Nền tảng Phân tích Đầu tư: Rủi ro, Lợi nhuận và Dữ liệu Lịch sử

2.1. Lãi suất Danh nghĩa và Lãi suất Thực

Điều quan trọng là phải phân biệt rõ ràng giữa hai khái niệm lãi suất:

• Lãi suất danh nghĩa (r_nom): Là tốc độ tăng trưởng của lượng tiền bạn có. Nếu bạn gửi 1.000 đô la vào ngân hàng với lãi suất danh nghĩa 10%/năm, sau một năm bạn sẽ có 1.100 đô la.
• Lãi suất thực (r_real): Là tốc độ tăng trưởng sức mua của bạn. Nó cho biết khả năng mua hàng hóa và dịch vụ của bạn đã tăng lên bao nhiêu sau khi đã tính đến tác động của lạm phát.

Hãy xem xét ví dụ sau: bạn gửi 1.000 đô la với lãi suất danh nghĩa 10%, và tỷ lệ lạm phát (i) trong năm đó là 6%.

• Sau một năm, bạn nhận được 1.100 đô la.
• Tuy nhiên, một món hàng năm ngoái giá 1 đô la thì năm nay giá 1.06 đô la.
• Sức mua thực tế của bạn là 1.100 / 1.06 = 1.038 đô la (tính theo sức mua của năm trước).
• Sức mua của bạn đã tăng 3.8%. Đây chính là lãi suất thực.

Công thức chính xác để tính lãi suất thực là:

Một công thức xấp xỉ phổ biến và dễ sử dụng hơn là:

Công thức xấp xỉ này hoạt động tốt nhất khi tỷ lệ lạm phát thấp. Cần lưu ý rằng các công cụ thu nhập cố định thông thường như chứng chỉ tiền gửi (CD) của ngân hàng mang lại một mức lãi suất danh nghĩa được đảm bảo, nhưng lãi suất thực của chúng vẫn có rủi ro vì lạm phát trong tương lai là không chắc chắn.

2.2. Các Yếu tố Xác định Lãi suất Cân bằng

Mức lãi suất trong nền kinh tế được quyết định bởi sự tương tác của bốn yếu tố cơ bản:

Ba yếu tố đầu tiên xác định lãi suất thực cân bằng. Chúng ta có thể hình dung điều này thông qua mô hình cung-cầu vốn. Đường cung vốn dốc lên, thể hiện rằng khi lãi suất thực cao hơn, các hộ gia đình sẽ sẵn sàng tiết kiệm nhiều hơn. Ngược lại, đường cầu vốn dốc xuống, cho thấy khi lãi suất thực thấp hơn, các doanh nghiệp sẽ muốn vay nhiều hơn để đầu tư. Điểm cân bằng (E) nơi hai đường này giao nhau sẽ xác định mức lãi suất thực và lượng vốn được cho vay trong nền kinh tế.

Các chính sách tài khóa và tiền tệ có thể làm dịch chuyển các đường này. Ví dụ, khi chính phủ tăng thâm hụt ngân sách, họ cần vay nhiều hơn, làm dịch chuyển đường cầu sang phải và đẩy lãi suất thực cân bằng lên cao hơn. Ngược lại, nếu Ngân hàng Trung ương thực hiện chính sách tiền tệ mở rộng (bơm tiền), nó sẽ làm dịch chuyển đường cung sang phải, có khả năng làm giảm lãi suất thực.

2.3. Giả thuyết Fisher và Tác động của Thuế

Giả thuyết Fisher cho rằng lãi suất danh nghĩa nên điều chỉnh tương ứng một-một với những thay đổi trong lạm phát kỳ vọng. Công thức của nó là:

Trong đó E(i) là lạm phát kỳ vọng. Ý nghĩa của giả thuyết này là các nhà đầu tư yêu cầu một mức lãi suất danh nghĩa cao hơn để bù đắp cho sự mất giá của đồng tiền do lạm phát, nhằm duy trì một mức lãi suất thực không đổi.

Tuy nhiên, thuế làm phức tạp thêm mối quan hệ này. Thuế thu nhập được tính trên lãi suất danh nghĩa, không phải lãi suất thực. Điều này tạo ra một "gánh nặng thuế" lên cả phần lợi nhuận chỉ dùng để bù đắp lạm phát. Lãi suất thực sau thuế được tính gần đúng bằng công thức:

Trong đó t là thuế suất. Hãy xem xét một ví dụ: lãi suất danh nghĩa là 12%, lạm phát 8% và thuế suất 30%.

