Kiểm định Kolmogorov-Smirnov là gì?

Kiểm định Kolmogorov-Smirnov là gì?

Kiểm định Kolmogorov-Smirnov (viết tắt: kiểm định K-S) là một phương pháp kiểm định phi tham số trong thống kê, được sử dụng rộng rãi để xác định xem một mẫu dữ liệu có tuân theo một phân phối lý thuyết nhất định hay không, hoặc để so sánh hai mẫu dữ liệu với nhau. Phương pháp này mang tên hai nhà toán học Nga nổi tiếng: Andrey Kolmogorov (1903-1987) và Nikolai Smirnov (1900-1966).

Điểm cốt lõi của kiểm định K-S nằm ở việc đo lường sự khác biệt lớn nhất (maximum deviation) giữa hàm phân phối lũy tích thực nghiệm (Empirical CDF - ECDF) của mẫu và hàm phân phối lũy tích lý thuyết (Theoretical CDF). Nói một cách đơn giản, kiểm định này trả lời câu hỏi: "Dữ liệu thực tế của chúng ta khác biệt bao xa so với phân phối lý thuyết mà chúng ta kỳ vọng?"

Khác với các kiểm định tham số đòi hỏi giả định về phân phối của dữ liệu, kiểm định K-S không yêu cầu các tham số cụ thể từ phân phối lý thuyết, do đó nó thuộc nhóm kiểm định phi tham số (non-parametric test).

Tại sao Kiểm định Kolmogorov-Smirnov quan trọng trong ngân hàng?

Kiểm định K-S đóng vai trò then chốt trong hoạt động ngân hàng và tài chính tại Việt Nam vì những lý do sau:

• Đảm bảo chất lượng mô hình dự báo: Trước khi triển khai bất kỳ mô hình tín dụng, quản lý rủi ro hay dự báo tài chính nào, ngân hàng cần xác nhận các giả định về phân phối xác suất của dữ liệu đầu vào. Kiểm định K-S giúp xác minh các giả định này một cách khoa học.

• Tuân thủ quy định pháp lý: Thông tư 17/2014/TT-NHNN quy định rõ yêu cầu kiểm định và đánh giá các giả định về phân phối xác suất trong mô hình nội bộ. Các ngân hàng thương mại tại Việt Nam cũng phải tuân thủ hướng dẫn của Basel II/III về kiểm định chất lượng mô hình.

• Phát hiện sai lệch phân phối lợi suất: Trong quản lý rủi ro thị trường, nhiều mô hình VaR giả định lợi suất danh mục tuân theo phân phối chuẩn. Kiểm định K-S giúp phát hiện khi nào giả định này bị vi phạm, từ đó cảnh báo sớm về rủi ro đuôi (tail risk).

• Ứng dụng trong backtesting: Khi đánh giá độ chính xác của mô hình rủi ro, kiểm định K-S được sử dụng để so sánh phân phối của lỗ thực tế với phân phối dự báo, giúp xác định mô hình có đang ước lượng đúng mức rủi ro hay không.

Cách hoạt động và cách tính

Quy trình thực hiện kiểm định K-S

Bước 1: Xây dựng hàm phân phối lũy tích thực nghiệm (ECDF) Từ mẫu dữ liệu gồm n quan sát, sắp xếp theo thứ tự tăng dần: x(1) ≤ x(2) ≤ ... ≤ x(n). Hàm ECDF tại điểm x được định nghĩa là: ECDF(x) = (số quan sát ≤ x) / n

Bước 2: Xác định hàm phân phối lý thuyết Chọn phân phối lý thuyết phù hợp cần kiểm định (phân phối chuẩn, phân phối Poisson, phân phối đều, v.v.) và xác định hàm CDF tương ứng F(x).

Bước 3: Tính thống kê kiểm định D Thống kê K-S được tính bằng giá trị tuyệt đối lớn nhất của hiệu số giữa hai hàm phân phối:

D = max |ECDF(x) - F(x)|

trong đó max được lấy trên toàn bộ các điểm dữ liệu.

Bước 4: So sánh với giá trị tới hạn

• Tra bảng phân phối Kolmogorov với mức ý nghĩa α (thường là 0.05 hoặc 0.01) và kích thước mẫu n
• Nếu D > D(α, n): Bác bỏ H0 → Dữ liệu không tuân theo phân phối lý thuyết
• Nếu D ≤ D(α, n): Chấp nhận H0 → Dữ liệu có thể tuân theo phân phối lý thuyết

Công thức mở rộng cho hai mẫu

Khi so sánh hai mẫu dữ liệu, thống kê K-S được tính: D(m,n) = max |ECDF₁(x) - ECDF₂(x)|

