Các yếu tố tác động đến sự đồng biến giữa các TTCK - Tiếp cận từ mô hình Spatial Econometrics Luận văn thạc sĩ Trường Đại Học Kinh Tế, 2014

Đã có nhiều nghiên cứu chỉ ra sự phụ thuộc lẫn nhau giữa các thị trường chứng khoán, chỉ ra mối quan hệ biến thiên cùng hướng giữa chúng, song để đưa ra gốc rễ nguyên nhân hay các yếu tố

TRƯỜNG ĐẠI HỌC KINH TẾ TP HỒ CHÍ MINH

NGUYỄN NGỌC HIẾN

CÁC YẾU TỐ TÁC ĐỘNG ĐẾN SỰ ĐỒNG BIẾN

GIỮA CÁC THỊ TRƯỜNG CHỨNG KHOÁN -

TIẾP CẬN TỪ MÔ HÌNH SPATIAL ECONOMETRICS

LUẬN VĂN THẠC SỸ KINH TẾ

TP HỒ CHÍ MINH - 2014

TRƯỜNG ĐẠI HỌC KINH TẾ TP HỒ CHÍ MINH

NGUYỄN NGỌC HIẾN

CÁC YẾU TỐ TÁC ĐỘNG ĐẾN SỰ ĐỒNG BIẾN GIỮA CÁC THỊ TRƯỜNG CHỨNG KHOÁN - TIẾP CẬN TỪ MÔ HÌNH SPATIAL ECONOMETRICS

Chuyên ngành : Tài chính - Ngân hàng

Mã số : 60340201

LUẬN VĂN THẠC SỸ KINH TẾ

NGƯỜI HƯỚNG DẪN KHOA HỌC:

PGS.TS NGUYỄN THỊ NGỌC TRANG

TP HỒ CHÍ MINH - 2014

LỜI CAM ĐOAN

Tôi cam đoan:

- Đây là công trình nghiên cứu của tôi dưới sự hướng dẫn khoa học của PGS.TS Nguyễn Thị Ngọc Trang

- Số liệu, kết quả của luận văn là trung thực và chưa từng ai công bố trong bất

Trang phụ bìa

Lời cam đoan

Mục lục

Danh mục chữ viết tắt

Danh mục bảng biểu

Danh mục hình vẽ, biểu đồ

TÓM TẮT 1

CHƯƠNG 1 GIỚI THIỆU 2

CHƯƠNG 2 TỔNG QUAN LÝ THUYẾT 4

2.1 CÁC KHÁI NIỆM 4

2.1.1 Biến động cùng hướng (co-movement ) và lây lan (contagion) 4

2.1.2 Cơ chế liên kết các quốc gia (linkages) 4

2.2 TỔNG QUAN TÀI LIỆU 5

2.2.1 Nghiên cứu, bằng chứng về tồn tại lây lan (contagion), đồng biến (co-movement) giữa các thị trường chứng khoán 5

2.2.2 Nghiên cứu thực nghiệm về các yếu tố quyết định đến tính đồng biến (co-movement) hay tính liên phụ thuộc (interdependence, dependence) giữa các thị trường 10

CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU 12

3.1 Mô hình phụ thuộc không gian (spatial dependence) cho dữ liệu chéo(cross-sectional) 12 3.1.1 Khái niệm về phụ thuộc không gian và mô hình spatial econometrics

12

3.1.3 Kiểm định sự tồn tại của spatial autocorrelation hay spatial

dependence (Moran’s I test) 20

3.1.4 Hiệu ứng lan toả trực tiếp, gián tiếp (direct, indirect [spillover] effect) 21 3.1.5 Vấn đềbỏ sót biến và lựa chọn mô hình phụ thuộc không gian 22

3.2 Mô hình phụ thuộc không gian với dữ liệu bảng (Spatial Panel Data) 23

3.2.1 Kiểm định sự tồn tại của phụ thuộc chéo trong dữ liệu bảng 23

3.2.2 Mô hình, phương trình ước lượng 24

3.2.3 Kỹ thuật ước lượng 25

3.3 Mô hình đo lường sự đồng biến, so sánh các mối liên kết trong tác động đối với sự đồng biến 26

CHƯƠNG 4 LỰA CHỌN VÀ XÂY DỰNG BIẾN 28

4.1 Biến phụ thuộc 28

4.2 Nhóm biến đo lường mối liên kết tài chính 28

4.2.1 Dao động tỷ giá song phương 29

4.2.2 Thương mại song phương 30

4.2.3 Đầu tư trực tiếp FDI 31

4.2.4 Nợ ngân hàng nước ngoài Foreign claim 32

4.2.5 Đầu tư gián tiếp FPI 32

4.2.6 Hội tụ lạm phát 33

4.2.7 Hội tụ lãi suất 34

4.2.9 Khoảng cách địa lý 36

4.3 Nhóm biến giải thích 36

4.3.1 Giá dầu 37

4.3.2 Giá vàng 37

4.3.3 Tỷ lệ tăng trưởng GDP 38

4.3.4 Tăng trưởng sản lượng công nghiệp 39

4.3.5 Lạm phát 39

4.3.6 Tỷ giá hối đoái 40

4.3.7 Thay đổi lãi suất 42

4.3.8 Thay đổi xếp hạng tín dụng đồng nội tệ 42

CHƯƠNG 5 DỮ LIỆU 45

CHƯƠNG 6 KẾT QUẢ NGHIÊN CỨU 55

6.1 Kết quả từ mô hình Spatial Durbin Panel Model (SDM) 55

6.2 Phân tích với mô hình SAR(2)+SEM 64

6.3 Kết quả từ mô hình SAR(2) - so sánh trực tiếp từng cặp ρWy 69

CHƯƠNG 7 KẾT LUẬN 73

7.1 Phát hiện và đóng góp của nghiên cứu: 73

7.2 Giới hạn và định hướng nghiên cứu 74 TÀI LIỆU THAM KHẢO

Viết tắt Nội dung

APEC Asia Pacific Economic Cooperation

ARCH Autoregressive Conditional Heteroscedasticity

GARCH Genralized Autoregressive Conditional Heteroscedasticity

GNS General Nesting Spatial (Model)

LM Lagrange Multiplier (test)

PCD Pesaran cross dependence (test)

SAC Spatial Autocorrelation (Model)

SAR Spatial Autoregressive (Model)

SDEM Spatial Durbin Error Model

SLR Simple Linear Regression (Model)

SLX Spatial lag of X (Model)

TSSL Tỷ suất sinh lợi

VAR Vector Autoregression, Vector Autoregressive (model)

Bảng 3-1 So sánh các áp dụng mô hình spatial econometrics 23

Bảng 4-1 Ký hiệu tên biến 44

Bảng 4-2 Ký hiệu ma trận trọng số không gian W 44

Bảng 5-1 Danh mục các quố gia trong mẫu 46

Bảng 5-2 Thống kê cơ bản các tỷ suất sinh lợi hằng tháng chỉ số chứng khoán các quốc gia 47

Bảng 5-3 Tương quan giữa các chỉ số chứng khoán 50

Bảng 5-4 Kết quả kiểm định phụ thuộc chéo 53

Bảng 5-5 Kiểm định unitroot cho dữ liệu bảng và từng chuỗi 54

Bảng 6-1 Kết quả mô hình SDM 58

Bảng 6-2 Kết quả mô hình SAR(2)+SEM 65

Bảng 6-3 So sánh ρ1, ρ2 mô hình SAR(2) 71

DANH MỤC HÌNH ẢNH

Hình 3-1.Các mô hình spatial ecnometrics 19

Hình 5-1 Phân bố hệ số tương quan giữa các thị trường chứng khoán 53

Hình 6-1 Phân bố hệ số ρ kết quả mô hình SDM theo thời kỳ 62

Hình 6-2 So sánh hệ số ρ theo các W, mô hình SDM 63

Hình 6-3.So sánh tỷ số ρ1/ρ2 qua các thời kỳ, mô hình SAR(2)+SEM 68

có sức mạnh giải thích cao nhất

Từ khoá:

