Market Risk trong ngân hàng: Góc nhìn Quant phía sau những con số VaR, Stress Test và mô hình rủi ro

Trong nhiều cuộc trò chuyện về Quant Finance, mọi người thường nghĩ ngay đến trading, alpha signal hay các mô hình machine learning dự đoán giá cổ phiếu. Nhưng nếu nhìn vào cách hệ thống tài chính vận hành thực tế, đặc biệt là trong ngân hàng thương mại, thì một trong những mảng “Quant nặng” nhất lại không nằm ở việc tạo alpha mà nằm ở Market Risk. Đây là nơi mà toán học, thống kê và dữ liệu không được dùng để tìm lợi nhuận trực tiếp, mà để trả lời một câu hỏi mang tính sống còn: nếu thị trường đi ngược kỳ vọng, ngân hàng có thể mất bao nhiêu tiền, trong điều kiện nào, và mức độ tổn thất đó lan truyền qua hệ thống ra sao. Điểm khác biệt lớn là trong trading, bạn tối ưu hóa lợi nhuận; còn trong Market Risk, bạn tối ưu hóa khả năng tồn tại.

Trong một ngân hàng thương mại, Market Risk không phải là một dashboard báo cáo cuối ngày như nhiều người vẫn nghĩ. Nó là một hệ thống mô hình hóa rủi ro chạy liên tục, kết nối trực tiếp với toàn bộ vị thế trading book và một phần đáng kể của banking book. Mỗi ngày, hệ thống phải “dịch” hàng nghìn vị thế khác nhau về một ngôn ngữ chung gọi là risk factor, sau đó tính toán các thước đo như VaR, Expected Shortfall, DV01, CS01, FX delta, equity beta, convexity, duration gap… Ví dụ đơn giản trong thị trường trái phiếu, nếu ngân hàng nắm giữ danh mục trái phiếu chính phủ Việt Nam kỳ hạn 5–10 năm, chỉ cần lãi suất tăng 100 basis points, hệ thống DV01 sẽ lập tức lượng hóa mức suy giảm giá trị danh mục. Con số này không chỉ mang tính tham khảo mà trực tiếp ảnh hưởng đến limit của desk, capital charge và đôi khi cả khả năng tiếp tục mở rộng vị thế.

Trong thực tế triển khai, VaR là mô hình phổ biến nhất nhưng cũng là mô hình gây nhiều hiểu lầm nhất. Ba phương pháp chính thường được sử dụng gồm Historical VaR, Parametric VaR và Monte Carlo Simulation. Historical VaR dựa trên giả định rằng phân phối tương lai sẽ giống quá khứ, Parametric VaR dựa trên giả định phân phối chuẩn hoặc t-student để xấp xỉ tail risk, còn Monte Carlo thì mô phỏng hàng chục nghìn đến hàng triệu kịch bản dựa trên stochastic process của các risk factor. Vấn đề không nằm ở kỹ thuật tính toán mà nằm ở giả định nền tảng. Thị trường Việt Nam, đặc biệt giai đoạn 2020–2022, cho thấy rõ ràng rằng distribution của returns không hề ổn định. Khi thị trường rơi vào stress như margin call hàng loạt, bán giải chấp hoặc khủng hoảng thanh khoản trái phiếu doanh nghiệp, phân phối lợi nhuận xuất hiện fat tail rất mạnh. VaR trong những giai đoạn này thường đánh giá thấp rủi ro cực đoan, dẫn đến việc các ngân hàng buộc phải bổ sung thêm Stress Testing như một lớp bảo vệ thứ hai.

Stress Testing về bản chất là một dạng “counterfactual quant model” – tức không hỏi xác suất xảy ra, mà hỏi điều gì xảy ra nếu thế giới vận hành theo một kịch bản cực đoan nhưng có thể xảy ra. Ví dụ: VN-Index giảm 25%, lãi suất tăng 300bps, tỷ giá USD/VND tăng 5%, thanh khoản thị trường giảm 50%, correlation giữa các asset class tiến về 1. Trong kịch bản này, mô hình không quan tâm điều đó có xảy ra hay không, mà quan tâm danh mục phản ứng như thế nào. Điểm quan trọng là stress test thường phá vỡ các giả định quan trọng nhất của VaR, đặc biệt là giả định về independence và stationarity. Đây là lý do trong Basel framework, Stress Testing ngày càng đóng vai trò quan trọng không kém VaR, đặc biệt sau các sự kiện như 2008 hay các cú sốc thanh khoản cục bộ.

