Luận văn Thạc sĩ: Vàng có phải là công cụ phòng ngừa rủi ro đối với biến động của tỷ giá Việt Nam đồng

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC KINH TẾ TP. HỒ CHÍ MINH

------

PHAN THỊ LỆ THÚY

VÀNG CÓ PHẢI LÀ CÔNG CỤ PHÒNG NGỪA RỦI RO

ĐỐI VỚI BIẾN ĐỘNG CỦA TỶ GIÁ VIỆT NAM ĐỒNG:

TIẾP CẬN THEO MÔ HÌNH TVAR

LUẬN VĂN THẠC SĨ KINH TẾ

Tp. Hồ Chí Minh – Năm 2015

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC KINH TẾ TP. HỒ CHÍ MINH

-----

PHAN THỊ LỆ THÚY

VÀNG CÓ PHẢI LÀ CÔNG CỤ PHÒNG NGỪA RỦI RO

ĐỐI VỚI BIẾN ĐỘNG CỦA TỶ GIÁ VIỆT NAM ĐỒNG:

TIẾP CẬN THEO MÔ HÌNH TVAR

Chuyên ngành: Tài chính – Ngân hàng

Mã số: 60340201

LUẬN VĂN THẠC SĨ KINH TẾ

NGƯỜI HƯỚNG DẪN KHOA HỌC:

TS. VŨ VIỆT QUẢNG

Tp. Hồ Chí Minh – Năm 2015

LỜI CAM ĐOAN

Tôi xin xam đoan đây là công trình nghiên cứu của cá nhân tôi dưới sự

hướng dẫn khoa học của TS.Vũ Việt Quảng

Những nội dung nghiên cứu và kết quả nghiên cứu trong đề tài là trung thực,

các số liệu phục vụ cho nghiên cứu là đáng tin cậy và được chính tác giả thu thập từ

các nguồn khác nhau, đều được chú thích rõ ràng để dễ dàng tra cứu và kiểm chứng.

Thành phố Hồ Chí Minh, tháng 11 năm 2015

Tác giả

Phan Thị Lệ Thúy

MỤC LỤC

TRANG PHỤ BÌA

LỜI CAM ĐOAN

MỤC LỤC

DANH MỤC CÁC CỤM TỪ VIẾT TẮT

DANH MỤC CÁC BẢNG

DANH MỤC HÌNH VẼ

TÓM TẮT ...................................................................................................1

CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI..........................................................2

1.1. Giới thiệu............................................................................................2

1.2. Mục tiêu nghiên cứu ...........................................................................3

1.3. Phạm vi nghiên cứu ............................................................................4

1.4. Phương pháp nghiên cứu ....................................................................4

1.5. Điểm mới của luận văn .......................................................................4

1.6. Bố cục của luận văn............................................................................5

CHƯƠNG 2: TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC....................6

2.1 Các nghiên cứu về vàng và các tài sản khác.........................................6

2.2. Các nghiên cứu về vàng và tiền tệ.......................................................9

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU ..................................... 13

3.1 Phương pháp nghiên cứu ................................................................... 14

3.2 Mô hình nghiên cứu........................................................................... 16

3.2.1 Định nghĩa TVAR ....................................................................... 16

3.2.2 Xây dựng và kiểm định các giả thuyết ......................................... 19

3.2.3 Phương pháp ước lượng............................................................... 23

3.3 Dữ liệu ........................................................................................... 23

CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN.................. 25

4.1 Sơ lược sự biến động của tỷ giá VND và giá vàng. ............................ 25

4.2 Kết quả kiểm định ............................................................................. 28

4.2.1 Kết quả kiểm định tính dừng ....................................................... 28

4.2.2. Kiểm tra tuyến tính..................................................................... 30

4.2.3. Xác định tham số trễ (p) và giá trị ngưỡng ( ) ........................... 38

4.2.4 Kiểm tra quan hệ nhân quả .......................................................... 44

CHƯƠNG 5: KẾT LUẬN ........................................................................ 58

5.1 Kết luận về kết quả nghiên cứu .......................................................... 60

5.2 Những điểm hạn chế của luận văn ..................................................... 60

5.3 Những gợi ý cho hướng nghiên cứu tiếp theo .................................... 60

TÀI LIỆU THAM KHẢO

PHỤ LỤC

DANH MỤC CÁC CỤM TỪ VIẾT TẮT

NHNN : Ngân hàng nhà nước

NHTW : Ngân hàng Trung ương

TGHĐ : Tỷ giá hối đoái

DANH MỤC CÁC BẢNG

Bảng 4.1. Kết quả kiểm định tính dừng.................................................................. 29

Bảng 4.2. Độ trễ tối ưu theo mô hình VAR............................................................ 31

Bảng 4.3. Kiểm tra mối quan hệ phi tuyến tính 1 ngưỡng ..................................... 34

Bảng 4.4. Kiểm tra mối quan hệ phi tuyến tính 2 ngưỡng ...................................... 36

Bảng 4.5. Xác định tham số trễ (d), giá trị ngưỡng ( ) và mô hình TVAR ............ 40

Bảng 4.6. Phân chia chế độ.................................................................................... 42

Bảng 4.7 . Độ trễ tối ưu trong từng chế độ………………………………………...47

Bảng 4.8. Kiểm tra quan hệ nhân quả mô hình phi tuyến tính ................................ 49

Bảng 4.9. Tổng hợp kết quả kiểm tra quan hệ nhân quả mô hình phi tuyến tính..... 55

Bảng 4.10. Tổng hợp kết quả kiểm tra quan hệ nhân quả mô hình tuyến tính......... 57

DANH MỤC HÌNH VẼ

Hình 4.1: Giá vàng và tỷ giá VND từ tháng 1/2004 đến tháng 8/2015 ................... 28

Hình 4.2. Biến động tỷ giá VND và giá trị ngưỡng................................................ 44

TÓM TẮT

Luận văn đánh giá vai trò của vàng như là công cụ phòng ngừa đối với sự

biến động của VND, bằng cách sử dụng mô hình phi tuyến tính vector ngưỡng tự

hồi quy (TVAR). Sử dụng dữ liệu suất sinh lợi theo tháng của vàng và tỷ giá hối

đoái của các đồng tiền bao gồm: USD/VND; EUR/VND; GBP/VND; JPY/VND;

CNY/VND giao dịch tại ngân hàng Ngoại thương Việt Nam, luận văn cho thấy:

Không tìm thấy được vai trò của vàng như là công cụ phòng ngừa đối với

các tỷ giá EUR/VND; GBP/VND; CNY/VND. Đối với tỷ giá USD/VND vàng có

thể là công cụ phòng ngừa đối với sự biến động tỷ giá. Riêng đối với tỷ giá

1 te > -0.148942% tức là khi đồng VND tăng giá ít hoặc khi đồng

JPY/VND khi

VND bị mất giá thì đầu tư vào vàng như là môt kênh để có thể phòng ngừa sự biến

động của tỷ giá JPY/VND.

CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI

1.1. Giới thiệu

Tỷ giá hối đoái (TGHĐ) là một trong những chính sách kinh tế vĩ mô quan

trọng của mỗi quốc gia. Ở Việt Nam, TGHĐ không chỉ tác động đến xuất nhập

khẩu, cán cân thương mại, nợ quốc gia, thu hút đầu tư trực tiếp, gián tiếp, mà còn

ảnh hưởng không nhỏ đến niềm tin của dân chúng. Khi TGHĐ biến động theo chiều

hướng không thuận, Ngân hàng Nhà nước Việt Nam (NHNN) đã thực hiện nhiều

giải pháp như: nới rộng biên độ +/-5% (3/2009); hạ biên độ xuống +/- 3% (2/2010),

đồng thời với việc điều chỉnh tăng tỷ giá liên ngân hàng 3,36% ; 4/2010 NHNN yêu

cầu các Tổng công ty, Tập đoàn có thu ngoại tệ phải bán cho ngân hàng và kiểm

kiểm soát chặt chẽ các giao dịch mua bán ngoại tệ tại các địa điểm mua bán ngoại

tệ. Đầu năm 2015, Thống đốc NHNN tuyên bố sẽ kiểm soát tỷ giá biến động không

quá 2%. Tuy nhiên tỷ giá trong những tháng vừa qua liên tục biến động.

Thêm vào đó, xét trong tình hình kinh tế khi: Thị trường chứng khoán chưa

có tín hiệu khởi sắc tốt; kinh doanh bất động sản đang u ám, ngay cả các ngân hàng

cũng huy động vốn với lãi suất rất thấp vì vậy sẽ thu hút không nhiều nhà đầu tư

vào những lĩnh vực này. Trong khi đấy để phòng ngừa rủi ro nhiều người đã nhìn

thấy rằng vàng sẽ là một kênh đầu tư an toàn hơn.

Như ta biết vàng là tài sản đã thu hút được rất nhiều người trên thế giới từ

hàng ngàn năm nay và nhu cầu của con người đối với vàng không ngừng tăng lên.

Có rất nhiều lý do để nhà đầu tư tham gia vào thị trường vàng. Có thể mua vàng

kiếm khoảng chênh lệch từ biến động giá vàng khi niềm tin của nhà đầu tư về giá

vàng sẽ biến động có lợi cho họ. Họ cũng có thể mua vàng như một hàng rào chống

lại bất kỳ một cuộc khủng hoảng kinh tế, chính trị hay tiền tệ. Các nhà đầu tư cũng

thường hạn chế rủi ro của mình bằng cách đa dạng hóa danh mục đầu tư họ có thể

tham gia đồng thời cả trên thị trường vàng và các thị trường khác nữa. Vì vậy sự

phát triển của thị trường vàng luôn được theo dõi chặt chẽ bởi các nhà đầu tư, các

nhà phân tích tài chính và các nhà hoạch định chính sách.

Trong các nghiên cứu trước đây về vấn đề vàng và tỷ giá hối đoái, nghiên

cứu hầu hết đều tập trung vào một mối quan hệ tuyến tính. Như chúng ta được biết

những bất lợi của việc sử dụng một mô hình tuyến tính là chúng ta không thể sử

dụng kết quả ước lượng từ mô hình tuyến tính để suy ra những gì sẽ xảy ra trong

những điều kiện khác nhau. Trong khi đấy tác giả thấy rằng sự biến động của tỷ giá

và giá vàng là theo những chiều hướng rất khác nhau. Vì vậy tác giả cho rằng mối

quan hệ này là phi tuyến tính, không phải là tuyến tính như đã được giả định trong

các nghiên cứu trước đây. Gần đây nhất, có nghiên cứu của tác giả Wang và Lee

(2010) có sử dụng các hàm TVAR để đo lường xem thử vàng có phải là công cụ

phòng ngừa đối với sự biến động của đồng Yên Nhật hay không? Tuy nhiên vẫn

chưa có nghiên cứu nào xem thử vàng có phải là công cụ phòng ngừa biến động đối

với tỷ giá hối đoái VND bằng mô hình phi tuyến tính TVAR. Do đó, luận văn sử

dụng vector ngưỡng tự hồi quy TVAR (mô hình phi tuyến tính) cho nghiên cứu

thực nghiệm của đề tài. Tác giả sử dụng biến động tỷ giá hối đoái của đồng VND là

biến ngưỡng để xây dựng một chế độ xem thử khi nào thì đầu tư vào vàng sẽ hạn

chế được rủi ro của biến động tỷ giá hối đoái của VND trong giai đoạn từ tháng

01/2004 đến tháng 8/2015. Tác giả tin rằng phát hiện này có thể là một tài liệu tham

khảo hữu ích cho chính sách tiền tệ của chính phủ Việt Nam và một hướng dẫn cho

các nhà đầu tư, những người muốn sử dụng vàng như một hàng rào chống lại biến

động của VND.