Spatial Econometrics, SEM, SAR, SDM, International stock markets, dependence, interdependence, co-movement, synchronization, spillover, KAOPEN, Bilateral KAOPEN, KAOPEN song phương

CHƯƠNG 1 GIỚI THIỆU

Trong vài chục năm trở lại đây, thế giới ngày càng chứng kiến sự lớn mạnh và hội nhập của các nền kinh tế, cùng với nó là mối quan hệ thương mại đầu tư ngày càng rộng mở và phức tạp giữa các quốc gia Toàn cầu hoá được nhắc đến nhiều và ảnh hưởng đến hầu hết mọi mặt đời sống kinh tế chính trị xã hội trên thế giới Công nghệ thông tin truyền thông phát triển mạnh mẽ cũng là một yếu tố thúc đẩy phát triển kinh doanh quốc tế và thúc đẩy tiến trình toàn cầu hoá mạnh mẽ hơn Khởi nguồn từ khủng hoảng bong bóng nhà đất Mỹ năm 2007-2008, dẫn tới cuộc khủng hoảng kinh tế tài chính quốc tế năm 2008-2009, thế giớiđã ghi nhận tác động tiêu cực đến hàng loạt các thị trường chứng khoán Lịch sử tài chính quốc tế trong quá khứ cũng đã chứng kiến nhiều biến động tốt – xấu mang tính dây chuyền như vậy

Có thể kể đến các cuộc khủng hoảng lớn đều dẫn tới hậu quả tương tự như cuộc khủng hoảng Mỹ năm 1987, khủng hoảng tài chính Thái Lan 1997, tất cả thấy cho thấy sự vận động cùng xu hướng (co-movement) của các thị trường chứng khoán

Đã có nhiều nghiên cứu chỉ ra sự phụ thuộc lẫn nhau giữa các thị trường chứng khoán, chỉ ra mối quan hệ biến thiên cùng hướng giữa chúng, song để đưa ra gốc rễ nguyên nhân hay các yếu tố tác động đến sự phụ thuộc ấy thì chưa nhiều và vẫn còn một khoảng trống nghiên cứu rất lớn Do vậy tôi chọn đề tài nghiên cứu về vấn đề này để thực hiện cho luận văn Thạc sỹ Kinh tế của mình, nghiên cứu xem xét phân tích mối quan hệ đồng biến giữa các thị trường chứng khoán và các yếu tố tác động đến mối quan hệ đó

Spatial Econometrics là một chuyên ngành nghiên cứu kinh tế khá mới mẻ, ra đời từ

sự kết hợp của khoa học địa lý (geographics, geo-spatial analysis, regional analysis)

và toán kinh tế lượng (econometrics) Nói chung, các mô hình kinh tế lượng thông thường được ước lượng qua hồi quy, không tính đến sự phụ thuộc giữa các thực thể (section) Ngay cả mô hình panel data sử dụng tập mẫu gồm các quan sát của các thực thể khác nhau (cross section) nhưng cũng không xem xét hay tính đến sự phụ thuộc chéo (cross section interdependence) Spatial econometrics ra đời với sự kết

hợp của chuyên ngành phân tích spatial analysis của khoa học địa lý bổ sung thêm

cho yếu điểm trên của econometrics đơn thuần

Nghiên cứu này sử dụng dữ liệu từ thị trường chứng khoán 18 quốc gia APEC (Việt

Nam và 17 quốc gia có quan hệ thương mại, đầu tư, tài chính với Việt Nam trong

khối APEC) Với việc sử dụng các biến kinh tế song phương giữa các quốc gia

trong mẫu, nghiên cứu được kỳ vọng sẽ (1) chỉ ra được các yếu tố có tác động đến

tính chất biến động cùng xu hướng giữa các thị trường, (2) định lượng được mức độ

tác động của các biến kinh tế song phương lên sự đồng biến ấy

Kết quả của nghiên cứu có thể đóng góp thêm cho lý thuyết kinh tế tài chính quốc tế

và các quyết định quản trị của các nhà quản trị đầu tư tài chính trong việc thực hiện

việc phòng ngừa rủi ro, đa dạng hoá danh mục đầu tư cũng như quản lý vĩ mô thị

trường chứng khoán

Nội dung chính luận văn này được trình bày tiếp theo, với:

- Chương 2 trình bày các khái niệm liên quan và xem xét tổng quan lý thuyết

nghiên cứu về sự đồng biến giữa các thị trường chứng khoán

- Chương 3 nói về phương pháp, mô hình nghiên cứu spatial econometrics cho

dữ liệu chéo, dữ liệu bảng

- Chương 4 phân tích, lựa chọn và xây dựng biến

- Chương 5 trình bày chi tiết dữ liệu và các phân tích thống kê cơ bản

- Chương 6 trình bày kết quả nghiên cứu và bình luận

- Chương 7 là kết luận và định hướng nghiên cứu tương lai

Không có một định nghĩa thống nhất cho khái niệm lây lan tài chính (financial contagion), tuy nhiên World Bank đưa ra 3 định nghĩa theo mức độ chặt chẽ

- Mức độ tổng quát, lây lan tài chính là sự lan truyền các cú sốc hay đơn giản hơn là hiệu ứng lan toả xuyên quốc gia Lây lan có thể diễn ra ở cả ở thời kỳ

“tốt” hay “xấu” Lây lan tài chính không nhất thiết phải gắn với khủng hoảng, tuy nhiên trong lý thuyết, người ta hay nhấn mạnh sự lan tỏa qua các thời kỳ khủng hoảng

- Mức chặt chẽ, lây lan tài chính là sự truyền dẫn các cú sốc hay tính chất tương quan chéo giữa các quốc gia thông qua một cơ chế liên kết nào đó, giống như cơ chế lây bệnh trong y học

- Mức chặt chẽ nhất, lây lan xảy ra khi mức độ tương quan tăng cao giữa các quốc gia về vấn đề nào đó trong thời kỳ khủng hoảng so với thời kỳ bình yên

2.1.2 Cơ chế liên kết các quốc gia (linkages)

Cũng theo World Bank, sở dĩ có sự lây lan và biến động cùng hướng giữa các quốc gia là do có cơ chế truyền dẫn qua các mối liên kết Có ba nhóm liên kết cơ bản

- Liên kết tài chính (financial linkages): Liên kết tài chính tồn tại giữa hai quốc gia khi hai quốc gia cùng được kết nối qua một hệ thống tài chính quốc

tế Ví dụ, một định chế quốc có tài trợ bằng vốn vay, khi tài sản của họ ở một quốc gia bị giảm giá hoặc chịu một cú sốc có ảnh hưởng tiêu cực, định chế

đó buộc phải bán tài sản của họ ở một quốc gia khác không bị ảnh hưởng bởi

cú sốc ấy để có vốn dự phòng Hành động này tác động như sự nhân giống hay truyền dẫn cú sốc từ quốc gia ban đầu sang các quốc gia khác

- Liên kết thực (real linkages): Là loại liên kết kinh tế cơ bản chủ yếu giữa các quốc gia, thông qua hoạt động thương mại quốc tế và đầu tư trực tiếp nước ngoài (FDI) Giữa các quốc gia có quan hệ thương mại, nếu một bên giảm giá đồng tiền để tạo lợi thế so với các quốc gia khác sẽ kích thích một cuộc chạy đua tương tự bởi các quốc gia này để lấy lại lợi thế Một cú sốc kích thích khủng hoảng ở chính quốc làm cho hoạt động đầu tư suy giảm khiến các công ty đa quốc gia cũng phải thu hẹp đầu tư ở các quốc gia không/chưa chịu ảnh hưởng Hậu quả là sự lây lan suy giảm đầu tư từ một quốc gia sang các quốc gia có mối liên kết này

- Liên kết chính trị (political linkages): Mối liên kết này ít được nhắc đến trong lý thuyết so với hai mối liên kết trên Nó tồn tại khi một quốc gia có tham gia một hiệp ước hay câu lạc bộ với các ràng buộc về kinh tế chính trịchẳng hạn như cơ chế đồng tiền chung

