Mô phỏng chuỗi Markov Monte Carlo là gì?

Mô phỏng chuỗi Markov Monte Carlo (MCMC) là gì?

Mô phỏng chuỗi Markov Monte Carlo (Markov Chain Monte Carlo - MCMC) là một phương pháp thống kê nâng cao kết hợp hai kỹ thuật mạnh mẽ: chuỗi Markov để xây dựng quá trình lấy mẫu có tính ergodic và phương pháp Monte Carlo để ước lượng các đặc trưng thống kê. Mục tiêu cốt lõi của MCMC là tạo ra một chuỗi các mẫu có phân phối dần hội tụ về phân phối xác suất mong muốn, đặc biệt hiệu quả khi việc lấy mẫu trực tiếp từ phân phối phức tạp là không khả thi. Phương pháp này đóng vai trò then chốt trong các mô hình tài chính hiện đại, từ quản trị rủi ro đến định giá phái sinh.

Tại sao MCMC quan trọng trong ngân hàng?

• Ứng dụng trong quản trị rủi ro thị trường: MCMC cho phép ước lượng các chỉ số rủi ro phức tạp như Value at Risk (VaR) và Expected Shortfall (ES) khi phân phối lợi suất tài sản không tuân theo phân phối chuẩn — tình huống phổ biến trong thực tế thị trường Việt Nam với các biến động bất thường.

• Hỗ trợ tuân thủ Basel II/III: Trong mô hình xếp hạng tín dụng nội bộ (IRB), MCMC được sử dụng để ước lượng xác suất vỡ nợ (PD), xác suất chuyển đổi trạng thái, đảm bảo tính chính xác và ổn định theo yêu cầu của Ủy ban Basel.

• Định giá công cụ phái sinh phức tạp: Nhiều sản phẩm phái sinh có cấu trúc thanh toán phức tạp khiến công thức định giá Closed-form không tồn tại. MCMC cung cấp phương pháp mô phỏng linh hoạt để xấp xỉ giá trị hợp lý.

• Phân tích Bayesian trong tài chính: MCMC giải quyết bài toán ước lượng tham số trong mô hình hồi quy Bayesian với dữ liệu tài chính đa biến, nơi phân phối hậu nghiệm (posterior) thường không có dạng giải tích.

Cách hoạt động của MCMC

Nguyên lý cơ bản

MCMC hoạt động dựa trên nguyên lý xây dựng chuỗi Markov có phân phối dừng (stationary distribution) chính là phân phối mục tiêu cần lấy mẫu. Quy trình gồm các bước:

1. Khởi tạo: Chọn giá trị ban đầu θ₀ từ phân phối khởi tạo
2. Đề xuất: Tại bước t, thuật toán đề xuất giá trị mới θ dựa trên phân phối đề xuất q(θ|θₜ)
3. Chấp nhận/Bác bỏ: Tính tỷ số chấp nhận α = min{1, π(θ)/π(θₜ) × q(θₜ|θ)/q(θ*|θₜ)}
4. Cập nhật: Với xác suất α, cập nhật θₜ₊₁ = θ*; ngược lại θₜ₊₁ = θₜ
5. Lặp lại: Thực hiện nhiều lần lặp cho đến khi chuỗi hội tụ

Hai thuật toán phổ biến

Thuật toán Metropolis-Hastings:

• Tỷ số chấp nhận điều chỉnh cho phân phối đề xuất không đối xứng
• Linh hoạt hơn nhưng có thể có hiệu suất thấp nếu chọn phân phối đề xuất không phù hợp

Thuật toán Gibbs Sampling:

• Trường hợp đặc biệt của Metropolis-Hastings với tỷ số chấp nhận = 1
• Lấy mẫu lần lượt từ các phân phối có điều kiện của từng tham số
• Đặc biệt hiệu quả khi phân phối có điều kiện có dạng giải tích

Giai đoạn Burn-in

Giai đoạn burn-in (thường 1.000-10.000 lần lặp đầu tiên) cần được loại bỏ vì các mẫu ban đầu chưa phản ánh phân phối mục tiêu. Sau khi chuỗi đạt trạng thái cân bằng, các mẫu tiếp theo mới được sử dụng để ước lượng.

