Luận văn thạc sĩ Vận dụng mô hình Arma - Garch trong dự báo chỉ số Vnidex (full)

- Phạm vi nghiên cứu Nội dung: đề tài chỉ dựa vào dữ liệu chuỗi thời gian tài chính trong quá khứ của chỉ số Vnindex để xây dựng mô hình thích hợp nhằm dự báo chỉ số Vnindex trong ngắn

BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC ĐÀ NẴNG

BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC ĐÀ NẴNG

LUẬN VĂN THẠC SĨ QUẢN TRỊ KINH DOANH

Người hướng dẫn khoa học: PGS.TS VÕ THỊ THÚY ANH

Đà Nẵng - Năm 2014

LỜI CAM ĐOAN

Tôi cam đoan đây là công trình nghiên cứu của riêng tôi

Các số liệu, kết quả nêu trong luận văn là trung thực và chưa được ai công bố trong bất kỳ công trình nào khác

Tác giả luận văn

PHẠM THỊ THÙY LIÊN

MỤC LỤC

MỞ ĐẦU 1

1 Tính cấp thiết của đề tài 1

2 Mục tiêu nghiên cứu 1

3 Đối tượng và phạm vi nghiên cứu 2

4 Phương pháp nghiên cứu 3

5 Bố cục đề tài 3

6 Tổng quan tài liệu 3

CHƯƠNG 1: CƠ SỞ LÝ LUẬN VỀ MÔ HÌNH ARMA – GARCH TRONG DỰ BÁO CHUỖI THỜI GIAN 8

1.1 KHÁI QUÁT VỀ THỊ TRƯỜNG CHỨNG KHOÁN 8

1.1.1 Chứng khoán 8

1.1.2 Thị trường chứng khoán 9

1.2 KHÁI NIỆM VỀ CHỈ SỐ VNINDEX, TỶ SUẤT LỢI TỨC CỦA THÌ TRƯỜNG 12

1.2.1 Chỉ số VnIndex 12

1.2.2 Tỷ suất sinh lợi của thị trường 13

1.3 DỮ LIỆU CHUỖI THỜI GIAN TÀI CHÍNH 13

1.2.1 Khái niệm chuỗi thời gian tài chính 13

1.3.2 Thành phần xu hướng dài hạn 14

1.3.3 Thành phần mùa 14

1.3.4 Thành phần chu kỳ 15

1.3.5 Thành phần bất thường 15

1.4 MÔ HÌNH TỰ HỒI QUY VÀ TRUNG BÌNH TRƯỢT (ARMA) 16

1.4.1 Hàm tự tương quan 16

1.4.2 Tính dừng của chuỗi thời gian 18

1.4.3 Kiểm định tính dừng 20

1.4.4 Mô hình tự hồi quy AR(p) 22

1.4.5 Mô hình trung bình trượt MA(q) 24

1.4.6 Mô hình tự hồi quy và trung bình trượt ARMA(p,q) 25

1.5 MÔ HÌNH TỔNG QUÁT TỰ ĐIỀU CHỈNH PHƯƠNG SAI CÓ ĐIỀU KIỆN KHÁC NHAU (MÔ HÌNH GARCH) 26

1.5.1 Mô hình tự hồi quy với phương sai có điều kiện khác nhau ARCH 26

1.5.2 Mô hình tổng quát tự điều chỉnh phương sai có điều kiện khác nhau GARCH 27

1.6 NGUYÊN LÝ BOX-JENKIN 30

KẾT LUẬN CHƯƠNG 1 32

CHƯƠNG 2: THIẾT KẾ NGHIÊN CỨU 33

2.1 THU THẬP VÀ XỬ LÝ SỐ LIỆU 33

2.1.1 Thu thập số liệu 33

2.1.2 Xử lý số liệu 33

2.2 KIỂM ĐỊNH TÍNH DỪNG 34

2.3 VẬN DỤNG NGUYÊN LÝ BOX-JENKIN TRONG ƯỚC LƯỢNG VÀ KIỂM ĐỊNH MÔ HÌNH 35

2.3.1 Nhận diện mô hình 35

2.3.2 Ước lượng các thông số của mô hình ARMA(p,q) 36

2.3.3 Kiểm tra chuẩn đoán mô hình 36

2.3.4 Dự báo 41

KẾT LUẬN CHƯƠNG 2 42

CHƯƠNG 3: KẾT QUẢ DỰ BÁO CHỈ SỐ VNINDEX VÀ CÁC KHUYẾN NGHỊ ĐỐI VỚI NHÀ ĐẦU TƯ VÀ NHÀ HOẠCH ĐỊNH CHÍNH SÁCH TRONG ĐẦU TƯ VÀ SỬ DỤNG MÔ HÌNH 44

3.1 KHÁI QUÁT VỀ SỰ BIẾN ĐỘNG CỦA CHỈ SỐ VNINDEX GIAI

ĐOẠN 01/01/2007 ĐẾN NAY 44

3.2 KẾT QUẢ THU THẬP VÀ XỬ LÝ SỐ LIỆU 59

3.3 KẾT QUẢ KIỂM ĐỊNH TÍNH DỪNG 60

3.4 KẾT QUẢ VẬN DỤNG NGUYÊN LÝ BOX-JENKIN TRONG ƯỚC LƯỢNG VÀ KIỂM ĐỊNH MÔ HÌNH 61

3.4.1 Kết quả vận dụng nguyên lý Box- Jenkin trong ước lượng 61

3.4.2 Kiểm định mô hình 65

3.5 KIỂM ĐỊNH CHOW 65

3.6 KẾT QUẢ DỰ BÁO 67

3.6.1 Tỷ suất lợi tức và chỉ số VnIndex 67

3.6.2 Phương sai sai số có điều kiện (rủi ro) 73

3.6.3 Kết quả dự báo mở rộng 74

3.7 CÁC KHUYẾN NGHỊ 76

3.7.1 Chính phủ 76

3.7.2 Nhà đầu tư 76

3.8 MỘT SỐ LƯU Ý KHI SỬ DỤNG MÔ HÌNH DỰ BÁO 77

KẾT LUẬN CHƯƠNG 3 79

KẾT LUẬN 81 DANH MỤC TÀI LIỆU THAM KHẢO

QUYẾT ĐỊNH GIAO ĐỀ TÀ LUẬN VĂN (Bản sao)

PHỤ LỤC

DANH MỤC CÁC TỪ VIẾT TẮT

ARMA : Autogressive moving average (mô hình tự hồi quy và trung

bình trượt)

GARCH : Generalised Autoregressive Conditional Heteroskedasticity

(mô hình tổng quát tự điều chỉnh phương sai có điều kiện khác nhau)

NĐT : Nhà đầu tư

TTCK : Thị trường chứng khoán

UBCKNN: Ủy Ban chứng khoán Nhà Nước

DANH MỤC CÁC BẢNG

Số hiệu

1.1 Bảng phân phối xác suất tau statistic (τ) 22

3.2 Kiểm định LM của Breusch-Godfrey mô hình MA(1) 62

3.3 Kiểm định LM của Breusch-Godfrey mô hình

3.5 Ước lượng thông số của mô hình ARMA(0,1) theo

1.7 Chỉ số giá cổ phiếu DHG từ ngày 4/1/2010-29/3/2013-

1.8 Tỷ suất sinh lời cổ phiếu DHG từ ngày

4/1/2010-29/3/2013- chuỗi dừng 20 1.9 Minh họa giản đồ tương quan của một không chuỗi dừng 21 1.10 Minh họa giản đồ tương quan của một chuỗi dừng 22 3.1 Biến động chỉ số VnIndex từ 01/01/2007 đến nay 45 3.2 Chuỗi lợi tức của VNINDEX 60 3.3 Đồ thị hàm mật độ và kiểm định Jargue-Bera 61 3.4 Kiểm định tự tương quan 62 3.5 Lạm phát và VnIndex năm 2008 70 3.6 Lãi suất và VnIndex năm 2007-2010 71 3.7 Tỷ giá và VnIndex năm 2008-2010 71 3.8 Biến động chỉ số VnIndex với các chính sách 73 3.9 Kết quả dự báo chỉ số VnIndex và chỉ số VnIndex thực tế 75 3.10 Dự báo phương sai sai số có điều kiện 76

