Lời Cảm Ơn
Với lòng kính trọng và sự tri ân sâu sắc, trƣớc tiên em xin gửi lời cảm ơn chân
thành đến các Thầy Cô Trƣờng Đại học inh tế – Đại học uế nói chung và đặc
biệt là các Thầy Cô Khoa Tài chính – Ngân hàng nói riêng, đã tận tâm giảng dạy và
trang bị cho m nhi u kiến thức qu u trong suốt thời gian học tập tại trƣờng.
Đặc biệt, em xin gởi lời c m ơn chân thành nhất đến ThS. Phạm Quốc Khang,
ngƣời đã trực tiếp hƣớng dẫn em thực hiện đ tài tốt nghiệp trong suốt hơn ốn tháng
qua. Nhờ sự hƣớng dẫn và chỉ bảo tận tình của thầy, m đã có đƣợc những kiến thức
và kinh nghiệm quý báu v c ch x c định vấn đ nghiên cứu, phƣơng ph p nghiên
cứu, x c định kết cấu cho đ tài, trình bày kết quả… và hoàn thành đ tài tốt nghiệp
của mình.
Cuối cùng, em xin bày tỏ lòng cảm ơn sâu sắc đến gia đình và ạn è đã luôn ên
cạnh, hỗ trợ và động viên em hoàn thành tốt khoá luận của mình.
Một lần nữa, em xin chân thành cảm ơn!
Huế, th ng 5 năm 2015
Sinh viên thực hiện
i
Nguyễn Lê Nam Phƣơng
MỤC LỤC
P N Đ T N Đ .............................................................................................. 1
1 L o chọn đ tài ................................................................................................... 1
2 ục tiêu nghiên cứu ............................................................................................. 2
3 Đối tƣợng và phạm vi nghiên cứu ........................................................................ 3
4 Phƣơng ph p nghiên cứu ...................................................................................... 3
5 ết cấu đ tài ......................................................................................................... 4
P N N N T N N CỨ .............................................. 6
C ƢƠN 1 T N N CƠ L L N ........................................................ 6
1 1 L luận cơ ản v chứng kho n và thị trƣờng chứng khoán ............................. 6
1 1 1 Chứng kho n ................................................................................................... 6
1 1 2 Thị trƣờng chứng kho n ................................................................................. 7
1 2 L luận cơ ản v chỉ số chứng kho n .............................................................. 9
1 2 1 T ng qu t ........................................................................................................ 9
1 2 2 Chỉ số chứng kho n N-Index ..................................................................... 11
1 3 ài to n ự o ................................................................................................ 12
1 3 1 Phân loại ự o ............................................................................................ 13
1 3 2 C c ƣớc thực hiện của qu trình ự báo ..................................................... 14
1 3 3 C c thống kê đo độ ch nh x c của ự o .................................................... 16
1 4 Chuỗi thời gian ................................................................................................. 17
1 5 C c vấn đ liên quan đến t nh ừng ................................................................ 18
1.5.1 Khái niệm ...................................................................................................... 18
1.5.2 Hậu quả của chuỗi không dừng. ................................................................... 19
1.5.3 Kiểm định tính dừng ..................................................................................... 19
1.5.4 Biến đ i chuỗi không dừng thành chuỗi dừng ............................................. 24
1.6. Quá trình tự hồi quy ( R), trung ình trƣợt (MA) và mô hình ARIMA........ 25
1 6 1 ô hình R(p) .............................................................................................. 25
ii
1 6 2 ô hình (q) ............................................................................................. 25
1 6 3 ô hình R và phƣơng ph p ox-Jenkins .......................................... 26
1 7 ô hình RC ................................................................................................ 31
1 7 1 h i niệm ....................................................................................................... 31
1.7.2. Kiểm định tính ARCH ................................................................................. 33
1 7 3 ột số iến thể của mô hình RC ............................................................. 34
1 7 4 Nhƣợc điểm .................................................................................................. 34
1 8 ô hình RC ............................................................................................. 35
1.8.1. Mô hình GARCH (p, q) ............................................................................... 35
1 8 2 C c iến thể của GARCH ............................................................................. 36
1 8 3 Ƣu nhƣợc điểm của mô hình RC và c c iến thể ................................ 38
C ƢƠN 2 ỄN N T Ị TRƢ N C ỨN N ................................ 40
ỆT N C Ỉ N- N Đ N ................................................ 40
TỪ T N 10 2014 Đ N T N 4 2015 ............................................................ 40
2 1 ơ lƣợc v thị trƣờng chứng kho n iệt Nam và chỉ số N-Index ............... 40
2 1 1 iai đoạn từ khi thành lập đến năm 2008 .................................................... 40
2 1 2 iai đoạn từ năm 2009 đến năm 2014.......................................................... 41
2 2 iễn iến thị trƣờng chứng kho n iệt Nam và chỉ số N- n x trong giai
đoạn nghiên cứu (10 2014 – 4/2015) ...................................................................... 43
2 2 1 iai đoạn qu năm 2014 ......................................................................... 43
2 2 2 iai đoạn ốn th ng đầu năm 2015 .............................................................. 47
C ƢƠN 3 ỨNG DỤNG MÔ HÌNH ARIMA, ARCH/GARCH .......................... 54
ĐỂ DỰ BÁO CHỈ S VN – INDEX TRONG NGẮN H N ................................... 54
3.1. Giới thiệu v mẫu quan sát .............................................................................. 54
3 2 Ƣớc lƣợng mô hình ARIMA (p, d, q) ............................................................. 55
3.2.1. Kiểm định tính dừng của chuỗi chỉ số VN – Index...................................... 55
3 2 2 c định mô hình ARIMA (p, d, q) ............................................................. 56
3.3. Kiểm định tính ARCH ..................................................................................... 60
3 4 Ƣớc lƣợng mô hình GARCH (p, q) ................................................................. 60
iii
3.5. Tiến hành dự báo ............................................................................................. 62
3.6. Nhận xét kết quả .............................................................................................. 64
3.7. So sánh với một số bài nghiên cứu khác ......................................................... 66
P N T LU N .............................................................................................. 68
1. Kết quả đạt đƣợc ................................................................................................. 68
2. Hạn chế của bài nghiên cứu ................................................................................ 68
3 ƣớng phát triển đ tài ....................................................................................... 69
TÀI LIỆU THAM KH O .......................................................................................... 70
iv
PHỤ LỤC ................................................................................................................... 73
DANH MỤC CÁC CHỮ VIẾT TẮT
Thị trƣờng chứng khoán TTCK
C phiếu CP
Nhà đầu tƣ NĐT
Giá trị vốn hóa GTVH
Ngân hàng Nhà nƣớc NHNN
DANH MỤC CÁC BẢNG BIỂU
ảng 2 1: C c ạng l thuyết của C và P C đối với c c mô hình R, và
ARMA. ....................................................................................................................... 27
ảng 2 2: C c ạng l thuyết của C và P C đối với một số ạng của mô hình
ARIMA. ...................................................................................................................... 27
Bảng 3.1: Thống kê chỉ số VN-Index. ....................................................................... 54
Bảng 3 2: c định mô hình ARIMA (p, d, q) phù hợp. ........................................... 57
Bảng 3.3: So sánh giá trị thực tế với giá trị dự báo ngoài mẫu. ................................ 59
v
Bảng 3 4: c định mô hình GARCH (p, q) phù hợp. .............................................. 61
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
ình 1 1: ơ đồ mô phỏng phƣơng ph p ox-Jenkins.............................................. 30
Hình 2.1: Diễn biến chỉ số VN-Index và khối lƣợng giao dịch tháng 10/2014. ........ 43
Hình 2.2: Diễn biến chỉ số VN-Index và khối lƣợng giao dịch tháng 11/2014. ........ 44
Hình 2.3: Diễn biến chỉ số VN-Index tháng 12/2014. ............................................... 46
Hình 2.4: Diễn biến chỉ số VN-Index tháng 1/2015. ................................................. 47
Hình 2.5: Diễn biến chỉ số VN-Index tháng 2/2015. ................................................. 49
Hình 2.6: Diễn biến chỉ số VN-Index tháng 3/2015. .................................................. 50
Hình 2.7: Diễn biến chỉ số VN-Index tháng 4/2015. .................................................. 52
Hình 3.1: Biểu đồ biến động chỉ số VN-Index trong giai đoạn nghiên cứu............... 55
Hình 3.2: Biểu đồ của chuỗi sai phân bậc nhất của VN-Index theo thời gian. ......... 56
Hình 3.3: Chỉ tiêu đ nh gi kết quả dự báo bằng mô hình ARIMA (2, 1, 2). .......... 58
Hình 3.4: Biểu đồ thể hiện giá trị thực và giá trị dự báo chỉ số VN-Index. .............. 59
Hình 3.5: Phân phối xác xuất phần ƣ RC (1, 1) ............................................. 62
Bảng 3.5: Kết quả dự báo chỉ số VN- n x và phƣơng sai có đi u kiện. ................. 63
ình 3 6: Đồ thị kết quả dự báo chỉ số VN-Index. .................................................... 63
Hình 3.7: Đồ thị kết quả dự o phƣơng sai có đi u kiện. ........................................ 64
Hình 1: Kiểm định nghiệm đơn vị của chuỗi gốc. ..................................................... 73
ình 2: Lƣợc đồ tự tƣơng quan C và tự tƣơng quan từng phần PACF của chuỗi gốc. . 74
Hình 3: Kiểm định nghiệm đơn vị của chuỗi sai phân bậc nhất................................ 75
ình 4: Lƣợc đồ tự tƣơng quan C và tự tƣơng quan từng phần PACF của chuỗi
sai phân bậc nhất. ....................................................................................................... 76
ình 5: Ƣớc lƣợng mô hình ARIMA (0, 1, 1). .......................................................... 77
ình 6: Ƣớc lƣợng mô hình ARIMA (0, 1, 2). .......................................................... 77
ình 7: Ƣớc lƣợng mô hình ARIMA (1, 1, 0). .......................................................... 78
ình 8: Ƣớc lƣợng mô hình ARIMA (1, 1, 1). .......................................................... 78
ình 9: Ƣớc lƣợng mô hình ARIMA (1, 1, 2). .......................................................... 79
vi
ình 10: Ƣớc lƣợng mô hình ARIMA (2, 1, 0). ........................................................ 79
ình 11: Ƣớc lƣợng mô hình ARIMA (2, 1, 1). ........................................................ 80
ình 12: Ƣớc lƣợng mô hình ARIMA (2, 1, 2). ........................................................ 80
Hình 13: Kiểm định tự tƣơng quan phần ƣ mô hình R (0, 1, 1) .................. 81
Hình 14: Kiểm định tự tƣơng quan phần ƣ mô hình R (0, 1, 2) .................. 82
Hình 15: Kiểm định tự tƣơng quan phần ƣ mô hình R (1, 1, 0) .................. 83
Hình 16: Kiểm định tự tƣơng quan phần ƣ mô hình R (1, 1, 1) .................. 84
Hình 17: Kiểm định tự tƣơng quan phần ƣ mô hình R (1, 1, 2) .................. 85
Hình 18: Kiểm định tự tƣơng quan phần ƣ mô hình R (2, 1, 0) .................. 86
Hình 19: Kiểm định tự tƣơng quan phần ƣ mô hình R (2, 1, 1) .................. 87
Hình 20: Kiểm định tự tƣơng quan phần ƣ mô hình R (2, 1, 2) .................. 88
Hình 21: Ƣớc lƣợng ARCH (1). ................................................................................ 89
Hình 22: Ƣớc lƣợng ARCH (2). ................................................................................ 90
Hình 23: Ƣớc lƣợng ARCH (3). ................................................................................ 91
Hình 24: Ƣớc lƣợng ARCH (4). ................................................................................ 92
Hình 25: Ƣớc lƣợng ARCH (5). ................................................................................ 93
Hình 26: Ƣớc lƣợng ARCH (6). ................................................................................ 94
Hình 27: Ƣớc lƣợng ARCH (7). ................................................................................ 95
Hình 28: Ƣớc lƣợng ARCH (8). ................................................................................ 96
Hình 29: Ƣớc lƣợng ARCH (9). ................................................................................ 97
ình 30: Ƣớc lƣợng mô hình GARCH (0, 1). ........................................................... 98
Hình 31: Ƣớc lƣợng mô hình GARCH (1, 0). ........................................................... 99
Hình 32: Ƣớc lƣợng mô hình GARCH (1, 1). .........................................................100
Hình 33: Ƣớc lƣợng mô hình GARCH (1, 2). .........................................................101
Hình 34: Ƣớc lƣợng mô hình GARCH (2, 1). .........................................................102
Hình 35: Ƣớc lƣợng mô hình GARCH (2, 2). .........................................................103
vii
Hình 36: Kiểm tra tính ARCH của mô hình GARCH (1, 1). ..................................104
TÓM TẮT NGHIÊN CỨU
TTCK trên thế giới nói chung và ở Việt Nam nói riêng luôn là nơi hấp dẫn các
t chức và c nhân đầu tƣ ởi mức sinh lợi cao của nó. Tuy nhiên, đây cũng là một
môi trƣờng ti m ẩn nhi u rủi ro. Vì thế, dự o xu hƣớng biến động của chỉ số giá
chứng khoán trên thị trƣờng là đi u hết sức cần thiết Đã từ lâu, chuỗi thời gian
đƣợc sử dụng nhƣ là một công cụ hữu ch để phân tích và dự báo các vấn đ kinh tế,
xã hội. Chính vì tầm quan trọng đó mà có rất nhi u phƣơng ph p để nghiên cứu v
chuỗi thời gian, nhƣng trong số đó, n i bật nhất vẫn là phƣơng ph p ox-Jenkins và
các mô hình ARIMA, ARCH/GARCH.
Nhận thấy đƣợc đi u này, tôi quyết định nghiên cứu v đ tài: “Ứng dụng mô
hình R , RC RC để dự báo chỉ số VN-Index trong ngắn hạn” ục
tiêu cốt lõi của bài nghiên cứu là đƣa ra đƣợc kết quả dự báo của chỉ số VN-Index
để giúp các cá nhân, t chức có một cái nhìn khái quát v thị trƣờng, từ đó đƣa ra
đƣợc chiến lƣợc đầu tƣ phù hợp trong một giai đoạn ngắn. Đồng thời, so sánh
những gì mà bài nghiên cứu này thực hiện đƣợc với một số các nghiên cứu v chỉ số
chứng kho n đã đƣợc thực hiện trƣớc đó
Với chuỗi dữ liệu chỉ số VN- n x trong giai đoạn từ tháng 10/2014 trở lại
đây, tiến hành ƣớc lƣợng c c mô hình R au đó, ựa vào các tiêu ch có độ
tin cậy cao, đƣợc sử dụng rộng rãi trong nhi u nghiên cứu để lựa chọn ra đƣợc mô
hình ARIMA (2, 1, 2). Thực hiện dự báo ngoài mẫu bằng mô hình vừa lựa chọn, ta
thu đƣợc các giá trị dự báo khá chính xác. Tuy nhiên, mô hình này lại có một nhƣợc
điểm, đó là có tồn tại phƣơng sai sai số thay đ i. Bởi vậy, cần phải tiếp tục ƣớc
lƣợng c c mô RC để khắc phục đi u này. Sau một qu trình ƣớc lƣợng và đ nh
giá thì mô hình cuối cùng đƣợc lựa chọn là mô hình GARCH (1, 1). Từ đó, sử dụng
mô hình GARCH (1, 1) để tiến hành dự báo giá trị trung ình có đi u kiện và
phƣơng sai có đi u kiện của chỉ số VN-Index. Kết quả dự báo cho thấy chỉ số VN-
n x có xu hƣớng giảm điểm trong tuần đầu tiên của tháng 5/2015 và các giá trị
viii
phƣơng sai ự o đƣợc tƣơng đối thấp.
Đ Đ
1. .
TTCK là yếu tố cơ ản của n n kinh tế thị trƣờng hiện đại. Nó có chức năng
vô cùng quan trọng là gi p huy động vốn đầu tƣ cho n n kinh tế và cung cấp cho
công chúng một môi trƣờng đầu tƣ lành mạnh với c c cơ hội lựa chọn phong phú,
phù hợp với khả năng và mục tiêu của từng NĐT Đồng thời, đây c n là một kênh
đầu tƣ hết sức hấp dẫn, ởi l mức sinh lợi mà thị trƣờng mang lại cho c c NĐT là
rất lớn Tuy nhiên, ên cạnh mức sinh lợi cao này, đây cũng là thị trƣờng luôn tồn
tại nhi u rủi ro ti m ẩn bởi không phải NĐT nào cũng có thể ự đo n đƣợc chính
x c xu hƣớng của giá CP trong tƣơng lai ì vậy, trong ối cảnh kinh tế xã hội nói
chung và TTC nói riêng vận động không ngừng, ài to n ự o tài ch nh ngày
càng trở nên quan trọng và đƣợc nhi u ngƣời quan tâm. Việc dự o ch nh x c xu
hƣớng của thị trƣờng s gi p đ ra đƣợc một chiến lƣợc đ ng đắn nhằm phục vụ
cho công việc kinh doanh của các cá nhân, t chức hay thậm ch là hoạch định chiến
lƣợc của cả một quốc gia.
t đến TTC ở nƣớc ta, ra đời từ năm 2000 và ph t triển cho đến nay Trong
suốt thời gian hoạt động, TTC đã ph t huy rất tốt vai tr của mình, góp phần to
lớn th c đẩy n n kinh tế Tuy nhiên ên cạnh những thành công đó, TTC nƣớc ta
từng gặp phải không t thăng trầm Điển hình là sự suy giảm trầm trọng của thị
trƣờng vào năm 2008, o ảnh hƣởng từ cuộc khủng hoảng kinh tế toàn cầu ể từ
sau cuộc khủng hoảng này, TTC nƣớc ta những năm trở lại đây đã ần hồi phục
và có những ƣớc tăng trƣởng trở lại Trong o c o của tập đoàn đầu tƣ spok
của oa , iệt Nam đƣợc xếp hạng 32 trong số 51 TTCK giao ịch tốt nhất thế
giới năm 2014 ƣớc sang năm 2015, triển vọng tăng trƣởng của n n kinh tế nƣớc
ta đƣợc xem là khá sáng sủa TTC nƣớc ta đƣợc ự o là có nhi u cơ hội và ti m
năng ởi ối cảnh n n kinh tế s có nhi u thay đ i iễn ra trong tƣơng lai, ch ng
hạn nhƣ: việc tăng cƣờng c phần hóa c c oanh nghiệp nhà nƣớc, t i cơ cấu hệ
1
thống ngân hàng th o thông tƣ 36, vv Ngoài ra, TTC nƣớc ta trong năm 2015
cũng nhận đƣợc nhi u đ nh gi khả quan từ c c chuyên gia nƣớc ngoài, ch ng hạn
th o loom rg ự o thì TTC iệt Nam năm nay s đạt mức cao nhất trong 7
năm Tuy nhiên, ên cạnh những đ nh gi t ch cực đó thì vẫn có nhƣng lo ngại cho
TTC nƣớc ta năm 2015. Hãng tin CNBC nhận định: TTCK Việt Nam đã đạt đƣợc
thành quả tăng đ ng nể trong năm 2014, nhƣng không rõ liệu triển vọng kinh tế tích
cực có giúp giá CP tăng cao hơn trong năm 2015 Trong đó, việc giá dầu giảm có
thể gây tác động bất lợi cho thị trƣờng bởi Việt Nam là một nƣớc sản xuất dầu à
tình hình gi ầu đang iễn iến phức tạp và có chi u hƣớng giảm sâu Đây có thể
là yếu tố gây sức p lên TTC nƣớc ta
Trƣớc tình hình đó, việc nghiên cứu iến động của TTC nƣớc ta trong thời
gian sắp tới là cần thiết Tại thị trƣờng iệt Nam, xu hƣớng iến động của thị
trƣờng đƣợc phản nh r n t thông qua chỉ số gi chứng kho n N-Index. Vì vậy,
thông qua việc dự báo sự tăng giảm của chỉ số n- n x ta có thể nhận biết đƣợc
chi u hƣớng biến động giá của các CP trên thị trƣờng.
Nghiên cứu chuỗi thời gian để ự o là một phƣơng ph p hữu hiệu, đƣợc sử
ụng nhi u trong c c l nh vực kinh tế, xã hội ở nhi u nƣớc trên thế giới. Có khá
nhi u công cụ phục vụ cho việc ự báo chuỗi thời gian nhƣ hồi qui, phân t ch uri ,
vv Nhƣng trong số đó, mô hình R là đƣợc ứng ụng nhi u và cho ra c c
kết quả đ ng tin cậy hơn cả Ngoài ra, c n có một số c c mô hình kh c nhƣ RC
và RC cũng đã đƣợc triển khai và ứng dụng phân t ch trong nhi u l nh vực,
đặc biệt là l nh vực tài ch nh uất ph t từ những l o nêu trên, tôi quyết định
nghiên cứu đ tài: Ứ ,
- ”
2. .
ục tiêu ch nh: ự o đƣợc giá trị trung bình của VN-Index trong tuần đầu tiên
của th ng 5/2015. Từ đó, đƣa ra đƣợc xu hƣớng biến động của chỉ số giá chứng khoán và
2
tình hình thị trƣờng, gi p cho c c NĐT c nhân và t chức có cái nhìn t ng quát v thị
trƣờng để hoạch định các chiến lƣợc trong thời gian ngắn.
ục tiêu cụ thể:
Bên cạnh mục tiêu quan trọng nhất đã đặt ra ở trên, bài nghiên cứu còn cần
phải thực hiện đƣợc các mục tiêu kh c sau đây:
- Trình ày đƣợc c c l thuyết cơ ản v phân t ch và ứng ụng chuỗi thời
gian trong ự o
- Nghiên cứu tình hình iến động của chỉ số VN-Index nói riêng, cũng nhƣ
TTCK iệt Nam nói chung trong giai đoạn từ th ng 10 2014 đến tháng 4/2015.
- ự o đƣợc chỉ số VN-Index trong tuần đầu tiên của th ng 5/2015.
- iải th ch và đ nh gi kết quả ự o đƣợc
- So sánh kết quả đạt đƣợc với một số bài nghiên cứu khác.
3. Đ .
Đối tƣợng nghiên cứu mà đ tài hƣớng đến là chuỗi thời gian của chỉ số
chứng kho n VN-Index.
Đ tài tập trung nghiên cứu chuỗi số liệu qu khứ của chỉ số VN-Index
trong bảy th ng: từ th ng 10 2014 đến th ng 4/2015.
4. .
Phƣơng ph p nghiên cứu định t nh:
- Nghiên cứu tài liệu: tham khảo một số nghiên cứu trong và ngoài nƣớc đã
đƣợc thực hiện trƣớc đó v ứng ụng mô hình R , RC RC trong ự o
- Thu thập thông tin: từ c c tạp ch khoa học, c c trang o mạng để có c i
nhìn r hơn v chỉ số VN-Index.
- Thu thập số liệu: số liệu thứ cấp của chỉ số VN-Index từ w sit ca vn
3
Phƣơng ph p nghiên cứu định lƣợng
Để có thể ƣớc lƣợng và dự o đƣợc chỉ số VN-Index trong ngắn hạn, trƣớc tiên
cần phải x m x t đến c c đặc điểm, cũng nhƣ là t nh ừng của chuỗi dữ liệu mà ta có. Sau
đó, sử dụng chuỗi dữ liệu đã có t nh ừng để ƣớc lƣợng một loạt các mô hình ARIMA. Sử
dụng các chỉ tiêu nhƣ C, C, vv… để lựa chọn mô hình ARIMA tốt nhất trong số các
mô hình đã có Tiến hành dự báo ngoài mẫu bằng mô hình vừa chọn và kiểm tra xem liệu
mô hình này có hiệu ứng ARCH hay không. Nếu kết quả dự báo ngoài mẫu có độ chính
xác cao và mô hình không có tính ARCH, thì ta có thể sử dụng ngay mô hình này để dự
báo chính thức cho chỉ số VN- n x trong giai đoạn cần nghiên cứu Ngƣợc lại, nếu mô
hình ARIMA vừa chọn có tồn tại hiệu ứng ARCH thì ta buộc phải ƣớc lƣợng các mô hình
RC RC để khắc phục hiện tƣợng này uy trình ƣớc lƣợng và các tiêu chuẩn lựa
chọn mô hình ARCH/GARCH phù hợp cũng tƣơng tự nhƣ đối với mô hình ARIMA. Cuối
cùng, khi đã chọn ra đƣợc mô hình ARCH/GARCH mà ta cho là tốt nhất thì tiến hành dự
báo. (Những nội dung và lý thuyết chi tiết v c c phƣơng ph p đƣợc sử dụng s đƣợc trình
bày chi tiết trong Chƣơng 1, Phần II).
5. .
Phần : Đặt vấn đ
Đƣa ra l o chọn đ tài, mục đ ch của ài nghiên cứu, đối tƣợng, phạm vi và
phƣơng ph p nghiên cứu
Phần : Nội ung và kết quả nghiên cứu
- Chƣơng 1: T ng quan cơ sở l luận.
Trình ày những kh i niệm, l luận cơ ản v một số vấn đ trọng tâm của ài
nghiên cứu, ao gồm: TTC , chỉ số chứng kho n VN-Index, ài to n ự o,
phƣơng ph p nghiên cứu ựa trên ữ liệu chuỗi thời gian và l thuyết c c mô hình
ự o R , RC GARCH.
- Chƣơng 2: Tình hình iến động chỉ số VN-Index.
4
Trình ày một c ch t ng qu t iễn iến chỉ số chứng kho n VN-Index nói
riêng, cũng nhƣ TTC nƣớc ta nói chung th o từng giai đoạn từ khi thành lập đến
nay, đặc iệt đi sâu vào tìm hiểu giai đoạn nghiên cứu
- Chƣơng 3: Ứng ụng mô hình R , RC RC để ự o chỉ số
VN-Index trong ngắn hạn.
Tiến hành kiểm định t nh ừng của chuỗi VN-Index. Đƣa ra c c tiêu ch đ nh
gi mức độ phù hợp của c c mô hình và lựa chọn mô hình phù hợp nhất với chuỗi
ữ liệu nghiên cứu Từ đó tiến hành ự o ựa trên mô hình đã lựa chọn
Phần : ết luận
Trình ày kết quả nghiên cứu: nêu ra những gì mà ài nghiên cứu đã làm
đƣợc, những gì c n hạn chế và hƣớng ph t triển cho đ tài tiếp th o.
5
Ế Ả Ứ
Ổ
1.1. thị ờng ch ng khoán.
1.1.1. .
.
Chứng khoán là ằng chứng x c nhận quy n và lợi ch hợp ph p của ngƣời sở
hữu đối với tài sản hoặc phần vốn của t chức ph t hành Chứng kho n đƣợc thể
hiện ƣới hình thức chứng chỉ, bút toán ghi s hoặc dữ liệu điện tử bao gồm các loại
sau đây:
- CP, tr i phiếu, chứng chỉ quỹ;
- uy n mua c phần, chứng quy n, quy n chọn mua, quy n chọn n, hợp
đồng tƣơng lai, nhóm chứng kho n hoặc chỉ số chứng kho n;
- ợp đồng góp vốn đầu tƣ;
- C c loại chứng kho n kh c o ộ Tài ch nh quy định
(Th o đi u 1, khoản 3 của Luật sửa đ i, sung một số đi u của Luật chứng kho n
2006).
ay nói c ch kh c, chứng kho n là một loại hàng hóa đặc iệt và là công cụ
để huy động vốn trung và ài hạn. Nó đại iện cho một gi trị tài ch nh, nhằm x c
nhận quan hệ vay nợ giữa ngƣời nắm giữ nó với chủ thể ph t hành ra nó và có khả
năng chuyển đ i, chuyển nhƣợng.
