Lôøi Caûm Ôn
Đầu tiên, em xin gởi lời cảm ơn đến Thầy Cô trường Đại học Kinh tế Huế
nói chung và Thầy Cô khoa Tài Chính – Ngân Hàng nói riêng, đã tận tâm giảng
dạy em trong suốt quá trình học tập và nghiên cứu tại trường. Đặc biệt, em xin gởi
lời cám ơn chân thành nhất đến Ths. Đoàn Như Quỳnh, người đã trực tiếp hướng
dẫn em thực hiện đề tài tốt nghiệp. Nhờ sự hướng dẫn và chỉ bảo tận tình của cô,
em đã có được những kiến thức và kinh nghiệm quý báu về cách xác định vấn đề
nghiên cứu, phương pháp nghiên cứu, xác định kết cấu cho đề tài, trình bày kết
quả… và hoàn thành đề tài tốt nghiệp của mình.
Cuối cùng, em xin bày tỏ lòng cảm ơn sâu sắc đến gia đình và bạn bè đã luôn
bên cạnh, hỗ trợ và động viên em hoàn thành tốt khoá luận của mình.
Em xin chân thành cảm ơn!
Huế, tháng 05/2015
Sinh viên thực hiện
Huỳnh Thị Phượng
i
MỤC LỤC
PHẦN I: ĐẶT VẤN ĐỀ ..................................................................................................... 1 1.Tính cấp thiết của đề tài: ........................................................................................... 2 2. Mục tiêu nghiên cứu: ................................................................................................ 5
2.1.Mục tiêu nghiên cứu ............................................................................................... 5 3.Đối t ợng, ph m vi: .................................................................................................. 5 3.1.Đối t ợng nghiên cứu:............................................................................................ 5 3.2.Ph m vi nghiên cứu: ............................................................................................... 6 4.Ph ng ph p nghiên cứu ........................................................................................... 6 5.Kết cấu đề tài ............................................................................................................. 7
PHẦN 2: NỘI DUNG VÀ KẾT QUẢ NGHIÊN CỨU ................................................... 8 CHƯƠNG 1: LÝ LUẬN THANH KHOẢN VÀ CÁC MÔ HÌNH ĐO LƯỜNG, DỰ BÁO ...................................................................................................................................... 8 1.1.Thanh khoản: .......................................................................................................... 8 1.1.1.Định nghĩa tính thanh khoản: .............................................................................. 8 1.1.2.Tính thanh khoản: ................................................................................................ 8
1.1.3.Tính thanh khoản của cổ phiếu: .......................................................................... 8 1.2.C c yếu tố ảnh h ởng đến thanh khoản cổ phiếu: ................................................. 9 1.3.Đo l ờng tính thanh khoản của cổ phiếu: ............................................................ 10 1.3.1 Ph ng ph p đo l ờng liên hệ độ sâu:.............................................................. 11 1.3.2 Ph ng ph p đo l ờng liên hệ độ chặt: ............................................................ 13 1.3.3. Ph ng ph p đo l ờng liên hệ thời gian giao dịch:......................................... 14
1.3.4. Ph ng ph p đo l ờng liên hệ độ co giãn: ...................................................... 14 1.4. Dữ liệu nghiên cứu: ............................................................................................. 16 1.5.Ph ng ph p nghiên cứu: ..................................................................................... 16 1.5.1. Vấn đề c bản về chuỗi thời gian: ................................................................... 16 1.5.1.1 Chuỗi thời gian là gì: ...................................................................................... 16 1.5.1.2 C c thành phần của chuỗi thời gian ............................................................... 16
1.5.2 C c vấn đề liên quan đến tính dừng: ................................................................. 17 1.5.2.2 Kh i niệm tính dừng ....................................................................................... 17 1.5.2.3 Hậu quả của chuỗi không dừng: .................................................................... 17 1.5.2.4 C ch kiểm định tính dừng của chuỗi thời gian: ............................................. 18
ii
1.5.2.4.1. Tự t ng quan ACF (Autocorrelation function) ....................................... 18 1.5.2.4.3. Tự t ng quan mẫu PACF (Partial Autocorrelation function): ................ 19
1.5.2.4.4. Kiểm định Dickey-Fuller (kiểm định nghiệm đ n vị- Unit root test): ...... 19 1.5.2.4.5 Nhiễu trắng(white noise):............................................................................ 19 1.5.2.4.6. B ớc đi ngầu nhiên (Random Walk): ........................................................ 20 1.4.1.5. Biến đổi chuỗi không dừng thành chuỗi dừng.............................................. 20 1.4.2 Mô hình Arima .................................................................................................. 20 1.4.2.1 C sở lý luận................................................................................................... 20
1.4.2.2 Qu trình tự hồi quy (AR – Autoregressive Process) .................................... 21 1.4.2.3 Qu trình trung bình tr ợt (MA – Moving Average) .................................... 21 1.4.2.4 Qu trình trung bình tr ợt và tự hồi quy ARMA .......................................... 22 1.4.2.5 Qu trình trung bình tr ợt, đồng liên kết, tự hồi quy ARIMA ...................... 22 1.4.2.6 Ph ng ph p Box-Jenkins ............................................................................. 23 1.4.3.6.1 Định d ng: ................................................................................................... 24
1.4.3.6.2 Ước l ợng mô hình ..................................................................................... 29 1.4.3.6.3 Kiểm định tính thích hợp của mô hình ....................................................... 29 1.4.3.6.4 Dự b o ......................................................................................................... 31 1.2.4. Lý thuyết mô hình ARCH/GARCH ................................................................. 31 1.2.4.1. Mô hình ARCH: ............................................................................................ 31 1.2.4.2. L ý thuyết mô hình GARCH: ........................................................................ 34
Ch ng 2: CHỈ SỐ CHỨNG KHOÁN VN30-INDEX VÀ DIỄN BIẾN THANH KHOẢN CỦA THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM GIAI ĐOẠN 2012 - 2015 ............................................................................................................................ 36 2.1 Tổng quan về chỉ số chứng kho n VN30-Index .................................................. 36 2.1.1 Chỉ số VN30 là gì ............................................................................................. 36 2.1.2 Ý nghĩa ............................................................................................................. 36
2.1.3 Tiêu chuẩn lựa chọn cổ phiếu vào rổ VN30 ..................................................... 37 2.1.4 Điều kiện tham gia chỉ số VN30: ...................................................................... 37 2.1.5 Ph ng ph p tính: ............................................................................................. 38 2.1.5.1 Tiêu chí tính toán: .......................................................................................... 38 2.1.5.2 Công thức tính VN30: .................................................................................... 39 2.1.5.3 Gi để tính to n chỉ số .................................................................................... 39
2.2 Thanh khoản của thị tr ờng chứng kho n giai đo n từ năm 2012 đến nay: diễn biến VN-Index, VN30-Index ..................................................................................... 39
iii
2.2.1 Năm 2012: ......................................................................................................... 40 2.2.2 Năm 2013: hồi phục m nh mẽ .......................................................................... 43
2.2.3 Năm 2014 đến nay: ........................................................................................... 45 Ch ng 3: DỰ BÁO THANH KHOẢN CỦA NHÓM 30 CỔ PHIẾU CÓ GIÁ TRỊ VỐN HÓA VÀ KHỐI LƯỢNG GIAO DỊCH LỚN NIÊM YẾT TRÊN SƠ GIAO DỊCH CHỨNG KHOÁN THÀNH PHỐ HỒ CHÍ MINH ........................................ 50 3.1 Lý do lựa chọn chỉ số Amivest: ........................................................................... 50 3.2 Mẫu quan s t: ....................................................................................................... 50
3.3 Kết quả nghiên cứu: ............................................................................................. 51 3.3.1 Thống kê mô tả số liệu: ..................................................................................... 51 3.3.2 Kiểm định tính dừng của chuỗi Amivest: ......................................................... 52 3.3.3 Phân phối x c suất của chuỗi Amivest: ............................................................ 52 3.3.4 Lựa chọn mô hình ARIMA(p,d,q): ................................................................... 53 3.3.4.1. Mô hình ARIMA (p,0,q) tốt nhất để dự b o: ................................................ 53
3.3.4.2 Dự b o thử nghiệm trên mô hình ARIMA(1,0,1) : ....................................... 55 3.3.5 Ước l ợng mô hình GARCH: ........................................................................... 58 3.3.5.1 Ước l ợng mô hình GARCH(p,q): ................................................................ 58 3.3.5.2 Dự b o: ........................................................................................................... 59 3.3.5.3 Nhận xét và thảo luận: .................................................................................... 60 PHẦN 3 : KÊT LUẬN ............................................................................................... 62
1.Kết quả đ t đ ợc : ................................................................................................... 62 2. H n chế : ................................................................................................................. 63 3. H ớng ph t triển đề tài : ......................................................................................... 64 4. Khuyến nghị: .......................................................................................................... 64 TAI LIỆU THAM KHẢO .......................................................................................... 65 PHỤ LỤC ................................................................................................................... 67
Phụ lục ........................................................................................................................ 68
iv
DANH MỤC CÁC CHỮ CÁI VÀ KÝ HIỆU VIẾT TẮT
VN30-INDEX : Chỉ số chứng khoán của 30 doanh nghiệp có giá trị vốn hóa
lớn nhất
TTCK : Thị tr ờng chứng khoán
HOSE NHNN NĐT DN KLGD DMĐT : Sở giao dịch chứng khoán thành phố Hồ Chí Minh : Ngân hàng Nhà n ớc : Nhà đầu t : Doanh nghiệp : Khối l ợng giao dịch : Danh mục đầu t
CSTT GTVH GTDD CTCP NHTMCP ACF : Chính sách tiền tệ : Giá trị vốn hóa : Giá trị dao dịch : Công ty cổ phần : Ngân hàng th ng m i cổ phần : Hàm tự t ng quan
PACF AR MA ARIMA ARCH : Hàm tự t ng quan riêng phần : Tự hồi quy (Autoregressive) : Trung bình tr ợt (Moving Average) : Tự hồi quy tích hợp trung bình tr ợt (Autogressive Integrated Moving Average) : Tự hồi quy có điều kiện ph ng sai sai số thay đổi
GARCH
PPXS (Autoregressive Conditional Heteroshedasticity) : Tự hồi quy tổng qu t có điều kiện ph ng sai sai số thay đổi (Generalized Autoregressive Conditionnal Heteroshedasticity suất Phân phối xác :
v
DANH MỤC BẢNG BIỂU
Bảng 1.1 C c khía c nh của thanh khoản ........................................................................ 10 Bảng 1.2 - C c d ng lý thuyết của ACF và PACF ......................................................... 25 Bảng 3.1. Thống kê mô tả chuỗi Amivest ....................................................................... 51 Bảng 3.2 Lựa chọn mô hình ARIMA(p,0,q) .............................................................. 54
Bảng 3.3 Dự b o ngoài mẫu cho giai đo n từ 06/02/2015 đến 27/03/2015 ................. 57 Bảng 3.4 Lựa chọn mô ARCH/GARCH ........................................................................ 58 Bảng 3.5: kết quả dự b o chỉ số Amivest theo tuần ngày 03/04/2015 đến 06/05/2015 ............................................................................................................................................. 59
vi
DANH MỤC HÌNH
Hình 1.1 - Quy trình của ph ng ph p Box-Jenkins ...................................................... 24 Hình 1.2 - Quá trình AR(1) ............................................................................................... 26
Hình 1.3 - Quá trình MA(1) .............................................................................................. 26 Hình 1.4 - Quá trình MA(2) .............................................................................................. 27 Hình 1.5 Quá trình ARIMA(1) ......................................................................................... 28 Hình 2.1 Tỷ trọng ngành theo GTVH của rổ VN30 ....................................................... 37 (Nguồn: HOSE) .................................................................................................................. 37 Hình 2.2 Diễn biến thanh khoản TTCK năm 2012 ......................................................... 40
Hình 2.3 Diễn biến thanh khoản TTCK năm 2013 ......................................................... 44 Hình 2.4 Tình hình thanh khoản TTCK từ năm 2014 đến nay ...................................... 46 Hình 3.1 Đồ thị PPXS của chuỗi Amivest....................................................................... 52 Hình 3.2 Dự b o Amivest giai đo n từ 10/02/2012 đến 30/01/2015 ........................... 55 Hình 3.3 Phần d , gi trị thực và gi trị ớc l ợng từ mô hình ARIMA(1,0,1) .......... 56 Hình 3.4 Gi trị thực và dự b o chỉ số Amivest ............................................................. 56
Hình 3.5 Dự b o ph ng sai cho chuỗi Amivest ............................................................ 59
vii
viii
TÓM TẮT ĐỀ TÀI
Thanh khoản đ ợc xem là yếu tố “huyết m ch” của thị tr ờng tài chính. Việc
điều tiết phù hợp của nó là rất quan trọng cho sự vận hành tr n tru của một nền kinh
tế. Chính vì vậy, việc tiến hành đo l ờng và dự b o gi trị t ng lai của thanh
khoản, cũng nh rủi ro thông qua biến động ph ng sai của chỉ số thanh khoản là
điều thực sự cần thiết với bất kỳ một nhà đầu t , một doanh nghiệp nào khi nghiên
cứu đầu t vào bất kỳ một tài sản nào, đặc biệt là trên thị tr ờng chứng khoán.
Tuy nhiên, tính t i thời điểm hiện t i, hầu nh ch a có nghiên cứu trong
n ớc về đo l ờng và dự b o thanh khoản. Nắm bắt đ ợc thực tế này, tôi quyết định
lựa chọn đề tài: : “Ứng dụng mô hình ARIMA – ARCH/GARCH để dự báo
thanh khoản của 30 cổ phiếu có giá trị vốn hóa và thanh khoản lớn nhất niêm
yết trên sở giao dịch chứng khoán thành phố Hồ Chí Minh trong ngắn hạn”.
Mục tiêu quan trọng nhất mà đề tài h ớng đến là dự b o thanh khoản trong t ng
lai gần cho nhóm cổ phiếu trong rổ VN30. Từ đó, giúp cho nhà đầu t và các nhà
ho ch định chính s ch nắm bắt xu thế thanh khoản và c i nhìn chuẩn x c h n về
tình hình hiện t i và t ng lai về tình hình thanh khoản của những cổ phiếu
Bluechip trên thị tr ờng chứng kho n Việt Nam.
Để thực hiện công t c dự b o, đề tài đã sử dụng chỉ số thanh khoản Amivest
, MAE, MAPE, Thiel,
và tiến hành ớc l ợng và kiểm định c c mô hình ARIMA, ARCH/GARCH. Bằng ph ng ph p thử và sai, thông qua c c chỉ tiêu: AIC, SIC, R2
Bias,…cuối cùng mô hình GARCH(1,2) là mô hình thích hợp nhất đ ợc lựa chọn
để dự b o. Kết quả dự báo của mô hình đ ợc đ nh gi t ng đối sát với giá trị thực tế,
giá trị trung bình dự báo của chỉ số AMIVEST tăng dần trong t ng lai. Từ những kết
quả này, tôi cũng đã đ a ra một số khuyến nghị cho nhà đầu t để góp phần giúp họ có
thể đ a ra những quyết định đúng đắn nhất.
1
PHẦN I: ĐẶT VẤN ĐỀ
1.Tính cấp thiết của đề tài:
TTCK đóng vai trò quan trọng đối với sự ph t triển của nền kinh tế của một
quốc gia. Thị tr ờng này giúp NĐT đến gần h n với DN, qua đó DN có c hội tiếp
cận với nguồn vốn lớn, mở rộng sản xuất kinh doanh, ph t triển bền vững. TTCK từ
khi ra đời đến nay đ ợc biết đến là một kênh đầu t và thu hút vốn hấp dẫn ở nhiều
quốc gia. Chính khả năng sinh lời khổng lồ mà thị tr ờng mang l i đã thu hút rất
nhiều NĐT, DN coi TTCK là n i t o ra nguồn thu nhập và huy động vốn chủ yếu
của họ. Gi cả chứng kho n là hình ảnh phản chiếu những vấn đề c bản của nền
kinh tế vĩ mô, đặc biệt là sức khỏe của DN và là mối quan tâm hàng đầu của NĐT
cũng nh nhà nghiên cứu. Bên c nh gi cả, trong thị tr ờng tài chính nói chung và
TTCK nói riêng, có một yếu tố quan trọng không thể không kể đến đó chính là
“thanh khoản”.
Thanh khoản đ ợc xem là yếu tố huyết m ch của thị tr ờng tài chính. Trong
t c phẩm nghiên cứu “How best to supply liquidity to a securities market” (1996),
Handa và Schawarts đã đ a ra nhận định: “Nhà đầu t mong muốn ba điều từ thị
tr ờng, đó là: Thanh khoản, thanh khoản và thanh khoản”. Việc điều tiết phù hợp
của nó là rất quan trọng cho sự vận hành tr n tru của một nền kinh tế. Khi thị
tr ờng giảm tính thanh khoản là lúc những nhà tổ chức thị tr ờng phải lo ng i bởi
thanh khoản thể hiện niềm tin của nhà đầu t , là c sở cho c c doanh nghiệp sử
dụng kênh thị tr ờng chứng kho n huy động vốn. Thanh khoản tốt làm cho gi cả
phản nh thực chất cung cầu mà không bị bóp méo bởi c c giao dịch thao túng, làm
gi trên thị tr ờng. Đặc biệt, thanh khoản rất đ ợc chú ý trong TTCK nh một trong
những tiêu chí quan trọng dự b o, quyết định xu h ớng thị tr ờng, của nhóm cổ
phiếu hoặc từng cổ phiếu riêng lẻ. Một phần nào đó, nó cũng phản nh mức độ rủi
ro của cổ phiếu.
2
Chính vì vậy, việc tiến hành đo l ờng và dự b o gi trị t ng lai của thanh
khoản, cũng nh rủi ro thông qua biến động ph ng sai của chỉ số thanh khoản là
điều thực sự cần thiết với bất kỳ một NĐT, một DN nào khi nghiên cứu đầu t vào
bất kỳ một tài sản nào, trong đó có cổ phiếu.
Thực tiễn nghiên cứu ở nước ngoài:
Cooperm Grother và Avera (1985) đ a ra chỉ số đo l ờng thanh khoản
Amivest so s nh khối l ợng giao dịch với sự thay đổi gi chứng kho n trong một
thời gian nhất định.
Amihud and Mendelson (1986) lần đầu tiên đề xuất ph ng ph p dựa vào
chênh lệch gi mua và gi b n của tài sản để đo l ờng thanh khoản. Sự chênh lệch
xét đến ở đây là số tuyệt đối hoặc là chênh lệch phần trăm.
Bruner ( 1996) đề x ớng ph ng ph p đo l ờng tính thanh khoản bằng c ch
đo l ờng sự thay đổi mức gi trên một lần giao dịch mỗi ngày.
Chordia, Roll & Subrahmanyam (2001) nghiên cứu trên một khối l ợng lớn
cổ phiếu trong vong 7 năm (t ng đ ng khoảng 2800 ngày giao dịch) với chi phí
giao dịch lên đến 3,5 tỷ đô la. Từ đó mang đến một sự hình dung về sự biến động
thanh khoản của thi tr ờng rộng lớn.
Gomber & Schweickert (2002), nghiên cứu và nhận ra vai trò quan trọng của
thanh khoản, v ch định kế ho ch giới thiệu và phổ biến ra công chúng ph ng ph p
đo l ờng thanh khoản.
Ranaldo (2003) theo dõi biến động tính mùa vụ của nhóm cổ phiếu ở Thụy sĩ,
từ đó liên hệ với chiều h ớng vận động thanh khoản của thị tr ờng. Đồng thời, giải
thích những thay đổi trong thanh khoản cũng nh lợi nhuận liên quan đến việc tiếp
cận thông tin trên thị tr ờng.
Lybeck and Sarr (2002) đo l ờng thanh khoản thông qua 4 yếu tố: (i) chi phí
giao dịch, (ii) khối l ợng giao dịch - thể hiện độ rộng và độ sâu của thanh khoản,
(iii) mức gi cân bằng trên thị tr ờng để đo l ờng độ co giãn, tức là khả năng phục
hồi l i mức gi cũ sau khi trải qua biến động do NĐT không nắm bắt đ ợc thông
tin, (iv) t c động của thị tr ờng.
3
Hedge và McDemott (2003) thông qua việc tính to n phần trăm chênh lệch
giá mua-b n và thay đổi trong khối l ợng giao dịch để đo l ờng thanh khoản của cổ
phiếu.
Spiegel and Wang (2005) đề cập đến mức độ thanh khoản của tài sản thông
qua chỉ số Amihud và Amivest. Sử dụng c c chỉ số này có u điểm là phân tích
thanh khoản trên cả ph ng diện khối l ợng và gi cả.
Hasbrouck (2009) đã giới thiệu nghiên cứu của mình về việc đo l ờng thanh
khoản dựa trên chênh lệch gi mua-bán trong ngày.
Sinisa Bogdan (2012) thu thập 61350 số liệu đầu vào trên TTCK Croatia , từ
đó nghiên cứu và đo l ờng tính thanh khoản dựa trên c c chỉ số thanh khoản Hui –
Heubel, Amihud, Amivest và vòng quay gi trị giao dịch.
Thực tiễn nghiên cứu ở Việt Nam:
Khoa (2012) nghiên cứu thanh khoản của nhóm cổ phiếu ngành thủy sản niêm
yết trên HOSE và đ a ra mô hình dự b o bằng ARMAX (qu trình trung bình tr ợt
tự hồi quy với biến đầu vào ngo i sinh), mô hình tự hồi quy vector Var. Từ đó, đề
xuất những giải ph p để h n chế rủi ro thanh khoản cho c c NĐT.
Có thể thấy rằng, tính t i thời điểm hiện t i, hầu nh ch a có nghiên cứu
trong n ớc về đo l ờng và dự b o thanh khoản. Trên TTCK Việt Nam để đ nh gi
tính thanh khoản của cổ phiếu đa phần dựa vào khối l ợng giao dịch của cổ phiếu
đó. Khối l ợng giao dịch càng lớn thì cổ phiếu càng thanh khoản. Tuy nhiên, nhiều
nghiên cứu n ớc ngoài đã chứng minh đ ợc rằng, khối l ợng giao dịch phản nh bề
mặt nổi chứ ch a thể đ nh gi một c ch toàn diện c c khía c nh của của tính thanh
khoản.
Chính vì vậy, tôi quyết định nghiên cứu đề tài: “Ứng dụng mô hình ARIMA,
ARCH/GARCH để dự báo thanh khoản của nhóm 30 cổ phiếu có giá trị vốn
hóa và thanh khoản lớn nhất niêm yết trên sở giao dịch chứng khoán thành
phố Hồ Chí Minh trong ngắn hạn”. Tôi hy vọng kết quả nghiên cứu là nguồn
tham khảo hữu ích cho các NĐT nắm bắt xu thế và c hội mang đến lợi nhuận cho
mình hoặc giảm thiểu lỗ xuống mức thấp nhất khi tham gia mua b n trên TTCK
4
Việt Nam. Đồng thời, giúp cho các nhà ho ch định chính s ch có c i nhìn chuẩn x c
h n về tình hình hiện t i và t ng lai của những cổ phiếu Bluechip trên TTCK Việt
Nam từ đó có thể đ a ra c c quyết định đúng đắn trong qu trình đầu t , quản lý rủi
ro và ho ch định chính s ch.
2. Mục tiêu nghiên cứu:
2.1.Mục tiêu nghiên cứu
Mục tiêu chung:
Vận dụng c c công thức và mô hình để đo l ờng và dự b o tính thanh
khoản của chỉ số Vn30_index trong ngắn h n.
Mục tiêu cụ thể:
Kh i qu t đ ợc những vấn đề lý luận và thực tiễn về thanh khoản.
Kh i qu t những lý luận c bản về phân tích chuỗi thời gian và ứng dụng
quan trọng của nó trong qu trình dự báo.