1

MỞ ĐẦU

1 Tính cấp thiết của đề tài

Trải qua 13 năm, một chặng đường không phải là dài đối với lịch sử thị trường chứng khoán Việt Nam nếu như đem so sánh với các thị trường chứng khoán tiên tiến khác Tuy nhiên, thị trường chứng khoán Việt Nam đã trải qua những thăng trầm như: tăng tốc, tăng trưởng bong bóng, lao dốc không phanh, khủng hoảng, sideway Suốt chiều dài lịch sử phát triển của thị trường chứng khoán, các nhà làm chính sách, tổ chức tư vấn và nhà đầu tư luôn cố gắng dự báo sự biến động của thị trường thông qua chỉ số Vnindex nhưng các nhân tố tác động vào thị trường Việt Nam rất đa dạng và biến đổi khó lường Bên cạnh đó, yếu tố hành vi chi phối phần lớn biến động thị trường và sự biến động này tương đối phức tạp hơn so với thị trường thế giới Việc phân tích và

dự báo sự biến động của thị trường dựa vào kiểm soát mối tương quan giữa các biến kinh tế vĩ mô và biến động thị trường dường như không mấy hiệu quả và thường tạo ra kết quả sai lệch so với thực tế Nên việc dự báo về tài chính ngày càng được nhiều người quan tâm trong bối cảnh phát triển kinh tế

xã hội Một công cụ hữu ích được các nhà nghiên cứu kinh tế thế giới áp dụng trong dự báo chuỗi giá chứng khoán đó là sự kết hợp mô hình ARMA - GARCH Chính vì vậy, qua quá trình nghiên cứu và được sự hướng dẫn của

PGS.TS.Võ Thị Thúy Anh tôi đã lựa chọn đề tài: “Vận dụng mô hình ARMA

– GARCH trong dự báo chỉ số Vnindex” nhằm xây dựng mô hình dự báo

hiệu quả để dự báo tốt nhất xu hướng vận động của chỉ số Vnindex trong giai đoạn hiện nay Qua đó, đưa ra một số kiến nghị cho nhà đầu tư và những nhà hoạch định chính sách trong việc sử dụng mô hình

2 Mục tiêu nghiên cứu

- Thứ nhất, hệ thống hóa cơ sở lý luận về mô hình ARMA – GARCH cho dữ liệu thời gian và cách vận dụng các mô hình vào dự báo sự biến động

2

của chuỗi thời gian

- Thứ hai, vận dụng mô hình ARMA - GARCH để dự báo chỉ số Vnindex

- Thứ ba, đánh giá ứng dụng của mô hình ARMA - GARCH trong dự báo chuỗi thời gian, đưa ra các khuyến cáo cho nhà đầu tư từ kết quả dự báo

và khuyến cáo trong việc sử dụng mô hình dự báo trong đầu tư

* Câu hỏi hay giả thiết nghiên cứu

- Ưu nhược điểm của mô hình ARMA – GARCH là gì?

- Trong các mô hình ARMA(p,q) hay GARCH(p,q) xây dựng được, mô hình nào phù hợp để dự báo chỉ số Vnindex nhất ?

- Mô hình dự báo có chịu ảnh hưởng bởi sự thay đổi về mặt cấu trúc của

mô hình hồi quy khi có sự thay đổi trong biên độ giao động hay không?

- Nhà đầu tư nên chú ý đến vấn đề gì trong đầu tư khi sử dụng mô hình ARMA – GARCH?

- Nhà đầu tư nên chú ý đến vấn đề gì trong đầu tư trong giai đoạn hiện nay?

3 Đối tượng và phạm vi nghiên cứu

- Đối tượng nghiên cứu:

Đề tài tập trung vào việc vận dụng mô hình ARMA – GARCH xem xét chỉ số VnIndex từ 02/01/2007 đến 29/04/2014 để dự báo chỉ số Vnindex từ 05/5/2014-31/05/2014

- Phạm vi nghiên cứu

Nội dung: đề tài chỉ dựa vào dữ liệu chuỗi thời gian tài chính trong quá

khứ của chỉ số Vnindex để xây dựng mô hình thích hợp nhằm dự báo chỉ số Vnindex trong ngắn hạn và từ mô hình đưa ra các khuyến cáo cho các nhà hoạch định chính sách cũng như các nhà đầu tư trong việc mở rộng ứng dụng

mô hình, đề tài không tiếp cận trên góc độ tìm hiểu tính phổ biến của việc vận

3

dụng mô hình ARMA – GARCH trong dự báo chỉ số Vnindex

Thời gian: Đề tài sử dụng số liệu được thu thập là giá đóng của chỉ số

Vnindex từ ngày 02/01/2007 – 29/04/2014 với 1817 quan sát

Không gian: Dữ liệu sử dụng trong bài tập trung phân tích chuỗi thời

gian trong quá khứ của Vnindex, được thu thập từ trang http://cophieu68.com

4 Phương pháp nghiên cứu

Đề tài sử dụng mô hình ARMA – GARCH dự báo chuỗi VnIndex trong ngắn hạn

Phương pháp tiếp cận dựa trên nguyên lý Box-jenkin gồm 4 bước lặp:

nhận dạng, ước lượng, kiểm tra và dự báo

5 Bố cục đề tài

Đề tài gồm 3 chương:

Chương 1: Cơ sở lý luận về mô hình ARMA-GARCH trong dự báo

chuỗi thời gian tài chính

Chương 2: Thiết kế nghiên cứu

Chương 3: Kết quả dự báo chỉ số VnIndex và các khuyến nghị đối với

nhà đầu tư và nhà hoạch định chính sách trong đầu tư và sử dụng mô hình

* Ý nghĩa khoa học và thực tiễn của đề tài

Đề tài này sẽ cung cấp cho các nhà đầu tư một công cụ để dự báo tỷ suất lợi tức của danh mục thị trường Đồng thời, kết quả nghiên cứu sẽ giúp cho nhà đầu tư cũng như các nhà hoạch định chính sách sẽ nhận định được mức lợi nhuận và sự biến động của thị trường để đưa ra quyết định đúng đắn

trong việc nắm giữ các loại cổ phiếu

6 Tổng quan tài liệu

Mô hình ARMA - GARCH chỉ mới được khởi xướng từ vài năm trở lại đây, nhưng với sự phát triển của khoa học công nghệ, thế giới đã và đang nghiên cứu mô hình ARMA - GARCH ở mức độ ngày càng sâu Vì vậy, để

4

việc nghiên cứu về mô hình ARMA - GARCH trong dự báo chỉ số Vnindex một cách có trình tự, khoa học cần có thông tin cần thiết phục vụ cho việc nghiên cứu luận văn, tôi đã tiến hành thu thập thông tin, tìm hiểu các luận văn thạc sĩ, các công trình nghiên cứu có nội dung tương tự đã được công nhận để tiến hành nghiên cứu nhằm tìm ra những phương pháp tiếp cận tối ưu nhất để hoàn thành luận văn

