Phân tích rổ cổ phiếu VN30 và kết quả khi áp dụng mô hình phân phối không đối xứng vào quản lý rủi ro

 TNU Journal of Science and Technology 225(10): 96 - 102 
96  Email: jst@tnu.edu.vn 
PHÂN TÍCH RỔ CỔ PHIẾU VN30 VÀ KẾT QUẢ KHI ÁP DỤNG MÔ HÌNH 
PHÂN PHỐI KHÔNG ĐỐI XỨNG VÀO QUẢN LÝ RỦI RO 
Nguyễn Ngọc Quỳnh 
Trường Đại học Công nghệ Thông tin và Truyền thông - ĐH Thái Nguyên 
TÓM TẮT 
Trong bài báo này, rổ cổ phiếu 30VN và các cổ phiếu thành phần sẽ được phân tích và áp dụng 
phương pháp nghiên cứu Value at Risk (VaR) để đánh giá rủi ro trong đầu tư. Dữ liệu được lấy từ 
Sàn giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) từ năm 2012 đến năm 2020 và giới 
hạn ở các cổ phiếu tồn tại xuyên suốt thời gian nghiên cứu. Ba mô hình phân phối không đối xứng 
sẽ được áp dụng theo biến động hằng ngày của cổ phiếu trong nghiên cứu này đó là: Mô hình phân 
phối lệch Skew T (ST), mô hình phân phối tổng quát hóa theo đường cong (GH) và mô hình phân 
phối đảo nghịch (NIG). Kết quả chỉ ra rằng, phương pháp tính toán rủi ro VaR dựa trên các mô 
hình phân phối không đối xứng đem lại kết quả bám sát thực tế của chứng khoán Việt Nam hơn so 
với mô hình phân phối chuẩn. 
Từ khóa: Quản lý rủi ro; Vnindex; VN30; chứng khoán; phân phối. 
Ngày nhận bài: 24/7/2020; Ngày hoàn thiện: 07/9/2020; Ngày đăng: 15/9/2020 
VIETNAM 30 EQUAL WEIGHT INDEX: ANALYSIS AND RISK 
MANAGEMENT BASED ON ASYMMETRIC DISTRIBUTION MODEL 
Nguyen Ngoc Quynh
TNU - University of Information and Communication Technology 
ABSTRACT 
In this paper, an analysis of Vietnam 30 Equal Weight Index (VN30) basket was summarized and 
the Value at Risk (VaR) approach was performed to analyze the investment risk of VN30 and its 
constituent stocks. Data set from stock index and stock prices were collected from Ho Chi Minh 
Stock Exchange (HOSE) from 2012 to 2020 and restricted to continual stocks throughout the 
period. In order to do this research, the following three distribution models will be applied: 
Skewed-T Distribution (ST), Generalized Hyperbolic Distribution (GH), and Normal Inverse 
Gaussian Distribution (NIG) on daily stock returns. Empirical result shows that the evidence from 
model fitting distribution and VaR calculation of the skewed distributions are better than that of 
the normal distribution. 
Keywords: Risk management; Vnindex; VN30; stock market; distribution 
Received: 24/7/2020; Revised: 07/9/2020; Published: 15/9/2020 
Email: nnquynh@ictu.edu.vn
Nguyễn Ngọc Quỳnh Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(10): 96 - 102 
 Email: jst@tnu.edu.vn 97 
1. Giới thiệu 
Nền kinh tế thế giới trong thế kỉ 21 đang phát 
triển nhanh và mạnh mẽ hơn bao giờ hết. Bằng 
chứng là tính từ năm 2001 đến nay, GDP của 
Mỹ tăng 02 lần từ 10 ngàn tỉ USD lên 20 ngàn tỉ 
USD, trong khi đó GDP của Trung Quốc tăng 
10 lần từ 1,3 ngàn tỉ USD lên 13 ngàn tỉ USD 
và GDP của Việt Nam tăng 8 lần từ 30 tỉ USD 
lên 240 tỉ USD. Sự phát triển đó đã mang đến 
cho người dân toàn cầu một cuộc sống ngày 
một hiện đại và sung túc. Tuy nhiên, tốc độ phát 
triển nhanh luôn đi kèm với các rủi ro về khủng 
hoảng kinh tế, suy thoái, lạm phát,... Tiêu biểu 
có thể kể đến cuộc khủng hoảng kinh tế toàn 
cầu bắt đầu từ Mỹ năm 2007 và đã được ghi 
nhận là cuộc khủng hoảng tồi tệ nhất lịch sử. 