1.2. Mục tiêu nghiên cứu

Mục tiêu nghiên cứu của luận văn kiểm định vàng có phải là công cụ phòng

ngừa rủi ro đối với tỷ giá VND cho các nhà đầu tư hay không? Hay nói cách khác,

đầu tư vào vàng có thể ngăn chặn sự giảm giá trị của tài sản cá nhân hoặc công ty

do sự biến động của đồng nội tệ hay không?

1.3. Phạm vi nghiên cứu

Phạm vi nghiên cứu của luận văn xem xét liệu giá vàng có thể là công cụ

phòng ngừa thay đổi trong tỷ giá VND đối với 5 ngoại tệ được sử dụng chủ yếu

trong các hoạt động thương mại và đầu tư ở Việt Nam là GBP/VND; EUR/VND;

USD/VND; JPY/VND; CNY/VND. Số liệu về giá vàng và tỷ giá được thu thập

hàng tháng tại ngân hàng Ngoại thương Việt Nam từ tháng 01/2004 đến tháng

8/2015.

1.4. Phương pháp nghiên cứu

Để kiểm định xem vàng có phải là công cụ phòng ngừa rủi ro đối với biến

động VNĐ hay không, trước hết tác giả kiểm tra liệu có tồn tại một mối quan hệ có

ý nghĩa thống kê giữa các biến hay không. Có hai giả thuyết được đưa ra: Thứ nhất

là giả thuyết mô hình mối quan hệ giữa các biến là tuyến tính (mô hình VAR) và

thứ hai là mô hình mối quan hệ là phi tuyến tính (mô hình TVAR).

Nếu giả thuyết mô hình giữa các biến là tuyến tính bị bác bỏ hay kết quả

kiểm định chỉ ra rằng mô hình này là phi tuyến tính, thì bước tiếp theo là tìm các

giá trị của hai tham số: tham số độ trễ trong biến ngưỡng (d) và giá trị ngưỡng (γ).

Sau khi ta tìm được giá trị ngưỡng tối ưu và các tham số trễ, mô hình TVAR phù

hợp nhất có thể được xây dựng.

Cuối cùng tác giả sử dụng kiểm định hệ số Wald để kiểm tra các mối quan hệ

nhân quả giữa các biến và các ràng buộc tương ứng để có thể kiểm định giả thuyết

vàng có phải là công cụ phòng ngừa đối với biến động tỷ giá VND hay không.

1.5. Điểm mới của luận văn

+ Phạm vi nghiên cứu của đề tài này kiểm định vai trò của vàng như là một

công cụ phòng ngừa đối với biến động trong tỷ giá VND với 5 đồng tiền chủ chốt

trong nền kinh tế: GBP/VND; EUR/VND; USD/VND; JPY/VND; CNY/VND.

Các nghiên cứu trước đây, chẳng hạn như Huỳnh Thị Thúy Vy (2015) không kiểm

định tỷ giá của VND đối với đồng Yên Nhật và đồng Nhân Dân Tệ. Tôi nghĩ rằng

việc đánh giá bổ sung vai trò phòng ngửa rủi ro của vàng đối với hai đồng tiền này

là có ý nghĩa quan trọng đối với các nhà đầu tư cũng như các nhà hoạch định chính

sách ở Việt Nam.

+ Phương pháp nghiên cứu: đề tài áp dụng mô hình TVAR để kiểm định

mối quan hệ phi tuyến tính giữa các biến nhằm đảm bảo khả năng đánh giá chính

xác vàng có phải là công cụ phòng ngừa rủi ro đối với biến động của đồng VND

hay không. Mô hình này có ưu điểm là nếu mối quan hệ giữa tỷ suất sinh lợi đầu

tư vào vàng và tỷ suất sinh lợi đầu tư vào đồng nội tệ thay đổi khi tỷ giả động nội

tệ với các đồng tiền khác tăng hoặc giảm vượt quá một giả trị ngưỡng cụ thể nào

đó, thì mối quan hệ giữa các biến trong mô hình sẽ thay đổi. Mô hình mối quan hệ

phi tuyến này nếu được kiểm định là tồn tại thì sẽ phản ánh chính xác và tốt hơn so

với việc sử dụng các mô hình với giả định mối quan hệ giữa các biến số là tuyến

tính. Theo hiểu biết tốt nhất của tác giả thì mô hình hồi quy VAR phi tuyến chưa

được sử dụng trong nghiên cứu vai trò của vàng như là một kênh phòng ngừa rủi

ro tỷ giá hối đoái tại Việt Nam.

+ Nghiên cứu này đã tìm thấy vàng không phải là công cụ phòng ngừa rủi

ro đối với sự biến động của các tỷ giá GBP/VND; EUR/VND; và CNY/VND. Tuy

nhiên vàng có thể là công cụ phòng ngừa đối với sự biến động tỷ giá USD/VND.

Riêng đối với tỷ giá JPY/VND kết quả kiểm định cho thấy khi tỷ suất sinh lợi đầu

1 te

tư vào đồng nội ( ) > -0.148942% thì đầu tư vào vàng có thể phòng ngừa sự

biến động của tỷ giá JPY/VND.

1.6. Bố cục của luận văn

Ngoài phần tóm tắt, tài liệu tham khảo và phụ lục, bố cục của luận văn gồm

5 chương chính với cấu trúc như sau:

Chương 1: Giới thiệu đề tài

Chương 2: Tổng quan các nghiên cứu trước đây

Chương 3: Phương pháp nghiên cứu

Chương 4: Kết quả nghiên cứu và thảo luận

Chương 5: Kết luận

CHƯƠNG 2: TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC

2.1 Các nghiên cứu về vàng và các tài sản khác

Vàng là một trong những kim loại quý được quan tâm nhiều nhất do vai trò

nổi bật của chúng trong cả giới đầu tư và tiêu dùng. Mặc dù không còn được sử

dụng như một phương thức tiền tệ chính ở các nước, nhưng vàng tiếp tục tác động

mạnh đến giá trị của tiền tệ ở các nước. Hơn nữa, có một sự tương quan mạnh mẽ

giữa giá trị của vàng và sức mạnh tiền tệ kinh doanh trên thị trường ngoại hối. Vì

vậy trước đây có rất nhiều nghiên cứu về vai trò của vàng trong lĩnh vực tài chính

và kinh tế.

Có rất nhiều lý do để người ta đầu tư vào vàng, Ghosh và cộng sự (2004) đã

chỉ ra rằng những người mua vàng cho hai mục đích. Đầu tiên là "nhu cầu sử dụng",

nơi vàng được sử dụng trực tiếp trong sản xuất đồ trang sức, huy chương, tiền xu,

các thành phần khác trong cuộc sống. Thứ hai là "nhu cầu tài sản" đối với vàng, nơi

nó được sử dụng bởi các chính phủ, các nhà quản lý quỹ và các cá nhân như một

khoản đầu tư. Nhu cầu đối với vàng thể hiện ngoài coi vàng là tài sản truyền thống

bên cạnh đó là quan điểm cho rằng vàng cung cấp một "hàng rào" chống lại lạm

phát và mất giá đồng nội tệ.

Có thể kể đến có rất nhiều nghiên cứu về vàng như là một phòng ngừa đối

với sự biến động của thị trường chứng khoán. Baur và Lucey (2010), đã nghiên

cứu trên các thị trường Mỹ và Anh và Đức. Kiểm tra giả thuyết vàng đại diện cho

công cụ phòng ngừa hay là nơi trú ẩn an toàn đối với cổ phiếu và trái phiếu. Các

tác giả thấy rằng vàng là công cụ phòng ngừa đối với chứng khoán trong điều kiện

thị trường bình thường đồng thời cũng là nơi trú ẩn an toàn trong điều kiện thị

trường không ổn định, tuy nhiên việc trú ẩn này chỉ trong thời gian ngắn mà thôi.

Cũng trong năm này tác giả Baur và McDermott (2010), với mục đích là để kiểm

tra vai trò của vàng trong hệ thống tài chính toàn cầu. Tác giả kiểm tra giả thuyết

rằng vàng đại diện cho một nơi trú ẩn an toàn đối với cổ phiếu của các nước mới

nổi và đang phát triển mạnh. Một phân tích mô tả và kinh tế cho một mẫu bao

trùm một khoảng thời gian 30 năm 1979-2009 cho thấy rằng vàng là công cụ

phòng ngừa và một nơi trú ẩn an toàn cho thị trường chứng khoán Châu Âu và

Hoa Kỳ, ngoại trừ các nước Úc, Canada, Nhật Bản và các thị trường lớn mới nổi

như các nước BRIC. Tác giả cũng phân biệt giữa một hình thức mạnh và yếu của

các tài sản an toàn và cho rằng vàng có thể hoạt động như một lực lượng ổn định

cho hệ thống tài chính bằng cách giảm tổn thất khi đối mặt với những cú sốc thị

trường âm cực. Gần đây các tác giả Hood và Malik (2013) đã đánh giá vai trò của

vàng và các kim loại quý khác liên quan đến biến động như một công cụ phòng

ngừa và nơi trú ẩn an toàn bằng cách sử dụng dữ liệu từ các thị trường chứng

khoán Mỹ. Sử dụng dữ liệu hàng ngày từ tháng mười năm 1995 đến tháng 11 năm

2010, các tác giả thấy rằng vàng, không giống như các kim loại quý khác, phục vụ

như là một công cụ phòng ngừa và một nơi trú ẩn an toàn yếu cho thị trường

chứng khoán Mỹ. Tuy nhiên, tác giả thấy rằng các kim loại quý khác phục vụ như

một công cụ phòng ngừa rất mạnh và là nơi ẩn náu an toàn mạnh mẽ. Kết quả cho

thấy rằng các kim loại quý khác là một công cụ bảo hiểm rủi ro và phục vụ như

một nơi trú ẩn an toàn tốt hơn so với vàng trong thời kỳ nghiên cứu của tác giả

Các nghiên cứu khác xem vàng như là một công cụ phòng ngừa đối với lạm

phát. Laurent (1994), nghiên cứu mối quan hệ giữa giá vàng và giá cả hàng hóa

bán buôn, để tìm ra vai trò của vàng như công cụ phòng ngừa cho lạm phát trong

dài hạn ở Mỹ, Brasil, Pháp, Đức và Nhật. Ghosh và cộng sự (2004), sử dụng suất

sinh lợi hàng tháng từ năm 1976 -1999 bằng kỹ thuật hồi quy đồng liên kết. Tác

giả đã cung cấp bằng chứng thực nghiệm khẳng định vàng có thể là công cụ phòng

ngừa lạm phát trong dài hạn. Tiếp đó McCown và Zimmerman (2006) đã cho thấy

thay đổi trong lạm phát kỳ vọng tương lai sẽ không dẫn đến thay dổi giá vàng. Nhà

đầu tư không thể dự đoán lãi suất kì vọng chỉ bằng việc nhìn vào giá vàng giao

ngay. Blose (2010) đã xem xét liệu sự thay đổi trong lạm phát kỳ vọng có ảnh

hưởng đến giá vàng như thế nào? Sử dụng sự thay đổi trong chỉ số giá tiêu dùng

(CPI), nghiên cứu đã cho thấy chỉ số CPI không ảnh hưởng đến giá vàng giao

ngay. Kết quả là nhà đầu tư dự đoán những thay đổi kỳ vọng trong lạm phát thì

nên thiết kế đầu cơ trong thị trường trái phiếu chứ không phải là thị trường vàng.

