Cấu trúc yield của trái phiếu là một trong những nền tảng quan trọng trong Fixed Income. Về cơ bản, yield của một trái phiếu bao gồm nhiều thành phần bù đắp rủi ro khác nhau, trong đó ba thành phần phổ biến nhất là: default risk premium (bù đắp cho rủi ro vỡ nợ), liquidity risk premium (bù đắp cho rủi ro thanh khoản), và maturity risk premium (bù đắp cho rủi ro do kỳ hạn dài). Mỗi thành phần này chỉ lớn khi rủi ro tương ứng thực sự tồn tại trong trái phiếu đó.

Hãy hình dung bạn cho người bạn thân vay tiền trong 10 năm. Lúc này có vấn đề vì dù bạn tin tưởng người đó sẽ trả nợ đầy đủ (default risk thấp), và dù bạn biết mình có thể nhượng lại khoản nợ đó bất cứ lúc nào vì nhiều người khác cũng muốn mua vào (liquidity tốt), nhưng 10 năm là một khoảng thời gian rất dài. Lãi suất thị trường có thể biến động mạnh, lạm phát có thể leo thang, và vô số biến số vĩ mô khác có thể xảy ra. Vì vậy bạn đòi thêm một khoản bù đắp cho việc giam vốn lâu dài đó, chính là maturity risk premium.

Nên CFA chia làm ba trường hợp cần xem xét. Thứ nhất, về default risk premium: trái phiếu được xếp hạng AAA, tức mức tín nhiệm cao nhất có thể, xác suất vỡ nợ gần như bằng không. Thành phần này vì vậy rất nhỏ, không phải thành phần lớn nhất. Thứ hai, về liquidity risk premium: trái phiếu được mô tả là actively traded, nghĩa là thị trường thứ cấp sôi động, nhà đầu tư có thể bán lại dễ dàng mà không bị discount lớn. Thành phần này cũng rất nhỏ. Riêng về maturity risk premium: kỳ hạn 10 năm là dài, giá trái phiếu sẽ biến động mạnh hơn đáng kể khi lãi suất thị trường thay đổi so với trái phiếu ngắn hạn. Nhà đầu tư vì vậy đòi hỏi phần bù xứng đáng cho rủi ro kỳ hạn này.

Cốt lõi của câu này là: yield component nào lớn nhất phụ thuộc vào đặc điểm cụ thể của từng trái phiếu. AAA triệt tiêu default risk premium, actively traded triệt tiêu liquidity risk premium, chỉ còn kỳ hạn 10 năm không thể bị triệt tiêu bởi bất kỳ qualifier nào, nên maturity risk premium thống trị. Một cách nhớ nhanh: dùng bộ lọc ba câu hỏi "Có dễ vỡ nợ không?", "Có dễ bán không?", "Có kỳ hạn dài không?". Câu nào trả lời "có vấn đề" thì premium tương ứng đó lớn.

Một bẫy CFA hay hỏi là nhiều học viên thấy chữ "corporate bond" liền chọn ngay default risk premium vì liên tưởng đến rủi ro tín dụng doanh nghiệp. Nhưng keyword AAA và actively traded đã vô hiệu hóa cả hai thành phần đó. Đề bài luôn cho đủ qualifier để loại trừ, nên đọc kỹ từng đặc điểm mô tả trước khi chọn đáp án.

Descriptive Statistics là nền tảng của Quantitative Methods trong CFA, bao gồm các đại lượng đo xu hướng trung tâm như mean và median, cùng các đại lượng đo độ phân tán như range và MAD. Ý cốt yếu là mỗi đại lượng có quy trình tính xác định riêng, và sai một bước nhỏ trong việc sắp xếp hay tính toán là có thể cho ra kết quả sai hoàn toàn.

Hãy tưởng tượng bạn là quản lý một chuỗi cửa hàng quần jeans, cần báo cáo nhanh 3 chỉ số thống kê cho ban lãnh đạo từ 6 mức giá: $28, $36, $32, $30, $34, $32. Lúc này có vấn đề vì nếu bạn quên bước sắp xếp dữ liệu trước khi xác định median, con số bạn báo sẽ sai và toàn bộ phân tích mất tin cậy ngay từ đầu.