Đ nh gi tình hình biến động về thanh khoản của chỉ số VN-INDEX nói
chung và 30 cổ phiếu có gi trị vốn hóa và thanh khoản cao nhất niêm yết trên
HOSE thông qua VN30-INDEX từ năm 2012 đến nay.
Dự b o thanh khoản của VN30-INDEX trong thời gian 2 th ng: từ
03/04/2015 đến 05/06/2015.
3.Đối tư ng phạm vi:
3.1.Đối tư ng nghiên cứu:
Thanh khoản của VN30-INDEX, đ i diện cho 30 mã cổ phiếu của những
doanh nghiệp có gi trị vốn hóa và thanh khoản cao nhất niêm yết trên HOSE.
Lý do lựa chọn:
VN30-Index là chỉ số giá chứng khoán của 30 cổ phiếu niêm yết có vốn hoá
lớn nhất trên Sở Giao dịch Chứng khoán Tp.HCM (HOSE), đ i diện cho khoảng
80% giá trị vốn hóa toàn thị tr ờng và 60% giá trị giao dịch toàn thị tr ờng. Chỉ số
này đ ợc c c nhà đầu t đ nh gi cao về chất l ợng cổ phiếu niêm yết với trên 50%
cổ phiếu trong danh mục tăng tr ởng cao h n mức bình quân thị tr ờng. Chính vì
vậy, VN30 có thể đ ợc xem nh là một hình thức phân bảng, phân lo i c c công ty
5
niêm yết dẫn đầu thị tr ờng về vốn hóa, thanh khoản, độ minh b ch và hiệu quả
ho t động kinh doanh, làm gia tăng thêm gi trị tài sản vô hình của c c công ty niêm
yết đ ợc chọn lựa vào chỉ số. Từ đó cho thấy VN30 – Index có khả năng đ i diện
tốt cho TTCK Việt Nam.
3.2.Phạm vi nghiên cứu:
Không gian: TTCK Việt Nam và 30 mã cổ phiếu của những doanh nghiệp có
gi trị vốn hóa và thanh khoản cao nhất niêm yết trên HOSE.
Thời gian: thu thập số liệu gi đóng cửa và khối l ợng giao dịch của VN30-
INDEX trong khoảng thời gian 06/02/2012 - 27/03/2015.
Lý do lựa chọn:
Giai đo n 2000-2005, TTCK Việt Nam mới chỉ ở b ớc khởi động, tích lũy
kinh nghiệm ban đầu, t o đà cho sự ph t triển về sau. Giai đo n này ho t động của
TTCK còn trầm, thanh khoản kém do quy mô của thị tr ờng còn nhỏ và khối l ợng
giao dịch rất ít. Thị tr ờng thật sự khởi sắc và có những biến động có ý nghĩa kể từ
năm 2006. Tuy nhiên, từ năm 2008-2009, chịu ảnh h ởng nặng nề bởi khủng hoảng
kinh tế thế giới, tâm lý NĐT hoảng lo n và gi chứng kho n r i một c ch mãnh liệt.
Bất kì một nghiên cứu nào trong giai đo n này cũng trở nên mất ý nghĩa bởi “bug”
trong phân tích số liệu. Từ năm 2012 đến nay là giai đo n mà TTCK trong n ớc có
sự phục hồi với những dấu hiệu đ ng mừng, chỉ số chứng kho n bắt đầu có sự hoàn
thiện và bắt đầu trở về với những quy luật vốn có của nó và đây cũng là giai đo n
chứng kiến sự ra đời của chỉ số VN30 (6/02/2012) trên HOSE.
4.Phư ng pháp nghiên cứu
Ph ng ph p nghiên cứu tài liệu: tìm hiểu b ớc đầu về nội dung nghiên cứu,
tên đề tài và c c tài liệu tham khảo liên quan đối với phần c sở lý thuyết thông qua
s ch b o, internet. Từ đó hình thành đ ợc c sở lý luận của đề tài, những giả thuyết
c bản, x c định đối t ợng và dự đo n về c c thuộc tính của đối t ợng nghiên cứu.
Ph ng ph p thu thập số liệu: dữ liệu thứ cấp của cổ phiếu đ ợc lấy từ trang
web chứng kho n cổ phiếu Việt Nam: cophieu68.com; SGDCK thành phố Hồ Chí
Minh: hsx.vn
6
Ph ng ph p xử lí số liệu: Ph ng ph p định tính bằng đồ thị, x c định, ớc
l ợng và kiểm định c c mô hình kinh tế l ợng.
5.Kết cấu đề tài
Phần I: Mở đầu. Phần này đ a ra tính cấp thiết của đề tài, mục tiêu, ph m vi,
đối t ợng và ph ng ph p nghiên cứu.
Phần II: Nội dung và kết quả nghiên cứu.
Ch ng 1: C c kh i niệm c bản. Cung cấp những lý luận nền tảng về c c
kh i niệm, thuật ngữ và công thức sử dụng trong bài nghiên cứu. Đồng thời giới
thiệu kh i qu t về mô hình chuỗi thời gian trong dự b o cũng nh tình hình thực
tiễn ứng dụng những mô hình đó.
Ch ng 2: Tổng quan về tình hình thanh khoản của TTCK Việt Nam và 30 mã
cổ phiếu của những DN có gi trị vốn hóa và thanh khoản cao nhất niêm yết trên
HOSE thể hiện qua VN30-INDEX .
Ch ng 3: Dự b o thanh khoản của VN30-INDEX trong ngắn h n. Ch ng
này cung cấp kết quả nghiên cứu, x c định mô hình thực nghiệm và tiến hành dự
báo thanh khoản và ph ng sai biến động của VN30-INDEX trong thời gian 2
th ng, từ 03/04/2015 đến 05/06/2015.
Phần III: Kết luận.
Kết quả đ t đ ợc, h n chế và h ớng ph t triển đề tài.
7
PHẦN 2: NỘI DUNG VÀ KẾT QUẢ NGHIÊN CỨU
CHƯƠNG 1: LÝ LUẬN THANH KHOẢN VÀ CÁC MÔ HÌNH
ĐO LƯỜNG DỰ BÁO
1.1.Thanh khoản:
1.1.1.Định nghĩa tính thanh khoản:
Thanh khoản là mức độ mà một tài sản hoặc chứng kho n có thể đ ợc mua
hoặc b n trên thị tr ờng. Thanh khoản đ ợc đặc tr ng bởi một mức độ cao của c c
ho t động mua b n. Tài sản có thể dễ dàng mua hoặc b n, đ ợc gọi là tài sản có tính
thanh khoản.
1.1.2.Tính thanh khoản:
Tính thanh khoản là một kh i niệm đ ợc sử dụng phổ biến trong tài chính.
Nó dùng để chỉ khả năng mà một tài sản bất kỳ có thể đ ợc mua hoặc b n trên thị
tr ờng mà không bị ảnh h ởng bởi yếu tố gi cả, nói c ch kh c tài sản có thể đ ợc
mua–b n ở bất kỳ mức gi nào. Có một c ch gọi thay thế cho tính thanh khoản là
tính lỏng hay tính l u động.
Một tài sản có tính thanh khoản cao th ờng đặc tr ng bởi: thời gian chuyển
đổi từ tài sản thành tiền mặt ngắn, chi phí chuyển đổi thấp và số l ợng giao dịch lớn.
Trong kế toán tài sản lưu động đư c chia làm năm loại và đư c sắp xếp
theo tính thanh khoản từ thấp đến cao như sau: tiền mặt đầu tư ngắn hạn
khoản phải thu ứng trước ngắn hạn và hàng tồn kho.
Trong TTCK, tính thanh khoản đ ợc hiểu là việc chứng kho n hay c c lo i giấy
tờ có gi do c c tổ chức, DN ph t hành đ ợc nhà n ớc công nhận, có khả năng chuyển
đổi thành tiền mặt dễ dàng, thuận tiện cho việc thanh to n hay chi tiêu.
Khả năng thanh to n là một trong những đặc tính hấp dẫn của chứng kho n
với nhà đầu t . Đây là yếu tố cho thấy tính linh ho t, an toàn của vốn đầu t . TTCK
ho t động ngày càng năng động thì tính thanh khoản thì tính thanh khoản của chứng
khoán giao dịch trên thị tr ờng càng cao.
1.1.3.Tính thanh khoản của cổ phiếu:
8
Chứng kho n có tính thanh khoản là những chứng kho n có thị tr ờng giao
dịch rộng hay mua đi b n l i dễ dàng, gi giao dịch t ng đối ổn định theo thời gian
và khả năng phục hồi nguồn vốn đầu t ban đầu cao. Khi lựa chọn chứng kho n để
đầu t , việc xem xét đến khả năng b n l i để t i đầu t nguồn vốn ban đầu là rất cần
thiết. Nếu khả năng đó kém thì có nghĩa là khó tìm đ ợc ng ời mua hoặc nếu tìm
đ ợc thì phải b n với gi không mong muốn, NĐT sẽ g nh chịu những tổn thất tài
chính lớn. Và điều này gọi là rủi ro thanh khoản trong đầu t chứng kho n.
1.2.Các yếu tố ảnh hưởng đến thanh khoản cổ phiếu:
Mặc dù cổ phiếu là lo i tài sản có khả năng chuyển đổi thành tiền mặt dễ
dàng, nh ng tính thanh khoản của nó l i phụ thuộc vào nhiều yếu tố. Trong đó, t c
Thứ nhất, kết quả ho t động kinh doanh của tổ chức ph t hành. Nếu tổ
động m nh nhất phải kể đến những yếu tố sau đây:
chức ph t hành ho t động kinh doanh có hiệu quả, cổ tức chi trả đúng cam kết thì cổ
phiếu sẽ có thể dễ dàng mua b n trên thị tr ờng vì hấp dẫn c c NĐT. Ng ợc l i, nếu
công ty niêm yết làm ăn kém hiệu quả, không trả hoặc trả cổ tức không đúng cam
kết thì cổ phiếu đó sẽ giảm gi và khó khăn trong việc giao dịch.
Để đ nh gi hiệu quả ho t đông kinh doanh của công ty niêm yết, có thể
dựa trên nhiều tiêu chí kh c nhau. P/E là một trong những chỉ số phổ biến để nhận
diện mức độ giao dịch của cổ phiếu dựa vào mối quan hệ chặt chẽ của nó với tính
thanh khoản. Cùng mức sinh lợi, những cổ phiếu nào có P/E cao h n mức trung
bình thị tr ờng thì sẽ đ ợc giao dịch sôi động h n nhờ tốc độ tăng gi cao và khả
năng mang l i gi trị thặng d cao cho cổ đông thông qua việc chia, tách hay phát
Thứ hai, mối quan hệ cung – cầu trên TTCK: thị tr ờng cổ phiếu cũng nh
hành cổ phiếu mới.
c c lo i thị tr ờng kh c, đều chịu sự chi phối của quy luật cung – cầu. Gi của cổ
phiếu không chỉ phụ thuộc vào chất l ợng của công ty mà còn phụ thuộc rất lớn vào
NĐT. Một lo i cổ phiếu rất tốt nh ng thị tr ờng đang bão hòa nguồn cung thì cổ
phiếu đó cũng rất khó đ ợc giao dịch. Ng ợc l i, khi thị tr ờng khan hiếm hàng hóa
thì ngay cả những cổ phiếu chất l ợng kém h n cũng có thể b n đ ợc dễ dàng. Bên
9
c nh đó, những yếu tố kh c nh đầu c , móc ngoặc lũng đo n thị tr ờng của c
nhân, tổ chức nhằm t o ra cung cầu chứng kho n giả t o cũng t c động theo chiều
h ớng xấu, bóp méo tính thanh khoản của chứng kho n.
1.3.Đo lường tính thanh khoản của cổ phiếu:
Thanh khoản là một ph m trù mang tính trừu t ợng và khó có thể có một
ph ng ph p riêng lẻ tuyệt đối nào có thể nắm bắt và đo l ờng tính thanh khoản
một c ch toàn diện. Theo Shen & Starr (2002), tính thanh khoản không phải là biến
đ n chiều mà là biến đa chiều. Hay trong bài nghiên cứu “Measuring and predicting
liquidity in the stock market”, Rico Von Wyss đã khẳng định rằng: “Không có một
đ i l ợng cụ thể nào để đo l ờng tính thanh khoản, thay vào đó c c nhóm tỷ số
th ờng đ ợc sử dụng”. Trên thực tế, nhiều nhà nghiên cứu đã phân tích thanh khoản
thành nhiều khía c nh kh c nhau để cụ thể tính thanh khoản. Harris (1990), Rolnado
(2000), Abdourahmane Sarr & Tonny Lybek (2002) đ a ra bốn khía c nh chủ yếu
của tính thanh khoản là: thời gian giao dịch (trading time), độ sâu (depth), độ chặt
(tightness) và độ co giãn (resiliency)
Khía c nh
Mô tả
Ph ng ph p đo l ờng
Thời gian giao dịch (Trading time)
Khả năng thực hiện một giao dịch ngay lập tức ở mức gi hiện t i.
Thời gian chờ (Waiting time) giữa c c giao dịch tiếp theo.
Số giao dịch trên một đ n vị thời gian.
C c d ng khác nhau của bid – ask spread.
Độ chặt (Tightness) Khả năng mua b n một cổ phiếu ở mức gi bằng hoặc xấp xỉ t i cùng một thời điểm. Ở đây xem xét đến chi phí giao dịch (bid – ask spread cho một khối l ợng cổ phiếu nhất định, hoa hồng và phí phải trả trên mỗi cổ phiếu..) mà c c NĐT phải chịu nếu muốn giao dịch ngay tức thời.
Độ sâu (Depth)
Độ sâu của gi .
Tỷ số vòng quay.
Khối l ợng giao dịch.
Khả năng mua b n một số l ợng cổ phiếu nhất định mà không ảnh h ởng đến gi đặt ra. Đ ợc thể hiện qua khối l ợng cổ phiếu mà NĐT chắc chắn có thể giao dịch đ ợc trong một
Gi trị giao dịch.
Bảng 1.1 Các khía cạnh của thanh khoản
10
khoảng thời gian nào đó.
Tỷ số dòng tiền.
Tỷ suất sinh lợi trong ngày.
Độ co giãn (Resiliency)
Khả năng phục hồi nhanh chóng l i mức gi cũ sau khi gi cổ phiếu bị biến động do chịu ảnh h ởng từ một sự bất cân đối nguồn lệnh lớn gây ra bởi c c NĐT không đ ợc thông tin (uninformed trader)
Thời gian giao dịch (Trading time)
Khả năng thực hiện một giao dịch ngay lập tức ở mức gi hiện t i.
Thời gian chờ (Waiting time) giữa c c giao dịch tiếp theo
Số giao dịch trên một đ n vị thời gian
C c d ng kh c nhua của bid – ask spread
Độ chặt (Tightness) Khả năng mua b n một cổ phiếu ở mức gi bằng hoặc xấp xỉ t i cùng một thời điểm. Ở đây xem xét đến chi phí giao dịch (bid – ask spread cho một khối l ợng cổ phiếu nhất định, hoa hồng và phí phải trả trên mỗi cổ phiếu..) mà c c nhà đầu t phải chịu nếu muốn giao dịch ngay tức thời
Tỷ suất sinh lợi trong ngày
Độ co giãn (Resiliency)
Khả năng phục hồi nhanh chóng l i mức gi cũ sau khi gi cổ phiếu bị biến động cho chịu ảnh h ởng từ một sự bất cân đối nguồn lệnh lớn gây ra bởi c c nhà đầu t không đ ợc thông tin (uninformed trader)
(Nguồn: tự tổng hợp)
Từ đó có thể thấy rằng, một cổ phiếu có tính thanh khoản khi nó chặt, sâu,
nhanh và co dãn hay nói c ch kh c có spread nhỏ, khối l ợng giao dịch lớn, thời
gian giao dịch ngắn và sai lệch c c mức gi đ ợc điều chỉnh một c ch nhanh chóng.
Tư ng ứng với những đặc tính trên thì sẽ có những phư ng pháp đo
lường khác nhau:
1.3.1 Phư ng pháp đo lường liên hệ độ sâu:
+ Khối lư ng giao dịch:
Khối l ợng giao dịch có liên quan đến tính thanh khoản đ ợc tính bằng khối
l ợng cổ phiếu theo thời gian. Nó đ ợc dùng để đo l ờng độ sâu của thanh khoản.
11
Khối l ợng liên quan đến thanh khoản cao thì ta có tín hiệu thanh khoản cao.
Điều này đã đ ợc làm s ng tỏ và ứng dụng trong nhiều nghiên cứu nh của Lee &
Swaminatha (2000), Chordia, R. Roll và A. Subrahmanyam (2001), Rico von wyss
(2004)
Khối l ợng giao dịch từ đ n vị thời gian t đến t-1 đến t đ ợc tính theo công
thức:
=
Qt
Nt: Số giao dịch trong thời gian t.
qi: khối l ợng cổ phiếu của giao dịch thứ i.
+ Độ sâu (Depth):
Theo nghiên cứu của Brockman & Chung (2000) và ứng dụng của Rico
(2004) thì độ sâu đ ợc tính bằng khối l ợng đặt mua và đặt b n trong khoảng thời
gian t:
A
B
Dept = qt
+ qt
B
Dept: độ sâu của thị tr ờng trong thời gian t.
A ,
qt
: khối l ợng cổ phiếu giao dịch t i mức gia Ask (mức gi b n thấp
qt
B
nhất), Bid (gi mua cao nhất) tốt nhất vào thời điểm t.
A và qt
Để cải thiện c c tính chất phân phối của độ sâu, logarit tự nhiên của qt
có thể đ ợc sử dụng nh trong nghiên cứu của Butler, Grullon & Weston (2002):
B)
Ln(Dept) = ln(qt
A) + ln(qt
+ Tốc độ luân chuyển Turnover (tổng giá trị giao dịch khớp lệnh): Vt
Giống nh khối l ợng giao dịch, Vt đ ợc tính theo từng đ n vị thời gian.
C c nghiên cứu nh Jones và Lipon (1999), Lee & Swaminatha (2000), Chordia, R.
Roll và A. Subrahmanyam (2001), Rico Von Wyss (2004) cũng sử dụng nhân tố
này.
Vt =
pi
Nt: Số giao dịch trong khoảng thời gian từ t-1 đến t.
12
pi: gi trị của giao dịch thứ i.
+ Tỷ số vòng quay Turnover ratio:
Tn =
S: số cổ phiếu đang l u hành.
: mức gi trung bình của những giao dịch i trong khoảng thời gian t.
C c chỉ số khối l ợng, gi trị giao dịch, vòng quay càng lớn thì tính thanh
khoản của cổ phiếu càng cao.
+ Chênh lệnh mua – bán:
Là số tuyệt đối chênh lệch trung bình số l ợng cổ phiếu đặt mua – bán
trong thời gian t. Nó thể hiện tình tr ng cân bằng khối l ợng giao dịch giữa bên
mua và b n. Sự cân bằng của chỉ số này sẽ dẫn đến tình tr ng mất thanh khoản.
B
: số lệnh mua và b n trong thời gian t.
AABt =
A , Nt B qt
: khối l ợng cổ phiếu giao dịch t i mức gia Ask (mức gi b n thấp
Nt A , qt
nhất), Bid (gi mua cao nhất) tốt nhất vào thời điểm t.
1.3.2 Phư ng pháp đo lường liên hệ độ chặt:
+ Độ rộng (spread):
Sự kh c biệt giữa gi mua và gi b n cũng liên quan đến đo l ờng thanh
khoản và đ ợc nhiều nghiên cứu chỉ ra: Acker, Stalker & Tonks (2002); Harris,
MecInish & Wood (2002); Rico Von Wyss (2004),… Độ rộng liên quan đến tính
thanh khoản càng nhỏ thì tính thanh khoản càng lớn.
Độ rộng tuyệt đối (Spr) là hiệu số giữa gi đặt b n thấp nhất và gi đặt mua
cao nhất:
Sprt = pt
B - pt A
A : gi b n thấp nhất t i thời điểm t.
pt
13
B: gi mua cao nhất t i thời điểm t.
pt
Cũng nh độ sâu, để cải thiện c c tính chất phân phối của độ rộng tuyệt đối,
ta có thể lấy logarit tự nhiên (ln) nh sau:
B)
Ln(Sprt) = ln(pt
A – pt
1.3.3. Phư ng pháp đo lường liên hệ thời gian giao dịch:
+ Thời gian giữa các giao dịch (trading time): Wt
Thời gian giao dịch liên quan đến thanh khoản càng ngắn thì ta có tín hiện
thanh khoản cao. Điều này đã đ ợc làm s ng tỏ và ứng dụng trong nhiều nghiên cứu
nh của Lee & Swaminatha (2000), Chordia, R. Roll và A. Subrahmanyam (2001),
Grullon & Weston (2002), Rico von wyss (2004).
Wt =
ti – ti-1)
ti: thời gian xảy ra giao dịch i.
ti-1: thời gian xảy ra giao dịch i-1.
+ Số giao dịch trong một đ n vị thời gian: Nt
Nt là số giao dịch xảy ra từ thời điểm t-1 đến t. Số giao dịch càng lớn thì tính
thanh khoản càng cao.
1.3.4. Phư ng pháp đo lường liên hệ độ co giãn:
C c tỷ số liên quan đến thanh khoản đã đ ợc làm s ng tỏ và ứng dụng trong
nhiều nghiên cứu nh của Hui & Heubel (1984), Cooperm Grother & Avera (1985),
Amihud & Mendelson (1986), Amihud (2002), Spiegel & Wang (2005),…
+ Tỷ số thanh khoản Hui – Heubel (1984):
Pmax: mức gi cao nhất trong 5 ngày.
Pmin: mức gi thấp nhất trong 5 ngày.
V: tổng gi trị giao dịch trong 5 ngày.
14
S: số cổ phiếu đang l u hành.
P: trung bình gi đóng cửa trong 5 ngày.
Tỷ số này cho thấy mối quan hệ giữa sự biến động gi cổ phiếu và KLGD
trong khoản thời gian 5 ngày giao dịch. LRHH càng thấp thì cổ phiếu đ ợc xem xét
càng thanh khoản.
Tuy nhiên, nó có nh ợc điểm là thời gian giao dịch 5 ngày là qu dài để tìm
ra sự bất th ờng của thị tr ờng. Thực tế cho thấy, gi cổ phiếu có thể điều chỉnh
nhanh chóng cho vấn đề thanh khoản.
+ Tỷ số Amivest (1985):
Ph ng ph p đo l ờng thanh khoản này đ ợc đề xuất bởi Amihud (1985).
Chỉ số Amivest tính to n gi trị giao dịch là bao nhiêu để t o ra 1% sự thay đổi gi .
Chỉ số này càng cao thì thanh khoản của cổ phiếu càng cao. Theo công thức này thì
những ngày có lợi nhuận bằng 0 sẽ bị lo i trừ
Amivest =
=
D : số ngày có lợi nhuận kh c 0.
Ri,D : tỷ suất sinh lợi của giao dịch i vào ngày D.
Vi, D : gi trị giao dịch i vào ngày D.
+ Chỉ số Amihud (2002) :
Đây là chỉ số ng ợc với chỉ số Amivest , đ ợc đ a ra bởi Amihud (2002) để
đo l ờng tính kém thanh khoản của cổ phiếu. Khi tính to n theo công thức này thì
những ngày có khối l ợng giao dịch bằng 0 sẽ bị lo i trừ. Ng ợc l i với chỉ số
Amivest, chỉ số này càng cao thì thanh khoản của cổ phiếu càng thấp.
Amihud =
=
+ Chỉ số thanh khoản Bruner (1996):
Brunner =
15
Dùng để đo l ờng sự thay đổi giá trên một lần giao dịch trong ngày. Chỉ số
này càng cao thì tính thanh khoản càng thấp.
1.4. Dữ liệu nghiên cứu:
Dữ liệu nghiên cứu là chỉ số chứng khoánVN30-Index đ ợc thu thập từ trang
web cophieu68.com. Số liệu đ ợc thu thập theo ngày giao dịch từ 06/02/2012 đến
31/03/2015.
