Phương pháp bootstrap là gì?

Phương pháp Bootstrap là gì?

Phương pháp bootstrap là một kỹ thuật thống kê không tham số (non-parametric), được phát triển bởi Bradley Efron vào năm 1979. Phương pháp này sử dụng việc lấy mẫu ngẫu nhiên có hoàn lại (sampling with replacement) từ tập dữ liệu gốc để tạo ra hàng nghìn tập mẫu giả (pseudo-samples), từ đó ước tính phân phối xác suất của các thống kê quan tâm mà không cần đưa ra bất kỳ giả định nào về phân phối lý thuyết của dữ liệu. Điểm cốt lõi của bootstrap nằm ở chỗ: thay vì giả định dữ liệu tuân theo một phân phối cụ thể (như phân phối chuẩn), phương pháp này để dữ liệu "tự nói về chính nó" thông qua việc tái lấy mẫu.

Tại sao Phương pháp Bootstrap quan trọng trong ngân hàng?

• Không yêu cầu giả định phân phối: Nhiều dữ liệu tài chính trong ngân hàng (như lợi suất trái phiếu, tỷ lệ nợ xấu, lỗ suy giảm tín dụng) thường không tuân theo phân phối chuẩn. Bootstrap cho phép phân tích mà không cần giả định này, tăng độ tin cậy của kết quả.
• Ứng dụng rộng rãi trong quản trị rủi ro: Các ngân hàng sử dụng bootstrap để ước tính phân phối tổn thất tín dụng, tính toán Unexpected Loss (UL) và Expected Loss (EL), đánh giá rủi ro danh mục cho vay một cách thực tế.
• Kiểm tra độ ổn định mô hình: Trong xây dựng mô hình xếp hạng tín dụng nội bộ, bootstrap giúp đánh giá độ robust (ổn định) của các chỉ số đo lường như AUC, Gini, KS-statistic.
• Đáp ứng yêu cầu Basel II/III: Thông tư 13/2023/TT-NHNN cho phép các ngân hàng sử dụng các phương pháp thống kê tiên tiến miễn là đảm bảo tính chính xác và có thể kiểm chứng, tạo cơ sở pháp lý cho việc áp dụng bootstrap trong mô hình nội bộ.

Cách hoạt động / Cách tính

Quy trình bootstrap bao gồm các bước cơ bản sau:

Bước 1: Xác định mẫu gốc Từ một mẫu gốc có n quan sát: X = {x₁, x₂, ..., xₙ}, ví dụ danh mục cho vay của Ngân hàng A có 1.000 khoản vay.

Bước 2: Tạo mẫu bootstrap Tiến hành lấy mẫu ngẫu nhiên có hoàn lại n lần từ mẫu gốc để tạo một mẫu bootstrap. Mỗi lần lấy mẫu, một quan sát được chọn với xác suất bằng nhau 1/n và sau đó được đưa trở lại tập hợp để có thể được chọn lại. Kích thước mẫu bootstrap luôn bằng kích thước mẫu gốc (n).

Bước 3: Lặp lại nhiều lần Quá trình này được lặp lại B lần, thông thường B từ 1.000 đến 10.000 lần, tạo ra B mẫu bootstrap độc lập: X₁, X₂, ..., X*B.

Bước 4: Tính toán thống kê Với mỗi mẫu bootstrap, tính toán giá trị thống kê quan tâm θ*b (có thể là trung bình, phương sai, hệ số tương quan, hay chỉ số rủi ro phức tạp hơn).

Bước 5: Xây dựng phân phối Từ B giá trị θ₁, θ₂, ..., θ*B, xây dựng phân phối xấp xỉ của thống kê θ, cho phép:

• Ước tính sai số chuẩn: SE(θ) = √[Σ(θb - θ̄)²/(B-1)]
• Xây dựng khoảng tin cậy (thường dùng phương pháp khoảng tin cậy phân vị - Percentile Method)
• Kiểm định giả thuyết thông qua phân phối null

Công thức cơ bản: Sai số chuẩn ước tính: SE = √[(1/(B-1)) × Σ(θb - θ̄*)²]

Trong đó θ̄ = (1/B) × Σθb là trung bình của B giá trị bootstrap.