Nên CFA yêu cầu kiểm tra lần lượt 3 mệnh đề trong câu này. Thứ nhất, xác định median: sắp xếp dãy từ nhỏ đến lớn ta được $28, $30, $32, $32, $34, $36. Vì có 6 quan sát (số chẵn), median là trung bình cộng của phần tử thứ 3 và thứ 4, tức ($32 + $32) / 2 = $32, không phải $31 như đáp án B phát biểu. Đây chính là mệnh đề least accurate. Thứ hai, kiểm tra range: $36 - $28 = $8, khớp với đáp án A, nên A chính xác. Thứ ba, kiểm tra MAD: mean của dãy = ($28 + $30 + $32 + $32 + $34 + $36) / 6 = $192 / 6 = $32. Từ đó MAD = (|28-32| + |30-32| + |32-32| + |32-32| + |34-32| + |36-32|) / 6 = (4 + 2 + 0 + 0 + 2 + 4) / 6 = 2, khớp với đáp án C, nên C cũng chính xác.

Cốt lõi của bài này nằm hoàn toàn ở bước sắp xếp dữ liệu trước khi tính median: khi n chẵn, median là trung bình cộng 2 giá trị chính giữa; khi n lẻ, median là giá trị nằm đúng giữa dãy. Một cách nhớ nhanh: "Sort trước, split giữa", tức luôn sort dữ liệu rồi mới xác định vị trí.

Một bẫy CFA hay hỏi là học viên nhầm median với mode vì $32 xuất hiện 2 lần trong dãy, từ đó hoặc chọn $32 theo kiểu đoán mò, hoặc tệ hơn là lấy phần tử thứ 3 trong dãy chưa sắp xếp ($32) mà nghĩ mình đúng vì kết quả trùng hợp. Ngoài ra, cần phân biệt rõ MAD là trung bình các giá trị tuyệt đối của độ lệch so với mean, hoàn toàn khác variance (dùng bình phương) và standard deviation (căn của variance).

Hypothesis Testing cho Correlation Coefficient là kỹ thuật kiểm định xem hệ số tương quan mẫu có đủ bằng chứng thống kê để kết luận hai biến có mối quan hệ tuyến tính trong tổng thể hay không. Ý cốt yếu: ta luôn bắt đầu với giả thuyết H0 rằng không có tương quan (rho = 0), rồi dùng t-statistic để đưa ra quyết định bác bỏ hay giữ nguyên H0.

Hãy hình dung bạn là nhà phân tích cần kết luận xem lạm phát và giá vàng có thực sự đồng biến trong dài hạn không. Bạn thu thập 150 cặp số liệu và tính được correlation r = 0.1452, một con số nhỏ nhưng chưa chắc vô nghĩa. Lúc này có vấn đề vì chỉ nhìn vào r = 0.1452 thôi chưa đủ, bởi cỡ mẫu lớn như 150 quan sát có thể "khuếch đại" độ tin cậy của một tương quan yếu, và ta cần một framework thống kê để ra quyết định khách quan thay vì phán đoán cảm tính.

Nên CFA chia bài toán này thành hai bước rõ ràng. Thứ nhất, tính t-statistic theo công thức t = r × √(n - 2) / √(1 - r²). Thay số vào: t = 0.1452 × √148 / √(1 - 0.02108) = 0.1452 × 12.166 / 0.98941 ≈ 1.785. Thứ hai, so sánh |t-stat| = 1.785 với các critical value tương ứng: tại mức ý nghĩa 10%, critical value là 1.65, và 1.785 > 1.65 nên reject H0; tại mức ý nghĩa 5%, critical value là 1.96, và 1.785 < 1.96 nên fail to reject H0. Kết luận: có đủ bằng chứng ở mức 10% nhưng không đủ ở mức 5%, tương ứng đáp án (C).

Cốt lõi của dạng bài này nằm ở chỗ: mức ý nghĩa càng nhỏ, critical value càng lớn, điều kiện để reject H0 càng khắt khe. Một cách nhớ nhanh là nghĩ theo logic "khắt khe hơn thì khó reject hơn": 5% khắt khe hơn 10%, nên critical value 1.96 lớn hơn 1.65, và cùng một t-statistic hoàn toàn có thể vượt ngưỡng 10% mà vẫn không vượt được ngưỡng 5%.

Một bẫy CFA hay hỏi là học viên nhầm chiều quan hệ giữa mức ý nghĩa và critical value, tưởng rằng mức 5% dễ reject hơn vì con số 5% nhỏ hơn 10%. Thực ra ngược lại hoàn toàn: 5% nghĩa là ta chỉ chấp nhận sai lầm loại I trong 5 trên 100 lần, tức chuẩn mực cao hơn, critical value cao hơn, và khó reject hơn. Nếu đề cho t-stat rơi vào vùng nằm giữa hai critical value như bài này, đáp án gần như chắc chắn là dạng "reject ở mức rộng hơn nhưng không reject ở mức chặt hơn."