2.2 TỔNG QUAN TÀI LIỆU

2.2.1 Nghiên cứu, bằng chứng về tồn tại lây lan (contagion), đồng biến (co-movement) giữa các thị trường chứng khoán

Trong mấy chục năm qua, lý thuyết tài chính đã ghi nhận sự biến đổi cùng hướng giữa các thị trường chứng khoán quốc tế Theo Forbes and Rigobon (1999), nghiên cứu kiểm định sự tồn tại của sự lây lan thậm chí còn nhiều hơn lý thuyết nghiên cứu giải thích cơ chế lây lan Có bốn phương pháp tiếp cận định lượng: Phân tích tương quan chéo giữa các thị trường (cross market correlation analysis), mô hình phương sai thay đổi có điều kiện tự hồi quy tổng quát GARCH, đồng liên kết (co-

integration), và probit Hầu hết các nghiên cứu đề chỉ ra có sự lây lan trong thời kỳ khủng hoảng

Kiểm định dựa trên tương quan chéo giữa các quốc gia được sử dụng nhiều nhất Phương pháp này đo lường tương quan song phương trong thời kỳ ổn định và kiểm định so sánh với tương quan trong và sau thời kỳ khủng hoảng Nếu hệ số tương quan sau này tăng đáng kể so với trước đó thì chứng tỏ tồn tại sự lây lan hay tồn tại

sự đồng biến

King and Wadhwani (1990) kiểm định hệ số tương quan chéo giữa các thị trường

Mỹ, Nhật và Anh cho thấy hệ số này tăng đáng kể sau đổ vỡ của thị trường Mỹ Lee and Kim (1993) dùng phương pháp tương tự, nhưng mở rộng với 12 thị trường cho thấy trước đổ vỡ thị trường Mỹ 1987, hệ số tương quan trung bình là 0.23, sau

1987, nó tăng lên 0.39, tất nhiên có kiểm định để khẳng định 2 con số này khác biệt

có ý nghĩa thống kê.Solnik et al (1996) nghiên cứu tương quan thị trường chứng khoán Mỹ và các quốc gia lớn khác cho thấy dao động thị trường (volatility) có xu hướng lây lan và mức độ tương quan (correlation) tăng cao trong thời kỳ có dao động mạnh Hamao et al (1990) ghi nhận sự lan toả của thay đổi và dao động giá từ thị trường chứng khoán Mỹ và Anh với thị trường Nhật Hiệu ứng đó là hiệu ứng hai chiều, song chiều từ thị trường Mỹ và Anh qua Nhật mạnh hơn nhiều so với chiều ngược lại Kết quả tương tự cũng được khẳng định trong nghiên cứu của Longin and Solnik(1995), hệ số tương quan tăng trong và sau khủng hoảng Ramchand and Susmel (1998) cho thấy hệ số tương quan của thị trường Mỹ với các thị trường chính khác tăng khoảng 2.5 đến 3 lần ở thời kỳ khủng hoảng

Phương pháp thứ hai: ARCH hay GARCH cũng hay được dùng Phương pháp này

đo lường cơ chế lan toả variance và covariance (variance, covariance matrix) Chou et al (1994) và Hamao et al (1990) bằng cách này đã cho thấy bằng chứng về

sự lây lan sau sự kiện 1987 của chứng khoán Mỹ tới các quốc gia Longin and Solnik (1995) cho thấy ma trận variance, covariance không ổn định theo thời gian

mà nó có xu hướng tăng trong và sau thời kỳ có khủng hoảng Savva (2009) bằng

mô hình GARCH với dynamic conditional correlation đã tìm ra và đo lường được mức độ lan toả (spillover) biến động giá giữa thị trường Mỹ với các nước Châu Âu theo từng cặp (lan toả Mỹ → Châu Âu và ngược lại) Cho and Parhizgari (2008) nghiên cứu 14 thị trường cổ phiếu Đông Á bằng DDC GARCH cho kết luận có tồn tại sự lây lan tài chính

Alper et al (2004) lại cho thấy sự lan toả, đặc biệt là từ các trung tâm kinh tế thế giới sau khủng hoảng kinh tế châu Á tới thị trường chứng khoán Istanbul Latha Ramchand and Raul Susmel(1998) cho thấy hệ số tương quan của thị trường Mỹ với các thị trường chính khác tăng khoảng 2.5 đến 3 lần ở thời kỳ có variance hay covarriance cao Bouaziz et al (2012) xem xét thời kỳ khủng hoảng Mỹ 2007-2008 qua mô hình DCC GARCH cho thấy tương quan tăng đáng kể sau khủng hoảng, nó

là minh chứng cho thấycó sự lây lan Kết quả tương tự cũng được Hwang et al (2010) khẳng định Celık (2012) cho thấy có tồn sự lan toả trong thời kỳ khủng hoảng thị trường Mỹ giai đoạn 2007-2008 tới hầu hết các thị trường quan trọng,mẫu bao gồm các nước hội nhập (emerging) và các nước phát triển (developed), các nước hội nhập chịu tác động nhiều hơn

Wangand Huang (2011) nghiên cứu sự phụ thuộc của thị trường chứng khoán Trung Quốc với các thị trường quốc tế trong bối cảnh kinh tế TQ ngày càng hội nhập với kinh tế thế giới cho thấy biến động thị trường Trung Quốc phụ thuộc lớn nhất vào thị trường Nhật và các quốc gia Châu Á Thái Bình Dương

Akhtaruzzaman et al (2014) nghiên cứu chứng khoán các công ty tài chính Mỹ và Australia cho thấy trong thời gian khủng hoảng, tương quan có điều kiện (conditional correlation) giữa hai thị trường này cao hơn so với thời kỳ bình yên.Phương pháp thứ ba là kiểm định đồng liên kết

Sandera and Kleimeier (2003) nghiên cứu cấu trúc đồng liên kết cho thấy cấu trúc này thay đổi sau khủng hoảng Châu Á Chou et al (1994) dùng Johansen cointegration test với các chỉ số chứng khoán Mỹ, Canada, Anh , Pháp, Đức, Nhật cho thấy chúng có tính đồng liên kết Tính liên kết càng mạnh khi thị trường càng

hội nhập, tự do hoá và toàn cầu hoá thị trường tài chính Các nghiên cứu như này cũng có thể kể đến Yang and Lim (2004), Karmann and Herrera (2014)

Yunus (2013) sử dụng phương pháp đồng liên kết đệ quy (recursive conintegration)

để phân tích tính đồng phụ thuộc (interdependence) giữa các thị trường Bắc Mỹ, Châu Âu, Nam Mỹ, và Châu Á Kết quả cho thấy các thị trường này đồng phụ thuộc (cũng là đồng liên kết) và mức độ ngày càng tăng theo thời gian; các cuộc khủng hoảng hay cú sốc chính là nhân tố kích thích sự hội tụ (đồng biến, biến đổi cùng hướng) giữa các thị trường

Phương pháp probit thì khác hẳn so với các phương pháp trên Nó không đo lường

hệ số mà chẳng hạn kiểm định cách các thị trường phản ứng với cùng một thông tin thường nhật (daily news) Bằng cách này Baig and Goldfajn (1998) nghiên cứu phản ứng của các thị trường đối với tin thường nhật từ một thị trường và cho thấy

có nhiều tin tác động không chỉ đến thị trường một nước ban đầu mà còn lan toả ảnh hưởng tới các nước khác trong giai đoạn khủng hoảng châu Á 1997-1998 Các phương pháp VAR cũng được sử dụng khá phổ biến Ozdemir (2009) sử dụng phương pháp VARFIMA nghiên cứu mối quan hệ giữa các thị trường chính trên thế giới bao gồm Mỹ, Đức, Nhật, Anh Quốc đã tìm mối liên hệ (interconnection) khá

