BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC KINH TẾ TP.HCM
--------o0o--------
BÙI THỊ NHƯ Ý
PHÂN TÍCH BIẾN ĐỘNG CỦA CHỈ SỐ GIÁ CHỨNG KHOÁN VÀ
MỐI QUAN HỆ VỚI KHỐI LƯỢNG GIAO DỊCH TRÊN SỞ GIAO
DỊCH CHỨNG KHOÁN THÀNH PHỐ HỒ CHÍ MINH
LUẬN VĂN THẠC SĨ KINH TẾ
Tp. Hồ Chí Minh – Năm 2019
BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC KINH TẾ TP.HCM
--------o0o--------
BÙI THỊ NHƯ Ý
PHÂN TÍCH BIẾN ĐỘNG CỦA CHỈ SỐ GIÁ CHỨNG KHOÁN VÀ
MỐI QUAN HỆ VỚI KHỐI LƯỢNG GIAO DỊCH TRÊN SỞ GIAO
DỊCH CHỨNG KHOÁN THÀNH PHỐ HỒ CHÍ MINH
Chuyên ngành : Tài chính-Ngân hàng
Mã số
: 8340201
LUẬN VĂN THẠC SĨ KINH TẾ
NGƯỜI HƯỚNG DẪN KHOA HỌC:
GS.TS. TRẦN NGỌC THƠ
TP. Hồ Chí Minh – Năm 2019
LỜI CAM ĐOAN
quan hệ với khối lượng giao dịch trên sở giao dịch chứng khoán thành phố hồ
chí minh” được tôi thực hiện thông qua việc vận dụng các kiến thức đã học dưới sự
Luận văn với đề tài “Phân tích sự biến động của chỉ số giá chứng khoán và mối
hướng dẫn, góp ý của GS.TS Thầy Trần Ngọc Thơ.
Tôi xin cam đoan đây là công trình nghiên cứu của tôi, các số liệu được sử dụng trong
luận văn này là hoàn toàn trung thực và được xử lý khách quan. Các tham khảo dùng
trong luận văn được trích dẫn đầy đủ, rõ ràng. Các kết quả của luận văn chưa từng
được công bố ở bất cứ công trình nghiên cứu nào.
TP. Hồ Chí Minh, ngày 19 tháng 03 năm 2019
Người thực hiện luận văn
BÙI THỊ NHƯ Ý
MỤC LỤC
TRANG BÌA PHỤ
LỜI CAM ĐOAN
MỤC LỤC
DANH MỤC CÁC CHỮ VIẾT TẮT
DANH MỤC HÌNH
DANH MỤC BẢNG
TÓM TẮT
ABSTRACT
CHƯƠNG 1: TỔNG QUAN VỀ NGHIÊN CỨU ...................................................
1.1. Đặt vấn đề ........................................................................................................ 1
1.2. Mục tiêu nghiên cứu ......................................................................................... 1
1.3. Câu hỏi nghiên cứu ........................................................................................... 2
1.4. Đối tượng và phạm vi nghiên cứu ..................................................................... 2
1.5 Phương pháp nghiên cứu ................................................................................... 2
1.6. Kết cấu luận văn ............................................................................................... 2
CHƯƠNG 2: CÁC NGHIÊN CỨU THỰC NGHIỆM ........................................ 4
CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU ................................................ 11
3.1 Mô hình nghiên cứu ......................................................................................... 11
3.1.1 Lựa chọn mô hình .............................................................................. 11
3.1.2 Mô hình EGARCH mở rộng ............................................................... 14
3.2 Dữ liệu nghiên cứu .......................................................................................... 15
3.2.1 Nguồn dữ liệu .................................................................................... 15
3.2.2 Cách tính các biến ............................................................................. 16
3.3 Quy trình thực hiện nghiên cứu ........................................................................ 17
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU ........................................................... 19
4.1 Kiểm tra dữ liệu ............................................................................................... 19
4.1.1 Thống kê mô tả ................................................................................... 19
4.1.2 Kiểm tra phân phối và tính dừng của các chuỗi ................................. 22
4.1.3 Dạng phù hợp của phương trình trung bình ....................................... 23
4.2 Ước lượng mô hình .......................................................................................... 24
4.2.1 Lựa chọn mô hình .............................................................................. 24
4.2.2 Kiểm định mô hình ............................................................................ 26
4.3 Phân tích kết quả ............................................................................................. 27
4.3.1 Mối quan hệ giữa chuỗi lợi tức VNIndex ............................................ 27
4.3.2 Phân tích sự biến động của chuỗi lợi tức VNIndex ............................. 28
CHƯƠNG 5: KẾT LUẬN ................................................................................... 30
5.1 Một số kết quả chính ....................................................................................... 30 5.2 Hạn chế và hướng nghiên cứu tiếp theo ........................................................... 30
TÀI LIỆU THAM KHẢO
PHỤ LỤC
DANH MỤC CÁC CHỮ VIẾT TẮT
STT Tên viết tắt Tên đầy đủ
ARCH Autoregressive Conditional Heteroskedasticity 1
ARMA Autoregressive and Moving Average 2
3 EGARCH Exponential Generalized Autoregressive Conditional
Heteroskedasticity
4 GARCH Generalized Autoregressive Conditional
Heteroskedasticity
GTGD Giá trị giao dịch 5
GTLN Giá trị lớn nhất 6
GTNN Giá trị nhỏ nhất 7
GTTB Giá trị trung bình 8
HNX Ha Noi Stock Exchange 9
HSX Ho Chi Minh Stock Exchange 10
KLGD Khối lượng giao dịch 11
SGD Sở giao dịch 12
SGDCK Sở giao dịch chứng khoán 13
TpHCM Thành phố Hồ Chí Minh 14
VN30 Chỉ số VN 30 15
DANH MỤC HÌNH
Hình 1.1: Quy trình nghiên cứu .................................................................................
Hình 4.1: Sự biến thiên của chỉ số VNIndex theo KLGD trên HSX ...........................
Hình 4.2: Sự biến thiên của các chỉ số VNIndex, HNIndex và VN30.........................
Hình 4.3: Biểu đồ phân phối chuẩn và xác suất chuẩn hóa của phần dư .....................
DANH MỤC BẢNG
Bảng 2.1: Thống kê các nghiên cứu thực nghiệm và lập luận kế thừa ........................
Bảng 3.1: Tổng hợp các biến trong mô hình ..............................................................
Bảng 4.2: Hệ số tương quan giữa các biến trong mô hình ..........................................
Bảng 4.3: Kết quả kiểm tra tính chất phân phối chuẩn của các chuỗi .........................
Bảng 4.4: Kết quả kiểm định Dickey – Fuller cho các chuỗi ......................................
Bảng 4.5: Kết quả ước lượng và tiêu chí lựa chọn mô hình GARCH(1,1) và
EGARCH(1,1) ...........................................................................................
TÓM TẮT
Mục tiêu của nghiên cứu là kiểm tra mối quan hệ giữa biến động của các chỉ số VN30,
HNIndex, khối lượng giao dịch trên HSX đến lợi tức của chuỗi với dữ liệu được thu
thập hàng tuần từ năm 2009 đến năm 2018 trên TTCK Việt Nam. Thông qua các bước
kiểm tra phân phối, tính dừng của các chuỗi dữ liệu đề tài cho thấy mô hình
EGARCH(1,1) là mô hình phù hợp. Kết quả cho thấy sự thay đổi của chỉ số VN30 có
tác động mạnh nhất đến sự thay đổi của chỉ số VNindex, tiếp đến là ảnh hưởng của
chỉ số HNIndex. Ngoài ra, từ mô hình EGARCH(1,1) này, kết quả còn thấy sự tồn tại
của thông tin bất cân xứng khi mà các thông tin tốt gây ra sự biến động nhiều hơn là
các thông tin xấu trong một thị trường tăng.
ABSTRACT
The study is examine the relationship between the volatility of the VN30, HNIndex,
trading volume on the HSX to the profit of the series with data collected weekly from
2009 to 2018 on the Vietnam Stock Market. Through the distribution checking steps,
the unit root test (Augmented Dickey Fuller) of the series data show that the
EGARCH model (1,1) is the appropriate model. The results show that the change of
VN30 index has the strongest impact on the volatility of VNindex, followed by the
impact of the HNIndex. In addition, from this EGARCH model (1,1), the results also
show the existence of asymmetric information when good information causes more
volatility than bad information in a rising market.
1
CHƯƠNG 1: TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU
1.1. Đặt vấn đề
Đặc điểm chính của bất kỳ tài sản tài chính nào là lợi nhuận của nó thường được coi
là một biến ngẫu nhiên. Sự lan truyền kết quả của biến này, được gọi là biến động tài
sản, đóng một vai trò quan trọng trong nhiều ứng dụng tài chính. Sử dụng chính của
nó là để ước tính giá trị của rủi ro thị trường. Biến động cũng là một tham số quan
trọng để định giá các công cụ tài chính phái sinh. Tất cả các kỹ thuật định giá hiện
đại tùy thuộc vào một tham số biến động để đánh giá giá. Biến động cũng được sử
dụng để đánh giá quản lý rủi ro và trong quản lý danh mục đầu tư nói chung. Điều
quan trọng đối với các tổ chức tài chính không chỉ là biết giá trị hiện tại của tính biến
động của tài sản được quản lý mà còn có thể dự đoán giá trị tương lai của chúng. Dự
báo biến động đặc biệt quan trọng đối với các tổ chức liên quan đến giao dịch quyền
chọn và quản lý danh mục đầu tư.
