Nghiên cứu ảnh hưởng lan truyền của suất sinh lợi trung bình và độ biến thiên suất sinh lợi của thị trường chứng khoán mỹ và nhật lên thị trường chứng khoán việt nam

LÂM NGUYỄN THIÊN PHƯƠNG NGHIÊN CỨU ẢNH HƯỞNG LAN TRUYỀN CỦA SUẤT SINH LỢI TRUNG BÌNH VÀ ĐỘ BIẾN THIÊN SUẤT SINH LỢI CỦA THỊ TRƯỜNG CHỨNG KHOÁN MỸ VÀ NHẬT LÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT

LÂM NGUYỄN THIÊN PHƯƠNG

NGHIÊN CỨU ẢNH HƯỞNG LAN TRUYỀN CỦA SUẤT SINH LỢI TRUNG BÌNH VÀ ĐỘ BIẾN THIÊN SUẤT SINH LỢI CỦA THỊ TRƯỜNG CHỨNG KHOÁN MỸ VÀ NHẬT LÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM

Chuyên ngành : QUẢN TRỊ KINH DOANH

KHÓA LUẬN THẠC SĨ

TP HỒ CHÍ MINH, tháng 04 năm 2011

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán bộ hướng dẫn khoa học : TS DƯƠNG NHƯ HÙNG

Cán bộ chấm nhận xét 1 :

Cán bộ chấm nhận xét 2 :

Khóa luận thạc sĩ được bảo vệ/nhận xét tại HỘI ĐỒNG CHẤM BẢO VỆ

KHÓA LUẬN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày tháng năm

NHIỆM VỤ KHÓA LUẬN THẠC SĨ

Họ và tên học viên: LÂM NGUYỄN THIÊN PHƯƠNG Giới tính : Nữ

Ngày, tháng, năm sinh : 01/10/1981 Nơi sinh : TP.Hồ Chí Minh Chuyên ngành : QUẢN TRỊ KINH DOANH

Khoá (Năm trúng tuyển) : 2009

1- TÊN ĐỀ TÀI: NGHIÊN CỨU ẢNH HƯỞNG LAN TRUYỀN CỦA SUẤT SINH LỢI TRUNG BÌNH VÀ ĐỘ BIẾN THIÊN SUẤT SINH LỢI CỦA THỊ TRƯỜNG CHỨNG KHOÁN MỸ VÀ NHẬT LÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM 2- NHIỆM VỤ KHÓA LUẬN:

• Tìm hiểu mô hình ARCH/GARCH

• Ứng dụng mô hình GARCH để nghiên cứu ảnh hưởng của suất sinh lợi trung bình và

độ biến thiên suất sinh lợi trung bình của thị trường chứng khoán Mỹ và Nhật lên thị trường chứng khoán Việt Nam

• Nghiên cứu ảnh hưởng của khối lượng giao dịch lên độ biến thiên suất sinh lợi

3- NGÀY GIAO NHIỆM VỤ : 11/2010

4- NGÀY HOÀN THÀNH NHIỆM VỤ : 18/04/2011

5- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: TS DƯƠNG NHƯ HÙNG

Nội dung và đề cương Khóa luận thạc sĩ đã được Hội Đồng Chuyên Ngành thông qua

QUẢN LÝ CHUYÊN NGÀNH

TS DƯƠNG NHƯ HÙNG

Trước tiên, tôi xin chân thành cảm ơn TS Dương Như Hùng đã dành thời gian và công sức để hướng dẫn tôi hoàn thành khóa luận này

Đồng thời, tôi cũng xin gởi lời cảm ơn sâu sắc đến quý Thầy Cô trong khoa Quản Lý Công Nghiệp đã tận tình chỉ dạy và truyền đạt cho tôi những kiến thức và kinh nghiệm quý báu trong suốt quá trình học tại trường ĐHBK Xin gửi lời cám ơn chân thành đến ba, em, cô chú, và những người bạn đã động viên và hỗ trợ tôi rất nhiều trong thời gian học tập

Trân trọng Học viên cao học khóa 2009 Lâm Nguyễn Thiên Phương

Nghiên cứu này sử dụng mô hình ARMA(1,1)-GARCH(1,1)-M để khảo sát ảnh hưởng lan truyền suất sinh lợi trung bình và sự biến thiên suất sinh lợi từ TTCK

Mỹ và Nhật tới TTCK Việt Nam Ngoài ra, nghiên cứu này cũng xét ảnh hưởng của khối lượng giao dịch lên sự biến thiên của suất sinh lợi Kết quả thực nghiệm với dữ liệu từ tháng 1/2005 đến tháng 12/2010 như sau:

