Phân tích sự biến động chỉ số giá cổ phiếu trên sàn chứng khoán Hà Nội qua mô hình ARCH – GARCH

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:12

Thêm vào BST

Báo xấu

26
lượt xem 6
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Phân tích sự biến động chỉ số giá cổ phiếu trên sàn chứng khoán Hà Nội qua mô hình ARCH – GARCH đưa ra một số phân tích về sự biến động của chỉ số HNX_Index dựa trên bộ số liệu giá đóng cửa hàng ngày của HNX_Index trong 10 năm gần đây, thời gian từ ngày 04/01/2010 đến ngày 31/12/2020.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Phân tích sự biến động chỉ số giá cổ phiếu trên sàn chứng khoán Hà Nội qua mô hình ARCH – GARCH

ICYREB 2021 | Chủ đề 3: Tài chính - Ngân hàng - Kế toán 249 PHÂN TÍCH SỰ BIẾN ĐỘNG CHỈ SỐ GIÁ CỔ PHIẾU TRÊN SÀN CHỨNG KHOÁN HÀ NỘI QUA MÔ HÌNH ARCH – GARCH Nguyễn Thị Hiên - Đàm Thị Thanh Huyền Trường Đại học Thương mại Tóm tắt Việc nắm bắt thông tin trên các Sàn chứng khoán rất có ý nghĩa đối với các chủ thể tham gia thị trường, nhất là các nhà đầu tư chứng khoán. Vì vậy, việc nắm bắt được sự biến động trên các Sàn chứng khoán có một vai trò rất quan trọng. Sàn chứng khoán HNX (Ha Noi Stock Exchange) là sàn giao dịch lớn thứ 2 và đóng góp không nhỏ vào sự phát triển của Thị trường chứng khoán Việt Nam. Nắm bắt được sự biến động của chỉ số chứng khoán HNX_Index sẽ giúp cho việc định giá chứng khoán và quản trị rủi ro. Vì vậy, bài viết xin đưa ra một số phân tích về sự biến động của chỉ số HNX_Index dựa trên bộ số liệu giá đóng cửa hàng ngày của HNX_Index trong 10 năm gần đây, thời gian từ ngày 04/01/2010 đến ngày 31/12/2020. Việc phân tích được thực hiện bằng cách sử dụng các mô hình dữ liệu chuỗi thời gian: mô hình ARMA, mô hình ARCH, và mô hình GARCH. Kết quả nghiên cứu cho thấy các mô hình ARMA(3,2), ARCH(6), GARCH(1,1), GARCH(1,1)_M là các mô hình phù hợp sử dụng để phân tích sự biến động chuỗi tỷ suất sinh lợi của chỉ số HNX_Index. Từ khóa: chỉ số HNX_Index, mô hình ARMA, mô hình ARCH, mô hình GARCH. ANALYSIS OF THE MOVEMENT OF THE STOCK PRICE INDEX ON HANOI STOCK EXCHANGE THROUGH THE ARCH – GARCH MODEL Abstract Capturing information on the Stock Exchange is very meaningful to market participants, especially stock investors. Therefore, capturing the volatility on the Ha Noi Stock Exchange has a very important role. Ha Noi Stock Exchange is the 2nd largest trading floor and contributes significantly to the development of Vietnam's stock market. Capturing the fluctuations of the HNX_Index stock index will help with securities valuation and risk management. Therefore, the article would like to give some analysis on the fluctuation of the HNX_Index based on the daily closing price data of HNX_Index in the last 10 years, from January 4, 2010 to December 31/12/2020. The analysis is performed using time series data models: the ARMA model, the ARCH model, and the GARCH model. The results show that models ARMA(3,2), ARCH(6), GARCH(1,1), GARCH(1,1)_M are suitable models used for analysis the volatility of the return rate of HNX_index. Keywords: HNX_Index, the ARMA model, the ARCH model, and the GARCH model.