Đ .
Đối với mỗi loại chứng kho n thƣờng có các tính chất sau [7, tr75]:
- Tính thanh khoản (Tính lỏng): là khả năng chuyển tài sản thành ti n mặt
hả năng này cao hay thấp phụ thuộc vào khoảng thời gian và chi ph cần thiết cho
6
việc chuyển đ i và rủi ro của việc giảm s t gi trị của tài sản đó o chuyển đ i
T nh lỏng của chứng kho n thể hiện qua việc chứng kho n đó đƣợc mua n, trao
đ i trên thị trƣờng Chứng kho n có t nh lỏng cao hơn so với c c tài sản kh c, thể
hiện qua khả năng chuyển nhƣợng cao trên thị trƣờng C c chứng kho n kh c nhau
thì có khả năng chuyển nhƣợng kh c nhau
- Tính rủi ro: Đây là đặc trƣng cơ ản của chứng kho n Rủi ro là sự không
chắc chắn của thu nhập trong tƣơng lai hay là mức độ x c suất mà một tài sản có thể
tăng hoặc giảm gi trị Chứng kho n là một loại tài sản tài ch nh mà gi trị của nó
chịu t c động lớn của rủi ro Có hai loại rủi ro: rủi ro hệ thống và rủi ro phi hệ
thống Rủi ro hệ thống hay rủi ro thị trƣờng là loại rủi ro t c động tới toàn ộ hoặc
hầu hết c c tài sản Loại rủi ro này chịu t c động của c c đi u kiện kinh tế chung
nhƣ: lạm ph t, sự thay đ i tỷ gi hối đo i, lãi suất, vv… Rủi ro phi hệ thống là loại
rủi ro chỉ t c động đến một tài sản hoặc một nhóm nhỏ c c tài sản Loại rủi ro này
thƣờng liên quan tới đi u kiện của nhà phát hành. Các NĐT thƣờng quan tâm tới
việc x m x t, đ nh gi c c rủi ro liên quan, trên cơ sở đó đ ra c c quyết định trong
việc lựa chọn, nắm giữ hay n c c chứng kho n
- Tính sinh lợi: NĐT nắm giữ chứng kho n luôn mong muốn nhận đƣợc một thu
nhập lớn hơn trong tƣơng lai o chứng kho n mang lại Thu nhập này đƣợc ảo đảm
ằng lợi tức đƣợc phân chia hàng năm và việc tăng gi chứng kho n trên thị trƣờng
hả năng sinh lợi ao giờ cũng quan hệ chặt ch với rủi ro của tài sản, thể hiện trong
nguyên lý: mức độ chấp nhận rủi ro càng cao thì lợi nhuận k vọng càng lớn
1.1.2. ị ờ .
.
TTCK là nơi mua n, giao ịch c c loại giấy tờ có gi , c c chứng kho n,
đƣợc thực hiện một c ch có t chức trong một hệ thống luật chặt ch iệc mua n
này đƣợc tiến hành ởi c c nhà môi giới nhân anh kh ch hàng và có thể iễn ra
trên thị trƣờng tập trung hoặc phi tập trung
7
Đây là một ộ phận quan trọng của thị trƣờng vốn, nhằm mục đ ch huy động
những nguồn vốn tiết kiệm nhỏ trong xã hội tập trung thành nguồn vốn lớn tài trợ
cho oanh nghiệp, c c t chức kinh tế và Ch nh phủ để ph t triển sản xuất, tăng
trƣởng kinh tế hay cho c c ự n đầu tƣ
.
- uy động vốn đầu tƣ cho n n kinh tế: Khi các NĐT mua chứng khoán do các
công ty niêm yết phát hành, số ti n nhàn rỗi của họ đƣợc đƣa vào hoạt động sản xuất
kinh doanh và qua đó góp phần ph t triển xã hội. Thông qua TTCK, Chính phủ và
chính quy n ở c c địa phƣơng cũng huy động đƣợc các nguồn vốn cho mục đ ch sử
dụng và đầu tƣ ph t triển hạ tầng kinh tế, phục vụ các nhu cầu chung của xã hội.
- Cung cấp môi trƣờng đầu tƣ cho công ch ng: TTC cung cấp cho công
chúng một môi trƣờng đầu tƣ lành mạnh với c c cơ hội lựa chọn phong phú. Các
loại chứng khoán trên thị trƣờng rất khác nhau v tính chất, thời hạn và độ rủi ro,
cho phép các NĐT có thể lựa chọn loại hàng hoá phù hợp với khả năng, mục tiêu và
sở thích của mình.
- Tạo tính thanh khoản cho các chứng khoán: Nhờ có TTCK các NĐT có thể
chuyển đ i các chứng khoán họ sở hữu thành ti n mặt hoặc các loại chứng khoán
khác khi họ muốn. Khả năng thanh khoản là một trong những đặc tính hấp dẫn của
chứng kho n đối với ngƣời đầu tƣ Đây là yếu tố cho thấy tính linh hoạt, an toàn của
vốn đầu tƣ TTC hoạt động càng năng động và có hiệu quả thì tính thanh khoản
của các chứng khoán giao dịch trên thị trƣờng càng cao.
- Đ nh gi hoạt động của doanh nghiệp: Thông qua TTCK, hoạt động của
các doanh nghiệp đƣợc phản ánh một cách t ng hợp và chính xác, giúp cho việc
đ nh giá và so sánh hoạt động của doanh nghiệp đƣợc nhanh chóng và thuận tiện, từ
đó cũng tạo ra một môi trƣờng cạnh tranh lành mạnh.
- Tạo môi trƣờng giúp Chính phủ thực hiện các chính sách kinh tế v mô:
Các chỉ số của TTCK phản nh động thái của n n kinh tế một cách nhạy bén và
chính xác. Giá các chứng kho n tăng lên cho thấy đầu tƣ đang mở rộng, n n kinh tế
8
tăng trƣởng; ngƣợc lại giá chứng khoán giảm s cho thấy các dấu hiệu tiêu cực của
n n kinh tế. Vì thế, TTC đƣợc gọi là phong vũ biểu của n n kinh tế và là một công
cụ quan trọng giúp Chính phủ thực hiện các chính sách kinh tế v mô. Thông qua
TTCK, Chính phủ có thể mua và bán trái phiếu Chính phủ để tạo ra nguồn thu bù
đắp thâm hụt ngân sách và quản lý lạm phát. Ngoài ra, Chính phủ cũng có thể sử
dụng một số chính sách, biện ph p t c động vào TTCK nhằm định hƣớng đầu tƣ
đảm bảo cho sự phát triển cân đối của n n kinh tế.
1.2. .
1.2.1. ổ .
m.
hi nói đến TTCK thì không thể không nhắc đến chỉ số chứng kho n, ởi chỉ
số chứng kho n là một giá trị thống kê phản ánh tình hình ph t triển của thị trƣờng
và tình hình hoạt động của c c công ty trên thị trƣờng Nếu c c công ty làm ăn có
lãi, giá chứng kho n của c c công ty đó s tăng, làm chỉ số chứng kho n tăng th o
và ngƣợc lại ựa vào chỉ số chứng kho n, c c NĐT có thể x c định đƣợc hiệu quả
của một CP hoặc một anh mục c c chứng kho n để đầu tƣ vào
ất k một TTCK nào cũng có một chỉ số chứng kho n của riêng nó Đó có
thể là chỉ số cho tất cả CP trên thị trƣờng của một quốc gia, nhƣ chỉ số giá
Hangseng của Hồng Kông, chỉ số giá CP t ng hợp của Hàn Quốc ( P ); hoặc có
thể là chỉ số cho từng ngành, nhóm ngành, nhƣ chỉ số giá CP ngành công nghiệp
của Mỹ (DJIA) hoặc có thể là chỉ số cho trƣờng quốc tế nhƣ chỉ số Hangseng Châu
á (HSAI), chỉ số Dow Joness quốc tế ( JW )…
Các chỉ số chứng khoán có thể do sở giao dịch chứng kho n định ra (ví
dụ VN-Index), cũng có thể do hãng thông tin (ví dụ Nikkei 225) hay một thể chế tài
chính nào đó định ra (ví dụ Hang Seng Index).
.
uốn xây ựng một chỉ số chứng kho n, cần giải quyết a vấn đ :
9
Thứ nhất, lựa chọn phƣơng ph p iện nay có năm phƣơng ph p để t nh chỉ số
gi chứng kho n:
- Phƣơng ph p Passch r: Đây là phƣơng ph p t nh chỉ số giá CP thông dụng
nhất. Chỉ số tính bằng phƣơng ph p này là chỉ số giá bình quân gia quy n giá trị với
quy n số là số lƣợng chứng khoán niêm yết thời k tính toán. Các chỉ số KOSPI
(Hàn Quốc), S&P500(Mỹ), FT-SE 100 (Anh), TOPIX (Nhật), CAC (Pháp), VN-
Index của nƣớc ta đ u p ụng phƣơng ph p này
- Phƣơng ph p Lasp yr s: Chỉ số giá bình quân Laspeyres là chỉ số giá bình
quân gia quy n giá trị, lấy quy n số là số CP niêm yết thời k gốc. Chỉ một số t
nƣớc áp dụng phƣơng ph p này, ch ng hạn chỉ số FAZ, DAX của Đức.
- Chỉ số gi ình quân ish r: là chỉ số gi ình quân nhân giữa chỉ số gi
Passch r và chỉ số gi Laspayr s mặt l luận có phƣơng ph p này, nhƣng trên
thực tế nó không đƣợc p ụng ở ất k một quốc gia nào
- Phƣơng ph p số ình quân giản đơn: lấy t ng thị gi của chứng kho n chia
cho số chứng kho n tham gia t nh to n C c chỉ số ow Jon của ỹ, Nikk i 225
của Nhật; của p ụng phƣơng ph p này
- Phƣơng ph p ình quân nhân giản đơn: chỉ nên ùng khi độ lệch chuẩn kh
cao C c chỉ số alu lin ( ỹ), T-30 ( nh) p ụng phƣơng ph p này
Thứ hai, chọn r đại iện R đại iện phải tiêu iểu, đại iện đƣợc cho t ng
thể vì t nh chất c c CP thƣờng xuyên thay đ i, nên trong qu trình t nh to n cũng
cần thƣờng xuyên thay những CP không c n tiêu iểu nữa ằng CP tiêu iểu hơn
a tiêu thức quan trọng để x c định sự tiêu iểu của CP để chọn vào r đại iện là
số lƣợng CP niêm yết, gi trị niêm yết và tỷ lệ giao ịch CP đó trên thị trƣờng.
Thứ a, trừ khử ảnh hƣởng của c c yếu tố thay đ i v khối lƣợng và gi trị
trong qu trình t nh to n chỉ số gi chứng kho n ục đ ch là để đảm ảo t nh liên
tục của chỉ số và làm cho chỉ số thực sự phản nh đ ng sự iến động của nó
10
1.2.2. VN-Index.
VN-Index là chỉ số chứng kho n trên sàn giao ịch chứng kho n TP.HCM
(HOSE), thể hiện xu hƣớng iến động t ng hợp của gi tất cả c c chứng kho n
đƣợc niêm yết và giao ịch trên sàn này.
Ngoài chỉ số VN- n x, ở nƣớc ta c n có nhi u chỉ số chứng kho n kh c,
ch ng hạn nhƣ N n x, N30 n x, pcom n x, vv… Tuy nhiên o sự ph t
triển và đa ạng của nên chỉ số N- n x đƣợc x m nhƣ là chỉ số trung ình
gi chứng kho n trên thị trƣờng iệt Nam ỗi NĐT mua một CP riêng iệt s chỉ
quan tâm đến gi loại CP riêng biệt đó, nhƣng ngƣời ta cũng quan tâm đến cả chỉ số
N- n x vì nó phản nh đƣợc một c ch t ng quan trung ình gi trị của tất cả c c
CP đang đƣợc niêm yết uan s t sự tăng hay giảm của chỉ số này s gi p NĐT
đ nh gi đƣợc là gi CP trung ình tăng hay giảm trong ngày hôm đó
Chỉ số N- n x đƣợc t nh to n th o phƣơng ph p Passch r và đƣợc công ố
sau mỗi phiên giao ịch Nó so s nh gi trị vốn hóa thị trƣờng hiện tại với gi trị
vốn hóa thị trƣờng cơ sở vào ngày gốc (28 07 2000, ngày đầu tiên TTC ch nh thức
đi vào hoạt động)
Công thức t nh cơ ản:
VN-Index = x 100
oặc VN-Index = x 100
Trong đó: P1i: Giá thị trƣờng hiện hành của CP i.
Q1i: hối lƣợng niêm yết hiện hành của CP i.
P0i: i thị trƣờng vào thời kì gốc của CP i.
Q0i: hối lƣợng niêm yết vào thời kì gốc của CP i.
N: ố lƣợng c phiếu đƣa vào t nh chỉ số.
11
Tuy nhiên, trong trƣờng hợp c n có sự thay đ i v cơ cấu số CP niêm yết nhƣ
thêm, ớt CP giao ịch vào cơ cấu t nh to n hoặc c c trƣờng hợp có thay đ i v vốn
niêm yết thì công thức t nh chỉ số N- n x s có thay đ i. ệ số chia s đƣợc đi u
chỉnh nhƣ sau:
D1 = (Tr ng hợp th tr ng ả r ni m t m i h t hứ ni m t ti n h nh t ng v n.)
oặc
D1 = (Tr ng hợp th tr ng ả r hủ ni m t h t hứ ni m t ti n h nh giảm v n.)
Trong đó: 1: ệ số chia mới
D0: ệ số chia cũ.
=
V1: T ng gi trị hiện hành của c c c phiếu niêm yết.
=
: i trị đi u chỉnh c phiếu
1.3. .
ài to n dự o ắt đầu hình thành từ xa xƣa và ngày càng ph t triển mạnh m
cho đến nay, trở thành một ộ phận không thể thiếu cho những hoạt động của con
ngƣời trong bối cảnh bùng n thông tin. Tất cả c c l nh vực trong đời sống xung
quanh ta đ u cần đến ự o, ch ng hạn nhƣ trong l nh vực kh tƣợng thủy văn, việc
dự báo thời tiết, nhiệt độ gi p ch rất nhi u cho n n kinh tế cũng nhƣ tr nh đƣợc
những thiệt hại to lớn do thiên nhiên gây ra; hoặc trong l nh vực tài chính nếu ự
o đƣợc xu hƣớng tăng giảm của tỷ gi , của c c đồng ti n hay gi của một CP thì
s mang lại nhi u lợi ch; vv… Nói tóm lại, ự báo cung cấp những cơ sở cần thiết
cho các hoạch định, nếu không có khoa học dự báo thì những dự định tƣơng lai mà
con ngƣời vạch ra s không có sức thuyết phục cao.
12
Trong công tác phân tích dự báo, vấn đ quan trọng hàng đầu cần đặt ra là việc
nắm bắt tối đa thông tin v l nh vực dự báo. Thông tin ở đây có thể hiểu một cách
cụ thể gồm: (1) các số liệu quá khứ của l nh vực dự báo, (2) diễn biến tình hình,
hiện trạng cũng nhƣ động thái phát triển của l nh vực dự o và (3) đ nh gi một
c ch đầy đủ nhất các nhân tố ảnh hƣởng cả v định lƣợng lẫn định tính.
1.3.1. .
Căn cứ vào nội ung phƣơng ph p và mục đ ch của dự o, ngƣời ta chia dự
báo thành hai loại: Phƣơng ph p định t nh và phƣơng ph p định lƣợng.
ịnh tính.
Thƣờng phụ thuộc rất nhi u vào kinh nghiệm của một hay nhi u chuyên gia
trong l nh vực liên quan Phƣơng ph p này đƣợc sử dụng khi c c thông tin định
lƣợng ít hoặc không có giá trị nhƣng c c thông tin định tính lại có giá trị.
ị ng.
Phƣơng ph p này sử dụng những dữ liệu quá khứ theo thời gian, dựa trên dữ
liệu lịch sử để phát hiện chi u hƣớng vận động của đối tƣợng phù hợp với một mô
hình toán học nào đó và đồng thời sử dụng mô hình đó làm mô hình ƣớc lƣợng.
Tiếp cận định lƣợng dựa trên giả định rằng giá trị tƣơng lai của biến số dự báo s
phụ thuộc vào xu thế vận động của đối tƣợng đó trong qu khứ.
Đối với phƣơng ph p này, ngƣời ta thƣờng sử dụng hai mô hình: mô hình
chuỗi thời gian và mô hình giải thích.
- Đối với mô hình chuỗi thời gian: Dựa trên việc phân tích chuỗi quan sát
của một biến duy nhất theo biến số độc lập là thời gian. Giả định chủ yếu là biến số
dự báo s giữ nguyên chi u hƣớng phát triển đã xảy ra trong quá khứ và hiện tại.
- Đối với mô hình giải thích: Sử dụng mối liên hệ giữa biến giải thích và
biến độc lập thông qua c c phƣơng trình, một trong số c c phƣơng trình thƣờng
đƣợc sử ụng là phƣơng trình hồi quy C c thông tin đ u cho trên các mẫu dữ liệu
của các biến đó
13
Các phƣơng pháp định lƣợng có thể đƣợc ứng dụng khi c c đi u kiện sau đây
đƣợc th a mãn: (1) Thông tin v quá khứ là có giá trị; (2) Các thông tin đó có thể
đƣợc lƣợng hóa ƣới dạng dữ liệu số; (3) Có thể giả thiết một vài ảnh hƣởng của
quá khứ còn tiến triển vào tƣơng lai
1.3.2. ớc th c hi báo.
Quy trình dự báo chuỗi thời gian bao gồm c c ƣớc sau:
ớc 1: Xác định mục tiêu của dự báo.
Việc xác định đ ng vấn đ của bài toán giúp tìm ra đƣợc lời giải tối ƣu Do
vậy, trong thực tiễn ngƣời làm công tác dự báo phải xác định rõ mục tiêu cụ thể của
việc dự báo, từ đó mới tiến hành dự báo.
Ba mục tiêu chính mà việc dự báo cần đạt đƣợc là: Đối tƣợng dự o (v ụ:
giá c phiếu, gi vàng, tỷ gi , …); khu vực dự báo (th o l nh vực, ngành hay một
đơn vị nào đó); thời gian dự báo (ngày, tuần, tháng, năm, ....).
ớc 2: Thu thập và phân loại dữ liệu.
Sau khi x c định xong đối tƣợng dự báo, cần thu thập dữ liệu theo hai loại:
- Dữ liệu thống kê.
- Kiến thức, kinh nghiệm của các chuyên gia. C c kiến thức này chủ yếu sử
dụng trong dự báo định tính.
ớc 3: Phân tích thô số liệu.
Mục đ ch của phân tích thô là tìm ra những thông tin cơ ản nhất từ dữ liệu
cung cấp v đối tƣợng đƣợc dự báo.
Trƣớc hết, v đồ thị dữ liệu để có cái nhìn trực giác v đối tƣợng nghiên cứu.
Đối với chuỗi thời gian, ngoài đồ thị chuỗi số liệu thì cần phải phác thảo cả đồ thị
hàm tự tƣơng quan và tự tƣơng quan từng phần Các kết quả quan sát đƣợc từ các
loại đồ thị này cho ta kết luận v tính dừng của chuỗi thời gian. C c thống kê đơn
14
giản cho mẫu dữ liệu cũng cần đƣợc tính toán nhƣ trung bình, phƣơng sai, độ lệch
chuẩn, giá trị lớn nhất, giá trị nhỏ nhất, ....
Đối với chuỗi thời gian, quá trình phân tích thô nhằm phát hiện các thành phần
hợp thành nên chuỗi thời gian đó, từ đó chọn mô hình phù hợp cho dữ liệu.
ớc 4: Xác định kỹ thuật dự báo.
Phƣơng pháp dự báo thƣờng đƣợc chọn tƣơng ứng với đặc điểm của đối tƣợng
cần dự báo và các yếu tố liên quan, ứng với các dữ liệu thu đƣợc. Khi chọn phƣơng
pháp dự báo, đi u quan trọng là phải lựa chọn mô hình phù hợp với dữ liệu để thu
đƣợc các giá trị dự báo với độ tin cậy cao. Muốn vậy, cần căn cứ vào các kết quả
phân tích thô để lựa chọn một mô hình phù hợp, có độ khả thi cao.
Sau khi lựa chọn mô hình, các tham số của mô hình cũng đƣợc ƣớc lƣợng trên
cơ sở dữ liệu. Trong các phƣơng pháp ƣớc lƣợng, lựa chọn phƣơng pháp nào hiệu
quả nhất.
ớc 5: Kiểm định sự phù hợp của mô hình.
Việc kiểm định sự phù hợp của mô hình nhằm trả lời cho hai câu hỏi:
- Nếu mô hình đã phù hợp, thì sử dụng vào đâu và nhằm mục đ ch gì?
- Nếu mô hình chƣa phù hợp với dữ liệu, thì có thể nhận dạng lại hay không?
Trong trƣờng hợp mô hình đã phù hợp với dữ liệu, chuyển sang Bƣớc 6. C n
nếu chƣa thì lặp lại c c ƣớc 3, 4, 5 cho đến khi xây dựng đƣợc mô hình phù hợp
thì chuyển sang Bƣớc 6.
ớc 6: c định các giá trị dự báo theo mô hình.
Sau khi đã chọn đƣợc các mô hình phù hợp với dữ liệu, sử dụng mô hình để
tính toán các giá trị dự báo tƣơng lai của dữ liệu. Khi đó phân tích các ƣu, nhƣợc
điểm của từng mô hình. Đ nh giá độ chính xác của phƣơng pháp dự báo thông qua
các thống kê đã có. Từ đó chọn lựa mô hình tối ƣu nhất, tính toán các giá trị dự báo
theo mô hình đó
15
1.3.3. .
Thông thƣờng, để đ nh gi độ chính xác của phƣơng ph p ự o, ta thƣờng sử
dụng các thống kê sau:
- Sai số trung bình (Mean Error).
ME =
- ai số ự o tuyệt đối trung ình ( an solut rror).
MAE =
- Sai số phần trăm trung ình ( an P rc ntag rror).
MPE =
P là sai số tƣơng đối (R lation rror) tại thời điểm t.
x 100% PEt =
ới t là quan s t thực tế tại thời điểm t và t là gi trị ự o của t tại thời
điểm t
- Sai số phần trăm tuyệt đối (Mean Absolute Percentage Error).
MAPE =
- Sai số ình phƣơng trung ình ( an quar rror).
MSE =
- Căn ậc hai của sai số ình phƣơng trung ình (Root an quar rror).
- Hệ số không ngang bằng Theil (Theil Inequality Coefficient).
Theil =
- Tỷ lệ chệch ( ias Proportion).
Bias =
16
1.4. ờ .
Trong các bài toán dự báo nói chung và các bài toán dự báo tài chính nói
riêng, dữ liệu thu thập đƣợc thƣờng đƣợc biểu diễn ƣới dạng chuỗi thời gian.
Chuỗi thời gian là một ãy c c quan s t của một iến nào đó đƣợc xếp thứ tự th o
thời gian Ví dụ: số lƣợng hàng hóa đƣợc bán ra trong 12 tháng của một công ty, các
chỉ số chứng khoán, tỷ giá ti n tệ, tỷ lệ lạm ph t qua c c năm, lƣợng mƣa tại một
thành phố qua từng thời k hay chỉ số tiêu ùng, vv…
Các giá trị của chuỗi thời gian của đại lƣợng Y đƣợc kí hiệu là Y1, Y2, Y3,…,
Yt,… , Yn với Y1 là giá trị quan sát của iến tại thời điểm đầu tiên, Y2 là gi trị
quan sát tại thời điểm thứ 2, Yt là giá trị quan s t tại thời điểm t và Yn là gi trị quan
sát tại thời điểm thứ n.
Các nhà thống kê thƣờng chia ữ liệu chuỗi thời gian thành ốn phần:
- Thành phần xu hƣớng (trend component): Dùng để chỉ xu hƣớng tăng hay
giảm của đại lƣợng Y trong thời gian ài t trong ài hạn, đồ thị thành phần này
có thể đƣợc biểu diễn bởi một đƣờng th ng hay một đƣờng cong trơn
- Thành phần mùa (seasional component): Dùng để chỉ xu hƣớng iến đ i,
tăng hay giảm của đại lƣợng Y t nh th o mùa trong năm (mùa ở đây có thể tính theo
tháng). Ví dụ: Lƣợng tiêu thụ chất đốt s tăng vào mùa đông, giảm vào mùa hè ;
lƣợng tiêu thụ xăng s tăng vào mùa hè và giảm vào mùa đông ; lƣợng tiêu thụ đồ
dùng học tập s tăng vào mùa khai trƣờng, vv…
- Thành phần chu k (cyclical component): Chỉ sự thay đ i của đại lƣợng Y
theo chu k . Thành phần này khác thành phần mùa ở chỗ chu k của đại lƣợng Y
k o ài hơn 1 năm Để đ nh gi thành phần này các giá trị của chuỗi thời gian phải
đƣợc quan s t hàng năm
- Thành phần bất thƣờng (irregular component): Dùng để chỉ sự thay đ i bất
thƣờng của các giá trị trong chuỗi thời gian. Sự thay đ i này không thể dự đo n
bằng các số liệu kinh nghiệm trong quá khứ. V mặt bản chất thành phần này không
có tính chu k .
17
1.5. ừng.
1.5.1 Khái ni m.
Bất k ữ liệu của một chuỗi thời gian nào đ u có thể đƣợc tạo ra từ một quá
trình ngẫu nhiên và một tập hợp dữ liệu cụ thể có thể đƣợc coi là một k t quả (cá
biệt) của quá trình ngẫu nhiên đó ay nói c ch khác, có thể xem quá trình ngẫu
nhiên là t ng thể và kết quả là một mẫu thu đƣợc từ t ng thể đó ột tính chất của
quá trình ngẫu nhiên đƣợc các nhà phân tích v chuỗi thời gian đặc biệt quan tâm và
xem xét kỹ lƣỡng đó là là tính dừng.
Một quá trình ngẫu nhiên Yt đƣợc x m là có t nh ừng nếu nhƣ kì vọng và
phƣơng sai của quá trình đó không thay đ i theo thời gian và giá trị hiệp phƣơng sai
giữa hai thời điểm chỉ phụ thuộc vào khoảng cách v thởi gian giữa hai thời điểm
này (hay độ trễ k) chứ không phụ thuộc vào thời điểm thực tế mà hiệp phƣơng sai
đƣợc tính.