(1) Mô hình ARMA(1,1)-GARCH(1,1)-M chưa phải là mô hình tốt nhất để mô

tả độ biến thiên suất sinh lợi của TTCK Việt Nam

(2) Khối lượng giao dịch có ảnh hưởng lên độ biến thiên

(3) Có ảnh hưởng lan truyền suất sinh lợi và độ biến thiên suất sinh lợi từ TTCK

Mỹ và Nhật lên TTCK Việt Nam

(4) Ảnh hưởng lan truyền suất sinh lợi của TTCK Mỹ lên TTCK Việt Nam lớn hơn ảnh hưởng lan truyền của TTCK Nhật lên TTCK Việt Nam

This study investigates the mean return and volatility spillover effects from the two influential stock markets of the U.S and Japan to the stock market of Vietnam

by analyzing ARMA(1,1)-GARCH(1,1)-M model In addition, this study investigates the impact of trading volume on volatility The empirical results from examining the data for the period of 2005 to 2010 are as follows:

(1) The ARMA(1,1)-GARCH(1,1)-M employed is not the best model to explain return volatility of Vietnamese stock market

(2) Trading volume influences return volatility

(3) There are significant return and volatility spillover effects from the U.S and Japanese markets to Vietnamese stock market

(4) The U.S market appears to be more influential than the Japanese market in transmitting return and volatility to Vietnamese market

MỤC LỤC

CHƯƠNG 1: MỞ ĐẦU 3

1.1 LÝ DO HÌNH THÀNH ĐỀ TÀI 3

1.2 MỤC TIÊU NGHIÊN CỨU 4

1.3 Ý NGHĨA NGHIÊN CỨU 4

1.4 PHẠM VI NGHIÊN CỨU 4

CHƯƠNG 2: CƠ SỞ NGHIÊN CỨU 5

2.1 CÁC NGHIÊN CỨU TRƯỚC ĐÂY 5

2.2 LÝ THUYẾT THỊ TRƯỜNG HIỆU QUẢ 5

2.3 PHÂN TÍCH CHUỖI THỜI GIAN 6

2.3.1 Tính dừng của chuỗi thời gian 6

2.3.2 Phương sai của sai số thay đổi (Heteroscedasticity) 7

2.3.3 Tương quan chuỗi 7

2.4 MÔ HÌNH ARCH 8

2.4.1 Giới thiệu mô hình ARCH 8

2.4.2 Kiểm định ảnh hưởng ARCH 10

2.4.3 Xác định bậc của mô hình ARCH(q) 11

2.4.4 Ước lượng mô hình ARCH 11

2.5 MÔ HÌNH GARCH 12

2.5.1 Giới thiệu mô hình GARCH 12

2.5.2 Mô hình GARCH-M (GARCH-in-Mean) 13

CHƯƠNG 3: MÔ HÌNH VÀ DỮ LIỆU NGHIÊN CỨU 14

3.1 DỮ LIỆU 14

3.2 MÔ HÌNH NGHIÊN CỨU 16

3.2.1 Mô hình ảnh hưởng lan truyền không có biến khối lượng giao dịch 17

3.2.2 Mô hình ảnh hưởng lan truyền khi có biến khối lượng giao dịch 19

CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM 20

4.1 PHÂN TÍCH DỮ LIỆU 20

4.2 PHÂN TÍCH TƯƠNG QUAN 24

4.3 ẢNH HƯỞNG LAN TRUYỀN SUẤT SINH LỢI VÀ ĐỘ BIẾN THIÊN 25

4.3.1 Ảnh hưởng lan truyền không có biến khối lượng giao dịch 25

4.3.2 Ảnh hưởng lan truyền khi có biến khối lượng giao dịch 29

CHƯƠNG 5: KẾT LUẬN 34

TÀI LIỆU THAM KHẢO 35

PHỤ LỤC 37

sự phát triển lớn mạnh của mình

Hiện nay, việc Việt Nam trở thành thành viên của tổ chức WTO đã mang lại nhiều cơ hội cho việc phát triển kinh tế cũng như thị trường chứng khoán Thực tế, thị trường chứng khoán Việt Nam bắt đầu bùng nổ từ năm 2006 và tiếp tục tăng trưởng trong năm 2007 VN-Index đạt kỷ lục với 1170 điểm vào ngày 12/3/2007 Tuy nhiên đến năm 2008, do chịu ảnh hưởng của cuộc khủng hoảng tài chính xuất phát từ Mỹ, VN-Index giảm điểm Tình trạng sụt giảm của TTCK Việt Nam cũng tương tự như nhiều TTCK trên thế giới Liệu có tương quan hay ảnh hưởng lan truyền từ thị trường các nước phát triển tới thị trường chứng khoán Việt Nam? Nghiên cứu này ứng dụng

mô hình GARCH (Bollerslev, 1986) để khảo sát ảnh hưởng lan truyền này Phần lớn các nghiên cứu về sự ảnh hưởng lan truyền suất sinh lợi và độ biến thiên của suất sinh lợi đều tập trung vào các thị trường phát triển như Mỹ, Nhật và các nước châu Âu, châu Á phát triển khác như Anh, Hàn Quốc, Đài Loan, Trung Quốc, Singapore… Cũng

có các nghiên cứu về thị trường các nước mới nổi ở Đông Nam Á như Malaysia,

Indonesia (Trang & Kakinaka, 2010) nhưng có rất ít nghiên cứu về hiệu ứng này ở Việt Nam