1.5.Phư ng pháp nghiên cứu:
1.5.1. Vấn đề c bản về chuỗi thời gian:
1.5.1.1 Chuỗi thời gian là gì:
Chuỗi quan s t đ ợc thu thập trên cùng một đối t ợng t i c c mốc thời gian
c ch đều nhau gọi là chuỗi thời gian. Nh vậy, số liệu chuỗi thời gian cho thông tin
về cùng một đối t ợng t i c c thời điểm kh c nhau.
Phân tích chuỗi thời gian sẽ là qu trình nghiên cứu hành vi, khuôn mẫu
trong qu khứ của một biến số nào đấy và từ đấy sử dụng những thông tin này để dự
b o những thay đổi trong t ng lai.
1.5.1.2 Các thành phần của chuỗi thời gian
Theo c c ph ng ph p truyền thống, chuỗi thời gian gồm c c thành phần
Thành phần xu thế (Trend component) – T.
sau:
Yếu tố có tính chất chu kỳ (Cyclical) – C.
Thành phần bất quy tắc (Irregular) – I.
Yếu tố mùa vụ (Seasonality) – S.
Gọi Yt là gi trị của chuỗi t i thời điểm t, ng ời ta có thể có c c mô hình
Mô hình cộng: Yt = Tt + St + Ct + It.
Mô hình nhân: Yt = Tt St Ct It.
sau:
Mô hình nhân th ờng đ ợc nhiều ng ời dùng h n. Tuy vậy cũng có nhiều
chuỗi dùng mô hình cộng để t ch riêng từng nhân tố. Mô hình cộng đ ợc sử dụng
nếu nh ảnh h ởng của yếu tố chu kỳ và yếu tố thời vụ không liên quan đến mức
16
chung của chuỗi. Trong tr ờng hợp yếu tố thời vụ phụ thuộc yếu tố xu thế và yếu tố
chu kỳ thì nên sử dụng mô hình nhân.
1.5.2 Các vấn đề liên quan đến tính dừng:
1.5.2.2 Khái niệm tính dừng
Một qu trình ngẫu nhiên Yt đ ợc coi là dừng nếu kỳ vọng (trung bình),
ph ng sai không đổi theo thời gian và hiệp ph ng sai giữa hai thời điểm chỉ phụ
thuộc vào khoảng c ch và độ trễ về thời gian giữa hai thời đo n này chứ không phụ
thuộc vào thời điểm thực tế mà đồng ph ng sai đ ợc tính.
Cụ thể, Yt đ ợc gọi là dừng nếu:
Trung bình: E (Yt) = µ = const. Ph ng sai: Var (Yt) = E (Yt –µ)2 = σ2 = const.
Đồng ph ng sai: Cov (Yt-k, Yt) = E [(Yt – µ) (Yt-k – µ)]= γk = const.
Qu trình ngẫu nhiên Yt đ ợc coi là không dừng nếu nó vi ph m ít nhất một
trong ba điều kiện trên.
1.5.2.3 Hậu quả của chuỗi không dừng:
Theo Gujarati (2003) cho rằng nếu một chuỗi thời gian mà không dừng,
chúng ta chỉ có thể nghiên cứu hành vi của nó trong thời gian đang xem xét. Lúc
này, chúng ta chỉ xem xét đ ợc những tình tiết của hiện t i và qu khứ chứ không
dự b o đ ợc t ng lai, vì biến động một c ch không hội tụ, tức gi trị qu khứ lúc
này t c động đến gi trị hiện t i một c ch vô h n và không bao giờ kết thúc. Khi xây
dựng c c mô hình dự b o, chúng ta giả định rằng c c xu h ớng hiện t i và qu khứ
giữ nguyên chiều h ớng vận động cho t ng lai. Do vậy, nếu thực hiện mô hình
hóa trên một chuỗi dữ liệu không dừng thì việc dự b o cho t ng lai rất cập kê và
d ờng nh không có ý nghĩa.
Một vấn đề kh c liên quan đến tính không dừng khi làm việc với chuỗi thời
gian là vấn đề t ng quan giả m o (spurious). Nếu nh mô hình có ít nhất một biến
độc lập không dừng, biến này thể hiện xu thế tăng (giảm) và nếu biến phụ thuộc
cũng có cùng xu thế nh vậy, thì khi ớc l ợng mô hình có thể ta sẽ thu đ ợc ớc l ợng hệ số ý nghĩa thống kê cao và R2 cao. Những thông tin này có thể là giả m o.
17
R2 cao có thể là do hai biến này có thể có cùng xu thế. Yule (1926) đã đề cập đến
vấn đề này. Granger Newbold (1974) đã có đóng góp có ý nghĩa về hồi quy giả
m o. Hai t c giả đã lấy hai chuỗi thời gian độc lập với nhau và ớc l ợng mô hình. Tỷ số T nhận đ ợc kh lớn và R2 cũng kh lớn. Lúc này, vấn đề dự b o tất nhiên sẽ
không chính xác.
1.5.2.4 Cách kiểm định tính dừng của chuỗi thời gian:
Tính dừng của chuỗi thời gian có thể đ ợc nhận biết dựa trên đồ thị của
chuỗi thời gian, đồ thị hàm tự t ng quan mẫu hay kiểm định Dickey-Fuller
(kiểm định nghiệm đ n vị). Nếu đồ thị Y=f(t) của chuỗi thời gian cho thấy trun g
bình và ph ng sai của qu trình Yt không đổi theo thời gian, thì chuỗi thời gian
đó có thể có tính dừng.
1.5.2.4.1. Tự tương quan ACF (Autocorrelation function)
ACF với độ trễ k, ký hiệu bằng ρk, đ ợc x c định nh sau:
Hàm tự t ng quan đo l ờng sự phụ thuộc tuyến tính giữa c c cặp quan s t
Yt và Yt-k. Một chuỗi thời gian đ ợc xem là dừng khi ACF giảm nhanh hay “tắt
dần” nhanh về 0 sau 2 đến 3 độ trễ.
Chúng ta có thể xem xét thống kê Q của Ljung – Box và gi trị x c suất
t ng ứng. Thống kê Q đ ợc tính nh sau:
Với cỡ mẫu lớn, Q có phân phối theo chi bình ph ng với bậc tự do bằng số
độ trễ. Nếu gi trị thống kê Q tính to n lớn h n gi trị thống kê Q quan s t ở một
mức ý nghĩa x c định thì ta b c bỏ giả thiết H0, tức là chuỗi dữ liệu có tính dừng.
18
1.5.2.4.3. Tự tương quan mẫu PACF (Partial Autocorrelation function):
Hệ số này phản nh t ng quan của Yt và Yt-k khi đã lo i trừ c c ảnh h ởng của
c c độ trễ từ 1 đến k-1. Do đó, để đo độ kết hợp riêng rẽ giữa Yt và Yt-k ta sử dụng hàm
t ng quan mẫu PACF với hệ số t ng quan ρkk đ ợc ớc l ợng theo công thức nh
sau:
1.5.2.4.4. Kiểm định Dickey-Fuller (kiểm định nghiệm đơn vị- Unit root test):
Ph ng ph p này đ ợc Dickey và Fuller ph t hiện vào năm 1979 để kiểm tra
một chuỗi thời gian có phải có tính dừng hay không, đ ợc sử dụng phổ biến h n
1+Ut nếu với α=1 thì chuỗi thời gian không có tính dừng (trong đó Ut là nhiễu
biểu đồ tự t ng quan. Chuỗi là b ớc ngẫu nhiên (Random Walk) hay Yt = α*Yt-
trắng).
H0: α = 1 (Yt là chuỗi không có tính dừng).
H1: α < 1 (Yt là chuỗi có tính dừng).
1.5.2.4.5 Nhiễu trắng(white noise):
Tính dừng là một giả định yếu h n giả định phân phối chuẩn. Tuy nhiên, hồi
quy với chuỗi thời gian có tính dừng sẽ cho ta c c thống kê đ ng tin cậy. Chỉ cần số
quan sát tăng lên thì độ tin cậy càng lớn. Do vậy, sai số ut không nhất thiết phải tuân
theo phân phối chuẩn miễn là mẫu quan s t đủ lớn. Thay vào đó, ut đ ợc giả định là
“nhiễu trắng”.
Giả sử có ph ng trình sau: yt = ut
Nếu ut là một nhiễu trắng thì nó có trung bình bằng không, ph ng sai không
đổi và hiệp ph ng sai giữa hai ut bằng không. Nhiễu trắng là một tr ờng hợp đặc
19
biệt của chuỗi dừng. C c điều kiện này hàm ý rằng chúng ta không thể dự b o đ ợc
nhiễu trắng từ những gi trị trung bình trong qu khứ của chính nó. Nếu ut còn có tự
t ng quan thì điều đó có nghĩa là còn những thông tin ẩn chứa trong ut mà chúng
ta có thể khai th c để cải thiện mô hình hồi quy.
1.5.2.4.6. Bước đi ngẫu nhiên (Random Walk):
Nếu: Yt = Yt-1 + ut
Trong đó : ut là nhiễu trắng thì Yt đ ợc gọi là b ớc ngẫu nhiên.
Nếu đ a thêm vào mô hình b ớc ngẫu nhiên một hằng số thì Yt đ ợc gọi là
b ớc ngẫu nhiên có bụi (random walk with driff):
Yt = α + Yt-1 + ut
1.4.1.5. Biến đổi chuỗi không dừng thành chuỗi dừng
Xét quá trình Yt ngẫu nhiên (Random Walk): Yt=Yt-1+Ut với Ut là nhiễu
trắng.
Ta lấy sai phân cấp I của Yt: D (Yt) = Yt -Yt-1 = Ut. Trong tr ờng hợp này D
(Yt) là chuỗi dừng vì Ut là nhiễu trắng. Tr ờng hợp tổng qu t, với mọi chuỗi thời
gian nếu sai phân cấp I của Yt ch a dừng ta tiếp tục lấy sai phân cấp II, III… C c
nghiên cứu đã chứng minh luôn tồn t i một gi trị d x c định để sai phân cấp d của
Yt là chuỗi dừng. Khi đó Yt đ ợc gọi là liên kết bậc d, ký hiêu là I (d).
Sai phân cấp d đ ợc lấy nh sau:
Sai phân cấp I của Yt: D(Yt)=Yt-Yt-1. Sai phân cấp II: D(D(Yt))=D2(Yt)=(Yt-Yt-1)-(Yt-1-Yt-2). Sai phân cấp d: D (Dd-1(Yt)).
1.4.2 Mô hình Arima
1.4.2.1 Cơ sở lý luận
George Box và Gwilym Jenkins (1976) đã nghiên cứu mô hình ARIMA
(Autoregressive Integrated Moving Average - Tự hồi qui tích hợp Trung bình
tr ợt), và tên của họ th ờng đ ợc dùng để gọi tên c c qu trình ARIMA tổng qu t,
p dụng vào việc phân tích và dự b o c c chuỗi thời gian. Ph ng ph p Box-
20
Jenkins với bốn b ớc: nhận d ng mô hình thử nghiệm; ớc l ợng; kiểm định bằng
chẩn đoán và dự b o.
Mô hình sử dụng dữ liệu chuỗi thời gian, xem gi trị trong qu khứ của một
biến số cụ thể là một chỉ tiêu tốt phản nh gi trị trong t ng lai của nó, cụ thể, cho
Yt là gi trị của biến số t i thời điểm t với Yt = f(Yt-1, Yt-2, ..., Y0, t).
1.4.2.2 Quá trình tự hồi quy (AR – Autoregressive Process)
Ý t ởng chính của mô hình AR(p) là hồi quy trên chính số liệu qu khứ ở
những chu kì tr ớc.
0+
1Y(t-1) +
2Y(t-2) +… pY(t-p) + ut
Yt =
Trong đó :
Yt: quan s t dừng hiện t i.
Yt-1, Yt-2... : quan s t dừng qu khứ.
0,
1,
2…: c c tham số phân tích hồi quy.
ut : sai số dự b o ngẫu nhiên của giai đo n hiện t i (hay còn gọi là nhiễu
trắng). Gi trị trung bình đ ợc mong đợi bằng 0.
Yt là một hàm tuyến tính của những quan s t dừng qu khứ Yt-1, Yt-2, … Nói
cách khác, khi sử dụng phân tích hồi quy Yt theo c c gi trị chuỗi thời gian dừng có
độ trễ, chúng ta sẽ đ ợc mô hình AR (yếu tố xu thế đã đ ợc t ch khỏi yếu tố thời
gian, chúng ta sẽ mô hình hóa những yếu tố còn l i – đó là sai số).
Số quan s t dừng qu khứ sử dụng trong mô hình hàm tự t ng quan là bậc p
của mô hình AR. Nếu ta sử dụng hai quan s t dừng qu khứ, ta có mô hình t ng
quan bậc hai AR(2).
1+
2+ … +
p< 1
Điều kiện dừng là tổng c c tham số phân tích hồi quy nhỏ h n 1 :
0 +
1Yt -1+ ut.
Mô hình AR(1) : Yt =
0 +
1Yt-1 +
2Yt-2 +ut.
Mô hình AR(2) : Yt =
1.4.2.3 Quá trình trung bình trượt (MA – Moving Average)
21
Quan s t dừng hiện t i Yt là một hàm tuyến tính phụ thuộc c c biến sai số dự
b o qu khứ và hiện t i. Mô hình MA là một trung bình trọng số của những sai số
mới nhất.
Trong đó :
Yt : quan s t dừng hiện t i.
ut : sai số dự b o ngẫu nhiên, gi trị của nó không đ ợc biết và gi trị
trung bình của nó là 0.
ut-1, ut-2, ... : sai số dự b o qu khứ (thông th ờng mô hình sẽ sử dụng
không qu 2 biến này).
1, 2, 3 ... : gi trị trung bình của Yt và c c hệ số bình quân di động.
q : sai số qu khứ đ ợc dùng trong mô hình bình quân di động, nếu ta sử
dụng hai sai số qu khứ thì sẽ có mô hình bình quân di động bậc 2 là MA(2).
Điều kiện cần là tổng c c hệ số bình quân di động phải nhỏ h n 1 :
+ +…+ < 1
Mô hình MA(1) : Yt = + ut + 1ut-1.
Mô hình MA(2) : Yt = + ut + 1ut-1 + 2ut-2.
1.4.2.4 Quá trình trung bình trượt và tự hồi quy ARMA
C chế để sản sinh ra Y không chỉ là riêng AR hoặc MA mà có thể còn là sự
kết hợp cả hai yếu tố này. Khi kết hợp cả hai yếu tố chúng ta có qu trình gọi là qu
trình trung bình tr ợt và tự hồi quy.
Yt là qu trình ARMA(1,1) nếu Y có thể biểu diễn d ới d ng:
(u - nhiễu trắng)
Tổng qu t, Yt là quá trình ARMA (p, q) nếu Yt có thể biểu diễn d ới d ng:
1.4.2.5 Quá trình trung bình trượt, đồng liên kết, tự hồi quy ARIMA
22
Nếu chuỗi Yt đồng liên kết bậc d, p dụng mô hình ARMA (p,q) cho chuỗi
sai phân bậc d thì chúng ta có qu trình ARIMA (p,d,q). Trong đó, p là bậc tự hồi
quy, d là số lần lấy sai phân chuỗi Yt để đ ợc một chuỗi dừng, q là bậc trung bình
AR(p) là tr ờng hợp đặc biệt của ARIMA (p,d,q), khi d=0 và q=0.
MA(q) là tr ờng hợp đặc biệt của ARIMA (p,d,q), khi d=0 và p=0.
tr ợt (p và q là bậc t ng ứng của chuỗi dừng).
ARIMA(1,1,1) – nghĩa là chuỗi Yt có sai phân bậc 1 là chuỗi dừng. Chuỗi
sai phân dừng này có thể biểu diễn d ới d ng ARMA (1,1)
( ut - nhiễu trắng)
1.4.2.6 Phương pháp Box-Jenkins
Để có thể sử dụng ph ng ph p Box – Jenkins, tr ớc hết chúng ta phải làm
dừng chuỗi, tiếp đó phải tìm đ ợc c c gi trị p, q. Ph ng ph p Box – Jenkins bao
gồm c c b ớc sau đây:
Bước 1: Định d ng mô hình. Tìm ra đ ợc c c gi trị d, p, q.
Bước 2: Ước l ợng mô hình.
Bước 3: Kiểm định giả thiết. Ở b ớc này cần chọn ra một mô hình phù hợp nhất
với c c số liệu hiện có. Kiểm định đ n giản nhất là kiểm định tính dừng của c c phần
d . Nếu phần d có tính dừng thì mô hình chấp nhận đ ợc. Nh vậy qu trình BJ là
một qu trình lặp cho đến khi nào tìm đ ợc mô hình thỏa đ ng.
Bước 4: Dự b o - Một trong c c lý do để mô hình ARIMA đ ợc a chuộng
là những dự b o bằng mô hình này, đặc biệt là dự b o trong ngắn h n, tỏ ra thực tế
h n so với c c mô hình kinh tế l ợng truyền thống.
23
Vẽ biểu đồ chuỗi giá trị
Chuỗi dừng hay không?
Nhận dạng mô hình
Ước lượng mô hình
Lấy sai phân chuỗi dữ liệu
Kiểm định sự phù hợp
Thay đổi mô hình
Dự báo
Hình 1.1 - Quy trình của phư ng pháp Box-Jenkins.
(Nguồn: Gary Koop - Analysis of financial data -Time series analysis)
1.4.3.6.1 Định dạng:
Định d ng mô hình tức là chúng ta phải tìm ra c c gi trị p, d và q. Công việc
này rất khó khăn cả về lý thuyết lẫn thực hành.
Để tìm đ ợc d, chúng ta có thể dùng kiểm định Dickey – Fuller. Từ chuỗi
dừng nhận đ ợc, ta phải tìm c c gi trị p và q, hay nói cách khác chúng ta phải định
d ng mô hình ARIMA. Có rất nhiều ph ng ph p để tìm đ ợc p và q. Không có
ph ng ph p nào có u thế tuyệt đối. Ng ời ta dùng nhiều ph ng ph p để so s nh
chọn ra c c gi trị p và q thích hợp. Qu trình tìm ra p và q là một “nghệ thuật” đòi
hỏi phải có những kinh nghiệm nhất định.
L ợc đồ t ng quan và tự t ng quan riêng.
Trên l ợc đồ này, vẽ ACF và PACF theo độ dài của trễ. Đồng thời cũng vẽ
đ ờng phân giải chỉ khoảng tin cậy 95% đ ợc tính bằng ± (1,96/ ) cho hệ số tự
t ng quan (ACF) và hệ số tự t ng quan riêng (PACF). Dựa trên l ợc đồ này ta có
thể biết đ ợc c c hệ số tự t ng quan (hoặc c c hệ số tự t ng quan riêng) nào khả
24
kk đo mức độ kết hợp giữa Yt và Yt-k sau khi đã lo i bỏ ảnh h ởng của
dụng. Từ đó có thể đ a ra c c gi trị p và q của c c qu trình AR(p) và MA(q).
Yt-1,… Yt-k+1 ,do đó nếu ρkk = 0 với k > p và ρi (i = 1,2…) giảm theo hàm mũ hoặc
Nếu k (k = 1,2…) giảm dần theo hàm mũ hoặc theo hình sin với k = 0 (k
theo hình sin thì ta có quá trình AR(p).
> q), thì ta có quá trình MA(q).
C c d ng lý thuyết của ACF và PACF:
Bảng 1.2 - Các dạng lý thuyết của ACF và PACF
Loại mô Dạng tiêu biểu của AFC Dạng tiêu biểu của PAFC hình
Suy giảm theo số mũ hay với Đỉnh cao đ ng kể qua c c độ
d ng sóng hình sin tắt dần hay trễ p. AR(p)
cả hai.
Đỉnh cao đ ng kể qua c c độ Suy giảm theo số mũ hay với
trễ q. d ng sóng hình sin tắt dần hay MA(q)
cả hai.
Suy giảm theo số mũ hay với Suy giảm theo số mũ hay với
d ng sóng hình sin tắt dần hay d ng sóng hình sin tắt dần hay ARMA(p,q)
cả hai. cả hai.
(Nguồn: Tự tổng hợp)
L u ý rằng c c ACF và PACF của c c qu trình AR(p) và MA(q) có các
d ng tr i ng ợc; trong tr ờng hợp AR(p), ACF giảm theo cấp số mũ nh ng PACF
đ t tới giới h n sau một số độ trễ nhất định, tr i l i hiện t ợng đối ng ợc sẽ xảy ra
đối với qu trình MA(q).
L u ý: do trên thực tế ta không quan s t c c ACF và PACF lý thuyết mà dựa
vào c c dữ liệu mẫu của chúng, c c gi trị ACF và PACF ớc l ợng sẽ không phù
hợp chính x c với c c gi trị lý thuyết. Cái mà ta đang tìm kiếm là sự giống nhau
giữa c c ACF và PACF lý thuyết với c c dữ liệu mẫu đề từ đó chúng có thể chỉ cho
25
ta h ớng đi đúng trong việc xây dựng c c mô hình ARIMA. Một số d ng lý thuyết
Tự tương quan từng phần
Tự tương quan
0 0
0
0 0
0 0
a. AR(1) : Yt = 0 +
1Yt -1+ ut
của ACF và PACF tiêu biểu:
Tự tương quan
Tự tương quan từng phần
0
0
0
0
c. MA(1) : Yt =
+ ut + 1ut-1
Hình 1.2 - Quá trình AR(1).
Hình 1.3 - Quá trình MA(1).
26
Tự tương quan từng phần
Tự tương quan
0
0
0
0
d. MA(2) : Yt =
+ ut + 1ut-1 + 2ut-2
Hình 1.4 - Quá trình MA(2).
27
Tự tương quan từng phần
Tự tương quan
0
0
0
0
d. MA(2) : Yt =
+ ut + 1ut-1 + 2ut-2
Hình 1.5 Quá trình ARIMA(1,1).
Các công cụ thống kê đánh giá độ chính xác dự báo: Có nhiều tiêu
chuẩn để lựa chọn một mô hình thích hợp. Hẩu hết c c tiêu chuẩn này đều xuất ph t
từ l ợc đồ t ng quan. Nghĩa là giả thiết rằng d là đã biết, vấn đề là lựa chọn p và q
thích hợp. Có thể chia làm 2 nhóm sau:
Akaike (Akaike Infor Criterion, 1974) đã đề xuất: AIC =
Nhóm 1:
Schwarz (Schwarz Infor Criterion, 1978) đã đề xuất : SIC=
.
Trong đó:
- n: số l ợng quan s t.
- r: tổng số c c số h ng trong mô hình ARIMA (kể cả số h ng là hằng số).
Mô hình đư c lựa chọn là mô hình có AIC hoặc SIC tối thiểu.
MAE (Mean Absolute Error): Sai số dự b o tuyệt đối trung bình.
MAPE (Mean Absolute Percentage Error): Sai số phần trăm tuyệt đối.
MSE (Mean Squared Error): Sai số bình ph ng trung bình.
RMSE Sai số bình ph ng trung bình gốc:
Nhóm 2:
Trong đó: là sai số dự b o trong giai đo n t.
là gi trị thực tế trong giai đo n t.
Theil (Theil Inequality Coeficient): Hệ số không ngang bằng T.
n là số quan s t trong giai đo n kiểm tra.
28
Hệ số này chính là tỷ số giữa RMSE của mô hình dự b o gốc và RMSE của
mô hình Naive. Mô hình Naive đ n giản sử dụng gi trị yt cho gi trị dự b o kế
tiếp yt+1. Nếu gi trị Theil U càng tiến về 0 thì mô hình dự b o càng chính x c. Gi
trị này lớn h n 1 hàm ý rằng sai số dự b o mô hình gốc lớn h n mô hình Naive, do
đó mô hình là ch a tốt để tiến hành dự b o. Trong thực tế, gi trị U < 0.55 đ ợc
Bias (Bias Proportion) :Tỷ lệ chệch .
đ nh gi là rất tốt.