Nói c ch kh c, Yt đƣợc gọi là dừng nếu:
ì vọng không đ i th o thời gian:
E(Yt) = µ (t)
Phƣơng sai không đ i th o thời gian:
Var (Yt) = ζ2
E [Yt – E(Yt)]2 = ζ2
E (Yt – µ)2 = ζ2 (t)
iệp phƣơng sai không phụ thuộc vào thời điểm t nh to n mà phụ thuộc
vào độ trễ k:
Cov (Yt, Yt + k) = E [Yt – E(Yt)]*[Yt + k – E(Yt + k)]
= E (Yt – µ)*( Yt + k –µ)
= γk (t)
18
Quá trình ngẫu nhiên Yt s ị coi là không dừng nếu nó vi phạm ít nhất một
trong a đi u kiện trên.
1.5.2 H u qu c a chu i không dừng.
Trong mô hình hồi quy c điển, ta giả định rằng sai số ngẫu nhiên có k vọng
bằng không, phƣơng sai không đ i và ch ng không tƣơng quan với nhau. Với dữ
liệu là các chuỗi không dừng, các giả thiết này bị vi phạm, các kiểm định t, F mất
hiệu lực, ƣớc lƣợng và dự báo không hiệu quả hay nói c ch kh c phƣơng ph p L
không áp dụng cho các chuỗi không dừng.
Điển hình là hiện tƣợng hồi quy giả mạo: Nếu mô hình tồn tại ít nhất một biến
độc lập có cùng xu thế với biến phụ thuộc thì khi ƣớc lƣợng mô hình ta có thể thu đƣợc các hệ số có ngh a thống kê và hệ số x c định R2 rất cao Nhƣng đi u này có thể chỉ là giả mạo, R2 cao có thể là do hai biến này có cùng xu thế chứ không phải
o ch ng tƣơng quan chặt ch với nhau.
Trong thực tế, phần lớn các chuỗi thời gian đ u là chuỗi không dừng, kết hợp
với những hậu quả trình ày ở trên cho thấy tầm quan trọng của việc x c định một
chuỗi thời gian có tính dừng hay không.
Có nhi u phƣơng ph p để nhận iết một chuỗi thời gian có t nh ừng hay
không ột c ch đơn giản để nhận biết đi u này là quan s t đồ thị của chuỗi thời
gian. Ngoài ra, c n có c c phƣơng ph p kh c với độ ch nh x c cao hơn, ch ng hạn
nhƣ: quan s t đồ thị của hàm tự tƣơng quan mẫu hay kiểm định Dickey-Fuller.
1.5.3 Ki ịnh tính dừng.
a/ Dựa trên đồ thị của chuỗi thời gian.
ằng c ch quan s t đồ thị của chuỗi thời gian, ta có thể kh ng định chuỗi Yt
có tính dừng nếu nhƣ đồ thị Y = f(t) cho thấy trung ình và phƣơng sai của quá trình
Yt không đ i theo thời gian.
19
Phƣơng ph p này cho ta c i nhìn trực quan, đ nh gi an đầu v tính dừng của
chuỗi thời gian. Tuy nhiên, với những chuỗi thời gian có xu hƣớng không rõ ràng,
phƣơng ph p này trở nên khó khăn và đôi khi không ch nh x c
b/ Dựa trên lược đồ tương quan.
Tự tương quan.
Một cách kh c để kiểm định tính dừng là sử ụng hàm tự tƣơng quan ( C –
Auto Correlation Function). ACF với độ trễ k, ký hiệu bằng ρk, đƣợc x c định nhƣ
sau:
Nếu v đồ thị của ρk th o k, ta đƣợc lƣợc đồ tƣơng quan t ng thể. Tuy nhiên,
trên thực tế ch ng ta chƣa có t ng thể mà chỉ có mẫu hi đó ta xây ựng hàm tự
tƣơng quan mẫu (SAC – Sample Auto Correlation) với:
Trƣờng hợp mẫu có k ch thƣớc nhỏ thì mẫu số của là n-k-1 và của là n-1.
Đồ thị thể hiện ρk ở độ trễ k đƣợc gọi là lƣợc đồ tƣơng quan mẫu.
artl tt đã chỉ ra rằng nếu một chuỗi là ngẫu nhiên và dừng, thì các hệ số tự
tƣơng quan mẫu s có phân phối xấp xỉ chuẩn với k vọng bằng 0 và phƣơng sai
~ N(0, 1/n). 1/n, với n khá lớn,
20
hi đó, ta cần kiểm định giả thiết: H0: ρk = 0 (chuỗi dừng)
H1: ρk ≠ 0
Nếu (-Z/2/ , Z/2/ ) thì chấp nhận giả thiết H0 với mức ngh a .
ên cạnh đó, ằng c ch quan s t lƣợc đồ tƣơng quan, nếu đồ thị có xu hƣớng
giảm chậm, tƣơng đối đ u đặn th o độ trễ thì có thể kết luận chuỗi không dừng.
Ngƣợc lại nếu đồ thị giảm nhanh, ngẫu nhiên và không th o xu hƣớng thì chuỗi
dừng.
Tự tương quan t ng p n.
Các hệ số tự tƣơng quan ρk (k ≥ 2) phản ánh mức độ kết hợp tuyến tính của Yt
và Yt+k. Tuy nhiên, mức độ kết hợp giữa hai biến còn có thể do một số biến khác
gây ra Trong trƣờng hợp này là ảnh hƣởng từ các biến Yt-1… t-k+1 o đó để đo độ
kết hợp riêng r giữa Yt và Yt-k ta sử dụng hàm tự tƣơng quan từng phần (PACF-
Partial Auto Correlation Function) với hệ số tƣơng quan riêng ρkk đƣợc ƣớc lƣợng
theo công thức của Durbin:
21
có phân phối chuẩn N(0,1 n) o đó, kiểm định Nếu chuỗi dừng thì các
giả thiết đối với ρkk tƣơng tự nhƣ với ρk.
Kiểm địn đồng thời.
Box – Pi rc đã đƣa ra kiểm định v sự đồng thời bằng không của các hệ số
tƣơng quan: H0: ρ1=ρ2=…=ρm=0.
H1: tồn tại ít nhất một ρk=0.
Giả thiết H0 đƣợc kiểm định bằng thống kê
Với n là kích thức mẫu và m là độ dài của trễ.
Q ~
Bác bỏ H0 khi Q >
Một dạng khác của Q là thống kê Ljung-Box (LB):
Với . Bác bỏ H0 khi LB >
Thống kê L đƣợc xem là tốt hơn với các mẫu số nhỏ so với thống kê Q.
c/ Kiểm định nghiệm đơn vị Dickey – Fuller (Unit root test).
Nhiễu trắng.
Một chuỗi Ut đƣợc gọi là nhiễu trắng nếu nó đ p ứng đầy đủ các giả thiết của mô hình hồi quy tuyến tính c điển, tức là có k vọng bằng không, phƣơng sai
không đ i và hiệp phƣơng sai ằng không. ột chuỗi nhiễu trắng hầu nhƣ không có
một cấu tr c hay hình mẫu r rệt nào
ƣớc ngẫu nhiên (Random walk).
Nếu Yt = Yt-1+Ut với Ut là nhiễu trắng, thì Yt đƣợc gọi là ƣớc ngẫu nhiên.
22
Ta có: Y1 = Y0+U1.
Y2 = Y1+U2 = Y0+U1+U2.
Yt = Y0+U1+U2+…+ t.
Do Y0 là hằng số, các Ui độc lập với nhau, phƣơng sai không đ i bằng ζ2 nên:
Var(Yt) = tζ2 (thay đ i th o t) Đi u này chứng tỏ Yt là chuỗi không dừng.
Kiểm định nghiệm đơn vị Dickey – Fuller.
Kiểm định Dickey-Fuller (kiểm định nghiệm đơn vị) nhằm x c định xem
chuỗi thời gian có phải là ƣớc ngẫu nhiên hay không. Nếu chuỗi là ƣớc ngẫu
nhiên thì không có tính dừng Tuy nhiên cần lƣu , nếu chuỗi không có tính dừng
thì chƣa chắc đã là ƣớc ngẫu nhiên.
Xét mô hình Yt = ρYt-1+Ut với Ut là nhiễu trắng.
Nếu ρ = 1 thì Yt là ƣớc ngẫu nhiên và không dừng. o đó, để kiểm định tính
dừng của Yt ta kiểm định giả thiết: H0: ρ=1. (Chuỗi không dừng)
H1: ρ≠1.
đây, ta không thể sử dụng kiểm định t vì Yt có thể là chuỗi không dừng.
Trong trƣờng hợp này ta sử dụng tiêu chuẩn kiểm định nhƣ sau:
Phân phối theo quy luật DF
Nếu ta bác bỏ giả thiết H0 và kết luận chuỗi dừng.
(1)
(2)
(3)
Tiêu chuẩn cũng đƣợc áp dụng cho các mô hình sau:
23
Với giả thiết H0: γ = 0 (chuỗi dừng). Nếu Ut tự tƣơng quan, ta cải tiến mô hình
(4)
(3) thành mô hình:
Tiêu chuẩn DF áp dụng cho mô hình (4) đƣợc gọi là tiêu chuẩn mở rộng
Dickey – Fuller (ADF).
1.5.4 Bi ổi chu i không dừng thành chu i dừng.
Nếu một chuỗi thời gian là không có t nh ừng thì uộc phải iến đ i chuỗi đó
sao cho nó trở nên ừng, từ đó mới có thể xây ựng đƣợc mô hình và tiến hành ự o
t ƣớc ngẫu nhiên: Yt = Yt-1 + Ut với Ut là nhiễu trắng.
Lấy sai phân cấp I của Yt: D(Yt) = Yt - Yt-1 = Ut Trong trƣờng hợp này, D(Yt)
là chuỗi dừng vì Ut là nhiễu trắng.
Trƣờng hợp t ng quát, với mọi chuỗi thời gian, nếu sai phân cấp I của Yt chƣa
dừng ta tiếp tục lấy sai phân cấp , … C c nghiên cứu đã chứng minh rằng luôn
tồn tại một giá trị d x c định để sao cho sai phân cấp d của Yt là một chuỗi dừng.
hi đó t đƣợc gọi là liên k t bậc d, ký hiêu là I(d).
Sai phân cấp đƣợc lấy nhƣ sau:
Chuỗi gốc: t.
Chuỗi sai phân ậc I của Yt: D(Yt) = Yt - Yt-1.
Chuỗi sai phân ậc II: D(D(Yt)) = D2(Yt) = (Yt - Yt-1) - (Yt-1 - Yt-2).
…
Chuỗi sai phân ậc d: D(Dd-1(Yt)).
Nhƣ vậy, để biến một chuỗi không dừng thành chuỗi dừng ta áp dụng phƣơng
pháp lấy sai phân. Thông thƣờng, một chuỗi thời gian dừng ở sai phân cấp I hoặc
cấp II.
24
1.6. Quá trình t hồ ( ), t (MA) và mô hình ARIMA.
1.6.1. ( ).
tƣởng chính của mô hình AR(p) là hồi quy trên chính số liệu quá khứ ở
những chu kì trƣớc. ô hình t ng qu t:
Y(t) = φ0 + φ1yt-1 + φ2yt-2 +… + φpyt-p + ut.
Trong đó: y(t): Biến phản ứng tại thời điểm t (hiện tại).
yt-1, yt-2, ...: Biến phản ứng tại c c độ trễ t-1, t-2, … (thƣờng sử dụng không
quá 2 biến này).
φ0, φ1, φ2, …: Các tham số phân tích hồi quy (c c hệ số s đƣợc ƣớc lƣợng).
ut: Sai số dự báo ngẫu nhiên tại thời điểm t, thể hiện ảnh hƣởng của c c iến
không đƣợc thể hiện trong mô hình (nhiễu trắng)
Y(t) là một hàm tuyến tính của những quan sát dừng quá khứ yt-1, yt-2,… Nói
cách khác, khi sử dụng phân tích hồi quy yt theo các giá trị chuỗi thời gian dừng có
độ trễ, s thu đƣợc mô hình AR (yếu tố xu thế đã đƣợc tách khỏi yếu tố thời gian).
Số quan sát dừng quá khứ sử dụng trong mô hình hàm tự tƣơng quan là ậc p
của mô hình AR. ụ: Nếu ta sử dụng hai quan sát dừng quá khứ, ta có mô hình
tƣơng quan ậc hai AR(2).
Đi u kiện dừng là t ng các tham số phân tích hồi quy nhỏ hơn 1 :
φ1+ φ2+ … + φp < 1.
1.6.2. ( ).
ột qu trình trung ình trƣợt đƣợc hiểu đơn giản là một kết hợp tuyến t nh
của c c số hạng nhiễu trắng ut. ô hình t ng qu t:
Y(t) = θ0 + θ1ut-1+ θ2ut-2 + ... + θqut-q + ut.
Trong đó: y(t): Biến phản ứng (phụ thuộc) tại thời điểm t.
25
ut-1, ut-2,...: C c sai số ở c c thời điểm trƣớc (thông thƣờng mô hình sử dụng
không quá 2 biến này).
θ0, θ1, θ2, ...: Các hệ số trung ình trƣợt s đƣợc ƣớc lƣợng
ut : Phần sai số tại thời điểm t, thể hiện ảnh hƣởng của c c iến không đƣợc
giải th ch trong mô hình (nhiễu trắng)
q: Số c c sai số quá khứ đƣợc dùng trong mô hình trung ình trƣợt.
Đi u kiện cần là t ng các hệ số trung ình trƣợt phải nhỏ hơn 1:
θ0 + θ2 + ... + θq < 1.
1.6.3. -Jenkins.
hi kết hợp hai qu trình tự hồi quy và trung ình trƣợt lại với nhau s tạo ra
đƣợc một qu trình hỗn hợp gọi là qu trình tự hồi quy t ch hợp trung ình trƣợt:
ARMA (p, q). Hàm tuyến t nh của qu trình này s bao gồm những quan sát dừng
quá khứ và những sai số dự o của cả qu khứ và hiện tại.
Yt = φ1yt-1 + φ2yt-2 +… + φpyt-p + ut + θ1ut-1+ θ2ut-2 + ... + θqut-q.
Tuy nhiên, mô hình R chỉ đƣợc p ụng khi chuỗi thời gian nghiên cứu
phải có tính dừng à trong c c ài to n tài ch nh nói riêng, cũng nhƣ trong thực tế
nói chung, đa phần c c chuỗi thời gian là không có t nh ừng. o đó, cần dùng
phƣơng ph p lấy sai phân để biến đ i một chuỗi thời gian không dừng thành chuỗi
dừng trƣớc khi kết hợp với quá trình ARMA. Khi đó, ta s có đƣợc mô hình trung
ình trƣợt đồng liên kết tự hồi quy ARIMA (p, d, q) (với p là số hạng tự hồi quy, q
là số hạng trung ình trƣợt và là ậc sai phân).
h ng ph p o -Jenkins.
uốn iết đƣợc c c đặc t nh của chuỗi thời gian nghiên cứu và c c đặc t nh đó
tuân th o qu trình nào trong số c c qu trình đã trình ày ở phần trên, ta cần phải
x c định đƣợc c c gi trị của p, , q và xét xem gi trị nào phù hợp nhất với chuỗi
thời gian org ox và wilym J nkins đã nghiên cứu v vấn đ này và cho ra
26
đời phƣơng ph p ox-Jenkins. Phƣơng ph p này ao gồm ốn ƣớc: Nhận ạng,
ƣớc lƣợng, kiểm tra và ự o
ư c n ng m n .
Tức là tìm các giá trị thích hợp của p, d và q. Để thực hiện đƣợc đi u này, ta
sử ụng biểu đồ tự tƣơng quan (Correlogram) và biểu đồ tự tƣơng quan từng phần
(Partial correlogram).
Các công cụ chủ yếu để nhận dạng là hàm tự tƣơng quan ( C ), hàm tự tƣơng
quan từng phần (PACF) và các biểu đồ tƣơng quan v dựa vào các hàm này (Các
biểu đồ này chỉ ơn giản là c c điểm của ACF và PACF v th o độ trễ).
ảng 2 1: C c ạng l thuyết của C và P C đối với c c mô hình
R, và R .
uy giảm th o cấp số nhân hoặc với Đỉnh cao đ ng kể qua c c AR (p) ạng sóng hình sin tắt ần hoặc cả hai. độ trễ p
Đỉnh cao đ ng kể qua c c độ trễ q uy giảm th o cấp số nhân MA (q)
uy giảm th o cấp số nhân uy giảm th o cấp số nhân ARMA (p,q)
gu n: i inh t l ợng v hu i th i gi n : o v i m h nh
v – Ch ng tr nh giảng kinh t ull right).
ảng 2 2: C c ạng l thuyết của C và P C đối với một số ạng
của mô hình R
ARIMA ACF PACF
(p, d, 0) iảm ạng mũ hoặc giảm hình sin ρkk = 0 với k > p
(0, d, q) iảm ạng mũ hoặc giảm hình sin ρk = 0 với k > q
0 sau đó giảm ạng mũ giảm 0 sau đó giảm ạng mũ giảm ρ1 ρ11 (1, d, 1) hình sin hình sin
27
0 sau đó giảm ạng mũ 0 sau đó giảm ạng mũ giảm ρ1, ρ2 ρ11 (1, d, 2) giảm hình sin hình sin
0 sau đó giảm ạng mũ giảm 0 sau đó giảm ạng mũ ρ1 ρ11, ρ22 (2, d, 1) hình sin giảm hình sin
0 sau đó giảm ạng mũ 0 sau đó giảm ạng mũ ρ1, ρ2 ρ11, ρ22 (2, d, 2) giảm hình sin giảm hình sin
gu n: i o tr nh inh t l ợng ứng ng – h m r C o)
ên cạnh đó, việc lựa chọn mô hình th ch hợp cũng cần phải ựa vào i u
hu n k ik v Schwarz:
kaik (1974) đ nghị:
AIC (p, q) = + 2
P, q Q. AIC (p1, q1) = min C (p, q) với p
hi đó p1, q1 s là gi trị th ch hợp cho p và q
chwarz (1978) đ nghị:
SIC (p, q) = + 2
P, q Q. SIC (p1, q1) = min C (p, q) với p
Trong hai tiêu chuẩn này thì c c tập P và đ u chƣa iết annan (1980) chỉ
ra rằng nếu p0 và q0 là c c gi trị đ ng thì p0 < p1, q0 < q1.
Trên cơ sở hai tiêu chuẩn này J r ys (1961), Poskitt và Tr ymayn (1987)
đƣa ra tƣởng v xây ựng một lớp mô hình C c t c giả cho rằng chƣa chắc p1 và
q1 x c định ở trên là c c gi trị thực của mô hình, cần phải x m x t thêm c c tiêu
chuẩn kh c với c c gi trị lân cận của p1 và q1 T c giả đ nghị:
R = exp
28
Nếu R < 10 thì không đủ chứng cớ loại ỏ mô hình đã chọn ằng tiêu chuẩn C
và C ới những cặp (p, q) mà 1 < R < thì phải đƣợc x m x t giống (p1, q1).
ư c c lượng m n .
au khi đã nhận dạng các giá trị thích hợp của p, d và q, ƣớc tiếp th o là ƣớc
lƣợng c c hệ số này của mô hình. iệc ƣớc lƣợng này có thể đƣợc thực hiện bằng
phƣơng ph p ình phƣơng tối thiểu, nhƣng cũng có trƣờng hợp phải sử dụng các
phƣơng ph p ƣớc lƣợng phi tuyến. Với sự trợ giúp của các phần m m thống kê, ta
có thể dễ dàng thực hiện đi u này.
ư c ểm tra c n đo n.
Sau khi lựa chọn mô hình cụ thể và ƣớc lƣợng các tham số của nó, ta x t xem
mô hình đã lựa chọn có phù hợp với dữ liệu ở mức chấp nhận đƣợc hay không, bởi
vì một chuỗi dữ liệu có thể phù hợp với nhi u mô hình kh c nhau, o đó ch ng ta
cần thử nhi u mô hình để chọn đƣợc mô hình phù hợp nhất.
Kiểm định t nh phù hợp của mô hình đƣợc lựa chọn là kiểm tra xem các phần
ƣ ƣớc lƣợng từ mô hình này có tính ừng hay không (tức là yếu tố ngẫu nhiên có
phải là nhiễu trắng hay không). Nếu phần ƣ có t nh ừng (et là nhiễu trắng) thì ta
chấp nhận sự phù hợp của mô hình; c n nếu không, phải lặp lại từ đầu. Quá trình
này lặp đi lặp lại cho đến khi tìm đƣợc mô hình tốt nhất.
Thông thƣờng, ngƣời ta ựa trên các tiêu chuẩn: Log likelihood (càng lớn
càng tốt), Akaike, Schwarz (càng nhỏ càng tốt) hoặc so s nh với dữ liệu quá khứ để
lựa chọn mô hình thích hợp nhất.
oặc cũng có thể sử ụng thống kê Q Ljung-Box-Pierce. Cách kiểm tra này
thực hiện trên kiểm định chi-square v tự tƣơng quan của phần ƣ Thống kê Q
kiểm định xem mức độ tự tƣơng quan của phần ƣ có kh c iệt 0 đ ng kể không.
Nếu có, phải đi u chỉnh lại mô hình.
29
ư c ự o.
au khi hoàn thành xong c c ƣớc trên thì tiến hành ự o điểm và ự o
khoảng cho những thời điểm trong tƣơng lai ựa trên mô hình vừa xây ựng đƣợc
Có thể kh i qu t hóa toàn ộ phƣơng ph p ox-J nkins ằng sơ đồ sau:
Nhận ạng mô hình ựa trên c c hàm tự tƣơng quan và tự tƣơng quan từng phần
Chọn lựa một mô hình
Ƣớc lƣợng c c gi trị cho c c tham số của mô hình vừa lựa chọn Không
iểm định độ ch nh x c của mô hình. ƣớclƣơng lƣợng
Có
ử ụng mô hình để tiến hành ự o
ình 1 1: ơ đồ mô phỏng phƣơng ph p ox-Jenkins.
gu n: giả t t ng hợp
n h ủ m h nh .
Mô hình R thu đƣợc nhi u thành công lớn khi áp dụng cho các chuỗi
thời gian xuất phát từ c c l nh vực khoa học tự nhiên và kỹ thuật; nhƣng lại thất bại
khi áp dụng cho các chuỗi thời gian v kinh tế và tài ch nh Nguyên nhân ch nh là
o trong to n học nói chung, ngƣời ta thƣờng đặt ra một giả thiết rất ph iến đó là
phƣơng sai sai số không đ i; tuy nhiên, thực nghiệm cho thấy đối với c c chuỗi thời
30
gian trong ài to n tài ch nh thì phƣơng sai sai số lại thay đ i theo thời gian và
không phù hợp với giả thiết này Ch nh vì l đó, mô hình R đƣợc sử ụng rất
ph iến để ự báo k vọng, nhƣng lại thất bại khi dự o phƣơng sai của chuỗi
thời gian tài chính.
1.7. ARCH.
1.7.1 .
Nhƣ đã đ cập ở trên, các mô hình chuỗi thời gian ARIMA chỉ thành công
trong dự o k vọng và thất bại trong dự o phƣơng sai của c c chuỗi thời gian tài
chính. Để khắc phục đi u này, vào năm 1982 Ro rt ngl đã ph t triển thành công
mô hình RC ( utoR gr siv Con itional t rosk asticity – mô hình tự hồi
quy với phƣơng sai có đi u kiện thay đ i) Thuật ngữ Heteroskedasticity đƣợc hiểu
là hiện tƣợng bất thƣờng v phƣơng sai mà nguyên nhân chủ yếu là do c c quá trình
ngẫu nhiên bên ngoài tác động vào.
Qua nhi u năm nghiên cứu chuỗi thời gian tài chính, ngl nhận thấy rằng
phƣơng sai của chuỗi thời gian có thể biểu hiện ƣới hai hình thức: dạng có đi u
kiện (ngắn hạn) và dạng không đi u kiện (dài hạn). ên cạnh đó, khi nghi ngờ rằng
giá trị phƣơng sai của chuỗi thay đ i theo thời gian thì nên tiến hành mô hình ho
đồng thời cả gi trị trung ình và phƣơng sai chuỗi số liệu. Ông xây ựng mô hình
RC ựa trên cơ sở phƣơng sai của hạng nhiễu tại thời điểm t phụ thuộc vào các
hạng nhiễu ình phƣơng ở c c giai đoạn trƣớc (hay phƣơng sai thay đ i theo thời
gian) Nhờ đó mà mô hình này thành công trong việc giải thích những bất thƣờng
của phƣơng sai mà chỉ sử dụng thông tin quá khứ của bản thân nhiễu.
- ô hình RC (1) có ạng:
Yt = B1 + B2Xt + ut. (1.7.1)
ut ~ N (0, ht)
t-1 (1.7.2)
ht = γ0 + γ1u2
31
Phƣơng trình (1 7 1) đƣợc gọi là phƣơng trình ƣớc lƣợng giá trị trung bình
Trong đó, t là vectơ của c c iến giải thích và B2 là v ctơ của c c hệ số. Thông
thƣờng, ut đƣợc giả định có phân phối chuẩn với trung bình bằng 0 và phƣơng sai
không đ i là ht Phƣơng trình (1 7 2) đƣợc gọi là phƣơng trình ƣớc lƣợng phƣơng
sai, với hệ số ƣớc lƣợng γ1 phải có dấu ƣơng vì phƣơng sai luôn ƣơng
Mô hình ARCH (1) cho rằng khi có một cú sốc lớn ở giai đoạn t-1 thì giá trị ut
t-1 lớn (hoặc nhỏ) thì phƣơng sai của ut cũng s lớn
cũng s lớn hơn Ngh a là khi u2
(hoặc nhỏ).
Thực tế thì phƣơng sai có đi u kiện có thể phụ thuộc không chỉ một độ trễ mà
còn nhi u độ trễ trƣớc nó nữa, vì thế mỗi trƣờng hợp có thể cho ra một quy trình
ARCH khác nhau.
- ô hình RC (2) là:
Yt = B1 + B2Xt + ut.
ut ~ N (0, ht)
t-1 + γ2u2
t-2
ht = γ0 + γ1u2
- Mô hình ARCH (3) là:
Yt = B1 + B2Xt + ut.
ut ~ N (0, ht)
t-1 + γ2u2
t-2 + γ3u2
t-3
ht = γ0 + γ1u2
- Trƣờng hợp t ng quát, mô hình RC (q) là:
Yt = B1 + B2Xt + ut.
ut ~ N (0, ht)
ht = γ0 +
Các hệ số ƣớc lƣợng γj (j = 1, …, q) phải có dấu ƣơng vì phƣơng sai
luôn ƣơng
32
1.7.2. Ki ịnh tính ARCH.
Trƣớc khi ƣớc lƣợng các mô hình ARC (q), đi u quan trọng là cần kiểm tra
xem có tồn tại các ảnh hƣởng RC hay không để biết các mô hình nào cần ƣớc
lƣợng th o phƣơng ph p RC thay vì th o phƣơng ph p ƣớc lƣợng ình phƣơng
nhỏ nhất OLS hoặc ARIMA.
Có hai c ch để kiểm định ảnh hƣởng ARCH, đó là: kiểm định Ljung- ox (sử ụng thống kê χ2) và kiểm định Lagrang (sử ụng thống kê ) Thông thƣờng thì thống kế χ2 đƣợc sử ụng nhi u hơn để kiểm định Thao t c kiểm định s đƣợc thực
hiện th o qui trình nhƣ sau:
B c 1: c định phƣơng trình trung ình ( ằng c ch ƣớc lƣợng c c mô
hình R, , R ) và lƣu lại phần ƣ ut.