Monte Carlo Simulation là một phương pháp định lượng mạnh mẽ, cho phép mô phỏng hàng nghìn kịch bản ngẫu nhiên dựa trên các tham số đầu vào để ước tính phân phối kết quả của một biến số tài chính. Ý cốt yếu cần nắm là: Monte Carlo linh hoạt về nguồn dữ liệu đầu vào và phù hợp với các chứng khoán phức tạp, nhưng chất lượng kết quả hoàn toàn phụ thuộc vào độ chính xác của các tham số được lập trình vào mô hình.

Lúc này hãy hình dung một kịch bản đời thường: bạn đang dùng GPS để lập lộ trình từ Hà Nội vào TP.HCM. GPS có thể tính ra hàng triệu tổ hợp đường đi khác nhau, nhưng nếu bạn nhập sai tốc độ giới hạn, sai tình trạng kẹt xe, hay sai điểm xuất phát thì kết quả đầu ra dù rất chi tiết cũng hoàn toàn vô nghĩa. Lúc này có vấn đề vì chính các tham số sai lệch đó làm toàn bộ mô phỏng mất đi độ tin cậy, dù công cụ bản thân không có lỗi gì.

Nên CFA chia làm ba điểm cần làm rõ trong câu này. Thứ nhất, đáp án (B) đúng vì misspecification of parameters là một limitation thực sự của Monte Carlo: nếu analyst giả định sai về distribution, volatility, hay correlation của các biến số đầu vào, outputs sẽ bị lệch một cách có hệ thống. Thứ hai, đáp án (A) sai vì Monte Carlo không bị giới hạn bởi historical data. Analyst hoàn toàn có thể tự xây dựng các giả định về tương lai, ví dụ giả định một mức volatility cao hơn lịch sử để stress-test danh mục. Thứ ba, đáp án (C) sai theo chiều ngược lại: Monte Carlo thực ra đặc biệt phù hợp để định giá complex securities, bao gồm các trái phiếu có embedded options hay các sản phẩm phái sinh có path-dependent payoff, vì nó có thể mô phỏng nhiều path giá khác nhau mà các phương pháp closed-form không xử lý được.

Cốt lõi của câu này là nguyên tắc "garbage in, garbage out": Monte Carlo mạnh về khả năng ứng dụng nhưng yếu ở chỗ hoàn toàn phụ thuộc vào chất lượng tham số đầu vào. Một cách nhớ nhanh: Monte Carlo thì "C" là Complex securities thì OK, "C" cũng là Cannot escape bad inputs, tức là Calibration risk luôn tồn tại.

Một bẫy CFA hay hỏi là đề gài phát biểu rằng Monte Carlo chỉ dùng được với historical data, khiến học viên nhầm tưởng đây là giới hạn. Thực ra đây là điểm mạnh, không phải yếu điểm. Limitation duy nhất trong ba đáp án là misspecification, vì nó xuất phát từ chính judgment của người dùng, không phải từ bản chất kỹ thuật của phương pháp.

Coefficient of Determination (R²) là một trong những thống kê quan trọng nhất trong phân tích hồi quy tuyến tính đơn giản. Ý cốt yếu của nó rất đơn giản: R² đo lường bao nhiêu phần trăm sự biến động của biến phụ thuộc (dependent variable) được giải thích bởi sự biến động của biến độc lập (independent variable). Giá trị R² nằm trong khoảng từ 0 đến 1, và thường được trình bày dưới dạng phần trăm.

Hãy tưởng tượng bạn đang cố gắng dự đoán doanh thu hàng tháng của một chuỗi cửa hàng dựa trên chi phí quảng cáo. Bạn chạy hồi quy và thu được R² = 0.75. Lúc này có vấn đề nếu bạn nhầm lẫn con số này với bất kỳ thứ gì khác ngoài ý nghĩa thực sự của nó: 75% sự biến động trong doanh thu được giải thích bởi chi phí quảng cáo, còn 25% còn lại đến từ các yếu tố khác mà model chưa nắm bắt được.

Nên CFA chia làm ba thống kê dễ bị nhầm lẫn trong hồi quy. Thứ nhất, R² (coefficient of determination) đo lường tỷ lệ phần trăm variation được giải thích, tính bằng cách lấy RSS chia cho TSS, hoặc đơn giản hơn trong simple linear regression, R² chính là bình phương của correlation coefficient r. Thứ hai, Standard Error of Estimate (SEE) mới là thống kê đo lường độ lệch chuẩn của các phần dư (residuals), tức là mức độ các điểm thực tế phân tán xung quanh đường hồi quy. SEE và R² đi ngược chiều nhau: SEE càng nhỏ thì model càng khớp, R² càng lớn. Thứ ba, F-statistic mới là công cụ dùng để kiểm định ý nghĩa thống kê của slope coefficient, không phải R².