ổn định và có ý nghĩa thống kê đối với sự lan toả giá giữa các thị trường này Kim and Yoon (2002) cho thấy Australia và các thị trường châu Á có tính liên kết ngày càng cao sau khủng hoảng, ngoại trừ với Malaysia Dunis and Shannon (2005) sử dụng kết hợp cả cointegration và VAR cho thấy tồn tại tính đồng liên kết giữa các thị trường Châu Á và các thị trường mới nổi ngày càng liên kết mạnh với thị trường Nhật, nhưng lại ít liên kết dần qua thời gian đối với thị trường Mỹ, Anh Yilmaz (2010) nghiên cứu thị trường Đông Á cho thấy hiệu ứng lan toả ngày càng tăng và bùng nổ nhất vào thời kỳ khủng hoảng Dhanaraj et al (2013) nghiên cứu thị trường chứng khoán Mỹ và Châu Á cho thấy Mỹ là bạn hàng lớn và là nhà cung cấp tài chính lớn cho Châu Á, thị trường Châu Á không hề miễn nhiễm với các cú sốc từ thị trường Mỹ

Kết quả này cũng được khẳng định qua Liu et al (1998) Sử dụng phương pháp Ranger - Causuality test và VAR (Vector Autoregressive) nghiên cứu sự lan toả của giá cổ phần của 6 trị trường: Mỹ & 5 quốc gia Châu Á Thái Bình Dương, nhóm tác giả cho thấy: mức độ phụ thuộc ngày càng lớn giữa các thị trường kể từ sau khủng hoảng 1987; Thị trường Mỹ đóng vai trò dẫn dắt các thị trường còn lại, trong khi thị trường Nhật – Singapore có chịu tác động đáng kể, nhưng thị trường Đài Loan và Thái Lan chịu tác động ít hơn

Yang and Lim (2004)với phương pháp VAR cho thấy trong thời kỳ không ổn định, các thị trường có xu hướng biến động cùng chiều Một biến động ở quốc gia này có tác động lan toả tới thị trường quốc gia khác vì thế trở thành nguồn gốc của sự bất ổn

Morana and Beltratti (2008) sử dụng F-VAR đã tìm ra rằng mức độ hội nhập kinh tế tài chính các quốc gia có tác động đến sự biến thiên cùng chiều giữa các thị trường chứng khoán Trong khi hội nhập về kinh tế (yếu tố kinh tế vĩ mô) có tác động đến thị trường chứng khoán qua cá cú sốc kinh tế thì sự hội nhập tài chính lại tác động thông qua sự lan toả các cú sốc tài chính

Những phương pháp, mô hình khác cũng được thực hiện, chẳng hạn mô hình foreign information transmission model (FIT) Ibrahim and Brzeszczynski (2009) tìm ra cơ chế lan toả thông tin từ thị trường trực tiếp qua các thị trường khác, rồi gián tiếp qua các thị trường khác nữa, song cũng có những thị trường gần như không chịu ảnh hưởng bởi cơ chế này Loh (2013) lại dùng phương pháp wavelet coherence nghiên cứu sự phụ thuộc lẫn nhau giữa thị trường Mỹ, Châu Âu và Châu

Á Thái Bình Dương Kết quả cho thấy có tồn tại sự đồng biến (comovement) trong dài hạn (long run)

Trong tất cả các phương pháp nghiên cứu trên, các tác giả kiểm định được có tồn tại hay không tính biến đổi cùng hướng hay tính liên phụ thuộc (interdependence) giữa các thị trường chứng khoán và mức độ phụ thuộc đó nhưng chưa đưa ra được kết

quả định lượng để trả lời câu hỏi cái gì tạo nên sự đồng biến hay tính liên kết, phụ thuộc ấy

2.2.2 Nghiên cứu thực nghiệm về các yếu tố quyết định đến tính đồng biến (co-movement) hay tính liên phụ thuộc (interdependence, dependence) giữa các thị trường

Phương pháp spatial econometrics là một sản phẩm kết hợp của khoa học địa lý với kinh tế Đặc điểm nổi bật của spatial econometrics là nghiên cứu hiệu ứng tương tác giữa các đơn vị (unit) trong không gian nghiên cứu Đơn vị ở đây có thể là tỉnh, thành phố, quốc gia, ngành … tuỳ nội dung và mục đích nghiên cứu

Theo Elhorst (2014), trong khi cá phương pháp time series quan tâm xem xét đến sự phụ thuộc (dependence) giữa các quan sát (observation) của một thực thể thì spatial econometrics lại quan tâm đến sự phụ thuộc giữa các quan sát của các thực thể thông qua một khái niệm được coi là trọng tâm của chuyên ngành này, đó là spatial weight matrix Spatial weight matrix (ma trận trọng số không gian) là đối tượng phản ánh sự sắp xếp của các thực thể trong không gian nghiên cứu Bằng phương pháp này, câu hỏi cái gì quyết định sự đồng biến thiên hay tính liên phụ thuộc giữa các thị trường có thể được trả lời bằng con số thực nghiệm đáng tin cậy

Spatial econometrics là một chuyên ngành hẹp nhưng đã phát triển rất mạnh mẽ gần đây Trong tài chính, số lượng nghiên cứu sử dụng phương pháp này chưa nhiều, theo Hossein Asgharian, Wolfgang Hess, Lu Liu (2013), nghiên cứu A spatial analysis of international stock market linkages (Journal of Banking and Finance, Vol 37 (2013) 4738– 4754) của 3 ông mới là nghiên cứu thứ hai trên thế giới ứng dụng phương pháp này, nghiên cứu đầu tiên là của Fernandez – Aviles et al (2012), tuy nhiên nghiên cứu này cũng chỉ dựa trên ý tưởng gần giống chứ không hẳn là ứng dụng spatial econometrics Trong tầm hiểu biết của người viết, đến trước thời điểm luận văn này được làm, phương pháp spatial econometrics chưa từng được ứng dụng tại Việt Nam trong bất cứ nghiên cứu nào Việc tác giả lựa chọn phương pháp này để thực hiện mục tiêu nghiên cứu của đề tài cũng nhằm khai phá một

phương pháp mới mẻ trong nghiên cứu tài chính Chi tiết về phương pháp này sẽ được trình bày ở Chương 3 – Phương pháp nghiên cứu

Với đặc trưng nhắm tới hiệu ứng lan toả (spillover), sự phụ thuộc, tính đồng biến giữa các thực thể (interdependence, co-movement), phương pháp Spatial econometrics có thể nói là đã cung cấp một công cụ nghiên cứu rất mạnh áp dụng được cho nghiên cứu sự phu thuộc, tính đồng biến giữa các thị trường chứng khoán Ngoài ra, với cấu trúc dữ liệu cho hệ thống ma trận phụ thuộc không gian, phương pháp này cũng có thể giúp người nghiên cứu chỉ ra được yếu tố nào tác động đến sự phụ thuộc, tính đồng biến giữa chúng Hơn nữa, bằng phương pháp ma trận bất cân xứng, nghiên cứu bằng phương pháp này cũng có thể chỉ ra được sự phụ thuộc có tính chất bất cân xứng: Thị trường nào có ảnh hưởng cao hơn đến các thị trường khác, chứ không hẳn là mối quan hệ ảnh hưởng bình đẳng hai chiều

Fernandez - Aviles et al (2012) bằng mô hình spatial modeling đã tìm ra rằng FDI

là kênh truyền dẫn sự đồng biến giữa các thị trường chứng khoán, trong khi đó vấn

đề khoảng cách địa lý thì không.Asgharian et al (2013)kế thừa nghiên cứu trên của Fernandez - Aviles et al (2012) có đưa ra các nhân tố kinh tế quốc tế mới hơn Đồng thời phương pháp tính toán ma trận trọng số không gian cũng mở rộng hơn vớicác đo lường phụ thuộc bất cân xứng (khái niệm bất cân xứng sẽ đề cập trong Chương 3, phương pháp nghiên cứu) Kết quả cho thấy thương mại song phương đóng vai trò quan trọng nhất tới sự đồng biến giữa các thị trường chứng khoán

CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU

Như lý thuyết đã được tổng kết, nghiên cứu sự liên phụ thuộc giữa các thị trường chứng khoán có thể áp dụng nhiều cách Song để nghiên cứu yếu tố nào tác động quyết định đến sự phụ thuộc hay tính biến động cùng hướng thì phương pháp – mô hình spatial econometrics là thích hợp, nó cũng là phương pháp khá mới và vẫn còn một khoảng trống nghiên cứu cần được khám phá Vì những lý do đó, tôi lựa chọn

mô hình này để ứng dụng cho luận văn của mình Chương 3 sẽ xem xét những điểm chính của spatial econometrics ứng dụng cho nghiên cứu của luận văn này, bao gồm mô hình phụ thuộc không gian cho dữ liệu chéo (cross-sectional), dữ liệu bảng (panel data), các kiểm định và kỹ thuật ước lượng

3.1 Mô hình phụ thuộc không gian (spatial dependence) cho dữ liệu chéo(cross-sectional)

3.1.1 Khái niệm về phụ thuộc không gian và mô hình spatial econometrics

Xét mô hình hồi quy tuyến tính đơn giản cho dữ liệu chéo

= + , ( 3.1)

Y = [y1… yn]T là ma trận cột cho biến phụ thuộc

X = {xij}nxm là biến độc lập,i thể hiện section, j chỉ biến độc lập thứ j của section i

ϵ = [ϵ1… ϵn]T là ma trận cột cho phần dư, ϵi ~ iid N(0, σi2), i = 1 n

β = [β1…βm]T là ma trận cột hệ số ước lượng

Theo mô hình này, mỗi yi được thể hiện ước lượng bằng số trung bình cộng với phần dư:

yi = Xi*β = xi1.β1 + xi2.β2+ + xim.βm+ ϵi, (eq 3.2)

Ngụ ý của mô hình là biến phụ thuộc của các section khác nhau là độc lập với nhau Biến phụ thuộc của section nào chỉ phụ thuộc vào bộ các biến độc lập của section

đó

Tuy nhiên trong thực tế có những trường hợp biến phụ thuộc của các section lại phụ thuộc lẫn nhau, thậm chí biến phụ thuộc lại phụ thuộc vào cả biến độc lập của section khác Ví dụ khi xem xét tăng trưởng sản phẩm của một quốc gia, người ta cho rằng nó không chỉ phụ thuộc vào lực lượng lao động, tỷ lệ thất nghiệp của quốc gia đó mà còn phụ thuộc vào cả tăng trưởng sản phẩm của quốc gia láng giềng hay các quốc gia có quan hệ thương mại – đầu tư đáng kể với nó; Hay tỷ suất sinh lợi trên chỉ số chứng khoán của một quốc gia có thể chịu ảnh hưởng bởi suất sinh lợi của các thị trường khác trên thế giới

Với hai ví dụ này, ta ý tưởng về sự phụ thuộc không gian (spatial dependence) Theo LeSage and Pace (2009):“Spatial dependence reflects a situation where values observed at one location or region, dependend on the values of neighboring observations at nearby locations.”

Một cách hình thức, mở rộng sự phụ thuộc không gian cho mô hình tuyến tính có thể được biểu diễn bằng hàm sinh (DGP) sau đây, hệ số chặn α (intercept) được lồng (suppressed) trong X :

Trong khoa học địa lý, wij thường được biết đến là khoảng cách địa lý giữa 2 quốc gia hay 2 tỉnh thành phố … Khi áp dụng cho các lĩnh vực phi địa lý, wij có thể là bất

cứ đo lường nào phản ánh mức độ gần gũi hay xa cách giữa các section Chẳng hạn trong nghiên cứu thương mại quốc tế, wij có thể là tỷ trọng thương mại của quốc gia

j đóng góp cho quốc gia i, phản ánh mức độ quan trọng của quốc gia j đối với quốc gia i trong thương mại Người ta cũng có thể tham khảo tiêu chuẩn hay phương pháp xác định liền kề (phần sau) để lập ma trận này

Ngoài các đo lường wij dựa trên địa lý, wij có thể đo lường trên các tiêu chí khía cạnh kinh tế (Anselin, 2002) :

- Cấu trúc khối (block structure): wij =1 nếu i và j trong cùng “khối” còn lại thì

wij= 0

- Khoảng cách kinh tế (economics distance): wij=|ri-rj|-1, r là một tiêu chí kinh

tế nào đó

- Trung bình liền kề (averaging of neigboring values): wij = Rij/ΣkRik, Rij là một chỉ tiêu kinh tế song phương nào đó

Ma trận trọng số không gian nếu được xây dựng từ ma trận liền kề phản ánh từng cặp section có mối quan hệ với nhau hay không thì thường là ma trận đối xứng chéo

do mối quan hệ này thường là cân xứng, wij = wji Tuy nhiên trong nghiên cứu kinh

tế, khi chọn các phương pháp đo lường mà kết quả mối quan hệ song phương là không đối xứng thì ma trận trọng số cũng trở nên không đối xứng (Elhorst, 2014) Theo quy ước, W là có thể được xây dựng từ nhiều cách khác nhau, nhưng khi đưa vào mô hình, nó phải được chuẩn hoá (standarized) để đảm bảo các yêu cầu (1) wij

không âm và (2) tổng giá trị ở mỗi hàng phải bằng 1

Khái niệm phụ thuộc không gian luôn gắn liền với ma trận trọng số không gian, được mở rộng không chỉ cho riêng biến phụ thuộc mà còn cho cả với biến giải thích, phần dư

Theo Elhorst (2014), mô hình đầy đủ (full model) cho spatial econometrics có dạng (viết theo cú pháp ma trận):

Y = δWY + ατN+ Xβ +WXθ + u, (eq 3.6 a)1

u = λWu + ϵ , (eq 3.6 b) Trong đó, WY phản ánh hiệu ứng tương tác chéo (cross section) nội sinh (endogenous) giữa các yi yj, WX phản ánh hiệu ứng tương tác chéo giữa biến độc lập ở các section j với biến phụ thuộc tại section i, Wu phản ánh tương tác chéo giữa các phần dư Với W đã được chuẩn hoá để tổng giá trị trọng số mỗi hàng đều bằng 1 thì Wy chính là giá trị trung bình các giá trị tai các section liền kề yi= ∑j wijyj…,

nhau Trong khi James LeSage, Luc Anselin… dùng ρ thì J.Paul Elhorst lại dùng δ, các tác giả khác có thể lại dùng λ Luận văn này khi trích dẫn công thức sẽ giữ nguyên bản của tác giả được trích tuỳ từng ngữ cảnh

đây chính là đặc điểm cơ bản phản ánh tính chất cross sectional interdependence của mô hình spatial econometrics: “Mọi thứ liên quan với nhau, nhưng những thứ ở gần thì liên quan nhiều hơn những thứ ở xa -Everything is related to everything else, but near things are more related than distant things.”(Tobler first law of geography, Tobler W ,1970)

3.1.2.2 Ma trận liền kề - Contiguity matrix

Trong thực tế nghiên cứu, không phải bất cứ mối liên kết (linkage) nào cũng có thể

đo lường, lượng hoá được và đôi khi người ta chỉ quan tâm có tồn tại hay không tồn tại mối liên kết mà không cần lượng hoá mức độ bằng trọng số Chẳng hạn trong quan hệ thương mại quốc tế, nếu không cần quan tâm mức độ quan trọng của mối quan hệ này của quốc gia i với quốc gia j so với các quốc giá khác với j mà chỉ quan tâm hai quốc gia này có mối quan hệ thương mại thì ma trận trọng số không cần được sử dụng mà thay vào đó là ma trận liền kề (contiguity matrix)

Theo Anselin (1988), mô hình ma trận liền kề mới là mô hình đầu tiên phản ánh phụ thuộc không gian (spatial dependence), được đề xuất và phát triển bởi Moran (1948)

và Geary (1954) sử dụng cách mã hoá nhị phân (binary coding) 0 – 1 cho trạng thái không (0) hay có (1) sự phụ thuộc hay còn gọi là “liền kề” (contiguity)