Lƣu , c c iến giải thích có thể bao gồm các biến trễ của biến phụ thuộc và
các biến giải thích khác có ảnh hƣởng đến Yt.
c 2: Ƣớc lƣợng phƣơng trình hồi qui phụ của phần ƣ.
t = γ0 + γ1u2
t-1 + … + γqu2
t-q
u2
c định hệ số x c định của mô hình hồi qui phụ, đặt tên là R2.
c 3: Thực hiện kiểm định giả thiết nhƣ sau:
H0: γ0 = γ1 = … = γq = 0.
0. H1: γ0 γ1 … γq
t
Thống kê này tuân theo phân phối χ2 với số bậc tự do là số độ trễ q (do u2
trong phƣơng trình hồi quy là một t ng của q thành phần lấy ình phƣơng) Nếu giá trị thống kê χ2 tính toán lớn hơn gi trị χ2 phê phán ta bác bỏ giả thiết H0 và kết luận
rằng chuỗi dữ liệu đang x t có t nh ARCH.
33
1.7.3 .
ên cạnh mô hình RC thuần t y thì c n tồn tại thêm rất nhi u iến thể đa
ạng từ mô hình này, ch ng hạn nhƣ: mô hình RC , mô hình RC – , mô
hình T - RC , mô hình P RC , vv…. Trong số đó thì hai mô hình RC –
và T - RC thƣờng đƣợc sử ụng ph iến hơn:
h nh ARCH – M.
Mô hình ARCH-M (ARCH-in- an) đƣợc ngl , Lili n, Ro ins ph t triển vào
năm 1987 hi thay thế c c iến ngoại sinh, các biến xu thế ằng phƣơng sai có đi u
kiện vào phƣơng trình trung ình của mô hình RC thuần t y thì ta thu đƣợc mô
hình RC - ô hình này thƣờng đƣợc ứng ụng trong c c ài to n v tài ch nh
mà ở đó oanh lợi của tài sản kì vọng có liên quan đến rủi ro v tài sản kì vọng.
h nh – ARCH
ô hình này đƣợc Zakoian giới thiệu vào năm 1990 và đƣợc ph t triển ởi
lost n, Jaganathan, Runkl vào năm 1993 ô hình này c n đƣợc gọi là mô hình
RC ất đối xứng ởi nó thƣờng đƣợc p ụng khi sự thay đ i của giá CP trong
các phiên giao dịch trên thị trƣờng là có t c động bất đối xứng.
Trong mô hình này, phƣơng sai có đi u kiện đƣợc x c định nhƣ sau:
t = ω + αε2
t-1 +γε2
t-1ζt-1 + βδ2
t-1
δ2
Trong đó: ζt = 1 nếu εt < 0 và ζt = 0 trong c c trƣờng hợp kh c
Trong mô hình này, t c động tốt xảy ra khi εt < 0 và t c động tiêu cực xảy ra
khi εt > 0. C c t c động này có ảnh hƣởng kh c nhau tới phƣơng sai có đi u kiện α
là t c động tích cực c n (α + γ) là t c động tiêu cực. Nếu γ 0 thì t c động là bất
đối xứng.
1.7.4. .
Tuy khắc phục đƣợc nhƣợc điểm v phƣơng sai sai số thay đ i so với mô hình
R nhƣng ản thân mô hình RC vẫn c n tồn tại một số nhƣợc điểm: (1) v
34
mặt kỹ thuật mô hình chƣa đảm ảo đƣợc t nh kiệm (parsimonious) ậc q của
mô hình thƣờng lớn (2) ô hình này s k m hiệu quả khi có quá nhi u độ trễ, ẫn
đến việc số bậc tự do trong mô hình giảm đ ng kể Đi u này làm giảm t nh ch nh
x c của qu trình truy n ẫn thông tin từ qu khứ tới hiện tại và s làm mất đi một
số quan sát. Nếu những quan sát này là quan trọng thì hậu quả s rất to lớn ởi thiếu
đi những quan s t này s làm ảnh hƣởng đến kết quả mà ta ƣớc lƣợng đƣợc. Đi u
này càng nghiêm trọng hơn đối với các chuỗi thời gian ngắn, ví dụ nhƣ giá các CP
mới lƣu hành trên thị trƣờng. (3) hi mô hình càng có nhi u tham số thì càng dễ vi
phạm giả định ràng buộc của mô hình, đó là phƣơng sai không âm. (4) ô hình
RC có đặc điểm kh giống với qu trình trung ình trƣợt ản thân ngl cũng
không giải th ch đƣợc tại sao lại hồi quy phƣơng sai nhiễu th o ình phƣơng nhiễu
1.8. GARCH.
GARCH (Generalised Autogressive Conditional Heteroskedasticity - mô hình
t ng quát tự hồi quy với phƣơng sai có đi u kiện thay đ i) là mô hình đƣợc đ xuất
ởi Tim Bollersle vào năm 1986. uất ph t từ mô hình RC nhƣng có sung
thêm thành phần R và có mức độ t ng qu t cao hơn, mô hình RC có xu
hƣớng đƣợc các nhà dự báo sử dụng ph biến hơn so với RC tƣởng ch nh của
mô hình này là đƣa thêm c c iến trễ của phƣơng sai có đi u kiện vào phƣơng trình
phƣơng sai th o ạng tự hồi quy, thay vì chỉ đƣa c c iến trễ của các hạng nhiễu
ình phƣơng nhƣ trong mô hình RC .
1.8.1. Mô hình GARCH (p, q).
Mô hình GARCH (p, q) có ạng sau đây:
Yt = β1 +β2Xt +ut (1.8.1.1)
ut ~ N(0,ht)
+ (1.8.1.2) ht = γ0 +
Trong đó: p và q lần lƣợt là ậc của RC và RC trong mô hình
35
Đi u kiện: γ0, δi và γj đ u phải ƣơng và t ng δi + γj lớn hơn 1
Phƣơng trình (1.8.1.2) nói lên rằng phƣơng sai ht phụ thuộc vào cả gi trị qu
khứ của những c sốc, đại iện ởi c c iến trễ của hạng nhiễu ình phƣơng và các
gi trị qu khứ của ản thân ht, đại iện ởi c c iến ht-i.
ột điểm đ ng ch đối với mô hình RC là khi tiến hành iến đ i
phƣơng trình phƣơng sai của mô hình RC (1, 1) thì ta s thu đƣợc phƣơng trình
phƣơng sai của mô hình RC với ậc vô cùng Nhƣ vậy, mô hình GARCH(1, 1)
tƣơng đƣơng với mô hình RC ậc vô cùng với c c hệ số có xu hƣớng giảm ần
Tuy nhiên, với mô hình RC (1, 1), ch ng ta có t hệ số cần ƣớc lƣợng hơn và vì
thế gi p hạn chế khả năng mất đi một số ậc tự o trong mô hình Cũng ch nh vì l
do này nên mô hình GARCH(1, 1) thƣờng đƣợc sử ụng để thay thế cho các mô
hình RC ậc cao.
1.8.2 .
Tƣơng tự nhƣ mô hình RC , ên cạnh mô hình RC thuần t y thì có
nhi u iến thể kh c của RC : mô hình - RC , mô hình T – RC , mô
hình RC – , mô hình - RC , mô hình C – RC , vv… Trong đó,
ph iến hơn cả là mô hình GARCH – M và T – GARCH.
Mô hình GARCH –M.
Mô hình GARCH – M (GARCH in Mean – GARCH ở giá trị trung bình) đƣợc
đ xuất ởi ngl , Lillian và Ro ins vào năm 1987 Nó cho phép giá trị trung bình
có đi u kiện không chỉ phụ thuộc vào c c iến độc lập kh c mà c n phụ thuộc cả
vào phƣơng sai có đi u kiện của chính nó. Lấy ví dụ, khi nói đến các NĐT thuộc
nhóm lo sợ rủi ro, họ thƣờng có xu hƣớng đ i hỏi thêm một mức phí, x m nhƣ là
phần đ n bù rủi ro, để quyết định việc có nắm giữ một tài sản rủi ro hay không Nhƣ
vậy, trong trƣờng hợp này, mức phí bù rủi ro là một hàm đồng biến với rủi ro, ngh a
là, rủi ro càng cao thì phí bù rủi ro phải càng nhi u. Từ lập luận này ta có thể đi đến
kết luận: nếu rủi ro đƣợc đo lƣờng bằng mức ao động hay bằng phƣơng sai có đi u
36
kiện thì phƣơng sai có đi u kiện có thể là một phần trong phƣơng trình trung ình
của biến Y.
Mô hình GARCH – M (p, q) có dạng nhƣ sau:
Yt = β1 + β2Xt + θht + ut.
ut ~ N(0, ht).
t-j
+ u2 ht = γ0 +
Một ạng kh c của mô hình RC – M (p, q) là thay vì sử ụng chuỗi
phƣơng sai trong phƣơng trình trung ình, ngƣời ta sử ụng độ lệch chuẩn của
chuỗi phƣơng sai có đi u kiện nhƣ sau:
Yt = β1 + β2Xt + θ + ut.
ut ~ N(0, ht).
t-j
+ u2 ht = γ0 +
Mô hình T – GARCH.
ạn chế lớn nhất của c c mô hình RC và RC là ch ng đƣợc giả định
có t nh chất đối xứng Đi u này có ngh a c c mô hình này chỉ quan tâm đến gi trị tuyệt đối của c c c sốc chứ không quan tâm đến “ ấu”1 của ch ng ( ởi vì hạng
nhiễu hay phần ƣ đƣợc xử l ƣới ạng ình phƣơng) ì thế, trong các mô hình
ARCH, RC , một c sốc mạnh có gi trị ƣơng có sự ảnh hƣởng lên sự ao
động của chuỗi ữ liệu hoàn toàn giống với một c sốc mạnh có gi trị âm Tuy
nhiên, trong tài ch nh, c c c sốc âm trên thị trƣờng thƣờng có t c động mạnh và ai
ng hơn so với c c c sốc ƣơng vì nó làm cho các NĐT ị tê liệt và trở nên i
quan ch n nản hay thậm chí là chờ đợi một c ch thụ động c c ấu hiệu thị trƣờng
Chính vì vậy, nhi u nhà khoa học cố gắng để mô hình hóa sự kh c iệt trong ảnh
1) u h m tr ng th i o s t ng u s ng tứ l ả r i n ng ho tin tứ lợi C n s m l i n ng t lợi tin tứ u
hƣởng này và vì l đó mô hình T RC đã đƣợc ph t triển
37
Mô hình T - GARCH an đầu đƣợc ph t triển ởi Zakoian (1990); sau đó là
ởi lost n, Jaganathan và Runkl (1993) ục đ ch ch nh của mô hình này là
nhằm x m x t t nh chất ất cân xứng giữa c c c sốc âm và ƣơng à đây cũng là
một c ch kiểm định t nh hiệu quả của thị trƣờng Để làm nhƣ vậy, c c học giả này
đ xuất nên đƣa vào phƣơng trình phƣơng sai một iến giả tƣơng t c giữa hạng
nhiễu ình phƣơng và iến giả t. Trong đó, dt có gi trị ằng 1 nếu ut < 0 và ằng 0
nếu ut > 0 Nếu hệ số của iến tƣơng t c này có ngh a thống kê s chứng tỏ có sự
kh c iệt trong c c c sốc kh c nhau
Phƣơng trình phƣơng sai trong mô hình T – GARCH (1, 1) có ạng nhƣ sau:
t-1 + υ1u2
t-1dt-1
ht = γ0 +δ1ht-1 + γ1u2
t-1
= γ0 +δ1ht-1 + (γ1 + υ1dt-1)u2
ựa vào phƣơng trình trên ta có thể thấy nếu hệ số υ1 có ngh a thống kê, thì
c c tin tức tốt và tin tức xấu s có ảnh hƣởng kh c nhau lên phƣơng sai Cụ thể, tin
tức tốt chỉ có ảnh hƣởng là δ1. Trong khi đó, tin tức xấu thì có ảnh hƣởng là (γ1 +
υ1) Nếu υ1 > 0, thì ch ng ta có thể nói rằng có sự ất cân xứng trong sự t c động
giữa tin tức tốt và tin tức xấu Ngƣợc lại, nếu υ1 = 0, thì ch ng ta có thể nói rằng t c
động của tin tức có t nh chất cân xứng
ột c ch t ng qu t, phƣơng trình phƣơng sai của mô hình T - RC ậc
cao đƣợc thể hiện nhƣ sau:
+ + ht = γ0 + dt – j
+ hay ht = γ0 +
1.8.3 , .
Đối với mô hình RC và c c mô hình iến thể của nó, mỗi mô hình đ u có
những ƣu và nhƣợc điểm riêng: mô hình RC tối ƣu hơn so với mô hình RC
(đặc iệt mô hình RC (1, 1) có thể thay thế cho c c mô hình RC ậc cao vì
s có t hệ số cần ƣớc lƣợng hơn, gi p hạn chế khả năng mất một số ậc tự o)
38
nhƣng lại không t ch iệt đƣợc mức độ ảnh hƣởng của c c c sốc ƣơng và c sốc
âm đến chuỗi ữ liệu và kết quả ƣớc lƣợng; mô hình T – RC thì đã t ch iệt
đƣợc ảnh hƣởng của c sốc âm và c sốc ƣơng ở thời k hiện tại nhƣng lại không
thể giải th ch đƣợc, vv… Tuy nhiên, nhìn chung thì mặc ù c n tồn tại một số
nhƣợc điểm, nhƣng mô hình RC và c c iến thể của nó đã tối ƣu hơn so với
mô hình R và RC , thông qua việc khắc phục đƣợc hiện tƣợng phƣơng sai
sai số thay đ i ở mô hình R và nhi u ậc của mô hình RC .
39
2 Ế Ị Ứ
- Đ
10 2 4 ĐẾ 4 2 5
2.1. ị ờ VN-Index.
2 ừ 2 .
TTCK iệt Nam ra đời vào năm 2000 với việc thành lập àn giao ịch chứng
kho n thành phố ồ Ch inh an đầu, trên toàn sàn chỉ có hai mã c phiếu đƣợc
niêm yết là: REE (của CTCP Cơ điện Lạnh) và SAM (của CTCP Đầu tƣ và Phát
triển Sacom); ngoài ra c n có thêm một số t tr i phiếu Ch nh phủ
Trong suốt năm năm đầu tiên (từ 2000 đến 2005), thị trƣờng không thực sự
thu h t đƣợc sự quan tâm của đông đảo công ch ng và luôn ở trong trạng th i trầm
lắng. ặc ù vậy, trong giai đoạn này có một điểm s ng, đó là cơn sốt vào năm
2001 Trong năm này, TTC đã có mức tăng trƣởng nhanh o nguồn cung hàng
hóa khan hiếm, chỉ số VN-Index liên tục tăng và đạt đỉnh là 571,04 điểm ngày
25/06/2001. Tuy nhiên, sự tăng trƣởng này k o ài chƣa đầy ốn th ng trong năm
2001 au đó thì thị trƣờng lại giảm điểm, trở v trạng th i cũ, thậm ch chỉ số VN-
Index có l c giảm chỉ c n 130 điểm
Năm 2006 đƣợc x m là mốc thời gian mang t nh chất đột ph đối với TTC
iệt Nam Trong năm này, thị trƣờng có sự ph t triển vƣợt ậc v khối lƣợng vốn
hóa ên cạnh đó, chỉ số N- n x cũng tăng trƣởng vƣợt ậc ở nhƣ vậy là nhờ
có những sự kiện kinh tế ch nh trị t ch cực nhƣ: nƣớc ta gia nhập WT , việc t
chức thành công hội nghị P C đã tạo hình ảnh hấp ẫn c c NĐT ự tăng trƣởng
trong năm 2006 tiếp tục ph t huy và tạo đà cho TTC ùng n vào năm 2007 iễn
iến của thị trƣờng và gi cả chứng kho n trong c c phiên giao ịch đ u có nhi u
iến động Chỉ số của cả hai sàn giao ịch đ u có iên độ ao động mạnh VN-Index
tăng trƣởng 23,3 trong một năm với mức đỉnh cao nhất đạt 1170 điểm
40
Đến năm 2008, thị trƣờng chứng kiến nhi u thăng trầm: s u th ng đầu năm thị
trƣờng suy giảm mạnh o t c động của n n kinh tế v mô, sau đó có phục hồi trở lại
trong vài th ng, rồi rơi trở lại chu k suy giảm o t c động của khủng hoảng kinh tế
toàn cầu trong những th ng cuối năm và k o ài cho đến đầu năm 2009
2 2 ừ 2 2 4.
Năm 2009, mặc ù những th ng cuối năm thị trƣờng có đi u chỉnh giảm o t c
động của ch nh s ch thắt chặt ti n tệ của ch nh phủ nhƣng với chu k tăng điểm k o
ài hơn t m th ng trong giữa năm thì đây vẫn đƣợc x m là một năm tăng trƣởng ất
ngờ và ấn tƣợng của TTC nƣớc ta T nh từ đầu năm đến cuối năm, chỉ số VN-
Index đã tăng thêm 171,9 điểm, từ 312,5 điểm lên đến 494,7 điểm, tƣơng đƣơng với
mức tăng là 58 VN-Index chạm đ y ở mốc 234,66 điểm vào ngày 24 3 và đạt đỉnh
là 633,2 điểm vào ngày 23 10 Đi u đặc iệt của thị trƣờng trong năm này là sự
phục hồi chủ yếu đƣợc ẫn ắt ởi khối NĐT c nhân au đó, c c NĐT t chức
mới ắt đầu tham gia vào thị trƣờng
Năm 2010, mở đầu cho c c phiên giảm điểm của thị trƣờng, o ảnh hƣởng của
hàng loạt c c thông tin tiêu cực nhƣ là: tin đồn v việc tăng lãi suất cơ ản, ảnh
hƣởng từ khủng hoảng nợ công Châu u tiếp tục lan rộng, thông tin ch nh phủ
quyết định t i cơ cấu tập đoàn công nghiệp tàu thủy inashin, vv… Ngay từ những
th ng đầu năm, chỉ số VN-Index đã rơi mạnh từ 530 điểm xuống c n 478 điểm Tiếp
th o sau đó là nhi u đợt giảm điểm kh c Cuối th ng t m, chỉ số VN-Index đạt đ y
tại 420 điểm và đến cuối năm thì chốt tại mức 484,7 điểm, giảm 10,1 điểm so với
mức 494,8 điểm cuối năm 2009 ặc ù trong năm vẫn có những thời điểm chỉ số
VN-Index tăng điểm, nhƣng nhìn chung thì xu thế chủ đạo của TTC năm 2010 vẫn
là đi ngang và giảm mạnh
Năm 2011 là một năm khó khăn của n n kinh tế iệt Nam và thế giới, từ đó
t c động tiêu cực đến TTC iệt Nam Thanh khoản của TTC giảm mạnh Phần
đông c c công ty chứng kho n gặp khó khăn và chịu thua lỗ trong năm C c oanh
nghiệp niêm yết phải đối mặt với lạm ph t cao khiến chi ph đầu vào tăng mạnh,
41
việc tiếp cận vốn vay cũng ko ễ àng khi mặt ằng lãi suất liên tục ở mức cao
Trong cả năm, thị trƣờng chỉ có đƣợc hiếm hoi hai đợt phục hồi ngắn vào cuối
th ng 5 và khoảng giữa th ng 8, toàn ộ khoảng thời gian c n lại thị trƣờng chủ yếu
đi xuống trong sự ch n nản của c c NĐT Chốt phiên ngày 30 12 2011, chỉ số VN-
Index đóng cửa ở mức 351,6 điểm, so với đầu năm thì đã giảm 27,46
Năm 2012, trong năm th ng đầu năm, thị trƣờng đảo chi u và tăng trƣởng đầy
ất ngờ ức đỉnh của thị trƣờng đƣợc thiết lập vào ngày 8 5 là 488,1 điểm, tăng
39,4 so với đầu năm ang th ng 6, giao ịch trên thị trƣờng kh trầm lắng, thanh
khoản ở mức thấp với tâm l giao ịch của c c NĐT kh thận trọng ết th c th ng
6, chỉ số VN-Index đóng cửa ở mức 422,4 điểm, giảm 65,7 điểm, tƣơng đƣơng
13,45 so với ngày 8 5 au đó, TTC có một vài đợt phục hồi nh nhƣng rồi lại
suy giảm, chứng kiến c c làn sóng n ồ ạt, nguyên nhân là o ảnh hƣởng ởi sự
kiện liên quan đến ngân hàng C Tình trạng này k o ài cho đến tận th ng 12
L c này, tâm l NĐT đã n định trở lại nhờ t n hiệu cải thiện của hoạt động sản
xuất, N NN tiếp tục giảm lãi suất và an hành c c gói ch nh s ch nhằm hỗ trợ thị
trƣờng ất động sản và giải quyết nợ xấu Chỉ số VN-Index phục hồi mạnh m , tăng
9,5 chỉ trong một th ng
Năm 2013, TTCK nƣớc ta nhận đƣợc rất nhi u thông tin t ch cực nhƣ là gói
cứu trợ ất động sản 30 000 tỷ đồng của Ch nh phủ, phƣơng n xử l nợ xấu thông
qua Công ty uản l tài sản của c c t chức t n ụng iệt Nam ( C), lãi suất
ti n gửi ngân hàng c c k hạn giảm, ng ti n đầu cơ đ vào chứng kho n, cũng
nhƣ sự trở lại của khối ngoại. Có thể nói TTC Việt Nam đã kh p lại năm 2013 với
sự tăng trƣởng khá tốt, v mặt chỉ số khi VN- n x tăng 22,2 , từ 413 điểm lên
504,6 điểm.
iai đoạn từ qu đến qu năm 2014 chứng kiến nhi u biến động của
TTCK Việt Nam. VN- n x tăng mạnh trong 2 th ng đầu năm 2014 (tăng 20,3 )
nhờ những dấu hiệu n định của n n kinh tế. Đà tăng này chủ yếu đến từ nhóm CP
lu chip với sự ẫn ắt của , C , N, C au giai đoạn tăng điểm mạnh
42
đầu năm, thị trƣờng ị ảnh hƣởng lớn từ việc căng th ng gia tăng trên iển Đông, từ
đó khiến các NĐT hoảng loạn, bán tháo trên diện rộng trong tháng 5 và VN-Index
giảm mất 12,4% chỉ trong vòng bảy phiên, rơi xuống mức thấp nhất 508,5 điểm
ngay trong th ng au đó, ng ti n đầu cơ đẩy mạnh ắt đ y và sự trở lại của ng
ti n khối ngoại đã hỗ trợ t ch cực cho xu hƣớng hồi phục của thị trƣờng CP GAS
thể hiện vai tr ẫn ắt thị trƣờng và gi p N- n x tăng vọt chạm ngƣỡng 644
điểm vào đầu th ng 9, đây là mức cao nhất chỉ số này đạt đƣợc trong v ng hơn 6
năm, kể từ phiên giao ịch 14 3 2008 khi mà chỉ số này chốt mức 643,8 điểm.
2 2 ị ờ -Index
( /2014 – 4/2015).
2.2.1. 2014.
TTCK có sự suy giảm mạnh k o ài hơn a th ng cuối năm 2014, nguyên
nhân ch nh là o những t c động của Thông tƣ 36 2014 TT-N NN và sự suy giảm
đột ngột của gi ầu thế giới
Tháng 10/2014.
Hình 2.1: Diễn biến chỉ số VN-Index và khối lƣợng giao dịch tháng 10/2014.
Ngu n: Công ty chứng khoán Thiên Việt.
43
Ngay tại phiên giao dịch đầu tiên của tháng 10, chỉ số VN-Index đã tăng
trên 10 điểm khiến nhi u NĐT đặt nhi u k vọng vào TTCK tháng này. Mức tăng
này của VN- n x chủ yếu là nhờ vào c c mã CP vốn hóa lớn, đặc iệt là Tuy
nhiên diễn biến khó đo n của thị trƣờng ở những phiên sau đó đã khiến nhi u NĐT
thất vọng. Hai tuần giữa tháng 10, TTCK sụt giảm mạnh v điểm số lẫn thanh
khoản khi chịu áp lực từ các sự kiện nhƣ: (1) TTC ỹ giảm điểm liên tục (2) áp
lực nợ công trong nƣớc (3) áp lực bán ròng liên tục từ khối ngoại (c c mã đƣợc bán
mạnh nhất là VIC, GAS, HAG). Phiên 10/10 khởi đầu cho chuỗi trƣợt giảm của
VN-Index. Với 6 phiên giảm liên tiếp sau đó đã khiến chỉ số này mất mốc 600 và v
s t 585 điểm. Đến tuần cuối cũng của tháng, thị trƣờng lại bị ảnh hƣởng tiêu cực từ
việc khởi tố chủ tịch tập đoàn Đại ƣơng
Kết th c th ng 10, iên độ dao động của chỉ số VN-Index là 7,5%, giảm từ 624
xuống 580 điểm. Với 13/23 phiên giảm điểm, VN-Index đóng cửa tại mức 600,8
điểm tại ngày 31/10, chỉ tăng 2 điểm so với tháng 9 và giảm 1,4% so với ngày 01/10.
Thanh khoản của thị trƣờng tháng 10 có sự sụt giảm nh so với th ng trƣớc. Giá trị
khớp lệnh đạt trên 51,2 nghìn tỷ đồng giảm 5,4% so với tháng 9. Giá trị khớp lệnh
thỏa thuận cũng chỉ đạt 4,5 nghìn tỷ đồng giảm 52% so với tháng trƣớc.
Tháng 11/2014.
Hình 2.2: Diễn biến chỉ số VN-Index và khối lƣợng giao dịch tháng 11/2014.
Ngu n: Công ty chứng khoán Thiên Việt.
44
ƣ âm từ các vụ lùm xùm và áp lực giảm điểm của thị trƣờng trong những
ngày cuối tháng 10, tâm lý thị trƣờng bắt đầu thận trọng hơn, chứng khoán tháng 11
đi lên với tốc độ chậm. Trong suốt hai tuần đầu tiên của tháng, chỉ số VN-Index dao
động nh quanh mức 600 điểm Đến tuần thứ ba, thị trƣờng bắt đầu diễn biến xấu
đi, VN-Index giảm từ 600,9 điểm xuống c n 588 điểm. Nguyên nhân là do việc hạn
chế dòng ti n cho vay chứng khoán từ ngân hàng và xuất hiện tin đồn thanh tra một
số mã có giao dịch đột biến (n i bật nhất là KLF, FLC). Tuần cuối cùng của tháng 11, do lo ngại từ thông tƣ 362, VN-Index liên tiếp mất điểm Trong 3 phiên từ 26
đến 28 11 chỉ số VN-Index giảm xấp xỉ 20 điểm Thêm vào đó là tình hình giá dầu
giảm sâu và liên tục lập đ y khiến cho khối ngoại bán ròng ào ạt, gây áp lực tiêu
cực lên thị trƣờng. Chỉ số VN-Index bị đẩy xuống mức 566,6 điểm, mức thấp nhất
kể từ tháng 7.