Tại VN có 2 sàn chứng khoán với các chỉ số chính như HNX, HSX, VN30 nên để
ước tính về hành vi trong tương lai của các giá trị chỉ số tài chính thường bị ẩn bởi
mối liên kết giữa các chỉ số này phức tạp, thường bị sai lệch và không trực quan.
Điều này làm cho việc dự báo hành vi biến động là một nhiệm vụ đầy thách thức ngay
cả đối với các chuyên gia trong lĩnh vực này. Thấy được vai trò cũng như tầm quan
trọng của việc mô hình hóa và ước lượng biến động chỉ số tài chính, tác giả đã chọn
đề tài “Phân tích biến động của chỉ số giá chứng khoán và mối quan hệ với khối lượng
giao dịch trên sở giao dịch chứng khoán Tp.Hồ Chí Minh” làm đề tài nghiên cứu cho
luận văn Thạc sĩ.
1.2. Mục tiêu nghiên cứu
- Xác định mối quan hệ giữa chuỗi lợi tức dựa trên chỉ số VNindex với các sự
Đề tài tập trung vào hai mục tiêu chính, đó là:
- Phân tích sự biến động của chuỗi lợi tức VNindex.
biến động của các chỉ số như khối lượng giao dịch, chỉ số HNindex và VN30
2
1.3. Câu hỏi nghiên cứu
Để giải quyết được hai mục tiêu chính đặt ra, đề tài tập trung làm rõ ba câu hỏi nghiên
- Mối quan hệ giữa các chỉ số trên thị trường với lợi tức VNindex là thế nào?
- Giao dịch trên SGDCK TpHCM có tồn tại thông tin bất cân xứng?
- Nguyên nhân chính nào gây ra sự biến động của lợi tức VNindex?
cứu sau:
- Đối tượng nghiên cứu của đề tài là sự biến động của các chỉ số VNindex,
1.4. Đối tượng và phạm vi nghiên cứu
- Theo thời gian, đề tài giới hạn phạm vi nghiên cứu trong giai đoạn năm 2009
HNindex, VN30 và KLGD trên SGDCK TpHCM
- Về không gian, đề tài đi sâu phân tích sự biến động của chuỗi VNIndex, ứng
đến năm 2018. Ở đây, dữ liệu được thu thập theo tuần.
với KLGD trên SGDCK TpHCM.
1.5 Phương pháp nghiên cứu
Đề tài sử dụng phương pháp định lượng với việc mô hình hóa sự biến động của chuỗi
lợi tức với việc bổ sung thêm các chỉ số biến động khác như khối lượng giao dịch,
chỉ số HNIndex và VN30.
Hai mô hình định lượng được sử dụng trong đề tài là mô hình GARCH(1,1) và mô
hình EGARCH(1,1). Toàn bộ quá trình xử lí dữ liệu, ước lượng và lựa chọn mô hình
được thực hiện trên dofile của phần mềm Stata phiên bản 14.2.
1.6. Kết cấu luận văn
- Chương 1 sẽ trình bày tổng quan về vấn đề nghiên cứu như lý do chọn đề tài,
Nội dung của đề tài được trình bày qua 5 chương với bố cục như sau:
mục tiêu nghiên cứu, câu hỏi nghiên cứu cũng như đối tượng và phương pháp
- Chương 2 sẽ hệ thống các lý thuyết và tổng hợp các nghiên cứu thực nghiệm
nghiên cứu.
liên quan đến mối quan hệ giữa lợi tức với các chỉ số và các nghiên cứu thực
nghiệm liên quan đến sự biến động của chuỗi lợi tức
- Chương 3 sẽ trình bày cách xây dựng và lựa chọn mô hình ước lượng sự biến
3
- Chương 4 sẽ trình bày các kết quả liên quan đến mô hình như lựa chọn, kiểm
động của chuỗi lợi tức
- Chương 5 sẽ tổng hợp lại các kết quả nghiên cứu chính của đề tài và đề ra một
định mô hình và phân tích các kết quả thu được từ mô hình lựa chọn.
số nghiên cứu mới nhằm khắc phục các hạn chế còn tồn tại của đề tài.
Quy trình thực hiện của đề tài được thể hiện ở hình 1.1
Hình 1.1: Quy trình thực hiện
4
CHƯƠNG 2: CÁC NGHIÊN CỨU THỰC NGHIỆM
Các nghiên cứu về mối quan hệ và giá cả và khối lượng có từ những năm 1950. Với
nghiên cứu của Ostern chỉ ra mối quan hệ lý thuyết giữa khối lượng và giá cả (Ostern,
1959). Hầu hết các nghiên cứu ban đầu đều có mối tương quan tích cực giữa giá trị
tuyệt đối của thay đổi giá hàng ngày và khối lượng hàng ngày cho cả chỉ số thị trường
và chỉ số cổ phiếu riêng lẻ.
Với Granger và Morgentern thực hiện nghiên cứu thực nghiệm với chỉ số tổng hợp
của Sở Giao dịch Chứng khoán New York (NYSE) giai đoạn năm 1939 đến năm
1961, nhóm thực hiện cho rằng không có mối quan hệ giữa trị tuyệt đối về thay đổi
giá hàng ngày với khối lượng giao dịch.
Trong các nghiên cứu gần đây thì thì các nhà nghiên cứu đã tìm mối quan hệ độ trễ
của lợi nhuận chứng khoán và khối lượng giao dịch.
Miller và Mayshar đã thực hiện một nghiên cứu về cách tiếp cận mới mối quan hệ
giữa lợi nhuận và khối lượng giao dịch. Giả thuyết về tính minh bạch thông tin cho
rằng các nhà đầu tư có xu hướng đa đạng giá trị của một cổ phiếu, khi mua cổ phiếu
này thì các nhà giao dịch đã rất lạc quan về giá trị của nó. Hơn nữa, khi nguồn cung
cổ phiếu bị giới hạn bởi bán khống hoặc giao dịch ký quỹ thì tâm lý của các nhà đầu
tư bi quan không kết hợp với giá cổ phiếu và giá cổ phiếu sẽ bị sai lệch. Tuy nhiên,
nguồn cung cho cổ phiếu không đổi do đó khối lượng và giá di chuyển theo hướng
tích cực. Nên giả thuyết về tính minh bạch thông tin cho thấy dưới những hạn chế của
thị trường với nhiều nhà giao dịch thì tâm lý của người dân sẽ bị thu hút trên 1 cổ
phiếu, khối lượng và giá sẽ tăng.
Trong bài nghiên cứu về mối quan hệ giữa khối lượng giao dịch và lợi nhuân chứng
khoán của Chandrapala Pathirawasam (2011) tại Sở giao dịch chứng khoán Colombo
từ 2000-2008. Nghiên cứu này đã bổ sung một số phát hiện quan trọng như hiệu ứng
của khối lượng giao dịch, đã được chứng minh nhiều ở các thị trường phát triển trong
khi có ít bằng chứng về các thị trường đang phát triển. Nghiên cứu này xem xét mối
quan hệ giữa thay đổi khối lượng giao dịch và lợi nhuận cổ phiếu trong hai giai đoạn.
5
Mối quan hệ đầu tiên giữa thay đổi khối lượng giao dịch hiện tại và lợi nhuận; mối
quan hệ giữa thay đổi khối lượng giao dịch trong quá khứ và lợi nhuận. Nghiên cứu
cho thấy sự thay đổi khối lượng giao dịch ở thời điểm hiện tại có liên quan tích cực
với lợi nhuận chứng khoán. Tuy nhiên, mối quan hệ giữa thay đổi khối lượng giao
dịch trong giai đoạn trước và lợi nhuận cổ phiếu trong giai đoạn hiện tại là âm. Điều
này có nghĩa là các cổ phiếu có khối lượng giao dịch thay đổi thấp sẽ vượt trội về lợi
nhuận hơn so với các cổ phiếu có khối lượng giao dịch thay đổi cao trong giai đoạn
tiếp theo.