Gần đây, Joscha và Robert (2013) cũng kiểm chứng liệu vàng có cung cấp khả

năng phòng ngừa lạm phát từ khía cạnh mới hay không, sử dụng dữ liệu từ 4 nền

kinh tế USA, EU, UK, Japan bằng mô hình động phi tuyến và phân biệt hai trường

hợp ngắn hạn và dài hạn của sự thay đổi về thời gian, với dự liệu từ 1/1970 đến

tháng 9/2011. Kết quả cho thấy, về dài hạn vàng có thể phòng ngừa lạm phát trong

tương lai (đối với US, UK thì mạnh hơn so với EU và Japan). Tại Việt Nam tác

giả Thân Thị Thu Thủy và Lê Thị Thu Hồng (2014) sử dụng số liệu chuỗi chỉ số

lạm phát và chỉ số vàng theo thời gian với tần suất tháng, thu thập trong khoảng

thời gian từ tháng 1 năm 2000 đến tháng 12 năm 2013. Sử dụng kiểm định

Granger, kết quả nghiên cứu cho thấy sự thay đổi của lạm phát có ảnh hưởng đến

giá vàng và ngược lại sự biến động của giá vàng cũng ảnh hưởng đến lạm phát.

Gần đây tác giả Hồ Thị Lam (2015) đã nghiên cứu xem thử liệu đầu tư vào vàng

có phải là kênh đầu tư an toàn bảo hiểm cho rủi ro lạm phát ở Việt Nam hay

không. Đồng thời, nghiên cứu cũng phân tích mối quan hệ của vàng với các thành

phân fcuar lạm phát bao gồm lạm phát kỳ vọng và ngoài kỳ vọng. Sử dụng dữ liệu

giá vàng và lạm phát trong giai đoạn tháng 1/2015 - 4/2015, nghiên cứu tìm thấy

đầu tư vào vàng là kênh bảo hiểm an toàn cho rủi ro lạm phát, đặc biệt là lạm phát

ngoài kỳ vọng tại Việt Nam.

Bên cạnh đó có một vài nghiên cứu khác xem vàng như là công cụ phòng

ngừa đối với sự biến động của giá dầu hay của lãi suất. Reboredo (2013), đã sử

dụng phương pháp tiếp cận dựa trên các hàm copulas để phân tích cấu trúc phụ

thuộc giữa hai thị trường vàng và giá dầu. Với mục đích đánh giá vai trò của vàng

như một công cụ phòng ngừa hay là nơi trú ẩn an toàn chống lại sự biến động giá

dầu. Bằng chứng thực nghiệm cho dữ liệu hàng tuần từ tháng 1 năm 2000 đến

tháng 9 năm 2011 tìm thấy được vai trò của vàng như là kênh trú ấn an toàn đối

với giá dầu nhưng không phải là công cụ phòng ngừa rủi ro. Hay Wang và Chueh

(2013), tìm thấy trong ngắn hạn vàng và dầu thô ảnh hưởng tích cực lẫn nhau. Về

lâu dài, lãi suất ảnh hưởng đến đồng đô la Mỹ, do đó ảnh hưởng đấn giá dầu thô

quốc tế. Khi cụ dự trữ liên bang Mỹ (FED), giảm lãi suất để thúc đẩy nền kinh tế,

kỳ vọng thị trường sẽ làm cho giá dầu thô biến động. Ngoài ra, có một mối quan

hệ truyền giá từ lãi suất đến giá vàng. Giảm lãi suất ảnh hưởng đến kỳ vọng nhà

đầu tư liên quan đến việc giảm giá trị đồng USD. Các nhà đầu tư sẽ có xu hướng

chuyển vốn sang đầu tư trên thị trường vàng để an toàn vốn hoặc đầu cơ. Cuối

cùng giá vàng và dầu thô có tác dụng phản hồi về lãi suất.

2.2. Các nghiên cứu về vàng và tiền tệ

Việc nghiên cứu về vai trò của vàng như là một công cụ phòng ngừa chống

lại các rủi ro biến động tỷ giá hối đoái, đã được một vài tác giả nghiên cứu trước

đây. Beckers và Soenen (1984), nghiên cứu sức hấp dẫn của vàng đối với các nhà

đầu tư và tính năng phòng ngừa rủi ro của vàng, tìm kiếm việc đa dạng hóa giảm

thiểu rủi ro bất đối xứng cho vị thế nắm giữ vàng của các nhà đầu tư Mỹ và các

nhà đầu tư bên ngoài nước Mỹ. (Sjasstad và Scacciavillani, 1996; Sjasstad, 2008)

khẳng định rằng sự tăng giá hoặc mất giá tiền tệ có ảnh hưởng mạnh mẽ đến giá

vàng, sự sụp đổ của hệ thống tỷ giá thả nổi Bretton woods là nguyên nhân chính

dẫn đến sự bất ổn trong giá vàng thế giới. Sự tăng giá hay giảm giá USD có ảnh

hưởng mạnh mẽ đến giá vàng và các đơn vị tiền tệ khác. Tương tự như vậy, Capie

và cộng sự (2005) sử dụng mô hình EGARCH theo suất sinh lợi hàng tuần trong

khoảng thời gian từ năm 1971 – 2004, khẳng định mối quan hệ cùng chiều giữa tỷ

giá USD và giá vàng, minh chứng cho vàng có thể là một công cụ phòng ngừa

hiệu quả cho USD.

Wang và Lee (2010) sử dụng mô hình phi tuyến tính TVAR đã xem xét liệu

vàng có phải là một công cụ phòng ngừa rủi ro tỷ giá hối đoái ở Nhật Bản hay

không, sử dụng dữ liệu ở Nhật Bản từ năm 1986- 2007. Bài này sử dụng tỷ lệ mất

giá của đồng Yên như một ngưỡng để phân biệt giữa một chế độ mất giá cao và sự

mất giá thấp. Tác giá thấy rằng, khi tỷ lệ mất giá của đồng Yên lớn hơn 2,62%,

đầu tư vào vàng có thể tránh được sự mất giá của đồng nội tệ. Vì vậy tác giả kết

luận rằng hiệu quả của vàng như một công cụ phòng ngừa biến động tỷ giá và nó

phụ thuộc vào tỷ lệ mất giá của đồng Yên.

Theo Pukthuanthong và Roll (2011), cho rằng vàng và USD có mối quan hệ

âm khi mà giá vàng tính theo USD tăng, giá USD tính theo các loại tiền tệ khác sẽ

giảm, và liệu có phải USD khác với các đồng tiền khác hay không, kết quả thì

không đúng như vậy vì giá vàng có thể liên kết với sự mất giá tiền tệ ở các quốc gia,

giá vàng tính bằng đô la có thể liên quan đến sự mất giá đồng đô la và giá vàng tính

bằng đồng Euro, Pound, Yen liên quan đến sự mất giá của đồng Euro, Pound, Yen.

Joy (2011) Sử dụng mô hình tương quan động có điều kiện bao gồm dữ liệu 23 năm

theo tuần cho 16 tỷ giá đồng USD, bài viết này đề cập đến 2 vấn đề: liệu vàng có

phải là công cụ phòng ngừa hay là nơi trú ẩn an toàn cho đồng USD, hay không?

Kết quả cho thấy trong dù vàng có thể xem như là một công cụ phòng ngừa hiệu

quả hoặc một nơi trú ẩn an toàn cho việc đầu tư, nhưng lại là tài sản kém an toàn so

với USD. Bên cạnh đó kết quả cũng báo cáo ra rằng vàng đã hoạt động như là một

công cụ phòng ngừa hiệu quả chống lại rủi ro tiền tệ liên quan đến USD.

Roberedo (2013), đánh giá vai trò vàng như nơi trú ấn an toàn hoặc là công

cụ phòng ngừa rủi ro đối với USD bằng cách sử dụng các hàm Copula khác nhau để

mô tả sự phụ thuộc giữa giá vàng và USD trong giai đoạn thị trường ở điều kiện

bình thường và khi thị trường biến động. Dựa trên một tập hợp lớn các tiền tệ,

nghiên cứu thực nghiệm của tác giả đã tìm thấy bằng chứng về sự phụ thuộc trung

bình với tương quan dương có ý nghĩa giữa vàng và sự giảm giá của đồng USD,

phù hợp với thực tế là vàng có thể đóng vai trò như tài sản phòng ngừa đối với

những thay đổi trong tỷ giá đồng USD, và sự phụ thuộc đuôi mang tính hệ thống

giữa vàng và tỷ giá USD, hàm ý rằng vàng có thể đóng vai trò như là kênh trú ẩn an

toàn có hiệu quả đối với những biến động quá mức trong tỷ giá đồng USD.

Roberedo (2014) tiếp tục nghiên cứu vai trò vàng vàng là công cụ phòng ngừa và

nơi trú ẩn an toàn khi USD giảm giá, bằng cách sử dụng phương pháp LR

(likelihood ratio test) kết quả cũng cho thấy, vàng là công cụ phòng ngừa rủi ro,

nhưng là kênh trú ẩn an toàn yếu đối với biến động của USD.

Bên cạnh đấy việc nghiên cứu vàng trong việc giúp đa dạng hóa danh mục

đầu tư tiền tệ cũng đã được một vài tác giả nghiên cứu. Roberedo (2014) đã sử dụng

phân tích đa phân giải Wavelet trong giai đoạn từ tháng 1/2000 đến tháng 3/2013,

xác định đặc tính phụ thuộc lẫn nhau giữa thị trường giá vàng và tỷ giá trong các

khoản thời gian khác nhau. Tìm thấy được sự phụ thuộc dương giữa giá vàng và sự

mất giá của đồng USD. Đồng thời tác giả cũng đã xem xét các loại khác nhau của

danh mục đầu tư ở thời gian khác nhau, so sánh các rủi ro cho danh mục đầu tư

vàng – tiền tệ trộn với nhau với các rủi ro đối một đồng tiền duy nhất trong danh

mục đầu tư. Từ đó đã xác định tính hữu dụng của vàng trong việc bảo hiểm rủi ro

tiền tệ và quản lý rủi ro thua lỗ trong khoảng thời gian đầu tư khác nhau. Phát hiện

này đã giúp cho các nhà đầu tư tiền tệ lựa chọn được danh mục đầu tư hợp lý. Wong và cộng sự (2015) đã nghiên cứu vai trò của vàng niêm yết trên Sở Giao dịch Vàng

Thượng Hải trong việc đa dạng hóa danh mục đầu tư của Trung Quốc. Với giai

đoạn 2004-2014, kết quả cho thấy nói chung các nhà đầu tư không thích rủi ro

không thích danh mục đầu tư của mình bao gồm vàng, trong khi các nhà đầu tư mạo

hiểm thích bao gồm vàng trong danh mục đầu tư chứng khoán, trái phiếu của họ,

đặc biệt là trong thời kỳ khủng hoảng. Trong năm 2015 tác giả Wong và cộng sự

(2015) tiếp tục đánh giá vai trò của vàng tại thị trường chứng khoán ở Paris trong

việc đa dạng hóa danh mục đầu tư của Pháp 1949-2012 sử dụng phương pháp thống

trị ngẫu nhiên (SD). Các tác giả nghiên cứu thấy rằng các nhà đầu tư không thích rủi

ro sẽ được tốt hơn bằng cách bao gồm vàng trong danh mục đầu tư chứng khoán

của họ để tối đa hóa các tiện ích dự kiến của họ, đặc biệt là trong thời gian nền kinh

tế không ổn định hoặc khủng hoảng. Kết quả cho thấy vàng là tốt cho việc đa dạng

hóa danh mục đầu tư chứng khoán, tuy nhiên nhưng không phải cho danh mục đầu

tư trái phiếu.

