Dự báo VN-Index ngắn hạn: Ứng dụng mô hình ARIMA, ARCH/GARCH (Khóa luận tốt nghiệp)

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

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

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

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

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

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

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

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

 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.

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.

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

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

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

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 :

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

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.

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.

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

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

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

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 =

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 .

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)

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.

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

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,

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:

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.

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:

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.

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.

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

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

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

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.

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

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

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

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

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

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.

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

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

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

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

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)

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 .

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

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,

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

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.

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.

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

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,

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

 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

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

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

 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

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

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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

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.

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

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.

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.

 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

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.

[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

- 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

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

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.

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.

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.

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.

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.

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.

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.

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.

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.

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:

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:

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:

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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

Khóa luận tốt nghiệp: Ứng dụng mô hình ARIMA, ARCH/GARCH để dự báo chỉ số VN-Index ngắn hạn

Chủ đề:

Đ Đ

Ế Ả Ứ

Ổ

2 Ế Ị Ứ

- Đ

10 2 4 ĐẾ 4 2 5

3 ỨNG DỤNG MÔ HÌNH ARIMA, ARCH/GARCH

ĐỂ DỰ BÁO CH S VN – INDEX TRONG NGẮN H N

ẾT LU N

TÀI LI U THAM KHẢO

PHỤ LỤC

1% level 5% level 10% level

t-Statistic -1.829545 -3.479656 -2.883073 -2.578331

t-Statistic -1.829545 1.803982

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

Partial Correlation .|* | .|* | *|. | *|. | .|. | .|* | .|. | *|. | .|. | .|. | *|. | .|. | .|* | .|. | **|. | *|. | .|* | *|. | *|. | .|. | .|. | .|. | .|. | .|* | .|. | *|. | *|. | .|. | *|. | .|. | .|* | .|. | .|. | .|. | *|. | .|. |

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

t-Statistic -0.563254 0.639898

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

t-Statistic -0.460802 3.335046

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

t-Statistic -0.603304 0.862602

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

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

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

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

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

t-Statistic -0.522431 2.035087

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

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

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

t-Statistic -0.522538 -6.945771 18.60505

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

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

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

Tài liệu liên quan

Tài liêu mới

AI tóm tắt

Giới thiệu tài liệu

Đối tượng sử dụng

Từ khoá chính

Nội dung tóm tắt

Hỗ trợ

Phương thức thanh toán

Theo dõi chúng tôi

Partial Correlation .|* | .|* | |. | |. | .|. | .|* | .|. | |. | .|. | .|. | |. | .|. | .|* | .|. | **|. | |. | .| | |. | |. | .|. | .|. | .|. | .|. | .|* | .|. | |. | |. | .|. | |. | .|. | .| | .|. | .|. | .|. | *|. | .|. |