Tổng quan về các tài liệu nghiên cứu có liên quan đến việc sử dụng mô hình ARMA – GARCH trên thế giới

Công trình nghiên cứu của Emenike Kalu O (2010) với tên đề tài:

“Forecasting Nigerian Stock Exchange Returns: Evidence from Autoregressive Integrated Moving Average (ARIMA) Model” tác giã đã hệ thống hoa cơ sở lý luận về mô hình ARIMA và sử dụng chỉ số NSE với dữ liệu theo tháng để xây dựng mô hình ARIMA (1,1,1) nhằm dự báo thị trường

cổ phiếu Nigeria cho giai đoạn từ 01/1985 đến 12/2009 Kết quả cho thấy dự báo ARIMA có vẻ tương thích với thực tế giai đoạn 01/1985 đến 12/2008 nhưng lại vượt trội so với kết quả thực tế trong giai đoạn thị trường chịu tác động của khủng hoảng kinh tế toàn cầu năm 2009 Kết quả dự báo đã nêu lên hạn chế của mô hình ARIMA do yếu tố khủng hoảng kinh tế đã phá hủy mối tương quan giữa hiện tại với quá khứ, chính vì vậy việc sử dụng mô hình ARIMA trong dự báo lại tỏ ra sai lệch khi gặp một cú sốc lớn đối với thị trường Đề tài thực hiện dự báo dựa trên giả định phương sai của tỷ suất sinh lợi không thay đổi theo thời gian, nhưng thực tế chỉ số NSE là chuỗi thời gian

có tính biến động cao nên giả định trên không phù hợp

Công trình nghiên cứu của Jung-Hua Wang và Jia-Yann Leu (1994) với

đề tài: “Stock Market Trend Prediction Using ARIMA – based neural Netwworks” Tác giả đã hệ thống hóa các bước để tiến hành xây dựng mô hình ARIMA nhằm dự báo chỉ số TSEWSI Tác giả đã công bố kết quả dự

5

báo xu hướng chỉ số giá TSEWSI của thị trường chứng khoán Đài Loan trong trung hạn theo mô hình ARIMA (1,2,1) Với kết quả này việc dự báo cho thị trường chứng khoán Đài Loan cho 6 tuần tới với độ chính xác chấp nhận được

và tốt hơn các mô hình dự báo khác Đề tài thực hiện dự báo dựa trên giả định phương sai của tỷ suất sinh lợi không thay đổi theo thời gian, nhưng thực tế chỉ số TSEWSI là chuỗi thời gian có tính biến động cao nên giả định trên không phù hợp

Công trình nghiên cứu của nhóm tác giả Ravindran, Ganisen và Roslan (2008) với đề tài: “Exchange rate Forecasting – An Application of higher order ARIMA and GARCH model” Tác giả đã hệ thống hóa cơ sở lý luận về ARIMA – GARCH Tuy nhiên chưa nêu bật ưu nhược điểm của 2 mô hình

đó Để tiến hành dự báo, tác giả đã sử dụng 4 mô hình để mô phỏng và dự báo

tỷ giá hối đoái giữa đồng US dollas và Malaysian Ringgit (USXR) Trong đó 2

mô hình ARIMA(1,1) –GARCH(1,1) và ARIMA(2,1) –GARCH(1,1) dùng để

mô phỏng và 2 mô hình để dự báo ARIMA(2,1) –GARCH(1,2) và ARIMA(2,1) –GARCH(2,2) Kết quả mô phỏng và dự báo cho thấy sau khi

sử dụng 4 mô hình vừa nêu trên thì tỷ giá USXR dự báo hầu như là trùng khớp với tỷ giá USXR thực tế từ năm 2007-2008 Đề tài chưa xem xét mô hình có thay đổi cấu trúc giữa các thời kỳ hay không

Công trình nghiên cứu của nhóm tác giả A.Angabini và S.Wasiuzzaman (2011) : “GARCH Models and the Financial Crisis-A Study

of the Malaysian Stock Market” Tác giả đã giới thiệu một số nghiên cứu liên quan đã sử dụng mô hình ARMA-GARCH, hệ thống hóa cơ sở lý luận về 2

mô hình trên Đề tài đã nghiên cứu sự thay đổi trong biến động của thị trường chứng khoán Malaysia khi có tác động của cuộc khủng hoảng tài chính toàn cầu 2007 - 2008 bằng việc sử dụng mô hình GARCH (1, 1), EGARCH(1,1), GJR-GARCH (1,1) đối với chỉ số tổng hợp Kuala Lumpur trong 2 giai đoạn:

6

giai đoạn đầu tiên là từ tháng 6 năm 2000 cuối năm 2007 và giai đoạn thứ hai

từ tháng 6 năm 2000 đến tháng 3 năm 2010 Nghiên cứu chỉ ra rằng, đặc điểm của chỉ số tổng hợp Kuala Lumpur có độ nhọn vượt chuẩn, chịu tác động bởi hiệu ứng phân nhóm, thông tin tốt có tầm ảnh hưởng dai dẳng hơn thông tin xấu và chịu hiệu ứng đòn bẩy Tuy nhiên, tác giả chưa kiểm định sự thay đổi cấu trúc của mô hình khi chịu tác động bởi khủng hoảng kinh tế

Tổng quan về các tài liệu nghiên cứu có liên quan đến việc sử dụng mô hình ARMA – GARCH ở Việt Nam

Luận văn của tác giả Lê Tuấn Bách (2010) với đề tài: “Phân tích dự báo giá và rủi ro thị trường cổ phiếu niêm yết Việt Nam” Trong phần cơ sở lý luận tác giả đã giới thiệu tổng quát về chuỗi dữ liệu thời gian dừng và các mô hình ARIMA, ARCH/GARCH Mặt khác, tác giả cũng trình bày tổng quan về thị trường cổ phiếu niêm yết ở Việt Nam và đưa ra một số kinh nghiệm sử dụng các mô hình đã nêu trên trên thế giới cũng như ở Việt Nam, từ đó vận dụng các mô hình vào việc dự báo chỉ số VnIndex và HnXindex Tác giả đưa

ra một số vấn đề cần lưu ý và các hướng mở rộng ứng dụng mô hình thu được Tuy nhiên, đề tài chỉ mới dừng lại ở việc lựa chọn mô hình thích hợp nhất để dự báo chỉ số, mà chưa đưa ra kết quả dự báo từ mô hình dự báo phù hợp đó Bên cạnh đó, tác giả chưa nêu bật ưu và nhược điểm từ các mô hình thực hiện dự báo

Công trình nghiên cứu của tác giả Bùi Quang Trung cùng cộng sự (2010) với đề tài: “Ứng dụng mô hình ARIMA để dự báo Vnindex” sử dụng dữ liệu chuỗi thời gian chứng khoán, xem giá trị trong quá khứ của VnIndex là một chỉ tiêu tốt phản ánh giá trị trong tương lai bằng mô hình ARIMA với nguyên

lý Box-Jenkin Mặc dù, kết quả dự báo cho thấy giá trị dự báo xấp xỉ với giá trị thực tế với khoản tin cậy 95% cũng chứa giá trị thực tế nhưng do nhiều yếu

tố như tâm lý nhà đầu tư, thay đổi trong chính sách của chính phủ…làm sai số

7

dự báo tăng cao Hạn chế của đề tài đã giả định phương sai sai số của chuỗi chứng khoán là không đổi theo thời gian nhưng thực tế chỉ số VnIndex là chuỗi thời gian có tính biến động cao và phương sai có điều kiện