C= {cij}nxn, là ma trận liền kề, có nhiều cách xây dựng ma trận này Mặc định để tránh tính đệ quy trong thuật toán, mỗi section không được liền kề với chính nó, với mọi i ϵ [1 n], cii = 0

Cũng theo Anselin (1988), những phương pháp xây dựng ma trận liền kề sau được

sử dụng phổ biến:

- Ma trận liền kề cấp 1:

= 1 0 ế à ℎô ó ố ế à ó ố ℎệ ℎệ

- Ma trận liền kề cấp 2:Nếu i và j không liền kề trực tiếp với nhau (chẳng hạn

i và j không có quan hệ thương mại quốc tế trực tiếp) nhưng cùng có mối quan hệ với đối tượng thứ ba, thì cij = 1 không thì cij = 0

Tương tự cho ma trận liền kề cấp cao hơn

- Ma trận liền kề k hàng xómgần nhất (k – nearest neighbor contiguity matrix), với mỗi section i có thể liền kề với (N-1) section trong tổng thể Xây dựng ma trận liền kề cách này, sẽ lấy K section gần nhất với i để làm liền kề, (N-K-1) section còn lại là không liền kề với i Chẳng hạn áp dụng cho ma trận liền kề trong thương mại quốc tế, có thể lấy K quốc gia có quan hệ thương mại lớn nhất với quốc gia i làm liền kề cho i, các quốc gia còn lại coi

là không liền kề với i

- Ngoài ra còn nhiều cách xây dựng khác tuỳ mục tiêu nghiên cứu mà lựa chọn Ví dụ lấy mốc chuẩn, nếu mức độ gần hay xa vượt quá nó thì coi là liền kề Một quốc gia j nếu tỷ trọng thương mại đóng góp cho i bằng hoặc vượt quá 20% thì coi là liền kề, như thế các quốc gia đóng góp cho i dưới 20% thì coi là không liền kề với i… Hay trong nghiên cứu địa lý, một quốc gia i được gọi là liền kề với j nếu khoảng cách giữa i và j nhỏ hơn một giới hạn là số kilometers nào đó

Xây dựng ma trận trọng số không gian từ ma trận liền kề:

= ∑Phép biến đổi C  W này cũng đồng thời chuẩn hoá W để tổng trọng số mỗi hàng bằng 1

3.1.2.3 Hệ thống các mô hình spatial econometrics

Theo Elhorst (2014), mô hình đầy đủ (full model, general nesting spatial model, GNS) cho spatial econometrics có dạng :

Y = δWY + ατN + Xβ +WXθ + u, u = λWu + ϵ (eq 3.7)

Tuỳ mục tiêu nghiên cứu mà mô hình có thể rút gọn bằng cách giới hạn một hay một số hệ số đặc trưng (δ, θ, λ) bằng không

- SAC, spatial autocorrelation:Y = δWY + ατN + Xβ + u, u = λWu + ϵ (eq 3.8a)

- SDM, spatial durbin model: Y = δWY + ατN + Xβ +WXθ + ϵ (eq 3.8b)

- SDEM, spatial durbin error model: Y = ατ N + Xβ +WXθ + u, u = λWu + ϵ (eq 3.8c)

- SAR, spatial autoregressive hay spatial lag: Y = δWY + ατN + Xβ + ϵ (eq 3.8d)

- SLX, spatial lag for X: Y = ατN + Xβ +WXθ + ϵ (eq 3.8e)

- SEM, spatial error model: Y = ατN + Xβ + u, u = λWu + ϵ (eq 3.8f)

- OLS hay SLR hay (simple panel data): Y = ατN + Xβ + ϵ (eq 3.8g)

GNS,General nesting spatial

SAR, spatial autoregressive

Các biến thể từ mô hình tổng quát GNS, bằng cách giới hạn các hệ số bằng 0

Hình 3-1.Các mô hình spatial ecnometrics

(Nguồn: Elhorst, 2014)

3.1.3 Kiểm định sự tồn tại của spatial autocorrelation hay spatial

dependence (Moran’s I test)

Để kiểm tra có tồn tại hay không sự phụ thuộc chéo (cross-sectional dependence), dựa trên sự thừa kế lý thuyết hệ số tương quan coefficient of correlation của Karl Pearson (1857-1936):

Moran (1950) đưa ra chỉ số đo lường phụ thuộc chéo (cross-section) có tính đến

ma trận trọng số không gian W, một đặc trưng của mô hình spatial econometrics Bằng cách thực thi phép hồi quy đơn giản không tính đến phụ thuộc không gian, sau

đó lấy phần dư để kiểm định Nếu có sự phụ thuộc không gian trong phần dư thì chứng tỏ trên mô hình hồi quy gốc có sự phụ thuộc không gian ở biến phụ thuộc

Trong đó, ϵ là vector phần dư (residuals) của mô hình hồi quy đơn giản không tính đến phụ thuộc chéo N là tổng số section, S là tổng các giá trị của ma trận W Khi W được chuẩn hóa thì S = ∑ijwij = N, vì với ma trận được chuẩn hoá, tổng giá trị mỗi hàng đều bằng 1 Vì vậy

’ , =

Theo Anselin (1988), chỉ số Moran’s I được chuẩn hoá = ( )( ) có phân phối chuẩn đã được Cliff and Ord (1972, 1973, 1981) chứng minh, với giả thuyết Ho là không có sự phụ thuộc không gian (null hypotheis of no spatial dependence)

3.1.4 Hiệu ứng lan toả trực tiếp, gián tiếp (direct, indirect [spillover] effect)

Hệ số β, θ đơn lẻ chỉ phản ánh tác động tức thời (immediate) của biến giải thích tương ứng lên biến phụ thuộc Ngoài ra một biến giải thích còn có tác động biên đầy

đủ lên biến phụ thuộc của cùng section (marginal direct effect) và section khác (marginal indirect effect) Theo Elhorst (2014), bằng cách viết lại phương trình ước lượng tổng quát (eq 3.7) sẽ có

Y = (I-δW)-1(Xβ + WXθ)+R (eq 3.9)

R bao gồm phần dư(residuals) và hệ số chặn (intercept) Tính toán được hiệu ứng tác động đến Y theo thay đổi của X, bao gồm hai thành phần (theo cú pháp ma trận):

- Direct Effect = (I-δW)-1β , là phần ma trận đường chéo Thành phần trong đường chéo phản ánh tác động trực tiếp của một biến trong X tại một section tác động đến Y trong chính section đó

- Indirect Effect = (I-δW)-1Wθ, là phần ma trận bỏ đường chéo (có đường chéo bằng 0) Mỗi thành phần không thuộc đường chéo sẽ phản ánh tác động của một biến X tại một section tác động đến một section khác

Chẳng hạn, hiệu ứng của biến thứ k trong X tại section 1 tác động lên các Y (section

1 … N) được thể hiện qua ma trận:

Một đặc điểm cực kỳ mạnh mẽ của mô hình chính là khả năng đo lường hiệu ứng rất phong phú Một biến phụ thuộc tại một section ngoài chịu tác động của các hiệu ứng trực tiếp từ các biến độc lập cùng section của nó, còn có thể chịu hiệu ứng gián tiếp từ các biến độc lập của các section khác nữa.Với mô hình này, ta có thể đo lường được tác động của biến kinh tế tại một quốc gia tác động đến tỷ suất sinh lợi của thị trường chứng khoán các quốc gia khác như mục tiêu nghiên cứu của đề tài này

Khi N lớn hoặc K (Số biến độc lập trong X) lớn, ma trận hiệu ứng trên cũng sẽ lớn dần gây khó khăn cho thể hiện kết quả nghiên cứu, LeSage and Pace (2009) gợi ý cách thể hiện tổng quát hơn bằng cách lấy số trung bình của đường chéo cho hiệu ứng trực tiếp và số trung bình mỗi cột cho mỗi hiệu ứng gián tiếp