Trong cuộc khủng hoảng năm đó, hàng loạt các 
ngân hàng, công ty đã phải giải thể, phá sản, 
nhiều cá nhân lâm vào tình trạng nợ nần, nghèo 
khổ, nhiều quốc gia suy giảm tốc độ tăng 
trưởng. Đặc biệt là trong thị trường tài chính nói 
chung và thị trường chứng khoán nói riêng, vốn 
đã bị ảnh hưởng bởi các cuộc khủng hoảng 
trước đó như: khủng hoảng tài chính châu Á 
năm 1997, khủng hoảng Bong bóng dot com 
năm 2001,... Hoặc nếu coi thị trường chứng 
khoán là phong vũ biểu của thị trường tài chính 
thì ở Việt Nam, chỉ số Vnindex đã có cú giảm 
75% từ đỉnh 571 điểm năm 2001 xuống còn 
130 điểm năm 2003, hay là cú giảm 81% từ 
1179 điểm vào tháng 3 năm 2007 xuống còn 
234 điểm vào tháng 1 năm 2009. Những rủi ro 
đó làm cho các nhà đầu tư trở nên dè dặt và thận 
trọng hơn khi đầu tư vào thị trường chứng 
khoán, vốn đã trở nên phức tạp, không chắc 
chắn và rủi ro hơn. Chính vì thế, giới tài chính 
đã đưa ra thêm rất nhiều phương án cũng như 
lựa chọn đầu tư mới để cho các nhà đầu tư có 
nhiều lựa chọn hơn và có thể quản lí được rủi ro 
tốt hơn, ví dụ như hợp đồng quyền chọn 
options, hợp đồng tương lai future,... Đi kèm 
với đó, việc phân tích chuyên sâu về các cổ 
phiếu riêng rẽ cũng như các rổ cổ phiếu để tìm 
ra cơ hội đầu tư tốt cũng được chú trọng hơn 
bởi lẽ, đi sâu phân tích vào từng mã cổ phiếu sẽ 
giúp nhà đầu tư nắm bắt được rõ hơn tình hình 
tăng trưởng, giá trị thực tế so với giá thị trường, 
triển vọng lợi nhuận cũng như các yếu tố về 
phân tích kĩ thuật khác của từng mã cổ phiếu 
hay rổ cổ phiếu tiềm năng. Bên cạnh đó, các mô 
hình quản lý rủi ro tài chính đang ngày càng 
được nghiên cứu sâu rộng hơn để đáp ứng được 
với sự phát triển ngày một nhanh của thị trường 
tài chính. Trong số đó có thể kể đến phương 
pháp xác định rủi ro dựa theo giá trị vốn đang 
trở thành đề tài ngày càng được nhiều người 
trong ngành tài chính cũng như nhà đầu tư chú 
ý tới. 