Cốt lõi: R² trả lời câu hỏi "model giải thích được bao nhiêu?", SEE trả lời "sai số điển hình là bao nhiêu?", và F-statistic trả lời "slope coefficient có khác 0 một cách có ý nghĩa thống kê không?". Một cách nhớ nhanh: R² = "Ratio explained", SEE = "Size of Errors", F = "Fit significance test". Ba chữ cái R, S, F tương ứng với ba câu hỏi hoàn toàn khác nhau.

Một bẫy CFA hay hỏi là đánh đồng R² cao với model tốt hoàn toàn: R² = 0.90 nghe rất ấn tượng, nhưng nếu SEE vẫn lớn so với scale của biến phụ thuộc, hoặc nếu F-test không có ý nghĩa thống kê, thì model vẫn có thể không đáng tin cậy để dự báo. Ngoài ra, đề hay cho lựa chọn "standard deviation of residuals" để dụ bạn nhầm SEE với R², đây chính xác là bẫy trong câu hỏi này.

Covariance và Joint Probability Function là hai khái niệm nền tảng trong thống kê đầu tư CFA Level 1. Ý cốt yếu là: khi bạn đã có một joint probability function đầy đủ cho hai tài sản, toàn bộ thông tin cần thiết để tính covariance đã nằm trọn vẹn bên trong đó, không cần bổ sung bất cứ dữ liệu nào khác.

Hãy tưởng tượng bạn theo dõi hai cổ phiếu A và B trong ba kịch bản thị trường: tăng mạnh, đi ngang, và giảm. Lúc này, bảng joint probability cho bạn biết xác suất xảy ra của từng cặp kịch bản cụ thể, ví dụ xác suất 0.2 cho trường hợp A đạt 10% và B đạt 20% đồng thời. Lúc này có vấn đề vì nếu chỉ biết xác suất riêng lẻ của từng tài sản, bạn không thể nắm được mối quan hệ đồng biến hay nghịch biến giữa chúng. Nhưng joint probability thì khác, nó mã hóa đồng thời cả phân phối lẫn mối liên hệ đó trong một bảng duy nhất.

Nên CFA chia làm hai trường hợp cần phân biệt rõ. Thứ nhất, để tính covariance giữa hai tài sản, bạn chỉ cần joint probability function. Công thức là: Cov(R\_A, R\_B) bằng tổng của P(R\_Ai, R\_Bi) nhân [R\_Ai - E(R\_A)] nhân [R\_Bi - E(R\_B)] qua tất cả các kịch bản. Cả E(R\_A) lẫn E(R\_B) đều suy ra trực tiếp từ các xác suất và giá trị return trong bảng đó, không cần thêm gì ngoài bảng. Thứ hai, nếu bạn muốn đi xa hơn, tức là tính expected return hay variance của một portfolio gồm hai tài sản này, thì lúc đó bạn mới cần biết thêm weights của từng tài sản trong danh mục. Đây chính là ranh giới tinh tế mà câu hỏi đang kiểm tra.

Cốt lõi: joint probability function là một self-contained package, nó tự mang theo xác suất, return, và cấu trúc phụ thuộc giữa hai biến. Variance của từng tài sản riêng lẻ cũng tính ra được từ bảng đó, nên đáp án C sai. Weights không liên quan đến covariance mà chỉ liên quan đến portfolio calculation, nên đáp án B sai. Một cách nhớ nhanh: nghĩ joint probability như "hộp tự đủ" cho covariance, còn portfolio variance như "hộp cần thêm tỷ lệ pha trộn".

Một bẫy CFA hay hỏi là nhầm lẫn giữa hai bài toán: "tính covariance của hai tài sản" và "tính variance của portfolio gồm hai tài sản đó". Câu đầu chỉ cần joint probability. Câu sau bắt buộc cần thêm portfolio weights. Đề thường thay đổi từ ngữ rất tinh tế ở cuối câu hỏi, nên đọc kỹ bài đang hỏi về covariance hay về portfolio trước khi chọn đáp án.

Sustainable Growth Rate là một trong những công thức nền tảng trong định giá cổ phiếu, phát biểu rằng tốc độ tăng trưởng bền vững của một công ty bằng ROE nhân với tỷ lệ lợi nhuận giữ lại. Kết hợp với công cụ Expected Value từ Quantitative Methods, bài toán yêu cầu học viên tính growth rate cho từng kịch bản kinh tế, rồi lấy trung bình có trọng số theo xác suất.