250 ICYREB 2021 | Chủ đề 3: Tài chính - Ngân hàng - Kế toán 1. Đặt vấn đề Ở Thị trường chứng khoán (TTCK) Việt Nam, Sở giao dịch Chứng Khoán Hà Nội là một trong những Sàn chứng khoán lớn nhất được thành lập năm 2009. Trên thế giới nói chung và ở Việt Nam nói riêng, TTCK luôn là nơi hấp dẫn các tổ chức và cá nhân đầu tư bởi mức sinh lợi cao của nó. Tuy nhiên, bất kì TTCK nào cũng tiềm ẩn nhiều rủi ro, thể hiện qua sự biến động lên xuống không ngừng của chỉ số giá cổ phiếu của Thị trường. HNX-Index là một chỉ số giá cổ phiếu được sử dụng để đánh giá về thị trường mã cổ phiếu tại Sàn chứng khoán HNX. Do đó, để giúp các nhà đầu tư có được những thông tin hữu ích, nắm bắt được sự biến động của chỉ số giá cổ phiếu trên Sàn chứng khoán Hà Nội và ảnh hưởng của các cú sốc đến sự biến động giá cổ phiếu của thị trường, dựa trên kết quả phân tích định lượng, nghiên cứu đã ứng dụng các mô hình ARMA, ARCH, GARCH phân tích sự biến động của chỉ số HNX_Index trong suốt quá trình hoạt động của Sàn, với dữ liệu thu thập trong giai đoạn 2010 – 2020. 2. Tổng quan nghiên cứu Trên thế giới đã có các nghiên nhiều cứu bàn về sự biến động giá cổ phiếu trên các thị trường chứng khoán dựa trên các mô hình ARCH, GARCH, như nghiên cứu của Karmakar (2005) về sự biến động của TTCK Ấn Độ. Nghiên cứu chỉ ra mô hình GARCH(1,1) cung cấp dự báo biến động thị trường khá tốt và sử dụng mô hình GARCH(1,1) đưa ra các dự báo cho 50 mã cổ phiếu. Hay như nghiên cứu của Sohail Chand, Shahid Kamal và Imran Ali (2012) sử dụng mô hình ARCH, GARCH phân tích sự biến động của giá cổ phiếu MCB (Muslim Commercial Bank), nhóm tác giả đã xây dựng các mô hình ARMA khác nhau để ước lượng cho tỷ suất sinh lợi trung bình, dựa trên kết quả thu được và các tiêu chí AIC, SIC họ đã chọn ra mô hình ước lượng phù hợp nhất, ngoài ra kết quả còn thu được mô hình GARCH(1,1) là mô hình dự báo tốt nhất. Trong nước, năm 2013 tác giả Trần Mạnh Cường và Đỗ Khắc Hưởng thực hiện nghiên cứu “Đo lường sự dao động của chỉ số chứng khoán VN_Index thông qua mô hình GARCH” với bộ số liệu giá đóng cửa hàng ngày giai đoạn 2000 - 2011. Thông thường các nghiên cứu khi ước lượng cho mô hình GARCH đều sử dụng phương pháp ước lượng hợp lý cực đại với giả thiết sai số có phân phối chuẩn nhưng nhóm tác giả đã sử dụng mô hình GARCH(p,q) xét với sai số tuân theo các quy luật phân phối chuẩn, phân phối Student, phân phối sai số tổng quát, phân phối Student chệch. Kết quả nghiên cứu chỉ ra mô hình GARCH(1,1) với sai số tuân theo quy luật phân phối chuẩn cho dự báo hiệu quả nhất. Tuy nhiên nghiên cứu chưa chỉ ra được rủi ro có ảnh hưởng đến tỷ suất sinh lợi của VN_Index hay không, đồng thời cũng chưa đánh giá được sự ảnh hưởng của các thông tin tốt, xấu đến tỷ suất sinh lợi. Tháng 7/2017, tác giả Phạm Chí Khoa cũng đưa ra kết quả nghiên cứu “Dự báo biến động giá chứng khoán qua mô hình ARCH – GARCH”. Dựa trên các tiêu chí AIC, SIC nghiên cứu chọn mô hình ARMA(4,1) để ước lượng cho giá trị trung bình của tỷ suất sinh lợi và mô hình GARCH(1,1) ước lượng cho phương sai sai số có điều kiện. Nghiên cứu được thực hiện trên bộ số liệu thu thập trong giai đoạn 2006 - 2016. Kết quả chỉ ra tỷ suất sinh lợi