3.1.5 Vấn đềbỏ sót biến và lựa chọn mô hình phụ thuộc không gian Theo LeSage and Pace (2009), có nhiều tác giả (như Brasington and Hite, 2005; Dubin, 1988; Cressie, 1993…) cho rằng vấn đề bỏ sót biến khi sử dụng spatial regression bớt nghiêm trọng hơn rất nhiều so với OLS thông thường và mô hình SDM là tốt nhất cho trường hợp đó Bản thân nghiên cứu của LeSage và Pace (2009) cũng xác nhận SDM là mô hình tốt nhất cho trường hợp có bỏ sót biến Hơn nữa SDM lại bao gồm hai mô hình SAR và SEM nên tính tổng quát rất cao

LeSage and Pace (2009) đưa ra tổng kết lựa chọn mô hình bằng cách thử nghiệm các mô hình giới hạn cho các hàm DGP thực như bảng 3-1

Bảng 3-1 So sánh các áp dụng mô hình spatial econometrics

(Nguồn: Người viết tổng hợp từ Elhorst (2014), LeSage and Page (2009) )

khác mà không thiên lệch (unbiased)

Mô hình áp dụng khác tạo thiên lệch (biased)

Mô hình bị bỏ sót biến gây thiên lệch

SAC

Như vậy SDM là mô hình rất tổng quát, tránh được cả vấn đề bỏ sót biến và thiên lệch ước lượng do lựa chọn sai mô hình hồi quy Đây cũng là lý do nghiên cứu cho luận văn này lựa chọn mô hình SDM, theo đó tỷ suất sinh lợi của một thị trường ngoài phụ thuộc vào biến kinh tế đơn thuần cho thị trường đó còn phụ thuộc vào tỷ suất sinh lợi các thị trường khác và các biến kinh tế từ các thị trường khác thông qua hiệu ứng lan toả

3.2 Mô hình phụ thuộc không gian với dữ liệu bảng (Spatial Panel Data) 3.2.1 Kiểm định sự tồn tại của phụ thuộc chéo trong dữ liệu bảng

Kiểm định Moran’s I test chỉ áp dụng cho dữ liệu chéo không time series Đối với

dữ liệu bảng, Breusch, T.S and Pagan, A.R (1980) phát triển kiểm định Lagrange Multiplier test (LM test), PesaranH (2004) với PCD test(pesaran cross dependence test)

3.2.1.1 Breusch Pagan LM test

Kiểm định được Breusch, T.S and Pagan, A.R (1980) đưa ra dựa trên ý tưởng hồi quy OLS riêng biệt từng section, sau đó kiểm tra sự liên quan giữa phần dư của các section đó

Dưới giả thuyết H0 không có phụ thuộc chéo, CDP N(0,1) khi N và T đủ lớn

3.2.2 Mô hình, phương trình ước lượng

Mô hình spatial econometrics xây dựng mở rộng cho dữ liệu bảng (panel data) thêm chiều thời gian T bổ sung cho chiều không gian N (section) Phương trình tổng quát

eq 3.7 được bổ sung cho dữ liệu tại t, với giả định ma trận W ổn định:

Yt = δWYt + αιN + Xtβ +WXtθ + u, ut = λWut + ϵt (eq 3.13)

Mở rộng thêm hiệu ứng spatial specific effect (hay còn gọi là individual effect trong panel data truyền thống) và time specific effect, Elhorst (2014) đưa ra:

Y = WY + αι + X β + WX θ + μ + ξ ι + u ,

u = λWu + ϵ (eq 3.14) Trong đó, μ = (μ1…μN)T là spatial specific effect, ξt là time specific effect

Với việc giới hạn các giá trị của một hay một hay vài trong số các hệ số δ, α, β, λ bằng 0 sẽ có các mô hình tương ứng như phần 3.1.2.3 (Hệ thống các mô hình spatial econometrics) đã đề cập

Trong thực tế ứng dụng, các mô hình SAR, SEM, SDM được sử dụng nhiều,các mô hình SAC và GNS ít được sử dụng (Elhorst, 2014)

3.2.3 Kỹ thuật ước lượng

LeSage and Pace (2009) cho rằng ước lượng spatial model bằng OLS sẽ dẫn tới sai lệch (biased), không nhất quán (inconsistant) bởi sự tồn tại của biến Wy Trong khi

đó, ước lượng bằng Maximum Likelihood (MLE) lại khắc phục được những nhược điểm này của OLS Lu and Zhang (2010) cho rằng ước lượng GMM cho kết quả gần giống MLE, trong khi phương pháp tính toán lại dễ dàng và sử dụng ít tài nguyên (bộ nhớ, độ phức tạp thuật toán) hơn so với MLE

LeSage and Pace (2009), Elhorst (2014) đều cho rằng các mô hình SAR, SEM, SDM được sử dụng nhiều trong lý thuyết và ước lượng cũng dễ dàng hơn so với mô hình gốc đầy đủ GNS Hơn nữa việc ước lượng các mô hình còn lại như SDEM, SAC đều có thể dẫn suất từ kỹ thuật ước lượng (vấn đề kỹ thuật toán, lập trình) SAR, SEM

Theo LeSage and Pace (2009), Bekti et al (2013), Elhorst (2014), mô hình SDM là trường hợp đặc biệt của SAR khi thay tập hợp biến giải thích X bằng tập hợp mở rộng X: = [X WX]

Thật vậy, từ mô hình SDM gốc: (3.7)

( yit: Biến phụ thuộc của section i, xki,t: biến độc lập thứ k của section i tại t)

 = + + [ ] [ ]′ +

chính là mô hình SAR với biến giải thích Z thay vì X

Vì những đặc điểm nổi trội hơn của mô hình SDM, nghiên cứu này lựa chọn mô hình này để thực hiện và chỉ trình bày tóm tắt kỹ thuật ước lượng Maximum Likelihood cho nó

Theo Elhorst (2014), hàm LogLik cho mô hình SAR ước lượng theo kỹ thuật fixed effect:

Lấy mô hình SDM làm ví dụ: Y = δWY + ατN + Xβ +WXθ + ϵ

Hệ số δ phản ánh sự phụ thuộc (trung bình) của Y của một section vào các Y của các section lân cận Nếu kết quả hồi quy cho δ> 0 và có ý nghĩa thống kê thì chứng

tỏ tồn tại tính vận động cùng hướng (đồng biến) của Y giữa các section Hệ số δ càng lớn chứng tỏ mức độ đồng biến càng cao

Để so sánh các mối liên kết (đo lường bằng W) với nhau xem đo lường nào phản ánh tốt hơn sự đồng biến, Asgharian et al (2013) sử dụng đồng thời mô hình SDM với hai phần tử spatial lag: Y=ρ1W1Y +ρ2W2Y + βX + θ1W1X + θ2W2X + μ + ϵ Nếu ρ1> ρ2 thì chứng tỏ mức độ ảnh hưởng của W1 cao hơn W2 đến sự đồng biến của Y giữa các section

Trong nghiên cứu này, tôi đưa thêm một đo lường so sánh nhằm đánh giá mức độ ảnh hưởng giữa các W bằng tỷ số ρ1/ρ2 Nếu tỷ số này càng lớn chứng tỏ sức vượt trội càng cao giữa W1 so với W2 (và ngược lại)

Trong trường hợp W1 và W2 được xây dựng bằng cách tách từ một ma trận gốc W nhằm so sánh 2 nhóm 50% liên kết cao và 50% liên kết thấp, tỷ số ρ1/ρ2 càng lớn chứng tỏ nhóm section liên kết cao có tính đồng biến lớn hơn nhóm liên kết thấp, hay mối liên kết đó thực sự ảnh hưởng đáng kể đến sự đồng biến

CHƯƠNG 4 LỰA CHỌN VÀ XÂY DỰNG BIẾN

Chương này trình bày lý luận để lựa chọn biến nghiên cứu và cách xây dựng biến từ chuỗi dữ liệu gốc Có 3 loại biến trong mô hình

