{tocify} $title = {Nội dung bài viết}
Rủi ro, Bấp bênh, và Việc phán đoán trong đầu tư
Điểm khác biệt rõ nhất giữa... rủi ro và bấp bênh... chính là ở chỗ với rủi ro người ta vẫn có thể biết được phân phối của kết quả cho một nhóm trường hợp... nhưng với sự bấp bênh thì không thể... bởi vì tình huống gặp phải là rất khác thường.Frank H. Knight, Risk, Uncertainty, and ProfitTrong xã hội và trong tự nhiên, ta không bao giờ biết được chính xác mọi việc sẽ diễn ra như thế nào. Đằng sau những điều ta chắc chắn lúc nào cũng có những rủi ro.Kenneth Arrow, I know a Hawk from a Handsaw
Khoa học tên lửa
Trong chuyến tham quan hãng hàng không vũ trụ Daimler - Benz Aerospace, cũng là hãng chế tạo nên tên lửa Ariane, nhà khoa học đầy kinh nghiệm Gerd Gigerenzer phát hiện ra một điều khác thường. Ông nhìn thấy một tấm áp phích lưu lại thành tích của tất cả 94 lần phóng tên lửa Ariane 4 và 5. Theo đó, có đến 8 vụ tai nạn, trong đó có các lần phóng thứ 63, 70 và 88. Gigerenzer tò mò hỏi người hướng dẫn về rủi ro tai nạn thời điểm đó là bao nhiêu và anh ta trả lời rằng 99,6% là an toàn.
Khi Gigerenzer hỏi làm thế nào có thể chắc chắn đến 99,6% khi có 8 vụ tai nạn xảy ra trong 94 lần phóng, anh chàng hướng dẫn viên lại trả lời rằng người ta không tính đến yếu tố sai sót của con người. Hơn nữa, DASA tính toán yếu tố an toàn dựa trên đặc điểm thiết kế của từng bộ phận trên tên lửa.¹
Câu chuyện này của DASA loáng thoáng có liên quan đến các xác suất xung quanh thảm họa tàu con thoi năm 2003. Các kỹ sư của NASA ước tính khả năng thất bại của tên lửa là 1 trên 145 (0,7%), nhưng thực tế chương trình này đã 2 lần thất bại hoàn toàn trong 113 lần phóng đầu tiên. Những tính toán của DASA và NASA dẫn đến một nghi vấn về mối liên quan giữa sự bấp bênh và rủi ro trong xác suất.
Vậy ta phải nghĩ như thế nào cho đúng về rủi ro và sự bấp bênh? Hãy bắt đầu bằng cách phân biệt logic của Frank Knight: với rủi ro ta không thể biết được kết quả nhưng lại biết được phân phối kết quả trong sẽ như thế nào, còn với sự bấp bênh thì ta chẳng biết gì cả. Thế nên những trò chơi như bài Rulet hay xì dách thì thuộc loại may rủi, còn kết quả của chiến tranh thì thuộc loại bấp bênh. Knight nói rằng khả năng khách quan là cơ sở của rủi ro, còn khả năng chủ quan lại hứa hẹn sự bấp bênh.
Xem xét một cách phân biệt khác trong từ điển ta thấy: Rủi ro là “khả năng gặp tổn hại hoặc mất mát” còn sự bấp bênh là “điều kiện không chắc chắn”, và “không biết hoặc không biết chắc”. Như vậy rủi ro luôn bao gồm khả năng mất mát trong khi sự bấp bênh có thể không bao gồm khả năng này.
Vậy thì tại sao nhà đầu tư phải quan tâm đến sự khác biệt giữa rủi ro và sự bấp bênh? Câu trả lời nằm ở chỗ đầu tư thực chất là một bài toán xác suất. Một kỹ năng thật sự cần thiết của các nhà đầu tư là hàng ngày họ phải quy tất cả các cơ hội đầu tư về xác suất. Chính vì vậy, điều cần thiết là phải nghĩ ra cách làm thế nào có thể tính được xác suất cho các tình huống khác nhau và những sai lầm tiềm năng nằm ở chỗ nào.
Từ sự bấp bênh đến xác suất
Trong cuốn sách Calculated Risks (tạm dịch: Những Rủi Ro Có Thể Tính Được), Gigerenzer đưa ra ba cách để tính xác suất. Sự phân loại này tuân theo một tiến trình từ ít cụ thể đến cụ thể nhất và có thể giúp nhà đầu tư phân loại được các kết luận về xác suất:
- Mức độ tin tưởng: mức độ tin tưởng là các khả năng chủ quan và cũng là cách dễ nhất để quy đổi sự bấp bênh thành xác suất. Dựa vào độ tin cậy, nhà đầu tư có thể quy đổi ngay cả những sự việc chỉ xảy ra có một lần thành xác xuất, miễn sao chúng thỏa mãn quy tắc của xác suất - tổng các phép thử bằng 1. Nhà đầu tư cũng có thể cập nhật xác suất dựa vào mức độ tin tưởng khi có thêm thông tin.