1.2 MỤC TIÊU NGHIÊN CỨU

Nghiên cứu này ứng dụng mô hình GARCH để:

• Khảo sát ảnh hưởng của khối lượng giao dịch lên độ biến thiên suất sinh lợi

• Kiểm chứng hiệu ứng ảnh hưởng lan truyền suất sinh lợi trung bình và độ biến thiên suất sinh lợi từ thị trường chứng khoán Mỹ và Nhật lên thị trường chứng khoán Việt Nam

1.3 Ý NGHĨA NGHIÊN CỨU

Ứng dụng mô hình GARCH để giải thích sự biến thiên suất sinh lợi và dự báo giá

cổ phiếu trên thị trường chứng khoán Việt Nam Nghiên cứu ảnh hưởng lan truyền từ các thị trường chứng khoán phát triển như Mỹ, Nhật tới thị trường chứng khoán mới nổi như Việt Nam giúp cho nhà đầu tư có thể dự báo sự biến động của giá cổ phiếu thông qua các thông tin từ các thị trường đó, từ đó có chiến lược đầu tư thích hợp để đạt được lợi nhuận kỳ vọng

1.4 PHẠM VI NGHIÊN CỨU

Nghiên cứu khảo sát ảnh hưởng làn truyền suất sinh lợi, độ biến thiên của suất sinh lợi và khối lượng giao dịch của thị trường chứng khoán: Mỹ, Nhật lên thị trường chứng khoán Việt Nam, từ tháng 1/2005 đến tháng 12/2010 Các chỉ số chứng khoán của từng thị trường Mỹ, Nhật, Việt Nam được chọn để nghiên cứu lần lượt là S&P 500 (Standard & Poors 500 Composite Index), Nikkei 225 và VN-Index

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT

2.1 CÁC NGHIÊN CỨU TRƯỚC ĐÂY

Có rất nhiều nghiên cứu về sự tương quan và ảnh hưởng lan truyền của suất sinh lợi trung bình và sự biến thiên về giá giữa các thị trường chứng khoán trên thế giới Phần lớn các nghiên cứu này cho thấy những bằng chứng về sự dịch chuyển từ những thị trường lớn như Mỹ, Nhật lên những thị trường đã phát triển hoặc mới nổi

Hamao, Masulis và Ng (1990) nghiên cứu mối quan hệ trong ngắn hạn của giá chứng khoán và sự biến thiên của giá giữa ba thị trường chứng khoán Mỹ, Nhật và Anh Liu và Pan (1997) nghiên cứu hiệu ứng lan truyền suất sinh lợi và sự biến thiên từ thị trường Mỹ và Nhật tới thị trường của bốn nước châu Á (Hồng Kông, Singapore, Đài Loan và Thái Lan) trong thời kỳ 1984 tới 1991 Ngoài ra, nghiên cứu của Park và Fatemi (1993) cũng cho thấy có sự dịch chuyển từ các thị trường phát triển đến các thị trường mới nổi ở châu Á Kết quả nghiên cứu rất gần đây của Trang và Kakinaka (2010) cho thấy có sự ảnh hưởng lan truyền của thị trường Mỹ, Nhật và Trung Quốc lên thị trường các nước Đông Nam Á như Indonesia và Malaysia

Các nghiên cứu thường sử dụng mô hình ARCH và GARCH và các mô hình mở rộng từ hai mô hình này để mô hình hóa sự biến thiên của suất sinh lợi cũng như sự ảnh hưởng lan truyền suất sinh lợi và sự biến thiên về suất sinh lợi giữa các thị trường

2.2 LÝ THUYẾT THỊ TRƯỜNG HIỆU QUẢ

Theo Fama (1970), giá chứng khoán điều chỉnh ngay lập tức và phản ánh đầy đủ tất cả những thông tin liên quan tới nó Nói cách khác, thị trường vốn hiệu quả về mặt thông tin Nếu một thị trường là hiệu quả thì không có một nhà đầu tư nào có thể tạo ra

được lợi nhuận tăng thêm (excess return) trong dài hạn Có ba dạng thị trường hiệu quả:

• Thị trường hiệu quả dạng yếu (weak form): Các nhà đầu tư không thể tạo ra được lợi nhuận tăng thêm nếu chỉ sử dụng thông tin trong quá khứ như giá cổ phiếu, khối lượng giao dịch…

• Thị trường hiệu quả dạng trung bình (semistrong form): Các thông tin được công bố cũng không giúp dự báo giá tương lai Các thông tin được công bố bao gồm các thông báo về lợi tức và cổ tức, các báo cáo thường niên, thông tin về phát hành cổ phiếu mới…

