước lượng vào ngày t-1. Bình phương là phương sai. Gọi ri là thu nhập liên tục giữa ngày i-1 và i, ta có: Đặt E(r) = 0 vì kỳ vọng của thu nhập nhỏ hơn r trong những khoảng thời gian ngắn, ước lượng gia quyền đổng đều của độ biến động. Có thể coi E(r) = 0 khi độ lệch chuẩn của thu nhập nhỏ hơn thu nhập hàng ngày. Bình phương của thu nhập trỏ thành ước lượng cuối cùng của phương sai. Mấu số k-1 có thể biến thành k nếu ta sử dụng ước lượng khả năng cực đại. EWMA gắn những trọng số lớn hơn cho những quan sát gần đây: những quan sát gần đây nhất có trọng số lớn hơn, những quan sát lâu ngày có trọng số nhỏ hơn. Trong mô hình này, những bước nhảy vọt từ lâu có ảnh hưởng ít hơn trong mô hình trọng số đổng đều. Phương pháp EWMA được giới thiệu trong tài liệu RiskMetrics của JP Morgan năm 19%. Công thức dựa trên tham số A nằm giữa 0 và 1. 

Độ biến động ngắn

Công thức để ước lượng phương sai trong khoảng thời giai t, đi từ ngày t về 0. Trong công thức này, có t số hạng vì ước lượng của t tùy vào tất cả những thu nhập bình phương trước đây từ t-1 đến 0. Vì À<1, hệ số ứng với những quan sát quá khứ thấp hơn hệ số cho những quan sát gần đây và trọng số giảm đi khi quay ngược lại quá khứ. Khi mỏ rộng khoảng thời gian thành vô cùng, công thức đơn giản hóa vì tồng của cảp số nhân với A bằng 1/(1- A). Những công thức của ơf và cr,2_, tính tồng các số hạng từ t-1 đến 0 và từ t-2 đến 0. Lấy hiệu những số hạng trung gian sẽ loại trừ nhau, trừ số hạng đầu tiên của. Công thức ước lượng phương sai của thu nhập vào thời điểm t trở thành. Theo công thức này, cập nhật ước lượng phương sai chi đòi hỏi ước lượng phương sai ngay trước nó và một quan sát nữa.  Điều này dẫn tới một cách hiểu A đơn giản. Khi A cao, ước lượng phản ứng ít hơn với quan sát thu nhập cuối cùng (vì (1- A) nhỏ), trong khi ước lượng phương sai trước đó trở nên quan trọng hơn. Ngược lại, A thấp có nghĩa là quan sát thu nhập cuối cùng quan trọng hơn và ước lượng phương sai cuối cùng ít quan trọng. Vì trọng số của phương sai thấp hơn 1, phương sai lớn sẽ được nối tiếp bằng những phương sai thấp hơn cho tói bước nhảy vọt tiếp theo, hành vi phương sai này hay xảy ra. Cuối cùng, cách thức dùng trọng số này không cho phép có một bước nhảy vọt trong độ biến động vì một bước nhảy vọt trong quá khứ, như trong trường hợp phương sai có trọng số đổng đều. EWMA không thay đổi giả định về phương sai cố định. Vào giới hạn A=l, EWMA sẽ đúng bằng ước lượng gia quyền đổng đều. Một cách nhìn khác cho thây EWMA không thay đổi giả định i.i.d là EWMA tương tự như trung bình gia quyền đồng đều khi tham số suy giảm thấp hơn 1. Những số hạng trong quá khứ sẽ tiến gần tới 0 khiến cho phép tính gần hơn với ước lượng độ biến động lịch sử trong một cửa sổ thời gian động. Những tham số suy giảm làm “mịn” những thay đổi đột ngột, khiến cho ước lượng chuyển động “trơn” hơn. Tài liệu RiskMetrics gợi ý những giá trị A khá cao, ví dụ 0,94 hay 0,97. Những giá trị đó sẽ đưa ra ước lượng rất khác với ước lượng gia quyền đổng đều nếu sử dụng dữ liệu 250 ngày.


Thu nhập liên tục và phương sai

     Khi thu nhập là i.i.d (phân phối độc lập giống nhau), những thu nhập liền kể độc lập với nhau, khớp với giả thuyết thị trường hiệu quả. Hãy xem xét phương sai của thu nhập logarit ln(Vh/Vo). Phương sai là tồng của những phương sai của những thu nhập logarit trung gian ln(Vi+l/Vi) vì những thu nhập này độc lập với nhau. Sử dụng r(i)= ln(Vi+l/Vi) ta giả sử là thu nhập liên tục kỳ vọng là hằng số r và có phương sai cố định ơ2. Giả sử ta có n khoảng thòi gian nhỏ. Thu nhập logarit gộp có phương sai bằng n lần phương sai của thu nhập tức thì hay n ơ. Theo đó, sự không chắc chắn đo bởi độ lệch chuẩn của thu nhập liên tục tăng tỷ lệ với căn bậc hai của thời gian theo một công thức đơn giản.
     Trong công thức này, phương sai hay độ biến động là phương sai hay độ biến động của thu nhập logarit.
Trong lý thuyết tiêu chuẩn, thu nhập là i.i.d. Những thu nhập logarit liên tiếp độc lập với nhau với cùng phương sai nếu phân phối tĩnh. Phương sai tăng tỷ lệ thuận với thời gian và độ biến động tăng tỷ lệ với căn bậc hai của thời gian. Nguyên tắc được tóm tắt trong một cảu: “tính không chắc chắn tăng tỷ lệ thuận với căn bậc hai thời gian” và tính không chắc chắn được đo bằng độ lệch chuẩn hay độ biến động thu nhập.

phương sai

ứng dụng thực tiễn của nguyên tắc này là “phóng to” độ biến động hàng ngày trong bất kỳ khoảng thời gian nào, miễn là giả định i.i.d vẫn đúng. Quy tắc thông thưởng là sử dụng những quan sát hàng ngày trong một năm để xác định độ biến động lịch sử gia quyền đổng đều. Độ biến động hàng ngày có thể được mở rộng cho khoảng thời gian t bằng phương trình.
     Ví dụ, độ biến động 10 ngày, khung thời gian được sử dụng trong các quy định về rủi ro thị trường, sẽ bằng độ biến động hàng ngày. Độ biến động lịch sử hàng năm sẽ là với biến số trong ngoặc là số ngày. Độ biến động hàng năm này thưởng được dùng để mô tả độ biến động. Giả sử độ biến động hàng ngày của thu nhập chỉ số cổ phiếu trong 250 ngày làm việc trước đây là 2%. Độ biến động 10 ngày sẽ là. Độ biến động hàng năm sẽ là.Hệ số thời gian ứng với độ biến động là căn bậc hai của thời gian. Thời gian có cùng đom vị với độ biến động, ví dụ ngày đối với độ biến động ngày.



Từ khóa tìm kiếm nhiều: quan ly rui ro