ICYREB 2021 | Chủ đề 3: Tài chính - Ngân hàng - Kế toán 251 trong quá khứ có vai trò quyết định tỷ suất sinh lợi hiện tại. Nhưng cũng giống với nghiên cứu trước, tác giả chưa chỉ ra được ảnh hưởng của rủi ro đến tỷ suất sinh lợi của VN_Index. Các kết quả nghiên cứu cho thấy mô hình GARCH(1,1) là mô hình phù hợp nhất để phân tích sự biến động của chỉ số giá cổ phiếu trên các sàn chứng khoán. Theo tìm hiểu của nhóm tác giả, chưa có nghiên cứu nào đi sâu phân tích sự biến động chỉ số giá cổ phiếu trên Sàn chứng khoán Hà Nội. 3. Phương pháp nghiên cứu Nghiên cứu sử dụng phương pháp định lượng, dựa trên bộ số liệu thứ cấp thu thập trên sàn chứng khoán HNX kết hợp với các mô hình ARMA, ARCH và GARCH để phân tích sự biến động của chỉ số HNX-Index. Trước tiên nghiên cứu ứng dụng mô hình ARMA để dự báo tỷ suất sinh lợi trung bình của HNX_index, sau đó áp dụng mô hình ARCH, mô hình GARCH đưa thêm yếu tố tác động của phương sai trễ lên phương sai có điều kiện của tỷ suất sinh lợi. Cuối cùng nghiên cứu xét sự ảnh hưởng của yếu tố rủi ro thông qua mô hình GARCH_M và sự tác động của các thông tin tốt, xấu của thị trường lên sự biến động của chỉ số HNX_Index bằng mô hình TGARCH. Các mô hình được xây dựng theo quy trình hai bước, bước 1 xác định bậc của mô hình, bước 2 ước lượng mô hình bằng phương pháp hợp lý cực đại. Để xác định bậc trước tiên ta phải kiểm định tính dừng của chuỗi tỷ suất sinh lợi, sau đó lựa chọn mô hình ARMA phù hợp để ước lượng tỷ suất sinh lợi trung bình của HNX_Index, rồi kiểm định hiệu ứng ARCH cho mô hình ước lượng được, từ đó xác định bậc của mô hình. 3.1 Mô hình nghiên cứu Biến động của chỉ số HNX_Index được ước tính dựa trên tỷ suất sinh lợi rt với: Pt rt = log( ) . (1) Pt −1 Trong đó Pt, Pt-1 là giá đóng cửa của HNX_Index tương ứng tại thời điểm t, t-1. Giá trị trung bình của tỷ suất sinh lợi rt là: µ t = E(rt /Ft-1). (2) Rủi ro ở đây là phương sai có điều kiện của tỷ suất sinh lợi: σt2 = Var(rt /Ft-1) (3). Trong đó Ft-1 là tập hợp thông tin có ở thời điểm t-1. Để ước lượng cho tỷ suất sinh lợi trung bình, xét mô hình ARMA(p, q): rt = µ t + ut (4) k p q µ t=𝜙0 + i X it + i i −1 + u i i −1 (5) i =1 i =1 i =1 Trong đó Xit là các biến giải thích, ut đặc trưng các cú sốc của tỷ suất sinh lợi một loại tài sản ở thời điểm t; p, q là các số nguyên không âm được xác định dựa trên lược đồ tương quan chuỗi. Sau khi xác định p, q ta ước lượng các mô hình trung bình ARMA(p,q) bằng phương pháp Bình phương nhỏ nhất (OLS), rồi chọn ra một mô hình ước lượng phù hợp nhất. Sau đó tiến hành kiểm định hiệu ứng ARCH cuả mô hình.