Gần đây tác giả Huỳnh Thị Thúy Vy (2015) sử dụng dữ liệu trong vòng gần

11 năm từ năm 2004 đến năm 2014, tác giả đã đánh giá vai trò của vàng như là

công cụ phòng ngừa rủi ro và là kênh trú ẩn an toàn đối với VND, bằng cách sử

dụng các hàm Copula để mô tả sự phụ thuộc giữa vàng và VND trong điều kiện

thị trường khác nhau. Sử dụng dữ liệu suất sinh lợi theo tuần của vàng và bộ 3 tỷ

giá hối đoái VND, bài viết không tìm thấy sự phụ thuộc giữa vàng và VND ở

điều kiện thị trường bình thường, điều này cho thấy vàng không được sử dụng

như là một công cụ phòng ngừa rủi ro đối với biến động của VND. Bên cạnh đó,

bài viết đã đóng góp vào việc tìm thấy sự phụ thuộc giữa vàng và VND khi thị

trường biến động cực độ đi lên, cho thấy vàng có thể hoạt động như một kênh trú

ẩn an toàn khi VND giảm giá.

KẾT LUẬN CHƯƠNG 2

Có thể khẳng định vàng có vai trò quan trọng trong nền kinh tế, trong đó

vai trò phòng ngừa rủi ro là mối quan tâm của rất nhiều thành phần trong nền kinh

tế, bao gồm Chính phủ, các tổ chức, các nhà đầu tư, và kể cả người dân. Vì vậy, đã

có rất nhiều nghiên cứu về vai trò của vàng đối với nền kinh tế của một đất nước

cũng như thế giới: Nghiên cứu vai trò của vàng đối với thị trường chứng khoán;

vai trò của vàng như là công cụ phòng ngừa lạm phát, sự biến động giá dầu, lãi

suất hay là vai trò của vàng đối với biến động tỷ giá hối đoái…

Trong các nghiên cứu trước đây về vấn đề vàng và tỷ giá hối đoái, các

nghiên cứu hầu hết đều tập trung vào một mối quan hệ tuyến tính hơn là phi tuyến

tính. Có một vài tác giả nghiên cứu vai trò của vàng đối với tỷ giá hối đoái sử

dụng mô hình phi tuyến tính trên thế giới. Tuy nhiên, vẫn chưa có nghiên cứu nào

xem thử vàng có phải là công cụ phòng ngừa biến động đối với tỷ giá hối đoái

VND sử dụng mô hình phi tuyến tính TVAR.

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU

3.1. Phương pháp nghiên cứu

Để kiểm định xem vàng có phải là công cụ phòng ngừa rủi ro đối với biến

động tỷ giá VNĐ hay không, trước hết tác giả kiểm định mối quan hệ giữa các biến

trong mô hình là mối quan hệ tuyến tính hay là phi tuyến sử dụng phương pháp tiếp

t de 

cận Tsay (1998) với thay đổi trong tỷ suất sinh lợi của đồng nội tệ ( ) như là

biến ngưỡng của mô hình.

Bước đầu tiên là tiến hành các thử nghiệm để xác định độ trễ tối ưu của mô

hình VAR.

Bước thứ hai là kiểm tra mô hình VAR là tuyến tính hay phi tuyến: Có hai

giả thuyết được đưa ra: Thứ nhất mô hình là tuyến tính (mô hình VAR) và thứ hai

mô hình này là phi tuyến tính (mô hình TVAR).

Nếu giả thuyết mô hình là tuyến tính bị bác bỏ, và kết quả kiểm định chỉ ra

rằng mô hình là phi tuyến tính, thì bước thứ ba là tìm các giá trị của hai tham số:

tham số trễ của biến ngưỡng (d) và giá trị ngưỡng (γ). Sau khi ta tìm được giá trị

ngưỡng tối ưu và các tham số trễ, các mô hình TVAR phù hợp nhất có thể được xây

dựng.

Cuối cùng tác giả sử dụng kiểm định Wald để kiểm tra mối quan hệ nhân quả

giữa các biến cũng như các ràng buộc cần thiết để có thể xác nhận vàng có phải là

công cụ phòng ngừa đối với biến động tỷ giá VND hay không.

Kiểm định tính dừng (Stationary) của các biến TTSL Vàng và TSSL VND

Xác định độ trễ tối ưu cho mô hình VAR

Kiểm định mô hình VAR là tuyến tính hay phi tuyến (TVAR)

Kết quả kiểm định mô hình VAR là tuyến tính Kết quả kiểm định mô hình VAR là phi tuyến tính (TVAR)

Kiểm định số ngưỡng và độ trễ của biến ngưỡng

Kiểm định Causality và kiểm định Wald trên các ràng buộc cần thiết để xác nhận xem vàng có phải là công cụ phòng ngừa rủi ro đối với tỷ giá VND

Xác định các “regimes” ứng với các giá trị ngưỡng đã được tìm thấy.

Kiểm định Causality và kiểm định Wald trên các ràng buộc cần thiết ứng với các “regimes” đã được xác lập để xác nhận xem vàng có phải là công cụ phòng ngừa rủi ro đối với tỷ giá VND hay không?

3.2 Mô hình nghiên cứu

Khi nào vàng được xem là có vai trò là công cụ phòng ngừa của đối với sự

biến động của tiền tệ? Có rất nhiều định nghĩa khác nhau về thế nào là công cụ

phòng ngừa. Baur và Lucey (2010), Reboredo (2013) đã đưa ra định nghĩa như

- Hedge (công cụ phòng ngừa): một tài sản là một công cụ phòng ngừa rủi

ro nếu nó tương quan âm với một tài sản hoặc danh mục đầu tư khi thị trường ở

điều kiện bình thường.

Như vậy vàng có khả năng như là công cụ phòng ngừa chống lại những

thay đổi trong biến động của đồng nội tệ, đó là, về cơ bản, khi đồng nội tệ tăng giá

(tỷ giá giảm) thì giá vàng ở trong nước giảm cùng lúc và cùng mức độ. Ngược lại

khi tỷ giá tăng tức là đồng nội tệ bị mất giá thì giá vàng sẽ tăng ở chính xác cùng

lúc và cùng mức độ.

3.2.1. Định nghĩa TVAR

Theo Lutkepohl (2006), từ khi xuất hiện của mô hình vector tự hồi quy tuyến

tính hơn ba mươi năm trước (Sims, 1980), thì Linear VAR đã được xem như là một

công cụ ước lượng và dự báo mô hình kinh tế vĩ mô chủ lực. Mô hình Linear VAR

đã được áp dụng trong các tình huống mô hình hóa kinh tế khác nhau và phát triển

đa dạng theo nhiều cách

Mặc dù mô hình VAR tuyến tính đã giúp mô hình hóa các vấn đề nghiên cứu

kinh tế khá tốt, tuy nhiên vẫn có rất nhiều tình huống mà mô hình VAR phi tuyến sẽ

thích hợp hơn. Chẳng hạn có những lý thuyết kinh tế cần phải sử dụng một mô hình

phi tuyến hoặc có những trường hợp chuỗi số liệu quan sát theo thời gian chỉ ra

rằng các biến của mô hình có mối quan hệ phi tuyến tính. Ví dụ các cuộc khủng

hoảng tài chính gần đây cho thấy rằng các mối quan hệ định lượng giữa các biến vĩ

mô trong nền kinh tế đòi hỏi mô hình hóa phi tuyến thay vì tuyến tính. Mô hình phi

tuyến cũng có thể hữu ích trong phân tích chính sách tiền tệ. Những cú sốc tích cực

hay tiêu cực trong chính sách tiền có thể có hiệu ứng bất đối xứng lên nền kinh tế,

và như vậy hiệu ứng này có thể cần mối quan hệ phi tuyến. Mô hình VAR phi tuyến

cũng có thể có vai trò quan trọng trong các nghiên cứu về hiệu ứng của chính sách

tài khóa. Các hiệu ứng của chính sách tài khóa hầu như phụ thuộc vào các giai đoạn

khác nhau của chu kỳ kinh doanh, và việc nghiên cứu hiệu ứng số nhân tài khóa

(Fiscal multiplier effects) có thể yêu cầu các công cụ định lượng phi tuyến.

Có nhiều cách khác nhau để mô hình hóa các mối quan hệ phi tuyến trong

kinh tế. Các mô hình phổ biến hàng đầu là các mô hình phi tuyến VAR tham số như

là: Vector ngưỡng tự hồi quy (TVAR), Vector ngưỡng tự hồi quy chuyển đổi trơn

(VSTAR) và mô hình tự hồi quy vector Markov-switching (VMSAR). Hai mô hình

đầu tiên khác với mô hình thứ ba ở chổ tất cả các biến ngưỡng là quan sát được,

trong khi đó ở các mô hình VMSAR biến ngưỡng không quan sát được, tiềm ẩn

nhưng đóng vai trò trung tâm của mô hình.

Tiếp đến sự lựa chọn giữa mô hình TVAR và VSTAR phụ thuộc vào vấn đề

kinh tế cụ thể cần được nghiên cứu. Các mô hình TVAR được thiết kế để mô tả

những tình huống trong đó hành vi của các biến ngưỡng có thể được tự xác định nội

tại và từ đó xác định các chế độ chuyển đổi mối quan hệ khác nhau giữa các biến

nghiên cứu. Mô hình VSTAR có thể được sử dụng trong trường hợp cần mô hình

hóa sự chuyển đổi trơn liên tục giữa 2 (hay nhiều hơn) các mối quan hệ tuyến tính

giữa các biến nghiên cứu.

Hồi quy vector chuyển mạch (VSTAR) và mô hình ngưỡng tự hồi quy

(TVAR) là mô hình khái quát đơn giản của mô hình phương trình tương ứng. Các







y t



 i

 it

  s t

c i

 1

mô hình VSTAR được định nghĩa như sau:

p      i ij 1  j

 1

  

  I c  i 

(1)

Trong đó:

it ; j = 1,….q: là biến ngẫu nhiên m x 1 vectơ.

i là vector chặn m X 1, i = 1….q

ij : là ma trận m X m, i = 1,….,q, j= 1,...,p.

i là ma trận hệ số m X m, co= -  và cq = - 

yt và

i =0 với tất cả mọi i thì mô hình trên trở thành mô hình TVAR

Và nếu khi

Các mô hình TVAR có thể được khái quát hóa theo những cách khác nhau.

Có thể thêm các ngưỡng và biến ngưỡng từ đó mà các mô hình chuyển mạch được

điều khiển bởi nhiều biến hơn. Một trong những mô hình này là một sự tổng quát đa

biến của Nested TAR (NTAR) mô hình đơn biến bởi Astatkie, Watts và Watt













y t

 11

 I c 1

s 1 t

 12

y t



 I c 1

s 1 t



p    11 1  j

p    12 j  1

  

  

  

       

    







)







 I c 2

s 2 t

 21

y t



I c ( 1

s 1 t

 22

y t



 I c 1

s 1 t

p    21 1  j

p    22 j  1

  

  

  

    







         t

 I c 2

s 2 t



iid

(1997). Đây là một mô hình bốn chế độ với các hình thức sau đây:

 ,0

t



và do đó không thể chuyển đổi. Trong mô hình Trong đó  

này, ngưỡng đầu tiên biến s1t điều khiển chuyển mạch như trong phương trình (1).

Nhưng sau đó, hai trạng thái giữa mà quá trình chuyển mạch theo s1t có thể thay đổi

do ngưỡng khác biến s2t: Các mô hình TVAR tiêu chuẩn như vậy lồng vào nhau

trong mô hình tổng quát hơn Vector NTAR (VNTAR).