Ví dụ thực tế

Ví dụ 1: Kiểm định phân phối chuẩn trong mô hình tín dụng

Ngân hàng A xây dựng mô hình chấm điểm tín dụng sử dụng hồi quy logistic. Một trong các giả định quan trọng của mô hình là biến thu nhập hàng năm của khách hàng phải tuân theo phân phối chuẩn. Đội ngũ phân tích thu thập mẫu 200 khách hàng và tính được:

• Giá trị thống kê K-S: D = 0.068
• Giá trị tới hạn ở mức α = 0.05 với n = 200: D(0.05, 200) = 0.096

Kết luận: Vì D = 0.068 < 0.096, kiểm định K-S không bác bỏ giả thuyết H0. Điều này có nghĩa là biến thu nhập có thể tuân theo phân phối chuẩn và giả định của mô hình được đáp ứng.

Ví dụ 2: Kiểm định backtesting mô hình VaR

Ngân hàng B sử dụng mô hình VaR tham số với giả định lợi suất danh mục đầu tư tuân theo phân phối chuẩn. Trong quý IV/2023, đội ngũ quản trị rủi ro thu thập 60 ngày giao dịch và tiến hành kiểm định:

• Giá trị thống kê K-S: D = 0.142
• Giá trị tới hạn ở mức α = 0.05 với n = 60: D(0.05, 60) = 0.172

Kết luận: D = 0.142 < 0.172 → Chấp nhận H0. Mô hình VaR hiện tại vẫn đáng tin cậy, phân phối dự báo không khác biệt có ý nghĩa thống kê so với phân phối thực tế.

Ví dụ 3: Trường hợp phát hiện sai lệch nghiêm trọng

Ngân hàng C kiểm định phân phối lợi suất cổ phiếu trong danh mục đầu tư. Với mẫu 500 ngày giao dịch:

• Giá trị thống kê K-S: D = 0.089
• Giá trị tới hạn ở mức α = 0.01 với n = 500: D(0.01, 500) = 0.076

Kết luận: Vì D = 0.089 > 0.076, kiểm định K-S bác bỏ H0 ở mức ý nghĩa 1%. Điều này cho thấy lợi suất cổ phiếu không tuân theo phân phối chuẩn — một phát hiện quan trọng vì nó cảnh báo về rủi ro đuôi béo (fat-tail risk) mà mô hình VaR tham số có thể đã đánh giá thấp.

Phân biệt với thuật ngữ liên quan

Câu hỏi thường gặp trong đề thi

Câu 1: Thống kê kiểm định Kolmogorov-Smirnov (D) được tính bằng công thức nào sau đây?

• A. Trung bình bình phương hiệu số giữa tần suất thực nghiệm và lý thuyết
• B. Giá trị tuyệt đối lớn nhất của hiệu số giữa hàm phân phối lũy tích thực nghiệm và lý thuyết
• C. Tổng bình phương hiệu số giữa quan sát và kỳ vọng
• D. Tỷ lệ giữa hiệu số và độ lệch chuẩn

Câu 2: Trong mô hình quản lý rủi ro thị trường, kiểm định K-S được sử dụng chủ yếu nhằm mục đích gì?

• A. Xác định mối tương quan giữa các biến rủi ro
• B. Kiểm tra giả định phân phối xác suất của lợi suất danh mục
• C. Ước lượng giá trị VaR cho danh mục đầu tư
• D. Tính toán tỷ lệ vốn tối thiểu theo yêu cầu Basel

Câu 3: Khi nào kiểm định K-S có thể bác bỏ giả thuyết H0 (dữ liệu tuân theo phân phối lý thuyết)?

• A. Khi giá trị p-value nhỏ hơn mức ý nghĩa α
• B. Khi kích thước mẫu quá nhỏ
• C. Khi phương sai của mẫu bằng 0
• D. Khi trung bình mẫu bằng trung bình lý thuyết

Tổng kết

Kiểm định Kolmogorov-Smirnov là công cụ thống kê không thể thiếu trong ngành ngân hàng Việt Nam, đặc biệt trong việc đảm bảo chất lượng mô hình tài chính và tuân thủ quy định pháp lý. Với khả năng đo lường sự khác biệt lớn nhất giữa phân phối thực nghiệm và lý thuyết, kiểm định này giúp các ngân hàng phát hiện sớm các sai lệch phân phối có thể ảnh hưởng đến độ chính xác của dự báo rủi ro.

Khi ôn thi vào vị trí liên quan đến mô hình tín dụng hay quản trị rủi ro, thí sinh cần nắm vững cách tính thống kê D, quy tắc ra quyết định dựa trên giá trị tới hạn và so sánh với các phương pháp kiểm định khác. Đặc biệt, hãy lưu ý đến đặc điểm nhạy cảm với kích thước mẫu của kiểm định K-S — một yếu tố thường xuất hiện trong các câu hỏi trắc nghiệm chuyên sâu.