• Lãi suất thực trước thuế của bạn là 12% - 8% = 4%.
• Lợi nhuận danh nghĩa sau thuế là 12% * (1 - 0.3) = 8.4%.
• Lợi nhuận thực sau thuế chỉ còn 8.4% - 8% = 0.4%.

Rõ ràng, phần lợi nhuận thực của nhà đầu tư đã bị ảnh hưởng nặng nề bởi việc phải nộp thuế trên cả phần bù lạm phát.

Sau khi đã nắm vững các khái niệm về lãi suất, bước tiếp theo là tìm hiểu cách đo lường và so sánh lợi nhuận từ các khoản đầu tư có kỳ hạn khác nhau một cách nhất quán.

3.1. Tỷ suất Lợi nhuận theo Kỳ Nắm giữ (HPR)

Thước đo cơ bản nhất về lợi nhuận là Tỷ suất Lợi nhuận theo Kỳ Nắm giữ (Holding-Period Return - HPR). Nó đo lường tổng lợi nhuận từ một khoản đầu tư trong một khoảng thời gian cụ thể, bất kể khoảng thời gian đó dài hay ngắn. Đối với một cổ phiếu, công thức tính HPR là:

Ví dụ, nếu bạn mua một cổ phiếu với giá 100 đô la, sau một năm giá của nó tăng lên 110 đô la và bạn nhận được 4 đô la cổ tức, HPR của bạn sẽ là: HPR = ($110 - $100 + $4) / $100 = 0.14 hay 14%.

3.2. Chuẩn hóa Lợi nhuận: EAR, APR, và Lãi suất Gộp liên tục

Để so sánh các HPR từ những kỳ hạn khác nhau, chúng ta cần chuẩn hóa chúng.

• Tỷ suất Lợi nhuận Hiệu dụng Hàng năm (Effective Annual Rate - EAR): Đây là thước đo chuẩn, thể hiện mức tăng phần trăm của vốn đầu tư trong một năm, có tính đến việc gộp lãi. Công thức để chuyển đổi tổng lợi nhuận rf(T) trong một kỳ T (tính theo năm) thành EAR là:
  1 + EAR = [1 + rf(T)]^(1/T)
• Tỷ lệ Phần trăm Hàng năm (Annual Percentage Rate - APR): Đây là lãi suất đơn thường được báo cáo cho các khoản đầu tư ngắn hạn (dưới một năm). Nó được tính bằng cách lấy lãi suất của một kỳ nhân với số kỳ trong một năm, bỏ qua hiệu ứng gộp lãi trong năm. Mối quan hệ giữa APR và EAR là:
  1 + EAR = [1 + T × APR]^(1/T)

  Trong đó T là độ dài của kỳ tính lãi (ví dụ, T = 1/12 cho kỳ hàng tháng). APR không tính đến hiệu ứng gộp lãi trong năm, do đó EAR thường cao hơn APR.

• Gộp lãi liên tục (Continuous Compounding): Đây là giới hạn toán học khi tần suất gộp lãi tiến đến vô hạn. Mặc dù có vẻ trừu tượng, việc sử dụng lãi suất gộp liên tục (r_cc) giúp đơn giản hóa nhiều phép tính. Mối quan hệ với EAR là:
  1 + EAR = exp(r_cc) hoặc r_cc = ln(1 + EAR)

  Một lợi ích lớn của việc sử dụng lãi suất gộp liên tục là nó làm cho mối quan hệ giữa lãi suất thực, danh nghĩa và lạm phát trở nên chính xác tuyệt đối:

  r_cc(thực) = r_cc(danh nghĩa) - i_cc

Việc chuẩn hóa lợi nhuận là bước đầu tiên. Bước tiếp theo và quan trọng không kém là định lượng rủi ro đi kèm với những lợi nhuận đó.

4.1. Lợi nhuận Kỳ vọng và Độ lệch Chuẩn: Phân tích Kịch bản

Một cách để phân tích rủi ro và lợi nhuận trong tương lai là thông qua phân tích kịch bản, trong đó chúng ta xác định các kết quả có thể xảy ra và gán xác suất cho chúng.

