JTự Học Cùng JunLearn Deep. Work Smart.
Tài chính🎓 CFA Level ICurriculum 2026articleVI

QM-M6-L3 Bootstrap Resampling: Khác gì Monte Carlo?

Hướng dẫn Lesson 3 Module 6 CFA Level I 2026: Kỹ thuật tái chọn mẫu Bootstrap Resampling (Lấy mẫu có hoàn lại với kích thước n), So sánh đối chiếu toàn diện giữa Bootstrap (Non-parametric) và Monte Carlo (Parametric), Ứng dụng trong ước lượng khoảng tin cậy.

16 tháng 8, 2026
Kiểm duyệt: Triệu Thị Thùy Dung
So sánh Bootstrap Resampling và Monte Carlo Simulation trong CFA Level 1 2026

Key Takeaways — Điểm cốt lõi

  • •Bootstrap: Lấy mẫu có hoàn lại (with replacement) với cùng cỡ mẫu n từ dữ liệu thực tế.
  • •Phi tham số (Non-parametric): Không cần giả định phân phối chuẩn, bảo toàn các đặc tính đuôi béo (Fat tails) và độ lệch thực tế.
  • •Khác biệt với Monte Carlo: Monte Carlo sinh dữ liệu từ phân phối lý thuyết; Bootstrap rút lại từ dữ liệu lịch sử.
  • •Giới hạn của Bootstrap: Không thể tạo ra các biến cố nằm ngoài phạm vi giá trị cực đoan đã từng xuất hiện trong quá khứ.

💡 Bài học số 3 Module 6: Xem lại Lesson 2: Monte Carlo hoặc luyện tập đề tại Practice Quiz Module 6.

1. Cơ Chế Hoạt Động Của Bootstrap Resampling

• Cho mẫu dữ liệu quan sát ban đầu gồm n phần tử: X = {x1, x2, ..., xn}.

• Rút ngẫu nhiên n phần tử có hoàn lại để tạo mẫu tái lập thứ nhất X*1. Một quan sát có thể xuất hiện nhiều lần hoặc không xuất hiện.

• Lặp lại quy trình B lần (ví dụ B = 1,000 lần) để thu được B mẫu Bootstrap.

• Tính toán thống kê quan tâm (Mean, Median, SE) trên từng mẫu để xây dựng phân phối mẫu thực nghiệm.

🔗 🧭 BẢN ĐỒ ĐIỀU HƯỚNG BÀI HỌC (INTERNAL LEARNING LINKS)

Câu hỏi thường gặp (FAQ)

Tại sao Bootstrap bắt buộc phải lấy mẫu CÓ HOÀN LẠI (with replacement)?

Nếu lấy mẫu không hoàn lại (without replacement) với cùng cỡ mẫu n, mẫu con thu được sẽ luôn trùng khớp 100% với mẫu gốc ban đầu, không tạo ra được bất kỳ sự biến thiên ngẫu nhiên nào để ước lượng sai số.