Mô phỏng chuỗi Markov Monte Carlo
Mô phỏng chuỗi Markov Monte Carlo (Markov Chain Monte Carlo – MCMC) là một nhóm thuật toán lấy mẫu ngẫu nhiên từ một phân phối xác suất phức tạp bằng cách xây dựng một chuỗi Markov có phân phối dừng (stationary distribution) trùng với phân phối mục tiêu. Ý tưởng cốt lõi là thay vì cố gắng tính trực tiếp tích phân hoặc hàm mật độ chuẩn hóa (thường không khả thi với không gian nhiều chiều), người ta cho hệ thống "bước đi" ngẫu nhiên trong không gian tham số và thu thập các trạng thái đủ xa khởi điểm để hội tụ về phân phối mong muốn. Trong ngân hàng và tài chính, MCMC là công cụ nền tảng để ước lượng rủi ro, hiệu chỉnh mô hình rủi ro tín dụng, mô hình biến động (GARCH, stochastic volatility) và đặc biệt là các mô hình Bayesian phân cấp trong xếp hạng tín dụng và tính toán vốn kinh tế.
Thuật toán Metropolis-Hastings và Gibbs Sampling
Hai thuật toán MCMC phổ biến nhất là Metropolis-Hastings và Gibbs Sampling. Trong Metropolis-Hastings, tại mỗi bước lặp, hệ thống đề xuất một trạng thái mới từ phân phối đề xuất (proposal distribution), sau đó chấp nhận hoặc bác bỏ trạng thái đó với xác suất được tính dựa trên tỷ số mật độ (acceptance ratio). Với phân phối đề xuất đối xứng, xác suất chấp nhận đơn giản là min(1, p(x_new)/p(x_current)). Gibbs Sampling là trường hợp đặc biệt khi ta lấy mẫu có điều kiện từng biến một, đảm bảo xác suất chấp nhận luôn bằng 1. Ví dụ: trong mô hình phân loại rủi ro tín dụng Bayesian với 5 nhóm nợ và nhiều biến kinh tế vĩ mô, Gibbs Sampling cho phép cập nhật từng tham số (hệ số hồi quy, phương sai, ngưỡng phân nhóm) theo phân phối có điều kiện đã biết dạng.
Chuẩn đoán hội tụ trong MCMC
Chuẩn đoán hội tụ là bước bắt buộc trước khi sử dụng kết quả MCMC cho báo cáo Basel II/III hoặc kiểm tra sức chịu đựng. Ba tiêu chí phổ biến gồm: (1) kiểm tra trace plot – đồ thị đường đi của chuỗi phải trông như "rừng dày" không có xu hướng; (2) thống kê Gelman-Rubin (R-hat) với nhiều chuỗi song song – giá trị R-hat < 1,01 cho thấy hội tụ; (3) hiệu quả lấy mẫu (effective sample size – ESS) – số mẵu độc lập thực tế phải đủ lớn (thường > 400 cho mỗi tham số ước lượng). Burn-in period (giai đoạn đốt nóng) – khoảng vài nghìn lặp đầu tiên – thường được loại bỏ để giảm ảnh hưởng của điểm khởi tạo.
Ứng dụng trong quản trị rủi ro ngân hàng
MCMC được ứng dụng rộng rãi trong ba nhóm bài toán ngân hàng. Thứ nhất, mô hình CreditRisk+ và mô hình mặc định có hệ số ngẫu nhiên (frailty model) dùng MCMC để ước lượng phân phối xác suất vỡ nợ đồng thời theo ngành. Thứ hai, tính toán vốn kinh tế (Economic Capital) theo phương pháp phân phối lỗ tổng hợp (aggregate loss distribution) khi không có dạng phân tích đóng, MCMC giúp mô phỏng phân phối đuôi nặng (heavy-tailed) như Pareto hoặc log-normal kết hợp. Thứ ba, hiệu chỉnh mô hình LGD (Loss Given Default) và EAD (Exposure at Default) theo khung Bayesian – cho phép cập nhật ước lượng khi có dữ liệu mới mà không cần ước lượng lại toàn bộ. Lưu ý: phần mềm phổ biến để triển khai gồm Stan, JAGS, PyMC (Python) và các gói coda, rstanarm trong R.
Nội dung mang tính tham khảo chuyên môn, không thay thế tư vấn pháp lý hay tư vấn mô hình định lượng cho tổ chức tín dụng cụ thể.