• Lợi nhuận kỳ vọng (Expected Return - E(r)): Là trung bình có trọng số xác suất của các tỷ suất lợi nhuận trong mỗi kịch bản. Nó thể hiện lợi nhuận trung bình mà chúng ta mong đợi nhận được.
  E(r) = Σ p(s)r(s)

  Trong đó p(s) là xác suất của kịch bản s, và r(s) là lợi nhuận trong kịch bản đó.

• Phương sai (Variance - σ²): Là thước đo mức độ biến động hoặc phân tán của các kết quả có thể xảy ra quanh lợi nhuận kỳ vọng. Nó được tính bằng giá trị kỳ vọng của bình phương các độ lệch so với lợi nhuận kỳ vọng.
  σ² = Σ p(s)[r(s) - E(r)]²
• Độ lệch chuẩn (Standard Deviation - σ): Là căn bậc hai của phương sai. Nó đưa thước đo rủi ro trở về cùng đơn vị với lợi nhuận (ví dụ: %), giúp việc diễn giải trở nên trực quan hơn. Độ lệch chuẩn càng cao, tài sản càng rủi ro.

Hãy xem xét một ví dụ dựa trên phân tích kịch bản cho một quỹ chỉ số chứng khoán từ Bảng tính 5.1 của nguồn:

Chỉ số Kết quả
Lợi nhuận kỳ vọng E(r): 9.76%
Độ lệch chuẩn σ: 19.49%

4.2. Phần bù Rủi ro và Lợi nhuận Vượt trội

• Lợi nhuận vượt trội (Excess Return): Là chênh lệch giữa tỷ suất lợi nhuận thực tế của một tài sản rủi ro và lãi suất phi rủi ro thực tế trong một kỳ cụ thể.
• Phần bù rủi ro (Risk Premium): Là giá trị kỳ vọng của lợi nhuận vượt trội. Nó là phần thưởng mà nhà đầu tư mong đợi nhận được khi chấp nhận rủi ro thay vì đầu tư vào một tài sản an toàn như tín phiếu kho bạc.

Trong ví dụ trên, nếu lãi suất phi rủi ro là 4%, thì phần bù rủi ro của quỹ chỉ số là:

Khái niệm Sự e ngại rủi ro (Risk Aversion) giải thích tại sao phần bù rủi ro phải tồn tại. Hầu hết các nhà đầu tư đều e ngại rủi ro; họ sẽ không đầu tư vào một tài sản không chắc chắn nếu lợi nhuận kỳ vọng của nó chỉ bằng lợi nhuận của một tài sản an toàn. Do đó, phải có một phần bù rủi ro dương để khuyến khích họ nắm giữ các tài sản rủi ro.

Phân tích kịch bản là một công cụ hướng tới tương lai, nhưng trong thực tế, các nhà phân tích thường phải dựa vào dữ liệu quá khứ để đưa ra ước tính. Điều này dẫn chúng ta đến nhu cầu phân tích chuỗi thời gian.

5.1. Lợi nhuận Trung bình Số học và Trung bình Nhân

Khi phân tích dữ liệu lịch sử, có hai loại trung bình quan trọng cần phân biệt. Đây là một điểm khác biệt cốt lõi mà mọi nhà phân tích phải nắm vững:

• Trung bình số học (Arithmetic Average): Đây là tổng của tất cả các tỷ suất lợi nhuận trong một chuỗi thời gian chia cho số lượng quan sát. Nó được sử dụng làm ước tính tốt nhất cho lợi nhuận kỳ vọng trong một kỳ tương lai. Nếu bạn muốn dự báo lợi nhuận của năm tới, trung bình số học của các năm trước là điểm khởi đầu hợp lý.
• Trung bình nhân (Geometric Average): Thước đo này phản ánh tỷ suất lợi nhuận hàng năm cố định mà một danh mục đã thực sự đạt được trong giai đoạn lịch sử đã qua để có được giá trị cuối kỳ. Nó dùng để đánh giá hiệu suất đã qua của một khoản đầu tư.

Nguyên tắc cốt lõi: Trung bình số học dùng để dự báo lợi nhuận kỳ vọng trong một kỳ tương lai. Trung bình nhân dùng để đánh giá hiệu suất thực tế đã qua của một khoản đầu tư.