- Biến phụ thuộc Y là tỷ suất sinh lợi các thị trường chứng khoán

- Biến phản ánh quan hệ kinh tế song phương để xây dựng ma trận trọng số W

- Biến độc lập X là các biến kinh tế mỗi quốc gia

Mô hình đầy đủ theo (eq 3.7): Y = δWY + ατN + Xβ +WXθ + u, u = λWu + ϵ 4.1 Biến phụ thuộc

Biến phụ thuộc là tỷ suất sinh lợi thị trường hằng tháng các quốc gia Tỷ suất sinh lợi hằng tháng được tính bằng thay đổi logarithm của chỉ số chứng khoán bình quân tháng Các chỉ số chứng khoán quốc gia được chọn có thể là chỉ số trực tiếp của thị trường hoặc chỉ số đại diện tham chiếuqua MSCI, nếu chỉ số MSCI đại diện không có thì chọn NASDAQ đại diện

Indexmonth t = DailyAverage(Index days in month t) StockReturnt = log(Indext)-log(Indext-1) 4.2 Nhóm biến đo lường mối liên kết tài chính

Để đo lường mối liên kết phản ánh mối quan hệ giữa các quốc gia được cho là có tác động đến thị trường chứng khoán song phương, có mười mối liên kết được xem xét Mục tiêu của nghiên cứu là xem xét những mối liên kết này có tác động đến tính biến động cùng chiều giữa các thị trường chứng khoán hay không và mức độ tác động so sánh giữa chúng ra sao nếu có

Trong nghiên cứu này, các mối liên kết tài chính được giả định là ổn định trong từng thời kỳ nghiên cứu Do vậy ma trận W cho mỗi mô hình được tính bằng cách lấy dữ liệu cho cả thời kỳ để tính Mỗi phần tử wij có thể là “tỷ lệ song phương”, độ

lệch tiêu chuẩn của một chỉ tiêu song phương, hay các biến thể đo lường từ những chỉ tiêu đó

4.2.1 Dao động tỷ giá song phương

Tỷ giá song phương ổn định sẽ giảm rủi ro tỷ giá Điều này kích thích hoạt động hội nhập kinh tế lẫn nhau giữa hai quốc gia qua đầu tư, thương mại Dao động tỷ giá song phương thấp hay tính ổn định tỷ giá cao cũng khiến kỳ vọng lạm phát giống nhau giữa các quốc gia, làm cho kỳ vọng tỷ suất sinh lợi phi rủi ro giống nhau dẫn tới tính đồng biến thị trường tăng Tuy nhiên các nghiên cứu về tác động của dao động tỷ giá song phương lại cũng cho những kết quả khác nhau

Theo Clark et al (2004), không có bằng chứng cho thấy dao động tỷ giá song phương có tác động xấu đến thương mại song phương vì vậy không thể kết luận dao động tỷ giá song phương làm giảm hay tăng mối liên kết tài chính Bekaert and Harvey (1995) cho thấy không có liên quan giữa dao động tỷ giá song phương với hội nhập tài chính

Heimonen K (2009), nghiên cứu tỷ giá song phương USD, EUR cho rằng sự khác biệt về tỷ suất sinh lợi thị trường Mỹ và EU dẫn tới gia tăng dòng vốn chảy một chiều từ EU vào Mỹ, làm cho giá đồng USD tăng so với EUR Hau and Rey (2002, 2006) lại cho thấy tỷ suất sinh lợi chứng khoán thị trường nội địa cao hơn thị trường nước ngoài thì song hành với giá đồng tiền nội địa thấp Bodart and Reding (1999)

và Beine et al (2010) cũng cho thấy hiệu ứng ngược của dao động tỷ giá tác động lên tính đồng biến của hai thị trường, tức là dao động tỷ giá tác động xấu đến tính hội nhập tài chính Asgharian et al (2013) lại chứng tỏ dao động tỷ giá có ảnh hưởng tích cực đến tính đồng biến của tỷ suất sinh lợi các thị trường

Asgharian et al (2013) sử dụng dao động tỷ giá song phương tính bằng độ lệch tiêu chuẩn của thay đổi giá trị logarith tự nhiên tỷ giá song phương hằng ngày Tôi cũng

sử dụng đo lường này nhưng chia cho mỗi thời kỳ (2004-2006, 2007-2009, 2013)

2010-W={wij = stdev( log(Fij,t) –log(Fij,t-1) )}NxN

Fij là tỷ giá song phương, đo bằng số đồng ngoại tệ đổi một đồng nội tệ Với cách tính này đối với những đồng tiền có giá trị thấp như VND (i) so với USD hay AUD (j) thì wij=0 vì mức độ thay đổi hằng ngày quá nhỏ so với giá trị trung bình Với giả định tỷ giá song phương là đối xứng ở hai quốc gia do tồn tại của Arbitrage, khi đó

wij được lấy xấp xỉ bằng wji

4.2.2 Thương mại song phương

Thương mại song phương càng tăng, sự phụ thuộc kinh tế tài chính giữa hai quốc gia càng lớn, điều này đẩy mạnh sự đồng bộ chu kỳ kinh tế Quốc gia nhập khẩu nhiều suy giảm kinh tế khiến nhu cầu nhập khẩu giảm sẽ tác động đến giá trị và khối lượng xuất khẩu tại các quốc gia xuất khẩu làm cho tác động của chu kỳ kinh

tế được lan toả Điều này đã được đề cập trong hệ thống các mối liên kết kinh tế tài chính của World Bank như phần 2.1.2 Frankel and Rose (1998) cũng khẳng định mối liên hệ giữa thương mại song phương với sự đồng bộ chu kỳ kinh tế Walti (2005), Hasthak (1995) khẳng định hệ số tương quan giữa hai chỉ số thị trường chứng khoán là hàm tăng theo tỷ trọng thương mại song phương và đầu tư trực tiếp song phương

Beine and Candelon (2007) tìm thấy bằng chứng vững chắc để khẳng định tự do hoá thương mại và thương mại song phương tác động tích cực đến tính đồng biến giữa các thị trường chứng khoán các nước mới nổi

Kết quả của Chinn and Forbes (2004) cho thấy thương mại song phương là kênh hiệu quả truyền dẫn các cú sốc từ thị trường chứng khoán các nền kinh tế lớn tới thị trường khác Hai tác giả này cũng khẳng định kênh thương mại trực tiếp là yếu tố lớn và chủ yếu mang tới hiệu ứng lan toả từ thị trường lớn ra toàn thế giới

Beine and Candelon(2011) sử dụng dữ liệu bảng cho 25 quốc gia đang phát triển với 15 năm cho thấy thương mại song phương và cải cách tự do hoá tài chính có tác động tích cực đến mức độ liên kết giữa các thị trường chứng khoán

Moore and Wang (2014) nghiên cứu tính đồng bộ thị trường một số nước châu Á

so sánh với Mỹ thì cho thấy thương mại song phương có ảnh hưởng tích cực

Ma trận W đo lường bằng cầu nối thương mại song phương được tính toán dựa trên

tỷ lệ thương mại song phương của quốc gia i với quốc gia đối ứng j so với toàn bộ các quốc gia (trong mẫu) có quan hệ thương mại với i

bộ giữa các thị trường chứng khoán Hasthak (1995) khẳng định hệ số tương quan giữa hai chỉ số thị trường chứng khoán là hàm tăng theo tỷ trọng thương mại song phương và đầu tư trực tiếp song phương

Asgharian et al (2013) cũng dùng tỷ lệ FDI song phương so với FDI toàn bộ của một quốc gia với các quốc gia trong mẫu Trước đó, Fernadez-Aviles et al (2012) cũng đo lường FDI như luồng đơn thuần nhưng lấy chuẩn hoá theo GDP trong nghiên cứu bằng mô hình gravity Trong nghiên cứu này, tôi sử dụng đo lường tương tự của Asgharian et al (2013)