• Thị trường hiệu quả dạng mạnh (strong form): Không một nhà đầu tư nào (kể cả các lãnh đạo công ty, các nhà quản lý quỹ ) có thể tạo ra được lợi nhuận tăng thêm khi sử dụng thông tin được công bố cũng như thông tin nội bộ

Tính hiệu quả của thị trường hàm ý rằng không thể dự báo được suất sinh lợi từ các biến trong quá khứ Nói cách khác, nhà đầu tư không thể thắng được thị trường hay tạo ra lợi nhuận tăng thêm trong một thời gian dài

2.3 PHÂN TÍCH CHUỖI THỜI GIAN

2.3.1 Tính dừng của chuỗi thời gian

Một khái niệm quan trọng trong các quy trình phân tích chuỗi thời gian là tính dừng Một quá trình ngẫu nhiên Yt được xem là dừng nếu như: trung bình và phương sai của quá trình không thay đổi theo thời gian, giá trị của đồng phương sai giữa hai thời đoạn chỉ phụ thuộc vào khoảng cách hay 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

Tính dừng của một chuỗi thời gian có thể được nhận biết dựa trên đồ thị của chuỗi thời gian, đồ thị của hàm tự tương quan mẫu hay kiểm định Dickey-Fuller (kiểm định nghiệm đơn vị)

2.3.2 Phương sai của sai số thay đổi (Heteroscedasticity)

Các mô hình kinh tế lượng cổ điển đều giả định phương sai của sai số là không đổi theo thời gian (homoscedasticity) Tuy nhiên trong nhiều trường hợp liên quan đến

dữ liệu chéo hoặc dữ liệu nhóm thì giả thuyết này có thể sai Hiện tượng phương sai của sai số thay đổi cũng xuất hiện trong dữ liệu chuỗi thời gian tài chính vì giá của các tài sản tài chính có khuynh hướng dao động rất nhiều khi có ảnh hưởng của các tin tức tốt và xấu có liên quan

Nếu ta bỏ qua phương sai của sai số thay đổi thì các ước lượng và dự báo dựa trên các ước lượng đó vẫn không thiên lệch và nhất quán Tuy nhiên, ước lượng OLS không còn là BLUE (Best Linear Unbiased Estimator) và sẽ không hiệu quả, các dự báo cũng

sẽ không hiệu quả Ngoài ra, phương sai và đồng phương sai ước lượng của các hệ số hồi quy sẽ thiên lệch và do đó các kiểm định giả thuyết (kiểm định t và F) không còn hiệu lực

Các phương pháp kiểm định phương sai của sai số thay đổi: Phương pháp đồ thị (chỉ có tính gợi ý về phương sai của sai số thay đổi và không thay thế được kiểm định

chính thức), kiểm định nhân tử Lagrange, kiểm định Goldfeld-Quandt, kiểm định của White

2.3.3 Tương quan chuỗi

Một giả định khác trong mô hình hồi quy tuyến tính cổ điển là các số hạng sai số

ut và us cho các quan sát khác nhau t và s là phân phối độc lập Tính chất này gọi là độc lập chuỗi Tuy nhiên, trong kinh tế lượng chuỗi thời gian, giả định này thường sẽ bị vi

phạm Các số hạng sai số cho các thời đoạn không quá cách xa có thể tương quan với nhau Tính chất này gọi là tương quan chuỗi hay tự tương quan Cũng giống như hiện tượng phương sai của sai số thay đổi, khi có tương quan chuỗi thì các ước lượng OLS vẫn không thiên lệch và nhất quán nhưng không hiệu quả Trong trường hợp tự tương quan dương và biến độc lập Xt tăng lên theo thời gian (rất thường xảy ra trong chuỗi thời gian), các giá trị ước lượng của sai số chuẩn theo OLS có xu hướng nhỏ hơn các sai số chuẩn thực sự của tổng thể Điều này có nghĩa rằng R2 tính toán sẽ là một ước lượng quá cao (dễ nhầm lẫn mức độ phù hợp cao) và các trị thống kê t sẽ có xu hướng

có ý nghĩa hơn giá trị thực sự của chúng Nói chung, các sai số chuẩn của hệ số hồi quy OLS sẽ bị lệch và không nhất quán, và vì thế việc kiểm định thống kê sẽ không còn đáng tin cậy nữa

Các kiểm định chuỗi thời gian có tương quan chuỗi thường dùng gồm có: kiểm định Durbin-Watson (kiểm định tương quan chuỗi bậc một), kiểm định nhân tử Lagrange của Breusch-Godfrey hoặc thống kê Q của Ljung-Box

2.4 MÔ HÌNH ARCH

2.4.1 Giới thiệu mô hình ARCH

Độ biến thiên (volatility) là một vấn đề được rất nhiều nhà nghiên cứu cũng như nhà đầu tư quan tâm bên cạnh suất sinh lợi Các nghiên cứu về chuỗi thời gian còn cho thấy thêm một tính chất của độ biến thiên là độ biến thiên có tính tập trung (volatility clustering), nghĩa là các thay đổi lớn trong suất sinh lợi dường như theo sau bởi những thay đổi khác trước khi có xu hướng giảm xuống Tuy nhiên, các mô hình hồi quy cổ điển không mô tả được độ biến thiên thay đổi theo thời gian này