Lúc này hãy hình dung bạn đang quản lý một cửa hàng tạp hóa. Mỗi năm cửa hàng lãi được một khoản, nhưng bạn chỉ giữ lại 50% để tái đầu tư mở rộng, phần còn lại trả về cho chủ. Tốc độ lớn lên của cửa hàng phụ thuộc vào cả hai yếu tố: cửa hàng lãi bao nhiêu phần trăm trên vốn, và bạn tái đầu tư bao nhiêu. Lúc này có vấn đề vì nền kinh tế không chắc chắn, cửa hàng có thể lãi 10%, 15%, hoặc 30% tùy kịch bản, nên không thể dùng một con số ROE duy nhất mà phải tính expected value trên growth rate.

Nên CFA chia làm hai bước xử lý. Thứ nhất, tính growth rate từng kịch bản bằng g = ROE × b, với b là retention rate = 1 - payout ratio = 1 - 50% = 50%. Kịch bản recession: g = 10% × 0.5 = 5%. Kịch bản normal: g = 15% × 0.5 = 7.5%. Kịch bản boom: g = 30% × 0.5 = 15%. Thứ hai, tính expected growth rate bằng cách nhân mỗi g với xác suất rồi cộng lại: E(g) = 0.3 × 5% + 0.4 × 7.5% + 0.3 × 15% = 1.5% + 3% + 4.5% = 9%.

Cốt lõi của bài này là công thức g = ROE × b phải được áp dụng trước khi tính expected value. Hai bước này có thể hoán đổi thứ tự mà kết quả không đổi do tính tuyến tính của kỳ vọng, nhưng hiểu đúng cấu trúc logic giúp học viên không bỏ sót nhân tử b. Một cách nhớ nhanh: "Grow bằng Return nhân Giữ lại", tức g = ROE × b.

Một bẫy CFA hay hỏi là bỏ qua bước nhân retention rate, tính thẳng E(ROE) = 0.3 × 10% + 0.4 × 15% + 0.3 × 30% = 18% rồi chọn đáp án C. Đây chính xác là vi phạm logic tính growth rate: ROE là lợi nhuận trên vốn chủ, nhưng chỉ phần lợi nhuận giữ lại mới tạo ra tăng trưởng. Nếu toàn bộ lợi nhuận được trả cổ tức, growth rate sẽ là 0 bất kể ROE cao đến đâu.

Skewness là đại lượng đo mức độ bất đối xứng của một phân phối xác suất so với phân phối chuẩn đối xứng. Ý cốt yếu cần nắm là: khi phân phối lệch, ba đại lượng mode, median và mean sẽ không còn trùng nhau nữa, và thứ tự của chúng phụ thuộc vào hướng lệch, tức là chiều của "đuôi" phân phối.

Hình dung một scenario như sau: trong một công ty startup có 100 nhân viên, phần lớn nhân viên nhận lương từ 15 đến 25 triệu đồng mỗi tháng, nhưng có 3 đến 4 lãnh đạo cấp cao nhận lương 200 đến 300 triệu đồng. Lúc này có vấn đề vì những mức lương cực cao ở đầu phải kéo giá trị trung bình lên rất cao, trong khi phần lớn nhân viên vẫn nhận mức lương thấp hơn mức trung bình đó. Phân phối lương trong trường hợp này là positively skewed, tức là đuôi kéo dài về bên phải.

Nên CFA chia làm 2 trường hợp. Thứ nhất, với positive skew (đuôi dài về bên phải), thứ tự là mode nhỏ nhất, rồi đến median, rồi đến mean lớn nhất, tức là mode < median < mean. Mean bị kéo về phía đuôi bởi các giá trị cực lớn, trong khi mode nằm ở đỉnh của phần lớn dữ liệu, còn median đứng ở giữa hai phía. Thứ hai, với negative skew (đuôi dài về bên trái), chiều ngược lại xảy ra: mean nhỏ nhất vì bị kéo về phía các giá trị cực nhỏ, rồi đến median, rồi đến mode lớn nhất, tức là mean < median < mode.

Cốt lõi cần ghi nhớ: mean luôn "chạy về phía đuôi dài" của phân phối vì mean nhạy cảm với outlier nhất trong ba đại lượng, trong khi mode nằm ở đỉnh tập trung nhất và median đứng giữa. Một cách nhớ nhanh là dùng quy tắc "tail points to mean": đuôi phân phối chỉ về phía nào thì mean nằm ở phía đó, xa nhất so với mode.

Một bẫy CFA hay hỏi là đưa ra đáp án nhầm thứ tự mode và median cho positive skew, cụ thể là đáp án (A) trong câu này ghi "mode < mean < median", tức là mode nhỏ nhất nhưng median lại lớn hơn mean, điều đó vi phạm logic vì mean mới là đại lượng bị kéo xa nhất về phía đuôi phải. Học viên cần nhớ chắc: với positive skew, thứ tự đúng là mode < median < mean, không bao giờ là mode < mean < median.