Mặc dù mô hình ARMA và GARCH đã được ứng dụng và giới thiệu đến cộng đồng nghiên cứu học thuật Việt Nam nhưng rất hiếm đề tài liên quan đến chứng khoán được trình bày một cách hệ thống và cập nhật Luận văn mới sẽ kế thừa phương pháp tiếp cận là nguyên lý Box-Jenkin và các mô hình ARMA – GARCH từ các công trình nghiên cứu trước nhưng đối tượng nghiên cứu được cập nhật ở thời gian gần nhất để tìm ra mô hình dự báo chỉ

số VnIndex trong giai đoạn hiện nay, và hệ thống hóa ưu điểm và nhược điểm của các mô hình để có cái nhìn tổng quát hơn về mô hình ARMA – GARCH trong dự báo chuỗi thời gian tài chính có tính biến động Ngoài ra, luận văn mới còn sử dụng phương pháp kiểm định tính ổn định cấu trúc của mô hình

đã xây dựng để xem xét sự bất ổn định cấu trúc của mô hình có ảnh hưởng đến kết quả dự báo không và thực hiện nhận định lại kết quả dự báo nhằm đánh giá kết quả dự báo so với kết quả thực tế Bên cạnh đó, đề tài còn nêu ra một số khuyến nghị cho NĐT hoặc các nhà hoạch định chính sách trong việc

sử dụng mô hình dự báo thu thập được

8

CHƯƠNG 1

CƠ SỞ LÝ LUẬN VỀ MÔ HÌNH ARMA – GARCH

TRONG DỰ BÁO CHUỖI THỜI GIAN

1.1 KHÁI QUÁT VỀ THỊ TRƯỜNG CHỨNG KHOÁN

1.1.1 Chứng khoán

Chứng khoán là một giá trị tài chính đại diện bằng lãi suất có thể thỏa thuận và có thể thay thế Nói chung, chứng khoán gồm hai loại là chứng khoán cổ phần (equity securities) và chứng khoán nợ (debt securities) Ngoài

ra còn có loại chứng khoán lai giữa hai loại trên Ở các nền kinh tế phát triển, loại chứng khoán nợ là thứ có tỷ trọng giao dịch áp đảo trên các thị trường chứng khoán Còn ở những nền kinh tế kém phát triển, nơi mà thị trường chứng khoán mới được thành lập, thì loại chứng khoán cổ phần lại chiếm tỷ trọng giao dịch lớn hơn

Công ty hay tổ chức phát hành chứng khoán được gọi là đối tượng phát hành

Chứng khoán có thể được chứng nhận bằng một tờ chứng chỉ (certificate), bằng một bút toán ghi sổ (book-entry) hoặc dữ liệu điện tử

Theo luật chứng khoán Việt Nam:

Chứng khoán là bằng chứng xác nhận quyền và lợi ích hợp pháp của người sở hữu đối với tài sản hoặc phần vốn của tổ chức phát hành Chứng khoán được thể hiện dưới hình thức chứng chỉ, bút toán ghi sổ hoặc dữ liệu điện tử, bao gồm các loại sau đây:

a) Cổ phiếu, trái phiếu, chứng chỉ quỹ;

b) Quyền mua cổ phần, chứng quyền, quyền chọn mua, quyền chọn bán, hợp đồng tương lai, nhóm chứng khoán hoặc chỉ số chứng khoán

Tính tập trung ở đây là muốn nói đến việc các giao dịch được tổ chức tập trung theo một địa điểm vật chất Hình thái điển hình của TTCK tập trung

là Sở giao dịch chứng khoán (Stock exchange) Tại Sở giao dịch chứng khoán (SGDCK), các giao dịch được tập trung tại một địa điểm; các lệnh được chuyển tới sàn giao dịch và tham gia vào quá trình ghép lệnh để hình thành nên giá giao dịch

TTCK phi tập trung còn gọi là thị trường OTC (over the counter) Trên thị trường OTC, các giao dịch được tiến hành qua mạng lưới các công ty chứng khoán phân tán trên khắp quốc gia và được nối với nhau bằng mạng điện tử Giá trên thị trường này được hình thành theo phương thức thoả thuận

b Các chủ thể tham gia trên thị trường chứng khoán

Các tổ chức và cá nhân tham gia thị trường chứng khoán có thể được chia thành 3 nhóm sau: chủ thể phát hành, chủ thể đầu tư và các tổ chức

có liên quan đến chứng khoán

b1 Chủ thể phát hành

Chủ thể phát hành là người cung cấp các chứng khoán – hàng hóa của thị trường chứng khoán Các chủ thể phát hành bao gồm: Chính phủ, các doanh nghiệp và một số tổ chức khác như: các Quỹ đầu tư; tổ chức tài chính trung gian…

- Chính phủ và chính quyền địa phương là chủ thể phát hành các chứng khoán: Trái phiếu Chính phủ; Trái phiếu địa phương; Trái phiếu công trình; Tín phiếu kho bạc

10

- Công ty là chủ thể phát hành các cổ phiếu và trái phiếu công ty

- Các tổ chức tài chính là chủ thể phát hành các công cụ tài chính nhưcác trái phiếu, chứng chỉ hưởng thụ… phục vụ cho mục tiêu huy động vốn và phù hợp với đặc thù hoạt động của họ theo Luật định

b2 Nhà đầu tư

Chủ thể đầu tưlà những người có tiền, thực hiện việc mua và bán chứng khoán trên thị trường chứng khoán để tìm kiếm lợi nhuận Nhà đầu tưcó thể được chia thành 2 loại: nhà đầu tưcá nhân và nhà đầu tưcó tổ chức

- Các nhà đầu tư cá nhân Nhà đầu tư cá nhân là các cá nhân và hộ gia đình, những người có vốn nhàn rỗi tạm thời, tham gia mua bán trên thị trường chứng khoán với mục đích tìm kiếm lợi nhuận Tuy nhiên, trong đầu tư thì lợi nhuận lại luôn gắn với rủi ro, kỳ vọng lợi nhuận càng cao thì mức độ chấp nhận rủi ro phải càng lớn và ngược lại Chính vì vậy các nhà đầu tư cá nhân luôn phải lựa chọn các hình thức đầu tư phù hợp với khả năng cũng như mức

độ chấp nhận rủi ro của mình

- Các nhà đầu tư có tổ chức Nhà đầu tư có tổ chức là các định chế đầu

tư, thường xuyên mua bán chứng khoán với số lượng lớn trên thị trường Một

số nhà đầu tư chuyên nghiệp chính trên thị trường chứng khoán là các ngân hàng thương mại, công ty chứng khoán, công ty đầu tư, các công ty bảo hiểm, quỹ tương hỗ, các quỹ lương hưu và các quỹ bảo hiểm xã hội khác Đầu tư thông qua các tổ chức đầu tư có ưu điểm là có thể đa dạng hóa danh mục đầu

tư và các quyết định đầu tư được thực hiện bởi các chuyên gia có chuyên môn

và có kinh nghiệm

b3 Các tổ chức có liên quan đến thị trường chứng khoán

- Cơ quan quản lý và giám sát hoạt động TTCK

Cơ quan quản lý và giám sát thị trường chứng khoán được hình thành dưới nhiều mô hình tổ chức hoạt động khác nhau, có nước do các tổ chức tự