Sự khác biệt quan trọng là: Trung bình số học dùng để dự báo, trung bình nhân dùng để đánh giá hiệu suất quá khứ. Trung bình nhân luôn nhỏ hơn hoặc bằng trung bình số học, và sự khác biệt giữa chúng càng lớn khi sự biến động (độ lệch chuẩn) của lợi nhuận càng cao. Mối quan hệ gần đúng là:

5.2. Ước tính Phương sai và Độ lệch chuẩn

Để ước tính phương sai từ dữ liệu lịch sử, chúng ta tính trung bình của các bình phương độ lệch so với trung bình số học (r̄). Công thức ban đầu là:

Tuy nhiên, ước tính này được cho là bị chệch (biased) một chút về phía dưới. Lý do là chúng ta đã lấy độ lệch so với trung bình số học của mẫu (r̄), thay vì giá trị kỳ vọng thực sự nhưng không xác định được, E(r), và do đó đã tạo ra một sai số ước tính. Để điều chỉnh cho "bậc tự do" (degrees of freedom) này, chúng ta sử dụng n-1 trong mẫu số để có được một ước tính không chệch (unbiased):

Sử dụng n-1 sẽ tạo ra một ước tính rủi ro (phương sai) lớn hơn một chút, đây là một cách tiếp cận thận trọng và chính xác hơn về mặt thống kê khi làm việc với dữ liệu mẫu. Đây là công thức tiêu chuẩn được sử dụng trong thống kê để ước tính phương sai từ một mẫu.

5.3. Tỷ lệ Sharpe: Thước đo Hiệu quả Điều chỉnh theo Rủi ro

Một thước đo cực kỳ quan trọng và được sử dụng rộng rãi để đánh giá sự đánh đổi giữa phần thưởng và rủi ro là Tỷ lệ Sharpe (Sharpe Ratio). Nó đo lường phần bù rủi ro (phần thưởng) mà một nhà đầu tư nhận được trên mỗi đơn vị rủi ro (được đo bằng độ lệch chuẩn của lợi nhuận vượt trội).

Một tỷ lệ Sharpe cao hơn cho thấy hiệu suất được điều chỉnh theo rủi ro tốt hơn. Nó là một công cụ hữu ích để so sánh hiệu quả của các nhà quản lý đầu tư và các danh mục đầu tư khác nhau.

Các thước đo như độ lệch chuẩn và tỷ lệ Sharpe hoạt động hiệu quả nhất khi phân phối của tỷ suất lợi nhuận tuân theo phân phối chuẩn. Tuy nhiên, trong thực tế, điều này không phải lúc nào cũng đúng, đòi hỏi chúng ta phải xem xét các thước đo rủi ro nâng cao hơn.

6.1. Skewness và Kurtosis: Nhận diện Rủi ro Đuôi (Tail Risk)

Nếu phân phối lợi nhuận không đối xứng, độ lệch chuẩn sẽ là một thước đo rủi ro không hoàn chỉnh. Chúng ta cần xem xét các "mô men" cao hơn của phân phối.

• Độ xiên (Skewness): Là thước đo mức độ bất đối xứng của phân phối.
  • Skewness dương (lệch phải): Có một "đuôi" dài về phía các giá trị lợi nhuận dương rất cao. Điều này không quá đáng lo ngại.
  • Skewness âm (lệch trái): Có một "đuôi" dài về phía các giá trị thua lỗ nặng. Đây là điều mà các nhà đầu tư đặc biệt lo ngại, vì nó cho thấy khả năng xảy ra các khoản lỗ lớn cao hơn so với phân phối chuẩn dự đoán.
• Độ nhọn (Kurtosis): Là thước đo mức độ "béo" của hai đuôi phân phối so với phân phối chuẩn.
  • Kurtosis cao (leptokurtic): Cho thấy phân phối có "đuôi béo". Điều này có nghĩa là xác suất xảy ra các sự kiện cực đoan (cả lãi rất lớn và lỗ rất nặng) đều cao hơn so với những gì phân phối chuẩn dự báo. Rủi ro từ các sự kiện bất thường là lớn hơn.

6.2. Các Thước đo Rủi ro Đuôi: VaR, Expected Shortfall, và LPSD

Để định lượng rủi ro từ các sự kiện cực đoan ở "đuôi trái" của phân phối, các nhà thực hành thường sử dụng các thước đo sau:

Bây giờ, chúng ta sẽ áp dụng tất cả các công cụ này để phân tích dữ liệu lịch sử thực tế của các danh mục đầu tư quan trọng và rút ra những bài học quý giá.