3.2.2. Xây dựng và kiểm định các giả thuyết

Mô hình vector ngưỡng tự hồi quy là mô hình được nghiên cứu và phát

triển bởi Tong (1978) và đến năm 1980 Tong và Lim sử dụng một giá trị ngưỡng

tối ưu để phân chia các trạng thái ngắn hạn của một chỉ số kinh tế thành hai chế

( cI



)

1 

 dt



 t

r   1  y

p   1  j

,0(

2

)

độ. Mô hình được thiết lập như sau:

t   iid

Với

Mô hình này được sử dụng để mô tả những mô hình gần đơn vị gốc. Điều đó

có nghĩa là mô hình có thể tìm thấy là tĩnh nhưng thực tế là dao động trong giới hạn.

Ví dụ lãi suất hoặc tỷ lệ thất nghiệp hàng loạt.

Khi có nhiều chế độ, mô hình ngưỡng tự hồi quy có thể được chuyển đổi



I q (

   )





I q (







   ))

Z t

A 1

 Z 1 t

 i

 t d

A 2

Z t

 i

2,i

 t d

thành một mô hình TVAR như sau:







A 1

A 2

g i t

  

  

  10    10

  

  20    20

  

 2 1

1,11

1,21

1,11

1,1

.. 2,21 .. 2,21

.. 2,11 .. 2,11

    ,  1,1 p 1,2        ,  p 1,2

  

    ,  2,1 p 2,2       ,  2,1 p 2,2

   2 2 

 2 2

Trong đó: p là chiều dài lag;

qt-d là biến ngưỡng

d là tham số trễ

γ là giá trị ngưỡng

ε là giới hạn lỗi

(cid:0)



iid

) 0

* ,    ( ) 1 2

 ( E t

  1  t



Với ε có các tính chất sau:

2 E  ( t

 )

Và

Trong đó: Ωt-1 là thông tin thiết lập trong thời kỳ t-1;

I (‧) là các chỉ số của chế độ, và nó được giả định rằng I(qt-d > γ)

= 1 nếu có tồn tại chế độ nếu ngược lại không có chế độ thì I (qt-d ≤ γ) = 0.

Chúng ta phải kiểm tra sự tồn tại của hiệu ứng ngưỡng trong phương trình

trước khi đánh giá mô hình TVAR. Đề tài thực hiện theo các phương pháp tiếp cận

của Tsay (1989) để kiểm tra tuyến tính mô hình. Có hai giả thuyết được đưa ra:

Thứ nhất là: Giả thuyết mô hình là tuyến tính (mô hình VAR)

Thứ hai là: Giả thuyết khác cho rằng mô hình này là phi tuyến tính (mô

hình TVAR).

Nếu giả thuyết mô hình là tuyến tính bị bác bỏ, mà chỉ ra rằng mô hình này

là phi tuyến tính, thì bước tiếp theo là tìm các giá trị của hai tham số: tham số trễ d

và giá trị ngưỡng γ.

Giả sử p, q và các chế độ được biết đến. Ngưỡng biến zt xác định sự xuất

1/ 2





' t

a t

z  t d

y t

1/ 2





  2

' t

a t

 t d

 

      

hiện của mô hình trong hai chế độ:

Nếu giá trị ngưỡng γ và tham số trễ d xuất hiện, thì phương trình trên có thể



i ( )

(1)

(cid:0) 

 (

)

X X t

' t

X y t

' t



   

  

  

  

i ( )



y d ( , )



)

 ' *   t i

y X t

)(y t

 ' * '   X ) / ( t i

 n k i

được xem như là phi tuyến tính trong mô hình, nơi mà Φi và Σ thu được như sau:



 (

   

d ( ,

)

* i

Trong đó:

ni biểu thị quan sát ở chế độ i;

k chỉ ra kích thước của Xt và k

(



, d )





)



(



) ,

S ( 1



(



, d )





)

(



)



 tra c e (  

  

Tổng còn lại của hình vuông là:

a rg m in

(



),1



a n d





d S



Với γ và d thu được từ các phương trình sau đây:

Sau khi ta tìm được giá trị ngưỡng tối ưu (γ) và các tham số trễ (d), các mô

hình TVAR phù hợp nhất có thể được xây dựng.

Trong trường hợp của đề tài về sự phòng ngừa vàng đối với sự biến động



 g













 1,1 i



1,2

 e t



g t 1

 e  t d

 10



 1





 g















i 2,1



2,2

e t



g t 2

 e  t d



 1

         20









 1,1 i

 g t

 i

 1,2 i

  e t i 

g t 1

 e  t d

 10

của tỷ giá hối đoái, phương trình có thể được viết lại như sau:



 1











 2,1 i

 g t

 i

i 2,2

  e t i 

g t 2

 e  t d

(2)



 1

      g t   20 

Trong đó: α và β là các thông số;

εit và ε2t chỉ ra các sai số tương ứng trong hai chế độ khác nhau.

Trong phương trình trên, khi Δet-d > γ, điều này chỉ ra rằng tỷ lệ biến động

của tỷ giá hối đoái là lớn hơn giá trị ngưỡng. Tác giả đặt tên là “Chế độ 1”; nếu

không, tác giả gọi nó là “chế độ 2” khi Δet-d < γ.

Tác giả sử dụng các bài kiểm tra hệ số Wald để kiểm tra các mối quan hệ

nhân quả giữa các biến để xác nhận quan hệ nhân quả của các hiệu ứng biến động

trong ngắn hạn. Sử dụng các ký hiệu của phương trình (2) giả thuyết của mô hình

kiểm tra quan hệ nhân quả có thể được thể hiện cùng với chế độ 1 (chế độ 2) như





0 , i



1 , . . . . , p





1 , 2

2 , 2





Nếu giữ giả thuyết vô hiệu cho thấy vàng là công cụ phòng ngừa hiệu quả

cho sự biến động của tỷ giá.



2 , 2

Ngoài ra để trực tiếp kiểm tra giả thuyết, quan sát hệ số của các biến độ trễ

1,2



 1





và cũng có thể cung cấp dấu hiệu của quan hệ

nhân quả giữa Δe và Δg. Khi các giả thuyết bị bác bỏ và tổng hệ số là dương, điều

này chỉ ra rằng vàng có thể như là một hàng rào hiệu quả chống lại sự biến động tỷ

giá hối đoái.

Bên cạnh kiểm tra các quan hệ nhân quả giữa Δe và Δg, chúng ta có thể

kiểm tra các quan hệ nhân quả ngược giữa Δg và Δe.





0 , i



1, ...., p





1,1

2 ,1





Nếu giả thuyết:

Nó có nghĩa là Δg không gây Δe. Sự từ chối của giả thuyết này chỉ ra rằng



2 ,1

sự biến động của giá vàng gây ra biến động tỷ giá. Và ta cũng dựa trên các hệ số

1,1







của các biến độ trễ: chúng ta có thể xác định hướng và

của những tác động ngắn hạn của sự biến động của vàng có tác động đến tỷ giá hối

đoái trong chế độ 1 (chế độ 2).

Với các kết quả của việc kiểm tra quan hệ nhân quả và những phân tích

tham số độ trễ, chúng ta có thể kiểm tra xem liệu việc đầu tư vào vàng có thể tránh

được những sự biến động của đồng nội tệ hay không.

3.2.3. Phương pháp ước lượng

Mục đích của đề tài là để kiểm tra ở mức độ nào của sự biến động tỷ giá hối

đoái thì vàng có thể phục vụ như là một công cụ phòng ngừa chống lại sự mất giá











của đồng VND. Để đạt được mục tiêu này, đề tài xác định các mô hình như sau:

Trong đó: et là tỷ giá ngoại tệ/VNĐ;

gt là giá vàng.

Để đo sự thay đổi của tỷ giá và vàng ta có công thức sau:

Δet = ln(et /et-1) x100 biểu thị tốc độ thay đổi của et;

Δgt = ln(gt /gt-1) x100 biểu thị sự thay đổi của vàng.

Khi f '> 0, điều này chỉ ra rằng sự thay đổi của vàng là đủ lớn để che đi

những mất mát từ những thay đổi trong sức mua của đồng nội tệ. Tùy thuộc vào

(



)











(



)









   

tình trạng của Δet, phương trình được viết lại như sau:

Trong đó: γ là giá trị ngưỡng của sự biến động của tỷ giá hối đoái; do đó,

γ có thể được sử dụng để phân chia các chế độ trong mô hình ngưỡng này.

3.3. Dữ liệu

Luận văn thực hiện việc nghiên cứu xem thử vàng có phải là công cụ phòng

ngừa rủi ro đối với sự biến động Việt Nam đồng cho các nhà đầu tư hay không.

Luận văn sử dụng dữ liệu hàng tháng trong khoảng hơn 11 năm từ tháng 1/2004

đến tháng 8/2015. Giá vàng được sử dụng là giá vàng SJC tính bằng VND/lượng.

Và tỷ giá VND được tính bằng số VND trên một đơn vị ngoại tệ theo phương

pháp trực tiếp (tức là khi tỷ giá hối đoái tăng lên nghĩa là đồng VND bị mất giá).

Dữ liệu tỷ giá hối đoái được chọn là năm đồng tiền và được giao dịch hàng tháng

như sau: đồng đô la Mỹ (USD); đồng bảng Anh (GBP); đồng Euro (EUR); đồng

Yên Nhật (JPY) và đồng Nhân dân tệ (CNY) tại ngân hàng Ngoại Thương Việt

Nam.

Lý do tác giả lựa chọn 5 đồng tiền này vì ba đồng tiền: đô la Mỹ (USD);

đồng bảng Anh (GBP); đồng Euro (EUR) là 3 đồng tiền mạnh hiện nay. Bên cạnh

đó Nhật Bản và Trung Quốc là hai nước mà Việt Nam có hoạt động thương mại lớn.

Hiện Việt Nam là quốc gia có mối quan hệ sâu rộng với Trung Quốc. Trung Quốc

vẫn là thị trường nhập khẩu lớn nhất của Việt Nam. Với Nhật Bản đến nay thì Nhật

Bản là đối tác kinh tế quan trọng hàng đầu của Việt Nam, nhà đầu tư số 1 tại Việt

Nam (cả về tổng vốn đầu tư và vốn đã giải ngân), và là đối tác thương mại lớn thứ

4 của Việt Nam, bên cạnh đó Nhật Bản là nước tài trợ ODA lớn nhất cho Việt Nam.

Vì vậy tác giả lựa chọn thêm hai đồng tiền Yên Nhật (JPY) và đồng Nhân dân tệ

(CNY) để thực hiện đề tài. Dữ liệu được cung cấp tại gói dữ liệu tại trang Web

www.vietstock.vn

CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

4.1 Sơ lược sự biến động của tỷ giá VND và giá vàng.

Hình 4.1 trình bày về sự biến động của tỷ giá VND cho các loại tiền tệ và

giá vàng trong cùng khoảng thời gian từ tháng 1/2004 đến tháng 8/2015.

Đối với sự biến động của USD/VND và giá vàng có thể thấy đi theo nhiều

chiều hướng khác nhau. Chẳng hạn trong giai đoạn từ đầu năm 2004 đến giữa năm

2007 tỷ giá và giá vàng đều tăng, đến giai đoạn từ giữa năm 2007 đến đầu năm

2013 giá vàng liên tục tăng trong khi đấy tỷ giá USD/VND liên tục biến động có

lúc tăng, lúc giảm. Từ đầu năm 2013 đến nay giá vàng lại có chiều hướng đi xuống

trong khi đồng VNĐ liên tục bị mất giá làm cho tỷ giá USD/VND lại có chiều

hướng tăng lên.