Mô hình ARCH (Autoregressive Conditional Heteroscedasticity – phương sai của sai số thay đổi có điều kiện tự hồi quy) là mô hình đầu tiên mô hình hóa độ biến thiên được đề xuất bởi Engle (1982) Trong mô hình này, sai số dự báo của chuỗi suất sinh

lợi, εt, không có tương quan chuỗi nhưng phụ thuộc, với trung bình bằng 0 và phương sai có điều kiện của εt là σt2 Sự phụ thuộc của εt được mô tả bằng một hàm đơn giản gồm bình phương các giá trị trễ của nó Mô hình ARCH đơn giản nhất là mô hình ARCH(1) có dạng:

Nhược điểm của mô hình ARCH là mô hình này giả định rằng các sai số dương

và âm đều ảnh hưởng như nhau lên độ biến thiên bởi vì độ biến thiên phụ thuộc vào bình phương các sai số trong quá khứ Trong thực tế, giá của các loại tài sản tài chính thay đổi khác nhau đối với các sai số dương và âm

2.4.2 Kiểm định ảnh hưởng ARCH

Bước 1: Xác định phương trình trung bình cho chuỗi suất sinh lợi (ví dụ mô hình

ARMA) Sau đó ước lượng phương trình trung bình theo phương pháp OLS

Trong đó: x là biến giải thích, có thể là biến giả cho ngày thứ hai để nghiên cứu it

ảnh hưởng của ngày cuối tuần (effect of weekend), ảnh hưởng của các ngày trong tuần (day of a week effect)… cho chuỗi suất sinh lợi hàng ngày

Bậc (p,q) trong mô hình ARMA có thể phụ thuộc vào tần suất của chuỗi thời gian suất sinh lợi Ví dụ: chuỗi suất sinh lợi hàng ngày của chỉ số thị trường (market index) thường có tương quan chuỗi rất nhỏ, còn chuỗi suất sinh lợi hàng tháng gần như không

có tương quan chuỗi

Bước 2: Sử dụng phần dư trong phương trình trung bình để kiểm định ảnh hưởng

ARCH Có hai loại kiểm định:

• Sử dụng thống kê Ljung-Box Q(m) cho chuỗi { }2

t

ε Giả thuyết H0 là m độ trễ đầu tiên của chuỗi 2

t

ε bằng 0

• KIểm định nhân tử Lagrange của Engle (1982):

Ước lượng phương trình hồi quy phụ:

Tính R T với 2* R là hệ số xác định của phương trình hồi quy phụ, T là số quan 2

sát của chuỗi dữ liệu Thống kê này sẽ tuân theo phân phối χ2 với bậc tự do là số độ trễ q Nếu trị thống kê tính toánχ2 lớn hơn χ2 tra bảng thì chúng ta bác bỏ giả thiết

H0 Khi đó ta có thể kết luận rằng chuỗi dữ liệu đang xét có ảnh hưởng ARCH

2.4.3 Xác định bậc của mô hình ARCH(q)

Có thể sử dụng hàm tư tương quan PACF để xác định bậc của mô hình ARCH

2.4.4 Ước lượng mô hình ARCH

Phương trình trung bình và phương trình phương sai được ước lượng đồng thời bằng các phương pháp thích hợp cực đại (Maximum Likelihood Estimation), thích hợp

cực đại gần đúng (Quasi Maximum Likelihood Estimation), GMM (Generalized Method of Moments)

2.5 MÔ HÌNH GARCH

2.5.1 Giới thiệu mô hình GARCH

Mặc dù mô hình ARCH đơn giản nhưng nó thường yêu cầu phải có nhiều thông

số mới có thể mô tả được quá trình biến thiên của suất sinh lợi Trong mô hình ARCH(q), khi q lớn (điều này đặc biệt đúng trong tài chính khi sử dụng dữ liệu ngày hoặc tuần) thì việc ước lượng rất nhiều hệ số αi sẽ khó chính xác Bollerslev (1986) đã

mở rộng mô hình ARCH thành mô hình ARCH tổng quát (Generalized ARCH hay mô hình GARCH) Mô hình GARCH(p,q) có dạng:

∑

Điều kiện ràng buộc của (α βi+ j) hàm ý rằng phương sai không điều kiện của εt

là xác định, còn phương sai có điều kiện thì thay đổi theo thời gian Cũng tương tự như

Student chuẩn hóa

0 1 1 1

2 1

t

σ =α +α ε − +β σ −

t

(2.6) Các trường hợp mô hình GARCH (p,q) với bậc p, q lớn hơn thường chỉ được dùng trong các chuỗi dữ liệu dài (ví dụ như dữ liệu ngày của vài thập kỷ hay dữ liệu giờ của vài năm)