Với 12/20 phiên giảm điểm, VN-Index đóng cửa tại mức 566,6 điểm vào ngày
28/11, giảm 5,7% so với ngày 31/10. Diễn biến thị trƣờng gây ức chế cho NĐT khi
điểm số bị đè giảm ở phiên đóng cửa. Khối lƣợng giao dịch trung ình phiên đạt
202,4 triệu CP, giảm 1,3 , nhƣng thanh khoản lại tăng mạnh ở những CP nóng nhƣ
FLC, KLF, VHG... Vốn hóa thị trƣờng ở mức gần 55 tỷ USD. Nhóm CP có GTVH
lớn giảm điểm mạnh, chủ yếu là CP nhóm ngành đầu khí. GAS và PVD giảm lần
lƣợt 19% và 13% trong tháng 11, trở v xuất ph t điểm l c chƣa tăng mạnh ở tháng
7. Khối ngoại tiếp tục bán ròng 943 tỷ đồng Đây là th ng thứ năm khối ngoại bán
ròng liên tục trên sàn HOSE. CP dầu kh đã ị khối ngoại bán ròng rã từ tháng 8
nhƣng th ng 11 mới là tháng bán mạnh nhất sau khi giá dầu đã hình thành xu hƣớng
giảm giá.
Tháng 12/2014.
Sự biến động của VN-Index trong tháng 12 đƣợc chia ra hai nửa khá rõ ràng:
tiếp tục suy giảm vào hai tuần đầu tháng và hồi phục dần vào hai tuần cuối tháng.
T nh đến ngày 8/12, chỉ số VN-Index đạt 571,7 điểm. Giá dầu giảm sốc và thủng
mức đ y của năm năm, từ đó đã đẩy thị trƣờng giảm sâu. VN-Index có lúc giảm
(2) Th ng t 36/ -NHNN ợ g n h ng h n h nh thứ n h nh ng 24/11/2014 v i n i ung: Qu nh gi i h n tỷ lệ ảm ảo n to n ho t ng 45 hứ t n ng hi nh nh ng n h ng n ngo i
hơn 20 điểm Đến hết tuần thứ hai, chỉ số VN- n x đã lấy lại sắc xanh nhƣng vẫn
giảm hơn 4 so với tuần trƣớc đó, chốt ở mức 553,9 điểm. Chuỗi bán ròng của
khối ngoại từ đầu tháng 8 tiếp tục uy trì trong giai đoạn này. Các CP dầu khí:
GAS, PVD và PVS vẫn luôn là tâm điểm bán ra của khối ngoại trong thời gian này.
Tuy nhiên, tình hình đƣợc đảo ngƣợc, sau sáu tuần bán ròng thì những tuần cuối
cùng của tháng 12 khối ngoại quay lại mua r ng năm phiên liên tiếp C c mã đƣợc
mua là những CP có vốn hóa lớn nhƣ , C, C , P , W Đi u này đã
giúp chỉ số VN-Index duy trì sắc xanh trong suốt khoảng thời gian này.
Hình 2.3: Diễn biến chỉ số VN-Index tháng 12/2014.
Ngu n: Xử lý bằng phần m m excel.
ết th c phiên giao ịch cuối cùng của th ng 12, cũng là của năm 2014, t ng
khối lƣợng giao ịch đạt 122,96 triệu đơn vị, trị gi 1 918,25 tỷ đồng Toàn sàn có
223 mã tăng, 37 mã giảm và 46 mã đứng gi ; kh nhi u mã đã đƣợc k o lên mức
gi trần Chỉ số N- n x đóng cửa ở mức 545,6 điểm, tăng 8,2% so với đầu năm
Mặc dù vậy năm 2014 lại là năm đƣợc đ nh gi là nhi u thăng trầm khó lƣờng đối
với TTCK. ầu hết c c mã chứng kho n ầu kh đ u gục ngã trƣớc sự rơi th ng
đứng của gi ầu quốc tế và sự n ra không ngừng nghỉ của NĐT nƣớc ngoài
và P là hai mã ẫn ắt đến những con sóng lớn của năm nay (hai
46
lần nâng chỉ số VN-Index trên mức 600 điểm, trong đó có lần lên gần đến 640
điểm) nhƣng cũng ch nh là yếu tố gây nên những đợt giảm sâu của thị trƣờng (đợt
thấp nhất là xuống đến mức 510 điểm).
2.2.2. 2015.
Tháng 1/2015.
Hình 2.4: Diễn biến chỉ số VN-Index tháng 1/2015.
Ngu n: Xử lý bằng phần m m excel.
ƣớc sang năm 2015, tuy thanh khoản chƣa có ấu hiệu cải thiện nhƣng thị
trƣờng đã hồi phục trở lại khi chỉ số trên hai sàn tăng kh t ch cực ởi sự trỗi ậy
của nhóm CP ngân hàng và CP đầu cơ Phiên giao dịch ngày 6/1, CP ngân hàng bắt
đầu tăng gi trên iện rộng Đƣợc mệnh anh là “CP vua” một thời nhƣng đã từ lâu,
CP ngân hàng không nhận đƣợc sự quan tâm của các NĐT do những khó khăn của
ngành trong qu trình t i cơ cấu. Tuy nhiên, việc CP C tăng gi đột ngột nhờ vào
động thái mua mạnh của khối ngoại đã khiến thị trƣờng phải hƣớng sự chú ý trở lại
nhóm CP ngân hàng. Ngày 9 1, CP và CP ngân hàng tăng trần hàng loạt đã
giúp VN-Index tăng 16 điểm và chốt tuần đầu tiên của năm 2015 ở mức 569,7 điểm.
ƣớc qua tuần thứ 2, TTCK giằng co tại vùng kháng cự, VN-Index ao động trong
vùng 575-580 điểm; nhóm CP ngân hàng chịu áp lực đi u chỉnh mạnh. Tuy nhiên,
47
c c CP nhóm này đã tăng trở lại trong hai phiên cuối của tuần thứ ba (22 và 23/1)
và kéo chỉ số VN-Index đi lên Đặc biệt, ngày 22/1, trong khi suốt phần lớn phiên
giao dịch, thị trƣờng vật vờ thiếu sinh khí, giá trồi sụt, thanh khoản kém thì vào gần
cuối phiên nhóm CP ngân hàng bất ngờ bùng n và trở lại vị thế dẫn dắt. Các CP trụ
cột của nhóm nhƣ C , , CT … đ u tăng mạnh Đà tăng này k o th o sự hồi
phục của hầu hết các nhóm CP trên thị trƣờng và giúp cho chỉ số VN-Index lấy lại
đƣợc sắc xanh. Ngày 23/1, VN-Index tiếp tục tăng mạnh cả v điểm số lẫn thanh
khoản và đóng cửa ở mức 582,4 điểm Đến tuần cuối cùng của tháng 1, trừ ngày
28/1 thì các ngày còn lại chỉ số VN-Index liên tục giảm. Nguyên nhân là do việc
đi u chỉnh tỷ lệ ký quỹ để phù hợp với Thông tƣ 36 sắp có hiệu lực đã làm ảnh
hƣởng đến tâm lý NĐT và lan tỏa trên cả thị trƣờng. Không nằm ngoài xu thế
chung, nhóm CP ngân hàng cũng bị đi u chỉnh. Những mã giảm mạnh nhất cũng
chính là những mã đã có mức tăng tốt trong thời gian trƣớc đó nhƣ C ,
BID hay CTG.
Nhìn chung, trong th ng này, CP ngân hàng ch nh là nhóm CP ghi ấu ấn sâu
sắc nhất trên TTC và là nguyên nhân ch nh gi p VN-Index tăng điểm hởi đầu từ
C nhƣng sau một th ng, đứng đầu v tỷ lệ tăng trƣởng gi lại là (tăng gần
50 ) và đứng thứ hai là CT (tăng 35,5 ) ặc ù vậy, nhóm CP này cũng là vấn
đ ăn khoăn và gây nhi u tranh cãi trên toàn thị thƣờng và cả trong giới chuyên
môn ột số kiến thì cho rằng động lực cho sự tăng gi của nhóm CP ngân hàng
trƣớc hết đến từ k vọng vào kết quả kinh oanh khả quan khi thị trƣờng ất động
sản và chứng kho n đ u đã tăng gi , tăng thanh khoản, tạo đi u kiện cho c c ngân
hàng giải quyết nợ xấu Động lực thứ hai là k vọng vào việc t i cơ cấu mạnh m
trong năm nay đối với ngành ngân hàng, thể hiện qua chủ trƣơng th c đẩy việc s p
nhập giữa c c ngân hàng của N NN Tuy nhiên, cũng có một số kiến thì cho rằng
có khả năng nhóm CP ngân hàng đã đƣợc đẩy gi lên để tạo đi u kiện thuận lợi cho
việc chuyển nhƣợng CP trong ngành này trƣớc thời điểm Thông tƣ 36 ch nh thức có
hiệu lực
48
Tháng 2/2015.
Hình 2.5: Diễn biến chỉ số VN-Index tháng 2/2015.
Ngu n: Xử lý bằng phần m m excel.
Ngày 2 2, Thông tƣ 36 ch nh thức có hiệu lực Ngay ngày hôm sau, chỉ số VN-
Index quay đầu giảm mạnh c n 557 điểm o gi c c CP ngân hàng giảm Tuy nhiên,
kết th c 3 phiên làm việc ngày 4/3, VN-Index đã phục hồi, bù lại cho mức giảm
trƣớc đó ặc dù vậy, chƣa thể kết luận rằng thị trƣờng đã tho t ra khỏi xu thế giảm
bởi l sự hồi phục này chủ yếu nhờ vào nhóm CP ngân hàng, trong khi nhi u mã
kh c chƣa hồi phục r n t, nhóm CP đầu cơ không thu h t mạnh dòng ti n khi thanh
khoản không đột biến và giá không biến động mạnh. Sang tuần thứ hai, khối ngoại
tiếp tục mua ròng mạnh trên cả hai sàn, góp phần giúp thị trƣờng tiếp tục duy trì
đƣợc đà tăng điểm Nhƣng thay vì tập trung vào CP ngân hàng và bất động sản nhƣ
những phiên trƣớc, khối ngoại đã chuyển sang nhóm CP chứng kho n nhƣ ,
... Thanh khoản thị trƣờng tiếp tục duy trì ở mức thấp. V mặt chỉ số, VN-Index
tăng điểm do các mã có GTVH lớn tăng, cụ thể nhƣ C, hay , c n phần
đông c c CP c n lại (chủ yếu nhóm dầu khí, bất động sản, vật liệu xây dựng, chứng
khoán) vẫn đang trên đà t ch lũy với thanh khoản thấp. Chốt phiên ngày 13/2, ngày
làm việc cuối cùng trƣớc k nghỉ Tết Nguyên Đ n, nhờ vào số liệu oanh thu n lẻ
49
ở mức cao, cùng với những đồn đo n t ch cực v việc đàm ph n c c hiệp định
thƣơng mại tự o của iệt Nam đã gi p tạo động lực để VN-Index có thể đóng cửa
ở ngƣỡng 587,2 điểm
Tuần giao dịch sau k nghỉ, cũng là tuần cuối cùng của th ng hai, TTC nƣớc
ta mở cửa với phiên tăng điểm mạnh nhờ bộ ba CP ngân hàng VCB, BID, CTG. Chỉ
số VN-Index đạt mức 597 điểm. Đến cuối tuần, ngày 27/2, khối ngoại giảm mua đã
ảnh hƣởng đ ng kể tới thị trƣờng. Chỉ số VN- n x đóng cửa trong sắc đỏ, chốt tại
mức 592,6 điểm, tăng 0,9 so với tuần trƣớc Tết Nguyên Đ n Nhi u CP đã tăng
tốt trong thời gian qua đ u giảm điểm trong ngày này nhƣ C , C T, C, N,
vv… Thanh khoản thị trƣờng nhìn chung không lớn cho thấy áp lực bán không thực
sự mạnh m , chủ yếu do chốt lời ngắn hạn.
Tháng 3/2015.
Hình 2.6: Diễn biến chỉ số VN-Index tháng 3/2015.
Ngu n: Xử lý bằng phần m m excel.
Tâm l t ch cực từ trƣớc k nghỉ tiếp tục đƣợc uy trì sang đầu th ng 3, thêm
vào đó là thông tin tuyên ố có thể không tăng lãi suất trong những th ng tới là
những yếu tố đẩy VN-Index đạt ngƣỡng 600,4 điểm vào ngày 4 3 Tại thời điểm
này, mọi ngƣời đ u lạc quan cho rằng VN-Index s tiếp tục đà tăng cho đến cuối
50
tháng. Tuy nhiên, sau đó, mọi việc ắt đầu trở nên tồi tệ ƣớc sang tuần thứ hai,
các quỹ ETF thực hiện rút vốn, khối ngoại đẩy mạnh bán ra ở nhóm CP dầu khí và
ngân hàng. Mất đi động lực từ hai nhóm CP này khiến thị trƣờng liên tiếp giảm
điểm, chỉ số VN-Index quay đầu giảm xuống ƣới mốc 590 điểm. Kết thúc tuần thứ
hai, VN-Index đóng cửa tại 586,1 điểm, giảm 1,3% so với tuần trƣớc; thanh khoản
trên hai sàn đạt 2.140 tỷ VND/phiên, giảm 15,4% so với tuần trƣớc; khối ngoại bán
ròng 294 tỷ đồng trên cả hai sàn sau khi mua ròng 235 tỷ đồng trong tuần trƣớc.
Khoảng thời gian sau đó, thị trƣờng vẫn tiếp tục ở trong tình trạng ảm đạm do chịu
ảnh hƣởng bởi các yếu tố: khối ngoại liên tục bán ròng khi các quỹ ETF chịu áp lực
rút vốn (đặc biệt là phiên ngày 19 3, n r ng đến 241,8 tỷ đồng); các CP có GTVH
lớn bị chững lại; giá CP của nhóm ngành dầu khí và ngân hàng giảm không ngừng.
Tình hình này k o ài cho đến hết tháng 3, làm cho chỉ số VN-Index cũng giảm
theo. Ngày 20/3, VN-Index đóng cửa tại 575,4 điểm, giảm 1,8% so với tuần thứ hai.
Ngày 27/3, VN-Index v sát mốc 550 điểm, đóng cửa tại 551,4 điểm, giảm 4,2% so
với tuần trƣớc đó
Kết thúc tháng 3, VN-Index đóng cửa tại mức 551,1 điểm tại ngày 31/03/15,
giảm 7% so với cuối th ng 2 và tăng 1,2% so với đầu năm Chỉ trong vòng một
tháng mà VN-Index đã đ nh mất tất cả những nỗ lực tăng điểm trong hai th ng đầu
năm của quý I. Bên cạnh những t c nhân ch nh nhƣ là việc liên tục bán ra của các
quỹ ETF trong nữa tháng sau của tháng 3, sự chi phối của khối ngoại đến TTCK
Việt Nam trong thời gian gần đây thì c n một số yếu tố kh c cũng góp phần làm
cho VN-Index giảm điểm mạnh trong v ng chƣa đầy một th ng, đó là: (1) NHNN
một lần nữa ph gi N o đang trở nên mạnh hơn so với c c loại ti n tệ
kh c trên thế giới; (2) ự thảo Thông tƣ thay thế Thông tƣ 210 v thành lập và hoạt
động của c c công ty chứng kho n đƣợc Ủy an Chứng kho n Nhà nƣớc đƣa ra lấy
kiến và (3) iệc không thể hoàn thành kế hoạch mua CP quỹ đã đ ra từ đầu
năm
51
Tháng 4/2015.
Hình 2.7: Diễn biến chỉ số VN-Index tháng 4/2015.
Ngu n: Xử lý bằng phần m m excel.
ƣớc sang đầu qu , những tƣởng tình hình s khả quan hơn so với th ng 3,
nhƣng ngay trong phiên giao ịch đầu tiên của th ng 4, thị trƣờng đã chứng kiến sự
đi u chỉnh mạnh Chỉ số VN-Index đã giảm hơn 12 điểm, chỉ c n 538,9 điểm
Trong ối cảnh thị trƣờng giảm sâu, khối ngoại đã quay trở lại mua r ng trên toàn
thị trƣờng T nh chung trên hai sàn, khối ngoại đã mua r ng hơn 171 tỷ đồng Trong
hai ngày 2/4 và 3/4, VN-Index đã phục hồi trở lại nhƣng vẫn không chạm đƣợc mốc
550 điểm Đến ngày 7 4 thì thị trƣờng để lại một ấu ấn đ ng nhớ khi VN-Index có
một c đảo chi u ngoạn mục, tăng 5,1 điểm, từ 543 lên 548,1 điểm Thanh khoản
đạt 1 613 tỷ đồng, có gần 300 mã tăng điểm trên 2 sàn Đến tuần giao ịch thứ ba,
toàn thị trƣờng chứng kiến sự ùng n mạnh m của khối ngoại T nh chung trong
cả tuần, khối ngoại đã mua r ng hơn 1 000 tỷ đồng trên cả hai sàn và là tuần thứ 3
mua r ng liên tiếp iệc khối ngoại mua r ng mạnh trong tuần đã gi p chỉ số VN-
Index có tuần giao ịch hết sức thành công, tăng 14,29 điểm so với tuần trƣớc đó,
tƣơng ứng 2,58 lên mức 568,3 điểm Trong những ngày đầu của tuần thứ tƣ, VN-
Index đi u chỉnh giảm hơn 3 o p lực chốt lời ngắn hạn của khối nội khi mà chỉ
52
số này đã tăng 28 so với mức 538,9 điểm của đầu th ng iệc khối ngoại vẫn uy
trì trạng th i mua r ng đã gi p VN-Index giảm ớt p lực đi u chỉnh trong ối cảnh
vẫn chƣa thể khôi phục lại ngƣỡng 570 điểm Cuối tuần thứ tƣ, với sự hỗ trợ của c c
CP ngân hàng và ầu kh , VN-Index tăng 4,5 và đóng cửa tại 565,8 điểm Tuy
nhiên, sang đến ngày 27 4, ngày giao ịch cuối cùng của th ng trƣớc khi ƣớc vào
k ngh lễ, VN-Index giảm 3,4 điểm (tƣơng đƣơng 0,6 ) xuống c n 562,4 điểm
Tâm l thận trọng trƣớc k nghỉ lễ k o ài và th ng 5 “ ll in ay an go away”
sắp đến khiến giao ịch trên thị trƣờng trong ngày này iễn ra không mấy t ch cực
53
3 ỨNG DỤNG MÔ HÌNH ARIMA, ARCH/GARCH
ĐỂ DỰ BÁO CH S VN – INDEX TRONG NGẮN H N
3.1. Giới thi u v mẫu quan sát.
Toàn bộ số liệu của bài nghiên cứu có thể đƣợc chia làm a giai đoạn. Giai
đoạn thứ nhất, từ 01 10 2014 đến 17 04 2015 Đây là giai đoạn thu thập số liệu tạo
nên mẫu quan sát mà bài nghiên cứu sử dụng để từ đó tiến hành ƣớc lƣợng các mô
hình ARIMA, ARCH/GARCH. Các số liệu đƣợc thu thập theo ngày, lấy gi đóng
cửa vào cuối phiên giao dịch và bao gồm tất cả 135 quan s t iai đoạn thứ hai,
trong v ng hơn một tuần (từ 20 4 2015 đến 27 04 2015), là để dự báo ngoài mẫu và
đ nh gi mức độ ch nh x c, cũng nhƣ mức độ phù hợp của mô hình dự o đƣợc
chọn iai đoạn cuối cùng, trong tuần làm việc đầu tiên của tháng 5 (từ 04/05/2015
đến 08/05/2015), tiến hành dự báo chỉ số VN-Index và biến động phƣơng sai của chỉ
số này, đƣa ra kết quả cuối cùng cho bài nghiên cứu.
Dựa trên thống kê mô tả v chuỗi số Bảng 3.1: Thống kê chỉ số VN-Index.
liệu, ta thấy rằng chỉ số VN – Index trong Series: GIA_DONG_CUA
giai đoạn nghiên cứu ao động quanh giá Sample: 10/01/2014 4/17/2015
trị trung bình là 575,95 điểm. Giá trị thấp Observations 135
nhất là 518,2 điểm, vào ngày 17/12/2014, Mean 575,950
đây là thời điểm mà TTC nƣớc ta chịu Median 578,400
ảnh hƣởng bởi sự sụt giảm mạnh của giá Maximum 624,300
dầu thế giới và c c đợt bán ròng liên tiếp Minimum 518,200
của khối ngoại. Giá trị cao nhất là 624,3 Std. Dev. 23,032
điểm, vào ngày 9 10 2014, đạt đƣợc giá trị Skewness - 0,299
này là nhờ sự hỗ trợ của các mã CP có Kurtosis 2,419
GTVH lớn trên HOSE. Những thống kê Jacque – Bera 3,919
này cho thấy kết quả hoàn toàn phù hợp với Probability 0,141
những nhận định và diễn biến đã đƣợc chỉ Ngu n: Xử lý bằng Eviews 6.0 ra ở chƣơng trƣớc.
54
3 2 ớc ng mô hình ARIMA (p, d, q).
3.2.1. Ki ịnh tính dừng c a chu i ch s VN-Index.
Hình 3.1: Biểu đồ biến động chỉ số VN-Index trong giai đoạn nghiên cứu.
Ngu n: Xử lý bằng phần m m Eviews 6.0.
Một cách trực quan, dựa vào đồ thị trên, ta có thể thấy chỉ số VN-Index có diễn
biến tăng hoặc giảm rõ rệt theo từng thời k o đó, có thể suy ra rằng đi u kiện v
giá trị k vọng không đ i theo thời gian đã ị vi phạm và đây là một chuỗi không có
tính dừng. Để chắc chắn hơn v kh ng định này, ta có thể dựa trên kết quả kiểm định nghiệm đơn vị hoặc quan sát c c đồ thị ACF, PACF của chuỗi3. Kết quả kiểm
định nghiệm đơn vị cho thấy p-value lớn hơn 5 Ngoài ra, quan s t các đồ thị ACF
và PACF, các giá trị tại 36 độ trễ đ u kh c 0 có ngh a thống kê nên ta kết luận
chắc chắn rằng chuỗi gốc là không dừng.
Để có thể thực hiện các thao tác dự báo, ta cần chuyển đ i chuỗi gốc thành
chuỗi dừng bằng cách lấy sai phân bậc nhất của chuỗi chỉ số VN-Index.
(3) K t quả kiểm nh nghiệm n v v th ACF, PACF của chu i g c xem
ph l c 1.
55
Hình 3.2: Biểu đồ của chuỗi sai phân bậc nhất của VN-Index theo thời gian.
Ngu n: Xử lý bằng phần m m Eviews 6.0.
Nhìn vào đồ thị trên, ta thấy chuỗi số liệu đã đƣợc “làm trơn”, không c n iến
động mạnh nhƣ chuỗi gốc nữa Tƣơng tự nhƣ trên, để kiểm định tính dừng của
chuỗi sai phân bậc nhất, ta v c c đồ thị tƣơng quan ACF và PACF của chuỗi Đồng
thời, tiến hành kiểm định nghiệm đơn vị cho chuỗi này. Cả hai phƣơng ph p đ u cho ta kết quả là chuỗi sai phân bậc nhất của VN- n x đã có t nh ừng4 o đó, ta
s dựa vào chuỗi sai phân này để tiến hành lựa chọn mô hình ARIMA phù hợp.
3 2 2 ịnh mô hình ARIMA (p, d, q).
Có rất nhi u phƣơng ph p để x c định các thông số p, d, q trong mô hình
ARIMA. Trong số đó, một phƣơng ph p thƣờng đƣợc sử dụng đó là căn cứ vào độ
trễ trên c c lƣợc đồ C và P C (nhƣ đã đ cập ở phần lý thuyết của Chƣơng 1).
Tuy nhiên, phƣơng ph p này không phải l c nào cũng ễ dàng, bởi nó đ i hỏi phải
có kỹ năng quan sát tốt, cũng nhƣ là kinh nghiệm thì mới có thể x c định đƣợc
chính xác bậc của mô hình. Chính vì vậy, trong bài nghiên cứu này, tôi quyết định
sử dụng phƣơng ph p đơn giản hơn để x c định mô hình, đó là phƣơng ph p thử.
(4) K t quả kiểm nh nghiệm n v v th ACF, PACF của chu i sai phân bậc nh t xem ph l c 2.
56
Nội dung của phƣơng ph p này là thế lần lƣợt các giá trị vào p và q rồi so sánh
c c mô hình có đƣợc để chọn ra mô hình tốt nhất. Mô hình tốt nhất là mô hình thỏa mãn các tiêu chí: bậc càng nhỏ càng tốt, tối thiểu hóa AIC, SIC; tối đa hóa R2 đi u
chỉnh và phần ƣ không có tự tƣơng quan
Đối với chuỗi dữ liệu chỉ số VN-Index đƣợc nghiên cứu, chuỗi dừng khi lấy
sai phân bậc nhất nên giá trị d s bằng 1. Ta chỉ việc thực hiện thế lần lƣợt p và q.
Các kết quả thế đƣợc thể hiện trong bảng sau:
Bảng 3.2: c định mô hình ARIMA (p, d, q) phù hợp.
AIC SIC R2 (%)
ARIMA 6,4126 6,4559 0,4182 P-value = 0.1938 Ko có tự tƣơng quan (0,1,1)
ARIMA 6,3691 6,4124 4,6596 P-value = 0.5817 Ko có tự tƣơng quan (0,1,2)
ARIMA 6,4159 6,4594 0,5648 P-value = 0.2134 Ko có tự tƣơng quan (1,1,0)
ARIMA 6,4238 6,4890 1,2725 P-value = 0.2326 Ko có tự tƣơng quan (1,1,1)
ARIMA 6,3838 6,4490 5,1402 P-value = 0.6636 Ko có tự tƣơng quan (1,1,2)
ARIMA 6,3978 6,4415 3,0875 P-value = 0.4272 Ko có tự tƣơng quan (2,1,0)
ARIMA 6,4069 6,4724 3,6744 P-value = 0.4927 Ko có tự tƣơng quan (2,1,1)
ARIMA P-value = 0.6248 Ko có tự tƣơng quan 6,3097 6,3752 12,5985 (2,1,2)
6,3097 6,3752 MIN
12,5985 MAX
Ngu n: T ng hợp từ phần m m Eviews 6.0.
57
Nhìn vào bảng 3.2, ta thấy ngay đƣợc là mô hình ARIMA (2,1,2) thõa mãn
hoàn toàn các tiêu ch đã đ ra và thõa mãn một cách tốt nhất. Nên ta quyết định chọn mô hình này trong số c c mô hình đã thử để dự báo5. Mô hình ARIMA (2,1,2)
đƣợc chọn có phƣơng trình nhƣ sau:
gia_dong_cuat = - 0,296343 – 0,650572*gia_dong_cuat-2 + 0,918128*ut-2 + ut
Để kh ng định chắc chắn hơn rằng mô hình ARIMA (2, 1, 2) là phù hợp tốt
nhất cho chuỗi dữ liệu, ta tiến hành chạy dự báo bằng mô hình này cho giai đoạn
thu thập số liệu để tạo nên mẫu quan sát (từ 01 10 2014 đến 17 04 2015) và đ nh
giá các thông số.