Ví dụ thực tế

Ví dụ 1: Ước tính phân phối tổn thất tín dụng

Giả sử Ngân hàng A có danh mục cho vay với 500 khách hàng. Từ dữ liệu lịch sử 5 năm, tỷ lệ nợ xấu (NPL ratio) dao động từ 1.5% đến 3.8%. Ngân hàng muốn ước tính phân phối Unexpected Loss (UL) cho danh mục này.

Thay vì giả định tỷ lệ nợ xấu tuân theo phân phối chuẩn (thực tế thường không đúng), Ngân hàng A áp dụng bootstrap:

• Lấy mẫu có hoàn lại 500 quan sát từ dữ liệu lịch sử
• Lặp lại 5.000 lần để tạo 5.000 mẫu bootstrap
• Với mỗi mẫu, tính UL theo công thức UL = σ × √(LGD × EAD)
• Kết quả: phân phối UL với trung vị 85 tỷ đồng, khoảng tin cậy 95% từ 62 tỷ đến 118 tỷ đồng

Ví dụ 2: Bootstrapping đường cong lãi suất

Khách hàng B muốn định giá trái phiếu zero-coupon và trái phiếu có coupon bằng phương pháp bootstrapping đường cong lãi suất. Ngân hàng A có dữ liệu:

Bootstrap cho phép xác định lãi suất giao ngay (spot rate) từng kỳ hạn:

• r₁ = (100/97.5) - 1 = 2.56%
• r₂ = [(100 + 5)/94.2]^(1/2) - 1 = 3.12%
• r₃ = [(100 + 6)/(91.8 - 6×DF₁ - 5×DF₂)]^(1/3) - 1 = 3.45%

Phân biệt với thuật ngữ liên quan

Điểm khác biệt chính: Bootstrap tái lấy mẫu từ dữ liệu thực tế với hoàn lại, trong khi Jackknife lần lượt bỏ ra từng quan sát để tạo n mẫu con. Monte Carlo đòi hỏi giả định phân phối lý thuyết, còn bootstrap hoàn toàn không.

Câu hỏi thường gặp trong đề thi

Câu 1: Trong phương pháp bootstrap, khi lấy mẫu có hoàn lại từ một mẫu gốc có n quan sát, kích thước của mỗi mẫu bootstrap là bao nhiêu?

Câu 2: Phương pháp bootstrap thuộc loại kỹ thuật thống kê nào?

• a) Tham số (Parametric)
• b) Bán tham số (Semi-parametric)
• c) Không tham số (Non-parametric)
• d) Bayesian

Câu 3: Bootstrap đặc biệt hữu ích trong trường hợp nào sau đây?

• a) Dữ liệu tuân theo phân phối chuẩn hoàn hảo
• b) Cỡ mẫu rất lớn (trên 100.000 quan sát)
• c) Cỡ mẫu nhỏ và phân phối dữ liệu không chuẩn
• d) Cần ước tính tham số bằng phương pháp Maximum Likelihood

Câu 4: Trong ứng dụng bootstrapping đường cong lãi suất, mục đích chính là gì?

• a) Xác định lãi suất giao ngay (spot rate) từ trái phiếu coupon
• b) Ước tính xác suất vỡ nợ của trái phiếu
• c) Tính toán lợi suất đáo hạn (YTM)
• d) Đánh giá rủi ro thanh khoản

Tổng kết

Phương pháp bootstrap là công cụ thống kê mạnh mẽ, cho phép ước tính phân phối xác suất và các chỉ số rủi ro một cách thực tế mà không cần giả định về dạng phân phối của dữ liệu. Trong lĩnh vực ngân hàng, bootstrap đóng vai trò quan trọng trong quản trị rủi ro tín dụng, định giá tài sản tài chính và xây dựng mô hình xếp hạng tín dụng nội bộ theo chuẩn Basel II.

Điểm mấu chốt cần nhớ khi ôn thi: bootstrap là lấy mẫu có hoàn lại, kích thước mẫu bootstrap bằng kích thước mẫu gốc, và phương pháp này đặc biệt hiệu quả khi cỡ mẫu nhỏ hoặc phân phối dữ liệu không tuân theo phân phối chuẩn. Hãy luyện tập thường xuyên với các bài toán cụ thể để nắm vững cách áp dụng bootstrap trong các tình huống thực tế của ngân hàng.