- Xu hướng: xác suất dựa trên xu hướng phản ánh đặc tính của đối tượng hay hệ thống. Chẳng hạn như khi hạt xí ngầu của bạn đối xứng và cân bằng, bạn có xác suất 1/6 khi quay theo bất cứ chiều nào. Những đánh giá của DASA và NASA có lẽ cũng dựa vào xu hướng. Phương pháp đánh giá xác suất này không phải lúc nào cũng xét đến tất cả các yếu tố có thể đưa đến kết quả. (chẳng hạn như sai sót do con người trong các vụ phóng tên lửa).
- Tần suất: Theo phương pháp này, người ta tính xác suất dựa trên quan sát một nhóm đối tượng khảo sát phù hợp. Không có nhóm đối tượng khảo sát phù hợp thì sẽ không tồn tại phương pháp đánh giá xác suất dựa trên tần suất. Chính vì vậy mà người sử dụng phương pháp này thường không quan tâm đến việc người khác tin tưởng rằng hạt xí ngầu sẽ lăn về phía nào, họ cũng không quan tâm đến cấu trúc của hạt xí ngầu. Điều duy nhất mà họ quan tâm đến chính là số lần lặp lại khi xí ngầu lăn.
Vậy còn lợi nhuận dài hạn của thị trường chứng khoán thì sao? Hầu hết các dự đoán về thị trường đều dựa trên độ tin tưởng và mang đậm dấu ấn của những kinh nghiệm vừa mới trải qua. Nhưng độ tin tưởng thì phần lớn lại dựa trên cảm tính.
Ta cũng có thể tiếp cận thị trường chứng khoán từ góc nhìn dựa trên xu hướng. Theo cuốn Stocks for the Long Run (tạm dịch: Chứng Khoán Cho Cuộc Chạy Đua Dài) của Jeremy Siegel thì thị trường chứng khoán Mỹ tạo ra chưa đến 7% lợi nhuận trong suốt 200 năm qua, tính luôn cả các giai đoạn phụ trong thời gian đó. Vấn đề đặt ra là liệu rằng bên trong nền kinh tế và sự gia tăng nào có thể nâng đỡ kết quả lợi nhuận, có tài sản tiềm tàng nào có thể nâng đỡ kết quả này hay không.
Ta cũng có thể xem xét thị trường từ góc nhìn dựa trên tần suất. Đơn cử là ta có thể quan sát lợi nhuận thường niên của thị trường từ năm 1926 đến năm 2005. Sự phân phối lợi nhuận này đạt mức bình quân là 11,9% với độ lệch chuẩn là 20,2% (với điều kiện áp dụng các thông số về phân phối chuẩn). Giả sử rằng phân phối lợi nhuận trong tương lai cũng sẽ đạt mức giống như trong quá khứ (ví dụ đối tượng khảo sát phù hợp là 30 năm qua), ta có thể đưa ra kết luận về xác suất của lợi nhuận thường niên trong tương lai.
Trong số ba phương pháp tính toán xác suất trên thì cộng đồng các nhà nghiên cứu tài chính chuộng phương pháp thứ ba hơn. Hầu hết các mô hình trong tài chính đều cho rằng giá cả thay đổi theo một phép phân phối chuẩn. Chẳng hạn như mô hình giá-quyền chọn (options-pricing) Black-Scholes, mô hình mà một trong số các nguồn dữ liệu quan trọng của nó chính là tính không ổn định – tức là độ lệch chuẩn của sự thay đổi giá trong tương lai.
Tuy nhiên, một điều đã ảnh hưởng đến các khái niệm của chúng ta về rủi ro và sự bấp bênh, về xác định đúng những thay đổi về giá cổ phiếu, và về quản lý tiền bạc, chính là việc phân phối thay đổi giá cổ phiếu không theo phân phối chuẩn. Giá trị trung bình thì cao hơn, phần đuôi thì lớn hơn so với phân phối chuẩn. (Ta vẫn có thể nói rằng sự tồn tại của một phép phân phối đã tạo nên đặc tính của thị trường; chỉ có điều nó không phải là phân phối chuẩn). Để hiểu được đặc điểm lợi nhuận của thị trường chứng khoán theo thời gian thì những yếu tố ngoại vi như trên là cần thiết.