Hypothesis Testing là công cụ thống kê dùng để kiểm định xem một giả thuyết về tham số tổng thể có được ủng hộ bởi dữ liệu mẫu hay không. Trong CFA, concept cốt yếu là phân biệt one-tailed test với two-tailed test, vì lựa chọn sai sẽ kéo theo critical value sai và kết luận hoàn toàn ngược chiều.

Hãy hình dung một fund manager muốn chứng minh chiến lược đầu tư của mình thực sự sinh lời vượt trội, không chỉ là hòa vốn hay lỗ. Anh ta không quan tâm đến khả năng returns âm mà chỉ muốn biết: "Abnormal returns có dương không?" Lúc này mục tiêu kiểm định chỉ có một chiều duy nhất, không phải hai chiều, nên đây là one-tailed test. Lúc này có vấn đề vì nếu anh ta nhầm sang two-tailed test, critical value sẽ bị nới rộng không cần thiết, khiến anh ta bỏ lỡ kết quả có ý nghĩa thống kê thực sự.

Nên CFA chia rõ ràng hai bước xử lý. Thứ nhất, xác định dạng test: H0 là mean abnormal return ≤ 0, H1 là mean abnormal return > 0, đây là one-tailed test chiều phải. Với n = 60 tháng, cỡ mẫu đủ lớn để dùng z-statistic, critical value là 1.645 tại mức ý nghĩa 5% và 1.96 tại mức ý nghĩa 2.5%. Thứ hai, tính test statistic theo công thức z = (x̄ - μ0) / (s / √n), cụ thể: z = 0.011 / (0.0475 / √60) = 0.011 / 0.00613 ≈ 1.79. So sánh: 1.79 > 1.645 nên reject H0 tại 5%, nhưng 1.79 < 1.96 nên không reject H0 tại 2.5%. Kết luận là đáp án C.

Cốt lõi của bài này nằm ở việc ghi nhớ critical value chuẩn cho one-tailed test: 1.645 ứng với α = 5%, và 1.96 ứng với α = 2.5%. Hai con số này dễ nhầm vì 1.96 thường được nhắc đến trong two-tailed test ở mức 5% tổng cộng. Một cách nhớ nhanh: "one-tail 5% dùng 1.645, one-tail 2.5% mới cần 1.96", nghĩa là two-tail 5% cũng dùng 1.96 vì nó phân bổ 2.5% cho mỗi đuôi, hai khái niệm vô tình trùng nhau.

Một bẫy CFA hay hỏi là đề cố tình không nói rõ one-tail hay two-tail, nhưng hễ câu hỏi hỏi liệu returns có "positive", "greater than zero" hay "exceed a threshold" thì luôn là one-tailed test. Học viên nào thấy từ "positive" mà tự động dùng critical value 1.96 của two-tailed 5% sẽ tính ra test statistic 1.79 < 1.96 rồi kết luận không reject ở cả hai mức, chọn nhầm đáp án B.

Jackknife Resampling là một kỹ thuật trong nhóm resampling methods, cho phép ước lượng standard error của sample mean mà không cần giả định phân phối cụ thể của tổng thể. Ý cốt yếu của nó nằm ở cách tạo ra nhiều sub-sample bằng cách loại bỏ có hệ thống từng observation một, từ đó quan sát sự biến động của sample mean qua các lần tính.

Hãy hình dung anh có một nhóm 10 học viên, và muốn biết điểm trung bình của nhóm "đại diện" đến mức nào nếu thiếu đi bất kỳ một người. Anh lần lượt loại học viên số 1 ra, tính mean của 9 người còn lại, rồi loại học viên số 2, tính mean của 9 người khác, và cứ thế tiếp tục đến hết 10 người. Lúc này, anh có 10 giá trị mean khác nhau. Lúc này có vấn đề vì nếu anh chỉ dùng một sample mean duy nhất, anh không thể đo được sự dao động của nó, tức là không có cách nào ước lượng standard error mà không cần thêm giả định. Jackknife giải quyết chính xác vấn đề đó bằng cách tạo ra sự biến động nhân tạo từ chính dữ liệu hiện có.

Nên CFA chia kỹ thuật này ra làm 2 bước rõ ràng. Thứ nhất, với mỗi lần lặp, chỉ loại bỏ đúng một observation khỏi sample gốc có n quan sát, tạo thành một sub-sample kích thước n-1, rồi tính mean của sub-sample đó. Thứ hai, sau khi đã có n giá trị mean từ n sub-sample, tính standard deviation của tập hợp n giá trị mean này, và chính số đó là ước lượng cho standard error của sample mean. Không loại hai, không loại zero, chỉ loại đúng một mỗi lần.