Hình 3.3: Chỉ tiêu đ nh gi kết quả dự báo bằng mô hình ARIMA (2, 1, 2).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
Các chỉ tiêu RMSE, MAE phản ánh chênh lệch giữa giá trị dự báo và giá trị
thực tế, các chỉ tiêu này càng gần v 0 thì càng chính xác. đây, cả RMSE và MAE
đ u lớn hơn 0, tuy nhiên vẫn ở mức thấp nên có thể chấp nhận đƣợc P cũng
mang ngh a tƣơng tự nhƣ hai chỉ tiêu trên nhƣng ở dạng phần trăm và cũng nằm ở
mức cho phép. Hệ số Theil càng tiến v 0 và Bias càng nhỏ thì dự báo càng chính
x c Đối với mô hình ARIMA (2, 1, 2), hệ số Theil là 0,004818, xấp xỉ 0 và Bias
cũng rất nhỏ, chỉ có 0,000001. Nhìn chung thì các chỉ tiêu này cho thấy mô hình
(5) K t quả l ợng chi ti t và kiểm nh t t ng qu n phần ủa các mô hình ARIMA (p, d, q) xem ph l c 3.
58
ARIMA (2, 1, 2) là có thể sử dụng đƣợc để tiến hành dự báo cho chuỗi thời gian
của chỉ số VN-Index. Ta có thể thấy đƣợc đi u này qua đồ thị biểu hiện dữ liệu thực
và dữ liệu dự o đƣợc sau đây
Hình 3.4: Biểu đồ thể hiện giá trị thực và giá trị dự báo chỉ số VN-Index.
Ngu n: Xử lý bằng phần m m Eviews 6.0.
Tiếp tục thƣc hiện dự báo ngoài mẫu cho chỉ số VN-Index trong giai đoạn từ
20 04 2015 đến 27/04/2015 và so sánh với giá trị thực tế.
Bảng 3.3: So sánh giá trị thực tế với giá trị dự báo ngoài mẫu.
i trị thực tế i trị ự o Chênh lệch ai số ự o Ngày (điểm) (điểm) (điểm) (%)
20/04/2015 565,0 - 4,9 0,87 569,9
21/04/2015 562,2 - 6,6 1,17 568,8
22/04/2015 562,5 - 5,4 0,96 567,9
23/04/2015 561,3 - 6,8 1,21 568,1
24/04/2015 565,8 - 2,4 0,42 568,2
27/04/2015 562,4 - 5,2 0,92 567,6
Ngu n: T ng hợp từ phần m m Eviews 6.0 và xử lý bằng Excel 2007.
59
Kết quả dự báo ngoài mẫu bằng mô hình R (2, 1, 2) tƣơng đối sát với
giá trị thực. Mức độ sai số khá thấp (từ 0,42 đến 1,21%). Với độ tin cậy 95% thì
kết quả dự báo này là có thể chấp nhận đƣợc. Mô hình ARIMA (2, 1, 2) phù hợp để
dự báo chỉ số VN- n x trong giai đoạn nghiên cứu.
Tuy nhiên, mô hình ARIMA nói chung có một nhƣợc điểm là không khắc
phục đƣợc hiện tƣợng phƣơng sai sai số thay đ i của chuỗi thời gian. o đó, ta nên
kiểm tra xem liệu mô hình R (2, 1, 2) đƣợc chọn có bị ảnh hƣởng của hiệu
ứng này hay không.
3.3. Ki ịnh tính ARCH.
Kết quả kiểm tra tính ARCH cho thấy có tồn tại hiệu ứng phƣơng sai sai số thay
đ i đối với chuỗi sai phân bậc nhất của VN-Index trên mô hình ARIMA (2, 1, 2).
Cho c c độ trễ thay đ i, chạy lần lƣợt từ 1, để x c định bậc của mô hình ARCH phù hợp6. Từ kết quả kiểm định ARCH bậc 9, ta có resid^2(-9) = 0,7305,
không có ngh a thống kê với mức ngh a 5 Nên kết luận rằng hiệu ứng ARCH
của mô hình là bậc 8.
Ta có thể sử dụng mô hình RC (8) để dự báo và khắc phục hiện tƣợng
phƣơng sai sai số thay đ i. Tuy nhiên do mô hình này có quá nhi u độ trễ nên có thể
làm ảnh hƣởng kết quả ƣớc lƣợng do số bậc tự do bị giảm đ ng kể trong mô hình.
o đó, ta s sử dụng mô hình RC để ƣớc lƣợng.
3.4. ớ ng mô hình GARCH (p, q).
Tƣơng tự nhƣ đối với mô hình ARIMA, ở đây ta cũng sử dụng phƣơng ph p
thử và dựa vào các tiêu chí: bậc nhỏ, C, C; vv… để lựa chọn mô hình GARCH phù hợp nhất7.
(6) K t quả kiểm nh tính ARCH của mô hình ARIMA (2, 1, 2) t i trễ khác nhau xem chi ti t t i ph l c 4. (7) K t quả l ợng các mô hình GARCH (p, q) xem chi ti t ph l c 5.
60
Bảng 3 4: c định mô hình GARCH (p, q) phù hợp.
Mô hình AIC SIC RMSE MAE MAPE Theil Bias
GARCH 6,3395 6,4487 26,6135 20,0239 3,5951 0,0227 0,4156 (0,1)
GARCH 3,5526 0,0225 0,4039 6,3359 6,4451 26,3432 19,7884 (1, 0)
GARCH 6,3404 6,4715 24,0981 17,7749 3,1865 0,0207 0,2901 (1,1)
GARCH 6,3540 6,5069 27,1109 20,4660 3,6748 0,0231 0,4352 (1,2)
GARCH 6,3446 6,4974 27,2215 20,5662 3,6929 0,0232 0,4392 (2,1)
GARCH 6,3543 6,5290 26,1469 19,6089 3,5201 0,0224 0,3956 (2,2)
Min 6.3359 6.4451 24,0981 17,7749 3,1865 0,0207 0,2901
Ngu n: T ng hợp từ phần m m Eviews 6.0.
Mô hình GARCH (1, 0) tối thiểu hóa AIC và SIC. Mô hình GARCH (1, 1) tối
thiểu hóa các giá trị RMSE, MAE, MAPE, Theil và Bias. Từ đó cho thấy mô hình
GARCH (1, 1) có nhi u chỉ số tối ƣu hơn so với các mô hình khác. Bên cạnh đó,
các hệ số RC , RC trong mô hình đ u có ngh a thống kê ở mức 5% và
t ng hai hệ số này nhỏ hơn 1, đảm bảo tính dừng của phƣơng sai có đi u kiện.
Ngoài ra, khi kiểm tra tính ARCH của mô hình GARCH (1, 1) thì thấy p-value lớn hơn 5 , mô hình không c n hiện tƣợng phƣơng sai sai số thay đ i nữa8.
(8) K t quả kiểm nh tính ARCH của mô hình GARCH (1, 1) xem chi ti t t i ph l c 6.
61
Hình 3.5: Phân phối xác xuất phần ƣ RC (1, 1)
Ngu n: T ng hợp từ phần m m Eviews 6.0.
Tiến hành chẩn đo n phần ƣ của mô hình GARCH (1, 1), ta thấy giá trị p-
value = 0,4567, chứng tỏ phần ƣ có phân phối chuẩn. o đó, ta quyết định lựa
chọn mô hình RC (1, 1) để dự báo.
Phƣơng trình trung ình có đi u kiện và phƣơng trình phƣơng sai có đi u kiện
của chuỗi VN- n x ƣớc lƣợng từ mô hình GARCH (1, 1) lần lƣợt có dạng nhƣ sau:
gia_dong_cuat = - 0,220469 – 0,670080*gia_dong_cuat - 2 + 0,926950*ut - 2 + ut
với ut ~ N (0, ht)
2 = 8,302791 + 0,089240*ut-1
2 + 0,641764*ht-1
ht = ζt
3.5. Ti n hành d báo
Từ những lập luận đã trình ày ở trên, sử dụng mô hình RC (1, 1) để tiến
hành dự o điểm chỉ số VN-Index và biến động phƣơng sai có đi u kiện của chỉ số
này bằng trong khoảng thời gian tuần làm việc đầu tiên của tháng 5/2015.
62
Bảng 3.5: Kết quả dự báo chỉ số VN- n x và phƣơng sai có đi u kiện.
Ngày - e ( ) ( )
556,7 4,15 04/05/2015
555,4 4,01 05/05/2015
554,2 3,98 06/05/2015
555,8 4,06 07/05/2015
556,3 4,12 08/05/2015
Ngu n: T ng hợp từ phần m m Eviews 6.0.
Chỉ số VN- n x đầu th ng 5 đƣợc dự báo là s giảm tƣơng đối mạnh so với
thời điểm cuối tháng 4: thấp hơn gần 6 điểm so với giá trị thực tế vào ngày 27/4
(562,4 điểm) và thấp hơn gần 11 điểm so với giá trị đƣợc dự báo bằng mô hình
ARIMA (2, 1, 2) cũng vào ngày 27/4 (567,6 điểm). u hƣớng của thị trƣờng trong
tuần này đƣợc dự báo là s giảm trong những ngày đầu tuần và sau đó tăng điểm trở
lại trong những ngày cuối tuần. Nhƣng x t chung trong cả tuần thì xu hƣớng giảm
vẫn là chủ đạo, từ 556,7 điểm vào đầu tuần giảm c n 556,3 điểm vào cuối tuần.
Mặc dù vậy, mức độ ao động là không quá lớn, quanh ngƣỡng 555 điểm.
ình 3 6: Đồ thị kết quả dự báo chỉ số VN-Index.
Ngu n: Xử lý bằng phần m m excel.
63
Phƣơng sai có đi u kiện của chỉ số VN- n x đƣợc dự báo s ao động trong
khoảng từ 3,98 điểm đến 4,15 điểm. Giá trị của phƣơng sai nhƣ thế này có thể xem
là tƣơng đối thấp u hƣớng biến động của phƣơng sai có đi u kiện tƣơng tự nhƣ xu
hƣớng của chỉ số VN-Index.
Hình 3.7: Đồ thị kết quả dự o phƣơng sai có đi u kiện.
Ngu n: Xử lý bằng phần m m excel.
3.6. Nh n xét k t qu .
Với chuỗi dữ liệu chỉ số VN- n x trong giai đoạn từ 01 10 2014 đến
17 04 2015, an đầu bài nghiên cứu lựa chọn mô hình R (2, 1, 2) để thực
hiện dự báo ngoài mẫu. Với phƣơng trình trung bình có dạng gia_dong_cuat =
- 0,296343 – 0,650572*gia_dong_cuat-2 + 0,918128*ut-2 + ut, mô hình này cho ra
kết quả dự báo ngoài mẫu khá tốt, không chênh lệch quá nhi u so với giá trị thực tế.
Tuy nhiên, bản thân mô hình này lại có tính ARCH và bậc tƣơng đối cao o đó, ta
nên sử dụng mô hình RC để thay thế. Qua qu trình đ nh gi c c tiêu ch kh c
nhau thì mô hình RC (1, 1) đƣợc chọn làm mô hình cuối cùng để dự báo cho
cả chỉ số VN-Index và rủi ro biến động phƣơng sai của VN-Index.
au khi ƣớc lƣợng bằng mô hình RC (1, 1) thì phƣơng trình trung ình
l c đầu trở thành phƣơng trình trung ình có đi u kiện, và có dạng gia_dong_cuat =
- 0,220469 – 0,670080*gia_dong_cuat - 2 + 0,926950*ut - 2 + ut, với ut tuân theo quy
64
luật phân phối chuẩn. Các hệ số của phƣơng trình kh c 0 hàm là gi đóng cửa của
chỉ số VN-Index tại thời điểm hiện tại phụ thuộc vào giá trị của nó trong quá khứ và
sai số ngẫu nhiên trong quá khứ. Cụ thể: hệ số AR (2) là – 0,670080 (nhỏ hơn 0)
chứng tỏ giá trị VN-Index tại thời điểm hiện tại có mối liên hệ tƣơng quan âm với
giá trị VN- n x trƣớc đó hai thời điểm; hệ số MA (2) là 0,926950 (lớn hơn 0) cho
thấy là chỉ số VN-Index của hiện tại tƣơng quan ƣơng với sai số ngẫu nhiên quá
khứ, hay nói cách khác là với các thông tin quá khứ c ch đó hai thời điểm. Nếu có
một thông tin tốt t c động lên VN- n x trƣớc đó hai ngày thì s làm cho VN-Index
của ngày hôm nay tăng điểm và ngƣợc lại.
2 = 8,302791 + 0,089240*ut-1
Bên cạnh giá trị trung ình thì mô hình RC (1, 1) c n ƣớc lƣợng thêm cả 2 + phƣơng sai có đi u kiện với phƣơng trình là ht = σt
0,641764*ht-1. Phƣơng trình ao gồm hai thành phần, đó là thông tin qu khứ và
phƣơng sai có đi u kiện trong quá khứ. Hệ số của các thành phần này trong phƣơng
trình đ u ƣơng (hệ số ARCH (1) là 0,089240, hệ số GARCH (1) là 0,641764) và
đ u có ngh a thống kê, cho thấy rằng phƣơng sai có đi u kiện ở hiện tại đ u tƣơng
quan ƣơng với thông tin trong quá khứ và phƣơng sai có đi u kiện trong quá khứ
của thời điểm ngay trƣớc đó. Hay nói cách khác, mức độ ao động chỉ số VN-Index
của hiện tại vừa phụ thuộc vào sự thay đ i của chỉ số VN-Index trong quá khứ (thể
hiện qua hệ số ARCH), vừa phụ thuộc cả vào mức độ ao động của sự thay đ i này
trong quá khứ (thể hiện qua hệ số GARCH). Trong đó, hệ số GARCH (1) lớn hơn
hệ số ARCH (1) chứng tỏ sự t c động của phƣơng sai có đi u kiện trong quá khứ
đến phƣơng sai có đi u kiện hiện tại là mạnh hơn so với sự t c động của thông tin
quá khứ.
V kết quả dự báo, trong tuần đầu tiên của tháng 5, cũng là tuần giao dịch đầu
tiên của TTCK nƣớc ta sau k nghỉ lễ kéo dài, thị trƣờng đƣợc dự báo là s không
mấy sôi động. Chỉ số VN- n x đƣợc dự báo là s giảm tƣơng đối mạnh so với thời
điểm cuối th ng 4 và xu hƣớng giảm tiếp tục duy trì trong hầu hết tuần.
65
Giới đầu tƣ chứng khoán có câu châm ngôn “ ll in May and go away”. Đây
là thuật ngữ đƣợc đ c kết từ số liệu thống kê trên TTCK Mỹ, phản ánh một chu k
suy giảm thƣờng thấy của thị trƣờng. Cụ thể, ngƣời ta thƣờng cho rằng TTC có
mức sinh lợi rất thấp ắt đầu từ th ng 5 hàng năm và khuyên NĐT nên n vào giai
đoạn này, giữ ti n mặt, sau đó đầu tƣ trở lại vào giai đoạn th ng 11 để tránh yếu tố
mùa vụ. Dù không phải áp dụng cho TTCK Việt Nam, nhƣng cứ vào những phiên
giao dịch đầu tiên của th ng 5 hàng năm, câu châm ngôn “Sell in May and go
away” lại đƣợc toàn thị trƣờng đ m ra àn t n sôi n i. Nguyên nhân là do tháng 5
thƣờng là vùng trũng của thông tin và theo thống kê thị trƣờng nƣớc ta 5 năm trở lại
đây cho thấy, có đến 4 năm thị trƣờng giảm điểm trong tháng này (c c năm 2010,
2011, 2012, 2014), chỉ duy nhất một năm có iễn biến tăng (năm 2013) Từ đó mà
câu nói này có ảnh hƣởng ít nhi u tới tâm l c c NĐT trong nƣớc, làm cho thị
trƣờng tháng 5 hằng năm iễn biến ko mấy khả quan bởi c c đợt bán CP hàng loạt.
Dựa trên mô hình GARCH (1, 1), bài nghiên cứu chỉ mới đƣa ra kết quả dự
báo cho tuần đầu tiên của tháng 5, bởi vậy khó mà nói trƣớc đƣợc TTCK tháng 5 s
diễn biến nhƣ thế nào Nhƣng từ kết quả dự báo này ta có thể thấy câu châm ngôn
“ ll in May and go away” ƣờng nhƣ là phù hợp để phán ánh tình hình thị trƣờng
nƣớc ta trong tuần đầu tiên của th ng 5 năm nay.
3.7. So sánh với m t s bài nghiên c u khác.
Đ tài nghiên cứu v chỉ số VN-Index thông qua các mô hình ARIMA,
RC RC cũng đã đƣợc rất nhi u ngƣời thực hiện. Từ kết quả ở phần trên, tiến
hành so sánh với một số nghiên cứu kh c, để tìm ra những điểm khác biệt giữa mỗi bài.
Thứ nhất, là bài “Đo lƣờng sự ao động của chỉ số chứng khoán VN-Index
thông qua mô hình GARCH” của ThS. Trần Sỹ Mạnh và Th Đỗ Khắc ƣởng.
Điểm khác biệt đầu tiên là v mẫu quan sát. Nghiên cứu của hai thạc s này sử dụng
đến 2692 quan sát, dữ liệu kéo dài trong suốt hơn 10 năm từ 28 7 2000 đến
30 12 2011 để đo lƣờng sự biến động; còn bài của tác giả, do mục tiêu là dự báo
trong ngắn hạn nên mẫu quan sát chỉ đƣợc lấy trong vài tháng. Bên cạnh đó, mặc dù
đ u sử dụng mô hình RC để nghiên cứu v VN- n x, nhƣng ài nghiên cứu
của Trần Sỹ Mạnh và Đỗ Khắc ƣởng thực hiện ƣớc lƣợng mô hình theo bốn quy
66
luật phân phối khác nhau, bao gồm: quy luật phân phối chuẩn, quy luật phân phối t-
student, quy luật phân phối sai số t ng quát và quy luật phân phối t-student lệch;
trong khi bài của tác giả chỉ ƣớc lƣợng theo quy luật phân phối chuẩn. Cũng ch nh
vì việc sử dụng các quy luật phân phối khác nhau này nên các tiêu ch đƣợc đƣa ra
để lựa chọn mô hình phù hợp giữa hai bài cũng không giống nhau. Trong các phần
đã trình ày ở trên, tác giả lựa chọn các chỉ số AIC, SIC, RMSE, MAE, MAPE,
Th il và ias để làm tiêu ch đ nh gi Đối với nghiên cứu của Trần Sỹ Mạnh và Đỗ
Khắc ƣởng, ngoài một vài chỉ số nhƣ trên đƣợc sử dụng thì còn sử dụng thêm các
tiêu ch nhƣ là: LL ( ình phƣơng sai số lô-ga-r t), ( ình phƣơng sai số trung
ình đi u chỉnh không đồng nhất), ( ình phƣơng sai số tuyệt đối đi u chỉnh
không đồng nhất), QLIKE (hàm hợp lý tối đa)
Thứ hai, là ài “ pplication o R mo l or t sting s rial in p n nc of stock prices at the HSEC9” của tác giả Cao Hào Thi, nghiên cứu v t nh “độc lập
theo chuỗi” (s rial in p n nc ) của chỉ số chứng khoán trên sàn giao dịch chứng
khoán thành phố Hồ Chí Minh. Điểm khác biệt lớn nhất giữa hai nghiên cứu là v
thời gian và không gian nghiên cứu. Cao Hào Thi nghiên cứu trong giai đoạn từ
th ng 7 2000 đến tháng 3/2003, trong gần 3 năm, đây là giai đoạn mới hình thành
của sàn giao dịch chứng khoán thành phố Hồ Ch inh nói riêng, cũng nhƣ của
TTC nƣớc ta nói chung. Đối tƣợng mà ông nghiên cứu bao gồm chỉ số chứng
khoán VN-Index và 5 CP đƣợc niêm yết và giao ịch trong một thời gian tƣơng đối
dài trên sàn giao dịch chứng khoán thành phố Hồ Ch inh l c đó Còn trong bài
của mình, tác giả chỉ tập trung vào xem xét chỉ số VN-Index trong khoảng thời gian
vài tháng gần đây C c lập luận và cách thức thực hiện bằng mô hình ARIMA của
cả hai ài là tƣơng đối giống nhau. Tuy nhiên, sau khi tiến hành phân tích và dự báo
bằng mô hình ARIMA, tác giả sử dụng thêm mô hình RC RC để khắc phục
phƣơng sai sai số thay đ i của chuỗi thời gian. Còn Cao Hào Thi thì lại chuyển sang
xây dựng mô hình hồi quy để thiết lập mối quan hệ giữa chỉ số VN-Index và 5 CP
đƣợc nghiên cứu.
(9) HSEC (Trung tâm Giao d ch chứng khoán Thành ph H Chí Minh), vi t tắt của Ho Chi Minh City Stock Exchange Center, là tên g i ban ầu khi m i ợc thành lập của S Giao d ch Chứng khoán Thành ph H Chí Minh (Ho Chi Minh Stock Exchange) ngày nay.
67
ẾT LU N
1. K t qu c.
Bài nghiên cứu đã thực hiện đƣợc mục tiêu quan trọng nhất đ ra an đầu, đó
là dự báo chỉ số VN-Index trong ngắn hạn ua qu trình phân t ch và đ nh gi kỹ
lƣỡng, bài nghiên cứu đã lựa chọn mô hình GARCH (1, 1) là mô hình phù hợp nhất
để thực hiện dự báo. Mô hình này vừa khắc phục đƣợc hiện tƣợng phƣơng sai sai số
thay đ i mà mô hình R (2, 1, 2) không làm đƣợc, vừa đơn giản và có độ t ng
qu t cao hơn so với mô hình ARCH (8). Các kết quả dự báo ngoài mẫu có độ chính
xác khá cao. Kết quả dự báo giá trị trung bình của chỉ số VN-Index bằng mô hình
GARCH (1, 1) biến động quanh ngƣỡng 555 điểm u hƣớng biến động chủ yếu
của VN-Index trong thời gian dự báo là giảm. Giá trị dự báo của phƣơng sai có đi u
kiện của chỉ số VN- n x là tƣơng đối thấp, ao động trong khoảng từ 3,98 điểm
đến 4,15 điểm. Các kết quả dự báo này s giúp cho c c NĐT có đƣợc một cái nhìn
bao quát v thị trƣờng trong một khoảng thời gian ngắn.
Bên cạnh kết quả dự báo của chỉ số VN-Index, bài nghiên cứu còn nêu lên
đƣợc những vấn đ cơ ản v chuỗi thời gian và bài toán dự o Trong đó, đặc biệt
chú trọng đến việc phân tích các mô hình dự báo ph biến hiện nay, bao gồm các
mô hình R , RC RC , cũng nhƣ là đi sâu vào làm r c c c ch thức và
tiêu chuẩn kiểm định để lựa chọn đƣợc mô hình tối ƣu nhất. Từ đó, cung cấp một cơ
sở lý thuyết vững chắc để có thể dễ dàng áp dụng vào việc dự báo.
2. H n ch c a bài nghiên c u.
Do thời gian nghiên cứu và kiến thức của bản thân có hạn nên bài nghiên cứu
không thể tránh khỏi một vài thiếu sót và hạn chế nhất định:
Do mục tiêu nghiên cứu là dự báo theo ngày cho chỉ số VN-Index trong
khoảng thời gian một tuần nên số lƣợng các quan sát của nghiên cứu chƣa nhi u.
Mẫu quan sát chỉ bao gồm 135 quan sát, thu thập trong giai đoạn từ 01 10 2014 đến
17/04/2015.
68
Do bị giới hạn v mặt tài liệu nên bài nghiên cứu vẫn chƣa thể tìm hiểu
nhi u v các biến thể của các mô hình ARIMA, ARCH, GARCH. Vì l đó mà
không vận dụng đƣợc các biến thể này vào trong quá trình dự báo. Nếu có sử dụng
thêm các mô hình biến thể thì s có nhi u mô hình hơn để đ nh gi và lựa chọn,
đi u này s giúp chọn đƣợc mô hình phù hợp nhất với đặc điểm của chuỗi dữ liệu.
Các mô hình ARIMA, ARCH/GARCH chỉ sử dụng đơn thuần các giá trị
quá khứ để dự báo. Bởi vậy các mô hình xây dựng đƣợc đ u ở dạng đơn iến, đơn
chuỗi, chƣa thể phản nh đƣợc sự t c động của các yếu tố v mô ên ngoài đến kết
quả dự báo.
3. ớng phát tri tài.
Từ những hạn chế đã nêu ở trên, tác giả đ xuất một số hƣớng mới để phát
triển hơn nữa đ tài này nhƣ sau:
Thay đ i độ dài của mẫu quan sát tùy theo mục đ ch nghiên cứu. Mở rộng
mẫu quan s t ài hơn, có thể là trong vài năm, để nắm bắt biến động của phƣơng sai
có đi u kiện đƣợc tốt hơn
Kết hợp các mô hình dự o R , RC RC đã sử dụng với một
mô hình kinh tế lƣợng khác, ch ng hạn nhƣ là mô hình nhân quả, mô hình ngoại suy
xu thế, mô hình aR, vv… để vừa dự o đƣợc biến số cần nghiên cứu, vừa phân
t ch đƣợc sự ảnh hƣởng của các nhân tố kh c t c động đến biến đó
Có thể vẫn tiếp tục sử dụng các mô hình ARIMA, ARCH/GARCH. Tuy
nhi n cần b sung thêm vào nghiên cứu các biến thể của từng mô hình. Hoặc ƣớc
lƣợng mô hình, đặc biệt là mô hình GARCH, dựa trên nhi u phân phối khác nhau.
Để tìm ra đƣợc mô hình phản ánh tốt nhất c c đặc điểm của chuỗi dữ liệu.
B sung thêm nhi u biến vào mô hình để mô hình trở thành đa iến. Thay
vì chỉ phụ thuộc vào các giá trị hiện tại, quá khứ, các sai số thì đại lƣợng nghiên cứu
s còn chịu ảnh hƣởng thêm bởi các biến độc lập b sung vào mô hình. Từ đó, mức
độ tin cậy của kết quả dự o đƣợc từ mô hình s đƣợc cải thiện hơn
69
TÀI LI U THAM KHẢO
Ti ng Vi t
[1] Phạm Trí Cao (2009), Giáo trình kinh t l ợng ứng d ng, NXB Thống kê, TP.
HCM.
[2] Nguyễn Quang Dong (2012), Giáo trình kinh t l ợng, Đại học Quốc gia Hà
Nội.
[3] Thục Đoan & Cao ào Thi (2012 - 2014), i inh t l ợng v chu i
th i gian II: D báo v i m h nh v , Chƣơng trình giảng dạy
kinh tế Fullbright.
[4] Thục Đoan & Cao ào Thi (2012 - 2014), i Chu i th i gian trong
kinh t l ợng Chƣơng trình giảng dạy kinh tế Fullbright.
[5] Đỗ Quang Giám (2012), Xây d ng mô hình Arima cho d báo khách du l ch
qu c t n Việt Nam, Tạp chí Khoa học và Phát triển - Tập 10 Số 2, Trƣờng
Đại học Nông nghiệp Hà Nội.
[6] ũ Thị ƣơng (2012), ỹ thuật khai phá dữ liệu chu i th i gian áp d ng
trong d báo giá chứng kho n Luận văn thạc s , ọc viện Công nghệ ƣu
chính và viễn thông.
