Chuỗi Markov là gì?

Chuỗi Markov là gì?

Chuỗi Markov là một mô hình toán học thuộc lĩnh vực xác suất thống kê, trong đó trạng thái tương lai của một hệ thống chỉ phụ thuộc vào trạng thái hiện tại và hoàn toàn độc lập với các trạng thái đã qua. Đặc điểm cốt lõi này được gọi là tính chất Markov (Markov property) hay còn gọi là tính không bộ nhớ (memoryless property). Mô hình được nhà toán học Nga Andrey Markov phát triển vào đầu thế kỷ XX và hiện nay được ứng dụng rộng rãi trong tài chính, kinh tế, khoa học dữ liệu và trí tuệ nhân tạo.

Nói một cách đơn giản, chuỗi Markov giúp chúng ta dự đoán xác suất xảy ra các sự kiện tiếp theo dựa trên tình trạng hiện tại, mà không cần quan tâm đến toàn bộ lịch sử đã diễn ra như thế nào. Đây là nền tảng quan trọng trong việc xây dựng các mô hình dự báo rủi ro và phân tích xu hướng trong ngành ngân hàng.

Tại sao Chuỗi Markov quan trọng trong ngân hàng?

• Quản trị rủi ro tín dụng chuyên nghiệp: Ngân hàng sử dụng chuỗi Markov để theo dõi và dự báo sự chuyển đổi giữa các nhóm nợ theo Thông tư 13/2018/TT-NHNN, từ đó ước tính xác suất khách hàng chuyển từ nhóm nợ đủ tiêu chuẩn sang các nhóm có rủi ro cao hơn như nhóm nợ dưới tiêu chuẩn, nghi ngờ hoặc có khả năng mất vốn.

• Dự báo xác suất vỡ nợ (Probability of Default): Mô hình giúp tính toán xác suất một khoản vay hoặc một danh mục cho vay bị vỡ nợ trong tương lai, là cơ sở để trích lập dự phòng rủi ro phù hợp với Thông tư 13/2018.

• Mô phỏng và dự báo thanh khoản: Chuỗi Markov cho phép ngân hàng mô phỏng các kịch bản biến động dòng tiền, giúp bộ phận quản trị thanh khoản chuẩn bị các biện pháp ứng phó kịp thời.

• Xây dựng hệ thống xếp hạng tín dụng nội bộ: Nhiều ngân hàng thương mại áp dụng chuỗi Markov để phát triển ma trận chuyển trạng thái xếp hạng, theo dõi sự biến động chất lượng tín dụng của khách hàng theo thời gian.

Cách hoạt động và cách tính

Chuỗi Markov được xây dựng dựa trên ba thành phần chính:

1. Không gian trạng thái (State Space): Tập hợp tất cả các trạng thái có thể xảy ra. Trong ngân hàng, các trạng thái thường là các nhóm nợ: Nhóm 1 (đủ tiêu chuẩn), Nhóm 2 (cần chú ý), Nhóm 3 (dưới tiêu chuẩn), Nhóm 4 (nghi ngờ), Nhóm 5 (có khả năng mất vốn).

2. Ma trận chuyển trạng thái (Transition Matrix): Ma trận vuông P kích thước n×n, trong đó phần tử P[i][j] biểu diễn xác suất chuyển từ trạng thái i sang trạng thái j. Ma trận này thỏa mãn điều kiện: mỗi hàng có tổng bằng 1 (tổng xác suất chuyển đi từ một trạng thái luôn bằng 1).

3. Phân phối ban đầu (Initial Distribution): Vector biểu diễn xác suất ban đầu của hệ thống ở mỗi trạng thái.

Công thức tính xác suất sau n bước:

Để tính phân phối xác suất sau n bước, ta sử dụng phép nhân ma trận:

$$\pi^{(n)} = \pi^{(0)} \times P^n$$

Trong đó:

• π⁽⁰⁾ là vector phân phối ban đầu
• Pⁿ là ma trận P nhân với chính nó n lần
• π⁽ⁿ⁾ là vector phân phối xác suất sau n bước

Tính chất không bộ nhớ: Đây là điểm đặc trưng nhất của chuỗi Markov. Xác suất chuyển sang trạng thái tiếp theo chỉ phụ thuộc vào trạng thái hiện tại:

$$P(X{n+1} = j | X_n = i, X{n-1} = k, ...) = P(X_{n+1} = j | X_n = i)$$

Trạng thái ổn định (Steady State): Khi n đủ lớn, chuỗi Markov có thể đạt đến trạng thái cân bằng π*, thỏa mãn phương trình:

$$\pi^ = \pi^ \times P$$

Phân phối π* khi đó không thay đổi theo thời gian, đây chính là phân phối dừng (stationary distribution).