2. Phương pháp nghiên cứu 
Value at Risk (Giá trị của rủi ro hay “VaR”) 
là phương pháp tính toán phần đuôi của phân 
phối tỉ suất lợi nhuận trên tổng tài sản (return 
assets) theo định nghĩa của Linsmeier và 
Person [1]. Trong khi nhiều phương pháp 
nghiên cứu trước đây giả định rằng kết quả 
của phân phối tỉ suất lợi nhuận là phân phối 
chuẩn (normal distribution) thì trên thực tế, 
kết quả phân tích thực nghiệm đã chỉ ra rằng 
đuôi của phân phối tỉ suất lợi nhuận có rất 
nhiều hình thái chứ không đều như phân phối 
chuẩn, qua đó có thể dẫn đến việc yếu kém 
trong quản lý rủi ro bất kể là đánh giá thấp 
hay đánh giá sai theo giá trị của rủi ro. Hơn 
nữa, VaR được xây dựng dựa theo bộ nguyên 
tắc Basel II năm 2004 của Ủy ban giám sát 
ngân hàng Basel về các tiêu chuẩn về luật và 
quy định trong ngành tài chính cũng như các 
yếu tố liên quan đến kiểm soát rủi ro cho các 
nhà quản lí và các nhà đầu tư. 
Công cụ Value at Risk (giá trị của rủi ro) 
được sử dụng để tính toán các lượng vốn cần 
dự phòng cho rủi ro được xây dựng bởi 
Philippe [2]. Bên cạnh đó, các mô hình phân 
phối không đối xứng cũng sẽ được áp dụng 
lên dữ liệu để so sánh với mô hình phân phối 
chuẩn bao gồm: mô hình phân phối lệch Skew 
T, mô hình phân phối tổng quát hóa theo 
đường cong Generalized Hyperbolic theo 
nghiên cứu của Brown và Paul [3], mô hình 
phân phối đảo nghịch Gaussian Normal 
Inverse theo phương pháp của Subedi và Paul 
[4] và mô hình phân phối chuẩn Normal 
distribution. Kết quả sẽ tiếp tục đường kiểm 
tra lại với dữ liệu thực tế nhằm kiểm nghiệm 
Nguyễn Ngọc Quỳnh Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(10): 96 - 102 
 Email: jst@tnu.edu.vn 98 
tính chính xác và khả thi của các mô hình khi 
áp dụng lên thị trường chứng khoán Việt Nam 
nói chung và các cổ phiếu trong rổ cổ phiếu 
VN30 nói riêng dựa theo nghiên cứu của Du 
và Juan năm 2006 [5]. 
2.1. Phạm vi nghiên cứu 
Đề tài sử dụng dữ liệu của 7 mã cổ phiếu thành 
phần của rổ cổ phiếu và chỉ số VN30 theo 
khung thời gian là Ngày. 7 mã cổ phiếu được 
chọn là từ những công ty, tập đoàn thuộc các 
ngành kinh doanh - ngoại trừ ngành Tài chính 
– Ngân hàng - được góp mặt liên tục trong 
danh sách VN30 kể từ khi ra đời đến nay. Số 
liệu được lấy bắt đầu từ năm 2012 là năm đầu 
tiên bộ chỉ số VN30 được đưa vào sử dụng. Sở 
dĩ nghiên cứu này chọn bộ chỉ số VN30 và các 
cổ phiếu thành phần là bởi lẽ, các cổ phiếu 
thành phần của nhóm VN30 đã được lựa chọn 
khắt khe theo quy định cũng như dựa theo các 
loại cổ phiếu đang thực sự đang lưu hành trên 
thị trường đáp ứng được yêu cầu về tính thanh 
khoản cao nhất, loại bỏ các cổ phiếu yếu kém, 
hạn chế sự ảnh hưởng quá mức của những cấu 
phần có tỉ trọng cao bằng cách giới hạn tỷ 
trọng vốn hóa ở 10%. VN30 sẽ là chỉ số có khả 
năng mô phỏng toàn thị trường, qua đó xây 
dựng danh mục đầu tư riêng cho các nhà đầu 
tư, các quỹ. 