Cốt lõi của jackknife nằm ở con số "một": mỗi sub-sample chỉ khác sample gốc đúng một quan sát, đảm bảo rằng mỗi giá trị mean tính ra vẫn dựa trên gần như toàn bộ dữ liệu, tránh mất mát thông tin quá lớn. Một cách nhớ nhanh: "Jack nhảy ra một mình", tức là mỗi lần chỉ có đúng một observation bị "đẩy ra ngoài" khỏi sample.

Một bẫy CFA hay hỏi là nhầm jackknife với bootstrap. Bootstrap thì lấy mẫu ngẫu nhiên có hoàn lại nhiều lần với kích thước bằng sample gốc, còn jackknife thì loại tuần tự từng observation một mà không có yếu tố ngẫu nhiên nào. Nếu đề hỏi về "remove observations" thì chắc chắn là jackknife, còn "random sampling with replacement" là dấu hiệu của bootstrap.

Shortfall Risk là một trong những khái niệm đo lường rủi ro quan trọng trong Quantitative Methods của CFA Level 1, với ý cốt yếu rất đơn giản: đây là xác suất mà return của portfolio sẽ thấp hơn một mức target cụ thể do nhà đầu tư hoặc quản lý quỹ tự đặt ra, không phải một benchmark bên ngoài hay risk-free rate.

Để hình dung rõ hơn, hãy tưởng tượng một nhà đầu tư đang tích lũy tiền hưu trí và cần portfolio tăng trưởng ít nhất 5% mỗi năm để đáp ứng chi phí sinh hoạt sau khi nghỉ hưu. Lúc này có vấn đề vì dù thị trường đang có risk-free rate là 3% hay benchmark quỹ tương đương đang đạt 6%, điều duy nhất người này quan tâm là liệu portfolio của mình có đạt đúng mức 5% mục tiêu hay không. Mọi kết quả dưới ngưỡng đó đều bị coi là "shortfall", tức là thất bại so với kế hoạch cá nhân.

Nên CFA phân biệt rõ ba khái niệm dễ nhầm lẫn. Thứ nhất, shortfall risk dùng target return do nhà đầu tư tự định nghĩa, ngưỡng này hoàn toàn mang tính chủ quan và phụ thuộc vào mục tiêu tài chính cụ thể của từng người. Thứ hai, risk-free rate và benchmark portfolio là các mốc tham chiếu thị trường mang tính khách quan, được dùng trong các phép đo rủi ro khác như Sharpe Ratio hay Information Ratio, nhưng không phải định nghĩa của shortfall risk. Việc nhầm lẫn giữa ba loại này là nguyên nhân chính dẫn đến chọn sai đáp án trong đề thi.

Cốt lõi của shortfall risk nằm ở chữ "target": đây luôn là một ngưỡng return tùy chỉnh, không cố định theo thị trường. Khái niệm này là nền tảng trực tiếp cho Roy's Safety-First Criterion, trong đó nhà đầu tư tối thiểu hóa shortfall risk bằng cách chọn portfolio có xác suất thấp nhất để return rơi xuống dưới threshold đã đặt. Một cách nhớ nhanh: "shortfall" nghĩa là "hụt so với đích", mà "đích" ở đây do chính nhà đầu tư vạch ra, không phải do thị trường hay Fed quyết định.

Một bẫy CFA hay hỏi là đặt đáp án "risk-free rate" hoặc "benchmark portfolio" nghe rất hợp lý vì cả hai đều là các điểm tham chiếu phổ biến trong quản lý danh mục. Tuy nhiên, định nghĩa chính xác của shortfall risk không gắn với bất kỳ mốc thị trường nào, mà chỉ gắn với particular target return, một con số do yêu cầu tài chính của nhà đầu tư xác định. Khi thấy từ "shortfall risk", hãy lập tức nghĩ đến "target return cá nhân", không phải benchmark hay lãi suất phi rủi ro.

Paired Comparisons Test là phương pháp kiểm định dùng khi hai mẫu quan sát không độc lập với nhau. Ý cốt yếu là: trước khi chọn loại test, phải xét xem hai mẫu có tương quan hay không, chứ không chỉ dựa vào kích thước mẫu hay giả thiết về variance.

Hãy tưởng tượng bạn muốn so sánh doanh thu của hai quán cà phê nằm trên cùng một con phố trong 60 tháng. Khi giá nguyên liệu tăng, cả hai cùng bị ảnh hưởng. Khi kinh tế suy thoái, lượng khách của cả hai đều giảm. Lúc này có vấn đề vì nếu dùng phương pháp kiểm định cho hai mẫu độc lập, ta đã bỏ qua phần correlation chung đó, khiến kết quả bị sai lệch và mất đi sức mạnh của kiểm định.