Sự biến động của đồng EUR/VND và giá vàng cũng thay đổi liên tục.

Trong giai đoạn từ đầu năm 2004 đến đầu năm 2013 giá vàng liên tục tăng trong

khi tỷ giá EUR/VND biến động và thay đổi chiều hướng rất nhiều lần. Từ khoảng

tháng 9/2011 đến tháng đầu năm 2013 hai biến tỷ giá EUR/VND và giá vàng đi

theo hai chiều hướng ngược nhau, trong khi giá vàng liên tục tăng mạnh thì tỷ giá

lại có xu hướng giảm mạnh. Trong giai đoạn từ năm 2013 giá vàng đi xuống thì tỷ

giá lại liên tục biến động lên xuống.

Tương tự như sự biến động của hai đồng tiền trên sự biến động của đồng

GBP/VND; CNY/VND; JPY/VND và giá vàng cũng không theo một xu hướng

nào cả.

Từ những phân tích cho thấy rằng sự biến động của vàng và tỷ giá

USD/VND, EUR/VND, GBP/VND; CNY/VND; JPY/VND có thể là phi tuyến

tính hơn là tuyến tính; do đó rất thích hợp để ta sử dụng mô hình phi tuyến tính để

giải thích mối quan hệ giữa 5 đồng tiền này và giá vàng.

GOLD - USD/VND

50,000

25000

45,000

40,000

20000

35,000

30,000

15000

25,000

20,000

10000

15,000

10,000

5000

5,000

4 0 0 2 / 1 3 / 1 0

4 0 0 2 / 0 3 / 6 0

4 0 0 2 / 0 3 / 1 1

5 0 0 2 / 0 3 / 4 0

5 0 0 2 / 0 3 / 9 0

6 0 0 2 / 8 2 / 2 0

6 0 0 2 / 1 3 / 7 0

6 0 0 2 / 1 3 / 2 1

7 0 0 2 / 1 3 / 5 0

7 0 0 2 / 1 3 / 0 1

8 0 0 2 / 1 3 / 3 0

8 0 0 2 / 1 3 / 8 0

9 0 0 2 / 1 3 / 1 0

9 0 0 2 / 0 3 / 6 0

9 0 0 2 / 0 3 / 1 1

0 1 0 2 / 0 3 / 4 0

0 1 0 2 / 0 3 / 9 0

1 1 0 2 / 8 2 / 2 0

1 1 0 2 / 1 3 / 7 0

1 1 0 2 / 1 3 / 2 1

2 1 0 2 / 1 3 / 5 0

2 1 0 2 / 1 3 / 0 1

3 1 0 2 / 1 3 / 3 0

3 1 0 2 / 1 3 / 8 0

4 1 0 2 / 1 3 / 1 0

4 1 0 2 / 0 3 / 6 0

4 1 0 2 / 0 3 / 1 1

5 1 0 2 / 0 3 / 4 0

USD/VND

GIÁ VÀNG

GOLD - EUR/VND

50,000

35000

45,000

30000

40,000

25000

35,000

30,000

20000

25,000

15000

20,000

15,000

10000

10,000

5000

5,000

4 0 0 2 / 1 3 / 1 0

4 0 0 2 / 0 3 / 6 0

4 0 0 2 / 0 3 / 1 1

5 0 0 2 / 0 3 / 4 0

5 0 0 2 / 0 3 / 9 0

6 0 0 2 / 8 2 / 2 0

6 0 0 2 / 1 3 / 7 0

6 0 0 2 / 1 3 / 2 1

7 0 0 2 / 1 3 / 5 0

7 0 0 2 / 1 3 / 0 1

8 0 0 2 / 1 3 / 3 0

8 0 0 2 / 1 3 / 8 0

9 0 0 2 / 1 3 / 1 0

9 0 0 2 / 0 3 / 6 0

9 0 0 2 / 0 3 / 1 1

0 1 0 2 / 0 3 / 4 0

0 1 0 2 / 0 3 / 9 0

1 1 0 2 / 8 2 / 2 0

1 1 0 2 / 1 3 / 7 0

1 1 0 2 / 1 3 / 2 1

2 1 0 2 / 1 3 / 5 0

2 1 0 2 / 1 3 / 0 1

3 1 0 2 / 1 3 / 3 0

3 1 0 2 / 1 3 / 8 0

4 1 0 2 / 1 3 / 1 0

4 1 0 2 / 0 3 / 6 0

4 1 0 2 / 0 3 / 1 1

5 1 0 2 / 0 3 / 4 0

EUR/VND

GIÁ VÀNG

GOLD - GBP/VND

50,000

40000

45,000

35000

40,000

30000

35,000

25000

30,000

25,000

20000

20,000

15000

15,000

10000

10,000

5000

5,000

4 0 0 2 / 1 3 / 1 0

4 0 0 2 / 1 3 / 7 0

5 0 0 2 / 1 3 / 1 0

5 0 0 2 / 1 3 / 7 0

6 0 0 2 / 1 3 / 1 0

6 0 0 2 / 1 3 / 7 0

7 0 0 2 / 1 3 / 1 0

7 0 0 2 / 1 3 / 7 0

8 0 0 2 / 1 3 / 1 0

8 0 0 2 / 1 3 / 7 0

9 0 0 2 / 1 3 / 1 0

9 0 0 2 / 1 3 / 7 0

0 1 0 2 / 1 3 / 1 0

0 1 0 2 / 1 3 / 7 0

1 1 0 2 / 1 3 / 1 0

1 1 0 2 / 1 3 / 7 0

2 1 0 2 / 1 3 / 1 0

2 1 0 2 / 1 3 / 7 0

3 1 0 2 / 1 3 / 1 0

3 1 0 2 / 1 3 / 7 0

4 1 0 2 / 1 3 / 1 0

4 1 0 2 / 1 3 / 7 0

5 1 0 2 / 1 3 / 1 0

5 1 0 2 / 1 3 / 7 0

GBP/VND

GIÁ VÀNG

GOLD - CNY/VND

4000

3500

3000

2500

2000

1500

1000

500

50,000 45,000 40,000 35,000 30,000 25,000 20,000 15,000 10,000 5,000 0

4 0 0 2 / 1 3 / 1 0

4 0 0 2 / 0 3 / 6 0

4 0 0 2 / 0 3 / 1 1

5 0 0 2 / 0 3 / 4 0

5 0 0 2 / 0 3 / 9 0

6 0 0 2 / 8 2 / 2 0

6 0 0 2 / 1 3 / 7 0

6 0 0 2 / 1 3 / 2 1

7 0 0 2 / 1 3 / 5 0

7 0 0 2 / 1 3 / 0 1

8 0 0 2 / 1 3 / 3 0

8 0 0 2 / 1 3 / 8 0

9 0 0 2 / 1 3 / 1 0

9 0 0 2 / 0 3 / 6 0

9 0 0 2 / 0 3 / 1 1

0 1 0 2 / 0 3 / 4 0

0 1 0 2 / 0 3 / 9 0

1 1 0 2 / 8 2 / 2 0

1 1 0 2 / 1 3 / 7 0

1 1 0 2 / 1 3 / 2 1

2 1 0 2 / 1 3 / 5 0

2 1 0 2 / 1 3 / 0 1

3 1 0 2 / 1 3 / 3 0

3 1 0 2 / 1 3 / 8 0

4 1 0 2 / 1 3 / 1 0

4 1 0 2 / 0 3 / 6 0

4 1 0 2 / 0 3 / 1 1

5 1 0 2 / 0 3 / 4 0

CNY/VND GIÁ VÀNG

GOLD - JPY/VND

50,000

300

45,000

250

40,000

35,000

200

30,000

25,000

150

20,000

100

15,000

10,000

5,000

4 0 0 2 / 1 3 / 1 0

4 0 0 2 / 0 3 / 6 0

4 0 0 2 / 0 3 / 1 1

5 0 0 2 / 0 3 / 4 0

5 0 0 2 / 0 3 / 9 0

6 0 0 2 / 8 2 / 2 0

6 0 0 2 / 1 3 / 7 0

6 0 0 2 / 1 3 / 2 1

7 0 0 2 / 1 3 / 5 0

7 0 0 2 / 1 3 / 0 1

8 0 0 2 / 1 3 / 3 0

8 0 0 2 / 1 3 / 8 0

9 0 0 2 / 1 3 / 1 0

9 0 0 2 / 0 3 / 6 0

9 0 0 2 / 0 3 / 1 1

0 1 0 2 / 0 3 / 4 0

0 1 0 2 / 0 3 / 9 0

1 1 0 2 / 8 2 / 2 0

1 1 0 2 / 1 3 / 7 0

1 1 0 2 / 1 3 / 2 1

2 1 0 2 / 1 3 / 5 0

2 1 0 2 / 1 3 / 0 1

3 1 0 2 / 1 3 / 3 0

3 1 0 2 / 1 3 / 8 0

4 1 0 2 / 1 3 / 1 0

4 1 0 2 / 0 3 / 6 0

4 1 0 2 / 0 3 / 1 1

5 1 0 2 / 0 3 / 4 0

JPY/VND

GIÁ VÀNG

Hình 4.1: Giá vàng và tỷ giá VND từ tháng 1/2004 đến tháng 8/2015

Nguồn: Gói dữ liệu từ trang web Vietstock và tính toán của tác giả

4.2 Kết quả kiểm định

4.2.1 Kết quả kiểm định tính dừng

Để kết quả hồi quy là nhất quán và không bị giả tạo, tất cả các biến đều phải

là chuỗi dừng. Trong bài này, ta sử dụng 4 phương pháp khác nhau để tiến hành các

thử nghiệm đơn vị gốc: các thử nghiệm Augmented Dickey-Fuller, kiểm tra

Phillips-Perron, kiểm tra Dickey-Fuller GLS, kiểm tra Ng và Perron MZa. Kết quả

kiểm định cho thấy các biến đều dừng.

Bảng 4.1. Kết quả kiểm định tính dừng

Gold price USD/VND exchange rate

Intercept Intercept+Trend Intercept Intercept+Trend

Level

-10.5309(1)*** -10.78982(1)*** -9.264925(1)*** -9.283424 (1)*** ADF

-10.5290(2)*** -10.78916(1)*** -11.63606(4)*** -11.64973(4)*** PP

-4.43141(2)*** -4.908773(2)*** -9.232244(1)*** -9.237527 (1)*** DF-

GLS

-65.0203(1)*** -66.8598(1)*** -68.9950(1)*** -68.9945 (1)*** NP-

MZa

EUR/VND exchange rate GBP/VND exchange rate

Intercept Intercept+Trend Intercept Intercept+Trend

Level

-13.0557(1)*** -13.5080(1)*** -11.05631(1)*** -11.02181(1)*** ADF

-15.7901(12)*** -15.806(12)*** -11.09686(3)*** -11.06392(3)*** PP

-1.426185(5) -2.70606(5)* -2.362150(2)** -4.749762(2)*** DF-

GLS

-13.8630(2)*** -68.3739(1)*** -16.1274(2)*** -66.7029(1)*** NP-

MZa

CNY/VND exchange rate JPY/VND exchange rate

Intercept Intercept+Trend Intercept Intercept+Trend

Level

-10.67285(1)*** -8.637563(1)*** -10.67046(1)*** -10.72860(1)*** ADF

-10.64441(3)*** -10.61839(3)*** -10.68932(3)*** -10.72809(2)*** PP

-10.43765(1)*** -5.313994(2)*** -1.03791(10) -1.54022(10) DF-

GLS

-68.4907(1)*** -67.5838(1)*** -21.0537(2)*** -65.4560(1)*** NP-

MZa

Nguồn: tính toán của tác giả

Ghi chú: Những con số trong ngoặc ( ) là chiều dài lag thích hợp được lựa

chọn bởi các tiêu chí trong ADF (Augmented Dickey-Fuller), PP (Phillips-Perron),

DF-GLS (Dickey-Fuller), NP-Mza (Ng và Perron Mza). Trong các thử nghiệm PP,

được xác định bằng cách sử dụng điều chỉnh Newey-West.