[7] Lê Thị ƣơng Lan 2011) i o tr nh h tr ng hứng kho n Đại học Kinh
tế quốc dân.
[8] Trần Sỹ Mạnh Mạnh & Đỗ Khắc ƣởng (2010), Đo l ng s o ng chỉ s
chứng khoán VN-Index thông qua mô hình GARCH, Học viện tài chính.
[9] Nguyễn hắc inh (2002) – C ph ng ph p ph n t h o trong kinh
t Đại học Kinh tế quốc dân.
[10] Nguyễn ăn Ngọc (2013), D báo trong kinh doanh- h ng ph p o -
Jenkin, Khoa Kinh tế, Đại học Nha Trang.
70
[11] Nguyễn Ngọc Thiệp (2010), M t s ph ng ph p kh i ph ữ liệu quan hệ
trong tài chính và chứng khoán - Mô hình Arima, Trƣờng Đại học Công nghệ,
Đại học Quốc gia Hà Nội.
[12] Bùi Quang Trung (2010), Ứng d ng m h nh rim ể d báo VnIndex, Tuyển
tập Báo cáo Hội nghị Sinh viên Nghiên cứu Khoa Học lần thứ 7, Đại học Đà
Nẵng.
13 Nguyễn iệt, Ứng ng m h nh – C trong o tỷ su t sinh
l i ủ o nh nghiệp v n h l n ni m t tr n s n gi o h hứn
kho n Ch inh – hóa luận tốt nghiệp hóa 44 TCN Đại học inh tế
Huế.
Ti ng Anh
[1] Cao Hao Thi (2002), Applic tion of rim mo l for t sting S ri l
in p n n of sto k pri s t th SEC HoChiMinh City University of
Technology.
[2] Chris Books (2008), Introductory Econometrics for Finance, Second Edition,
The ICMA Centre, University Cambridge.
[3] Gujarati D.N. Basic (2004), Basic Econometrics.
[4] Jeffrey E Jarrett and Eric Kyper (2011), ARIMA modeling with intervention to
forecast and analyze Chinese stock prices University of Rhode Island.
[5] Jun Zhang (2009), Applying time series analysis builds stock price forecast
model, Department of Science, Yanshan University.
Các trang web tham kh o
- http://vneconomy.vn/chung-khoan/cnbc-gia-dau-co-the-gay-suc-ep-chung-
khoan-viet-nam-20141210021035918.htm
- http://vneconomy.vn/20131211084752332P0C7/quy-mo-thi-truong-chung-
khoan-nam-2013-dat-31-gdp.htm
71
- http://tinnhanhchungkhoan.vn/chung-khoan/top-10-co-phieu-tanggiam-tuan-
qua-co-phieu-ngan-hang-khoang-san-but-pha-109904.html
- http://s.cafef.vn/SHB-145463/song-co-phieu-ngan-hang-lieu-co-noi.chn
- http://cafef.vn/thi-truong-chung-khoan/co-phieu-ngan-hang-bung-no-con-
song-dai-hay-cu-nuoc-rut-truoc-thong-tu-36-20150129023857566.chn
https://www.bsc.com.vn/News/2015/1/9/424934.aspx
- http://stox.vn/tin-tuc/stock/237355/co-phieu-ngan-hang-sap-qua-thoi-ngu-
dong.html
- http://stox.vn/tin-tuc/stock/234266/ttck-nhom-dau-khi-dang-do-day.html
- http://stox.vn/tin-tuc/stock/233166/co-phieu-dau-khi-troi-theo-gia-dau.html
- http://vietstock.vn/2011/01/chung-khoan-2010-nhung-moc-thang-tram-830-
177162.htm
- http://thoibaotaichinhvietnam.vn/pages/chung-khoan/2015-01-22/chung-
khoan-22-1-co-ngan-hang-but-pha-thi-truong-hoi-sinh-17424.aspx
- http://www.vinacorp.vn/news/co-phieu-ngan-hang-noi-loan-khong-so-thong-
tu-36/ct-570462
- http://nfsc.gov.vn/dinh-che-tai-chinh/tong-quan-thi-truong-chung-khoan-viet-
nam-2011
- https://www.tvs.vn/images/2014/document/nhan%20dinh%20thi%20truong/2
014/t11/TrienVongViMo_TTCKt112014.pdf
- https://www.tvs.vn/images/2014/document/nhan%20dinh%20thi%20truong/2
014/t12/BaoCaoViMo_Thang12.pdf
- https://www.tvs.vn/images/2014/document/company%20reports/2015/T01/BA
O_CAO_NAM_2014___TRIEN_VONG_NAM_2015.pdf
- http://tinnhanhchungkhoan.vn/nhan-dinh/goc-nhin-chuyen-gia-tuan-moi-co-
hoi-lon-trong-nam-118748.html
- http://vietstock.vn/2013/05/vi-sao-khong-nen-sell-in-may-and-go-away-772-
296086.htm
- http://www.slideshare.net/Kungfu88vn/m-hnh-d-bo-arima
72
PHỤ LỤC
1. K t qu ki ịnh tính dừng c a chu i g c
1% level 5% level 10% level
t-Statistic -1.829545 -3.479656 -2.883073 -2.578331
t-Statistic -1.829545 1.803982
Null Hypothesis: GIA_DONG_CUA has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=12) Augmented Dickey-Fuller test statistic Test critical values: *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(GIA_DONG_CUA) Method: Least Squares Date: 05/10/15 Time: 17:58 Sample (adjusted): 10/02/2014 4/17/2015 Included observations: 134 after adjustments Std. Error Variable 0.022020 GIA_DONG_CUA(-1) 12.69373 C Mean dependent var R-squared S.D. dependent var Adjusted R-squared Akaike info criterion S.E. of regression Schwarz criterion Sum squared resid Hannan-Quinn criter. Log likelihood Durbin-Watson stat F-statistic Prob(F-statistic)
Coefficient -0.040286 22.89926 0.024731 0.017342 5.868331 4545.725 -426.2527 3.347237 0.069575
Prob.* 0.3649 Prob. 0.0696 0.0735 -0.305970 5.919888 6.391831 6.435082 6.409407 1.819056
Hình 1: Kiểm định nghiệm đơn vị của chuỗi gốc.
Ngu n: Xử lý bằng phần m m Eviews 6.0. Giá trị p - value = 0,3649, lớn hơn 5 nên kết luận rằng chuỗi có nghiệm đơn
vị và không dừng.
Ngoài ra, dựa vào giá trị t quan sát, ta thấy chuỗi gốc có = 1,829545 nhỏ
hơn tất cả c c gi trị tại c c mức ngh a 1 , 5 và 10 nên ta chấp nhận giả
thiết 0: chuỗi không ừng
73
Date: 05/10/15 Time: 18:00 Sample: 10/01/2014 4/17/2015 Included observations: 135 Autocorrelation .|******* .|******* .|******| .|******| .|***** | .|***** | .|***** | .|**** | .|**** | .|*** | .|*** | .|** | .|** | .|** | .|* | .|* | .|. | .|. | .|. | .|. | .|. | .|. | .|. | *|. | *|. | *|. | *|. | *|. | *|. | *|. | *|. | **|. | **|. | **|. | **|. | **|. | Partial Correlation .|******* *|. | *|. | .|. | .|* | *|. | **|. | .|. | .|. | .|. | .|. | .|* | *|. | *|. | *|. | .|* | .|* | *|. | .|* | .|. | .|. | *|. | *|. | *|. | *|. | *|. | .|* | .|* | .|. | .|. | *|. | *|. | .|. | .|. | .|. | .|* | AC PAC Q-Stat Prob 0.959 0.959 126.91 0.000 1 -0.104 242.34 0.000 0.911 2 0.852 -0.163 343.98 0.000 3 0.794 0.015 433.08 0.000 4 0.744 0.074 511.89 0.000 5 -0.098 580.27 0.000 0.691 6 -0.222 636.51 0.000 0.624 7 -0.032 681.28 0.000 0.554 8 0.485 0.024 715.83 0.000 9 -0.016 741.90 0.000 10 0.420 11 0.360 -0.026 761.25 0.000 12 0.317 0.178 776.37 0.000 -0.090 787.42 0.000 13 0.270 -0.151 794.75 0.000 14 0.219 15 0.159 -0.125 798.67 0.000 16 0.110 0.170 800.54 0.000 17 0.073 0.108 801.37 0.000 18 0.043 -0.137 801.65 0.000 19 0.024 0.081 801.75 0.000 20 0.004 0.069 801.75 0.000 21 -0.015 -0.020 801.79 0.000 22 -0.030 -0.073 801.93 0.000 23 -0.049 -0.074 802.33 0.000 24 -0.071 -0.084 803.16 0.000 25 -0.093 -0.103 804.63 0.000 26 -0.118 -0.076 806.98 0.000 27 -0.142 0.074 810.43 0.000 28 -0.163 0.092 815.03 0.000 29 -0.179 0.007 820.59 0.000 30 -0.188 0.039 826.80 0.000 31 -0.198 -0.078 833.78 0.000 32 -0.218 -0.172 842.30 0.000 33 -0.238 -0.035 852.56 0.000 34 -0.262 -0.051 865.09 0.000 35 -0.279 0.014 879.45 0.000 36 -0.284 0.120 894.52 0.000
ình 2: Lƣợc đồ tự tƣơng quan C và tự tƣơng quan từng phần PACF của chuỗi gốc.
Ngu n: Xử lý bằng phần m m Eviews 6.0.
74
2. K t qu ki ịnh tính dừng c a chu i sai phân b c nh t
1% level 5% level 10% level
t-Statistic -10.63234 -0.602494
0.086995 0.515692 S.D. dependent var Akaike info criterion Schwarz criterion
Null Hypothesis: DGIA_DONG_CUA has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=12) t-Statistic -10.63234 Augmented Dickey-Fuller test statistic -3.480038 Test critical values: -2.883239 -2.578420 *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(DGIA_DONG_CUA) Method: Least Squares Date: 05/15/15 Time: 20:03 Sample (adjusted): 10/03/2014 4/17/2015 Included observations: 133 after adjustments Variable Coefficient Std. Error DGIA_DONG_CUA(-1) -0.924958 -0.310701 C 0.463217 Mean dependent var R-squared 0.459120 Adjusted R-squared 5.939203 S.E. of regression 4620.911 Sum squared resid -424.6607 Hannan-Quinn criter. Log likelihood 113.0467 F-statistic 0.000000 Prob(F-statistic) Durbin-Watson stat Prob.* 0.0000 Prob. 0.0000 0.5479 -0.025564 8.075652 6.415950 6.459414 6.433612 2.023527 Hình 3: Kiểm định nghiệm đơn vị của chuỗi sai phân bậc nhất.
Ngu n: Xử lý bằng phần m m Eviews 6.0. Giá trị p-value nhỏ hơn 5 nên kết luận rằng chuỗi không có nghiệm đơn vị
và có tính dừng.
Ngoài ra, dựa vào giá trị t quan sát, ta thấy chuỗi gốc có = 10,08783 lớn
hơn tất cả c c gi trị tại c c mức ngh a 1 , 5 và 10 nên ta c ỏ giả thiết
H0 và chấp nhận giả thiết 1: chuỗi có t nh ừng.
75
Date: 05/15/15 Time: 18:45 Sample: 10/01/2014 4/17/2015 Included observations: 134 Autocorrelation .|* | .|* | *|. | *|. | .|. | .|* | .|* | .|. | .|. | *|. | *|. | .|. | .|. | .|. | *|. | *|. | *|. | *|. | .|. | .|. | .|. | .|. | .|. | .|. | .|. | .|. | *|. | *|. | *|. | .|. | .|* | .|. | .|. | .|. | *|. | .|. |
Partial Correlation .|* | .|* | *|. | *|. | .|. | .|* | .|. | *|. | .|. | .|. | *|. | .|. | .|* | .|. | **|. | *|. | .|* | *|. | *|. | .|. | .|. | .|. | .|. | .|* | .|. | *|. | *|. | .|. | *|. | .|. | .|* | .|. | .|. | .|. | *|. | .|. |
PAC Q-Stat AC 0.075 0.7716 0.075 1 5.0062 0.170 0.175 2 -0.092 5.6046 -0.066 3 -0.133 7.2645 -0.109 4 7.3086 0.066 0.018 5 10.009 0.183 0.138 6 0.026 10.916 0.080 7 -0.072 10.973 0.020 8 -0.004 11.000 -0.014 9 -0.012 11.786 -0.073 10 -0.133 14.470 11 -0.135 15.022 0.068 12 0.061 0.084 15.359 13 0.047 -0.032 15.552 14 0.036 -0.229 18.909 -0.148 15 -0.079 21.776 -0.136 16 22.854 -0.083 0.096 17 -0.083 24.122 18 -0.090 -0.108 24.126 19 0.005 -0.051 24.716 -0.061 20 25.152 -0.052 0.021 21 25.175 -0.012 0.021 22 25.302 0.060 23 0.028 25.551 0.076 24 0.039 0.006 25 0.041 25.835 -0.094 25.835 26 0.002 -0.093 27.257 -0.091 27 -0.075 0.014 28 28.224 -0.095 30.605 29 -0.117 -0.025 30.758 30 0.030 34.734 0.147 31 0.150 -0.008 34.920 32 0.032 -0.064 35.233 33 0.042 -0.018 35.895 -0.060 34 -0.074 39.307 35 -0.136 40.106 0.058 36 0.066
Prob 0.380 0.082 0.133 0.123 0.199 0.124 0.142 0.203 0.276 0.300 0.208 0.240 0.285 0.342 0.218 0.151 0.154 0.151 0.191 0.213 0.241 0.289 0.335 0.376 0.416 0.472 0.450 0.453 0.384 0.427 0.294 0.331 0.363 0.380 0.283 0.293
ình 4: Lƣợc đồ tự tƣơng quan C và tự tƣơng quan từng phần PACF của chuỗi
sai phân bậc nhất.
Ngu n: Xử lý bằng phần m m Eviews 6.0.
76
3. K t qu ớ ng và ki ịnh t a các mô
t-Statistic -0.563254 0.639898
hình ARIMA (p, d, q) Dependent Variable: D(GIA_DONG_CUA) Method: Least Squares Date: 05/10/15 Time: 18:09 Sample (adjusted): 10/02/2014 4/17/2015 Included observations: 134 after adjustments Convergence achieved after 11 iterations MA Backcast: 10/01/2014 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
Coefficient -0.304460 0.055609 0.004182 -0.003362 5.929832 4641.504 -427.6497 0.554321 0.457881 -.06
Std. Error 0.540538 0.086903 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
Prob. 0.5742 0.0533 -0.305970 5.919888 6.412682 6.455933 6.430258 1.977484
ình 5: Ƣớc lƣợng mô hình ARIMA (0, 1, 1).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
t-Statistic -0.460802 3.335046
Dependent Variable: D(GIA_DONG_CUA) Method: Least Squares Date: 05/10/15 Time: 18:13 Sample (adjusted): 10/02/2014 4/17/2015 Included observations: 134 after adjustments Convergence achieved after 9 iterations MA Backcast: 9/30/2014 10/01/2014 Variable C MA(2) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Coefficient -0.294743 0.279530 0.046596 0.039373 5.802176 4443.813 -424.7335 6.451228 0.012247
Std. Error 0.639631 0.083816 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
Prob. 0.6457 0.0011 -0.305970 5.919888 6.369156 6.412407 6.386732 1.844673
Hình 6: Ƣớc lƣợng mô hình ARIMA (0, 1, 2).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
77
t-Statistic -0.603304 0.862602
Dependent Variable: D(GIA_DONG_CUA) Method: Least Squares Date: 05/10/15 Time: 18:16 Sample (adjusted): 10/03/2014 4/17/2015 Included observations: 133 after adjustments Convergence achieved after 3 iterations 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
Coefficient -0.335909 0.075042 0.005648 -0.001943 5.939203 4620.911 -424.6607 0.744082 0.389933 .08
Std. Error 0.556782 0.086995 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
Prob. 0.5473 0.3899 -0.333835 5.933443 6.415950 6.459414 6.433612 2.023527
Hình 7: Ƣớc lƣợng mô hình ARIMA (1, 1, 0). Ngu n: Xử lý bằng phần m m Eviews 6.0.
t-Statistic -0.557702 1.040827 -0.808168
Std. Error 0.628411 0.528910 0.564253 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
Dependent Variable: D(GIA_DONG_CUA) Method: Least Squares Date: 05/10/15 Time: 18:16 Sample (adjusted): 10/03/2014 4/17/2015 Included observations: 133 after adjustments Convergence achieved after 15 iterations MA Backcast: 10/02/2014 Variable C AR(1) MA(1) 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
Coefficient -0.350466 0.550503 -0.456011 0.012725 -0.002464 5.940749 4588.025 -424.1857 0.837758 0.435002 .55 .46
Prob. 0.5780 0.2999 0.4205 -0.333835 5.933443 6.423846 6.489041 6.450339 2.061084
Hình 8: Ƣớc lƣợng mô hình ARIMA (1, 1, 1).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
78
t-Statistic -0.470419 0.868139 3.262555
Std. Error 0.696244 0.087791 0.084954 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
Dependent Variable: D(GIA_DONG_CUA) Method: Least Squares Date: 05/10/15 Time: 18:17 Sample (adjusted): 10/03/2014 4/17/2015 Included observations: 133 after adjustments Convergence achieved after 9 iterations MA Backcast: 10/01/2014 10/02/2014 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
Coefficient -0.327527 0.076215 0.277167 0.051402 0.036808 5.823219 4408.284 -421.5281 3.522181 0.032385 .08
Prob. 0.6388 0.3869 0.0014 -0.333835 5.933443 6.383882 6.449077 6.410375 1.989829
Hình 9: Ƣớc lƣợng mô hình ARIMA (1, 1, 2). Ngu n: Xử lý bằng phần m m Eviews 6.0.
t-Statistic -0.522431 2.035087
Dependent Variable: D(GIA_DONG_CUA) Method: Least Squares Date: 05/10/15 Time: 18:18 Sample (adjusted): 10/06/2014 4/17/2015 Included observations: 132 after adjustments Convergence achieved after 3 iterations 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
Coefficient -0.324688 0.175759 0.030875 0.023420 5.885409 4502.946 -420.2591 4.141581 0.043875 .42
Std. Error 0.621494 0.086365 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat -.42
Prob. 0.6023 0.0439 -0.327273 5.955562 6.397865 6.441544 6.415614 1.839501
ình 10: Ƣớc lƣợng mô hình ARIMA (2, 1, 0).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
79
t-Statistic -0.480302 2.091355 0.865489
Std. Error 0.673937 0.086869 0.088122 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat -.43
Dependent Variable: D(GIA_DONG_CUA) Method: Least Squares Date: 05/10/15 Time: 18:19 Sample (adjusted): 10/06/2014 4/17/2015 Included observations: 132 after adjustments Convergence achieved after 6 iterations MA Backcast: 10/03/2014 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) Inverted AR Roots Inverted MA Roots
Coefficient -0.323693 0.181674 0.076268 0.036744 0.021810 5.890258 4475.672 -419.8581 2.460423 0.089398 .43 -.08
Prob. 0.6318 0.0385 0.3884 -0.327273 5.955562 6.406942 6.472460 6.433565 1.994402
ình 11: Ƣớc lƣợng mô hình ARIMA (2, 1, 1). Ngu n: Xử lý bằng phần m m Eviews 6.0.
t-Statistic -0.522538 -6.945771 18.60505
Dependent Variable: D(GIA_DONG_CUA) Method: Least Squares Date: 05/10/15 Time: 18:20 Sample (adjusted): 10/06/2014 4/17/2015 Included observations: 132 after adjustments Convergence achieved after 8 iterations MA Backcast: 10/02/2014 10/03/2014 Variable C AR(2) MA(2) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Coefficient -0.296343 -0.650572 0.918128 0.125985 0.112434 5.610778 4061.026 -413.4416 9.297334 0.000169
Std. Error 0.567123 0.093664 0.049348 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
Prob. 0.6022 0.0000 0.0000 -0.327273 5.955562 6.309721 6.375239 6.336344 1.827107
ình 12: Ƣớc lƣợng mô hình ARIMA (2, 1, 2).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
80
1.374165 13.56533
Prob. F(10,122) Prob. Chi-Square(10)
0.2000 0.1938
t-Statistic -0.023706 0.641995 -0.641749 0.956704 -0.791179 -2.030837 0.345831 2.172465 0.449207 -0.752470 -0.045018 -0.046873
Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared Test Equation: Dependent Variable: RESID Method: Least Squares Date: 05/10/15 Time: 18:33 Sample: 10/02/2014 4/17/2015 Included observations: 134 Presample missing value lagged residuals set to zero. Variable C MA(1) RESID(-1) RESID(-2) RESID(-3) RESID(-4) RESID(-5) RESID(-6) RESID(-7) RESID(-8) RESID(-9) RESID(-10) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Coefficient -0.012711 8.904554 -8.901121 0.742946 -0.081365 -0.189955 0.032398 0.204011 0.042219 -0.070635 -0.004135 -0.004311 0.101234 0.020198 5.847534 4171.626 -420.4986 1.249241 0.262311
Std. Error 0.536215 13.87013 13.87010 0.776569 0.102840 0.093535 0.093683 0.093908 0.093986 0.093871 0.091844 0.091981 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
Prob. 0.9811 0.5221 0.5222 0.3406 0.4304 0.0444 0.7301 0.0318 0.6541 0.4532 0.9642 0.9627 -0.001475 5.907497 6.455203 6.714711 6.560659 1.999216
Hình 13: Kiểm định tự tƣơng quan phần ƣ mô hình R (0, 1, 1)
Ngu n: Xử lý bằng phần m m Eviews 6.0.
81
0.824619 8.483782
Prob. F(10,122) Prob. Chi-Square(10)
0.6056 0.5817
0.648172 3.113097 0.090363 3.113480 0.090901 0.874484 0.091222 0.259139 0.091690 0.113226 0.091672 0.093978 t-Statistic -0.016547 0.478816 0.688756 -0.490518 -0.647532 0.342953 0.375232 0.124760 0.330152 0.177109 0.612846 -0.634243
S.D. dependent var Akaike info criterion Schwarz criterion
Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared Test Equation: Dependent Variable: RESID Method: Least Squares Date: 05/10/15 Time: 18:32 Sample: 10/02/2014 4/17/2015 Included observations: 134 Presample missing value lagged residuals set to zero. Coefficient Std. Error Variable -0.010726 C 1.490600 MA(2) 0.062238 RESID(-1) -1.527218 RESID(-2) -0.058862 RESID(-3) 0.299907 RESID(-4) 0.034229 RESID(-5) 0.032330 RESID(-6) 0.030272 RESID(-7) 0.020053 RESID(-8) 0.056181 RESID(-9) -0.059605 RESID(-10) 0.063312 Mean dependent var R-squared -0.021144 Adjusted R-squared 5.841110 S.E. of regression 4162.465 Sum squared resid -420.3513 Hannan-Quinn criter. Log likelihood 0.749647 F-statistic 0.688971 Prob(F-statistic) Durbin-Watson stat Prob. 0.9868 0.6329 0.4923 0.6246 0.5185 0.7322 0.7081 0.9009 0.7419 0.8597 0.5411 0.5271 -0.004407 5.780321 6.453004 6.712512 6.558460 2.014444 Hình 14: Kiểm định tự tƣơng quan phần ƣ mô hình R (0, 1, 2).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
82
1.331801 13.18733
Prob. F(10,121) Prob. Chi-Square(10)
0.2211 0.2134
t-Statistic 0.053491 -0.156693 0.145834 1.758001 -0.491343 -2.106480 0.221725 2.266359 0.562231 -0.745757 -0.068645 0.158820
0.553513 1.572494 1.574989 0.149096 0.094290 0.093891 0.094016 0.094259 0.094388 0.094348 0.092403 0.092517 S.D. dependent var Akaike info criterion Schwarz criterion
Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared Test Equation: Dependent Variable: RESID Method: Least Squares Date: 05/10/15 Time: 18:32 Sample: 10/03/2014 4/17/2015 Included observations: 133 Presample missing value lagged residuals set to zero. Coefficient Std. Error Variable 0.029608 C -0.246399 AR(1) 0.229687 RESID(-1) 0.262111 RESID(-2) -0.046329 RESID(-3) -0.197779 RESID(-4) 0.020846 RESID(-5) 0.213625 RESID(-6) 0.053068 RESID(-7) -0.070360 RESID(-8) -0.006343 RESID(-9) 0.014694 RESID(-10) 0.099153 Mean dependent var R-squared 0.017258 Adjusted R-squared 5.865387 S.E. of regression 4162.735 Sum squared resid -417.7168 Hannan-Quinn criter. Log likelihood 1.210728 F-statistic 0.287064 Prob(F-statistic) Durbin-Watson stat Prob. 0.9574 0.8757 0.8843 0.0813 0.6241 0.0372 0.8249 0.0252 0.5750 0.4573 0.9454 0.8741 -5.28E-13 5.916663 6.461907 6.722690 6.567879 1.994398
Hình 15: Kiểm định tự tƣơng quan phần ƣ mô hình R (1, 1, 0)
Ngu n: Xử lý bằng phần m m Eviews 6.0.
Breusch-Godfrey Serial Correlation LM Test:
83
1.282533 12.84206
Prob. F(10,120) Prob. Chi-Square(10)
0.2478 0.2326
t-Statistic -0.023373 0.503474 -0.568722 0.564518 0.582680 0.550169 0.473519 0.577752 1.000093 0.750135 -0.080822 0.300233 0.240285
0.632982 2.061066 26.82704 25.11980 11.29740 5.066199 2.264991 1.011624 0.455399 0.216179 0.126149 0.099996 0.094119 S.D. dependent var Akaike info criterion Schwarz criterion
F-statistic Obs*R-squared Test Equation: Dependent Variable: RESID Method: Least Squares Date: 05/10/15 Time: 18:31 Sample: 10/03/2014 4/17/2015 Included observations: 133 Presample missing value lagged residuals set to zero. Coefficient Std. Error Variable -0.014795 C 1.037694 AR(1) -15.25714 MA(1) 14.18059 RESID(-1) 6.582768 RESID(-2) 2.787265 RESID(-3) 1.072515 RESID(-4) 0.584468 RESID(-5) 0.455442 RESID(-6) 0.162164 RESID(-7) -0.010196 RESID(-8) 0.030022 RESID(-9) 0.022615 RESID(-10) 0.096557 Mean dependent var R-squared 0.006213 Adjusted R-squared 5.877226 S.E. of regression 4145.015 Sum squared resid -417.4331 Hannan-Quinn criter. Log likelihood 1.068765 F-statistic 0.392442 Prob(F-statistic) Durbin-Watson stat Prob. 0.9814 0.6156 0.5706 0.5735 0.5612 0.5832 0.6367 0.5645 0.3193 0.4546 0.9357 0.7645 0.8105 -0.006203 5.895568 6.472678 6.755194 6.587482 1.991116
Hình 16: Kiểm định tự tƣơng quan phần ƣ mô hình R (1, 1, 1)
Ngu n: Xử lý bằng phần m m Eviews 6.0.