Bài nghiên cứu của Marwan Darwish (2012) về nguyên nhân dẫn đến mối quan hệ
giữa khối lượng giao dịch và lợi nhuận ở thị trường chứng khoán Palestine bằng cách
sử dụng mô hình GARCH (1,1) cho dữ liệu theo tuần của khối lượng giao giao dịch
và lợi nhuận trong khoảng thời gian từ 10/2000 đến 08/2010. Bài nghiên cứu còn
kiểm tra mối quan hệ cùng chiều của khối lượng giao dịch và lợi nhuận. Nghiên cứu
cho thấy mối quan hệ được bảo tồn sau khi tính đến sự không đồng nhất. Hơn nữa,
kết quả kiểm tra quan hệ nhân quả Granger cho thấy có mối quan hệ nhân quả Granger
hai chiều giữa lợi nhuận và khối lượng giao dịch. Bài báo cáo đã tìm thấy bằng chứng
về mối quan hệ đáng kể giữa khối lượng giao dịch và lợi nhuận và chỉ ra rằng nội
dung thông tin về khối lượng ảnh hưởng đến lợi nhuận chứng khoán trong tương lai.
Giải thích lý thuyết cho phát hiện này là khối lượng ngụ ý thông tin dẫn đến thay đổi
giá và thay đổi giá dương lớn có nghĩa là tăng vốn cao hơn, khuyến khích các giao
dịch của các nhà giao dịch tăng khối lượng. Hơn nữa, những phát hiện về quan hệ hai
chiều này phù hợp với mô hình giao dịch có độ nhiễu của De Long et.al. (1990). Phát
hiện của bài nghiên cứu cung cấp bằng chứng về mối quan hệ cùng chiều giữa khối
lượng và lợi nhuận. Các thử nghiệm quan hệ nhân quả Granger cũng xác nhận rằng
khối lượng đã làm tăng thêm sức mạnh dự đoán cho lợi nhuận trong tương lai bằng
lợi nhuân hiện tại và quá khứ cũng như ngược lại. Bài báo cáo kết luận rằng thông tin
trong quá khứ của khối lượng giao dịch là hữu ích để dự đoán giá cổ phiếu.
Bài nghiên cứu của Anirut Pisedtasalasai và Abeyratna Gunasekarage (2008) cũng
chỉ ra mối quan hệ giữa lợi nhuận chứng khoán, biến động lợi nhuận và khối lượng
6
giao dịch tại thị trường Đông Nam Á (Indonesia, Malaysia, Philippines, Singapore và
Thái Lan). Bài báo cáo đưa bằng chứng mạnh mẽ về sự bất cân xứng trong mối quan
hệ giữa lợi nhuận cổ phiếu và khối lượng giao dịch; cho thấy lợi nhuận trong quá khứ
và hiện tại rất quan trọng trong việc dự đoán xu hướng trong tương lai cũng như xu
hướng của khối lượng giao dịch, nhưng khối lượng giao dịch có tác động rất hạn chế
đến xu hướng của lợi nhuận trong tương lai. Tuy nhiên, khối lượng giao dịch của một
số thị trường có chứa thông tin hữu ích trong việc dự đoán xu hướng, động lực trong
tương lai của biến động lợi nhuận. Bằng cách sử dụng cả mô hình VAR và mô hình
EGARCH để tính đến ảnh hưởng của cuộc khủng hoảng tài chính châu Á và hiệu ứng
Thứ Hai. Những mô hình này được ước tính bằng cách sử dụng dữ liệu hàng ngày về
lợi nhuận chứng khoán, biến động lợi nhuận và khối lượng giao dịch để phát hiện các
mối quan hệ nhân quả giữa các biến số thị trường này. Các phát hiện cho thấy mối
quan hệ nhân quả có ý nghĩa thống kê cho sự tác động của lợi nhuận chứng khoán
đến khối lượng giao dịch tại Indonesia, Malaysia, Singapore và Thái Lan. Chỉ có một
tác động nhân quả đáng kể từ khối lượng giao dịch đến lợi nhuận chứng khoán được
phát hiện tại Singapore; và đối với phần còn lại của thị trường, khối lượng giao dịch
không tăng thêm sức mạnh dự đoán cho lợi nhuận trong tương lai. Tuy nhiên, những
đặc điểm trên không đúng cho thị trường Philippines, bài báo cáo không phát hiện
bất kỳ quan hệ nhân quả nào cho thấy có sự tác động từ lợi nhuận cổ phiếu đến khối
lượng giao dịch trên thị trường này. Theo nhóm tác giả, quy mô nhỏ của thị trường
có thể là lý do chính cho kết quả trên với thị trường Philippines với mức vốn hóa thị
trường thấp nhất so với các đối tác Đông Nam Á khác. Tuy nhiên, thị trường nhỏ này,
cùng với Singapore, đã cung cấp bằng chứng cho thông tin khối lượng giao dịch hữu
ích trong việc dự đoán biến động lợi nhuận trong tương lai.
Bài nghiên cứu của Gong-meng Chen (2001) kiểm tra mối quan hệ giữa biến động
lợi nhuận, khối lượng và biến động của các chỉ số chứng khoán. Dữ liệu đến từ thị
trường của 9 quốc gia (New York, Tokyo, London, Paris, Toronto, Milan, Zurich,
Amsterdam, và Hong Kong) giai đoạn từ năm 1973 đến năm 2000. Nghiên cứu cho
rằng mô hình EGARCH là một mô hình thích hợp để nghiên cứu về lợi nhuận trong
7
dữ liệu chỉ số chứng khoán và sử dụng các thử nghiệm quan hệ nhân quả Granger để
kiểm tra xem lợi nhuận giải thích khối lượng hay khối lượng giải thích lợi nhuận.
Kết quả báo cáo cho thấy mối tương quan tích cực giữa khối lượng giao dịch và giá
trị tuyệt đối của sự thay đổi giá cổ phiếu. Các thử nghiệm quan hệ nhân quả Granger
chứng minh rằng đối với một số quốc gia, lợi nhuận tác động lên khối lượng và khối
lượng tác động lên lợi nhuận. Bên canh đó, cũng cho thấy khối lượng giao dịch đóng
góp một số thông tin cho biến động lợi nhuận. Tuy nhiên, trái ngược với các nghiên
cứu của Lamoureux và Lastpes (1990), bài nghiên cứu thấy rằng có sự tồn tại dai
dẳng của biến động.
Theo Rajni Mala (2007) sự biến động của lợi nhuận trong thị trường tài chính có thể
là một trở ngại lớn cho việc thu hút đầu tư vào các nền kinh tế nhỏ đang phát triển.
Trong nghiên cứu sử dụng các mô hình ARCH (Autoregressive Conditional
Heteroskedasticity) để tìm ra sự hiện diện của biến động thị trường chứng khoán trên
thị trường chứng khoán Fiji. Phân tích được thực hiện bằng cách sử dụng dữ liệu
chuỗi thời gian trong giai đoạn 2001-2005 trên các công ty cụ thể và người ta phát
hiện ra rằng 7/16 công ty được niêm yết trên thị trường chứng khoán Fiji là không ổn
định. Sự biến động của lợi nhuận chứng khoán sau đó đã được hồi quy so với lãi suất
và kết quả cho thấy sự thay đổi lãi suất có ảnh hưởng đáng kể đến biến động thị trường
chứng khoán.
Rajni Mala cho rằng hiểu rủi ro thị trường chứng khoán và hành vi của lợi nhuận là
điều quan trọng đối với tất cả các quốc gia nhưng đặc biệt quan trọng hơn đối với các
nước đang phát triển, đặc biệt là khi thị trường bao gồm nhiều rủi ro, các cơ hội đầu
tư và đa dạng hóa đầu tư không nhiều. Mức độ hiện diện biến động trong thị trường
chứng khoán sẽ khiến các nhà đầu tư yêu cầu phần bù rủi ro cao hơn, tạo ra chi phí
vốn cao hơn, cản trở đầu tư và làm chậm phát triển kinh tế. Hơn nữa, khi lợi nhuận
cổ phiếu bị giảm so với lãi suất, thì mô hình ARCH và biến lãi suất có ý nghĩa cho
thấy vai trò của lãi suất đối với sự biến động của lợi nhuận cổ phiếu. Lãi suất ở các
nền kinh tế mới nổi đã tăng trong thập kỷ qua và điều này cũng không ngoại lệ đối
8
với trường hợp của tại Fiji. Trong thời gian nghiên cứu đã có sự gia tăng lãi suất và
điều này đã ảnh hưởng đến biến động lợi nhuận cổ phiếu.
Các tài liệu hiện có cho thấy rằng một loạt các yếu tố có thể có liên quan trong việc
giải thích sự biến động lợi nhuận cổ phiếu. Các biến số này bao gồm giá hàng hóa,
cung tiền, hoạt động thực tế, trao đổi, rủi ro chính trị, giá dầu, ngành thương mại và
các chỉ số thị trường chứng khoán khu vực. Tuy nhiên, không phải tất cả các yếu tố
đều giải thích sự biến động của lợi nhuận cổ phiếu mà các yếu tố như mức độ rủi ro
chính trị, giá cả hàng hóa, cung ứng tiền và tỷ giá hối đoái có thể được phân tích để
xem các liên kết thực nghiệm với biến động lợi nhuận cổ phiếu. Tác giả cho rằng để
tìm ra những ảnh hưởng của những điều này đối với biến động cổ phiếu của Fijis cần
phải nghiên cứu thêm, tuy nhiên phát hiện của nghiên cứu này có một số ý nghĩa đối
với các nhà đầu tư ở Fiji vì sự biến động trong lợi nhuận cổ phiếu của một công ty
xuất phát từ thực tế là lợi nhuận cổ phiếu có thể không còn được coi là giá trị nội tại
thực sự của một công ty và do đó các nhà đầu tư có thể sẽ bắt đầu mất niềm tin vào
thị trường chứng khoán.