11

quản thành lập, có nước cơ quan này trực thuộc Chính phủ, nhưng có nước lại có sự kết hợp quản lý giữa các tổ chức tự quản và Nhà nước Nhưng tựu chung lại, cơ quan quản lý Nhà nước về TTCK do Chính phủ của các nước thành lập với mục đích bảo vệ lợi ích của người đầu tưvà bảo đảm cho thị trường chứng khoán hoạt động lành mạnh, an toàn và phát triển bền vững Cơ quan quản lý Nhà nước về TTCK có thể có những tên gọi khác nhau, tuỳ thuộc từng nước và nó được thành lập để thực hiện chức năng quản lý Nhà nước đối với thị trường chứng khoán Tại Việt Nam đã thành lập cơ quan quản lý Nhà nước về chứng khoán và TTCK trước khi ra đời thị trường chứng khoán Việt Nam, đó là Uỷ ban Chứng khoán Nhà nước, thành lập theo Nghị định số 75 CP ngày 28/11/1996 của Chính phủ Theo đó, Uỷ ban Chứng khoán Nhà nước là một cơ quan thuộc Chính phủ thực hiện chức năng quản lý Nhà nước đối với thị trường chứng khoán ở Việt Nam

- Sở giao dịch chứng khoán

Sở giao dịch chứng khoán thực hiện vận hành TTCK thông qua bộ máy

tổ chức và hệ thống các quy định, văn bản pháp luật về giao dịch chứng khoán trên cơ sở phù hợp với các quy định của luật pháp và Uỷ ban chứng khoán

- Hiệp hội các nhà kinh doanh chứng khoán

Hiệp hội các nhà kinh doanh chứng khoán là tổ chức tự quản của các công ty chứng khoán và một số thành viên khác hoạt động trong ngành chứng khoán, được thành lập với mục đích bảo vệ lợi ích cho các thành viên và các nhà đầu tư trên thị trường

- Tổ chức lưu ký và thanh toán bù trừ chứng khoán

Là tổ chức nhận lưu giữ các chứng khoán và tiến hành các nghiệp vụ thanh toán bù trừ cho các giao dịch chứng khoán Các ngân hàng thương mại, công ty chứng khoán đáp ứng đủ các điều kiện của Uỷ ban chứng khoán sẽ

- Các công ty đánh giá hệ số tín nhiệm

Công ty đánh giá hệ số tín nhiệm là công ty chuyên cung cấp dịch vụ đánh giá năng lực thanh toán các khoản vốn gốc và lãi đúng thời hạn và tiềm lực tài chính của tổ chức phát hành (TCPH) theo những điều khoản đã cam kết của TCPH đối với một đợt phát hành cụ thể

1.2 KHÁI NIỆM VỀ CHỈ SỐ VNINDEX, TỶ SUẤT LỢI TỨC CỦA THÌ TRƯỜNG

1.2.1 Chỉ số VnIndex

Chỉ số VnIndex là chỉ số giá cổ phiếu thông dụng nhất và nó là chỉ số giá bình quân gia quyền giá trị với quyền số là số lượng chứng khoán niêm yết thời kỳ tính toán Kết quả tính sẽ phụ thuộc vào cơ cấu quyền số thời kỳ tính toán Người ta dùng công thức sau để tính:

= ∑ ×

∑ × Trong đó:

Ip : Là chỉ số giá Passcher

pt : Là giá thời kỳ t

p0 : Là giá thời kỳ gốc

13

qt : Là khối lượng (quyền số) thời điểm tính toán (t) hoặc cơ cấu của khối lượng thời điểm tính toán

i : Là cổ phiếu i tham gia tính chỉ số giá

n : Là số lượng cổ phiếu đưa vào tính chỉ số

Chỉ số giá bình quân Passcher là chỉ số giá bình quân gia quyền giá trị lấy quyền số là quyền số thời kỳ tính toán, vì vậy kết quả tính sẽ phụ thuộc vào cơ cấu quyền số (cơ cấu chứng khoán niêm yết) thời tính toán

1.2.2 Tỷ suất sinh lợi của thị trường

Suất sinh lời của thị trường là thông tin làm căn cứ để đánh giá mức độ hấp dẫn khi đầu tư vào thị trường Cũng giống như suất sinh lời của một cổ phiếu, suất sinh lời của thị trường được tính toán dựa vào chuỗi dữ liệu chỉ số giá Công thức tính tỷ suất sinh lời của thị trường:

r , = ln (PP ,

, )

Tỷ suất sinh lời tính theo nguyên tắc lãi kép với số ghép lãi vô hạn vì hoạt động đầu tư và tái đầu tư diễn ra liên tục nên sẽ là ít chính xác hơn nếu tính toán sinh lợi theo nguyên tắc số kỳ ghép lãi rời rạc

1.3 DỮ LIỆU CHUỖI THỜI GIAN TÀI CHÍNH

1.2.1 Khái niệm chuỗi thời gian tài chính

Chuỗi thời gian tài chính là một mẫu được quan sát ở các thời điểm khác nhau hay ở những khoảng thời gian, được ký hiệu Yt(ω), t=1,….,T và

ω ϵ Ω Nói cách khác, dữ liệu thời gian tài chính là một chuỗi các giá trị quan sát của biến Y :

Y = {Y1, Y2, Y3,…,Yt-1, Yt, …, Yn} với Yt là giá trị của biến Y tại thời điểm t

Mục đích chính của việc dự báo chuỗi thời gian tài chính là thu được một mô hình dựa trên các giá trị trong quá khứ của biến quan sát Y1, Y2,

14

Y3,…,Yt-1, Yt cho phép ta dự đoán được giá trị của biến Y trong tương lai, tức

là có thể dự đoán được các giá trị Yt+1, Y t+2,…Yn

1.3.2 Thành phần xu hướng dài hạn

Thành phần này dùng để chỉ xu hướng tăng giảm của đại lượng X trong khoảng thời gian dài Về mặt đồ thị thành phần này có thể diễn tả bằng một đường thẳng hay bằng một đường cong tròn (Smooth curve)

Hình 1.1: Xu hướng giảm theo thời gian

1.3.3 Thành phần mùa

Thành phần này chỉ sự thay đổi của đại lượng X theo các mùa trong năm

(có thể theo các tháng trong năm) Chẳng hạn, lượng tiêu thụ chất đốt sẽ tăng vào mùa đông và sẽ giảm vào mùa hè Ngược lại lượng tiêu thụ xăng sẽ tăng vào mùa hè và giảm vào mùa đông

16

1.4 MÔ HÌNH TỰ HỒI QUY VÀ TRUNG BÌNH TRƯỢT (ARMA)

1.4.1 Hàm tự tương quan

a Hàm tự tương quan ACF

Khi một biến được đo lường theo thời gian, thì các quan sát ở các giai đoạn thời gian khác nhau thường tương quan với nhau Sự tương quan này thường được đo bằng hệ số tương quan Tự tương quan là sự tương quan giữa một biến trễ một hoặc k giai đoạn với chính bản thân biến đó ACF với đội trễ

k, ký hiệu , được xác định như sau:

ρ = ( , )

Do cả hiệp phương sai và phương sai được tính bằng cùng một đơn vị

đo, nên là một đại lượng không có đơn vị đo Nó nằm trong khoảng từ -1 đến 1 ACF là thống kê thích hợp nhất để xác định số bậc thích hợp cho quá trình MA

b Hàm tự tương quan riêng phần PACF

Hệ số tương quan riêng phần ϕ là hệ số tương quan tuyến tính giữa

Yt và Yt-k , đo lường mối quan hệ giữa Yt và Yt-k nhưng không tính đến các liên hệ trung gian giữa các biến trung gian yt-1, , yt-k+1, nghĩa là PACF đo lường mối quan hệ giữa hai biến khi tất cả những biến không liên quan được loại trừ ϕ được ước lượng từ hàm hồi quy:

y = μ + ϕ y + ϕ y + + ϕ y + ε Mục đích phổ biến của việc xác định PACF là để xác định mô hình AP(p) từ đó xác định ARMA thích hợp Và PACF hầu như chỉ được sử dụng cho mỗi mục đích này trong phân tích chuỗi thời gian