252 ICYREB 2021 | Chủ đề 3: Tài chính - Ngân hàng - Kế toán Từ (3) và (4) ta có: σt2 = Var(rt / Ft-1) = Var(ut / Ft-1). (6) • Mô hình ARMA(p,q). Quá trình trunh bình trượt MA(q) Yt là quá trình trung bình trượt bậc q, nếu Yt có dạng: Yt= µ + ut + θ1ut-1 + … + θqut-q t=1, 2, …, n (7) 2 Trong đó ut: là nhiễu trắng, E(ut) = 0, Var(ut) = σ , cov(ut, ut+s) = 0, s≠0, với mọi t. Hay Yt - µ = (1 + θ1L + … + θqLq) µ, E(Yt) = µ, L là toán tử trễ Quá trình tự hồi quy AR(p) Yt là quá trình tự hồi quy bậc p, nếu Yt có dạng: Yt= ϕ0 + ϕ1 Yt-1 + ϕ2 Yt-2 + … + ϕp Yt-p + ut t=1,2,…,n (8) Trong đó ut: là nhiễu trắng, E(ut) = 0, Var(ut) = σ2, cov(ut, ut+s) = 0, s≠0, với mọi t. Quá trình trung bình trượt tự hồi quy ARMA(p,q) Yt là quá trình trung bình trượt bậc q, tự hồi quy bậc p, nếu Yt có dạng: Yt= ϕ0 + ϕ1 Yt-1 + ϕ2 Yt-2 + … + ϕp Yt-p + ut+ θ1ut-1 + … + θqut-q (9) 2 Trong đó ut: là nhiễu trắng, E(ut) = 0, Var(ut) = σ , cov(ut, ut+s) = 0, s≠0, với mọi t. • Mô hình ARCH Mô hình ARCH do Engle đề xuất năm 1982. Mô hình này cho rằng phương sai của các sai số tại thời điểm t phụ thuộc vào các sai số bình phương ở các giai đoạn trước. Mô hình ARCH(p) có dạng: rt = µ t + ut ut = σt εt t 2 = 0 + 1ut2−1 + 2ut2−2 + ... + put2− p (10) Trong đó µt đại diện cho trung bình của tỷ suất sinh lợi rt, σt2 đại diện cho mức độ biến động của rt còn ut đại diện cho các “cú sốc” (shock) của tỷ suất sinh lợi một loại tài sản ở thời điểm t. Với γ0 > 0; γj ≥ 0 j = 1,…,p; εt ∼IID; E(εt)= 0;Var(εt) = 1. Thông thường ta hay giả thiết ut ∼N(0; σt2 ) hoặc phân phối Student. Để đưa ra dự báo cho phương sai của tỷ suất sinh lợi rt bằng mô hình ARCH ta tiến hành theo quy trình 4 bước. Bước 1: Xác định bậc của mô hình ARCH; Bước 2: Ước lượng các tham số trong mô hình bằng phương pháp ước lượng hợp lý cực đại; Bước 3: Kiểm định hiệu ứng ARCH; Bước 4 đưa ra dự báo. • Mô hình GARCH Theo các kết quả nghiên cứu đã công bố, để đánh giá tác động của rủi ro lên tỷ suất sinh lợi nghiên cứu sử dụng mô hình GARCH(1,1) và mô hình GARCH(1,1)_M. Mô hình GARCH(1,1) có dạng: rt = µ t + ut
ICYREB 2021 | Chủ đề 3: Tài chính - Ngân hàng - Kế toán 253 ut = σt εt t 2 = 0 + u2 1 t −1 + 1 2 t −1 (11) Trong đó α0 > 0; αi ≥ 0; βj ≥ 0; 1 + 1; εt ∼IID; E(εt )= 0;Var(εt ) = 1. 1 Như vậy phương sai của tỷ suất sinh lợi một loại tài sản không những phụ thuộc vào các cú sốc ở quá khứ mà còn phụ thuộc vào chính phương sai ở thời kỳ trước. Ngoài ra để xét rủi ro của giá cổ phiếu tại thời điểm t có ảnh hưởng đến tỷ suất sinh lợi của giá cổ phiếu hay không, người ta đề xuất mô hình GARCH(1,1)_M, trong đó có đưa thêm yếu tố rủi ro vào mô hình. Mô hình GARCH(1,1)_M có dạng: rt = µ t + cσt2 + ut, ut = σtεt, σt2 = α0 + α1ut-12 + β1σt-12 (12) Một dạng khác của GARCH(1,1)_M: rt = µ t + cσt + ut (13), c là hệ số thể hiện mức độ ảnh hưởng của rủi ro lên tỷ suất sinh lợi. Nếu c>0 thì khi độ rủi ro tăng, tỷ suất sinh lợi cũng tăng. 3.2 Dữ liệu nghiên cứu Nghiên cứu sử dụng chỉ số HNX_Index để đại diện cho Sàn chứng khoán HNX với chuỗi dữ liệu gồm giá đóng cửa hàng ngày của chỉ số HNX_Index trong giai đoạn 2010 – 2020. Đây là dữ liệu chuỗi thời gian gồm 2742 quan sát. Các phân tích được thực hiện trên phần mềm Eviews 8.0. (Nguồn dữ liệu được lấy từ trang web: https://s.cafef.vn/du-lieu/download.chn#data ) 4. Kết quả nghiên cứu Thống kê mô tả tỷ suất sinh lợi của chỉ số HNX_Index được tổng hợp ở Bảng sau: Hình 1. Thống kê mô tả về chuỗi tỷ suất sinh lợi của HNX_Index theo ngày 700 Series: R_HNX 600 Sample 1 2742 Observations 2742 500 Mean 2.99e-05 Median 0.000220 400 Maximum 0.028964 Minimum -0.029413 300 Std. Dev. 0.005805 Skewness -0.372706 200 Kurtosis 6.390830 100 Jarque-Bera 1377.098 Probability 0.000000 0 -0.03 -0.02 -0.01 0.00 0.01 0.02 0.03 Nguồn: kết quả phân tích số liệu của nhóm tác giả
254 ICYREB 2021 | Chủ đề 3: Tài chính - Ngân hàng - Kế toán Giá trị trung bình của chuỗi tỷ suất sinh lợi dương, điều này cho thấy trung bình giá HNX_Index tăng trong khoảng thời gian quan sát. Hệ số bất cân xứng khác 0 và độ nhọn lớn hơn 3, điều này ngụ ý chuỗi tỷ suất sinh lợi không tuân theo quy luật phân phối chuẩn. Kết hợp với kiểm định Jarque-Bera có giá trị p_value = 0.000000 rất nhỏ, nên với mức ý nghĩa 1% có thể nói giả thuyết chuỗi tỷ suất sinh lợi rt phân phối chuẩn đã bị bác bỏ. Tiếp theo ta vẽ biểu đồ minh họa sự thay đổi của tỷ suất sinh lợi theo thời gian. Hình 2. Đồ thị chuỗi tỷ suất sinh lợi HNX_INDEX giai đoạn 2010 – 2020 R_HNX .03 .02 .01 .00 -.01 -.02 -.03 250 500 750 1000 1250 1500 1750 2000 2250 2500 Nguồn: kết quả phân tích số liệu của nhóm tác giả Đồ thị chỉ ra chuỗi tỷ suất sinh lợi theo ngày của HNX_Index dao động với biên độ lớn xung quanh giá trị trung bình. Không chỉ thế những biến động ấy dường như kéo dài qua một giai đoạn nhất định, khoảng thời gian biến động cao thấp có xu hướng nối tiếp, tức là có biến động theo cụm và những biến động này có vẻ tự tương quan với nhau. Trên bộ dữ liệu thu thập ta tính được phương sai của tỷ suất sinh lợi là 0.0000337. Nhưng phương sai theo cách tính đơn giản này không bàn đến dao động theo cụm, nó chỉ đơn thuần là phương sai không có điều kiện, không tính đến yếu tố lịch sử đã qua của các tỷ suất sinh lợi. Do đó ta sử dụng mô hình ARCH để đánh giá được độ biến động của tỷ suất sinh lợi của HNX_Index theo thời gian. Trước tiên ta kiểm tra tính dừng của chuỗi bằng phương pháp kiểm định Augmented Dickey-Fuller (ADF). Bảng 1. Kết quả kiểm định tính dừng bằng kiểm định ADF t-Statistic Prob.