Nhằm minh chứng cho điều này, tôi đã tham khảo những thay đổi giá hàng ngày của chỉ số S&P 500 từ ngày 3 tháng 1 năm 1978 đến ngày 31 tháng 10 năm 2005. Lợi nhuận của chỉ số (không tính đến tiền chi trả cổ tức) trong giai đoạn này là 9,6%. Sau đó tôi loại ra 50 ngày giá thấp nhất rồi lại loại ra 50 ngày giá cao nhất trong gần 7.000 ngày đó. Kết quả là nếu bạn tránh được 50 ngày giá thấp nhất thì tổng lợi nhuận của bạn sẽ lên đến 18,4% chứ không phải chỉ khoảng 10%. Ngược lại, nếu bạn không tranh thủ được 50 ngày giá cao nhất thì bạn chỉ lời được 2,2%.
Phân tích này có lẽ sẽ khiến bạn chú ý nhưng lại thiếu nguồn đối chiếu. Chính vì vậy, để bạn dễ hình dung hơn, tôi đã tính toán một giá trị trung bình và độ lệch chuẩn dựa trên nguồn dữ liệu cơ sở có thực đó và sử dụng những thông số này để tạo ra một mô hình khác quan có cùng kích cỡ và đặc điểm như phân tích ở trên. Khi loại ra 50 ngày giá thấp nhất trong mô hình mẫu tôi đã tạo ra, lợi nhuận chỉ có 15,6% (so với 18,4% của dữ liệu thật). Tương tự, khi loại ra 50 ngày giá cao nhất, lợi nhuận là 4,8%, tức là khá cao so với lợi nhuận thật.
Nói một cách đơn giản, phân tích trên đây cho thấy những ngày có cực độ lợi nhuận (cực đại hoặc cực tiểu) (extreme return days) quan trọng hơn nhiều so với các phép phân phối chuẩn trong việc định hướng lợi nhuận tổng thể. Nó cũng là một bằng chứng mạnh mẽ chống lại phương pháp chọn đúng thời điểm của thị trường, trừ khi nhà đầu tư có một phương pháp hệ thống đoán trước được thời gian cực độ lợi nhuận.
Suy nghĩ cuối cùng về những ngày cực độ lợi nhuận chính là chúng không xuất hiện ngẫu nhiên theo thời gian mà có khuynh hướng phân theo cụm. Chính vì vậy mà bài toán loại bỏ ngày lợi nhuận cao và ngày lợi nhuận thấp không thực tế cho lắm bởi lẻ theo như dữ liệu thực thì những ngày cực độ này (cao và thấp) xảy ra theo kiểu dính chùm.
Những tiên đoán sẽ làm thay đổi lợi nhuận như thế nào?
Bàn về sự tiên đoán thì có nhiều điều để nói, nhưng trong bài thảo luận về rủi ro và sự bấp bênh này tôi chỉ tập trung vào cách mà hành động tiên đoán có thể thay đổi kết quả của tiên đoán trên thị trường.
Một cách nghĩ về điều này là so sánh bánh xe Roulette với hệ thống cá cược đua ngựa. Nếu chơi Roulette một cách công bằng thì tiên đoán của bạn sẽ không ảnh hưởng gì đến kết quả của trò chơi cả. Tiên đoán vốn độc lập với kết quả của nó. Nhưng với đua ngựa thì lại khác. Nếu bạn tin rằng một con ngựa nào đó có khả năng đua tốt hơn tỷ lệ cá cược đưa ra, bạn sẽ cược cho nó. Thế nhưng chính sự cá cược đó sẽ giúp hình thành tỷ lệ. Chẳng hạn nếu như tất cả các tay cá cược đều đoán cùng một con ngựa nào đó sẽ thắng thì tỷ lệ cá cược sẽ thể hiện tiên đoán đó, và kết quả là lợi nhuận thu lại sẽ rất ít.
Thị trường chứng khoán cũng tương tự như vậy. Nếu bạn tin rằng một cổ phiếu nào đó đang được bán thấp hơn giá trị của nó và bắt đầu mua thì có nghĩa là bạn đang giúp tăng giá cổ phiếu lên, và vậy là lợi nhuận tiềm năng sẽ bị hạ xuống. Điểm này lại nhấn mạnh tầm quan trọng của giá trị kỳ vọng, một khái niệm chính trong bất kỳ một bài toán xác suất nào. Giá trị kỳ vọng hình thành quan điểm rằng lợi nhuận thu được từ hoạt động đầu tư của bạn chính là sản phẩm của xác suất của nhiều kết quả khác nhau và số tiền thu được từ mỗi kết quả.
Có lần Peter Bernstein đã nói: “Quy luật cơ bản của đầu tư chính là sự bấp bênh của tương lai”. Bài toán đặt ra cho nhà đầu tư là phải làm thế nào để quy đổi sự bấp bênh này thành xác suất và số tiền thu được nhằm tìm kiếm những cổ phiếu hấp dẫn. Để làm được điều này thì khả năng hệ thống hóa các kết luận về xác suất sẽ rất hữu dụng.
Sách: Hơn cả điều bạn biết - Michael L. Mauboussin
Tags:
Kinh nghiệm