Tóm lại, hàm tự tương quan ACF và hàm tự tương quan từng phần

PACF của chuỗi thời gian tài chính có các đặc tính khác nhau Hàm tự tương quan ACF đo mức độ phụ thuộc tuyến tính giữa các cặp quan sát Hàm tự tương quan từng phần PACF đo mức độ phụ thuộc tuyến tính từng phần

18

1.4.2 Tính dừng của chuỗi thời gian

Khái niệm tính dừng rất quan trọng trong phân tích chuỗi thời gian Một chuỗi thời gian tài chính dừng có đặc điểm sau:

- E(Xt) = m , giá trị trung bình là một hằng số cho tất cả các thời điểm t

- E(Xt2)< ∞ sự biến động của chuỗi là có giới hạn

- Cov(Xt,Xt-h) là một hằng số cho tất cả các thời điểm t và h khác 0 nghĩa

là hiệp phương sai giữa Xt và Xt-h chỉ phụ thuộc vào khoảng cách của (h) về thời gian giữa t và t-h, không phụ thuộc vào thời điểm t

Tóm lại, một chuỗi thời gian tài chính dừng nếu trung bình, phương sai của nó không đổi theo thời gian và hiệp phương sai giữa 2 thời đoạn chỉ phụ thuộc vào khoản cách và độ trễ về thời gian giữa hai thời đoạn này chứ không phụ thuộc vào thời điểm thực tế mà đồng phương sai được tính

Tại sao chuỗi thời gian tài chính dừng lại quan trọng? Có 2 lý do quan trọng khi biết một chuỗi thời gian tài chính là dừng hay không

- Thứ nhất, Gujarati (2003) cho rằng nếu một chuỗi thời gian tài chính không dừng, chúng ta chỉ có thể nghiên cứu hành vi của nó trong thời gian đang xem xét Mỗi một chuỗi dữ liệu theo thời gian sẽ mang một tình tiết nhất định và chỉ thể hiện những hành vi cụ thể trong khoảng thời gian đó Kết quả

là, chúng ta không thể khái quát hóa cho các giai đoạn khác nghĩa là không thể lấy đặc điểm của chuỗi thời gian tài chính giai đoạn này làm đặc điểm của một chuỗi thời gian tài chính giai đoạn khác Đối với mục đích dự báo, các chuỗi thời gian tài chính không dừng như vậy có thể sẽ không có giá trị thực tiễn Vì như chúng ta đã biết, trong dự báo chuỗi thời gian, chúng ta ngầm định xu hướng vận động của dữ liệu trong quá khứ và hiện tại được duy trì cho các giai đoạn trong tương lai Thế nhưng, nếu bản thân dữ liệu luôn thay đổi thì chúng ta không thể dự báo được điều gì cho tương lai Hơn nữa, đối với phân tích hồi quy, nếu chuỗi thời gian tài chính không dừng thì tất cả các

19

kết quả điển hình của một phân tích hồi quy tuyến tính cổ điển sẽ không có giá trị cho việc dự báo, và thường được gọi là hiện tượng “hồi quy giả mạo”

- Thứ hai, khi biết dữ liệu dừng hay không, chúng ta sẽ giới hạn được số

mô hình dự báo phù hợp nhất cho dữ liệu Do vậy, điều kiện cơ bản nhất cho việc dự báo một chuỗi thời gian tài chính là nó phải có tính dừng

Một cách trực quan, ta hãy xem đồ thị của một chuỗi thời gian tài chính không dừng và chuỗi thời gian tài chính dừng

Hình 1.7 Chỉ số giá cổ phiếu DHG từ ngày 4/1/2010-29/3/2013- chuỗi

về giá trị trung bình và những dao động xung quanh giá trị trung bình là như nhau Ta cũng có thể suy ngược lại, một chuỗi thời gian tài chính không dừng theo cách ta đã định nghĩa về chuỗi dừng ở trên sẽ có giá trị trung bình thay

40 50 60 70 80 90

-.06 -.04 -.02 00 02 04 06 08

a Giản đồ tự tương quan

Giản đồ tương quan là một đồ thị biểu diễn mối quan hệ giữa hệ sô tương quan bậc k với độ trễ k tương ứng Hệ số tương quan được xác định theo công thức sau:

ta bác bỏ giả thiết H0

- Thống kê Q:

Hai cột cuối trong biểu đồ tương quan là thống kê Q của Ljung – Box

và giá trị xác suất tương ứng Thống kê Q kiểm định giả thiết đồng thời là tất

cả các hệ số cho tới một độ trễ đồng thời bằng 0 Với cỡ mẫu lớn, Q có phân phối theo Chi bình phương với bậc tự do bằng số độ trễ Nếu giá trị thống kê Q tính toán lớn hơn giá trị thống kê Q tra bảng ở một mức ý nghĩa xác định, ta bác bỏ giả thiết H0

Dựa vào giản đồ tương quan để xác định một chuỗi thời gian tài chính

Hình 1.9: Minh họa giản đồ tương quan của một không chuỗi dừng

Hình 1.10: Minh họa giản đồ tương quan của một chuỗi dừng

b Kiểm định nghiệm đơn vị (Unit root test)

Kiểm định nghiệm đơn vị là một kiểm định được sử dụng khá phổ biến

để kiểm định một chuỗi thời gian tài chính dừng hay không dừng Vì loại kiểm định này có tính học thuật và chuyên nghiệp cao hơn Giả sử ta có phương trình tự hồi quy như sau:

yt = μ + ϕyt-1 + ε (-1≤ ϕ≤1) (1.1)

22

Trong đó ε là nhiễu trắng Nếu như ϕ = 1, khi đó yt là một bước ngẫu nhiên và yt là một chuỗi không dừng Do đó để kiểm định tính dừng của yt ta

sẽ kiểm định giả thiết:

H0 : ϕ = 1(Yt là chuỗi không dừng)

H1 : ϕ < 1(Yt là chuỗi dừng)

Phương trình (1.1) tương đương với phương trình sau đây :

Δyt =μ + (ϕ − 1) + ε = μ + α + ε với α = ϕ − 1 (1.2) Như vậy các giải thiết ở trên có thể được viết lại như sau :

Kiểm định trong trường hợp này được gọi là kiểm định DF bổ sung

1.4.4 Mô hình tự hồi quy AR(p)

Trong một quá trình tự hồi quy bậc p, số liệu tại thời điểm hiện tại ytđược tạo ra bởi một tổng trung bình có trọng số của các giá trị trong quá khứ tính cho đến giá trị quá khứ thứ p (yt-k) Mô hình tự hồi quy tổng quát chỉ có

các giá trị hiện tại và quá khứ của Y được sử dụng trong mô hình và không

23

có biến hồi quy nào khác Giá trị của Y tương lai phụ thuộc vào giá trị của

nó trong quá khứ cộng với một yếu tố ngẫu nhiên Rõ ràng với mô hình tự

hồi quy, dữ liệu đã tự nó giải thích cho bản thân nó Mô hình AR(p) có dạng

như sau:

Y = μ + ϕ Y + ϕ Y + ⋯ + ϕ Y + ε (1.3)

Trong đó: t là nhiễu trắng, ϕ , ϕ , ϕ là những thông số cần tìm, μ là hệ

số chặn

Mô hình AR(p) nếu nó là quá trình dừng đòi hỏi phương trình (1.3) phải

có nghiệm nằm ngoài đĩa tròn đơn vị (−1 ≤ ϕ ≤ 1) Nếu giá trị tuyệt đối

ϕ > 1, Y sẽ có xu hướng càng ngày càng lớn và vì thế có thể trở thành một chuỗi gia tăng đột biến