Cho biết c c gi trị trung bình dự b o kh c biệt nh thế nào so với trung bình
gi trị thực tế. Tỷ lệ này càng nhỏ thì càng tốt.
1.4.3.6.2 Ước lượng mô hình
Sau khi định d ng mô hình, ta biết đ ợc d - bậc của sai phân đối với chuỗi
xuất ph t để thu đ ợc một chuỗi dừng. Đối với chuỗi dừng này ta cũng đã biết c c
gi trị p và q. Do đó ta dùng ph ng ph p bình ph ng nhỏ nhất (OLS) để ớc
l ợng mô hình ARIMA này.
1.4.3.6.3 Kiểm định tính thích hợp của mô hình
Bằng c ch nào chúng ta biết đ ợc mô hình đã lựa chọn thích hợp với c c số
liệu thực tế. Nếu nh mô hình là thích hợp thì c c yếu tố ngẫu nhiên phải là nhiễu
trắng. Do đó để xem mô hình có phù hợp hay không thì chúng ta phải kiểm định
tính dừng của c c phần d . Kết quả ớc l ợng mô hình ARIMA cho ta phần d .
Dùng kiểm định Dickey-Fuller để kiểm định xem et có phải là nhiễu trắng hay
không.
Nếu nh et không phải là nhiễu trắng thì phải định d ng l i mô hình và qu trình
đó cứ đ ợc tiếp tục cho đến khi nào đ ợc một mô hình thích hợp. Nh vậy đúng nh
đã nói ở trên, ph ng pháp Box – Jenkins là ph ng ph p lặp. Cụ thể, ta tiến hành
29
c c b ớc sau:
+ Sai số dự báo là ngẫu nhiên và phân phối chuẩn:
ut là yếu tố ngẫu nhiên trong mô hình hồi quy. Nếu: ut có trung bình bằng 0,
ph ng sai không đổi và hiệp ph ng sai bằng 0. Khi đó ut đ ợc gọi là nhiễu trắng
E(ut) = 0.
Cov(ui,uj) = 0.
(White noise). Hay ut là nhiễu ngẫu nhiên nếu thoã mãn c c điều kiện:
VaR(ui) =
.
+ Các ước lư ng khác 0 (theo ý nghĩa thống kê). Ta kiểm định cặp giả
thiết:
i = 0.
H0:
i
0. H1:
Với =0.05 ; =
Nếu │tqs│>1.96 thì ta b c bỏ Ho chấp nhận H1 và ng ợc l i.
+Thống kê (LB) Ljung-Box: Ý nghĩa thống kê của bất kỳ k nào đều có thể
đ ợc đ nh gi bởi sai số chuẩn của nó. Bartlett đã chỉ ra rằng nếu một chuỗi thời
gian là thuần tuý ngẫu nhiên, tức là nó thể hiện white noise, thì c c hệ số tự t ng
quan mẫu sẽ đ ợc phân bổ gần nh chuẩn với trung bình bằng 0 và ph ng sai =
k
. Theo c c tính chất của phân phối chuẩn ho thì khoảng tin cậy 95% đối với
k nằm trong khoảng
bất kỳ sẽ bằng . Do vậy nếu c c gi trị ớc tính của
( ; ) thì chúng ta sẽ không lo i trừ giả thiết rằng gi trị thật của k = 0. Thống
kê (LB) Ljung-Box đ ợc p dụng để kiểm tra độ lớn của ACF sai số có ý nghĩa hay
không:
H0: 1 = 2= 3= 4…= k=0
3
4… k 0
H1: 1 2
LB = n(n+2)
30
Trong đó:
- bình ph ng ACF cho c c độ trễ k (k=1,2,…m);
- n=số quan s t chuỗi dữ liệu dừng;
- m=thời l ợng của độ trễ, cũng chính là số bậc tự do;
- Nếu gi trị LB tính ra đ ợc < gi trị tới h n tra bảng thì không có c sở
để b c bỏ H0 hay mô hình là phù hợp.
1.4.3.6.4 Dự báo
Sau khi đã ớc l ợng đ ợc một mô hình tốt, ta sẽ sử dụng mô hình này để dự
b o. Giả sử rằng ta có mô hình ARIMA(1,1,0), tức là ta có mô hình sau đây;
, t= 1,2…n
Dự b o cho thời kì tiếp theo:
( ở đây ta kì vọng en+1 = 0)
n+1 – Yn =
Yf
n+1 = Yn+
Hay Yf
n+2 = Yn+1 +
Yf + = Yn+
...
T ng tự ta cũng dự b o đ ợc c c gi trị của Y trong c c thời kỳ kế tiếp.
Theo nh c ch này sai số sẽ tăng lên khi ta dự b o cho qu xa. Đặc biệt trong mô
hình tổng qu t, nếu q kh lớn thì ta chỉ dự b o đ ợc một vài thời kì tiếp theo.
1.2.4. Lý thuyết mô hình ARCH/GARCH
1.2.4.1. Mô hình ARCH:
Mô hình ARCH do Engle phát triển năm 1982, mô hình này cho rằng
ph ng sai của h ng nhiễu t i thời điểm t phụ thuộc vào các h ng nhiễu bình
31
ph ng ở c c giai đo n tr ớc. Engle cho rằng tốt nhất chúng ta nên mô hình hoá
đồng thời giá trị trung bình và ph ng sai chuỗi số liệu khi nghi ngờ rằng giá trị
ph ng sai thay đổi theo thời gian.
Mô hình đ n giản nh sau:
Yt = β1 + β2Xt + ut
Trong đó Xt là một vect k x 1 các biến giải thích và B2 là một vect k x 1
các hệ số.
Thông th ờng ut đ ợc giả định có phân phối chuẩn với trung bình bằng 0 và
ph ng sai không đổi là σ2. Giả định này đ ợc viết nh sau:
ut~ N(0, ht)
Ý t ởng của Engle bắt đầu từ sự thật ông cho phép ph ng sai của các h ng
nhiễu phụ thuộc vào các giá trị quá khứ, hay ph ng sai thay đổi theo thời gian.
Một cách để mô hình hoá ý t ởng này là cho ph ng sai phụ thuộc vào các biến trễ
của các h ng nhiễu bình ph ng. Điều này có thể đ ợc minh ho nh sau:
t-1
ht = γ0 + γ1u2
Ph ng trình này đ ợc gọi là qui trình ARCH (1) và ý t ởng này cũng t ng
tự nh ý t ởng mô hình ARIMA.
Mô hình ARCH (1):
Mô hình ARCH (1) sẽ mô hình hoá đồng thời giá trị trung bình và ph ng
sai của một chuỗi thời gian nh cách đ ợc xác định sau đây:
Yt = β1 + β2Xt + ut (1.1)
ut~ N (0, ht)
t-1 (1.2)
ht =γ0 +γ1u2
Ở đây ph ng trình (1.1) đ ợc gọi là ph ng trình ớc l ợng giá trị trung
t. Mô hình ARCH(1) cho rằng khi có một cú sốc lớn ở giai đo n t-1 thì
bình và ph ng trình (1.2) đ ợc gọi là ph ng trình ớc l ợng ph ng sai. Để đ n
t-1 lớn (hoặc nhỏ) thì ph ng sai của ut
giản cho việc thể hiện công thức của ph ng trình ph ng sai ta thể hiện ký hiệu ht thay cho σ2 giá trị ut cũng sẽ lớn h n. Nghĩa là khi u2
32
cũng sẽ lớn (hoặc nhỏ). Hệ số ớcl ợng γ1 phải có dấu d ng vì ph ng sai luôn
d ng.
Mô hình ARCH (q)
Thực tế ph ng sai có điều kiện có thể phụ thuộc không chỉ một độ trễ mà
còn nhiều độ trễ tr ớc nó nữa, vì mỗi tr ờng hợp có thể t o ra một quy trình ARCH
khác nhau.
Tr ờng hợp tổng quát ARCH (q) đ ợc thể hiện nh sau:
Yt = β1 + β2Xt + ut
Ut ~ N(0,ht) trong đó ht chính là
ht =
Mô hình ARCH (q) sẽ mô hình hoá đồng thời giá trị trung bình và ph ng
sai của một chuỗi các hệ số ớc l ợng. γj phải có dấu d ng vì ph ng sai luôn
d ng.
Kiểm định tính ARCH
Tr ớc khi ớc l ợng các mô hình ARCH (q), điều quan trọng là chúng ta cần
kiểm tra xem có tồn t i các ảnh h ởng ARCH hay không để biết các mô hình nào
cần ớc l ợng theo ph ng ph p ARCH thay vì theo ph ng ph p ớc l ợng OLS.
Kiểm định ảnh h ởng ARCH sẽ đ ợc thực hiện theo qui trình nh sau:
B ớc 1: Ước l ợng ph ng trình trung bình theo ph ng ph p OLS.
Yt = β1 + β2Xt + et
L u ý, các biến giải thích có thể bao gồm các biến trễ của biến phụ thuộc và
các biến giải thích khác có ảnh h ởng đến Yt. Ngoài ra, khi thực hiện với dữ liệu
mẫu, thì h ng nhiễu ut trong mô hình đ ợc đổi thành phần d et.
t = γ0 + γ1e2
t-2 + γ3e2
t-q + wt
e2 B ớc 2: Ước l ợng ph ng trình hồi qui phụ sau đây: t-3 +….+γqe2 t-1 + γ2e2
X c định hệ số x c định của mô hình hồi qui phụ, đặt tên là R2.
B ớc 3: X c định giả thiết H0 nh sau:
33
H0 :γ0 = γ1 = γ2 = ….= γq
Từ kết quả hồi qui phụ ta tính R2*T, với T là số quan sát của chuỗi dữ liệu đang đ ợc xem xét. Thống kê này sẽ theo phân phối χ2 với số bậc tự do là số độ trễ
q (do trong ph ng trình hồi quy là một tổng của q thành phần lấy bình ph ng). Nếu giá trị thống kê χ2 tính toán (R2 *T) lớn h n gi trị χ2 phê phán (hay gi trị P-
value < 0.05) thì chúng ta bác bỏ giả thiết H0, và ng ợc l i. Nếu bác bỏ giả thiết H0,
thì ta có thể kết luận rằng chuỗi dữ liệu đang xét có ảnh h ởng ARCH.
1.2.4.2. Lý thuyết mô hình GARCH:
Theo Engle (1995), một trong những h n chế của mô hình ARCH là nó có
hình vẽ giống d ng mô hình trung bình di động h n là mô hình tự hồi quy. Một ý
t ởng mới là chúng ta nên đ a thêm c c biến trễ của ph ng sai có điều kiện vào
ph ng trình của ph ng sai theo d ng tự hồi quy. Ngoài ra, nếu các ảnh h ởng
ARCH có quá nhiều độ trễ sẽ ảnh h ởng tới kết quả ớc l ợng do giảm đ ng kể số
bậc tự do trong mô hình. Chính vì vậy mô hình GARCH có xu h ớng đ ợc sử dụng
phổ biến h n.
Mô hình GARCH (p, q )
Mô hình GARCH (p, q) có d ng sau đây:
(2.1) Yt = β1 + β2Xt + ut
Ut ~ N(0,ht)
+ (2.2) ht =
Ph ng trình (2.2) nói lên rằng ph ng sai ht bây giờ phụ thuộc vào cả giá trị
quá khứ của những cú sốc đ i diện bởi những biến trễ của h ng nhiễu bình ph ng,
và các giá trị quá khứ của bản thân ht đ i diện bởi các biến ht-i. Nếu p = 0 thì mô
hình GARCH (0,q) đ n giản là mô hình ARCH(q). D ng đ n giản nhất của mô hình
GARCH là mô hình GARCH (1,1). Ph ng trình ph ng sai của mô hình GARCH
(1,1) đ ợc thể hiện nh sau:
t-1
ht = γ0 + δ1ht-1 + γ1u2
34
Mô hình GARCH (1,1) t ng đ ng với mô hình ARCH bậc vô cùng với
các hệ số có xu h ớng giảm dần. Vì lý do này, chúng ta nên sử dụng mô hình
GARCH (1,1) thay cho mô hình ARCH bậc cao bởi vì với mô hình GARCH (1,1)
chúng ta sẽ cần ít số hệ số cần ớc l ợng h n và vì thế sẽ giúp h n chế khả năng
mất đi vô số bậc tự do trong mô hình.
Kết luận chư ng 1
Ch ng 1 đã làm rõ những vấn đề tổng quan về thanh khoản, từ kh i niệm,
c c yếu tố ảnh h ởng, c c khía c nh đến c c ph ng ph p đo l ờng thanh khoản.
Đồng thời cung cấp những ph ng ph p để nghiên cứu thanh khoản nhóm cổ phiếu
trong rổ VN30 bao gồm chuỗi số liệu thời gian và hàng lo t các mô hình: AR, MA,
ARMA, ARIMA, ARCH/GARCH. Từ đó, làm cở sở cho qu trình dự b o về sau.
35
Chư ng 2: CHỈ SỐ CHỨNG KHOÁN VN30-INDEX VÀ DIỄN
BIẾN THANH KHOẢN CỦA THỊ TRƯỜNG CHỨNG KHOÁN
VIỆT NAM GIAI ĐOẠN 2012 - 2015
2.1 Tổng quan về chỉ số chứng khoán VN30-Index
2.1.1 Chỉ số VN30 là gì
Chỉ số VN30 là chỉ số do HOSE công bố, chỉ số này đ ợc tính dựa trên ba
tiêu chí: gi trị vốn ho , tỷ lệ free-float và gi trị giao dịch; bao gồm 30 cổ phiếu
của công ty niêm yết trên HOSE có vốn ho thị tr ờng và tính thanh khoản cao nhất
(chiếm khoảng 80% tổng gi trị vốn hóa và 60% tổng gi trị giao dịch toàn thị
tr ờng). Ngày 6/2/2012, HOSE lần đầu tiên đ a vào p dụng chỉ số VN30.
Từ th ng 1/2015, thành phần của rổ VN30 bao gồm 30 cổ phiếu sau1: FLC,
VIC, SSI, HAG, PVD, MSN, KDC, FPT, ITA,VNM, HPG, OGC, HVG, PVT,
REE, CII, DPM, HCM, MBB, GMD, VCB, IJC, PPC, HSG, STB, CSM, DRC,
VSH, BVH.
2.1.2 Ý nghĩa
VN30 ra đời đ ợc xem là một trong những nỗ lực của HOSE góp phần cải
thiện thanh khoản cho thị tr ờng trong bối cảnh TTCK Việt Nam cần có những cú
hích để t o thêm sự sôi động. VN30 sẽ giúp NĐT đ nh gi thị tr ờng chính x c h n
so với VN Index, tr nh đ ợc hiện t ợng VN Index bị bóp méo do c c mã vốn hóa
lớn: Trong h n 300 cổ phiếu niêm yết trên HOSE đ ợc phân làm 11 ngành chính thì
riêng VN30 đã có đ i diện của 9 ngành, chiếm khoảng 80% tổng gi trị vốn hóa và
60% thanh khoản của thị tr ờng. Nh vậy, tính đ i diện của nó rất rõ, vừa đ i diện
ngành, vốn hóa và thanh khoản, thật sự trở thành công cụ hữu ích cho c c quỹ đầu
1 Phụ lục 1 :Danh mục cổ phiếu thành phần rổ VN30 kỳ 1/2015
t chỉ số.
36
Hình 2.1 Tỷ trọng ngành theo GTVH của rổ VN30
(Nguồn: HOSE)
2.1.3 Tiêu chuẩn lựa chọn cổ phiếu vào rổ VN30
Thành phần chỉ số VN30 sẽ đ ợc hội đồng t vấn chỉ số của HOSE xem xét
l i 6 th ng/lần vào th ng 7 trong năm và th ng 1 của năm kế tiếp. Dữ liệu dùng
trong kỳ xem xét đ ợc lấy sau khi đóng cửa phiên giao dịch cuối cùng của th ng 6
và tháng 12.
2.1.4 Điều kiện tham gia chỉ số VN30:
C c cổ phiếu đang niêm yết trên sàn HOSE và không thuộc một trong c c
diện sau đây t i thời điểm xem xét: Cổ phiếu thuộc diện bị cảnh c o, bị kiểm so t;
bị t m ngừng giao dịch hoặc có khả năng bị t m ngừng giao dịch trong t ng l i
gần; cổ phiếu có thời gian niêm yết và giao dịch trên HOSE d ới 6 th ng.
C c cổ phiếu tiếp tục đ ợc sàng lọc qua 3 b ớc để chọn cổ phiếu đủ tiêu
chuẩn vào rổ chỉ số:
Bước 1: Sàng lọc giá trị vốn hóa.
Tập hợp c c cổ phiếu thỏa mãn điều kiện tham gia tính to n chỉ số VN30
đ ợc sắp xếp theo thứ tự giảm dần theo gi trị vốn hóa hàng ngày bình quân trong 6
th ng ch a điều chỉnh free-float.
50 cổ phiếu có gi trị vốn hóa cao nhất từ trên xuống sẽ đ ợc chọn.
Bước 2: Sàng lọc về free-float.
Cổ phiếu có tỷ lệ free-float thấ h n hoặc bằng 5% sẽ bị lo i.
37
Bước 3: Sàng lọc về thanh khoản.
Tập hợp c c cổ phiếu còn l i sau b ớc 2 đ ợc xếp theo thứ tự giảm dần về
gi trị giao dịch hằng ngày bình quân trong 6 th ng.
Áp dụng quy tắc thêm vào và lo i bỏ cổ phiếu trong rổ chỉ số nhằm đảm bảo
chỉ số mang tính ổn định nh ng vẫn đ i diện cho toàn thị tr ờng.
Cổ phiếu đứng ở vị trí thứ 20 trở lên đ ng nhiên có mặt trong chỉ số.
Cổ phiếu đứng ở vị trí thứ 41 trở xuống đ ng nhiên bị lo i khỏi chỉ số.
Cổ phiếu đứng vị trí 21 đến 40: u tiên cổ phiếu cũ (đã có trong chỉ số) sau
đó mới xét đến cổ phiếu mới sao cho số l ợng cổ phiếu trong rổ bằng 30 cổ phiếu.
Tr ờng hợp có nhiều h n 1 cổ phiếu cũ có cùng vị trí, sẽ u tiên chọn cổ phiếu cũ
có gi trị vốn hóa hàng ngày bình quân cao h n của kỳ xem xét.
Sau qu trình sàng lọc trên, top 40 cổ phiếu có gi trị giao dịch cao nhất theo
thứ tự xếp h ng từ trên xuống sẽ đ ợc chọn, trong đó gồm:
Top 30 cổ phiếu sẽ đ ợc đ a vào danh mục chính thức của rổ chỉ số.
10 cổ phiếu tiếp theo sẽ đ ợc đ a vào danh mục cổ phiếu dự phòng, đ ợc sử
dụng trong tr ờng hợp có một hay nhiều cấu phần bị lo i bỏ khỏi rổ chỉ số vào giữa
kỳ xem xét.
2.1.5 Phư ng pháp tính:
2.1.5.1 Tiêu chí tính toán:
VN30 đ ợc tính dựa trên ba tiêu chí: gi trị vốn ho , tỷ lệ free-float và gi trị
giao dịch; bao gồm 30 cổ phiếu của công ty niêm yết trên HOSE có vốn ho thị
tr ờng và tính thanh khoản cao nhất (chiếm khoảng 80% tổng gi trị vốn hóa và
60% tổng gi trị giao dịch toàn thị tr ờng).
Chỉ số VN30 có tần suất tính to n 1 phút/lần và sẽ đ ợc xem xét định kỳ 6
th ng/lần vào th ng 7 và th ng 1 hằng năm. Tỷ trọng c c cấu phần trong chỉ số
không qu 10%. Chỉ số đ ợc tính to n dựa trên ph ng ph p gi trị vốn hóa thị
tr ờng có điều chỉnh tỷ lệ cổ phiếu tự do chuyển nh ợng. Hiện HOSE ch a x c
định ngày c sở và gi trị chỉ số c sở.
38
2.1.5.2 Công thức tính VN30:
VN30-Index = Gi trị vốn ho thị tr ờng hiện t i (CMV)/Gi trị vốn ho thị
tr ờng c sở (BMV).
Tỷ lệ free-float (f) = (KLCP đang l u hành - KLCP không tự do chuyển
nh ợng)/KLCP đang l u hành.
Trong đó, thay đổi tỷ lệ free-float (tỷ lệ cổ phiếu tự do chuyển nh ợng) của
c c cổ phiếu thành phần sẽ đ ợc điều chỉnh 6 th ng/lần cùng với thời điểm xem xét
l i chỉ số.
2.1.5.3 Giá để tính toán chỉ số
Đối với chỉ số trong ngày, gi để tính to n chỉ số là gi khớp gần nhất của
c c cổ phiếu trong rổ tính đến thời điểm chỉ số đ ợc tính. Tr ờng hợp không có gi
khớp lệnh thì sẽ lấy gi đóng cửa gần nhất của cổ phiếu đó hoặc gi đóng cửa điều
chỉnh đối với cổ phiếu có xảy ra sự kiện doanh nghiệp.
Đối với chỉ số cuối ngày, gi để tính to n chỉ số là gi đóng cửa trong ngày
giao dịch của c c cổ phiếu trong rổ. Tr ờng hợp trong ngày giao dịch, cổ phiếu
không có khớp lệnh thì sẽ lấy gi đóng cửa gần nhất của cổ phiếu hoặc gi đóng cửa
điều chỉnh đối với cổ phiếu có xảy ra sự kiện doanh nghiệp.
2.2 Thanh khoản của thị trường chứng khoán giai đoạn từ năm 2012 đến nay:
diễn biến VN-Index, VN30-Index
TTCK Việt Nam mới ra đời và chính thức bắt đầu ho t động từ năm 2000.
Đến nay đã trải qua gần 15 năm ph t triển, tuy nhiên so với TTCK của c c n ớc
trong khu vực và trên thế giới thì vẫn còn non trẻ. Chiều h ớng vận động của thị
tr ờng đ ợc chủ yếu bởi chiều h ớng vận động của c c cổ phiếu của DN lớn và
điển hình là nhóm 30 cổ phiếu trong rổ VN30. Vì vậy, trong giới h n nội dung của
ch ng này sẽ không đi sâu vào phân tích vì sao VN-Index và VN30-Index có cùng
chiều h ớng vận động mà sẽ đ a ra những nguyên nhân t o ra chiều h ớng vận
động chung, đồng thời cũng đ a ra những lý giải trong tr ờng hợp chúng có những
dấu hiệu biến động ng ợc chiều nhau.
39
Do mẫu quan s t trong ph m vi nghiên cứu từ ngày 6/2/2012 – ngày mà
VN30-Index chính thức đ ợc đ a vào giao dịch trên HOSE, nên phần này chỉ tập
trung trình bày diễn biến của VN-Index và VN30-Index từ ngày 6/2/2012 đến nay.
2.2.1 Năm 2012:
Giai đo n 2012: Biến động m nh và chia làm 2 th i cực.
TTCK Việt Nam trong năm 2012 biến động kh m nh. Cả hai chỉ số gi
tổng hợp VN-Index và VN30-Index đều đi lên m nh mẽ trong bốn th ng đầu năm
và quay đầu giảm điểm trong suốt thời gian còn l i. Tính thanh khoản của thị tr ờng
biến động cùng chiều với chỉ số. Khối l ợng giao dịch và gi trị giao dịch trên cả
hai sàn đều tăng m nh trong bốn th ng đầu năm và sụt giảm m nh trong suốt thời
gian từ th ng 5 đến th ng 12 cho thấy tình tr ng ảm đ m kéo dài của thị tr ờng.
Hình 2.2 Diễn biến thanh khoản TTCK năm 2012.
(Nguồn: Xử lý bằng Excel 2010)
Giai đoạn 1 (06/02 - 09/05/2012): Đi lên từ vùng đáy khi triển vọng vĩ mô
thôi xấu hơn.