Bảng 1. Danh sách các công ty được chọn trong 
bộ chỉ số VN30 
STT 
Mã 
chứng 
khoán 
Tên công ty 
1 FPT CTCP FPT 
2 HPG CTCP Tập đoàn Hòa Phát 
3 MSN CTCP Tập đoàn Masan 
4 PNJ CTCP Vàng bạc đá quý Phú Nhuận 
5 REE CTCP Cơ điện lạnh 
6 VIC CTCP – Tập đoàn Vingroup 
7 VNM CTCP Sữa Việt Nam 
Dữ liệu được lấy từ Sở giao dịch chứng khoán 
Thành phố Hồ Chí Minh (HOSE). Phần mềm 
được sử dụng trong nghiên cứu này là 
Microsoft Excel và phần mềm thống kê Ngôn 
ngữ R cùng các gói công cụ phân tích của 
Ngôn ngữ R. Danh sách các công ty, tập đoàn 
được chọn thể hiện ở bảng 1. 
2.2. Phân tích chi tiết về VN30 và các CP 
thành phần 
Trong bảng 2 chúng ta có thể thấy, công ty 
đang có vốn hóa thị trường lớn nhất hiện nay 
là CTCP Tập đoàn Vingroup mã CP VIC với 
307,8 ngàn tỷ, xếp sau đó là CTCP Sữa Việt 
Nam Vinamilk mã CP VNM với 202,04 ngàn 
tỷ. Có vốn hóa thấp nhất là CTCP Cơ điện 
lạnh (REE) với 9,88 ngàn tỷ đồng, tiếp đó là 
CTCP Vàng bạc đá quý Phú Nhuận (PNJ) với 
vốn hóa 13,38 ngàn tỷ đồng. 
Ta có thể thấy, giá của mỗi CP VNM (116 
ngàn) cao hơn giá của mỗi CP VIC (91 ngàn) 
nhưng vốn hóa của VNM (202,4 ngàn tỷ) lại 
thấp hơn đáng kể so với VIC (307,8 ngàn tỷ) 
bởi số lượng CP đang lưu hành của VNM 
(1741 triệu) là thấp hơn rất nhiều so với số 
lượng CP đang lưu hành của VIC (3382 
triệu). Tương tự với HPG khi mà khối lượng 
CP đang lưu hành của công ty này đang đứng 
thứ hai về số lượng với 2761 triệu CP nhưng 
vốn hóa thị trường lại chỉ xếp thứ ba cho giá 
của mỗi CP có giá chỉ 28,35 ngàn, thấp nhất 
so với những CP có giá cao hơn nhưng có vốn 
hóa thấp hơn như FPT (47,45 ngàn/ 1CP, vốn 
hóa thấp hơn 52%) hay MSN (giá CP 57 
ngàn/1CP, vốn hóa 66,63 ngàn tỷ thấp hơn 
15%). Trong khi đó, giá đóng cửa của VN30 
cùng ngày đạt 803 điểm. 
Bảng 2. Tổng quan về các CP thành phần 
(Đvt: Giá hiện tại: ngàn đồng; Khối lượng: triệu CP, Vốn hóa thị trường: ngàn tỷ đồng) 
STT Mã chứng khoán Giá hiện tại Khối lượng CP đang lưu hành Vốn hóa thị trường 
1 FPT 47,45 783,99 37,20 
2 HPG 28,35 2761,07 78,28 
3 MSN 57,00 1168,95 66,63 
4 PNJ 59,40 225,29 13,38 
5 REE 31,85 310,06 9,88 
6 VIC 91,00 3382,43 307,80 
7 VNM 116,00 1741,69 202,04 
(Nguồn: Sàn giao dịch chứng khoán Việt Nam HOSE) 
Nguyễn Ngọc Quỳnh Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(10): 96 - 102 
 Email: jst@tnu.edu.vn 99 
Ở Hình 1, chúng ta sẽ được xem biến động 
của chỉ số VN30 và các cổ phiếu thành phần 
theo ngày, công thức tính biến động dựa theo 
giá đóng cửa : 𝑟𝑡 = (𝑙𝑛𝑝𝑡 − 𝑙𝑛𝑝𝑡−1) ∗ 100 
Trong đó 𝑟𝑡 là biến động, 𝑙𝑛𝑝𝑡 là giá đóng 
cửa của cổ phiếu p trong thời điểm t 
Chỉ số VN30 trong suốt khoảng thời gian 
nghiên cứu có mức biến động trong khoảng 
cộng trừ 5%, điều đó cho thấy được sự ổn 
định của nhóm các cổ phiếu chính trong thị 
trường chứng khoán Việt Nam. Trong số 7 cổ 
phiếu được chọn thì HPG là cổ phiếu có mức 
biến động âm nhiều nhất với mức giảm tối đa 
lên đến trên 30% và trên 3 lần có mức giảm 
trên 20%. Ổn định nhất là cổ phiếu REE với 
mức chênh lệch khoảng cộng trừ 5%, tiếp đó 
là cổ phiếu của CTCP Tập đoàn Masan với 
biên độ giao động khoảng 7%. Các cổ phiếu 
còn lại như FPT, PNJ, VIC và VNM đều có 
mức biến động khoảng 7% và vào một số thời 
điểm giao động âm lên đến trên 30%. 