* Augmented Dickey-Fuller test statistic -27.14105 0.0000 Nguồn: kết quả phân tích số liệu của tác giả Vậy chuỗi tỷ suất sinh lợi của HNX_Index là chuỗi dừng với mức ý nghĩa 1%. Tiếp theo, ta tính toán khoảng tin cậy của hệ số tự tương quan ACF, sử dụng các hệ số tự tương quan ACF để chọn bậc q cho MA, hệ số tự tương quan riêng PACF để chọn bậc p
ICYREB 2021 | Chủ đề 3: Tài chính - Ngân hàng - Kế toán 255 cho AR. Vì HNX_Index là chuỗi dừng nên ta chọn p, q là những giá trị nằm ngoài khoảng tin cậy của hệ số tương quan. Trong thực tế, khoảng tin cậy của hệ số tương quan xấp xỉ 2 2 (− ; ) ≈ (−0.0382; 0.0382). Dựa vào lược đồ tự tương quan của chuỗi tỷ suất √2742 √2742 sinh lợi sau đây ta chọn ra các độ trễ p, q phù hợp. Hình 3. Lược đồ tự tương quan của chuỗi tỷ suất sinh lợi HNX_Index Autocorrelation Partial Correlation AC PAC Q-Stat Prob | | | | 1 0.006 0.006 0.0830 0.773 | | | | 2 0.064 0.064 11.177 0.004 | | | | 3 0.060 0.060 21.109 0.000 | | | | 4 0.013 0.008 21.542 0.000 | | | | 5 0.017 0.009 22.331 0.000 | | | | 6 0.023 0.028 23.741 0.001 | | | | 7 0.012 0.010 24.162 0.001 | | | | 8 0.013 0.015 24.656 0.002 | | | | 9 0.011 0.010 25.016 0.003 | | | | 10 0.026 0.023 26.832 0.003 | | | | 11 0.022 0.022 28.197 0.003 | | | | 12 0.012 0.015 28.613 0.004 | | | | 13 0.002 0.003 28.624 0.007 | | | | 14 0.023 0.023 30.077 0.007 | | | | 15 0.005 0.006 30.159 0.011 Nguồn: kết quả phân tích số liệu của nhóm tác giả Nhìn vào lược đồ Hình 3, ta chọn được các độ trễ cho quá trình AR, MA là p=q: 2, 3. Bảng 2. Kết quả ước lượng các mô hình ARMA Mô hình AR(2) AR(3) MA(2) MA(3) AIC SIC ARMA(2,0) 0.06368*** - - - -7.474 -7.470 ARMA(3,0) - 0.06025*** - - -7.474 -7.468 ARMA(0,2) - - 0.06338*** - -7.463 -7.459 ARMA(0,3) - - - 0.0647*** -7.463 -7.469 ARMA(2,2) -0.2105 - 0.2698 - -7.474 -7.468 ARMA(2,3) 0.06298*** - - 0.06377*** -7.476 -7.469 ARMA(3,2) - 0.05944*** 0.06602*** - -7.477 -7.472 ARMA(3,3) - -0.0531 - 0.1171 -7.473 -7.468 *: p_value
256 ICYREB 2021 | Chủ đề 3: Tài chính - Ngân hàng - Kế toán Xét các mô hình ARMA ước lượng cho giá trị trung bình của tỷ suất sinh lợi, kết quả ước lượng thu được mô hình ARMA(3,2) là phù hợp nhất vì các hệ số trong mô hình đều có ý nghĩa thống kê 1% và có giá trị của hai tiêu chuẩn AIC, SIC nhỏ nhất. Hơn nữa, khi kiểm nghiệm lại tính dừng và hiện tượng tự tương quan của chuỗi phần dư thu được từ mô hình thì được kết quả mô hình ARMA(3,2) là tốt nên mô hình ARMA(3,2) được chấp nhận. Để kiểm định hiệu ứng ARCH của mô hình ARMA(3, 2), trước hết ta vẽ lược đồ tương quan chuỗi các phần dư thu được từ hồi quy mô hình. Hình 4. Lược đồ tương quan của chuỗi các phần dư mô hình ARMA(3,2) Nguồn: kết quả phân tích số liệu của nhóm tác giả Dựa vào cột PAC ta thấy mô hình có thể có hiệu ứng ARCH bậc 7. Ta kiểm định hiệu ứng ARCH của mô hình với bậc 7, kết quả là các hệ số gắn với độ trễ 6, 7 của phương sai không có ý nghĩa thống kê, nhóm tác giả đã thử lại với bậc 6 và kết quả thu được các hệ số tự hồi quy từ bậc 1 đến bậc 6 đều có ý nghĩa thống kê. Bảng 3. Kết quả kiểm định hiệu ứng ARCH của mô hình ARMA(3, 2) Heteroskedasticity Test: ARCH F-statistic 53.64826 Prob. F(6,2726) 0.0000 Obs*R-squared 288.6339 Prob. Chi-Square(6) 0.0000 Dependent Variable: RESID^2 Variable Coefficient Std. Error t-Statistic Prob.
ICYREB 2021 | Chủ đề 3: Tài chính - Ngân hàng - Kế toán 257 C 1.55E-05 1.71E-06 9.049957 0.0000 RESID^2(-1) 0.159443 0.019146 8.327579 0.0000 RESID^2(-2) 0.136995 0.019361 7.076000 0.0000 RESID^2(-3) 0.090773 0.019486 4.658367 0.0000 RESID^2(-4) 0.045671 0.019487 2.343616 0.0192 RESID^2(-5) 0.056046 0.019331 2.899223 0.0038 RESID^2(-6) 0.041738 0.019118 2.183193 0.0291 (Nguồn: kết quả phân tích số liệu của nhóm tác giả) Bảng 3 cho thấy với mức ý nghĩa 5% mô hình có hiệu ứng ARCH tức là có phương sai sai số thay đổi theo thời gian, ta xác định được bậc của mô hình ARCH là 6. Dùng phương pháp ước lượng hợp lý cực đại ta thu được kết quả như sau: Bảng 4. Kết quả hồi quy mô hình ARCH(6) Dependent Variable: R_HNX Method: ML - ARCH Coefficient MA(2) 0.043232** Variance equation C 0.00000801*** Resid(-1)^2 0.178086*** Resid(-2)^2 0.169621*** Resid(-3)^2 0.17017*** Resid(-4)^2 0.10805*** Resid(-5)^2 0.119364*** Resid(-6)^2 0.092566*** *: p_value
258 ICYREB 2021 | Chủ đề 3: Tài chính - Ngân hàng - Kế toán sốc càng gần với thời điểm t thì mức độ tác động đến biến động của tỷ suất sinh lợi của HNX_Index càng lớn. Tuy nhiên, Mô hình ARCH(6) sử dụng nhiều độ trễ, gây khó khăn cho việc dự báo, nên các mô hình GARCH là phù hợp thay thế cho mô hình ARCH bậc cao để đo lường độ biến động của tỷ suất sinh lợi trên thị trường chứng khoán Việt Nam. Kết quả ước lượng cho mô hình GARCH(1,1), GARCH(1,1) _M được tóm tắt trong Bảng 5. Bảng 5. Kết quả ước lượng mô hình GARCH(1,1), GARCH(1,1) _M Coefficients GARCH(1,1) GARCH(1,1) _M µ 0.04667* 0.044385* c - 0.037871* Variance Constant 0,00000396*** 0,0000049*** α1 (ARCH effect) 0.124324*** 0.127010*** β 1 (GARCH effect) 0.868185*** 0.865314*** *: p_value