9
Bảng 2.1 Thống kê các nghiên cứu thực nghiệm và lập luận kế thừa
Năm Tác giả Tên nghiên cứu Lập luận kế thừa
1963 Granger; Không có mối quan hệ giữa
Morgentern giá trị tuyệt đối của thay đổi
giá hàng ngày và khối lượng
hàng ngày
2007 Mala, R. Measuring stock Sử dụng mô hình tổng quát
market volatility in an ARCH để tìm ra sự hiện diện Reddy, M.
emerging economy của sự biến động thị trường
chứng khoán
2001 Chen, G; The dynamic relation Tìm thấy mối quan hệ và độ
between stock trễ giữa lợi nhuận chứng Firth, M
returns, trading khoán và khối lượng giao Rui, O. M. volume and volatility dịch.
2012 Darwish, M. J. Testing the Mối quan hệ giữa lợi nhuận và
contemporaneous and rủi ro hệ thống, hay là beta cho
causal relationship thấy mối quan hệ có ý nghĩa
between trading tích cực. Và mối quan hệ lợi
volume and return in nhuận với khối lượng giao
the Palestine dịch cũng cho thấy mối quan
exchange hệ tích cực và có ý nghĩa.
2011 Pathirawasam, C. The relationship Lợi nhuận chứng khoán có
between trading liên quan tích cực đến sự thay
volume and stock đổi hiện tại trong khối lượng
returns giao dịch. Sự thay đổi khối
lượng giao dịch trong quá khứ
10
có liên quan tiêu cực đến lợi
nhuận cổ phiếu.
2008 Pisedtasalasai, A. Causal and dynamic Có mối liên hệ và độ trễ giữa
Gunasekarage, A. relationships among lợi nhuận chứng khoán và
stock returns, return khối lượng giao dịch.
volatility and trading
volume: Evidence
from emerging
markets in South-East
Asia.
11
CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
Nội dung của chương tập trung vào một số phân tích khác liên quan đến các nghiên
cứu thực nghiệm trước đây. Đề tài nỗ lực mô hình hóa sự thay đổi của rủi ro biến
động trên thị trường chứng khoán Việt Nam, cụ thể là sự biến động của chuỗi lợi tức
VN-index theo khối lượng giao dịch và một số yếu tố khác trên sở giao dịch chứng
khoán TpHCM trong giai đoạn 2009 đến 2018. Dữ liệu được thu thập theo tuần.
3.1 Mô hình nghiên cứu
3.1.1 Lựa chọn mô hình
Có nhiều mô hình khác nhau để lượng hóa sự biến động của một chuỗi lợi tức. Đầu
tiên là mô hình tự hồi quy của phương sai thay đổi có điều kiện (ARCH) được Engle
(1982) xây dựng lần đầu. Ở mô hình này phương sai của phần dư trong mô hình hồi
quy được mô hình hóa là một hàm tuyến tính của các độ trễ của phần dư bình phương.
Một mô hình ARCH bậc m, kí hiệu ARCH(m) là một hệ hai phương trình: phương
- Phương trình trung bình:
- Phương trình phương sai:
trình trung bình có điều kiện và phương trình phương sai có điều kiện
-
Trong đó,
và là phần dư và phần dư bình phương (hay đôi khi còn gọi là
-
các cú sốc - innovations)
là tham số ARCH
Ở đây, cần lưu ý đến các giả định ban đầu của phần dư ở phương trình trung bình.
Cụ thể, phần dư có phân phối chuẩn hoặc có dạng Leptokurtotic
thường gặp ở các chuỗi lợi tức (Mandelbrot 1963). Ngoài ra, phần dư phải là một
nhiễu trắng (white noise). Do vậy, trước khi ước lượng các tham số của mô hình
12
ARCH thì cần thiết phải kiểm tra mô thức đúng của chuỗi để đảm bảo phần dư là
một nhiễu trắng. Một cách tổng quát, chuỗi có thể tuân theo quá trình ARMA.
Trong thực nghiệm, rất nhiều các trường hợp phương sai có điều kiện của phần dư là
không đồng nhất, trong trường hợp này, Bollerslev (1986) đã tổng quát hóa mô hình
ARCH ban đầu bằng cách bổ sung thêm thành phần tự hồi quy của phương sai hình
thành nên mô hình ARCH tổng quát hay còn gọi là mô hình GARCH. Một mô hình
GARCH tổng quát với p độ trễ của phần dư bình phương và q độ trễ của phương sai,
kí hiệu GARCH(p,q) có dạng như sau:
Điều kiện:
Trong thực nghiệm mô hình GARCH(1,1) được sử dụng phổ
biến và thường gặp nhất (Ederington and Guan 2004; Su and Fleisher 1999). Tuy
nhiên, phương trình này (cũng như dạng tổng quát của nó) tồn tại một hạn chế lớn là
vi phạm tính chất không âm của phương trình. Cụ thể, trong thực tế các hệ số ước
lượng của nó có thể nhận giá trị âm, trong khi mô hình GARCH(1,1) áp đặt
một ràng buộc cứng rằng các hệ số ước lượng là dương để đảm bảo ở vế phải là
luôn dương. Ngoài ra, mô hình GARCH cũng chưa giải thích hoặc chưa xét đến tính
bất đối xứng (asymmetric) hay hiệu ứng đòn bẩy (leverage effects) của thông tin khi
mà phản hồi của thị trường trước các thông tin tốt, thông tin xấu có thể là khác nhau.
Theo Brooks (2008) thì hiệu ứng đòn bẩy cho biết tồn tại xu hướng biến động mạnh
13
sau khi giá giảm so với trường hợp biến động khi giá tăng mặc dù ở cùng một mức
tăng hoặc giảm giá như nhau.
Để giải quyết vấn đề không âm của phương trình, cũng như xét đến tính bất đối xứng
thông tin Nelson (1991) đề xuất mô hình EGARCH để đo lường sự biến động của thị
trường. Phương trình phương sai của một mô hình EGARCH(1,1) sẽ có dạng:
Theo Tsay (2005) thì mô hình EGARCH tuân theo phân phối Gauss của thành phần
sai số, do vậy,
Vì vậy, phương trình phương sai trên có thể được viết lại dưới dạng phần dư chuẩn
hóa, như sau:
Rõ ràng, luôn dương nên luôn tồn tại, đồng thời, có thể nhận giá trị
bất kì kể cả khi âm.
- Thành phần GARCH
Một mô hình EGARCH(1,1) sẽ gồm hai thành phần:
- Thành phần EARCH
với hệ số ước lượng là
gồm hai phần
✓ Đối xứng với tham số ước lượng là
✓ Bất đối xứng với tham số ước lượng là
14
3.1.2 Mô hình EGARCH mở rộng
Đề tài bổ sung thêm các yếu tố kiểm soát sự thay đổi của chuỗi lợi tức VN-index như
khối lượng giao dịch, chuỗi lợi tức HN-index, chỉ số VN30 và giá trị giao dịch ròng
của nhà đầu tư nước ngoài. Khi đó, mô hình EGARCH được sử dụng trong nghiên
- Phương trình trung bình:
- Phương trình phương sai:
cứu sẽ có dạng:
Theo Tsay (2005, trang 124) thì ý nghĩa của các tham số trong mô hình
-
EGARCH được giải thích như sau:
: cho biết độ lớn của tác động đối xứng hay tác động GARCH. Giá trị
càng lớn cho biết sự biến động của các cú sốc là rất nhạy cảm đối với thị
-
trường.
: đo lường sự bền bỉ của các biến động có điều kiện đến từ bất kì thông tin
nào xảy ra trên thị trường. Giá trị càng lớn cho thấy sự biến động này cần
-
nhiều thời gian để biến mất sau các cú sốc trên thị trường.
: đo lường tính bất đối xứng hay hiệu ứng đòn bẩy trước các thông tin trên
thị trường. Đây là một tham số đặc trưng quan trọng của mô hình EGARCH,
sự tồn tại có ý nghĩa thống kê của hệ số ước lượng cho thấy sự tồn tại của
tính bất đối xứng. Mức độ biến động của thị trường trước các thông tin tùy
thuộc vào giá trị của hệ số bất đối xứng như sau:
o = 0: mô hình đối xứng
o < 0: cho thấy các cú sốc tích cực hay các thông tin tốt tạo ra sự biến
động ít hơn so với các cú sốc tiêu cực (thông tin xấu).
15
o > 0: cho thấy các cú sốc tích cực gây ra sự mất ổn định (hay sự biến
động) nhiều hơn so với các cú sốc tiêu cực.