Bảng 3 thể hiện một số thống kê về các chỉ số 
của bộ dữ liệu. Ta có thể thấy, đối với chỉ số 
VN30 có biến động trung bình trong ngày xấp 
xỉ 0,04%, cao hơn biến động của các cổ phiếu 
FPT (0,03%), VIC (0,03%), VNM (0,02%) và 
thấp hơn so với HPG (0,05%), PNJ (0,06%) 
và REE (0,06%), riêng cổ phiếu của MSN có 
mức giao động ngày là âm 0,01%, đây cũng 
là công ty duy nhất trong số 7 công ty được 
chọn có giá cổ phiếu ở thời điểm phân tích 
thấp hơn so với giá khi lên sàn (57,000đ so 
với 61,000đ). 
Hình 1. Biên độ giao động của các chỉ số theo ngày 
Bảng 3. Thống kê các chỉ số của dữ liệu theo khung thời gian Ngày 
VN30 FPT HPG MSN PNJ REE VIC VNM 
MEAN (%) 0,04% 0,03% 0,05% -0,01% 0,06% 0,06% 0,03% 0,02% 
MIN (%) -6,35% -21,54% -35,62% -33,01% -31,81% -11,44% -28,57% -31,85% 
MAX (%) 5,16% 6,87% 7,00% 6,96% 6,99% 7,00% 6,99% 7,00% 
Skew. -0,7078 -2,2813 -3,8532 -1,9848 -2,7063 -0,0545 -2,9068 -4,3955 
Kurt. 4,0402 24,1458 46,7613 36,1185 37,5769 3,1332 38,0901 63,6280 
Obs. 1934 1934 1934 1934 1934 1934 1934 1934 
Nguyễn Ngọc Quỳnh Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(10): 96 - 102 
 Email: jst@tnu.edu.vn 100 
Ở phần giá trị thấp nhất (Min %), HPG của 
tập đoàn Hòa Phát là cổ phiếu có mức giảm 
trong một ngày lớn nhất lên đến 35,62%, theo 
sau đó là MSN, VNM, PNJ và VIC với mức 
giảm trung bình xấp xỉ 30%, trong khi đó chỉ 
số VN30 chỉ có mức giảm trong ngày lớn 
nhất là 6,35%. Về phần giá trị lớn nhất, các 
mã cổ phiếu trên chỉ có mức tăng trần là 7%. 
Ở bộ chỉ số đo độ lệch (Skewness) và độ nhọn 
(Kurtosis) của phân phối, chỉ số VN30 và các 
mã cổ phiếu được chọn đều có độ lệch âm tức 
lệch trái trong phân phối, thể hiện rằng số 
lượng các phiên giao dịch biến động âm nhiều 
hơn số các phiên giao dịch biến động dương. 