Ví dụ thực tế

Ví dụ 1: Ma trận chuyển trạng thái nợ vay

Giả sử Ngân hàng A có danh mục cho vay với ma trận chuyển trạng thái nợ theo năm như sau (dựa trên dữ liệu lịch sử 5 năm):

Năm 2023, Ngân hàng A có 10.000 khách hàng ở Nhóm 1 (đủ tiêu chuẩn). Dự đoán sau 2 năm, số lượng khách hàng ở mỗi nhóm là bao nhiêu?

Bước 1: Vector phân phối ban đầu: π⁽⁰⁾ = [1, 0, 0, 0, 0] (100% ở Nhóm 1)

Bước 2: Sau 1 năm: π⁽¹⁾ = π⁽⁰⁾ × P = [0,92; 0,05; 0,02; 0,01; 0,00]

Bước 3: Sau 2 năm: π⁽²⁾ = π⁽¹⁾ × P = [0,8594; 0,0755; 0,0364; 0,0192; 0,0095]

Kết quả: Trong 10.000 khách hàng ban đầu:

• Nhóm 1: khoảng 8.594 khách hàng
• Nhóm 2: khoảng 755 khách hàng
• Nhóm 3: khoảng 364 khách hàng
• Nhóm 4: khoảng 192 khách hàng
• Nhóm 5: khoảng 95 khách hàng

Ví dụ 2: Xếp hạng tín dụng nội bộ

Khách hàng B vay vốn tại Ngân hàng A và được xếp hạng tín dụng nội bộ ở mức AA (rủi ro thấp). Theo ma trận chuyển trạng thái của ngân hàng, xác suất duy trì xếp hạng AA sau 1 năm là 85%, chuyển xuống mức A là 10%, và chuyển xuống mức BBB là 5%. Để tính xác suất Khách hàng B vẫn ở mức AA sau 3 năm, ta cần tính P³ và trích xác suất tương ứng.

Phân biệt với thuật ngữ liên quan

Câu hỏi thường gặp trong đề thi

1. Đặc điểm nào sau đây là tính chất cốt lõi của chuỗi Markov?

   A. Trạng thái tương lai phụ thuộc vào toàn bộ lịch sử B. Trạng thái tương lai chỉ phụ thuộc vào trạng thái hiện tại C. Trạng thái tương lai hoàn toàn ngẫu nhiên, không có quy luật D. Trạng thái tương lai phụ thuộc vào trạng thái quá khứ gần nhất

2. Trong ma trận chuyển trạng thái của chuỗi Markov, tổng các phần tử trên mỗi hàng bằng:

   A. 0 B. 1 C. 2 D. Bằng số trạng thái

3. Phân phối dừng (stationary distribution) của chuỗi Markov là:

   A. Phân phối xác suất thay đổi liên tục theo thời gian B. Phân phối xác suất không đổi khi số bước chuyển tiến tới vô cùng C. Phân phối xác suất ban đầu của hệ thống D. Phân phối xác suất của trạng thái có xác suất cao nhất

Tổng kết

Chuỗi Markov là một công cụ toán học mạnh mẽ trong quản trị rủi ro ngân hàng, với ứng dụng trọng tâm là xây dựng ma trận chuyển trạng thái nợ và dự báo xác suất vỡ nợ. Điểm mấu chốt cần nhớ là tính không bộ nhớ — trạng thái tương lai chỉ phụ thuộc vào trạng thái hiện tại. Khi ôn thi, hãy nắm vững cách xây dựng ma trận chuyển trạng thái, phép nhân ma trận để tính xác suất sau nhiều bước, và khái niệm phân phối dừng. Đây là những nội dung thường xuất hiện trong các đề thi về mô hình tài chính và quản trị rủi ro ngân hàng tại Việt Nam.