Nghiên cứu này lần lượt ước lượng hai mô hình GARCH(1,1) và mô hình
EGARCH(1,1) với việc bổ sung các biến giải thích ở phương trình trung bình nhằm
xác định một mô thức tốt nhất để giải thích mối quan hệ giữa chuỗi lợi tức thị trường
chứng khoán TpHCM với các chuỗi lợi tức khác như VN30, HNIndex và KLGD trên
HSX; cũng như đánh giá được sự biến động của chuỗi lợi tức VNIndex trước các cú
sốc thông tin trên thị trường.
3.2 Dữ liệu nghiên cứu
3.2.1 Nguồn dữ liệu
Mẫu dữ liệu trong nghiên cứu được thu thập theo tuần gồm chỉ số VN-Index, KLGD,
chỉ số VN30 của SGDCK TpHCM, chỉ số HN-Index của SGDCK Hà Nội. Các dữ
liệu về giá (chỉ số) và khối lượng giao dịch được tổng hợp từ Công ty Chứng khoán
Bảo Việt (http://www.bvsc.com.vn/), SGDCK TpHCM (https://www.hsx.vn/),
SGDCK Hà Nội (https://www.hnx.vn/vi-vn/)
Bảng 3.1: Tổng hợp các biến trong mô hình
Tên biến Ý nghĩa
R Đo lường sự biến thiên của chỉ số VNIndex
RHNX Đo lường sự biến thiên của chỉ số HNIndex
VN30 Đo lường sự biến thiên của chỉ số VN30
V Đo lường sự biến thiên trong KLGD trên HSX
Nguồn dữ liệu: Công ty Chứng khoán Bảo Việt
16
3.2.2 Cách tính các biến
- Pt: là chỉ số VNIndex trung bình của tuần t
- Pt-1: là chỉ số VNIndex trung bình của tuần (t – 1)
Biến thiên của chỉ số VNIndex, Rt
- Vhsx,t : KLGD trung bình của tuần t trên HSX
- Vhsx,t-1 : KLGD trung bình của tuần (t – 1) trên HSX
Biến thiên của KLGD trên HSX, Vt
- Rhnx,t : Chỉ số HNIndex trung bình của tuần t
- Rhnx,t-1 : Chỉ số HNIndex trung bình của tuần (t – 1)
Biến thiên của chỉ số HNIndex, RHNXt
- VN30t: là chỉ số VN30 trung bình của tuần t
- VN30t-1: là chỉ số VN30 trung bình của tuần (t – 1)
Biến thiên của chỉ số VN30
3.3 Quy trình thực hiện nghiên cứu
Quy trình ước lượng mô hình EGARCH(1,1) mở rộng được thực hiện qua 4 bước
như sau:
- Kiểm tra tính dừng và phân phối chuẩn của các chuỗi
- Xác định dạng phù hợp của phương trình trung bình
- Kiểm tra hiệu ứng ARCH
- Ước lượng mô hình GARCH, EGARCH mở rộng.
17
Một giả định trong hồi quy tuyến tính là các biến trong mô hình phải có phân phối
chuẩn đa biến, tuy nhiên, trong dữ liệu tài chính phần lớn các chuỗi có phân phối xấp
xỉ với hai đuôi phẳng (skewness và leptokurtosis) hơn so với phân phối chuẩn
(Bollerslev 1987; Baillie and Bollerslev 1989; Nelson et al. 1996; Alexander and
Lazar 2006). Trong trường hợp này, Bollerslev (1987) đề xuất sử dụng phân phối
Student t-GARCH để ghi nhận sự biến động trong mô hình GARCH và mô hình
EGARCH (Alexander and Lazar, 2006).
Ngoài ra, các chuỗi trước khi được sử dụng trong phân tích đòi hỏi đạt trạng thái
dừng. Tính dừng của các chuỗi được kiểm tra thông qua kiểm định Dickey-Fuller mở
rộng với giả thuyết H0 rằng chuỗi kiểm tra có nghiệm đơn vị và giả thuyết thay thế
là chuỗi đang xét là một chuỗi dừng.
Tiếp đến là xét dạng phù hợp của phương trình trung bình trong mô hình EGARCH
mở rộng. Theo Tsay (2005) thì một phương trình trung bình được xác định đúng khi
phần dư của phương trình này tuân theo phân phối iid với giá trị trung bình bằng 0.
Bằng cách kiểm tra và bổ sung các thành phần tự hồi quy của chuỗi lợi tức hoặc trung
bình trượt của phần dư (nếu có) sẽ cho phép phương trình trung bình được xác định
đúng.
Cuối cùng là kiểm tra sự tồn tại của thành phần ARCH trong phương trình hồi quy
và ước lượng mô hình. Ở đây, sự tồn tại của thành phần ARCH là bảo chứng quan
trọng cho việc mô hình hóa sự biến động của chuỗi lợi tức. Nó có thể được kiểm tra
thông qua kiểm định nhân tử Lagrange về sự tồn tại của phần dư bình phương trong
hồi quy của phương trình trung bình.
18
Thông thường, sau khi ước lượng mô hình EGARCH mở rộng chúng ta thường so
sánh dấu, độ lớn và ý nghĩa thống kê của các hệ số để từ đó có một đánh giá
toàn diện hơn về sự biến động của thị trường trước các cú sốc hay thông tin từ bên
ngoài.
19
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
4.1 Kiểm tra dữ liệu
4.1.1 Thống kê mô tả
Các biến được sử dụng trong nghiên cứu mối quan hệ giữa KLGD và các lợi tức của
các chỉ số khác lên chỉ số lợi tức của SGDCK TpHCM được tổng hợp ở bảng 4.1.
Bảng 4.1: Giá trị trung bình và độ lệch chuẩn của các biến
Biến Số quan sát GTTB Độ lệch chuẩn GTNN GTLN
R 500 0.0022 0.028 -0.118 0.135
V 500 0.0044 0.223 -0.647 0.719
RHNX 500 0.00001 0.032 -0.105 0.161
R30 500 0.0021 0.028 -0.135 0.134
Nguồn: tác giả tính toán từ bộ dữ liệu trên phần mềm Stata 14.2
Kết quả cho thấy về mặt trung bình sự biến thiên mạnh nhất xảy ra ở KLGD trên HSX
và giá trị biến thiên trung bình ít nhất ở chuỗi lợi tức chỉ số HNIndex. Sự biến thiên
của chuỗi lợi tức VNIndex và VN30 là khá tương đồng nhau.
20
Nguồn: tác giả tính toán từ bộ dữ liệu trên phần mềm Stata 14.2
Hình 4.1: Sự biến thiên của chỉ số VNIndex theo KLGD trên HSX
Đồ thị biến thiên của các chuỗi (hình 4.1 và hình 4.2) cho thấy các chuỗi đều dao
động quanh giá trị trung bình của chuỗi trong giai đoạn khảo sát. Đây là dấu hiệu cho
thấy các chuỗi trong mô hình nghiên cứu đều dừng ở bậc gốc và không có yếu tố xu
hướng.
Nguồn: tác giả tính toán từ bộ dữ liệu trên phần mềm Stata 14.2
21
Hình 4.2: Sự biến thiên của các chỉ số VNIndex, HNIndex và VN30
Ngoài ra, kết quả phân tích tương quan (bảng 4.2) cho thấy các chuỗi lợi tức chỉ số
như VNIndex, HNIndex và VN30 có mối tương quan rất cao với nhau (đều lớn hơn
0.83), đặc biệt là sự tương quan chặt giữa VNIndex và VN30 khi hệ số tương quan
giữa 2 chuỗi lợi tức chỉ số này gần 0.98. Sự tương quan giữa sự thay đổi trong KLGD
với sự thay đổi trong các chuỗi lợi tức chỉ số là không đáng kể với giá trị hệ số tương
quan nhỏ hơn 0.4. Tất cả các hệ số tương quan riêng này đều có ý nghĩa thống kê ở
mức 5%.
| R V RHNX R30
---------+------------------------------------
R | 1.0000
V | 0.3234* 1.0000
RHNX | 0.8672* 0.3942* 1.0000
R30 | 0.9756* 0.2931* 0.8286* 1.0000
Bảng 4.2: Hệ số tương quan giữa các biến trong mô hình
Nguồn: tác giả tính toán từ bộ dữ liệu trên phần mềm Stata 14.2
Ghi chú: (*) ứng với mức ý nghĩa thống kê 5%
4.1.2 Kiểm tra phân phối và tính dừng của các chuỗi
Yêu cầu về phân phối chuẩn của các chuỗi trong các mô hình GARCH, EGARCH
phải thỏa mãn tính chất phân phối chuẩn hoặc ít nhất tiệm cận phân phối chuẩn. Kết
quả kiểm tra tính chất phân phối chuẩn của các chuỗi (bảng 4.3) cho thấy phần lớn
các chuỗi trong mô hình thỏa mãn tính chất tiệm cận phân phối chuẩn với đồ thị dạng
nhọn cao hơn so với phân phối chuẩn. Ngoại trừ chuỗi lợi tức HNIndex thì giá trị p
của thống kê Skewness cho các chuỗi còn lại đều lớn hơn 0.10. Do vậy, các chuỗi
được xem là thỏa mãn yêu cầu về tính chất phân phối và phù hợp để sử dụng trong
mô hình.