Trong khi đó độ nhọn trong phân phối của các 
mã VNM (63,6280), HPG (46,7613) hay VIC 
(38,0901), PNJ (37,5769) và MSN (36,1185) 
là lớn hơn nhiều so với trung bình trung của 
VN30 (4,0402), độ nhọn trong phân phối lớn 
hơn đồng nghĩa với chênh lệch giữa biến động 
cao nhất và biến động thấp nhất là cao hơn. 
Số giá trị theo dõi được của mỗi mã CP và chỉ 
số VN30 trong khoảng thời gian đã chọn là 
bằng nhau 1934. 
3. Kết quả 
3.1. Kiểm tra tính phù hợp của các mô hình 
Ở phần tiếp theo, dữ liệu được xử lí qua phần 
mềm thống kê Ngôn ngữ R (R language) và 
các gói công cụ hỗ trợ để tìm ra mô hình phân 
phối nào là phù hợp nhất với các dữ liệu đã có. 
Các mô hình phân phối bất đối xứng được áp 
dụng để so sánh với kết quả thực tế 
(Empirical) đó là: mô hình phân phối lệch 
Skew T distribution (STD), mô hình phân phối 
tổng quát hóa theo đường cong Generalized 
Hyperbolic distribution (GHD), mô hình phân 
phối đảo nghịch Gaussian Normal Inverse 
distribution (NI) và mô hình phân phối chuẩn 
Normal distribution (Normal). 
Hình 2. Kết quả kiểm tra tính phù hợp của các mô hình 
Nguyễn Ngọc Quỳnh Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(10): 96 - 102 
 Email: jst@tnu.edu.vn 101 
Hình 3. Kết quả đo VaR 
Kết quả phân tích trong Hình 2 chỉ ra rằng, 
VN30 và tất cả các cổ phiếu được chọn đều 
không có xu hướng đi theo phân phối chuẩn 
(0/8 lần phù hợp) mà theo các mô hình phân 
phối bất đối xứng. Mô hình phân phối đảo 
nghịch (NI) phù hợp với các cổ phiếu được 
chọn hơn các mô hình khác một chút với 75% 
tương đồng với dữ liệu thực tế, trong khi mô 
hình phân phối lệch Skew T (STD) và mô 
hình phân phối tổng quát hóa theo đường 
cong (GHD) có cùng tỉ lệ 62,5% tương đồng 
với dữ liệu thực tế, cao hơn hẳn so với 0% 
của mô hình phân phối chuẩn (ND). Với tỉ lệ 
tương đồng cực thấp như vậy ta có thể nhận 
xét rằng, mặc dù rổ cổ phiếu VN30 được phát 
triển chưa lâu nhưng sự biến động của chỉ số 
VN30 cũng như các cổ phiếu thành phần là 
rất lớn trong khoảng thời gian ngắn. 
3.2. Đo lường Value at Risk (VaR) 
Từ kết quả phân tích trong Hình 3 ta có thể 
thấy, kết quả thực tế của VN30 và các cổ 
phiếu thành phần hoàn toàn không đi theo kết 
quả của VaR dựa trên phân phối chuẩn. Trong 
khi đó, mô hình phân phối lệch Skew T 
distribution (STD) tỏ ra phù hợp nhất với 8/8 
lần bám sát theo dữ liệu thực tế, còn mô hình 
phân phối tổng quát hóa theo đường cong 
(GHD), mô hình phân phối đảo nghịch (NI) 
có cùng khả năng bám sát dữ liệu thực tế với 
3/8 lần. 