Ở giai đo n này, VN-Index đã bật tăng m nh 38,7% từ 351,55 điểm vào
ngày 30/12/2011 lên mức 487,6 điểm vào ngày 9/05/2012. Trong khi đó, VN30-
40
Index chỉ dẫn tốt cho sự biến động của VN-Index với mức tăng 35,2%, có thể thấy
hai chỉ số này biến động cùng chiều nhau. Thị tr ờng kết thúc năm 2011 với nhiều
lo lắng khi (i) Thông tin xấu vẫn tràn ngập, (ii) Gi chứng kho n liện tục sụt giảm
m nh, (iii) Tâm lý giới đầu t ch n nản và đầy hoài nghi. Đây cũng là lý do khiến
đà giảm tiếp tục kéo dài trong những tuần đầu th ng 1/2012.
Điểm tích cực trong giai đo n này là giới đầu t đã bắt đầu nhắc tới cụm từ
“thị tr ờng đã vào vùng đ y” với những dấu hiệu đang diễn ra ở trên. Chính điều
này đã kích thích ho t động bắt đ y gia tăng trở l i và giao dịch thị tr ờng dần khởi
sắc một c ch bất ngờ. TTCK trở nên sôi nổi h n bao giờ hết. Thanh khoản thị
tr ờng đ ợc cải thiện rõ nét, KLGD của thị tr ờng và cổ phiếu rổ VN30 t i thời
điểm ngày 9/5/2012 lần l ợt là 109813000 và 26645270, gấp 3,84 lần và 1,98 lần so
với thời điểm đầu năm.
Một số lý giải cho tình hình thị tr ờng giai đo n 1:
Đà tăng của thị tr ờng đ ợc củng cố thêm nhờ những diễn biến vĩ mô “bớt
xấu đi”, chẳng h n nh :
(i) L m ph t đ ợc kiềm chế, t o điều kiện cho c c ngân hàng kéo giảm lãi
suất (NHNH ban hành Thông t 14 p trần lãi vay 15%/năm với 4 lĩnh vực u tiên),
tỷ gi cũng đ ợc cam kết giữ ổn định.
(ii) Chính phủ đẩy m nh qu trình t i cấu trúc nền kinh tế.
(iii) Gỡ khó cho ngành bất động sản bằng c ch lo i mảng tín dụng bất động
sản quan trọng ra khỏi “không khuyến khích”, cho phép t i c cấu c c khoản nợ
vay.
Điểm đ ng chú ý trong giai đo n này là sự hào hứng của dòng tiền khối
ngo i m nh d n tham gia thu gom cổ phiếu, xuất ph t từ thông tin tỷ gi đ ợc
Chính phủ cam kết giữ ổn định trong năm 2012.
Sự ra đời của chỉ số chứng kho n VN30 và HNX30 từ ngày 6/2 giúp nhà
đầu t nhìn nhận đúng thị tr ờng h n khi mà VN-Index chịu t c động chủ yếu của
bốn mã lớn: BVH, MSN, VIC và VNM.
41
TTCK Việt Nam mở thêm c c phiên giao dịch buổi chiều từ ngày 5/3, tăng
c ờng tính thanh khoản cho thị tr ờng, thúc đẩy VN-Index và VN30-Index đi lên.
Những câu chuyện xoay quanh th ng vụ M&A ngành ngân hàng cũng đã
kích thích ho t động đầu t “ăn theo” nhắm vào những cổ phiếu trong nhóm ngành
tài chính. Do đó, sức cầu cổ phiếu xuất ph t từ c c nhà đầu c ngắn h n tranh thủ
mua l ớt sóng kiếm lời, hoặc bản thân c c cổ đông nội bộ buộc phải mua vào nhằm
đối phó với nguy c mất quyền kiểm so t công ty.
Giai đoạn 2 (10/05 – 31/12 ): Vĩ mô không tiến triển, và cú sốc từ hàng
loạt thông tin “hình sự”.
Đây là giai đo n thị tr ờng lao dốc kh m nh. Đỉnh điểm là vào ngày 6/11,
VN-Index đã sụt giảm 22,7% ( về 376,9 điểm), VN30-Index sụt giảm gần 20% (về
466,4 điểm) so với mức đỉnh đ ợc thiết lập vào ngày 09/05. Thanh khoản giảm
m nh và gần nh c n kiệt trong những ngày giao dịch th ng 11: KLGD của toàn bộ
thị tr ờng và nhóm cổ phiếu rổ VN30 giảm lần l ợt 50% và 38% so với những
phiên đ t đỉnh vào th ng 5.
Một vài lí giải cho sự lao dốc của thị tr ờng bảy th ng cuối năm:
Thị tr ờng thiếu vắng thông tin hỗ trợ khi c c kế ho ch nhằm cải thiện nền
kinh tế đã đ ợc tung ra trong giai đo n tr ớc đó nh ng ch a đem l i hiệu quả rõ rệt.
Tâm lý của giới đầu t , vì vậy, thận trọng trở l i khiến p lực chốt lời tăng cao khi
c c chỉ số VN-Index và HNX-Index tiến s t c c đỉnh cũ.
Kinh tế vĩ mô trong giai đo n này không thực sự có nhiều chuyển biến
đ ng kể mà thậm chí còn bộc lộ nhiều điểm đ ng lo ng i h n, cụ thể:
(i) Lãi suất mặc dù giảm nh ng tăng tr ởng tín dụng l i diễn ra kh chậm.
Nợ xấu tăng cao, thị tr ờng gần nh bị “shock” sau thông b o chính thức của
NHNN về tỷ lệ nợ xấu của toàn hệ thống lên tới 10% thay vì 4% nh c c NHTM
b o c o. Những bất ổn vĩ mô và hệ thống ngân hàng bắt đầu xuất hiện. Niềm tin thị
tr ờng lung lay sau “quả bom” Habubank công bố tình hình tài chính be bét đã
đ ợc che đậy với tỷ lệ nợ xấu lên tới 13% và cần đ ợc giải cứu.
42
(ii) Thị tr ờng bất động sản tiếp tục đông cứng mặc dù c c DN thi nhau giảm
gi sốc.
(iii) CPI theo chiều h ớng tích cực khi giảm tốc nh ng không đem l i sự
hứng thú cho giới đầu t khi sức cầu nền kinh tế vẫn còn ì ch.
Trong giai đo n này, thị tr ờng cũng đón nhận một đợt sóng tăng nhẹ từ
ngày 10/7 - 20/08/2012. Đợt hồi phục nhẹ này bắt nguồn chủ yếu từ kỳ vọng dòng
vốn gi rẻ có thể chảy m nh giúp DN v ợt qua khó khăn, sau khi nhiều ngân hàng
đồng lo t h lãi suất cho vay về d ới 15%. Bên c nh đó là việc NHNN cho phép nới
room tăng tr ởng tín dụng ở một số ngân hàng, và việc tiếp cận nguồn vốn lãi suất
thấp h n cũng trở nên dễ dàng h n tr ớc. Tuy nhiên, nh đã nói ở trên, những kỳ
vọng này đã không thành hiện thực.
Tình hình trở nên bi đ t h n sau ngày 21/8 – ngày đ ợc coi là “ngày thứ
ba đen tối” của TTCK Việt Nam khi ông Nguyễn Đức Kiên – Phó Chủ tịch Hội
đồng s ng lập của ngân hàng ACB bị bắt. Tiếp theo đó, lãnh đ o ngân hàng ACB bị
khởi tố, Chủ tịch STB bị điều tra đã khiến lòng tin vào thị tr ờng ngày càng lung
lay. Cổ phiếu ngân hàng bị b n sàn liên tiếp, bị cắt margin khiến thị tr ờng gần nh
lao dốc không phanh. Sau c n địa chấn trên, diễn biến thị tr ờng không mấy sôi nổi
do tâm lý thận trọng tăng cao và một phần nào niềm tin trong giới đầu t bị sứt mẻ
đ ng kể.
2.2.2 Năm 2013: hồi phục mạnh mẽ
TTCK Việt Nam năm 2013 đã có sự hồi phục đ ng khích lệ cả về chỉ số và
thanh khoản. Niềm tin của NĐT cũng đ ợc củng cố thông qua động th i giải ngân ở
nhiều mã cổ phiếu, nhất là nhóm cổ phiếu bluechip.
43
Hình 2.3 Diễn biến thanh khoản TTCK năm 2013
(Nguồn: Xử lý bằng Excel 2010)
Chỉ số VN-Index trên HOSE đã tăng điểm nhanh h n dự b o của c c chuyên gia
kinh tế, từ 418,35 điểm (ngày 02/01/2013) lên đ t mức cao nhất là 527,97 điểm (ngày
07/6/2013), t ng đ ng tăng 21,38% so với đầu năm. Kể từ thời điểm đó, VN-Index dao
động xung quanh mốc 500 điểm cho đến cuối năm. Mức tăng tr ởng còn khiêm tốn của
VN-Index trong nửa cuối năm 2013 một mặt cho thấy khó khăn của nền kinh tế Việt Nam
vẫn còn, mặt kh c cũng cho thấy tiềm năng tăng tr ởng của TTCK khi nền kinh tế phục
hồi. Mặc dù vậy, tính chung cả năm 2013, VN-Index vẫn cho thấy một sự tăng tr ởng
đ ng kể khi tính đến phiên giao dịch 9/12, chỉ số VN-Index đ t 511,23 điểm, tăng 97,5
điểm (23%) so với phiên giao dịch cuối cùng của năm 2012 (VN-Index đ t 413,73 điểm
t i phiên 28/12/2012). Bên c nh chỉ số VN-Index, chỉ số VN30 cũng tăng từ 490,82 điểm
trong phiên giao dịch 2/01/2013 lên 573,21 điểm t i phiên giao dịch 9/12/2013, t ng
đ ng tăng 16,78%. Trong năm, chỉ số VN30 đ t mức cao nhất là 588,21 điểm t i phiên
07/6/2013 và thấp nhất là 490,82 điểm t i phiên 02/01/2013. Kết quả trên đã đ a TTCK
Việt Nam nằm trong Top 10 TTCK có mức tăng m nh nhất thế giới trong năm 2013.
Bên c nh sự tăng tr ởng của chỉ số VN-Index, quy mô giao dịch của thị tr ờng
cũng đ ợc duy trì ở mức cao. Tính từ đầu năm đến ngày 20/12/2013, qua 234 ngày giao
dịch, khối l ợng giao dịch bình quân trên thị tr ờng đ t 64,3 triệu cổ phiếu/ngày, t ng
44
đ ng với gi trị giao dịch bình quân đ t 1.058 tỷ đồng/ngày, tăng 14,21% về gi trị và
20,45% về khối l ợng so với bình quân năm 2012. Trong đó nhiều ngày có GTGD đ t
trên 2.000 tỷ đồng. Gi trị vốn hóa t i ngày 20/12/2013 đ t mức 843.039 tỷ đồng, tăng
22,64% so với mức gi trị vốn hóa ngày 31/12/2012. Nh vậy, năm 2013 đã đ nh dấu sự
cải thiện đ ng kể về thanh khoản của TTCK, đem l i những tín hiệu vui cho NĐT sau
nhiều năm gắn bó với thị tr ờng.
Cũng trong năm 2013, NĐT n ớc ngoài mua vào khoảng 1,28 tỷ cổ phiếu (chiếm
8,22% giao dịch toàn thị tr ờng) và b n ra 1,21 tỷ cổ phiếu (chiếm 7,76% giao dịch toàn
thị tr ờng), t ng ứng với gi trị mua đ t khoảng 43,72 nghìn tỷ đồng (chiếm 17,20%
giao dịch toàn thị tr ờng) và gi trị b n đ t khoảng 38,70 nghìn tỷ đồng (chiếm 15,23%
giao dịch toàn thị tr ờng).
Một vài lí giải cho sự khởi sắc của TTCK Việt Nam năm 2013:
Một là, chỉ số gi cả tiêu dùng (CPI) đã có xu h ớng ổn định, đến th ng 11
tăng 5,5% so với cuối năm 2012; chỉ số sản xuất công nghiệp đã tăng 5,6% so với
cùng kỳ năm ngo i; nhập siêu đ ợc kiểm so t ở mức thấp 96 triệu USD trong 11
th ng đầu năm.
Hai là, mặt bằng lãi suất có chiều h ớng giảm dần; tăng tr ởng tín dụng có
cải thiện;
Ba là, thị tr ờng ngo i hối trong xu thế ổn định, dự trữ ngo i tệ tăng.
Bốn là, dòng vốn FDI đ t khoảng 20,8 tỷ USD, tăng 54,2% so với cùng kỳ
năm ngo i; quy mô dòng vốn đầu t gi n tiếp tăng.
Năm là, c c giải ph p đối với thị tr ờng nh giảm thuế với chuyển nh ợng
chứng kho n, kéo dài thời gian giao dịch, p dụng lệnh thị tr ờng, nới biên độ giao
dịch, điều chỉnh tỷ lệ giao dịch ký quỹ từ 40/60 lên 50/50.
Sáu là, công t c t i cấu trúc TTCK đ ợc đẩy m nh, đặc biệt là vấn đề sắp
xếp l i c c tổ chức kinh doanh chứng kho n và việc ban hành c c quy định mới về
quỹ mở, triển khai giao dịch ETF đã t o điều kiện thu hút dòng vốn đầu t n ớc
ngoài, nhất là c c tổ chức đầu t n ớc ngoài.
2.2.3 Năm 2014 đến nay:
45
Năm 2014: chứng kiến nhiều thăng trầm ch a từng có, khi những sự kiện
bên ngoài t o ra những tác động lớn.
Đây là năm TTCK chịu nhiều c c t c động từ những yếu tố bên ngoài, mà
tiêu biểu nhất là sự kiện biển Đông và những đột biến của gi dầu thế giới. Đ t đỉnh
trong năm với mức tăng 26,9% và 22,7% so với đầu năm, tuy nhiên VN-Index và
VN30-Index chỉ duy trì mức tăng lần l ợt là 8,1% và 7,1% cuối năm. Mặc dù xen
kẽ những khoảng điều chỉnh giảm nh ng xét về tổng thể, thị tr ờng ph t triển theo
chiều h ớng tăng tr ởng. Thị tr ờng có 2 nhịp biến động tăng và giảm điểm m nh
ch a từng có trong một năm. Diễn biến giao dịch thị tr ờng gắn liền với sự kiện
Biển Đông và FED cắt giảm QE cùng với gi dầu giảm m nh.
Hình 2.4 Tình hình thanh khoản TTCK từ năm 2014 đến nay
( Nguồn: Xử lý bằng Excel 2010)
Giai đoạn tăng do ETF và giảm do sự kiện Biển Đông (2 th ng tăng
điểm và 2 tháng giảm điểm từ 1/1/2014 đến 13/5/2014): Sau giai đo n tích lũy đi
ngang gần 4 tháng cuối năm 2013, c c chỉ số VN-Index và VN30-Index đột ngột
tăng tốc và đ t đỉnh ngắn h n vào 24/3 với mức tăng lần l ợt 20,3% và 22,7% trong
46
ba th ng đầu năm. Thị tr ờng tăng điểm m nh nhờ yếu tố kỳ vọng và ho t động
mua vào dồn dập của các ETFs. Diễn biến giao dịch rất sôi động, xu h ớng tăng
điểm trên diện rộng ở tất cả các nhóm cổ phiếu. Thị tr ờng b ớc vào điều chỉnh kể
từ 25/3 tr ớc áp lực bán ra của khối ngo i đón đầu FED cắt giảm quy mô QE3. Mức
giảm thị tr ờng liên tiếp gia tăng do thông tin xét xử Bầu Kiên và sự kiện Biển
Đông. Thị tr ờng gần nh quay l i vùng giá từ đầu năm khi giảm lần l ợt 15,4% và
18,4%. Thanh khoản sụt giảm nhanh chóng, khối ngo i đẩy m nh mua vào t o điều
kiện cho thị tr ờng lập đ y đi lên.
Giai đoạn tăng với sự dẫn dắt của nhóm cổ phiếu dầu khí và giảm
cũng bởi nhóm này khi giá dầu lao dốc (4 th ng tăng điểm, 4 tháng giảm điểm từ
14/5/2014 đến 31/12/2014): ho t động mua vào của khối ngo i chặn đà lao dốc của
các chỉ số. Thị tr ờng phục hồi nhanh chóng và tiếp tục duy trì sau khi Trung Quốc
rút giàn khoan về n ớc vào ngày 15/7, tr ớc dự kiến 1 tháng. Nhóm cổ phiếu ngành
dầu khí trở thành tâm điểm thị tr ờng và đẩy thị tr ờng đ t đỉnh cao nhất trong năm
và cũng là mức đỉnh của 5 năm qua. Thị tr ờng giao dịch không qu sôi động
nh ng đều có mức tăng ấn t ợng so với mức đ y sau sự kiện Biển Đông lần l ợt
24,6%, 31,7% với VN-Index và VN30-Index. Liền sau bốn th ng tăng điểm là bốn
tháng giảm điểm với sự lao dốc của nhóm dầu khí do gi đầu lao dốc, khối ngo i
bán ra và ảnh h ởng của Thông t 36. Thanh khoản duy trì ở mức khá, ho t động
giao dịch bắt đ y đẩy m nh khi chỉ số liên tiếp ph đ y. Kết thúc năm, c c chỉ số đã
không giữ đ ợc thành quả tăng điểm trong năm, và giảm lần l ợt 14,8% và 9,2% so
với mức đỉnh trong năm.
Những th ng đầu năm 2015: khởi động tích cực nhờ những điểm s ng vĩ
mô.
Dù trải qua năm 2014 với nhiều thăng trầm khó quên, TTCK Việt Nam vẫn
nhận đ ợc sự quan tâm của NĐT khi những phiên giao dịch trong ba th ng đầu năm
đã đem l i tia hy vọng cho một năm Ất Mùi đầy khởi sắc. Kể từ mức đ y 518,22
điểm từ giữa th ng 12/2014, tính đến ngày 04/03/2015, VN-Index đã tăng h n 14%
và VN30-Index tăng h n 10%. TTCK Việt Nam đ ợc đ nh gi là một trong những
47
chỉ số tăng tr ởng tốt trong khu vực và trên thế giới. Xu h ớng này có dấu hiệu
chững l i và giảm nhẹ vào cuối th ng 4. Thống kê cho thấy, trong hai th ng đầu năm,
KLGD trên HOSE đ t xấp xỉ 3,36 tỷ chứng kho n, t ng ứng GTGD đ t khoảng
57.288 tỷ đồng. Trên HNX, KLGD đ t 1,58 tỷ chứng kho n, t ng ứng GTGD là
khoảng 20.047 tỷ đồng. Trong đó, riêng th ng 2, khối nhà NĐT n ớc ngoài bền bỉ
mua ròng tới 45,8 triệu chứng kho n với gi trị mua ròng là h n 1.000 tỷ đồng.
Lý giải cho những chuyển biến tích cực này:
Tình hình vĩ mô đang dần chuyển s ng đã t o c sở để thu hút sự quan tâm
của NĐT trở l i với TTCK. C c yếu tố nh l m ph t đ ợc kiểm so t, mặt bằng lãi suất
thấp và vốn NĐT n ớc ngoài có điều kiện tăng cao nhờ vào c c chính s ch kinh tế vĩ
mô của Chính phủ trong năm 2015. Trong đó, môi tr ờng kinh doanh tiếp tục đ ợc cải
thiện, việc tham gia c c hiệp định tự do hóa th ng m i sẽ mở ra cho Việt Nam nhiều
c hội h n. Bên c nh đó, việc thực thi c c chính s ch tài khóa đồng bộ, đẩy m nh t i
c cấu khu vực ngân hàng và c c doanh nghiệp nhà n ớc kỳ vọng sẽ mang đến sức
sống mới cho TTCK Việt Nam
TTCK Việt Nam những th ng đầu năm 2015 đã có những dấu hiệu cho thấy
sự chuyển biến kh tích cực bằng c c ho t động tích lũy t i nhóm cổ phiếu bluechips
và sự dẫn dắt của nhóm cổ phiếu ngân hàng nh VCB, CTG, EIB, ACB, STB, BID...
. Đà giảm m nh của thị tr ờng trong th ng 12/2014 đã khiến gi của cổ phiếu
trở nên hấp dẫn h n và kích thích dòng tiền bắt đ y ho t động tích cực. Bên c nh dòng
tiền bắt đ y thì những thông tin liên quan đến kết quả kinh doanh quý IV/2014 lộ diện
cũng góp phần thúc đẩy dòng tiền đầu c ho t động trở l i và giúp giao dịch thị tr ờng
sôi động.
Biến động của gi dầu thế giới tiếp tục ảnh h ởng m nh lên giao dịch ở nhóm
cổ phiếu dầu khí nh GAS, PVD, PVS, PGS... và t c động lên giao dịch thị tr ờng.
Tuy nhiên, trong những th ng đầu năm 2015, mức độ ảnh h ởng tiêu cực của nhóm cổ
phiếu dầu khí đã giảm bớt.
Cùng với quyết tâm xử lý nợ xấu, một lo t những chính s ch hỗ trợ thị tr ờng
bất động sản d ờng nh đang mang l i niềm hy vọng cho nhóm cổ phiếu này.
48
Kết luận chư ng 2
Ch ng 2 đã cung cấp cho một c i nhìn tổng quan về TTCK Việt Nam, diễn
biến, xu h ớng chung của c c DN lớn giai đo n từ năm 2012 đến nay thông qua
nghiên cứu chiều h ớng vận động thanh khoản của VN-Index và VN30-Index.
Ch ng này cũng cung cấp c i nhìn s bộ về chỉ số chứng kho n VN30-Index.
Thông qua đó, chúng ta cũng phần nào đ a ra lời giải thích cho lý do lựa chọn chỉ số
này làm đối t ợng nghiên cứu của đề tài mà không chọn chỉ số kh c. Ch ng 3 sẽ đi
sâu phân tích dự b o thanh khoản và rủi ro biến động ph ng sai có điều kiện thanh
khoản của VN30-Index trên TTCK Việt Nam.
49
Chư ng 3: DỰ BÁO THANH KHOẢN CỦA NHÓM 30 CỔ PHIẾU
CÓ GIÁ TRỊ VỐN HÓA VÀ KHỐI LƯỢNG GIAO DỊCH LỚN
NIÊM YẾT TRÊN SƠ GIAO DỊCH CHỨNG KHOÁN THÀNH
PHỐ HỒ CHÍ MINH
3.1 Lý do lựa chọn chỉ số Amivest:
Thông qua việc phân tích thanh khoản thực tế của TTCK Việt Nam đã cho
thấy rằng: KLGD không phải là chỉ tiêu tốt nhất để đo l ờng tính thanh khoản. Điển
hình là trong giai đo n cuối năm 2012, KLGD đã phục hồi và tăng tr ởng trở l i.
Tuy nhiên đây không phải là dấu hiệu tốt mà kèm theo đó là sự biến động trong gi
mua b n cổ phiếu và thị tr ờng sau đó đã r i vào khủng hoảng.
Trong lúc đó, chỉ số Amivest đo l ờng đ ợc cả 2 chiều h ớng của thanh
khoản là KLGD và sự thay đổi gi . Vì vậy, chỉ số này có khả năng phản nh chính
x c tính thanh khoản h n. Thực tế cho thấy, Amivest đã đ ợc sử dụng rộng rãi
trong nhiều nghiên cứu về thanh khoản trên thế giới, điển hình là Cooper, Groth and
Avera (1985), Khan and Baker (1993) and Amihud, Mendelson and Lauterbach
(1997), Lybeck and Sarr (2002), Spiegel and Wang (2005) hay Sinisa Bogdan
(2012). H n nữa, chỉ số này đ ợc sử dụng rộng rãi để đo l ờng mức độ thanh khoản
thị tr ờng trên NASDAQ – sàn giao dịch lớn nhất thế giới hiện nay. Từ đó, cho
thấy độ chính x c và tin cậy khi sử dụng Amivest.
Vì vậy, đề tài đã quyết định dựa vào chỉ số Amivest để đo l ờng và dự b o
thanh khoản cho chỉ số VN30.