ICYREB 2021 | Chủ đề 3: Tài chính - Ngân hàng - Kế toán 259 biến động của tỷ suất sinh lợi. Tuy nhiên mô hình ARCH bậc cao sử dụng nhiều độ trễ nên không hiệu quả trong việc đưa ra các dự báo, do đó cần lựa chọn mô hình mở rộng GARCH thay thế. Nghiên cứu chỉ ra mô hình GARCH(1,1) là phù hợp để đưa ra các đánh giá cho phương sai sai số có điều kiện của tỷ suất sinh lợi, kết quả này giống với các kết quả trước đó của Karmakar (2007), Goudarzi(2010), Sohail Chand, Shahid Kamal và Imran Ali (2012), Trần Sỹ Mạnh và Đỗ Khắc Hưởng(2013), Phạm Chí Khoa (2017). Mô hình GARCH(1,1) cho thấy tỷ suất sinh lợi trong quá khứ quyết định tỷ suất sinh lợi ở hiện tại và sự biến động của tỷ suất sinh lợi ở hiện tại chịu ảnh hưởng không chỉ cú sốc ở quá khứ mà còn chịu tác động lớn (khoảng 86% với mức ý nghĩa 1%) bởi sự biến động của tỷ suất sinh lợi trong quá khứ. Mô hình GARCH(1,1)_M cho biết khi phương sai của chỉ số giá cổ phiếu tăng, khi đó tỷ suất sinh lợi của HNX_Index cũng tăng. Các kết quả mà nghiên cứu thu được cung cấp cho các nhà đầu tư chứng khoán những thông tin ý nghĩa để nhận định sự biến động của chỉ số giá cổ phiếu HNX_Index trên Sàn chứng khoán Hà Nội. Kết quả cho thấy thị trường biến động không ngừng và sự biến động phụ thuộc lớn và dai dẳng vào các cú sốc trong quá khứ. Các cú sốc tác động đến thị trường ở đây có thể là các chính sách mới do Chính phủ đưa ra, sự thay đổi của lãi suất, tỷ giá, hiệu quả kinh doanh của công ty phát hành cổ phiếu, những biến động của các chỉ số chứng khoán trên TTCK thế giới,… Do vậy trong các thời điểm thị trường chịu sự tác động lớn của các cú sốc, các nhà đầu tư cần thận trọng khi đưa ra quyết định của mình. Tài liệu tham khảo Tiếng Việt Nguyễn Thị Hiên (2019), Ứng dụng mô hình ARCH – GARCH phân tích sự biến động của chỉ số VN_Index, Tạp chí Khoa học Thương Mại, tháng 2. Phạm Chí Khoa (2017), Dự báo biến động giá chứng khoán qua mô hình Arch – Garch, Tạp chí Tài chính, Kỳ 2, số 6, tr38-39. Trần Sỹ Mạnh và Đỗ Khắc Hưởng (2013), Đo lường sự dao động chỉ số chứng khoán VN_Index thông qua mô hình Garch, Tạp chí Khoa học và đào tạo ngân hàng, số 130, tr42. Vũ Duy Thắng (2011), Các mô hình chuỗi thời gian tài chính, Luận văn thạc sỹ khoa học, Đại học Khoa học tự nhiên – Đại học Quốc gia Hà Nội. Tiếng Anh Engle, R. F. (1982), Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation, journal of the Econometric Society, 987-1007. Karmakar, M. (2005), Modeling conditional volatility of the Indian stock markets, Vikalpa, 30, 21.
260 ICYREB 2021 | Chủ đề 3: Tài chính - Ngân hàng - Kế toán Erginbay Ugurlu , Eleftherios Thalassinos , Yusuf Muratoglu (2014), Modeling Volatility in the Stock Markets using GARCH Models: European Emerging Economies and Turkey, International Journal in Economics and Business Administration Volume II, Issue 3. Sohail Chand, Shahid Kamal & Imran Ali (2012), Modelling and volatility analysis of share prices using ARCH and GARCH models, World Applied Sciences Journal, 19, 77-82.