22
Bảng 4.3: Kết quả kiểm tra tính chất phân phối chuẩn của các chuỗi
Giá trị p Biến Số quan sát Skewness Kurtosis
R 500 0.77 0.00
V 500 0.20 0.32
RHNX 500 0.03 0.00
R30 500 0.55 0.00
Nguồn: tác giả tính toán từ bộ dữ liệu trên phần mềm Stata 14.2
Tuy nhiên, trước khi ước lượng mô hình thì cần thiết phải kiểm tra thêm tính dừng
của các chuỗi. Kết quả kiểm định Dickey – Fuller về tính dừng của các chuỗi (bảng
4.4) cho thấy tất cả các chuỗi đều dừng ở bậc gốc. Điều này cũng hoàn toàn phù hợp
với nhận xét ban đầu về dạng đồ thị biến thiên của các chuỗi ở phần trên.
Bảng 4.4: Kết quả kiểm định Dickey – Fuller cho các chuỗi
Giá trị tới hạn Giá trị p Giá trị Chuỗi Kết luận theo Mức Mức Mức tính toán MacKinnon 1% 5% 10%
R -10.079 -3.441 -2.871 -2.57 0.000 Chuỗi dừng
RHNX -10.014 -3.441 -2.871 -2.57 0.000 Chuỗi dừng
R30 -10.215 -3.441 -2.871 -2.57 0.000 Chuỗi dừng
V -12.517 -3.441 -2.871 -2.57 0.000 Chuỗi dừng
Nguồn: tác giả tính toán từ bộ dữ liệu trên phần mềm Stata 14.2
23
4.1.3 Dạng phù hợp của phương trình trung bình
Dạng phù hợp của phương trình trung bình được xác định qua sự tồn tại của thành
phần ARMA với các độ trễ của nó. Biểu đồ tự tương quan (ACF) và tự tương quan
riêng phần (PACF) của phần dư trong mô hình hồi quy cơ sở chỉ cho thấy một sự
tương quan yếu ở độ trễ đầu tiên (phụ lục 3). Giá trị hệ số tự tương quan và tự tương
quan riêng phần lần lượt là 0.23 và 0.24 rất nhỏ. Do vậy, phần dư của phương trình
trung bình với vế phải gồm các chuỗi lợi tức và biến thiên KLGD trên HSX là không
tồn tại thành phần ARMA. Vì vậy, phương trình trung bình của mô hình nghiên cứu
sẽ có dạng:
4.2 Ước lượng mô hình
4.2.1 Lựa chọn mô hình
Việc ước lượng các mô hình GARCH(1,1) và EGARCH(1,1) đều được thực hiện qua
phương pháp hợp lí cực đại (ML). Mục tiêu của phương pháp này là thực hiện các
phép lặp để tìm một bộ tham số tốt nhất thỏa mãn điều kiện tối đa hóa hàm hợp lí
(Log likelihood). Đây chính là cơ sở để lựa chọn các mô hình được ước lượng qua kỹ
thuật hợp lí cực đại này. Do vậy, trong số hai mô hình GARCH(1,1) và
EGARCH(1,1), mô hình được lựa chọn sẽ có giá trị hàm hợp lí lớn hơn. Ngoài ra, để
khách quan nghiên cứu sử dụng thêm chỉ số tiêu chuẩn thông tin AIC1 (Akaike’s
Information Criterion) để điều chỉnh sự lựa chọn theo độ phức tạp (số biến giải thích)
của mô hình. Theo đó, giữa các mô hình đang xét thì mô hình càng phù hợp thì AIC
càng nhỏ. Kết quả ước lượng và các tiêu chí lựa chọn giữa hai mô hình GARCH(1,1)
1 AIC được tính
với k là số biến giải thích của mô hình và θ* là giá trị
ước lượng hợp lí cực đại của θ (Akaike, 1973)
và EGARCH(1,1) được tổng hợp ở bảng 4.5.
24
Bảng 4.5: Kết quả ước lượng và tiêu chí lựa chọn mô hình GARCH(1,1) và
EGARCH(1,1)
Mô hình Mô hình Biến GARCH (1,1) EGARCH(1,1)
- Mối quan hệ giữa R theo V, RHNX, R30
Phương trình trung bình:
0.0012 0.0011 V
0.1772*** 0.1783*** RHNX
0.7808*** 0.7808*** R30
0.0002 0.0003 Hằng số
- Thành phần ARCH
Phương trình phương sai:
0.0850***
- Thành phần EGARCH,
0.9018***
Hằng số 0.0000 -0.1390
0.0145
0.1551***
0.9869***
Giá trị thống kê
Số quan sát 500 500
25
Giá trị hợp lí cực đại (LL) 1926.1 1927.5
Tiêu chuẩn thông tin AIC -3383.3 -3838.9
Nguồn: tác giả tính toán từ bộ dữ liệu trên phần mềm Stata 14.2
Từ kết quả bảng 4.5 cho thấy theo cả hai tiêu chí giá trị của hàm hợp lí là cực đại và
tiêu chí thông tin AIC thì mô hình EGARCH(1,1) là mô hình hiệu quả hơn. Vì vậy,
nghiên cứu sử dụng mô hình EGARCH(1,1) để giải thích mối quan hệ giữa lợi tức
VNIndex theo các yếu tố, cũng như mô hình hóa sự biến động của chuỗi lợi tức này.
- Phương trình trung bình:
Mô hình EGARCH(1,1) có thể được viết lại dưới dạng tường minh như sau:
- Phương trình phương sai:
(4.1)
(4.2)
4.2.2 Kiểm định mô hình
Mô hình EGARCH(1,1) trước khi được sử dụng để phân tích kết quả thì cần thiết
phải kiểm tra tính hợp lí của mô hình. Đầu tiên là kiểm tra các giả thuyết về phân
phối chuẩn của phần dư thông qua thống kê Skewness. Kết quả kiểm tra qua thống
kê Skewness cho thấy phần dư có phân phối xấp xỉ phân phối chuẩn (phụ lục 6). Đồ
thị hình 4.3 cũng một dạng phân phối xấp xỉ phân phối chuẩn của phần dư với dạng
nhọn và cao hơn so với phân phối chuẩn.
26
Nguồn: tác giả tính toán từ bộ dữ liệu trên phần mềm Stata 14.2
Hình 4.3: Biểu đồ phân phối chuẩn và xác suất chuẩn hóa của phần dư
Tiếp đến là kiểm tra hiệu ứng ARCH còn lại (nếu có) của mô hình EGARCH(1,1)
sau ước lượng. Kết quả kiểm tra (phụ lục 7) cho thấy không còn hiệu ứng ARCH ít
nhất ở hai độ trễ đầu tiên với mức ý nghĩa thống kê 1%. Như vậy, mô hình
EGARCH(1,1) đảm bảo tính hợp lí và được sử dụng để phân tích kết quả cho nghiên
cứu.
4.3 Phân tích kết quả
4.3.1 Mối quan hệ giữa chuỗi lợi tức VNIndex
Mối quan hệ giữa lợi tức VNIndex với các chuỗi lợi tức khác như HNIndex, VN30
và chuỗi biến động KLGD trên HSX được thể hiện ở phương trình (4.1). Một cách
khách quan thì kết quả ước lượng các tham số của phương trình trung bình ở mô hình
GARCH(1,1) và EGARCH(1,1) là gần như tương đồng. Điều đó cho thấy phương
trình trung bình đã được xác định đúng.
27
Kết quả ước lượng cho thấy các chuỗi lợi tức HNIndex và VN30 đều có tác động
cùng chiều (có ý nghĩa thống kê 1%) lên lợi tức của chuỗi VNIndex. Trong đó, mức
tác động mạnh nhất được thể hiện ở chuỗi lợi tức VN30. Cụ thể, cứ mỗi % gia tăng
trong chỉ số VN30 ngay lập tức sẽ làm tăng thêm 0.78% ở chỉ số VNIndex. Sở dĩ như
vậy là vì chỉ số VN30 là tập hợp giao dịch của 30 chứng khoán có quy mô và KLGD
lớn nhất thị trường chứng khoán TpHCM nên có thể xem VN30 là đầu tầu tăng trưởng
hay chỉ số đại diện của HSX. Tương tự, cùng chiều hướng này, tuy nhiên, cứ mỗi %
tăng trong chỉ số HNIndex chỉ làm tăng thêm 0.18% điểm trong chỉ số VNIndex.
Ngược lại, trong mối quan hệ với lợi tức VNIndex thì biến thiên trong KLGD trên
HSX lại chưa đủ bằng chứng cho thấy KLGD có tác động cùng chiều với lợi tức
VNIndex.
4.3.2 Phân tích sự biến động của chuỗi lợi tức VNIndex
Sự biến động của chuỗi lợi tức VNIndex được mô hình hóa ở phương trình phương
- Hệ số ước lượng của thành phần đối xứng:
- Hệ số ước lượng của thành phần GARCH:
- Hệ số ước lượng của thành phần bất đối xứng:
sai (4.2) với các tham số cụ thể như sau:
Tất cả các hệ số ước lượng này đều dương và ngoại trừ hệ số của thành phần đối xứng
là không có ý nghĩa thống kê thì hai hệ số còn lại đều có ý nghĩa thống kê ở mức 1%.
Điều đó có nghĩa rằng tồn tại thông tin bất đối xứng trên thị trường chứng khoán
TpHCM. Cụ thể, trong một thị trường giá tăng (phụ lục 8) trong giai đoạn 2009 đến
2018 thì sự xuất hiện của các thông tin tích cực gây ra sự mất ổn định (biến động)
mạnh hơn so với sự biến động do các thông tin tiêu cực gây ra. Tuy nhiên, kết quả
nghiên cứu không cho thấy hiệu ứng đòn bẩy trên thị trường khi mà một tồn tại một
xu hướng biến động mạnh sau khi giá giảm so với trường hợp biến động khi giá tăng
mặc dù ở cùng một mức tăng hoặc giảm giá như nhau.
Ngoài ra, hệ số ước lượng của thành phần GARCH, là lớn hơn rất nhiều
so với hai thành phần còn lại. Điều này có ý nghĩa rằng, sự biến động của chuỗi lợi
28
tức phần lớn là do sự biến động của chính nó ở thời điểm trước (tuần) gây ra. Và sự
biến động này cần nhiều thời gian để hấp thụ và biến mất sau một cú sốc lớn (nếu có)
trên thị trường.
29
CHƯƠNG 5: KẾT LUẬN
5.1 Một số kết quả chính
Với việc sử dụng dữ liệu được thu thập theo tuần trên thị trường chứng khoán Việt
Nam trong giai đoạn đầu năm 2009 đến cuối năm 2018 đề tài nghiên cứu mối quan
hệ giữa các chỉ số trên thị trường đến lợi tức trên SGDCK TpHCM, cũng như mô
hình hóa sự vận động của chuỗi lợi tức này đã lần lượt trả lời các câu hỏi nghiên cứu
đặt ra.
Thứ nhất, đề tài đã xác định mô hình EGARCH(1,1) là mô hình phù hợp và hiệu quả
nhất để ước lượng mối quan hệ giữa các chỉ số và mô hình hóa sự vận động của chuỗi
VNIndex. Các tham số được ước lượng theo mô hình EGARCH(1,1) là hiệu qua hơn
mô hình GARCH(1,1) cả về giá trị lớn nhất của hàm hợp lí lẫn tiêu chí thông tin AIC.
Thứ hai, đề tài đã làm rõ mối quan hệ giữa chỉ số VN30, HNIndex đến chỉ số
VNIndex. Cụ thể, chỉ số VN30 có tác động mạnh nhất đến sự thay đổi của VNIndex.
Cụ thể, cứ mỗi % tăng thêm trong chỉ số VN30 ngay lập tức sẽ làm chỉ số VNIndex
tăng thêm 0.78 điểm phần trăm. Chỉ số HNIndex cũng có tác động cùng chiều đến
chỉ số VNIndex, tuy nhiên, mức tác động này là thấp hơn đáng kể so với chỉ số VN30.
Tuy nhiên, đề tài chưa đủ bằng chứng để xác nhận sự ảnh hưởng cùng chiều giữa sự
thay đổi KLGD trên HSX đến lợi tức của chuỗi VNIndex.
Thứ ba, đề tài cho thấy tồn tại một thông tin bất cân xứng trên SGDCK TpHCM.
Theo đó, các thông tin tốt gây nên sự biến động nhiều hơn là sự biến động được gây
bởi các thông tin xấu. Đề tài cũng cho thấy hiệu ứng đòn bẩy không hiện diện trên thị
trường khi không có sự trầm trọng quá mức do các thông tin xấu gây ra.
5.2 Hạn chế và hướng nghiên cứu tiếp theo
Trong mối quan hệ giữa các chỉ số, đề tài chỉ sử dụng ba chỉ số đại diện trên cả hai
SGD như chỉ số VN30, HNIndex và KLGD trên HSX, do vậy, có thể dẫn đến vấn đề
bỏ sót biến. Ngoài ra, do mục tiêu đặt trọng tâm vào sự ảnh hưởng của các chỉ số lên
VNIndex nên đề tài không xét đến mối quan hệ nhân quả giữa các chỉ số. Cuối cùng
30
là đề tài chưa phân tích ảnh hưởng của các cú sốc bên ngoài thị trường như lãi suất,
lạm phát, tăng trưởng kinh tế đến sự biến động của chỉ số VNIndex để có cách nhìn
toàn diện về sự phát triển của TTCK Việt Nam. Vì vậy, đề tài gợi mở một số hướng
nghiên cứu kế thừa như bổ sung thêm các biến vĩ mô, xét đến mối quan hệ nhân quả
giữa các chỉ số và phân tích ảnh hưởng hoặc tầm quan trọng của các cú sốc bên trong,
lẫn bên ngoài mô hình thông qua xây dựng những mô hình khác như mô hình
VAR/VECM hay mô hình PVAR dành cho dữ liệu bảng.
TÀI LIỆU THAM KHẢO
Alexander C, Lazar E., 2006. Normal mixture GARCH (1, 1): application to
exchange rate modeling. Journal of Applied Econometrics Economic Review
39:885-905
Baillie, R. and Bollerslev, T., 1989. The Message in Daily Exchange Rates: A
Conditional-Variance Tale. Journal of Business & Economic Statistics, vol. 7,
issue 3, 297-305
Bollerslev, T., 1986. Generalized Autoregressive Conditional Heteroskedasticity.
Journal of Econometrics 31, page 307-327.
Brooks, C., 2008. Introductory Econometrics for Finance. Cambridge University
Press.
Bollerslev, T., 1987. A Conditionally Heteroskedastic Time Series Model for
Speculative Prices and Rates of Return. Review of Economics and Statistics 69,
page 542-547.
Chen, G., Firth, M. and Rui, O. M., 2001. The dynamic relation between stock
returns, trading volume and volatility. The Financial Review Vol.38, pp. 153-174.
Darwish, M. J., 2012. Testing the contemporaneous and causal relationship
between trading volume and return in the Palestine exchange. Interdisciplinary
Journal of Contemporary Research in Business Vol.3, pp. 55-64.
Dickey D.A., Fuller W.A., 1979. Distribution of the Estimators for Autoregressive
Time Series with a Unit Root. Journal of the American Statistical Association 74
427–431.
Dongwi Su and Belton M. Fleisher., 1998. Risk, Return and Regulation in Chinese
Stock Market. Journal of Econometric and Business 50: 239-256.
Ederington, H. L. Guan, W., 2005. Forecasting volatility. Journal of Futures
Markets. 25(5), page 465-490.
Engel, F. R., 1982. Autoregressive Conditional Heteroscedasticity with Estimates
of the Variance of United Kingdom Inflation. Econometrica. 50(4), page 987-
1007.
Granger, C. W. J., and Morgenstern, O., 1963 Spectral analysis of New York Stock
Market Prices. International Review for Social Sciences Vol. 16, pp. 1–27.
Mala, R. and Reddy, M., 2007. Measuring stock market volatility in an emerging
economy. International Research Journal of Finance and Economics, Vol. 8, pp.
126-133.
Mandelbrot B., 1963. The Variation of Certain Speculative Prices. The Journal of
Business, vol. 36, 394
Nelson, B. D., 1991. Conditional Heteroskedasticity in Asset Returns: A New
Approach. Econometrica. 59(2), page 347-370.
Pathirawasam, C., 2011. The relationship between trading volume and stock
returns. Journal of Competitiveness Vol. 3, pp. 41-49.
Pisedtasalasai, A., and Gunasekarage, A., 2008. Causal and dynamic relationships
among stock returns, return volatility and trading volume: Evidence from emerging
markets in South-East Asia. Asia-Pacific Finance Markets Vol. 14, pp. 277–297
Tauchen, G. E., and Pitts, M., 1983. The price variability-volume relationship on
speculative markets. Econometrical: Econometric Society Vol. 51, No. 2, pp. 485-
505
Tsay, R., 2005. Analysis of Financial Time Series. 2nd ed. New Jersey. John Wiley
& Sons.