3.2 Mẫu quan sát:
Mẫu quan s t để tiến hành ớc l ợng mô hình ARIMA, ARCH/GARCH
đ ợc thu thập từ ngày 06/02/2012 đến 31/01/2015 và đ ợc tính theo theo tuần, gồm
có 156 quan s t. Thời gian từ 01/02/2015 đến 31/03/2014 là để tiến hành dự b o
ngoài mẫu (out of sample) và đ nh gi độ chính x c dự b o của mô hình. Từ ngày
04/04/2014 đến 27/06/2014, tiến hành dự b o chỉ số thanh khoản Amivest và biến
50
động ph ng sai chỉ số thanh khoản của VN30-INDEX. Số liệu ớc l ợng và dự b o ở đây đ ợc lấy vào ngày thứ 6 hàng tuần2.
3.3 Kết quả nghiên cứu:
3.3.1 Thống kê mô tả số liệu:
Bảng 3.1. Thống kê mô tả chuỗi Amivest
Mean Median Maximum 6557.303 3546.458 95085.84 Trung bình Trung vị Tối đa
Minimum 501.7667 Tối thiểu
1035.13 5.065105 38.36185 Độ lệch chuẩn Hệ số bất đối xứng Hệ số nhọn
8795.030 Thống kê JB
1022939.015
1.65E+10 Std. Dev. Skewness Kurtosis Jarque- Bera Probability 0.000000 Sum Sum Sq. Dev Mức xác suất Tổng Tổng bình phư ng chênh lệch
(Nguồn: xử lý bằng Eview 6.0)
Bảng phân tích cho thấy, gi trị trung bình của chuỗi Amivest là 6557.303,
tức là cần 6557.303 tỷ dồng để t o ra 1% sự thay đổi gi cổ phiếu nhóm VN30. Đây
là mức thanh khoản cao trên TTCK. Tuy nhiên mức độ biến động của nó kh lớn,
khoảng 1053.13 tỷ đồng. Gi trị thấp nhất là 501,7667 tỷ đồng vào ngày 08/03/2013
– thời điểm mà thị tr ờng lao dốc và ch m đ y. Trong khi đó, gi trị cao nhất lên
đến 95085.84 tỷ đồng vào ngày 14/11/2014, đây là thời điểm thị tr ờng phục hồi và
tăng tr ởng. Kết quả này phù hợp với những nhận định cũng nh kết quả đã đ a ra
2 Nếu thứ 6 r i vào ngày nghỉ thì lấy vào ngày kế cận tr ớc đó.
ở ch ng 2.
51
3.3.2 Kiểm định tính dừng của chuỗi Amivest:
Có hai ph ng ph p để kiểm định tính dừng: Không chính thức: Dựa vào đồ thị chuỗi dữ liệu3, l ợc đồ tự t ng quan
ACF và tự t ng quan riêng PACF4.
Chính thức: kiểm định nghiệm đ n vị (Unit Root Test).
Tuy nhiên, ph ng ph p không chính thức thông qua đồ thị chuỗi dữ liệu
cũng nh l ợc đồ tự t ng quan mang tính trực quan và tính chính x c ch a cao.
Trong khi đó kiểm định nghiệm đ n vị có tính học thuật và chuyên nghiệp h n. Do
đó t c giả quyết định sử dụng ph ng ph p chính thức là kiểm định nghiệm đ n vị để xem xét tính dừng của chuỗi dữ liệu5 với kết quả b c bỏ giả thiết H0, nói cách
kh c chuỗi Amivest là chuỗi dừng.
3.3.3 Phân phối xác suất của chuỗi Amivest:
Hình 3.1 Đồ thị PPXS của chuỗi Amivest
(Nguồn: xử lý bằng Eview 6.0)
Dựa vào đồ thị có thể thấy: Trị thống kê Jarque-Bera rất lớn (JB=8795.030
3 Phụ lục 2: chuỗi đồ thị dữ liệu 4 Phụ lục 3: l ợc đồ tự t ng quan 5 Phụ lục 4: kiểm định nghiệm đ n vị cho chuỗi Amivest
lớn h n nhiều lần so với =10.60) và Prob. nhỏ (Prob = 0.000 < 5%), do
52
đó b c bỏ giả thiết Ho: Chuỗi tỷ suất sinh lợi có phân phối chuẩn và kết luận
chuỗi Amivest này không tuân theo quy luật phân phối chuẩn ở mức ý nghĩa
5%. Đồng thời Skeness = 5,065105 và Kurtosis = 38,36185 (lớn h n 3), cho
thấy chuỗi có phân phối lệch phải và độ nhọn v ợt chuẩn (đuôi béo). Đây là một gợi
ý cho việc sử dụng phân phối t-Student làm giả định phân phối x c suất của phần d
khi ớc l ợng các mô hình GARCH sẽ đ ợc trình bày ở phần sau.
3.3.4 Lựa chọn mô hình ARIMA(p d q):
3.3.4.1. Mô hình ARIMA (p,0,q) tốt nhất để dự báo:
Mô hình ARIMA có yêu cầu bắt buộc là chuỗi dữ liệu phải dừng. Kết quả
kiểm định đ n vị ở phần tr ớc cho thấy chuỗi dữ liệu đã dừng, vì vậy thỏa mãn điều
kiện để tiến hành x c định mô hình ARIMA.
Theo lí thuyết, bậc d sẽ đ ợc x c định căn cứ vào số lần lấy sai phân I(d) và
vì chuỗi dữ liệu gốc đã dừng mà không cần lấy sai phân cho nên d = 0. Việc x c
định bậc p, q rất nhọc nhằn và có nhiều ph ng ph p kh c nhau, chẳng h n nh dựa
vào l ợc đồ tự t ng quan ACF và PACF, tuy nhiên sẽ rất khó để x c định bậc
chính x c của mô hình theo c ch trực quan này. Do đó, chúng ta sử dụng ph ng
ph p thử và sai:
Đầu tiên, lần l ợt lấy p=1,2,…; q=1, 2,… cho mô hình ARIMA(p,0,q).
Tiếp theo, tiến hành hồi quy theo ph ng ph p OLS. Từ đó, chọn mô hình tối thiểu hóa c c chỉ tiêu AIC, SIC; tối đa hóa R 2 điều chỉnh, phần d
không tự t ng quan và đặc biệt là càng ít độ trễ càng tốt.
Nếu c c tiêu chí trên mâu thuẫn thì u tiên chọn mô hình có c c hệ số
đều có ý nghĩa thống kê ở mức ý nghĩa 5% và không có hiện t ợng tự t ng
quan phần d .
53
Bảng 3.2 Lựa chọn mô hình ARIMA(p,0,q)
AIC SIC R2 ARIMA(p,0,q) Serial correlation LM test6 (kiểm định tự tư ng quan phần dư)
0,102664 Có tự t ng quan ARIMA(1,0,0) 21,23667 21,27594
0,070044 Có tự t ng quan ARIMA(2,0,0) 21,27683 21,31628
0,191343 Không tự t ng quan ARIMA(1,0,1) 21.14552 21,20442
0,128934 Không tự t ng quan ARIMA(2,0,1) 21,22440 21,28356
0,073194 Không tự t ng quan ARIMA(0,0,1) 21,26381 21,30291
Không tự t ng quan ARIMA(0,0,2) 21,29023
21,32933 21,29045 Có tự t ng quan ARIMA(1,0,2) 21,23154
0,048381 0,118699 0,192186 Không tự t ng quan ARIMA(2,0,2) 21,14902 21,20818
Max: 0,192186
Min: 21,14552 Min: 21,20442 (Nguồn: xử lý bằng Eview 6.0)
Kết quả trên cho thấy: có sự mâu thuẫn trong việc lựa chọn mô hình ARIMA tối thiểu hóa AIC, SIC và tối đa hóa R2. Tuy nhiên, xét về tổng thể, mô hình ARIMA (1,0,1) có: AIC và SIC thấp nhất, không có tự t ng quan phần d , R2
bằng 0,191343, chênh lệch không đ ng kể so với mức cao nhất 0,192186 và c c hệ
số đều có ý nghĩa thống kê ở mức ý nghĩa 5%. Do đó ARIMA(1,0,1) đ ợc lựa chọn
là mô hình tốt nhất để dự b o trong c c mô hình đề xuất.
Mô hình ARIMA(1 0 1) đư c lựa chọn có dạng:
Amivestt = 8220.629 + 0.962 Amivestt-1 + 0.836ut-1 + ut
6 Phụ lục 5: kiểm định tương tương quan phần dư của mô hình ARIMA(p,0,q)
Trong đó : Amivestt : chỉ số thanh khoản của VN30-INDEX ở thời điểm t.
54
Amivestt-1 : chỉ số thanh khoản của VN30-INDEX ở thời điểm t-1
ut : sai số ngẫu nhiên t i thời điểm t.
ut-1 : sai số ngẫu nhiên t i thời điểm t-1.
Mặc kh c, mô hình đ ợc lựa chọn có < 1và < 1
nên thỏa mãn tính dừng và tính đảo.
3.3.4.2 Dự báo thử nghiệm trên mô hình ARIMA(1,0,1) :
Sau khi chọn đ ợc mô hình ARIMA thích hợp, ta tiến hành dự b o thử
nghiệm để xem mức độ chính x c dự b o cũng nh khả năng nắm bắt dữ liệu thực
tế của mô hình nh thế nào.
Đầu tiên, tiến hành dự b o bằng mô hình ARIMA(1,0,1) cho giai đo n từ
10/02/2012 đến 31/01/2015:
Hình 3.2 Dự báo Amivest giai đoạn từ 10/02/2012 đến 30/01/2015
(Nguồn: xử lý bằng Eview 6.0)
Chúng ta sẽ đ nh gi dựa vào c c chỉ tiêu : MAE, RMSE là số tuyệt đối phản
ánh chênh lệch giữa gi trị dự b o và gi trị thực tế ; MAPE cũng có ý nghĩa t ng
tự nh ng ở d ng phần trăm; hệ số Theil Inequality Coeficient và Bias. Kết quả dự
b o cho thấy: MAE và RMSE lần l ợt ở mức 5450.510 và 9975.029 ; MAPE bằng
190,6334% dù lớn h n 100% nh ng ở mức cho phép; Hệ số Theil Inequality
55
Coeficient là 0,513160 t m đ ợc chấp nhận ; Bias cũng rất nhỏ ở mức 0,001611.
Nhìn chung, c c chỉ tiêu này đ p ứng cho việc sử dụng mô hình để dự b o.
Hình 3.3 Phần dư giá trị thực và giá trị ước lư ng từ mô hình ARIMA(1,0,1)
(Nguồn: xử lý bằng Eview 6.0)
Gi trị ớc l ợng kì vọng dao động quanh mốc 0%. Do đó, phần d có hình d ng
kh giống với gi trị thực. Dao động phần d ổn định không theo một xu h ớng cụ thể
nào, do đó một lần nữa khẳng định rằng phần d mô hình ARIMA (1,0,1) không có tự
t ng quan.
Hình 3.4 Giá trị thực và dự báo chỉ số Amivest
(Nguồn: xử lý bằng Eview 6.0)
56
Đồ thị cho thấy, đ ờng dự báo (màu xanh) và đ ờng thực tế (màu đỏ) rất
trùng khớp, gi trị dự b o gần với thực tế. Từ đó, kết luận mô hình ARIMA (1,0,1)
đ ợc lựa chọn nắm bắt tốt dữ liệu trong mẫu.
Dự b o ngoài mẫu cho giai đo n từ 06/02/2015 đến 27/03/2015 :
Bảng 3.3 Dự báo ngoài mẫu cho giai đoạn từ 06/02/2015 đến 27/03/2015
Ngày Giá trị thực Giá trị dự báo Sai số dự báo
7513.371 7731.15 -2.82% 02/06/2015
6895.822 6541.233 5.42% 2/13/2015
6419.714 6590.313 -2.59% 2/20/2015
6052.652 6001.005 0.86% 2/27/2015
5769.66 5400.935 6.83% 03/06/2015
5551.484 5430.2 2.23% 3/13/2015
5383.278 5400.901 -0.33% 3/20/2015
5253.597 5249.55 0.08% 3/27/2015
(Nguồn : xử lý bằng Eview 6.0)
Kết quả dự b o điểm ngoài mẫu ớc l ợng mô hình cho giai đo n từ
06/02/2015 đến 27/03/2015 s t với gi trị thực tế, sai số dự b o t ng đối thấp, dao
động chỉ từ 0,08% đến 6,83%. Có thể thấy, mô hình ARIMA (1,0,1) nắm bắt tốt dữ
liệu cả trong và ngoài mẫu ớc l ợng. H n nữa, nó còn có ít độ trễ, đồng thời c c
hệ số ớc l ợng trong mô hình đều có ý nghĩa thống kê ở mức ý nghĩa 5%, phần d
không có hiện t ợng tự t ng quan nên hoàn toàn có thể sử dụng để dự b o cho chỉ
số thanh khoản Amivest của VN30-INDEX.
Tuy nhiên, khi kiểm tra tính ARCH thì thấy mô hình vẫn còn chịu ảnh h ởng của tính ARCH, tức ph ng sai sai số vẫn còn thay đổi7. Do đó, chúng ta
phải tiến hành ớc l ợng c c mô hình GARCH để khắc phục hiện t ợng ph ng sai
7 Phụ lục 7: kiểm tra tính ARCH của mô hình ARIMA(1,0,1)
sai số thay đổi tr ớc khi sử dụng mô hình để dự b o.
57
3.3.5 Ước lư ng mô hình GARCH:
3.3.5.1 Ước lượng mô hình GARCH(p,q):
Nh đã trình bày ở phần phân phối x c suất của chuỗi số liệu, phân phối
Student sẽ đ ợc lựa chọn làm giả định phân phối x c suất của phần d khi ớc l ợng c c mô hình GARCH. Sau khi ớc l ợng các mô hình GARCH8, cũng
bằng ph ng ph p thử và sai, cho p và q ch y từ 1, 2,… để lựa chọn mô hình
GARCH (p,q) tốt nhất :
Bảng 3.4 Lựa chọn mô ARCH/GARCH.
Mô hình
AIC
SIC
RMSE MAPE
THEIL U
BIAS
19.76718 11903.67
70.68166
0.912007
0.23915
GARCH(2,0) 19.62973
1,981,224
11245.3
64.54089
0.786375
0.161863
GARCH(2,1) 19.65516
19.8599 11553.59
60.05879
0.84755
0.201917
GARCH(1,0) 19.74029
19.56001 10440.33
137.8805
0.614659
0.031338
GARCH(1,1) 19.42257
19.91266 10446.86
72.8969
0.733131
0.1272
GARCH(0,1) 19.79845
19.56922 11693.36
62.16092
0.87519
0.220164
GARCH(0,2) 19.43177
19.55369 10288.06
204.7769
0.547725
0.000019
GARCH(1,2) 19.39661
19.81224
11245.2
64.54089
0.786375
0.161863
GARCH(2,2) 19.65516
19.39661
19.55369 10288.06
60.05879
0.547725
0.000019
MIN
(Nguồn : xử lý bằng Eview 6.0)
Bảng kết quả trên cho thấy trừ chỉ tiêu MAPE thì mô hình GARCH (1,2) tối
thiểu hóa tất cả c c chỉ tiêu: AIC, SIC, RMSE, THEIL U, BIAS và c c hệ số
ARCH, GARCH đều có ý nghĩa thông kê ở mức ý nghĩa 5%. Ngoài ra, kiểm tra tính ARCH của mô hình GARCH (1,2) cho thấy nó không còn tính ARCH9.
Gi trị ớc l ợng kì vọng dao động quanh mốc 0%. Phần d có hình d ng kh
giống với gi trị thực và dao động ổn định không theo một xu h ớng cụ thể nào. Từ đó
8 Phụ lục 8: ớc l ợng c c mô hình GARCH(p,q) 9 Phụ lục 9: kiểm tra tính ARCH của mô hình GARCH(1,2)
cho thấy, c c phần d là ngẫu nhiên và không có tự t ng quan.
58
Vì vậy, mô hình GARCH (1,2) là mô hình phù hợp nhất đ ợc lựa chọn để
dự b o.
3.3.5.2 Dự báo:
Sau khi chọn đ ợc mô hình GARCH thích hợp nhất, ta tiến hành dự b o cho
chuỗi Amivest của chỉ số VN30 theo tuần từ ngày 03/04/2015 đến 05/06/2015.
Hình 3.5 Dự báo phư ng sai cho chuỗi Amivest
(Nguồn: xử lý bằng Eview 6.0)
Kết quả dự b o cho thấy, từ 03/04 đến 05/06/2015, gi trị trung bình tỷ số
Amivest cũng nh ph ng sai của VN30-INDEX có xu h ớng tăng dần theo thời
gian và ổn định. Đồng thời, biến động của chỉ số quanh gi trị trung bình của nó thể
hiện qua ph ng sai dự b o sẽ gia tăng trong thời gian sắp tới.
Bảng 3.5: Kết quả dự báo chỉ số Amivest theo tuần ngày 03/04/2015 đến
06/05/2015.
Ngày
Amivest
Phư ng sai
6944.695
88598342
04/03/2015
59
6873.678
113005080
04/10/2015
6818.857
126140000
4/17/2015
6776.539
132000730
4/24/2015
6743.872
135800000
05/01/2015
6718.655
136121000
05/08/2015
6699.189
136989000
5/15/2015
6684.163
137204080
5/22/2015
6672.563
134656000
5/29/2015
6663.609
137000000
06/05/2015
(Nguồn: tổng hợp bằng Excel 2010)
3.3.5.3 Nhận xét và thảo luận:
Đề tài đã sử dụng chuỗi chỉ số thanh khoản Amivest theo tuần của VN30-
INDEX để xây dựng mô hình ARIMA, ARCH/GARCH. Qu trình phân tích định
tính và định l ợng, GARCH (1,2) đ ợc chọn là mô hình thích hợp nhất để dự b o
chỉ số Amivest và biến động ph ng sai của nó.
Phư ng trình trung bình có điều kiện của chuỗi Amivest có dạng:
AMIVEST = 1396.955 + 0.867AMIVESTt-1 + 0.742ut-1 + ut ut ~ N(0, ht)
Kết quả ớc l ợng cho thấy gi trị trung bình của chỉ số thanh khoản và
những thông tin thể hiện qua sai số ngẫu nhiên ảnh h ởng đến chỉ số thanh khoản
của nhóm cổ phiếu VN30 thời điểm hiện t i.
Hệ số ớc l ợng AR(1) = 0.867 > 0 cho thấy biến động thanh khoản trung
bình chỉ số VN30 trong một ngày giao dịch có mối quan hệ cùng chiều với sự thay
đổi thanh khoản của tuần giao dịch tr ớc đó. Nếu Amivest trung bình tuần tr ớc đó
tăng 1% thì Amivest tuần này sẽ tăng 0,867%. Đồng thời, hệ số MA(1) bằng 0,742,
cho thấy chỉ số thanh khoản hiện t i t ng quan d ng với thông tin qua khứ của
một ngày tr ớc đó. Một sự thay đổi thông tin quá khứ theo chiều h ớng h ớng tốt
sẽ làm tăng tính thanh khoản của c c cổ phiếu nhóm VN30. Rõ ràng, điều này hoàn
toàn phù hợp với thực tế.
Phư ng trình phư ng sai có điều kiện ước lư ng từ mô hình
GARCH(1,2)
60
t-1 + 0.573ht-1 + 0.491ht-2
ht = 106250413.018 + 12.256u2
Ph ng trình ph ng sai có điều kiện gồm hai thành phần: Thứ nhất là thông
tin qu khứ và ph ng sai có điều kiện trong qu khứ. Hệ số ARCH(1) =12.256 > 0,
GARCH(1) = 0.573 > 0 và GARCH(2) = 0.491 >0 cho thấy thông tin trong qu khứ
và ph ng sai qu khứ đều t ng quan d ng với ph ng sai có điều kiện ở hiện
t i. Trong đó, hệ số ARCH(1) lớn h n GARCH(1) và GARCH(2) cho thấy thông
tin trong qu khứ tác động đ ng kể h n lên ph ng sai có điều kiện hiện t i so với
ph ng sai có điều kiện qu khứ. Điều này hàm ý biến động ph ng sai có điều
kiện qu khứ trở nên dai dẳng và chủ yếu t o nên sự biến động ph ng sai có điều
kiện ở hiện t i. Có thể nhận thấy rằng, thông tin trên thị tr ờng ảnh h ởng rất lớn
đến thanh khoản của TTCK và kết quả trên là hoàn toàn phù hợp.
Mặc dù mô hình ARIMA và GARCH có thể dùng để dự b o, song ch a phải
là mô hình tối u bởi vì mô hình chỉ đ ợc xây dựng dựa vào dữ liệu quá khứ và ở
d ng đ n biến, đ n chuỗi. Trong khi đó, ngoài c c gi trị trong qu khứ thì còn rất
nhiều nhân tố t c kh c ảnh h ởng đến thanh khoản, theo nghiên cứu của
Chen(2007) là: gi trị doanh nghiệp, c cấu vốn, thông tin bất cân xứng,…. Vì vậy,
cần đ a thêm một số biến giải thích để kết quả dự b o chính x c h n.
Kết luận chư ng 3
Ch ng 3 đã lý giải nguyên nhân của việc lựa chọn chỉ số Amivest để dự b o
thanh khoản của chỉ số VN30-Index trong ngắn h n. Đồng thời cung cấp kết quả thực
nghiệm về việc ứng dụng mô hình ARIMA - GARCH trong dự b o tỷ suất sinh lợi của
c c doanh nghiệp có vốn hóa lớn. Sau nhiều thủ tục đã đ ợc đề nghị trong ch ng 1 và
2, nghiên cứu chọn ra mô hình ARIMA(1,0,1) và GARCH(1,1) là hai mô hình tốt nhất
trong c c mô hình ARIMA và GARCH đề nghị. Kết quả cuối cùng sử dụng
GARCH(1,1) để dự b o cho cả gi trị trung bình và ph ng sai của chỉ số thanh khoản
Amivest. Kết quả dự b o t ng đối chính x c trong ngắn h n. Tầm xa càng dài h n thì
sai số dự b o tăng nhanh dẫn tới kết quả dự b o kém chính x c.
61
PHẦN 3 : KÊT LUẬN
1.Kết quả đạt đư c :
Đề tài “Ứng dụng mô hình ARIMA, ARCH/GARCH để dự báo thanh
khoản của nhóm 30 cổ phiếu có giá trị vốn hóa và thanh khoản lớn nhât niêm
yết trên sở giao dịch chứng khoán thành phố Hồ Chí Minh trong ngắn hạn” về
Thứ nhất, cụ thể hóa những lý luận nền tảng về thanh khoản cũng nh c c
c bản đã đ t đ ợc những mục tiêu đặt ra từ ban đầu :
ph ng ph p tiếp cận và đo l ờng thanh khoản bao gồm : ph ng ph p liên hệ theo
Thứ hai, kh i qu t những lý luận c bản về phân tích chuỗi thời gian và
thời gian giao dịch, theo chiều rộng, theo chiều sâu và độ co giãn.
ứng dụng quan trọng của nó trong dự b o. Cụ thể h n, đã làm nổi bật ph ng ph p
xây dựng, x c định, lựa chọn mô hình ARIMA, ARCH/GARCH, cung cấp một c i
nhìn sâu và cụ thể về việc ứng dụng những mô hình này trong dự b o thanh khoản
Thứ ba, đem đến một bức tranh toàn cảnh về tình hình thanh khoản của
và rủi ro thông qua biến động ph ng sai có điều kiện.
TTCKViệt Nam nói chung và nhóm cổ phiếu trong rổ VN30 nói riêng giai đo n từ
Thứ t , lựa chọn và vận dụng chỉ số thanh khoản Amivest làm c sở để đo
năm 2012 đến nay.
l ờng và dự b o thanh khoản cho VN30-INDEX dựa vào những đặc tính u việt và
Thứ năm, đ t đ ợc mục tiêu quan trọng nhất là dự b o. Mô hình xây dựng
thực tiễn ứng dụng của chỉ số này ở c c n ớc trên thế giới.