***; ** và * cho thấy có ý nghĩa ở mức 1%; 5% và 10% tương ứng.

4.2.2. Kiểm tra mối quan hệ tuyến tính giữa các biến trong mô hình

Trước khi xây dựng mô hình TVAR, chúng ta phải chắc chắn rằng liệu có

tồn tại một mối quan hệ phi tuyến tính giữa các biến.

Bước đầu tiên để tiến hành các thử nghiệm là để quyết định thời gian độ trễ

tối ưu. Dựa trên các phương pháp: phương pháp sai số hoàn toàn xác định trước

(FPE), phương pháp tiêu chuẩn thông tin Akaike (AIC), phương pháp thông tin tiêu

chuẩn Schwarz (SC), và phương pháp tiêu chuẩn Hannan-Quinn (HQ) và phương

pháp LR.

Bảng 4.2. Độ trễ tối ưu theo mô hình VAR

GOLD –GBP/VND

lag LL

LR

df p

AIC

HQIC

SBIC

-658.751

1 FPE 116.8953* 10.43703* 10.47342* 10.52661* 10.52536 10.63173

10.45256

-655.738

6.026846 4

0.197152 118.73

2

-655.271

0.933756 4

0.919669 125.5358

10.5082

10.61739 10.77695

3

-653.432

3.678822 4

0.451214 129.9057

10.54223

10.68781 10.90055

4

-651.665

3.532904 4

0.472893 134.5993

10.5774

10.75938 11.02531

5

-650.445

2.440288 4

0.655359 140.6897

10.62118

10.83955 11.15866

6

-647.351

6.188547 4

0.185503 142.8063

10.63544

10.89021 11.26251

7

3.747017 4

0.441325 147.8014

10.66893

10.9601

11.38558

8

11.09048 4

0.025566 144.4142

10.6446

10.97216 11.45082

9

-645.477 -639.932* -638.332

3.199029 4

0.525088 150.1947

10.6824

11.04636 11.57821

10

-636.236

4.192808 4

0.380541 155.0399

10.71238

11.11273 11.69777

11

-635.731

1.009723 4

0.908318 164.1633

10.76742

11.20417 11.84239

12

GOLD – USD/VND

lag

LL

LR

df

p

FPE

AIC

HQIC

SBIC

-503.211

1

-501.573 3.275752

4 0.512783 10.47568 8.024769

10.09279* 7.98757* 8.023966* 8.07715* 8.20393

8.09756

2

-499.549 4.048372

4 0.399499 10.80783 8.055884 8.165071 8.324626

3

-497.845 3.406531

4 0.492232 11.20806 8.092053 8.237635 8.450376

4

-492.343 11.00547

4 0.026503 10.94943 8.068388 8.250366 8.516292

5

-490.244 4.197839

4 0.379893 11.28758 8.098326

8.3167

8.63581

6

-489.003 2.480799

4 0.648077 11.79682 8.141785 8.396553 8.768849

7

4 0.354411 12.14671 8.170121 8.461285 8.886766

8

4 0.006638 11.57985 8.121178 8.448738 8.927404

9

-486.803 4.401305 -479.695 14.2157* -475.564 8.260882

4 0.082476 11.57278 8.119124

8.48308 9.014931

10

-470.966 9.195856

4 0.056386 11.48466 8.109708 8.510059 9.095096

11

-469.66 2.612223

4 0.624659

12.008 8.152131 8.588878

9.2271

12

GOLD –EUR/VND

lag

LL

LR

df

p

FPE

AIC

HQIC

SBIC

-676.289

1

-674.26 4.057024

154.0782* 10.71321* 10.7496* 10.80279* 10.92342

0.398343 158.9427 10.74426 10.81705

2

-673.364 1.793161

0.773733 166.9202 10.79313 10.90232

11.06187

3

-671.428 3.871117

0.423729 172.4694 10.82564 10.97122

11.18396

4

-670.046 2.763375

0.598171 179.7869 10.86687 11.04885

11.31478

5

-668.452 3.188459

0.526797 186.8182 10.90476 11.12313

11.44224

6

-668.201 0.501466

0.973358 198.3133

10.9638 11.21857

11.59087

7

-665.293 5.815962

0.21332 201.9333

10.981 11.27216

11.69765

8

-661.998 6.590365

0.159185 204.4223

10.9921 11.31966

11.79833

9

-659.423 5.151079

0.272144 209.3618 11.01453 11.37849

11.91034

10

-655.421 8.003321

0.091457 209.7277 11.01451 11.41486

11.99989

11

-654.987 0.869123

0.928948 222.3153 11.07065

11.5074

12.14562

12

GOLD – JPY/VND

lag

LL

LR

df

p

FPE

AIC

HQIC

SBIC

-673.397

1

-671.745 3.302988

4 0.508459

147.2178* 10.66766* 10.70406* 10.75724* 152.7701 10.70465 10.77744 10.88381

2

-670.604 2.282202

4 0.684011

159.8211 10.74967 10.85886 11.01841

3

-668.279 4.649335

4 0.325206

164.1255 10.77605 10.92163 11.13437

4

-664.193

8.17182

4 0.085483

163.956

10.7747 10.95668

11.2226

5

-662.356

3.67398

4 0.451922

169.7181 10.80876 11.02714 11.34625

6

-659.279 6.154303

4 0.187917

172.3177 10.82329 11.07806 11.45036

7

-658.325 1.907502

4 0.752767

180.9472 10.87127 11.16243 11.58791

8

-656.771 3.108473

0.53984

188.269 10.90978 11.23734 11.71601

9

-647.637 18.26831

4 0.001094

173.8969 10.82893 11.19289 11.72474

10

-644.329

6.61634

4 0.157606

176.1137 10.83983 11.24018 11.82521

11

-639.528 9.601948*

4 0.047694

174.2784 10.82721 11.26396 11.90218

12

lag

GOLD – CNY/VND

LL

LR

df

p

FPE

AIC

HQIC

SBIC

-539.996

-538.341

3.30962

0.50741

18.01348* 8.566869* 8.603265* 8.65645* 18.69187 8.603801 8.676592 8.782963

-536.769 3.144351

4 0.533966

19.42229 8.642035 8.751221 8.910777

-534.204 5.130762

4 0.274142

19.86992 8.664627 8.810209

9.02295

-526.732 14.94269

4 0.004822

18.81886

8.60996 8.791938 9.057864

-524.285

4.89503

4 0.298239

19.29383 8.634409 8.852782 9.171893

-522.956 2.658912

4 0.616423

20.13601 8.676465 8.931233 9.303529

-519.656

6.59857

4 0.158685

20.37762 8.687499 8.978664 9.404145

4 0.065471

20.26806 8.680958 9.008518 9.487184

4 0.012994

19.56419 8.644169 9.008124 9.539976

-515.241 8.830791 -508.905 12.6722* -507.02 3.769357

4 0.438119

20.26277 8.677481 9.077832 9.662869

-503.746 6.548402

4 0.161766

20.53956 8.688911 9.125658 9.763879

Nguồn: tính toán của tác giả

Ghi chú: ** và * tương ứng mức ý nghĩa 5%, 10%

Bảng 4.2 trình bày độ trễ tối ưu theo mô hình VAR bằng cách áp dụng 5

phương pháp LR, FPE, AIC, SC và HQ. Kết quả độ trễ tối ưu theo mô hình VAR

của tất cả các cặp GOLD –GBP/VND; GOLD – USD/VND; GOLD –EUR/VND;

GOLD – JPY/VND; GOLD – CNY/VND đều là p=1.

Sau khi xác định được độ trễ tối ưu theo mô hình VAR, bước tiếp theo là

kiểm tra tuyến tính của mô hình. Có hai giả thuyết được đưa ra:

Thứ nhất mô hình là tuyến tính (mô hình VAR)

Thứ hai mô hình này là phi tuyến tính (mô hình TVAR).

Bảng 4.3. Kiểm tra mối quan hệ phi tuyến tính 1 ngưỡng

3 4 5 6 GOLD – USD/VND 2 1 Lag

thDelay

0.5220 0.5640 0.3580 0.4120 0.6500 0.5100 1

0.5740 0.3560 0.4440 0.6960 0.4220 2

0.6880 0.4200 0.2820 0.6080 3

0.0980 0.0820 0.4480 4

0.0960 0.6460 5

0.7720 6

5 3 4 6 GOLD – GBP/VND 2 1 Lag

thDelay

0.5580 0.3720 0.4720 0.3940 0.1700 0.7340 1

0.0190 0.0060 0.0300 0.0040 0.0000 2

0.1240 0.0840 0.0200 0.0500 3

0.5200 0.3200 0.6020 4

0.5320 0.2020 5

0.1880 6

GOLD – EUR/VND

Lag 1 2 3 4 5 6

thDelay

0.0320 0.1460 0.3120 0.5800 0.6960 0.06800 1

0.0560 0.1060 0.0380 0.0760 0.2640 2

0.0960 0.1960 0.2420 0.2480 3

0.0140 0.0280 0.0420 4

0.5220 0.3840 5

0.3560 6

GOLD – JPY/VND

Lag 1 2 3 4 5 6

thDelay

0.2380 0.4420 0.1380 0.0600 0.1840 0.0940 1

0.3880 0.3380 0.2040 0.2320 0.1200 2

0.1580 0.1000 0.3220 0.6900 3

0.0940 0.1480 0.0680 4

0.3880 0.4120 5

0.1760 6

GOLD – CNY/VND

Lag 1 2 3 4 5 6

thDelay

0.3500 0.5140 0.4040 0.4900 0.4160 0.2905 1

0.3160 0.3760 0.3840 0.5760 0.6340 2

0.5860 0.3260 0.3520 0.4500 3

0.2100 0.6360 0.2080 4

0.7220 0.4560 5

0.9440 6

Bảng 4.4. Kiểm tra mối quan hệ phi tuyến tính 2 ngưỡng

3 4 5 6 GOLD – GBP/VND 2 1 Lag

thDelay

0.7640 0.1120 0.9080 0.1240 0.9000 0.8820 1

0.2180 0.3540 0.8100 0.7400 0.1360 2

0.6060 0.8560 0.5940 0.6080 3

0.1400 0.6340 0.1100 4

0.6880 0.7620 5

0.8180 6

GOLD – JPY/VND

Lag 1 2 3 4 5 6

thDelay

0.0820 0.3540 0.0620 0.2160 0.4160 1 0.1980

0.55580 0.8120 0.7640 0.7100 0.7320 2

0.7040 0.3500 0.5040 0.4840 3

0.5720 0.5000 0.0560 4

0.3760 0.4660 5

0.6670 6

GOLD – EUR/VND

Lag 1 2 3 4 5 6

thDelay

0.1880 0.4380 0.3520 0.5920 0.5440 1 0.1880

0.4540 0.5840 0.410 0.7160 0.0980 2

0.340 0.3780 0.4920 0.7520 3

0.8760 0.9460 0.7940 4

0.1920 0.1880 5

0.8580 6

Nguồn: tính toán của tác giả

Bảng 4.3 trình bày kết quả kiểm tra mối quan hệ phi tuyến tính 1 ngưỡng đối

với độ trễ tối ưu theo mô hình VAR, đối với cặp số liệu của GOLD – USD/VND thì

kết quả cho thấy rằng tại p=1 và d=1 thì kết quả là 0.51 nên tại độ trễ tối ưu này thì

chấp nhận giả thuyết là giữa vàng và tỷ giá USD/VND là có mối quan hệ tuyến tính.