2.5.2 Mô hình GARCH-M (GARCH-in-Mean)

Mô hình này của Engle, Lilien và Robins (1987) bao gồm thành phần phương sai

có điều kiện trong công thức trung bình Nó mô tả được sự đánh đổi (trade-off) giữa lợi nhuận và rủi ro Lý thuyết tài chính cho rằng phương sai lớn (nghĩa là rủi ro lớn) sẽ tạo

ra lợi nhuận kỳ vọng lớn Để mô tả hiện tượng này, ta dùng mô hình GARCH-in-Mean (GARCH-M) Mô hình đơn giản GARCH(1,1)-M có dạng:

CHƯƠNG 3: DỮ LIỆU VÀ MÔ HÌNH NGHIÊN CỨU

3.1 DỮ LIỆU

Dữ liệu sử dụng trong nghiên cứu này là giá đóng cửa hàng ngày và khối lượng giao dịch của các chỉ số của ba thị trường chứng khoán: Việt Nam (VN-Index), Mỹ (S&P 500), Nhật (Nikkei 225) từ ngày 5/1/2005 đến 30/12/2010

Chỉ số VN-Index được lấy từ trang web www.cophieu68.com, có kiểm tra lại với

dữ liệu của website của Sở giao dịch chứng khoán TP.HCM Hiện nay, VN-Index là chỉ số đại diện cho tất cả cổ phiếu niêm yết tại Sở giao dịch chứng khoán TP.HCM VN-Index được tính bằng phương pháp bình quân trọng số theo quy mô vốn hóa thị trường (value-weighted index hay capitalization-weighted index)

S&P 500 và Nikkei 225 được lấy từ trang web finance.yahoo.com S&P 500 (Standard & Poor’s 500 Composite Index) là một chỉ số bao gồm 500 loại cổ phiếu được lựa chọn từ 500 công ty có mức vốn hóa thị trường lớn nhất của Mỹ S&P 500 được tính bằng phương pháp bình quân trọng số theo quy mô vốn hóa thị trường Nikkei 225 là chỉ số của 225 cổ phiếu của 225 công ty lớn nhất của Nhật, niêm yết trên

Sở giao dịch chứng khoán Tokyo Nikkei 225 được tính bằng phương pháp bình quân theo giá (price-weighted index)

Suất sinh lợi hàng ngày của từng chỉ số được tính theo công thức:

p−

⎝ ⎠ (3.1) Trong đó, p , t p t−1 là chỉ số vào ngày t và t-1

Khối lượng giao dịch hàng ngày của từng chỉ số được hiệu chỉnh theo công thức:

volume−

⎝ ⎠ (3.2) Trong đó, volume t, volume t−1 là giá trị khối lượng giao dịch vào ngày t và t-1 lấy từ

website Việc hiệu chỉnh khối lượng giao dịch như công thức trên nhằm chuyển chuỗi khối lượng giao dịch không dừng thành chuỗi { }V t là chuỗi dừng Sau đây, chuỗi

“khối lượng giao dịch” được hiểu là chuỗi { }V t

Việc tính toán và xử lý số liệu được thực hiện bằng phần mềm excel như sau Đầu tiên tính suất sinh lợi và khối lượng giao dịch theo công thức (3.1) và (3.2) Lấy dữ liệu của một thị trường làm gốc (ví dụ dữ liệu S&P 500), sau đó dò tìm những giá trị suất sinh lợi và khối lượng giao dịch của hai thị trường còn lại tương ứng với ngày giao dịch của thị trường Mỹ Với những giá trị bị trống (missing data) do những ngày mà các thị trường chứng khoán không cùng hoạt động (ngày nghỉ của thị trường này nhưng

là ngày mở cửa giao dịch của thị trường khác) thì dữ liệu của các ngày đó sẽ bị xóa để đảm bảo dữ liệu được liên tục khi xử lý bằng phần mềm Eviews

Bảng 3.1: Giờ giao dịch của các thị trường theo giờ EST

Nước Giờ giao dịch EST (Eastern Standard Times)

3.2 MÔ HÌNH NGHIÊN CỨU

Nghiên cứu này sử dụng mô hình GARCH và cách tiếp cận 2 bước trong mô hình của Liu và Pan (1997) và mô hình của Trang (2010) để kiểm tra ảnh hưởng lan truyền suất sinh lợi và sự biến thiên của TTCK Mỹ và Nhật lên TTCK Việt Nam Ngoài ra, nghiên cứu này cũng khảo sát ảnh hưởng của khối lượng giao dịch lên suất sinh lợi và

độ biến thiên, so sánh tác động lan truyền của 2 trường hợp có và không có biến khối lượng giao dịch

Mô hình giả định chỉ có tác động lan truyền từ TTCK Mỹ tới TTCK các nước và tác động lan truyền từ TTCK Nhật tới TTCK Việt Nam, không có tác động ngược lại