Breusch-Godfrey Serial Correlation LM Test:
84
0.731713 7.643719
Prob. F(10,120) Prob. Chi-Square(10)
0.6934 0.6636
t-Statistic 0.026597 -0.138770 0.251380 0.129338 -0.253657 -0.644418 0.211168 0.186422 -0.070798 0.522112 0.206453 0.575167 -0.278280
0.710341 1.704642 11.61717 1.705599 11.58439 0.092304 3.220966 0.091955 0.894644 0.092491 0.260682 0.092545 0.115514 S.D. dependent var Akaike info criterion Schwarz criterion
F-statistic Obs*R-squared Test Equation: Dependent Variable: RESID Method: Least Squares Date: 05/10/15 Time: 18:30 Sample: 10/03/2014 4/17/2015 Included observations: 133 Presample missing value lagged residuals set to zero. Coefficient Std. Error Variable 0.018893 C -0.236553 AR(1) 2.920323 MA(2) 0.220599 RESID(-1) -2.938466 RESID(-2) -0.059483 RESID(-3) 0.680163 RESID(-4) 0.017142 RESID(-5) -0.063339 RESID(-6) 0.048290 RESID(-7) 0.053819 RESID(-8) 0.053229 RESID(-9) -0.032145 RESID(-10) 0.057472 Mean dependent var R-squared -0.036781 Adjusted R-squared 5.884253 S.E. of regression 4154.933 Sum squared resid -417.5920 Hannan-Quinn criter. Log likelihood 0.609760 F-statistic 0.830486 Prob(F-statistic) Durbin-Watson stat Prob. 0.9788 0.8899 0.8020 0.8973 0.8002 0.5205 0.8331 0.8524 0.9437 0.6026 0.8368 0.5663 0.7813 -0.002049 5.778935 6.475068 6.757583 6.589872 2.001522
Hình 17: Kiểm định tự tƣơng quan phần ƣ mô hình R (1, 1, 2)
Ngu n: Xử lý bằng phần m m Eviews 6.0.
Breusch-Godfrey Serial Correlation LM Test:
85
0.999821 10.15217
Prob. F(10,120) Prob. Chi-Square(10)
0.4476 0.4272
t-Statistic -0.002614 0.410830 0.663714 -0.366955 -0.638278 -1.006484 0.314728 1.509191 0.402254 -0.437560 0.276140 -0.178083
0.624651 1.518904 0.091220 1.522321 0.091961 0.282470 0.092595 0.104100 0.092683 0.092875 0.092790 0.093000 S.D. dependent var Akaike info criterion Schwarz criterion
F-statistic Obs*R-squared Test Equation: Dependent Variable: RESID Method: Least Squares Date: 05/10/15 Time: 18:29 Sample: 10/06/2014 4/17/2015 Included observations: 132 Presample missing value lagged residuals set to zero. Coefficient Std. Error Variable -0.001633 C 0.624011 AR(2) 0.060544 RESID(-1) -0.558624 RESID(-2) -0.058697 RESID(-3) -0.284302 RESID(-4) 0.029142 RESID(-5) 0.157107 RESID(-6) 0.037282 RESID(-7) -0.040638 RESID(-8) 0.025623 RESID(-9) -0.016562 RESID(-10) 0.076910 Mean dependent var R-squared -0.007706 Adjusted R-squared 5.885450 S.E. of regression 4156.622 Sum squared resid -414.9772 Hannan-Quinn criter. Log likelihood 0.908929 F-statistic 0.534163 Prob(F-statistic) Durbin-Watson stat Prob. 0.9979 0.6819 0.5081 0.7143 0.5245 0.3162 0.7535 0.1339 0.6882 0.6625 0.7829 0.8590 -8.79E-09 5.862903 6.469351 6.731424 6.575846 2.006023
Hình 18: Kiểm định tự tƣơng quan phần ƣ mô hình R (2, 1, 0)
Ngu n: Xử lý bằng phần m m Eviews 6.0.
86
0.914546 9.420544
Prob. F(10,119) Prob. Chi-Square(10)
0.5224 0.4927
t-Statistic -0.006006 -0.099447 0.223133 -0.223447 0.162586 -0.388707 -0.092742 0.158462 1.033587 0.558014 -0.319176 0.249118 -0.028461
0.680261 4.985283 50.67742 50.67926 8.752208 0.309237 0.931849 0.092860 0.189609 0.092902 0.097374 0.093091 0.093567 S.D. dependent var Akaike info criterion Schwarz criterion
Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared Test Equation: Dependent Variable: RESID Method: Least Squares Date: 05/10/15 Time: 18:28 Sample: 10/06/2014 4/17/2015 Included observations: 132 Presample missing value lagged residuals set to zero. Coefficient Std. Error Variable -0.004085 C -0.495771 AR(2) 11.30782 MA(1) -11.32413 RESID(-1) 1.422983 RESID(-2) -0.120202 RESID(-3) -0.086422 RESID(-4) 0.014715 RESID(-5) 0.195977 RESID(-6) 0.051841 RESID(-7) -0.031080 RESID(-8) 0.023191 RESID(-9) -0.002663 RESID(-10) 0.071368 Mean dependent var R-squared -0.022276 Adjusted R-squared 5.909865 S.E. of regression 4156.253 Sum squared resid -414.9713 Hannan-Quinn criter. Log likelihood 0.762121 F-statistic 0.687872 Prob(F-statistic) Durbin-Watson stat Prob. 0.9952 0.9210 0.8238 0.8236 0.8711 0.6982 0.9263 0.8744 0.3034 0.5779 0.7502 0.8037 0.9773 -0.001359 5.845121 6.484414 6.768326 6.599783 1.999378
Hình 19: Kiểm định tự tƣơng quan phần ƣ mô hình R (2, 1, 1)
Ngu n: Xử lý bằng phần m m Eviews 6.0.
87
0.771976 8.041362
Prob. F(10,119) Prob. Chi-Square(10)
0.6554 0.6248
t-Statistic -0.041379 -1.516433 -0.228982 1.074944 1.733812 -1.208932 -1.572958 0.865731 1.727748 -0.428476 -0.585005 0.756933 -0.171411
0.573745 0.275935 0.061652 0.092737 0.286291 0.093851 0.199666 0.093933 0.146607 0.094459 0.118716 0.094213 0.104567 S.D. dependent var Akaike info criterion Schwarz criterion
.Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared Test Equation: Dependent Variable: RESID Method: Least Squares Date: 05/10/15 Time: 18:26 Sample: 10/06/2014 4/17/2015 Included observations: 132 Presample missing value lagged residuals set to zero. Coefficient Std. Error Variable -0.023741 C -0.418437 AR(2) -0.014117 MA(2) 0.099687 RESID(-1) 0.496375 RESID(-2) -0.113460 RESID(-3) -0.314066 RESID(-4) 0.081321 RESID(-5) 0.253300 RESID(-6) -0.040473 RESID(-7) -0.069450 RESID(-8) 0.071313 RESID(-9) -0.017924 RESID(-10) 0.060919 Mean dependent var R-squared -0.033778 Adjusted R-squared 5.661034 S.E. of regression 3813.629 Sum squared resid -409.2932 Hannan-Quinn criter. Log likelihood 0.643307 F-statistic 0.801372 Prob(F-statistic)
Durbin-Watson stat Prob. 0.9671 0.1321 0.8193 0.2846 0.0855 0.2291 0.1184 0.3884 0.0866 0.6691 0.5597 0.4506 0.8642 0.004272 5.567781 6.398381 6.682294 6.513750 2.072366
Hình 20: Kiểm định tự tƣơng quan phần ƣ mô hình R (2, 1, 2)
Ngu n: Xử lý bằng phần m m Eviews 6.0.
88
4. Kiểm tra tính ARCH của mô hình ARIMA (2, 1, 2) tại các độ trễ khác nhau
Heteroskedasticity Test: ARCH
F-statistic Obs*R-squared 0.492724 0.498460 Prob. F(1,129) Prob. Chi-Square(1) 0.0408 0.0482
Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 05/15/15 Time: 18:54 Sample (adjusted): 10/07/2014 4/17/2015 Included observations: 131 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C RESID^2(-1) 28.85094 0.061786 4.846075 0.088022 5.953466 0.701943 0.0484 0.0001
S.D. dependent var Akaike info criterion Schwarz criterion
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.003805 Mean dependent var -0.003917 45.84258 271098.9 -685.9762 Hannan-Quinn criter. 0.492724 0.483979 Durbin-Watson stat 30.76586 45.75305 10.50345 10.54735 10.52129 2.013812
Hình 21: Ƣớc lƣợng ARCH (1).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
89
Heteroskedasticity Test: ARCH
F-statistic 1.459283 Prob. F(2,127) 0.0236
Obs*R-squared 2.920396 Prob. Chi-Square(2) 0.0322
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 05/15/15 Time: 18:55
Sample (adjusted): 10/08/2014 4/17/2015
Included observations: 130 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 24.83539 5.492434 4.521747 0.0000
RESID^2(-1) 0.053545 0.088037 0.608214 0.0441
RESID^2(-2) 0.137131 0.088075 1.556987 0.0122
R-squared 0.022465 Mean dependent var 30.76114
Adjusted R-squared 0.007070 S.D. dependent var 45.93001
S.E. of regression 45.76736 Akaike info criterion 10.50783
Sum squared resid 266020.7 Schwarz criterion 10.57400
Log likelihood -680.0087 Hannan-Quinn criter. 10.53471
F-statistic 1.459283 Durbin-Watson stat 1.995947
Prob(F-statistic) 0.236273
Hình 22: Ƣớc lƣợng ARCH (2).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
90
Heteroskedasticity Test: ARCH
F-statistic 0.965012 Prob. F(3,125) 0.0116
Obs*R-squared 2.920047 Prob. Chi-Square(3) 0.0041
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 05/15/15 Time: 18:55
Sample (adjusted): 10/09/2014 4/17/2015
Included observations: 129 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 24.81436 5.979739 4.149739 0.0001
RESID^2(-1) 0.052190 0.089425 0.583622 0.0005
RESID^2(-2) 0.136551 0.088738 1.538820 0.0264
RESID^2(-3) 0.010207 0.089465 0.114091 0.0093
R-squared 0.022636 Mean dependent var 30.99774
Adjusted R-squared -0.000821 S.D. dependent var 46.02947
S.E. of regression 46.04836 Akaike info criterion 10.52778
Sum squared resid 265056.4 Schwarz criterion 10.61645
Log likelihood -675.0417 Hannan-Quinn criter. 10.56381
F-statistic 0.965012 Durbin-Watson stat 1.998596
Prob(F-statistic) 0.411558
Hình 23: Ƣớc lƣợng ARCH (3).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
91
Heteroskedasticity Test: ARCH
F-statistic 0.908467 Prob. F(4,123) 0.0413
Obs*R-squared 3.673070 Prob. Chi-Square(4) 0.0421
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 05/15/15 Time: 18:56
Sample (adjusted): 10/10/2014 4/17/2015
Included observations: 128 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 27.11468 6.438227 4.211514 0.0000
RESID^2(-1) 0.049845 0.089916 0.554348 0.0305
RESID^2(-2) 0.147590 0.089891 1.641878 0.0132
RESID^2(-3) 0.014688 0.089914 0.163360 0.0075
RESID^2(-4) -0.080287 0.089940 -0.892679 0.0338
R-squared 0.028696 Mean dependent var 31.20377
Adjusted R-squared -0.002891 S.D. dependent var 46.15058
S.E. of regression 46.21725 Akaike info criterion 10.54286
Sum squared resid 262732.2 Schwarz criterion 10.65427
Log likelihood -669.7432 Hannan-Quinn criter. 10.58813
F-statistic 0.908467 Durbin-Watson stat 1.981684
Prob(F-statistic) 0.461328
Hình 24: Ƣớc lƣợng ARCH (4).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
92
Heteroskedasticity Test: ARCH
F-statistic 0.949041 Prob. F(5,121) 0.0421
Obs*R-squared 4.792558 Prob. Chi-Square(5) 0.0417
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 05/15/15 Time: 18:56
Sample (adjusted): 10/13/2014 4/17/2015
Included observations: 127 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 24.47993 6.950323 3.522129 0.0006
RESID^2(-1) 0.057351 0.090623 0.632861 0.0280
RESID^2(-2) 0.145958 0.090342 1.615622 0.0088
RESID^2(-3) 0.000376 0.091187 0.004123 0.0067
RESID^2(-4) -0.085214 0.090356 -0.943096 0.0375
RESID^2(-5) 0.098369 0.090553 1.086322 0.0295
R-squared 0.037737 Mean dependent var 31.29159
Adjusted R-squared -0.002026 S.D. dependent var 46.32262
S.E. of regression 46.36953 Akaike info criterion 10.55725
Sum squared resid 260166.1 Schwarz criterion 10.69162
Log likelihood -664.3856 Hannan-Quinn criter. 10.61185
F-statistic 0.949041 Durbin-Watson stat 2.011090
Prob(F-statistic) 0.452059
Hình 25: Ƣớc lƣợng ARCH (5).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
93
Heteroskedasticity Test: ARCH
F-statistic 0.892550 Prob. F(6,119) 0.0428
Obs*R-squared 5.426128 Prob. Chi-Square(6) 0.0404
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 05/15/15 Time: 18:56
Sample (adjusted): 10/14/2014 4/17/2015
Included observations: 126 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 22.83778 7.374111 3.097021 0.0024
RESID^2(-1) 0.049093 0.091391 0.537177 0.0021
RESID^2(-2) 0.150405 0.091137 1.650315 0.0015
RESID^2(-3) -0.002263 0.091670 -0.024685 0.0003
RESID^2(-4) -0.096151 0.091638 -1.049247 0.0000
RESID^2(-5) 0.094057 0.091048 1.033049 0.0337
RESID^2(-6) 0.080091 0.091399 0.876270 0.0062
R-squared 0.043065 Mean dependent var 31.53846
Adjusted R-squared -0.005184 S.D. dependent var 46.42359
S.E. of regression 46.54377 Akaike info criterion 10.57262
Sum squared resid 257792.4 Schwarz criterion 10.73019
Log likelihood -659.0748 Hannan-Quinn criter. 10.63663
F-statistic 0.892550 Durbin-Watson stat 1.994337
Prob(F-statistic) 0.502790
Hình 26: Ƣớc lƣợng ARCH (6).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
94
Heteroskedasticity Test: ARCH
F-statistic 0.811495 Prob. F(7,117) 0.0095
Obs*R-squared 5.787865 Prob. Chi-Square(7) 0.0047
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 05/15/15 Time: 18:57
Sample (adjusted): 10/15/2014 4/17/2015
Included observations: 125 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 20.96614 7.754800 2.703634 0.0079
RESID^2(-1) 0.048337 0.092228 0.524102 0.0012
RESID^2(-2) 0.145939 0.091944 1.587263 0.0152
RESID^2(-3) 0.005912 0.092612 0.063836 0.0492
RESID^2(-4) -0.092107 0.092207 -0.998916 0.0199
RESID^2(-5) 0.085437 0.092501 0.923630 0.0076
RESID^2(-6) 0.076645 0.091939 0.833654 0.0062
RESID^2(-7) 0.055292 0.092144 0.600063 0.0496
R-squared 0.046303 Mean dependent var 31.26674
Adjusted R-squared -0.010756 S.D. dependent var 46.50970
S.E. of regression 46.75916 Akaike info criterion 10.58976
Sum squared resid 255811.0 Schwarz criterion 10.77077
Log likelihood -653.8598 Hannan-Quinn criter. 10.66329
F-statistic 0.811495 Durbin-Watson stat 1.978191
Prob(F-statistic) 0.579461
Hình 27: Ƣớc lƣợng ARCH (7).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
95
0.886058 7.199447
Heteroskedasticity Test: ARCH F-statistic Obs*R-squared Test Equation: Prob. F(8,115) Prob. Chi-Square(8) 0.0306 0.0253
t-Statistic 2.948770 0.614217 1.645345 Dependent Variable: RESID^2 Method: Least Squares Date: 05/15/15 Time: 18:57 Sample (adjusted): 10/16/2014 4/17/2015 Included observations: 124 after adjustments Variable C RESID^2(-1) RESID^2(-2) Coefficient Std. Error 23.79664 0.056938 0.152165 8.070020 0.092700 0.092482 Prob. 0.0039 0.0403 0.0026
0.156760 -1.131066 0.900251 0.996151 0.653907 -1.219078 RESID^2(-3) RESID^2(-4) RESID^2(-5) RESID^2(-6) RESID^2(-7) RESID^2(-8) 0.014591 -0.105059 0.083496 0.092651 0.060398 -0.112808 0.093079 0.092885 0.092747 0.093009 0.092365 0.092536 0.0057 0.0204 0.0399 0.0213 0.0145 0.0253
R-squared Adjusted R-squared S.E. of regression Sum squared resid 0.058060 Mean dependent var -0.007466 46.82615 252159.2 S.D. dependent var Akaike info criterion Schwarz criterion 31.45146 46.65232 10.60057 10.80527
Log likelihood F-statistic Prob(F-statistic) Durbin-Watson stat 10.68373 1.814649
-648.2355 Hannan-Quinn criter. 0.886058 0.530618 Hình 28: Ƣớc lƣợng ARCH (8).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
96
1.062239 9.594462
Prob. F(9,113) Prob. Chi-Square(9)
7.878139 0.087133 0.086640 0.087317 0.086969 0.087164 0.086874 0.087161 0.086438 0.086949 t-Statistic 2.360143 0.938919 1.403414 0.285312 -1.212774 1.259715 1.254654 0.533748 -1.382675 1.025170
S.D. dependent var Akaike info criterion Schwarz criterion
Heteroskedasticity Test: ARCH F-statistic Obs*R-squared Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 05/15/15 Time: 18:57 Sample (adjusted): 10/17/2014 4/17/2015 Included observations: 123 after adjustments 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) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Durbin-Watson stat 0.3962 0.3843 Prob. 0.0200 0.0498 0.0132 0.0059 0.0277 0.0104 0.0122 0.0046 0.0195 0.7305 29.96348 43.78909 10.46987 10.69850 10.56274 1.901001
Coefficient Std. Error 18.59354 0.081811 0.121592 0.024913 -0.105473 0.109801 0.108996 0.046522 -0.119516 0.089137 0.078004 Mean dependent var 0.004570 43.68891 215685.4 -633.8970 Hannan-Quinn criter. 1.062239 0.396177 Hình 29: Ƣớc lƣợng ARCH (9).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
97
5. K t qu ớ ng các mô hình GARCH (p, q)
z-Statistic -0.484057 -7.312984 18.28500 0.103600 0.237547
0.578366 0.089614 0.050345 90.32526 2.935265 S.D. dependent var Akaike info criterion Schwarz criterion
Dependent Variable: D(GIA_DONG_CUA) Method: ML - ARCH (Marquardt) - Normal distribution Date: 05/14/15 Time: 09:00 Sample (adjusted): 10/06/2014 4/17/2015 Included observations: 132 after adjustments Convergence achieved after 21 iterations MA Backcast: 10/02/2014 10/03/2014 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*GARCH(-1) Variable C AR(2) MA(2) C GARCH(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient Std. Error -0.279962 -0.655342 0.920556 Variance Equation 9.357691 0.697263 0.125959 Mean dependent var 0.098430 5.654867 4061.144 -413.4098 Hannan-Quinn criter. 4.575538 0.001744 Durbin-Watson stat Prob. 0.0283 0.0000 0.0000 0.0175 0.0122 -0.327273 5.955562 6.339543 6.448740 6.383915 1.827437
ình 30: Ƣớc lƣợng mô hình GARCH (0, 1).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
98
z-Statistic -0.387487 -7.219825 17.66968 6.112045 0.660728
0.575225 0.090530 0.052001 4.693978 0.101705 S.D. dependent var Akaike info criterion Schwarz criterion
Dependent Variable: D(GIA_DONG_CUA) Method: ML - ARCH (Marquardt) - Normal distribution Date: 05/14/15 Time: 09:04 Sample (adjusted): 10/06/2014 4/17/2015 Included observations: 132 after adjustments Convergence achieved after 11 iterations MA Backcast: 10/02/2014 10/03/2014 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*RESID(-1)^2 Variable C AR(2) MA(2) C RESID(-1)^2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient Std. Error -0.222892 -0.653611 0.918847 Variance Equation 28.68980 0.067200 0.125861 Mean dependent var 0.098329 5.655184 4061.600 -413.1714 Hannan-Quinn criter. 4.571465 0.001755 Durbin-Watson stat Prob. 0.0084 0.0000 0.0000 0.0000 0.0088 -0.327273 5.955562 6.335930 6.445127 6.380303 1.827069
Hình 31: Ƣớc lƣợng mô hình GARCH (1, 0).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
99
z-Statistic -0.368321 -7.252768 19.47355 0.616004 0.771542 1.246456
0.598578 0.092389 0.047600 13.47847 0.115665 0.514871 S.D. dependent var Akaike info criterion Schwarz criterion
Dependent Variable: D(GIA_DONG_CUA) Method: ML - ARCH (Marquardt) - Normal distribution Date: 05/14/15 Time: 09:05 Sample (adjusted): 10/06/2014 4/17/2015 Included observations: 132 after adjustments Convergence achieved after 37 iterations MA Backcast: 10/02/2014 10/03/2014 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) Variable C AR(2) MA(2) C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient Std. Error -0.220469 -0.670080 0.926950 Variance Equation 8.302791 0.089240 0.641764 0.125544 Mean dependent var 0.090843 5.678610 4063.074 -412.4713 Hannan-Quinn criter. 3.617919 0.004311 Durbin-Watson stat Prob. 0.0126 0.0000 0.0000 0.0379 0.0404 0.0126 -0.327273 5.955562 6.340475 6.471511 6.393722 1.828239
Hình 32: Ƣớc lƣợng mô hình GARCH (1, 1).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
100
z-Statistic -0.353261 -7.316913 19.66897 0.868568 0.803135 0.836897 -0.284648
Dependent Variable: D(GIA_DONG_CUA) Method: ML - ARCH (Marquardt) - Normal distribution Date: 05/14/15 Time: 09:06 Sample (adjusted): 10/06/2014 4/17/2015 Included observations: 132 after adjustments Convergence achieved after 19 iterations MA Backcast: 10/02/2014 10/03/2014 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) + C(7)*GARCH(-2) Variable 0.596690 C 0.092252 AR(2) 0.047265 MA(2) 9.520629 C 0.112720 RESID(-1)^2 1.075884 GARCH(-1) 0.907573 GARCH(-2) R-squared S.D. dependent var Adjusted R-squared Akaike info criterion S.E. of regression Sum squared resid Schwarz criterion Log likelihood F-statistic Prob(F-statistic) Coefficient Std. Error -0.210787 -0.675001 0.929660 Variance Equation 8.269316 0.090530 0.900405 -0.258339 0.125320 Mean dependent var 0.083335 5.702011 4064.116 -412.3668 Hannan-Quinn criter. 2.984894 0.009281 Prob. 0.0239 0.0000 0.0000 0.0351 0.0219 0.0427 0.0759 -0.327273 5.955562 6.354042 6.506918 6.416164 1.828597 Durbin-Watson stat
Hình 33: Ƣớc lƣợng mô hình GARCH (1, 2).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
101
z-Statistic -0.340704 -6.736464 18.61025 1.673021 0.244284 1.304702 0.167922
Dependent Variable: D(GIA_DONG_CUA) Method: ML - ARCH (Marquardt) - Normal distribution Date: 05/14/15 Time: 09:08 Sample (adjusted): 10/06/2014 4/17/2015 Included observations: 132 after adjustments Convergence achieved after 49 iterations MA Backcast: 10/02/2014 10/03/2014 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*RESID(-2)^2 + C(7)*GARCH(-1) Variable 0.610302 C 0.100130 AR(2) 0.049738 MA(2) 13.07836 C 0.110329 RESID(-1)^2 0.149331 RESID(-2)^2 0.422768 GARCH(-1) R-squared S.D. dependent var Adjusted R-squared Akaike info criterion S.E. of regression Sum squared resid Schwarz criterion Log likelihood F-statistic Prob(F-statistic) Coefficient Std. Error -0.207932 -0.674523 0.925635 Variance Equation 21.88036 0.026952 0.194833 0.070992 0.125326 Mean dependent var 0.083341 5.701992 4064.089 -411.7438 Hannan-Quinn criter. 2.985055 0.009278 Prob. 0.7333 0.0000 0.0000 0.0943 0.8070 0.1920 0.8666 -0.327273 5.955562 6.344602 6.497478 6.406724 1.828143 Durbin-Watson stat
Hình 34: Ƣớc lƣợng mô hình GARCH (2, 1).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
102
z-Statistic -0.369434 -5.782372 12.96782 2.203336 -0.333588 1.483764 -0.778245 -1.181973
0.617186 0.113073 0.069071 21.70413 0.091958 0.103560 0.353941 0.346043 S.D. dependent var Akaike info criterion Schwarz criterion
Dependent Variable: D(GIA_DONG_CUA) Method: ML - ARCH (Marquardt) - Normal distribution Date: 05/14/15 Time: 09:09 Sample (adjusted): 10/06/2014 4/17/2015 Included observations: 132 after adjustments Convergence achieved after 56 iterations MA Backcast: 10/02/2014 10/03/2014 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*RESID(-2)^2 + C(7)*GARCH(-1) + C(8)*GARCH(-2) Variable C AR(2) MA(2) C RESID(-1)^2 RESID(-2)^2 GARCH(-1) GARCH(-2) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient Std. Error -0.228010 -0.653832 0.895695 Variance Equation 47.82149 -0.030676 0.153658 -0.275453 -0.409013 0.123383 Mean dependent var 0.073897 5.731290 4073.114 -411.3856 Hannan-Quinn criter. 2.493275 0.019779 Prob. 0.7118 0.0000 0.0000 0.0276 0.7387 0.1379 0.4364 0.2372 -0.327273 5.955562 6.354328 6.529043 6.425324 1.826142 Durbin-Watson stat
Hình 35: Ƣớc lƣợng mô hình GARCH (2, 2).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
103
6. Ki m tra tính ARCH c a mô hình GARCH (1, 1)
0.287169 2.111357 Prob. F(7,117) Prob. Chi-Square(7)
t-Statistic 3.206175 -0.345714 0.684558 -0.218449 -0.692326 0.815373 0.491607 0.238441
0.286036 0.092243 0.092089 0.092040 0.091883 0.091920 0.092087 0.092158 S.D. dependent var Akaike info criterion Schwarz criterion
Coefficient Std. Error 0.917081 -0.031890 0.063040 -0.020106 -0.063613 0.074949 0.045271 0.021974 0.016891 Mean dependent var -0.041928 1.557194 283.7078 -228.5942 Hannan-Quinn criter. 0.287169 0.957857 Durbin-Watson stat
Heteroskedasticity Test: ARCH F-statistic Obs*R-squared Test Equation: Dependent Variable: WGT_RESID^2 Method: Least Squares Date: 05/16/15 Time: 09:20 Sample (adjusted): 10/15/2014 4/17/2015 Included observations: 125 after adjustments 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) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.9579 0.9534 Prob. 0.0017 0.7302 0.4950 0.8275 0.4901 0.4165 0.6239 0.8120 1.008367 1.525541 3.785508 3.966520 3.859044 1.985954 Hình 36: Kiểm tra tính ARCH của mô hình GARCH (1, 1).
Ngu n: Xử lý bằng phần m m Eviews 6.0.
104