Nên CFA chia làm 2 trường hợp. Thứ nhất, nếu hai mẫu độc lập với nhau và variance bằng nhau, ta dùng independent two-sample t-test với pooled variance, test statistic được tính từ hiệu của hai mean chia cho pooled standard error. Đây là bản chất của đáp án (A), nhưng không phù hợp ở đây vì hai cổ phiếu dầu mỏ cùng phản ứng với các yếu tố chung như giá dầu và kỳ vọng tăng trưởng kinh tế, tức là returns của chúng không độc lập. Thứ hai, khi hai mẫu có tương quan, ta dùng paired comparisons test. Thay vì so sánh hai mean riêng lẻ, ta tính hiệu của từng cặp quan sát trong cùng một tháng, rồi kiểm định xem mean của các hiệu đó có bằng 0 không. Test statistic là trung bình của các hiệu chia cho standard error của mean hiệu, tức là d̄ / (s_d / √n). Đây chính là đáp án (B): the average of the differences chia cho standard deviation of the differences.

Cốt lõi là tính độc lập của hai mẫu quyết định phương pháp: độc lập thì dùng pooled t-test, có tương quan thì dùng paired t-test. Một cách nhớ nhanh là "paired = same pair, same time": mỗi cặp quan sát được đo tại cùng một thời điểm, chia sẻ cùng điều kiện thị trường, nên không thể được coi là độc lập.

Một bẫy CFA hay hỏi là đề cho sẵn thông tin "variance of monthly returns is equal for the two stocks" để dụ học viên chọn pooled variance theo đáp án (A). Thông tin về equal variance chỉ liên quan đến việc chọn pooled hay separate variance trong independent samples test, nhưng khi hai mẫu đã không độc lập, toàn bộ framework đó không còn áp dụng. Phải nhận ra mối tương quan của hai mẫu trước, sau đó mới xét variance.

Bayes' Formula là công cụ cốt lõi trong xác suất thống kê cho phép ta cập nhật một xác suất ban đầu khi có thêm thông tin mới. Ý cốt yếu là: thay vì hỏi "xác suất A khi biết B là bao nhiêu?" theo chiều thuận, Bayes cho phép ta lật ngược lại, tức là tính P(A|B) từ P(B|A) đã biết. Trong CFA, công thức này thường xuất hiện khi bài cho xác suất có điều kiện theo một chiều và yêu cầu tính ngược lại theo chiều kia.

Lúc này hãy hình dung một tình huống đời thường: bạn biết rằng 45% công ty trong ngành có EPS tăng mạnh, và trong số đó, 70% sẽ tăng cổ tức. Nhưng giờ bạn chỉ nhìn thấy một công ty vừa thông báo tăng cổ tức, và bạn muốn biết ngược lại: khả năng công ty này thuộc nhóm EPS tăng mạnh là bao nhiêu? Lúc này có vấn đề vì thông tin bạn có là "tăng cổ tức" nhưng xác suất bạn cần lại là "EPS tăng trên 10%", tức là chiều ngược lại so với dữ liệu gốc.

Nên CFA chia bài toán làm hai trường hợp để tính tổng xác suất tăng cổ tức. Thứ nhất, nhóm công ty có EPS tăng trên 10%: xác suất xảy ra đồng thời là 0.45 nhân 0.70, bằng 0.315. Thứ hai, nhóm công ty không có EPS tăng trên 10%: xác suất xảy ra đồng thời là 0.55 nhân 0.30, bằng 0.165. Tổng xác suất một công ty tăng cổ tức, theo Total Probability Rule, là 0.315 cộng 0.165, bằng 0.480. Áp dụng Bayes: P(EPS > 10% | tăng cổ tức) bằng 0.315 chia 0.480, ra 0.656, tức khoảng 66%, khớp đáp án C.

Cốt lõi của dạng bài này là luôn tính tử số trước (xác suất đồng thời của nhánh bạn quan tâm), rồi chia cho tổng xác suất của sự kiện điều kiện (bao gồm tất cả các nhánh dẫn đến sự kiện đó). Một cách nhớ nhanh là hình dung một cái cây xác suất hai nhánh: tính diện tích nhánh mình cần, rồi chia cho tổng diện tích tất cả các nhánh cùng đến đích.

Một bẫy CFA hay hỏi là thí sinh nhầm P(tăng cổ tức | EPS > 10%) với P(EPS > 10% | tăng cổ tức), tức là dùng thẳng 70% làm đáp án mà không áp dụng Bayes. Ngoài ra, nhiều người quên tính nhánh thứ hai (0.55 nhân 0.30), dẫn đến mẫu số sai và cho ra kết quả gần 100%, đây là dấu hiệu rõ ràng nhất để nhận biết mình đã bỏ sót bước Total Probability Rule.