Có 2 trường hợp tác động:

• Trường hợp 1: chỉ có TTCK Mỹ tác động tới TTCK Việt Nam

• Trường hợp 2: cả 2 TTCK Mỹ và Nhật tác động tới TTCK Việt Nam

Hình 3.1: Sơ đồ ảnh hưởng lan truyền

Trong bước thứ nhất, mô hình GARCH được sử dụng để mô hình hóa suất sinh lợi trung bình và sự biến thiên của TTCK Mỹ Bước thứ hai, phần dư từ mô hình (eUS)

sẽ được đưa vào mô hình GARCH của TTCK Nhật và Việt Nam Đối với trường hợp 2

(xem hình 3.1), phần dư từ mô hình GARCH của TTCK Nhật (eJP) sẽ được sử dụng để khảo sát tác động của TTCK Nhật tới TTCK Việt Nam

3.2.1 Mô hình ảnh hưởng lan truyền không có biến khối lượng giao dịch:

Bước 1: Sử dụng mô hình ARMA(1,1)-GARCH(1-1)-M ước lượng suất sinh lợi và sự

biến thiên của từng thị trường Mỹ, Nhật và Việt Nam như nghiên cứu của Liu và Pan (1997) và Trang (2010) Trong từng bước, nghiên cứu này đều khảo sát trường hợp không có tác động lan truyền để so sánh với trường hợp có tác động lan truyền

4 2

Theo Hamao (1990) và Liu và Pan (1997), mô hình ARMA(1,1) hay MA(1) được

sử dụng trong phương trình trung bình để điều chỉnh sự tương quan chuỗi của chuỗi suất sinh lợi Ngoài ra, việc ước lượng mô hình GARCH-M với quá trình trung bình trượt MA bậc cao hơn cũng không làm tăng ý nghĩa thống kê của các thông số MA bậc cao so với MA(1) (Hamao, 1990)

Bước 2: Nghiên cứu ảnh hưởng lan truyền từ TTCK Mỹ và Nhật tới TTCK Việt Nam

Phần dư từ mô hình GARCH của thị trường Mỹ (eUS) sẽ được sử dụng để khảo sát ảnh hưởng lan truyền Do sự chênh lệch múi giờ giữa các thị trường (xem bảng 3.1), một cú sốc của TTCK Mỹ vào ngày t sẽ ảnh hưởng tới TTCK Việt Nam và Nhật vào ngày t+1 Do đó ta sẽ đưa biến phần dư trễ 1 ngày của TTCK Mỹ vào TTCK Việt Nam và Nhật

4 2

sát ảnh hưởng lan truyền lên suất sinh lợi và độ biến thiên nên được đưa vào phương trình trung bình và

US t

e − được đưa vào phương trình phương sai

Phương trình (3.5) và (3.6) khảo sát ảnh hưởng lan truyền của TTCK Mỹ tới TTCK Việt Nam và Nhật Tiếp theo, phần dư từ mô hình GARCH của TTCK Nhật sẽ được dùng để khảo sát ảnh hưởng lan truyền của cả hai TTCK Mỹ và Nhật tới TTCK Việt Nam:

4 2

3.2.2 Mô hình ảnh hưởng lan truyền khi có biến khối lượng giao dịch:

m biến khối lượng giao d

t

Phần này thực hiện các bước tương tự như trên, chỉ khác là có đưa thê

ịch vào phương trình phương sai Các mô hình gồm có:

Bước 1:

4 2

ình phương của TTCK Mỹ và

Ước lượng các thông số của mô hình bằ

CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM

4.1 PHÂN TÍCH D

Hình 4.1: Đồ thị giá và suất sinh lợi hàng ngày của các chỉ số chứng khoán

Ữ LIỆU

ình 4.1 gồm các đồ thị của giá đóng cửa và suất sinh lợi hàng ngày theo thời gian

o chuỗi suất sinh lợi

và kh

H

của các chỉ số chứng khoán Bên trái là đồ thị giá và bên phải là đồ thi suất sinh lợi, theo thứ tự từ trên xuống là VN-Index (VNINDEX, RVN), S&P 500 (SP500, RUS), Nikkei 225 (N225, RJP) Nhìn vào đồ thị giá ta thấy giá của cả 3 chỉ số dao động nhiều Giá của VN-Index tăng mạnh trong năm 2006 Đây là thời gian thị trường chứng khoán Việt Nam “bùng nổ”, với 809.9 điểm vào ngày 20/12/2006 là điểm cao nhất trong năm 2006 Giá của 3 chỉ số chứng khoán bắt đầu giảm vào giữa năm 2007

và giảm mạnh vào đầu năm 2008 Từ năm 2008 đến 2009 thị trường chứng khoán sụt giảm do cuộc khủng hoảng tài chính ở Mỹ từ năm 2007, sau đó lan ra các nước khác, trong đó có Nhật và Việt Nam Đồ thị suất sinh lợi cũng cho thấy suất sinh lợi biến động rất mạnh trong thời gian này ở cả 3 thị trường Ngoài ra, thị trường chứng khoán Việt Nam là một thị trường mới nổi nên giá chứng khoán biến động nhiều hơn so với thị trường chứng khoán của các nước phát triển như Mỹ và Nhật