Đánh giá tính hội tụ

• Trace plot: Đồ thị giá trị tham số theo số lần lặp; chuỗi hội tụ khi đồ thị dao động quanh một giá trị trung bình ổn định
• Autocorrelation function (ACF): Đo lường tương quan giữa các mẫu cách nhau k bước; ACF giảm nhanh về 0 cho thấy mẫu độc lập hơn
• Effective sample size (ESS): Số mẫu độc lập tương đương trong chuỗi; ESS càng cao, ước lượng càng chính xác

Ví dụ thực tế

Ví dụ 1: Ước lượng VaR cho danh mục trái phiếu

Giả sử Ngân hàng A quản lý danh mục trái phiếu doanh nghiệp với giá trị 500 tỷ đồng. Phân tích cho thấy lợi suất không tuân theo phân phối chuẩn (có đuôi béo). Ngân hàng sử dụng MCMC với Gibbs Sampling để mô phỏng 100.000 kịch bản lợi suất:

• Giai đoạn burn-in: 5.000 lần lặp (loại bỏ)
• Số mẫu sau burn-in: 100.000
• VaR 99% (1 ngày) ước lượng được: 12,5 tỷ đồng
• Expected Shortfall 99%: 18,2 tỷ đồng

Con số này phản ánh tổn thất tiềm năng tối đa trong 1% trường hợp xấu nhất, giúp Ngân hàng A đưa ra quyết định dự phòng rủi ro phù hợp.

Ví dụ 2: Ước lượng PD cho khách hàng doanh nghiệp

Ngân hàng B áp dụng mô hình credit scoring sử dụng hồi quy logistic Bayesian với prior chuẩn. Với 2.000 khách hàng và 15 biến giải thích, phân phối hậu nghiệm của hệ số β không có dạng giải tích. MCMC Gibbs Sampling lấy mẫu 50.000 lần:

• PD trung bình cho phân khúc "Doanh nghiệp sản xuất vừa": 2,8%
• Khoảng tin cậy 95% của PD: [2,1%; 3,6%]

Kết quả này được sử dụng trong công tác phân bổ vốn tối thiểu theo quy định Basel II/III.

Phân biệt với thuật ngữ liên quan

Câu hỏi thường gặp trong đề thi

Câu 1: Giai đoạn burn-in trong MCMC có vai trò gì?

• A. Tăng tốc độ hội tụ của thuật toán
• B. Loại bỏ các mẫu ban đầu chưa đại diện cho phân phối mục tiêu
• C. Tăng số lượng mẫu sử dụng cho ước lượng
• D. Kiểm tra tính độc lập của các mẫu

Câu 2: Sự khác biệt chính giữa thuật toán Gibbs Sampling và Metropolis-Hastings là gì?

• A. Gibbs Sampling chỉ áp dụng cho phân phối rời rạc
• B. Metropolis-Hastings yêu cầu phân phối đề xuất đối xứng
• C. Gibbs Sampling lấy mẫu từ phân phối có điều kiện với tỷ số chấp nhận bằng 1
• D. Metropolis-Hastings hiệu quả hơn trong mọi trường hợp

Câu 3: Đồ thị trace plot trong đánh giá hội tụ MCMC cho biết điều gì?

• A. Mối quan hệ tuyến tính giữa các tham số
• B. Sự dao động của giá trị tham số theo số lần lặp
• C. Tỷ lệ chấp nhận của thuật toán
• D. Số lượng mẫu độc lập tương đương

Tổng kết

Mô phỏng chuỗi Markov Monte Carlo (MCMC) là công cụ thống kê nền tảng trong tài chính định lượng hiện đại, đặc biệt quan trọng với các mô hình tuân thủ Basel II/III. Kiến thức về MCMC thường xuất hiện trong đề thi vị trí chuyên viên quản trị rủi ro, phân tích tài chính và kiểm toán nội bộ. Để nắm vững chủ đề này, thí sinh cần hiểu rõ điều kiện hội tụ, vai trò burn-in, và cách đánh giá chất lượng mẫu qua trace plot và autocorrelation function. Luyện tập với các bài toán ước lượng VaR, PD và định giá phái sinh sẽ giúp bạn tự tin hơn khi đối mặt với câu hỏi MCMC trong kỳ thi tuyển dụng ngân hàng.