Một mảng khác trong Market Risk mà ít người bên ngoài ngân hàng hiểu rõ là rủi ro lãi suất trong banking book, nơi mà phần lớn lợi nhuận thực sự của ngân hàng được hình thành. Các mô hình như repricing gap, duration gap và EVE (Economic Value of Equity) được sử dụng để mô hình hóa sự mismatch giữa tài sản và nguồn vốn. Ví dụ điển hình trong ngân hàng Việt Nam là cấu trúc funding ngắn hạn từ tiền gửi nhưng tài sản cho vay lại dài hạn. Khi lãi suất tăng, chi phí vốn điều chỉnh rất nhanh trong khi lợi suất tài sản phản ứng chậm hơn, dẫn đến squeeze NIM. Đây là loại rủi ro không xuất hiện trong PnL trading hàng ngày nhưng lại quyết định chu kỳ lợi nhuận 3–5 năm của ngân hàng.

Nếu đi sâu hơn vào góc độ Quant thực sự, Market Risk không chỉ là đo rủi ro mà là bài toán mô hình hóa joint distribution của toàn bộ hệ thống tài sản tài chính. Các mô hình hiện đại sử dụng PCA để trích xuất risk factors chính từ yield curve hoặc equity surface, GARCH để capture volatility clustering, copula để mô hình hóa correlation breakdown trong stress regime, và sometimes even regime-switching models để phản ánh việc thị trường không vận hành trong một distribution cố định. Điều quan trọng là hệ thống risk engine trong ngân hàng không chỉ chạy một mô hình, mà chạy hàng loạt mô hình song song để kiểm tra độ ổn định của kết quả trong nhiều giả định khác nhau.

Một ví dụ thực tế trong FX trading book là việc rủi ro không chỉ nằm ở biến động spot rate mà còn nằm ở liquidity, basis giữa các tenor, khả năng unwind vị thế trong điều kiện stress và cả correlation giữa FX và interest rate. Trong điều kiện bình thường, mô hình VaR có thể hoạt động ổn định. Nhưng khi thị trường bước vào giai đoạn stress, liquidity evaporates, bid-ask spread giãn mạnh và correlation structure thay đổi hoàn toàn. Đây là lúc các mô hình đơn giản bắt đầu thất bại, không phải vì sai về toán học, mà vì sai về giả định thị trường.

Điều thú vị nhất khi nhìn Market Risk từ bên trong ngân hàng là vai trò của nó không phải để dự đoán thị trường mà để kiểm soát hành vi của toàn bộ hệ thống trading. Risk limit, exposure limit, stop-loss threshold, stress loss limit, concentration limit… tất cả đều được thiết kế dựa trên output của các mô hình định lượng. Một trader có thể tin rằng thị trường sẽ tăng mạnh, nhưng nếu risk model cho thấy tail risk vượt ngưỡng, position vẫn bị reduce hoặc hedge lại. Ở góc độ này, Market Risk không phải là một bộ phận “hậu kiểm”, mà là một cơ chế điều phối hành vi rủi ro toàn hệ thống tài chính.

Ở Việt Nam, các ngân hàng lớn như Vietcombank, Techcombank, MB Bank và VPBank đang đẩy mạnh triển khai các hệ thống Market Risk theo chuẩn Basel II và tiến tới Basel III. Điều này kéo theo sự dịch chuyển rất rõ rệt trong nhu cầu nhân sự: từ những vai trò truyền thống như reporting sang các vai trò mang tính mô hình hóa cao hơn như Market Risk Modeling, Model Validation, Quant Risk Analytics hay ALM Quantification. Về bản chất, đây không còn là công việc “kiểm tra rủi ro” đơn thuần, mà là xây dựng và vận hành các mô hình định lượng tương tự như trong hedge fund, chỉ khác mục tiêu cuối cùng.

Nếu nhìn rộng hơn, Market Risk thực chất là nơi giao nhau giữa ba thế giới: tài chính truyền thống, xác suất thống kê và engineering hệ thống dữ liệu. Nó không tạo ra alpha, nhưng nó quyết định alpha có thể tồn tại bao lâu. Trong rất nhiều trường hợp, vấn đề quan trọng nhất không phải là chiến lược kiếm được bao nhiêu tiền, mà là chiến lược đó còn tồn tại sau một cú sốc thị trường hay không. Và chính Market Risk là nơi trả lời câu hỏi đó bằng ngôn ngữ của dữ liệu và mô hình.