Bảng 4.1 dưới đây tóm tắt những thông số thống kê cơ bản ch

ối lượng giao dịch hàng ngày từ tháng 1/2005 đến tháng 12/2010 với 1357 quan sát Suất sinh lợi trung bình và phương sai của Việt Nam cao nhất, kế đến là Nhật Suất sinh lợi trung bình và phương sai của Mỹ thấp nhất Đặc điểm này dường như đúng với

các mô hình về quan hệ giữa lợi nhuận và rủi ro: rủi ro càng cao thì lợi nhuận yêu cầu càng càng cao

Ngoài ra, giá trị độ nghiêng (skewness) của ba chuỗi suất sinh lợi đều âm và giá trị độ

ị thống kê Q của Ljung-Box của chuỗi suất s

ịch cũng có phân phối giống với chuỗi suất s

nhọn (kurtosis) lớn hơn 3 cho thấy hàm phân phối của ba chuỗi suất sinh lợi bị nghiêng trái và có đuôi dài Trị thống kê Jarque-Bera và giá trị p-value rất nhỏ cũng đã bác bỏ giả thuyết không là chuỗi suất sinh lợi của các thị trường này có phân phối chuẩn Kết quả này phù hợp với các nghiên cứu về hàm phân phối xác suất của chuỗi suất sinh lợi hàng ngày của cổ phiếu Do đó, một số hàm phân phối xác suất có đuôi dài (leptokurtic distribution) đã được đề nghị thay thế hàm phân phối chuẩn để mô tả chuỗi suất sinh lợi hàng ngày (Akgiray, 1989)

Các giá trị LB(k) và LB2(k) lần lượt là tr

inh lợi và chuỗi suất sinh lợi bình phương ở các độ trễ k Kết quả cho thấy chuỗi suất sinh lợi của thị trường Việt Nam và Mỹ có tương quan chuỗi ngay cả ở các độ trễ lớn, trong khi chuỗi suất sinh lợi của thị trường Nhật có tương quan chuỗi bậc 1 và là tương quan yếu (xem phụ lục, hình A5) Ngoài ra, các trị thống kê Q và hệ số tự tương quan của chuỗi suất sinh lợi bình phương và chuỗi suất sinh lợi trị tuyệt đối ở 3 thị trường đều có ý nghĩa thống kê và lớn hơn chuỗi suất sinh lợi thô rất nhiều (xem phụ lục, hình A1-A9) Kết quả phù hợp với Tsay (2005): chuỗi suất sinh lợi hàng ngày có tương quan chuỗi yếu nhưng là chuỗi phụ thuộc Do đó, các mô hình độ biến thiên đều

cố gắng giải thích sự phụ thuộc chuỗi này

Tiếp theo, ta thấy chuỗi khối lượng giao d

inh lợi, nghĩa là hàm phân phối có đuôi dài (kurtosis > 3) Kiểm định nghiệm đơn

vị của Dickey-Fuller cho 3 chuỗi suất sinh lợi và 3 chuỗi khối lượng giao dịch đều bác

bỏ giả thuyết H0 (chuỗi không dừng) Như vậy các chuỗi này đều là chuỗi dừng (Xem phụ lục, bảng B1-B6)

Bảng 4.1: Tóm tắt thống kê của chuỗi suất sinh lợi và khối lượng giao dịch hàng ngày

4.2 PHÂN TÍCH TƯƠNG QUAN

Phần trên đã trình bày về tính tương quan chuỗi của các chuỗi suất sinh lợi Phần sau sẽ khảo sát sự tương quan giữa các thị trường

Bảng 4.2: Ma trận tương quan giữa các chuỗi suất sinh lợi

số tương quan giữa RUS với RVN và RJP rất thấp (-0.014925 đối với RVN và 0.123067 đối với RJP) Hệ số tương quan của RUS(-1) với RVN và RJP đều dương và lớn hơn (0.276090 đối với RVN và 0.538014 đối với RJP) Kết quả này phù hợp với Trang (2010) khi nghiên cứu sự tương quan giữa suất sinh lợi của Mỹ và các nước châu Á (Nhật, Trung Quốc, Indonesia, Malaysia) Điều này cho thấy có thể có sự tác động của suất sinh lợi từ thị trường Mỹ tới thị trường Việt Nam và Nhật Ta cũng thấy

hệ số tương quan giữa RVN và RJP (0.234109) thấp hơn hệ số tương quan giữa RVN

và RUS(-1) nên cũng kỳ vọng kết quả là ảnh hưởng của TTCK Mỹ tới TTCK Việt Nam nhiều hơn ảnh hưởng của TTCK Nhật tới TTCK Việt Nam