PHỤ LỤC
Phụ lục 1: Kết quả kiểm định Dickey – Fuller mở rộng cho các chuỗi
Source | SS df MS Number of obs = 500 -------------+---------------------------------- F(1, 498) = 0.07 Model | .000050422 1 .000050422 Prob > F = 0.7974 Residual | .380650528 498 .000764358 R-squared = 0.0001 -------------+---------------------------------- Adj R-squared = -0.0019 Total | .38070095 499 .000762928 Root MSE = .02765 ------------------------------------------------------------------------------ R | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- w | 2.17e-06 8.44e-06 0.26 0.797 -.0000144 .0000187 _cons | -.0039278 .0236787 -0.17 0.868 -.0504501 .0425946 ------------------------------------------------------------------------------ Augmented Dickey-Fuller test for unit root Number of obs = 484 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(t) -10.079 -3.441 -2.871 -2.570 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.0000
Kiểm tra tính dừng của chuỗi R
Source | SS df MS Number of obs = 500 -------------+---------------------------------- F(1, 498) = 0.10 Model | .004884868 1 .004884868 Prob > F = 0.7548 Residual | 24.9142611 498 .050028637 R-squared = 0.0002 -------------+---------------------------------- Adj R-squared = -0.0018 Total | 24.9191459 499 .049938168 Root MSE = .22367 ------------------------------------------------------------------------------ V | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- w | -.0000213 .0000683 -0.31 0.755 -.0001555 .0001128 _cons | .0641981 .1915657 0.34 0.738 -.3121785 .4405747 ------------------------------------------------------------------------------ Augmented Dickey-Fuller test for unit root Number of obs = 484 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(t) -12.517 -3.441 -2.871 -2.570 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.0000
Kiểm tra tính dừng của chuỗi V
Source | SS df MS Number of obs = 500 -------------+---------------------------------- F(1, 498) = 1.06 Model | .001068876 1 .001068876 Prob > F = 0.3045 Residual | .503852492 498 .001011752 R-squared = 0.0021 -------------+---------------------------------- Adj R-squared = 0.0001 Total | .504921367 499 .001011866 Root MSE = .03181 ------------------------------------------------------------------------------ RHNX | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- w | 9.98e-06 9.71e-06 1.03 0.305 -9.10e-06 .0000291 _cons | -.0279512 .0272424 -1.03 0.305 -.0814754 .025573 ------------------------------------------------------------------------------ Augmented Dickey-Fuller test for unit root Number of obs = 484 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(t) -10.014 -3.441 -2.871 -2.570 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.0000
Kiểm tra tính dừng của chuỗi RHNX
Source | SS df MS Number of obs = 500 -------------+---------------------------------- F(1, 498) = 0.00 Model | 7.6318e-07 1 7.6318e-07 Prob > F = 0.9753 Residual | .395923977 498 .000795028 R-squared = 0.0000 -------------+---------------------------------- Adj R-squared = -0.0020 Total | .39592474 499 .000793436 Root MSE = .0282 ------------------------------------------------------------------------------ R30 | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- w | 2.67e-07 8.61e-06 0.03 0.975 -.0000166 .0000172 _cons | .001316 .024149 0.05 0.957 -.0461305 .0487626 ------------------------------------------------------------------------------ Augmented Dickey-Fuller test for unit root Number of obs = 484 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(t) -10.215 -3.441 -2.871 -2.570 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.0000
Kiểm tra tính dừng của chuỗi R30
. reg R V RHNX R30 Source | SS df MS Number of obs = 500 -------------+---------------------------------- F(3, 496) = 4287.76 Model | .366566379 3 .122188793 Prob > F = 0.0000 Residual | .014134571 496 .000028497 R-squared = 0.9629 -------------+---------------------------------- Adj R-squared = 0.9626 Total | .38070095 499 .000762928 Root MSE = .00534 ------------------------------------------------------------------------------ R | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- V | .0013259 .0011661 1.14 0.256 -.0009652 .003617 RHNX | .1584273 .0139916 11.32 0.000 .1309372 .1859173 R30 | .8052985 .0151879 53.02 0.000 .7754579 .8351391 _cons | .0004764 .0002409 1.98 0.049 3.12e-06 .0009496 ------------------------------------------------------------------------------ . predict res, res (4 missing values generated) . estat archlm, lags(1) // Có ARCH(1) Number of gaps in sample: 3 LM test for autoregressive conditional heteroskedasticity (ARCH) --------------------------------------------------------------------------- lags(p) | chi2 df Prob > chi2 -------------+------------------------------------------------------------- 1 | 3.095 1 0.0785 --------------------------------------------------------------------------- H0: no ARCH effects vs. H1: ARCH(p) disturbance
Phụ lục 2: Kết quả kiểm tra sự tồn tại của hiệu ứng ARCH
. corrgram res, lags(20) // Không có thành phần ARMA(1,1) (note: time series has 3 gaps) -1 0 1 -1 0 1 LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor] ------------------------------------------------------------------------------- 1 0.2338 0.2352 27.505 0.0000 |- |- 2 0.0499 -0.0073 28.761 0.0000 | | 3 -0.0278 -0.0425 29.151 0.0000 | | 4 -0.0851 -0.0723 32.818 0.0000 | | 5 -0.0274 0.0191 33.199 0.0000 | | 6 -0.0064 -0.0114 33.219 0.0000 | | 7 -0.0159 -0.0154 33.348 0.0000 | | 8 0.0426 0.0560 34.273 0.0000 | | 9 0.0114 -0.0144 34.34 0.0001 | | 10 0.0540 0.0626 35.832 0.0001 | | 11 0.0831 0.0763 39.38 0.0000 | | 12 0.0858 0.0465 43.165 0.0000 | | 13 0.0461 0.0194 44.259 0.0000 | | 14 -0.0685 -0.0797 46.686 0.0000 | | 15 0.0203 0.0678 46.9 0.0000 | | 16 0.0242 0.0295 47.203 0.0001 | | 17 0.0388 0.0337 47.985 0.0001 | | 18 0.0081 -0.0440 48.019 0.0001 | | 19 -0.0130 0.0022 48.107 0.0002 | | 20 0.0200 0.0525 48.316 0.0004 | |
Phụ lục 3: Kết quả kiểm tra thành phần ARMA(1,1)
ARCH family regression Sample: 2009w2 - 2018w39, but with gaps Number of obs = 500 Distribution: Gaussian Wald chi2(3) = 25146.15 Log likelihood = 1926.149 Prob > chi2 = 0.0000 ------------------------------------------------------------------------------ | OPG R | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- R | V | .001214 .0010908 1.11 0.266 -.000924 .003352 RHNX | .1771786 .0109125 16.24 0.000 .1557906 .1985666 R30 | .7808075 .0115729 67.47 0.000 .758125 .8034901 _cons | .0002499 .0002115 1.18 0.237 -.0001646 .0006645 -------------+---------------------------------------------------------------- ARCH | arch | L1. | .0849732 .0264431 3.21 0.001 .0331456 .1368007 | garch | L1. | .9018337 .0316726 28.47 0.000 .8397566 .9639109 | _cons | 3.71e-07 3.68e-07 1.01 0.313 -3.49e-07 1.09e-06 ------------------------------------------------------------------------------
Phụ lục 4: Kết quả ước lượng mô hình GARCH(1,1)
Phụ lục 5: Kết quả ước lượng mô hình EGARCH(1,1)
ARCH family regression Sample: 2009w2 - 2018w39, but with gaps Number of obs = 500 Distribution: Gaussian Wald chi2(3) = 24756.43 Log likelihood = 1927.47 Prob > chi2 = 0.0000 ------------------------------------------------------------------------------ | OPG R | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- R | V | .0011309 .0010739 1.05 0.292 -.0009738 .0032356 RHNX | .1783123 .0108578 16.42 0.000 .1570314 .1995932 R30 | .7807664 .0113761 68.63 0.000 .7584697 .8030631 _cons | .0002815 .0002132 1.32 0.187 -.0001364 .0006994 -------------+---------------------------------------------------------------- ARCH | earch | L1. | .0145029 .0152799 0.95 0.343 -.0154452 .044451 | earch_a | L1. | .1551431 .0467583 3.32 0.001 .0634986 .2467876 | egarch | L1. | .9869226 .0150386 65.63 0.000 .9574475 1.016398 | _cons | -.1390273 .1566994 -0.89 0.375 -.4461525 .168098 ------------------------------------------------------------------------------
Phụ lục 6: Kiểm tra dạng phân phối của phần dư trong mô hình EGARCH(1,1) . sktest e Skewness/Kurtosis tests for Normality ------ joint ------ Variable | Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2 -------------+--------------------------------------------------------------- e | 500 0.6898 0.0001 13.45 0.0012
Phụ lục 7: Kết quả kiểm tra hiệu ứng ARCH còn lại của mô hình
Number of gaps in sample: 3 LM test for autoregressive conditional heteroskedasticity (ARCH) --------------------------------------------------------------------------- lags(p) | chi2 df Prob > chi2 -------------+------------------------------------------------------------- 1 | 0.077 1 0.7812 2 | 0.235 2 0.8893 --------------------------------------------------------------------------- H0: no ARCH effects vs. H1: ARCH(p) disturbance
EGARCH(1,1)
Phụ lục 8: Xu hướng giá của VNIndex giai đoạn 2009w1 đến 2018w39