đ ợc rất phù hợp với dữ liệu thực tế trong giai đo n ớc l ợng, nó cũng kh s t với
dữ liệu kiểm định ngoài mẫu, kết quả dự b o ngoài mẫu đ ng tin cậy. Sau một qu
trình phân tích kỹ l ỡng trên góc độ lý luận và thực tiễn, đi đến kết luận cuối cùng
là chọn mô hình GARCH(1,1) với phân phối t-student để dự b o gi trị trung bình
và biến động ph ng sai có điều kiện của chỉ số thanh khoản VN30-INDEX.
62
Ngoài ra, nghiên cứu cũng thực sự hữu ích cho những ng ời mới tiếp cận
mô hình ARIMA, ARCH/GARCH lần đầu. Họ hoàn toàn có thể làm t ng tự hoặc
mở rộng ra c c mô hình sâu h n, ph t huy tính u việt của mô hình trong việc dự b o
ngắn h n và đặc biệt có thể khắc phục đ ợc những h n chế của bài nghiên cứu này.
2. Hạn chế :
Mặc dù đ t đ ợc những kết quả nhất định, song bài nghiên cứu vẫn tồn t i
Nguồn thu thập số liệu còn h n chế: c c số liệu về bid – ask ; số l ợng
một số nh ợc điểm sau:
giao dịch, thời gian giữa c c giao dịch,… Do đó, ch a thể đo l ờng thanh khoản
Mô hình ARIMA, ARCH/GARCH là mô hình kỹ thuật thuần với đặc
một c ch toàn diện ở tất cả c c chiều h ớng.
tr ng là « để số liệu tự nói » bởi vì nó dự b o chỉ dựa trên số liệu qu khứ của đối
t ợng nghiên cứu. Nó chỉ dừng l i ở mô hình đ n biến và dựa trên rất nhiều giả
định. Trong khi đó, thanh khoản còn phụ thuộc rất nhiều yếu tố kh c liên quan đến
tình hình kinh tế chính trị, kinh tế trong n ớc và trên thế giới, đặc biệt là tâm lý của
Mô hình ARIMA sẽ không nắm bắt những yếu tố không phải là xu thế hay
NĐT. Do đó, hầu nh không thể đ a ra chính s ch sau qu trình dự b o.
sai số, chẳng h n nếu trong chuỗi dữ liệu có yếu tố mùa thì cần phải lo i bỏ tính
mùa tr ớc khi sử dụng mô hình hay là sử dụng một mô hình kh c nh SARIMA.
Mô hình ARIMA, GARCH mô phỏng những hành vi trong qu khứ và giả
Điều này đòi hỏi kỹ thuật và kinh nghiệm của ng ời nghiên cứu.
định rằng trong t ng lai nó sẽ l i t i diễn nh vậy. Do đó, mô hình chỉ dự b o một
cách có ý nghĩa trong ngắn h n, thời gian dự b o càng dài thì d ờng nh sai số sẽ
H n chế về chuyên môn, kiến thức, kinh nghiệm và thời gian nghiên cứu
càng lớn và kết quả th ờng không chính x c.
cho nên đề tài ch a đi sâu nghiên cứu về c c mô hình GARCH mở rộng để xem xét
ảnh h ởng của c c cú sốc (thông tin) lên ph ng sai có điều kiện của mô hình
GARCH đ ợc lựa chọn.
63
Mô hình chỉ có ý nghĩa khi dự b o trong ngắn h n còn trong dài h n, sai
số dự b o tăng nên kết quả không chính xác.
Thứ nhất, bổ sung thêm nhiều chỉ tiêu kh c nh : c c số liệu về bid – ask;
3. Hướng phát triển đề tài :
số l ợng giao dịch, thời gian giữa c c giao dịch,… để nghiên cứu về thanh khoản
Thứ hai, vận dụng mô hình SARIMA để có thể nắm bắt tốt h n xu thế hay
toàn diện h n.
sai số và lo i bỏ tính mùa vụ tr ớc khi tiến hành dự b o. Từ đó, tăng độ chính x c
Thứ ba, kết hợp mô hình ARIMA, GARCH với một mô hình kinh tế
của kết quả dự b o.
l ợng kh c chẳng h n mô hình nhân quả, mô hình VAR… để một mặt vừa dự b o
đ ợc biến số cần nghiên cứu một c ch đ ng tin cậy, vừa phân t ch đ ợc t c động
của c c nhân tố còn l i lên biến số cần nghiên cứu. Từ đó, có thể x c định đ ợc tỷ
trọng của c c biến số t c động là nh thế nào. Hệ quả là trong t ng lai, có thể đ a
Thứ t , tiến hành giả định thêm một số phân phối của phần d nh t-
ra nhiều chính s ch hợp lý h n phù hợp với thực tiễn trong công t c quản lý rủi ro.
Student lệch, phân phối GED, phân phối GED lệch… để việc kiểm định và thực
Thứ năm, bổ sung vào c c mô hình GARCH mở rộng để xem xét ảnh
hiện kiểm giả thiết phù hợp ý nghĩa thống kê h n.
h ởng của c c cú sốc (thông tin) lên ph ng sai có điều kiện của mô hình GARCH
đ ợc lựa chọn.
4. Khuyến nghị:
Mô hình giới thiệu trong bài nghiên cứu là một mô hình mang tính chất kỹ
thuật, hỗ trợ tốt cho việc dự b o thanh khoản và rủi ro biến động ph ng sai trong
ngắn h n. NĐT nên coi đây là một ph ng ph p mang tính chất tham khảo tốt.
Không nên chỉ căn cứ vào mô hình này để đ a ra quyết định là đầu t hay không.
Mô hình này sẽ trở nên ý nghĩa nếu nó kết hợp với nhiều kỹ thuật phân tích, mô
phỏng kh c trong quản trị rủi ro DMĐT. Lúc đó, nó sẽ thực sự hữu ích giúp cho
NĐT quyết định đúng đắn và tr nh sự lệch l c khi quyết định đầu t .
64
TÀI LIỆU THAM KHẢO
Tài liệu Việt Nam và tài liệu nước ngoài đư c dịch sang tiếng Việt:
a. Sách:
[1] Nguyễn Quang Dong (2005), Giáo trình Kinh tế lượng, Nhà xuất bản Thống kế
[2] Trần Bình Th m (2012), Giáo trình Kinh tế lượng, Đ i học Kinh Tế Huế
[3] Ph m Cảnh Huy (2010), Bài giảng Kinh tế lượng, Đ i học B ch khoa Hà Nội
[4] PGS.TS. Nguyễn Văn Tiến, Gi o trình Tài chính – Tiền tệ - Ngân hàng, Học viện Ngân
hàng.
[5] Eugene F.Brigham và Joel F.Houston, Gi o trình Quản trị Tài chính, Đ i học Florida.
Đ i học Quốc gia TP Hồ Chí Minh biên dịch.
b. Nghiên cứu:
[1] Trần Sỹ M nh, Đỗ Khắc H ởng - o lư ng sự dao ộng c a ch số ch ng khoán N-
Index th ng qua m hình G H
[2] Nguyễn Ngọc Thiệp (2010), Một số phư ng pháp khai phá d liệu quan hệ trong tài
ch nh và ch ng khoán (M hình IM ) – Khóa luận tốt nghiệp đ i học Công nghệ –
Đ i học quốc gia Hà Nội.
c. Trang web:
[1] Số liệu từ cổ phiếu 68: http://www.cophieu68.com
[2] Sở giao dịch chứng kho n TP HCM – Tra cứu số
liệu VN
index:
http://www.hsx.vn/hsx/Modules/Statistic/VnindexStatistic.aspx
[3] Ngân hàng nhà n ớc Việt Nam : http://www.sbv.gov.vn
Tài liệu nước ngoài:
d. Sách:
[1] Gujarati D.N. Basic, Basic Econometrics.
e. Nghiên cứu:
[1] Angelo Ranaldo (2001), Intraday Market Liquidity on the Swiss stock exchange,
Working paper.
[2] Lee, W. (1997). Market timing and short-term interest rates. Journal of Portfolio
Management, 23 (3), 35-46.
65
[3] ALexandros GAbrielsen, Massimiliano Marzo and Paolo Zagaglia ( 2011), Measuring
market liquidity: An introductory survey.
[4] Rico von Wyss (2004), Measuring and predicting liquidity in the stock market.
[5] Jeffrey E Jarrett and Eric Kyper, ARIMA modeling with intervention to forecast and
analyze Chinese stock prices.
[6] Fahim Faisal, Foreacasting Bangladesh's inflation using time series ARIMA model
66
PHỤ LỤC
67
Phụ lục
1.Danh mục cổ phiếu thành phần rổ VN30 kỳ 1/2015
STT Mã CK
Tên Công ty
Danh mục cổ phiếu thành phần rổ VN30 kỳ 1/2015 Khối lư ng lưu hành tính chỉ số
Giới hạn tỷ trọng vốn hóa ( c%)
1 2 3 4
Tỷ lệ free float(%) 90% 35% 70% 55%
100.00% 83.33% 100.00% 100.00%
314,893,882 1,454,555,098 353,794,940 789,899,283
FLC VIC SSI HAG PVD
5
303,036,900
50%
100.00%
KBC
6
389,760,188
55%
100.00%
735,808,140 235,161,141 343,894,224
35% 45% 80%
91.67% 100.00% 100.00%
7 MSN KDC 8 FPT 9 ITA
10
718,905,879
50%
100.00%
1,000,118,604 481,908,175 299,999,999 189,199,727 255,857,542 269,067,792
45% 60% 65% 60% 40% 65%
44.59% 100.00% 100.00% 100.00% 100.00% 100.00%
11 VNM 12 HPG 13 OGC 14 HVG PVT 15 REE 16 CII
17
186,754,904
75%
100.00%
DPM
18
379,934,260
40%
100.00%
HCM
19
127,229,583
40%
100.00%
1,159,393,750 116,137,994
55% 85%
100.00% 100.00%
20 MBB 21 GMD VCB
22
2,665,020,334
10%
100.00%
IJC
23
274,194,525
25%
100.00%
318,154,614 96,313,098
25% 65%
100.00% 100.00%
24 PPC 25 HSG STB
26
1,142,511,590
80%
100.00%
CSM
27
67,292,000
50%
100.00%
83,073,849
50%
100.00%
28 DRC VSH
29
206,241,246
35%
100.00%
30
BVH
CTCP TẬP ĐOÀN FLC TẬP ĐOÀN VINGROUP - CTCP CTCP CHỨNG KHOÁN SÀI GÕN CTCP HOÀNG ANH GIA LAI TỔNG CTCP KHOAN VÀ DỊCH VỤ KHOAN DẦU KHÍ TCT PHÁT TRIỂN ĐÔ THỊ KINH BẮC - CTCP CTCP TẬP ĐOÀN MA SAN CÔNG TY CỔ PHẦN KINH ĐÔ CÔNG TY CỔ PHẦN FPT CTCP ĐẦU TƯ CÔNG NGHIỆP TÂN TẠO CTCP SỮA VIỆT NAM CTCP TẬP ĐOÀN HÕA PHÁT CTCP TÂP ĐOÀN ĐẠI DƯƠNG CTCP HÙNG VƯƠNG TỔNG CTCP VẬN TẢI DẦU KHÍ CTCP CƠ ĐIỆN LẠNH CTCP ĐẦU TƯ HẠ TẦNG KỸ THUẬT TP.HCM TCT PHÂN BÓN VÀ HÓA CHẤT DẦU KHÍ - CTCP CTCP CHỨNG KHOÁN THÀNH PHỐ HỒ CHÍ MINH NGÂN HÀNG TMCP QUÂN ĐỘI CTCP ĐẠI LÝ LIÊN HIỆP VẬN CHUYỂN NGÂN HÀNG TMCP NGOẠI THƯƠNG VIỆT NAM CTCP PHÁT TRIỂN HẠ TẦNG KỸ THUẬT CTCP NHIỆT ĐIỆN PHẢ LẠI CTCP TẬP ĐOÀN HOA SEN NGÂN HÀNG TMCP SÀI GÕN THƯƠNG TÍN CTCP CÔNG NGHIỆP CAO SU MIỀN NAM CTCP CAO SU ĐÀ NẴNG CTCP THỦY ĐIỆN VĨNH SƠN SÔNG HINH TẬP ĐOÀN BẢO VIỆT
680,471,434
10%
100.00% DANH MỤC CỔ PHIẾU DỰ PHÕNG VN30
68
SJS
1
99,041,940
50%
100.00%
DIG
2
178,743,620
40%
100.00%
317,952,000
20%
100.00%
3 HT1 EIB
4
1,229,432,904
70%
100.00%
CTCP ĐẦU TƯ PHÁT TRIỂN ĐÔ THỊ & KCN SÔNG ĐÀ TỔNG CTCP ĐẦU TƯ PHÁT TRIỂN XÂY DỰNG CTCP XI MĂNG HÀ TIÊN 1 NGÂN HÀNG TMCP XUẤT NHẬP KHẨU VIỆT NAM
92,403,943
40%
100.00%
Cổ phiếu thêm vào: HVG, KBC
5 VHC CTCP VĨNH HOÀN Ghi chú: Cổ phiếu lo i ra: EIB, CTG
2.Đồ thị chuỗi Amivest của chỉ số VN30:
69
3.Lư c đồ tự tư ng quan:
70
4.Kiểm định nghiệm đ n vị cho chuỗi Amivest:
Null Hypothesis: AMIVEST has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=13)
Augmented Dickey-Fuller test statistic Test critical values:
*MacKinnon (1996) one-sided p-values.
1% level 5% level 10% level
t-Statistic -8.874250 -3.472813 -2.880088 -2.576739
Augmented Dickey-Fuller Test Equation Dependent Variable: D(AMIVEST) Method: Least Squares Date: 05/18/15 Time: 06:47 Sample (adjusted): 2/17/2012 1/30/2015 Included observations: 155 after adjustments
Std. Error
t-Statistic
Prob.* 0.0000 Prob.
Coefficient -0.679597 4497.266
0.076581 934.3324
-8.874250 4.813347
0.0000 0.0000
Variable AMIVEST(-1) C
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.339812 Mean dependent var 0.335497 S.D. dependent var 9827.952 Akaike info criterion 1.48E+10 Schwarz criterion -1643.842 Hannan-Quinn criter. 78.75231 Durbin-Watson stat 0.000000
61.69818 12056.32 21.23667 21.27594 21.25262 2.114771
Kiểm định giả thiết:
Ho: chuỗi không dừng
H1: chuỗi dừng
Gi trị tuyệt đối của trị thống kê t tính to n luôn lớn h n trị thống kê t quan
s t ở c c mức ý nghĩa 1%, 5%, 10%. Gi trị P_value = 0.0000, do đó b c bỏ Ho, tức
chuỗi tỷ suất sinh lợi đã dừng.
71
5.Ước lư ng mô hình ARIMA(p 0 q)
Dependent Variable: AMIVEST Method: Least Squares Date: 05/14/15 Time: 00:19 Sample (adjusted): 2/24/2012 1/30/2015 Included observations: 154 after adjustments Convergence achieved after 45 iterations MA Backcast: 2/10/2012 2/17/2012
Std. Error
t-Statistic
Coefficient
Prob.
1889442. 0.023517 0.041058
0.069957 42.45573 -23.13964
0.9443 0.0000 0.0000
Variable C AR(2) MA(2)
132179.2 0.998436 -0.950075
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.192186 Mean dependent var 0.181487 S.D. dependent var 9376.155 Akaike info criterion 1.33E+10 Schwarz criterion -1625.474 Hannan-Quinn criter. 17.96215 Durbin-Watson stat 0.000000
Inverted AR Roots Inverted MA Roots
-1.00 -.97
1.00 .97
6627.226 10363.63 21.14902 21.20818 21.17305 1.603839
5.1 Mô hình ARIMA(2,0,2)
Std. Error
t-Statistic
Coefficient
Prob.
3794.357 0.036304 0.074336
2.166541 26.49689 -11.24655
0.0318 0.0000 0.0000
Dependent Variable: AMIVEST Method: Least Squares Date: 05/10/15 Time: 15:28 Sample (adjusted): 2/17/2012 1/30/2015 Included observations: 155 after adjustments Convergence achieved after 9 iterations MA Backcast: 2/10/2012 Variable C AR(1) MA(1)
8220.629 0.961944 -0.836024
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.191343 Mean dependent var 0.180703 S.D. dependent var 9360.339 Akaike info criterion 1.33E+10 Schwarz criterion -1635.777 Hannan-Quinn criter. 17.98298 Durbin-Watson stat 0.000000
6588.460 10341.20 21.14552 21.20442 21.16944 1.903788
5.2 Mô hình ARIMA(1,0,1)
72
Inverted AR Roots Inverted MA Roots
.96 .84
5.2 Ước lư ng mô hình ARIMA(1 0 0)
Dependent Variable: AMIVEST Method: Least Squares Date: 05/10/15 Time: 15:29 Sample (adjusted): 2/17/2012 1/30/2015 Included observations: 155 after adjustments Convergence achieved after 3 iterations
Std. Error
t-Statistic
Coefficient
Prob.
6617.549 0.320403
1161.616 0.076581
5.696847 4.183858
0.0000 0.0000
Variable C AR(1)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Inverted AR Roots
0.102664 Mean dependent var 0.096799 S.D. dependent var 9827.952 Akaike info criterion 1.48E+10 Schwarz criterion -1643.842 Hannan-Quinn criter. 17.50467 Durbin-Watson stat 0.000048
.32
6588.460 10341.20 21.23667 21.27594 21.25262 2.114771
Std. Error
t-Statistic
Coefficient
Prob.
6662.274 0.252573 0.272470
1334.262 0.081463 0.081088
4.993226 3.100439 3.360193
0.0000 0.0023 0.0010
Dependent Variable: AMIVEST Method: Least Squares Date: 05/10/15 Time: 15:31 Sample (adjusted): 2/24/2012 1/30/2015 Included observations: 154 after adjustments Convergence achieved after 6 iterations MA Backcast: 2/17/2012 Variable C AR(2) MA(1)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.128934 Mean dependent var 0.117397 S.D. dependent var 9736.315 Akaike info criterion 1.43E+10 Schwarz criterion -1631.279 Hannan-Quinn criter. 11.17545 Durbin-Watson stat 0.000030
-.50
Inverted AR Roots Inverted MA Roots
.50 -.27
6627.226 10363.63 21.22440 21.28356 21.24843 2.021166
5.3 ước lư ng mô hình ARIMA(2,0,1)
73
74
Std. Error
t-Statistic
Coefficient
Prob.
6561.604 0.231359
981.1692 0.078499
6.687535 2.947277
0.0000 0.0037
Dependent Variable: AMIVEST Method: Least Squares Date: 05/10/15 Time: 15:35 Sample: 2/10/2012 1/30/2015 Included observations: 156 Convergence achieved after 13 iterations MA Backcast: 2/03/2012 Variable C MA(1)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Inverted MA Roots
0.073194 Mean dependent var 0.067175 S.D. dependent var 9962.644 Akaike info criterion 1.53E+10 Schwarz criterion -1656.577 Hannan-Quinn criter. 12.16199 Durbin-Watson stat 0.000636
-.23
6557.303 10315.13 21.26381 21.30291 21.27969 1.886671
5.4 Ước lư ng mô hình ARIMA(0 0 1)
Dependent Variable: AMIVEST Method: Least Squares Date: 05/10/15 Time: 15:36 Sample: 2/10/2012 1/30/2015 Included observations: 156 Convergence achieved after 11 iterations MA Backcast: 1/27/2012 2/03/2012
Std. Error
t-Statistic
Coefficient
Prob.
6549.669 0.188320
958.7324 0.079203
6.831593 2.377689
0.0000 0.0186
Variable C MA(2)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.048381 Mean dependent var 0.042201 S.D. dependent var 10095.13 Akaike info criterion 1.57E+10 Schwarz criterion -1658.638 Hannan-Quinn criter. 7.829400 Durbin-Watson stat 0.005797
6557.303 10315.13 21.29023 21.32933 21.30611 1.472934
5.5. Ước lư ng mô hình ARIMA(0 0 2):
75
Dependent Variable: AMIVEST Method: Least Squares Date: 05/10/15 Time: 15:37 Sample (adjusted): 2/17/2012 1/30/2015 Included observations: 155 after adjustments Convergence achieved after 9 iterations MA Backcast: 2/03/2012 2/10/2012
Std. Error
t-Statistic
Coefficient
Prob.
6607.210 0.282672 0.121509
1225.554 0.080477 0.083400
5.391203 3.512464 1.456946
0.0000 0.0006 0.1472
Variable C AR(1) MA(2)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Inverted AR Roots
5.6 Ước lư ng mô hình ARIMA(1 0 2)
0.118699 Mean dependent var 0.107102 S.D. dependent var 9771.734 Akaike info criterion 1.45E+10 Schwarz criterion -1642.444 Hannan-Quinn criter. 10.23610 Durbin-Watson stat 0.000068
.28
6588.460 10341.20 21.23154 21.29045 21.25547 2.024947
Dependent Variable: AMIVEST Method: Least Squares Date: 05/18/15 Time: 12:53 Sample (adjusted): 2/24/2012 1/30/2015 Included observations: 154 after adjustments Convergence achieved after 3 iterations
Std. Error
t-Statistic
Coefficient
Prob.
6657.147 0.264419
1098.505 0.078148
6.060186 3.383570
0.0000 0.0009
Variable C AR(2)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Inverted AR Roots
-.51
0.070044 Mean dependent var 0.063926 S.D. dependent var 10026.91 Akaike info criterion 1.53E+10 Schwarz criterion -1636.316 Hannan-Quinn criter. 11.44854 Durbin-Watson stat 0.000910
.51
6627.226 10363.63 21.27683 21.31628 21.29286 1.545606
5.7Mô hình ARIMA(2,0,0)
76
6. Kiểm định tự tư ng quan phần dư cho mô hình ARIMA(p,0,q):
Kiểm định giả thuyết:
Ho: phần d tự t ng quan
H1: phần d không tự t ng quan
Breusch-Godfrey Serial Correlation LM Test:
F-statistic Obs*R-squared
0.0867 0.0832
2.077136 Prob. F(4,147) 8.238512 Prob. Chi-Square(4)
Test Equation: Dependent Variable: RESID Method: Least Squares Date: 05/14/15 Time: 00:20 Sample: 2/24/2012 1/30/2015 Included observations: 154 Presample missing value lagged residuals set to zero.
Std. Error
t-Statistic
Coefficient
Prob.
2013345. 0.025065 -0.044430 0.189585 0.010511 -0.029428 0.085215
1877889. 0.023342 0.042092 0.082286 0.089917 0.084508 0.088738
1.072132 1.073824 -1.055530 2.303969 0.116901 -0.348228 0.960298
0.2854 0.2847 0.2929 0.0226 0.9071 0.7282 0.3385
Variable C AR(2) MA(2) RESID(-1) RESID(-2) RESID(-3) RESID(-4)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
4.191337 9314.671 21.14598 21.28403 21.20206 2.021017
0.053497 Mean dependent var 0.014864 S.D. dependent var 9245.185 Akaike info criterion 1.26E+10 Schwarz criterion -1621.241 Hannan-Quinn criter. 1.384752 Durbin-Watson stat 0.224430 Gi trị P-Value = 0.0867, ch a có c sở để b c bỏ giả thiết Ho. Vậy phần d
6.1 Mô hình ARIMA(2,0,2)
mô hình ARIMA(2,0,2) không tự t ng quan.
77
Breusch-Godfrey Serial Correlation LM Test:
F-statistic Obs*R-squared
0.4327 0.4183
0.957673 Prob. F(4,148) 3.910273 Prob. Chi-Square(4)
Test Equation: Dependent Variable: RESID Method: Least Squares Date: 05/10/15 Time: 15:33 Sample: 2/17/2012 1/30/2015 Included observations: 155 Presample missing value lagged residuals set to zero.
Std. Error
t-Statistic
Prob.