Các mô hình tự hồi quy chỉ phù hợp với các chuỗi dừng và hệ số μ thể hiện mức giá trị trung bình của chuỗi Nếu dữ liệu dao động xung quanh giá trị 0 hoặc dạng sai phân thì không cần hệ số μ trong mô hình

Vậy, làm cách nào ta xác định số độ trễ p? Lúc này giản đồ tương quan ngoài việc giúp ta nhận dạng một cách trực quan tính dừng của chuỗi thời gian tài chính còn giúp ta xây dựng mô hình hồi quy, cụ thể xác định p trong

mô hình AR(p) Cách thức như sau: ACF sẽ có xu hướng bằng không ngay lập tức, trong khi đó, hệ số tự tương quan riêng phần PACF sẽ có xu hướng khác không một cách có ý nghĩa thống kê cho đến độ trễ p và sẽ bằng không ngay sau độ trễ p đó

Mô hình AR(p) với ưu điểm là cho phép dự báo giá trị tương lai qua giá trị biến trễ với một yếu tố ngẫu nhiên mà không xét thêm biến vào mô hình hồi quy, nghĩa là tự dữ liệu giải thích cho bản thân nó Nhược điểm của mô hình này chỉ thích hợp cho việc dự báo đối với những dữ liệu chuỗi thời gian tài chính có sự biến động không đột biến trong thời gian xem xét

24

1.4.5 Mô hình trung bình trượt MA(q)

Trong một quá trình trung bình trượt bậc q, số liệu tại thời điểm hiện tại

yt được tính bởi tổng trung bình có trọng số giá trị của các nhiễu ngẫu nhiên cho đến nhiễu thứ q Mô hình MA(q) có dạng như sau:

= + θ ε + θ ε + + θ ε (1.4) Trong đó ε là số hạng nhiễu ngẫu nhiên; θ1, θ2 , θq là các hệ số ước lượng; ε là sai số ở giai đoạn t-1, ε là sai số ở giai đoạn t-q

Điều này có nghĩa, giá trị Yt không chỉ phụ thuộc vào các thông tin hiện tạo mà còn phụ thuộc vào các thông tin trong quá khứ Tuy nhiên, các thông tin gần nhất có ý nghĩa nhiều hơn thồn tin trước đó Như vậy, các mô hình MA cung cấp giá trị dự báo của Yt trên cơ sở một kết hợp tuyến tính của các giá tri sai số quá khứ

Điều kiện để thực hiện quá trình trung bình trượt này là thì phương

trình (1.4) phải có nghiệm nằm ngoài đĩa tròn đơn vị (−1 ≤ ϕ ≤ 1) Phương pháp bình quân được sử dụng trong các dự báo thống kê Trên cơ sở xây dựng một dãy số bình quân, để xây dựng mô hình dự báo Trong mô hình trung bình trượt, quá trình được mô tả hoàn toàn bằng tổng các giá trị quá khứ và số hạng ngẫu nhiên hiện hành theo độ trễ

Để xác định độ trễ q ta sử dụng giản đồ tương quan theo cách: ACF sẽ

có xu hướng khác 0 một cách có ý nghĩa thống kê cho đến độ trễ q và sẽ bằng

0 ngay sau độ trễ q đó Điều này có nghĩa rằng nếu chuỗi thời gian tài chính

Yt là một chuỗi theo MA(2) thì các hệ số ACF1 và ACF2 có ý nghĩa thông kê,

và các hệ số khác không có ý nghĩa thống kê Trong khi đóm PACF sẽ có xu hướng bằng 0 ngay lập tức

Mô hình MA(q) với ưu điểm xác định được những tác động của các cú sốc trong quá khứ và cả hiện tại Bên cạnh ưu điểm, mô hình MA(q) có nhược điểm đó là mô hình chỉ thích hợp cho việc dự báo trong ngắn hạn

25

1.4.6 Mô hình tự hồi quy và trung bình trượt ARMA(p,q)

Trên thực tế có những mô hình dự báo cho chuỗi thời gian tài chính là

sự kết hợp đồng thời của quá trình trung bình trượt và tự hồi quy với bậc bất

kì Mô hình phối hợp trung bình trượt- tự hồi quy có dạng phương trình sau còn được gọi tổng quát là mô hình ARMA Các mô hình ARMA chỉ có thể được thực hiện khi chuỗi Yt là chuỗi dừng

= + ϕ Y + ϕ Y + ⋯ + ϕ Y + θ ε + θ ε + …

+ θ ε + (1.5) Nhận dạng mô hình ARMA(p,q) là tìm các giá trị thích hợp của p, q Với p là bậc tự hồi quy và q là bậc trung bình trượt Việc xác định p,q sẽ phụ thuộc vào đồ thị hàm tự tương quan Với ACF là hệ số tự tương quan và PACF là hệ số tự hồi quy từng phần mẫu;

- Chọn mô hình AR(p) nếu đồ thị PACF có giá trị cao tại độ trễ 1,2,…,p và giảm nhiều sau p và dạng hàm ACF giảm dần

- Chọn mô hình MA(q) nếu đồ thị ACF có giá trị cao tại các độ trễ 1,2,…,q và giảm nhiều sau q và dạng hàm PACF giảm dần

Tóm lại:

Loại mô hình Dạng đồ thị ACF=f(t) Dạng đồ thị PACF=f(t)

Mô hình ARMA(p,q) được sử dụng phổ biến để dự báo chuỗi thời gian tài chính với những ưu điểm như: Thứ nhất, mô hình giải thích được sự biến động của chuỗi thời gian tài chính bằng cách quan hệ với các giá trị quá khứ

và tổng có trọng số các nhiễu ngẫu nhiên hiện hành và các nhiễu ngẫu nhiên

có độ trễ nghĩa là mô hình hóa được gần như tất cả các dao động cuẩ chuỗi

26

thời gian tài chính ban đầu; Thứ hai, dự báo từ mô hình ARMA(p,q) có kết quả tương đối chính xác phù hợp với dự đoán trong ngắn hạn với sai số nhỏ Bên cạnh những ưu điểm kể trên, mô hình có những nhược điểm như sau: mô hình ARMA có thể dự báo được kỳ vọng nhưng thất bại khi dự báo phương sai của chuỗi thời gian tài chính, mô hình ARMA không giải thích được sự thay đổi của sự biến động trong chuỗi thời gian, mô hình ARMA chỉ thích hợp với các chuỗi thời gian tài chính dừng với nhiều nhiễu trắng, mô hình được thực hiện với giả định phương sai không đổi theo thời gian

1.5 MÔ HÌNH TỔNG QUÁT TỰ ĐIỀU CHỈNH PHƯƠNG SAI CÓ ĐIỀU KIỆN KHÁC NHAU (MÔ HÌNH GARCH)

Chúng ta đã biết rằng, phân tích kinh tế lượng cổ điển đầu giả định phương sai của sai số là không đổi theo thời gian Tuy nhiên, các chuỗi dữ liệu về tài chính và kinh tế thường có xu hướng dao động cao vào một số giai đoạn theo sau một số giai đoạn tương đối ít biến động Trong tài chính, người

ta cho rằng có sự giao động như vậy là do bất kỳ một chuỗi thời gian tài chính nào đều chịu ảnh hưởng ít nhiều của các tin tức tốt và tin tức xấu có liên quan

và các nhà đầu tư trên thị trường đều ứng xử theo kiểu hành vi đám đông Cho nên, giả định phương sai không đổi theo thời gian thường không còn phù hợp đối với các dữ liệu chuỗi thời gian Nói cách khác, tốt hơn là chúng ta nên xem xét không chỉ trường hợp phương sai không có điều kiện, mà còn trường hợp phương sai có điều kiện