4. Kết luận 
Rổ cổ phiếu VN30 đã ra đời được hơn 8 năm 
với mục tiêu đem lại thước đo chính xác nhất 
cho thị trường chứng khoán Việt Nam với các 
cổ phiếu thành phần được chọn từ những mã 
cổ phiếu tốt nhất, có thanh khoản cao nhất và 
có tỷ lệ vốn hóa phù hợp nhất với toàn bộ chỉ 
số. Tuy vậy có thể thấy, ngoại trừ các doanh 
nghiệp hoạt động trong lĩnh vực tài chính – 
ngân hàng thì sau 8 năm chỉ có duy nhất 7 
công ty có thể duy trì liên tục sự hiện diện 
trong rổ cổ phiếu VN30. Nghiên cứu này 
cũng chỉ ra rằng, biến động trung bình hằng 
ngày của các cổ phiếu thành phần trong VN30 
tuy không lớn nhưng có những thời điểm biến 
động rất mạnh – chủ yếu là giảm – trong suốt 
Nguyễn Ngọc Quỳnh Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(10): 96 - 102 
 Email: jst@tnu.edu.vn 102 
khoảng thời gian 8 năm nghiên cứu, và ở 
những lần giảm đó thì mức giảm là rất mạnh 
ở nhóm các cổ phiếu có vốn hóa lớn. Trong 
khi đó, mức tăng tối đa trong ngày của mỗi cổ 
phiếu chỉ dừng lại ở mức cố định xấp xỉ 7%. 
Về mặt áp dụng các phương pháp phân tích 
và quản lý rủi ro phổ biến trên thế giới, mô 
hình phân phối chuẩn hoàn toàn không phù 
hợp khi áp dụng vào thị trường chứng khoán 
Việt Nam. Mặc dù kết quả phân tích và đo 
lường VaR từ mô hình phân phối tổng quát 
hóa theo đường cong (GH) và mô hình phân 
phối đảo nghịch (NI) không bám sát được 
thực tế với dữ liệu thì tuy nhiên, mô hình 
phân phối lệch Skew T (ST) lại tỏ ra khá hiệu 
quả trong phân tích đánh giá rủi ro đối với các 
dữ liệu trong bài. Qua đó, nhà đầu tư cũng 
như các cổ chức có thể dựa vào đó để đưa ra 
số liệu dự phòng trong rủi ro giao dịch phù 
hợp với chiến lược cũng như danh mục đầu tư 
của mỗi cá nhân tổ chức. Trong nghiên cứu 
tiếp theo, kết quả từ các mô hình được áp 
dụng trong nghiên cứu này sẽ được áp dụng 
dựa theo kĩ thuật backtesting – sử dụng dữ 
liệu quá khứ để đưa ra dự đoán biến động cho 
một khoảng thời gian nhất định. Dù nghiên 
cứu này mới chỉ giới hạn ở rổ cổ phiếu VN30 
cũng như các cổ phiếu thành phần được chọn 
(7 mã cổ phiếu tồn tại xuyên suốt thời gian 
nghiên cứu) nhưng đây sẽ là tiền đề cho 
những nghiên cứu sau này trong lĩnh vực 
nghiên cứu quản lí rủi ro trên thị trường 
chứng khoán Việt Nam. 
TÀI LIỆU THAM KHẢO/ REFERENCES 
[1]. L. Thomas, and N. Pearson, Risk 
Measurement: An Introduction to Value at 
Risk. University of Illinois, 1996. 
[2]. J. Philippe, Value at risk: the new benchmark 
for managing financial risk. NY: McGraw-
Hill Professional, 2001. 
[3]. R. P. Browne, and P. D. McNicholas, “A 
mixture of generalized hyperbolic 
distributions,” Canadian Journal of Statistics, 
vol. 43, no. 2, pp. 176-198. 2015. 
[4]. S. Sanjeena, and P. D. McNicholas, 
“Variational Bayes approximations for 
clustering via mixtures of normal inverse 
Gaussian distributions,” Advances in Data 
Analysis and Classification, vol. 8, no. 2, pp. 
167-193, 2014. 
[5]. D. Zaichao, and J. C. Escanciano, 
“Backtesting expected shortfall: accounting 
for tail risk,” Management Science, vol. 63, 
no.4, pp. 940-958, 2017.