7.1. So sánh Hiệu suất của các Loại Tài sản Chính

Bằng cách phân tích dữ liệu từ năm 1927 đến 2015, chúng ta có thể thấy rõ sự khác biệt về hiệu suất giữa các loại tài sản chính.

Bảng tóm tắt dựa trên Bảng 5.3 trong nguồn.

Phân tích bảng trên cho thấy một bức tranh rõ ràng về sự đánh đổi rủi ro-lợi nhuận:

• Cổ phiếu mang lại lợi nhuận trung bình và phần bù rủi ro cao nhất, nhưng cũng đi kèm với mức độ biến động (độ lệch chuẩn) cao nhất.
• Tín phiếu kho bạc, được coi là tài sản phi rủi ro, có lợi nhuận và độ lệch chuẩn thấp nhất.
• Trái phiếu kho bạc nằm ở giữa, với mức rủi ro và lợi nhuận cao hơn tín phiếu nhưng thấp hơn đáng kể so với cổ phiếu.

7.2. Phân tích các Danh mục theo Phong cách (Style Portfolios)

Ngoài việc so sánh các loại tài sản rộng, chúng ta cũng có thể phân tích các danh mục được hình thành dựa trên các "phong cách" đầu tư khác nhau. Các danh mục của Fama-French được phân loại theo hai chiều: vốn hóa thị trường (lớn/nhỏ) và tỷ lệ giá trị sổ sách trên giá trị thị trường (giá trị/tăng trưởng).

Dưới đây là tóm tắt các chỉ số thống kê cho 5 danh mục chính trong giai đoạn tháng 7/1952 – tháng 6/2016.

Bảng tóm tắt dựa trên Bảng 5.4, Panel B trong nguồn.

Phân tích bảng này cho chúng ta một số nhận định sâu sắc:

• Tỷ lệ Sharpe: Danh mục Small/Value (Vốn hóa nhỏ/Giá trị) và Big/Value (Vốn hóa lớn/Giá trị) có tỷ lệ Sharpe cao nhất, cho thấy chúng mang lại sự đánh đổi rủi ro-lợi nhuận tốt nhất trong giai đoạn lịch sử này.
• Rủi ro đuôi (Kurtosis và VaR): Các giá trị Kurtosis đều dương, đặc biệt cao đối với các danh mục "Giá trị", cho thấy bằng chứng về "đuôi béo". Hệ quả trực tiếp của "đuôi béo" (kurtosis cao) này được thể hiện qua chỉ số VaR. Có thể thấy VaR thực tế trong lịch sử luôn tiêu cực hơn so với VaR được dự đoán bởi phân phối chuẩn, cho thấy các sự kiện thua lỗ cực đoan xảy ra với mức độ nghiêm trọng hơn so với mô hình giả định.

Những quan sát này từ dữ liệu lịch sử là vô cùng quý giá, nhưng một câu hỏi quan trọng được đặt ra: liệu những kết luận này có thay đổi khi chúng ta xem xét các khoảng thời gian đầu tư dài hơn không?

8.1. Sự thay đổi của Phân phối Lợi nhuận theo Thời gian

Ngay cả khi lợi nhuận trong một kỳ ngắn (ví dụ: một tháng) tuân theo phân phối chuẩn, lợi nhuận tích lũy qua nhiều kỳ do hiệu ứng gộp lãi sẽ không còn tuân theo phân phối chuẩn nữa. Lý do là vì tiềm năng tăng giá của một khoản đầu tư là vô hạn, trong khi mức lỗ tối đa chỉ giới hạn ở 100% vốn ban đầu. Sự bất đối xứng này tạo ra một phân phối lợi nhuận tích lũy bị lệch dương (positively skewed) theo thời gian. Phân phối này tiến gần đến một dạng gọi là phân phối lognormal, trong đó logarit của giá trị danh mục cuối kỳ tuân theo phân phối chuẩn. Một cách để giải quyết vấn đề phân tích này là sử dụng lợi nhuận gộp lãi liên tục. Tổng của các lợi nhuận gộp lãi liên tục qua nhiều kỳ vẫn tuân theo phân phối chuẩn, giúp cho việc mô hình hóa và phân tích rủi ro dài hạn trở nên dễ dàng hơn.