Coefficient -626.1150 -0.010694 0.061473 0.002230 -0.050190 -0.167172 0.039309
4217.317 0.048324 0.176637 0.165542 0.134034 0.117223 0.107744
-0.148463 -0.221302 0.348019 0.013471 -0.374459 -1.426103 0.364839
0.8822 0.8252 0.7283 0.9893 0.7086 0.1559 0.7158
Variable C AR(1) MA(1) RESID(-1) RESID(-2) RESID(-3) RESID(-4)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
-14.70736 9299.347 21.17157 21.30902 21.22740 2.000707
0.025228 Mean dependent var -0.014290 S.D. dependent var 9365.556 Akaike info criterion 1.30E+10 Schwarz criterion -1633.797 Hannan-Quinn criter. 0.638385 Durbin-Watson stat 0.699352 Gi trị P-Value = 0.4327, ch a có c sở để b c bỏ giả thiết Ho. Vậy phần d
6.2.Mô hình ARIMA(1,0,1):
mô hình ARIMA(1,0,1) không tự t ng quan.
Breusch-Godfrey Serial Correlation LM Test:
F-statistic Obs*R-squared
0.0008 0.0010
5.043811 Prob. F(4,148) 18.47470 Prob. Chi-Square(4)
Test Equation: Dependent Variable: RESID Method: Least Squares Date: 05/10/15 Time: 15:33 Sample: 2/24/2012 1/30/2015 Included observations: 154 Presample missing value lagged residuals set to zero.
6.3.Mô hình ARIMA(2,0,0):
78
Std. Error
t-Statistic
Coefficient
Prob.
1050.209 0.821170 0.081323 0.835246 0.082827 0.230827
0.236187 2.055085 2.739537 -2.187963 0.246557 -1.226710
0.8136 0.0416 0.0069 0.0302 0.8056 0.2219
Variable C AR(2) RESID(-1) RESID(-2) RESID(-3) RESID(-4)
248.0458 1.687575 0.222788 -1.827487 0.020422 -0.283158
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
5.69E-06 9994.089 21.20099 21.31931 21.24905 2.042527
0.119966 Mean dependent var 0.090235 S.D. dependent var 9532.524 Akaike info criterion 1.34E+10 Schwarz criterion -1626.476 Hannan-Quinn criter. 4.035049 Durbin-Watson stat 0.001839 Gi trị P-Value = 0.008, do đó b c bỏ giả thiết Ho. Vậy phần d mô hình
ARIMA(2,0,0) có tự t ng quan.
Breusch-Godfrey Serial Correlation LM Test:
F-statistic Obs*R-squared
0.0350 0.0352
2.660621 Prob. F(4,149) 10.33299 Prob. Chi-Square(4)
Test Equation: Dependent Variable: RESID Method: Least Squares Date: 05/10/15 Time: 15:34 Sample: 2/17/2012 1/30/2015 Included observations: 155 Presample missing value lagged residuals set to zero.
Std. Error
t-Statistic
Coefficient
Prob.
163.7982 2.184295 -2.250378 -0.582766 -0.192203 0.111132
1144.149 1.821870 1.829549 0.591903 0.206123 0.100034
0.143162 1.198930 -1.230018 -0.984563 -0.932468 1.110940
0.8864 0.2325 0.2206 0.3264 0.3526 0.2684
Variable C AR(1) RESID(-1) RESID(-2) RESID(-3) RESID(-4)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.066664 Mean dependent var 0.035344 S.D. dependent var 9621.317 Akaike info criterion 1.38E+10 Schwarz criterion -1638.495 Hannan-Quinn criter. 2.128496 Durbin-Watson stat 0.065105
7.90E-06 9795.991 21.21929 21.33710 21.26714 2.057429
6.4.Mô hình ARIMA(1,0,0)
Gi trị P-Value = 0.0350, b c bỏ giả thiết Ho. Vậy phần d mô hình
ARIMA(1,0,0) không tự t ng quan.
79
6.5.Mô hình ARIMA(2,0,1):
Breusch-Godfrey Serial Correlation LM Test:
F-statistic Obs*R-squared
0.1041 0.0997
1.956926 Prob. F(4,147) 7.785833 Prob. Chi-Square(4)
Test Equation: Dependent Variable: RESID Method: Least Squares Date: 05/10/15 Time: 15:32 Sample: 2/24/2012 1/30/2015 Included observations: 154 Presample missing value lagged residuals set to zero.
Std. Error
t-Statistic
Coefficient
Prob.
1326.043 0.963897 6.084093 6.085466 2.082388 0.456773 0.304633
0.233360 1.870674 0.517248 -0.523079 -0.485152 -0.514957 -0.821409
0.8158 0.0634 0.6058 0.6017 0.6283 0.6074 0.4127
Variable C AR(2) MA(1) RESID(-1) RESID(-2) RESID(-3) RESID(-4)
309.4455 1.803137 3.146983 -3.183177 -1.010275 -0.235218 -0.250228
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.050557 Mean dependent var 0.011805 S.D. dependent var 9615.210 Akaike info criterion 1.36E+10 Schwarz criterion -1627.284 Hannan-Quinn criter. 1.304613 Durbin-Watson stat 0.258619
3.792380 9672.469 21.22447 21.36251 21.28054 2.038375
Gi trị P-Value = 0.1041, chấp nhận giả thiết Ho. Vậy phần d mô hình
ARIMA(2,0,1) có tự t ng quan.
6.6.Mô hình ARIMA(0,0,1):
Breusch-Godfrey Serial Correlation LM Test:
F-statistic Obs*R-squared
0.0029 0.0034
4.207037 Prob. F(4,150) 15.73588 Prob. Chi-Square(4)
Test Equation: Dependent Variable: RESID Method: Least Squares Date: 05/10/15 Time: 15:35 Sample: 2/10/2012 1/30/2015 Included observations: 156 Presample missing value lagged residuals set to zero.
Std. Error
t-Statistic
Variable
Coefficient
Prob.
80
66.76969 4.367019 -4.346984 1.203607 -0.196353 0.247648
945.5022 6.206742 6.209644 1.438033 0.345280 0.111331
0.070618 0.703593 -0.700038 0.836981 -0.568677 2.224426
0.9438 0.4828 0.4850 0.4039 0.5704 0.0276
C MA(1) RESID(-1) RESID(-2) RESID(-3) RESID(-4)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.100871 Mean dependent var 0.070900 S.D. dependent var 9571.947 Akaike info criterion 1.37E+10 Schwarz criterion -1648.284 Hannan-Quinn criter. 3.365624 Durbin-Watson stat 0.006546
4.181838 9930.453 21.20876 21.32607 21.25641 2.064048
Gi trị P-Value = 0.0029, do đó b c bỏ giả thiết Ho. Vậy phần d mô hình
ARIMA(0,0,1) không tự t ng quan.
6.7 Mô hình ARIMA(0,0,2):
Breusch-Godfrey Serial Correlation LM Test:
F-statistic Obs*R-squared
0.0001 0.0002
6.186172 Prob. F(4,150) 22.09024 Prob. Chi-Square(4)
Test Equation: Dependent Variable: RESID Method: Least Squares Date: 05/10/15 Time: 15:36 Sample: 2/10/2012 1/30/2015 Included observations: 156 Presample missing value lagged residuals set to zero.
Std. Error
t-Statistic
Coefficient
Prob.
103.3800 3.352731 0.230811 -3.413305 0.020758 0.863035
901.3954 1.936550 0.079969 1.949548 0.081521 0.374400
0.114689 1.731290 2.886242 -1.750819 0.254639 2.305118
0.9088 0.0855 0.0045 0.0820 0.7994 0.0225
Variable C MA(2) RESID(-1) RESID(-2) RESID(-3) RESID(-4)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.141604 Mean dependent var 0.112991 S.D. dependent var 9476.983 Akaike info criterion 1.35E+10 Schwarz criterion -1646.728 Hannan-Quinn criter. 4.948910 Durbin-Watson stat 0.000319
8.928144 10062.50 21.18882 21.30612 21.23647 2.061815
Gi trị P-Value = 0.00001, do đó chấp nhận giả thiết Ho. Vậy phần d mô
hình ARIMA(0,0,2) có tự t ng quan.
81
Breusch-Godfrey Serial Correlation LM Test:
F-statistic Obs*R-squared
0.0798 0.0767
2.131053 Prob. F(4,148) 8.441169 Prob. Chi-Square(4)
Test Equation: Dependent Variable: RESID Method: Least Squares Date: 05/10/15 Time: 15:37 Sample: 2/17/2012 1/30/2015 Included observations: 155 Presample missing value lagged residuals set to zero.
Std. Error
t-Statistic
Coefficient
Prob.
144.0131 0.043209 7.621494 -0.078025 -7.636260 0.011887 1.115977
1214.780 2.280057 5.499310 2.278657 5.190812 0.199914 0.702619
0.118551 0.018951 1.385900 -0.034241 -1.471111 0.059459 1.588309
0.9058 0.9849 0.1679 0.9727 0.1434 0.9527 0.1144
Variable C AR(1) MA(2) RESID(-1) RESID(-2) RESID(-3) RESID(-4)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
4.840499 9708.072 21.22715 21.36460 21.28298 2.069535
0.054459 Mean dependent var 0.016126 S.D. dependent var 9629.476 Akaike info criterion 1.37E+10 Schwarz criterion -1638.105 Hannan-Quinn criter. 1.420696 Durbin-Watson stat 0.210323 Gi trị P-Value = 0.0798, ch a có c sở để b c bỏ giả thiết Ho. Vậy phần d
6.8 Mô hình ARIMA(1,0,2)
mô hình ARIMA(1,0,2) không tự t ng quan.
7. Kiểm tra hiện tư ng phư ng sai sai số thay đổi của mô hình ARIMA(1 0 1)
Kiểm định giả thiết:
Ho: mô hình không có tính ARCH ( ph ng sai sai số không đổi)
Heteroskedasticity Test: ARCH
F-statistic Obs*R-squared
0.0000 0.0000
38.83881 Prob. F(12,130) 111.8122 Prob. Chi-Square(12)
Test Equation: Dependent Variable: RESID^2 Method: Least Squares
H1: mô hình có tính ARCH (ph ng sai sai số thay đổi)
82
Date: 05/18/15 Time: 13:12 Sample (adjusted): 5/11/2012 1/30/2015 Included observations: 143 after adjustments
Std. Error
t-Statistic
Prob.
Coefficient -6676427. -0.079549 -0.407529 0.014217 0.069560 -0.000762 0.015023 -0.074780 -0.018690 -0.087413 -0.064392 -0.048897 4.013721
25120729 0.041814 0.046751 0.041262 0.041312 0.041286 0.041289 0.041394 0.041259 0.041412 0.042034 0.041547 0.188552
-0.265774 -1.902445 -8.717016 0.344544 1.683767 -0.018446 0.363841 -1.806528 -0.452988 -2.110815 -1.531910 -1.176885 21.28706
0.7908 0.0593 0.0000 0.7310 0.0946 0.9853 0.7166 0.0731 0.6513 0.0367 0.1280 0.2414 0.0000
Variable C RESID^2(-1) RESID^2(-2) RESID^2(-3) RESID^2(-4) RESID^2(-5) RESID^2(-6) RESID^2(-7) RESID^2(-8) RESID^2(-9) RESID^2(-10) RESID^2(-11) RESID^2(-12)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
92605309 5.49E+08 41.73756 42.00691 41.84701 2.067765
0.781903 Mean dependent var 0.761771 S.D. dependent var 2.68E+08 Akaike info criterion 9.34E+18 Schwarz criterion -2971.235 Hannan-Quinn criter. 38.83881 Durbin-Watson stat 0.000000 Gi trị P-Value = 0.0000, do đó b c bỏ giả thiết Ho. Vậy ARIMA(1,0,1) không tự
t ng quan.
8.Ước lư ng các mô hình GARCH(p,q):
8.1 Mô hình GARCH(1,1)
Dependent Variable: AMIVEST Method: ML - ARCH (Marquardt) - Student's t distribution Date: 05/15/15 Time: 20:43 Sample (adjusted): 2/17/2012 1/30/2015 Included observations: 155 after adjustments Convergence achieved after 80 iterations MA Backcast: 2/10/2012 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1)
Coefficient
Std. Error
z-Statistic
1145.737 0.880100 -0.766845
335.5553 0.037734 0.049803
3.414450 23.32396 -15.39749
Variance Equation
1.06E+08 -13.59319 1.047389
7.89E+09 1008.333 0.007472
0.013465 -0.013481 140.1681
Prob. 0.0006 0.0000 0.0000 0.9893 0.9892 0.0000
Variable C AR(1) MA(1) C RESID(-1)^2 GARCH(-1)
83
2.000544
0.040351
49.57811
0.0000
T-DIST. DOF
6588.460 10341.20 19.42257 19.56001 19.47839 1.664752
0.087267 Mean dependent var 0.050264 S.D. dependent var 10077.95 Akaike info criterion 1.50E+10 Schwarz criterion -1498.249 Hannan-Quinn criter. 2.358394 Durbin-Watson stat 0.033240
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Inverted AR Roots Inverted MA Roots
.88 .77
8.2 Mô hình GARCH(0,1)
Dependent Variable: AMIVEST Method: ML - ARCH (Marquardt) - Student's t distribution Date: 05/15/15 Time: 20:48 Sample (adjusted): 2/17/2012 1/30/2015 Included observations: 155 after adjustments Convergence achieved after 160 iterations MA Backcast: 2/10/2012 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*GARCH(-1)
Coefficient
Std. Error
z-Statistic
2917.688 0.970383 -0.941531
723.4531 0.020742 0.030054
4.033002 46.78299 -31.32784
Variance Equation
1.06E+08 -0.970730
1.10E+08 0.020829
0.965502 -46.60374
2.227189
0.298277
7.466849
Variable C AR(1) MA(1) C GARCH(-1) T-DIST. DOF
Prob. 0.0001 0.0000 0.0000 0.3343 0.0000 0.0000
6588.460 10341.20 19.79485 19.91266 19.84270 1.509458
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.073441 Mean dependent var 0.042348 S.D. dependent var 10119.86 Akaike info criterion 1.53E+10 Schwarz criterion -1528.101 Hannan-Quinn criter. 2.362009 Durbin-Watson stat 0.042675
Inverted AR Roots Inverted MA Roots
.97 .94
8.3 Mô hình GARCH(2,1)
Dependent Variable: AMIVEST Method: ML - ARCH (Marquardt) - Student's t distribution Date: 05/15/15 Time: 20:53 Sample (adjusted): 2/17/2012 1/30/2015 Included observations: 155 after adjustments
84
Std. Error
z-Statistic
Coefficient
2092.834 0.850414 -0.696259
3.703801 25.72316 -9.205185
565.0502 0.033060 0.075638
Variance Equation
1.06E+08 2.923129 3.514965 -0.038493
0.132926 0.134409 0.132513 -0.482587
7.99E+08 21.74794 26.52550 0.079763
2.049580
0.391326
5.237530
Failure to improve Likelihood after 90 iterations MA Backcast: 2/10/2012 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*RESID(-2)^2 + C(7)*GARCH(-1) Prob. 0.0002 0.0000 0.0000 0.8943 0.8931 0.8946 0.6294 0.0000
Variable C AR(1) MA(1) C RESID(-1)^2 RESID(-2)^2 GARCH(-1) T-DIST. DOF
6588.460 10341.20 19.65516 19.81224 19.71896 1.794928
0.118759 Mean dependent var 0.076795 S.D. dependent var 9936.189 Akaike info criterion 1.45E+10 Schwarz criterion -1515.275 Hannan-Quinn criter. 2.830033 Durbin-Watson stat 0.008521
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Inverted AR Roots Inverted MA Roots
.85 .70
8.4 Mô hình GARCH(1,2)
Dependent Variable: AMIVEST Method: ML - ARCH (Marquardt) - Student's t distribution Date: 05/15/15 Time: 20:57 Sample (adjusted): 2/17/2012 1/30/2015 Included observations: 155 after adjustments Convergence achieved after 52 iterations MA Backcast: 2/10/2012 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) + C(7)*GARCH(-2)
Coefficient
Std. Error
z-Statistic
1396.955 0.863657 0.741855
311.0177 0.047553 0.066800
4.491559 18.16202 -11.10564
Variance Equation
1.06E+08 -12.25567 0.573219 0.491480
8.90E+09 1024.088 0.479915 0.490260
0.011938 -0.011967 1.194417 1.002488
Variable C AR(1) MA(1) C RESID(-1)^2 GARCH(-1) GARCH(-2) T-DIST. DOF
2.000738
0.061641
32.45798
Prob. 0.0000 0.0000 0.0000 0.9905 0.9905 0.2323 0.3161 0.0000
85
6588.460 10341.20 19.39661 19.55369 19.46042 1.681431
0.088777 Mean dependent var 0.045385 S.D. dependent var 10103.80 Akaike info criterion 1.50E+10 Schwarz criterion -1495.238 Hannan-Quinn criter. 2.045943 Durbin-Watson stat 0.053069
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Inverted AR Roots Inverted MA Roots
.86 .74
8.5 Mô hình GARCH(2,0)
Dependent Variable: AMIVEST Method: ML - ARCH (Marquardt) - Normal distribution Date: 05/10/15 Time: 15:47 Sample (adjusted): 2/17/2012 1/30/2015 Included observations: 155 after adjustments Convergence not achieved after 500 iterations MA Backcast: 2/10/2012 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*RESID(-1)^2
Std. Error
z-Statistic
Coefficient
Prob.
4202.998 0.151948 0.172262
1.157261 5.068845 -2.084722
0.2472 0.0000 0.0371
Variance Equation
4863.967 0.770201 -0.359119 68914987 0.934024
13145282 0.247685
5.242564 3.771017
0.0000 0.0002
Variable C AR(1) MA(1) C RESID(-1)^2
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.114969 Mean dependent var 0.091368 S.D. dependent var 9857.457 Akaike info criterion 1.46E+10 Schwarz criterion -1604.183 Hannan-Quinn criter. 4.871379 Durbin-Watson stat 0.001012
Inverted AR Roots Inverted MA Roots
.77 .36
6588.460 10341.20 20.76365 20.86183 20.80353 2.320240
86
8.6 Mô hình GARCH(2,2)
Coefficient
z-Statistic
Std. Error
2092.834 0.850414 -0.696259
3.703801 25.72316 -9.205185
565.0502 0.033060 0.075638
Variance Equation
1.06E+08 2.923129 3.514965 -0.038493
0.132926 0.134409 0.132513 -0.482587
7.99E+08 21.74794 26.52550 0.079763
2.049580
0.391326
5.237530
Dependent Variable: AMIVEST Method: ML - ARCH (Marquardt) - Student's t distribution Date: 05/15/15 Time: 23:24 Sample (adjusted): 2/17/2012 1/30/2015 Included observations: 155 after adjustments Failure to improve Likelihood after 90 iterations MA Backcast: 2/10/2012 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*RESID(-2)^2 + C(7)*GARCH(-1) Prob. 0.0002 0.0000 0.0000 0.8943 0.8931 0.8946 0.6294 0.0000
Variable C AR(1) MA(1) C RESID(-1)^2 RESID(-2)^2 GARCH(-1) T-DIST. DOF
6588.460 10341.20 19.65516 19.81224 19.71896 1.794928
0.118759 Mean dependent var 0.076795 S.D. dependent var 9936.189 Akaike info criterion 1.45E+10 Schwarz criterion -1515.275 Hannan-Quinn criter. 2.830033 Durbin-Watson stat 0.008521
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Inverted AR Roots Inverted MA Roots
.85 .70
8.7 Mô hình GARCH(0,2)
Dependent Variable: AMIVEST Method: ML - ARCH (Marquardt) - Student's t distribution Date: 05/18/15 Time: 13:06 Sample (adjusted): 2/17/2012 1/30/2015 Included observations: 155 after adjustments Convergence achieved after 88 iterations MA Backcast: 2/10/2012 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*GARCH(-1) + C(6)*GARCH(-2)
Std. Error
z-Statistic
Coefficient
Prob.
Variable C AR(1)
1062.038 0.894538
396.9537 0.037843
2.675470 23.63799
0.0075 0.0000
87
0.052482
-14.89009
0.0000
Variance Equation
-0.781461
1.06E+08 0.019296 1.038855
9.83E+09 0.560307 0.578212
0.010808 0.034439 1.796669
0.9914 0.9725 0.0724
33.33589
0.060015
2.000650
0.0000
MA(1) C GARCH(-1) GARCH(-2) T-DIST. DOF
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.098312 Mean dependent var 0.061757 S.D. dependent var 10016.79 Akaike info criterion 1.48E+10 Schwarz criterion -1498.962 Hannan-Quinn criter. 2.689428 Durbin-Watson stat 0.016574
Inverted AR Roots Inverted MA Roots
.89 .78
6588.460 10341.20 19.43177 19.56922 19.48760 1.685019
8.8 Mô hình GARCH(1,0)
Dependent Variable: AMIVEST Method: ML - ARCH (Marquardt) - Student's t distribution Date: 05/15/15 Time: 20:51 Sample (adjusted): 2/17/2012 1/30/2015 Included observations: 155 after adjustments Convergence achieved after 73 iterations MA Backcast: 2/10/2012 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*RESID(-1)^2
Coefficient
Std. Error
z-Statistic
1365.511 0.936836 -0.793186
1098.759 0.015989 0.031527
1.242776 58.59297 -25.15855
Variance Equation
1.06E+08 6.236535
6.39E+08 37.31626
0.166341 0.167126
2.056261
0.355988
5.776216
Variable C AR(1) MA(1) C RESID(-1)^2 T-DIST. DOF
Prob. 0.2140 0.0000 0.0000 0.8679 0.8673 0.0000
6588.460 10341.20 19.74209 19.85990 19.78994 1.860971
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.158244 Mean dependent var 0.129997 S.D. dependent var 9645.642 Akaike info criterion 1.39E+10 Schwarz criterion -1524.012 Hannan-Quinn criter. 5.602184 Durbin-Watson stat 0.000092
Inverted AR Roots Inverted MA Roots
.94 .79
88
9. Kiểm tra tính ARCH của mô hình GARCH(1 2)
Heteroskedasticity Test: ARCH
F-statistic Obs*R-squared
0.9734 0.9684
0.364901 Prob. F(12,130) 4.659739 Prob. Chi-Square(12)
Test Equation: Dependent Variable: WGT_RESID^2 Method: Least Squares Date: 05/18/15 Time: 13:17 Sample (adjusted): 5/11/2012 1/30/2015 Included observations: 143 after adjustments
Std. Error
t-Statistic
Coefficient
Prob.
0.002044 0.035913 0.087883 0.006128 -0.011167 0.004526 -0.021698 -0.030012 -0.027599 -0.030055 0.006357 -0.012370 0.058303
0.000855 0.087407 0.060348 0.060734 0.060330 0.060273 0.060218 0.060246 0.060166 0.060213 0.060391 0.060107 0.069492
2.389590 0.410872 1.456257 0.100899 -0.185106 0.075097 -0.360334 -0.498168 -0.458725 -0.499133 0.105265 -0.205793 0.838981
0.0183 0.6818 0.1477 0.9198 0.8534 0.9403 0.7192 0.6192 0.6472 0.6185 0.9163 0.8373 0.4030
Variable C WGT_RESID^2(-1) WGT_RESID^2(-2) WGT_RESID^2(-3) WGT_RESID^2(-4) WGT_RESID^2(-5) WGT_RESID^2(-6) WGT_RESID^2(-7) WGT_RESID^2(-8) WGT_RESID^2(-9) WGT_RESID^2(-10) WGT_RESID^2(-11) WGT_RESID^2(-12)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.002182 0.007160 -6.898957 -6.629608 -6.789507 1.975479
0.032586 Mean dependent var -0.056714 S.D. dependent var 0.007360 Akaike info criterion 0.007042 Schwarz criterion 506.2754 Hannan-Quinn criter. 0.364901 Durbin-Watson stat 0.973377 Gi trị P-Value = 0.9734, do đó chập nhận giả thiết Ho. Vậy mô hình GARCH(1,1)
có ph ng sai sai số không đổi.
89