1.5.1 Mô hình tự hồi quy với phương sai có điều kiện khác nhau ARCH

Mô hình ARCH do Engle phát triển năm 1982 Mô hình này cho rằng phương sai của các hạng nhiễu tại thời điểm t phụ thuộc vào các số hạng nhiễu bình phương ở các giai đoạn trước hay phương sai thay đổi qua thời gian Engle cho rằng tốt nhất chúng ta nên mô hình hóa đồng thời giá trị trung

1.5.2 Mô hình tổng quát tự điều chỉnh phương sai có điều kiện khác nhau GARCH

a Mô hình GARCH

Theo Engle (1995) một trong những hạn chế của mô hình ARCH là nó

có hình vẽ giống dạng mô hình trung bình di động hơn là mô hình tự hồi quy Một ý tưởng mới là chúng ta nên đưa thêm các biến trễ của phương sai có điều kiện vào phương trình của phương sai theo dạng tự hồi quy Ngoài ra nếu các ảnh hưởng ARCH có quá nhiều độ trễ sẽ ảnh hưởng tới kết quả ước lượng

28

do giảm đáng kể số bậc tự do trong mô hình Chính vì vậy mô hình GARCH

có xu hướng được sử dụng phổ biến hơn Mô hình được phát triển độc lập bởi các nhà kinh tế học Bollerslev (1986) và Taylor(1986) Mô hình GRACH cho

phép phương sai có điều kiện phụ thuộc vào độ trễ trước đây như sau:

Mô hình GARCH có ưu điểm là giải thích được khi nhà đầu tư dự báo

về phương sai của tài sản thời kỳ này bằng việc tạo ra một trọng số trung bình trong dài hạn và phương sai dự báo ở giai đoạn trước, những thông tin

về sự giao động từ thời kỳ trước Xem xét các dạng dữ liệu trong đó cho phép phương sai của nó phụ thuộc vào các giá trị phương sai trong quá khứ nhằm ước lượng mức độ rủi ro và dự báo mức độ giao động của chuỗi thời gian tài chính có độ dao động cao Nhược điểm của mô hình là có thể giải thích sự bất thường của phương sai mà chỉ sử dụng những thông tin quá khứ của bản thân nhiễu, không tách biệt được mức độ ảnh hưởng của các cú sốc dương và cú sốc âm ở thời kỳ trễ ảnh hưởng đến tỷ suất sinh lợi ở kỳ hiện tại

29

rủi ro như một phần đền bù để quyết định nắm giữ một tài sản rủi ro Như vậy, phí bù rủi ro là một hàm đồng biến với rủi ro; nghĩa là rủi ro càng cao thì phí bù rủi ro phải càng nhiều Nếu rủi ro được đo lường bằng mức dao động hay bằng phương sai có điều kiện thì phương sai có điều kiện có thể là một phần trong phương trình trung bình của biến Yt Theo cách này, mô hình GARCH-M sẽ có dạng sau:

c Mô hình TGARCH

Hạn chế lớn nhất của mô hình ARCH và GARCH là được giả định có tính chất đối xứng Điều này có nghĩa là các mô hình này chỉ quan tâm đến giá trị tuyệt đối của các cú sốc chứ không quan tâm đến “dấu” của chúng Vì thế, trong mô hình GARCH, một cú sốc mạnh có giá trị dương có ảnh hưởng lên sự dao động của chuỗi dữ liệu hoàn toàn giống với một cú sốc mạnh có giá trị âm Tuy nhiên, thực tế, kinh nghiệm cho thấy đặc biệt trong tài chính các cú sốc âm trên thị trường có tác động mạnh và dai dẳng hơn so với cú sốc dương hay nói cách khác là có sự bất cân xứng thông tin trong thị trường Để làm được như vậy các học giả đề xuất đưa vào phương trình phương sai một

30

biến giả tương tác giữa hạng nhiễu bình phương và biến giả dt Trong đó dt có giá trị bằng một nếu dt < 0 và bằng 0 nếu dt > 0 Nếu hệ số của biến tương tác này có ý nghĩa thống kê chứng tỏ có sự khác biệt trong các cú sốc khác nhau

Mô hình TGARCH được biểu diễn như sau:

h = α + θ h

+ (α +ϑ d )ε

Trong đó, dt là biến có giá trị: d = 1, ε0, ε ≥ 0 < 0

Nếu có ý nghĩa thống kê, thì các tin tức tốt và tin tức xấu sẽ có ảnh hưởng khác nhau lên phương sai Cụ thể, tin tức tốt chỉ có ảnh hưởng , trong khi đó, tin tức xấu có ảnh hưởng ( + ) Nếu >0 thì chúng ta có thể nói rằng có sự bất cân xứng trong tác động giữa tin tức tốt và tin tức xấu và ngược lại

Mô hình TGARCH được sử dụng trong dự báo dữ liệu chuỗi thời gian tài chính có những ưu điểm như sau: Giải thích được sự khác biệt đáng kể giữa ảnh hưởng của cú sốc âm hoặc cú sốc dương, có thể sử dụng mô hình để kiểm định tính hiệu quả của thị trường Nhược điểm của mô hình tương tự như mô hình GARCH-M tức không giải thích được nguyên nhân gây ra mức

độ giao động của tỷ suất lợi tức là gì

1.6 NGUYÊN LÝ BOX-JENKIN

Bước 1: Nhận diện Tức là tìm các giá trị thích hợp của p,q Để thực hiện được công việc này ta dùng biểu đồ tương quan và biểu đồ tương quan riêng phần

Bước 2: Ước lượng Sau khi đã nhận dạng các giá trị thích hợp của p,q, dước tiếp theo là ước lượng các tham số của mô hình Để ước lượng các tham

số của mô hình ta có thể dùng phương pháp bình phương tối thiểu, nhưng cũng có trường hợp phải sử dụng các phương pháp ước lượng phi tuyến Việc

và sau đó đem so sánh các giá trị dự báo với giá trị đã biết của Y Các trị thống kê tóm tắt thường được sử dụng là sai số bình phương trung bình và tiêu chí thông tin Akaile Cách đơn giản khác là làm thích hợp mô hình quá mức, nghĩa là thích hợp hoá một mô hình có bậc hơi cao hơn và sau đó kiểm định xem các tham số dôi thêm có khác 0 một cách đáng kể không Trong mọi trường hợp, nếu mô hình thích hợp tốt với dữ liệu, thì phần dư từ mô hình sẽ

là nhiễu trắng Quy trình thông thường là tính phần dư và hàm tự tương quan của chúng và sau đó khảo sát xem có phải là các phần dư xấp xỉ một chuỗi nhiễu trắng không Box và Pierce (1970) đã đề xuất một kiểm định chính thức cho việc này đó là quy trình là tính trị thống kê Box – Pierce

Bước 4: Dự báo Bước cuối cùng là thực hiện việc dự báo thật, một trong các lý do về tính phổ biến của phương pháp lập mô hình ARMA là thành công của nó trong dự báo Trong nhiều trường hợp, các dự báo thu được từ phương pháp này tin cậy hơn so với các dự báo tính từ mô hình kinh

tế lượng truyền thống, đặc biệt với các dự báo ngắn hạn Tất nhiên đối với từng trường hợp cần phải được kiểm tra cụ thể