Tương tự như cặp số liệu GOLD – USD/VND, cặp số liệu GOLD –

CNY/VND tại p=1 và d=1, kết quả kiểm tra cho thấy mối quan hệ giữa hai biến này

cũng là tuyến tính.

Kiểm tra quan hệ tuyến tính giữa GOLD – EUR/VND tại p=1 và d=1 thì kết

quả là 0.06800 nên bác bỏ giả thuyết là giữa vàng và tỷ giá EUR/VND có mối quan

hệ tuyến tính và chấp nhận nó có mối quan hệ phi tuyến tính.

Với cặp số liệu GOLD – JPY/VND, tương tự như kết quả của cặp GOLD –

EUR/VND, tại độ trễ tối ưu thì nó có mối quan hệ phi tuyến tính.

Riêng đối với cặp GOLD – GBP/VND thì tại p=1 và d=1 kết quả kiểm tra là

0.7640 thì giả thuyết về sự tuyến tính được chấp nhận. Tuy nhiên khi kiểm tra mối

quan hệ phi tuyến tính 1 ngưỡng từ bảng 4.3 ta thấy rằng tại giá trị p=2 và d=2 thì

kết quả bằng 0.0000 khẳng định tại độ trễ này thì mối quan hệ giữa vàng và

GBP/VND có mối quan hệ phi tuyến tính rất mạnh. Vì vậy tác giả quyết định kiểm

tra xem thử tại p=2 và d=2 mối quan hệ giữa vàng và GBP/VND như thế nào.

Bảng 4.4 trình bày kết quả kiểm tra mối quan hệ phi tuyến tính hai ngưỡng,

từ kết quả kiểm tra phi tuyến tính một ngưỡng ta thấy với những cặp số liệu GOLD

– EUR/VND, GOLD – GBP/VND và GOLD – JPY/VND có thể có mối quan hệ

tuyến tính hai ngưỡng. Tuy nhiên khi thực hiện kiểm tra tại độ trễ tối ưu theo mô

hình VAR của tất cả các biến này thì đều không có ý nghĩa thống kê khi kiểm tra

 Qua đây ta có thể kết luận mối quan hệ GOLD – USD/VND, GOLD –

tuyến tính hai ngưỡng.

CNY/VND là tuyến tính. Còn 3 cặp số liệu còn lại GOLD – GBP/VND, GOLD –

JPY/VND, GOLD – EUR/VND là mối quan hệ phi tuyến tính và có một ngưỡng.

4.2.3. Xác định tham số trễ (p) và giá trị ngưỡng ( )

Nếu xác định mô hình là phi tuyến tính thì bước tiếp theo là tìm các giá trị

của hai tham số: tham số trễ d và giá trị ngưỡng γ.

Giả sử p, q và các chế độ được biết đến. Ngưỡng biến zt xác định sự xuất

hiện của mô hình trong hai chế độ:

Nếu giá trị ngưỡng γ và tham số trễ d xuất hiện, thì phương trình trên có thể

1/ 2





' t

a t

z  t d

y t

1/ 2





  2

' t

a t

 t d

 

      

i ( )



y d ( , )



)

 ' *   t i

y X t

)(y t

 ' * '   X ) / ( t i

 n k i

được xem như là phi tuyến tính trong mô hình, nơi mà Φi và Σ thu được như sau:



 (

   

d ( ,

)

* i

Trong đó:

ni biểu thị quan sát ở chế độ i;

k chỉ ra kích thước của Xt và k

 (

, d)





)



 (

S ( 1



 (

, d)





)

 (

)



 trace (  

  

Tổng còn lại của hình vuông là:

 ( , ),1 d

  d

and



arg min  ,

d S

 R 0

Với γ và d thu được từ các phương trình sau đây:

Sau khi ta tìm được giá trị ngưỡng tối ưu (γ) và các tham số trễ (d), các mô

hình TVAR phù hợp nhất có thể được xây dựng.

Trong trường hợp của đề tài về sự phòng ngừa vàng đối với sự biến động

của tỷ giá hối đoái, phương trình có thể được viết lại như sau:



 g













 10

 1,1 i



1,2

 e t



g t 1

 e  t d



 1





 g















i 2,1



2,2

e t



g t 2

 e  t d



 1

         20









 10

 1,1 i

 g t

 i

 1,2 i

  e t i 

g t 1

 e  t d



 1











 2,1 i

 g t

 i

i 2,2

  e t i 

g t 2

 e  t d



 1

      g t   20 

Trong đó: α và β là các thông số;

εit và ε2t chỉ ra các sai số tương ứng trong hai chế độ khác nhau.

Bảng 4.5. Xác định tham số trễ (d), giá trị ngưỡng ( ) và mô hình TVAR

GOLD – GBP/VND

Tham số Giá trị Mô hình TVAR

trễ (d) ngưỡng



 2te

d=2 -1.43493 % rgbp = -0.4475 + 0.1984 rgbpt-1 + 0.0103 rgold t-1 -

0.0358 rgbpt-2 + 0.5170 rgold t-2

rgold = 4.9673 - 0.2256 rgbpt-1 + 0.5825rgold t-1 +

1.0798 rgbpt-2 + 0.1384 rgold t-2

2 te > -1.43493 %

rgbp = 0.5634 + 0.0158 rgbpt-1 + 0.0084 rgold t-1 -

0.2209 rgbpt-2 - 0.0376rgold t-2

rgold = 0.9976 - 0.1097rgbpt-1 + 0.0364rgold t-1 -

0.3282rgbpt-2 - 0.0384rgold t-2

GOLD – EUR/VND

Tham số Giá trị Mô hình TVAR

trễ (d) ngưỡng



 1te

d=1 0.277545% reur = - 0.2588 - 0.0292 reurt-1 + 0.0221 rgoldt-1

rgold = - 0.2450 - 0.3430 reurt-1 - 0.0570 rgoldt-1

1 te > 0.277545%

reur = 1.7845 - 0.5618 reurt-1 + 0.0545 rgoldt-1

rgold = 1.6872 - 0.2951 reurt-1 + 0.2846 rgoldt-1

GOLD – JPY/VND

Tham số Giá trị Mô hình TVAR

trễ (d) ngưỡng



 1te

d=1 -0.148942% rjpy = 1.0262 + 0.3319 rjpyt-1 + 0.1433 rgoldt-1

rgold = 2.2187 + 0.6012 rjpyt-1 + 0.4530 rgoldt-1

rjpy = -0.3408 + 0.2659 rjpyt-1 - 0.0920 rgoldt-1

1 te > -0.148942%

rgold = 0.3069 + 0.4907 rjpyt-1 - 0.1055 rgoldt-1

Nguồn: tính toán của tác giả

Bảng 4.6. Phân chia chế độ

Chế độ 1 Chế độ 2



2 te > -1.43493 %.

 2te

GOLD –GBP/VND -1.43493 %

(Khoảng 74.3% dữ liệu trong (Khoảng 25.7% dữ liệu trong

chế độ 1) chế độ 2)



1 te > 0.277545%

 1te

GOLD–EUR/VND 0.277545%

(Khoảng 51.4% dữ liệu trong (Khoảng 48.6% dữ liệu trong

chế độ 1) chế độ 2)



1 te > -0.148942%

 1te

GOLD –JPY/VND -0.148942%

(Khoảng 52.9% dữ liệu trong (Khoảng 47.1% dữ liệu trong

Nguồn: tính toán của tác giả

chế độ 1) chế độ 2)

Đối với cặp GOLD –GBP/VND và cặp GOLD – JPY/VND giá trị ngưỡng là

âm có nghĩa là trong chế độ 1 nếu biến động tỷ giá lớn hơn giá trị ngưỡng và nhỏ

hơn 0 đại diện cho tỷ giá giảm tức là đồng VND tăng giá ít. Nếu biến động tỷ giá

lớn hơn 0 tức là tỷ giá tăng, đồng VND mất giá. Chế độ 2 đại diện cho trường hợp

tỷ giá giảm hay là đồng VND tăng giá mạnh.

Đối với cặp GOLD - EUR/VND, do giá trị ngưỡng là dương nên chế độ 1 đại

diện cho trường hợp tỷ giá tăng hay là đồng VND mất giá. Chế độ 2 đại diện cho

trường hợp đồng VND mất giá ít thậm chí là tăng giá.

GBP/VND

0.15

0.1

0.05

-0.05

-0.1

-0.15

0 1/ 0 2/0 4

0 1 /0 8/0 4

0 1/0 2/0 5

0 1/0 8 /0 5

0 1/0 2/0 6

0 1/0 8 /0 6

0 1/0 2/0 7

0 1 /0 8/0 7

0 1 /0 2/0 8

0 1/ 0 8/0 8

0 1/0 2 /0 9

0 1/0 8/ 0 9

0 1/0 2 /1 0

0 1/0 8/1 0

0 1 /0 2/1 1

0 1/0 8/1 1

0 1 /0 2/1 2

0 1/0 8/1 2

0 1/0 2 /1 3

0 1 /0 8/1 3

0 1/0 2/ 1 4

0 1 /0 8/1 4

0 1/0 2/1 5

0 1 /0 8/1 5

EUR/VND

0.15

0.1

0.05

-0.05

-0.1

-0.15

01/02/04 01/09/04 01/04/05 01/11/05 01/06/06 01/01/07 01/08/07 01/03/08 01/10/08 01/05/09 01/12/09 01/07/10 01/02/11 01/09/11 01/04/12 01/11/12 01/06/13 01/01/14 01/08/14 01/03/15

JPY/VND

0.1

0.08

0.06

0.04

0.02

-0.02

-0.04

-0.06

-0.08

-0.1

01/02/04

01/08/04

01/02/05

01/08/05

01/02/06

01/08/06

01/02/07

01/08/07

01/02/08

01/08/08

01/02/09

01/08/09

01/02/10

01/08/10

01/02/11

01/08/11

01/02/12

01/08/12

01/02/13

01/08/13

01/02/14

01/08/14

01/02/15

01/08/15

Hình 4.2. Biến động tỷ giá VND và giá trị ngưỡng

Nguồn: Gói dữ liệu từ trang web Vietstock và tính toán của tác giả

Hình 4.2 thể hiện đối với tỷ giá GBP/VND khoảng 74.3% dữ liệu trong chế

2 te > -1.43493 %, đều này có thể kết luận

độ 1 tương ứng với với trường hợp

trong khoảng thời gian từ tháng 1/2004 đến tháng 8/2015 phản ánh trạng thái đồng

Việt Nam đa số bị mất giá, có những lúc tăng giá nhưng ít.

Đối với tỷ giá EUR/VND khoảng 51.4% dữ liệu trong chế độ 1 và khoảng

48.6% dữ liệu trong chế độ 2, bên cạnh đó do giá trị ngưỡng là >0 nên thể hiện

trong suốt thời gian này đa số đồng VND bị đánh giá thấp.

Tỷ giá JPY/VND sự biến động của tỷ giá chia gần đều trong 2 ngưỡng, mặc

dù chế độ 1 có nhiều hơn nhưng không đáng kể.

4.2.4 Kiểm tra quan hệ nhân quả của mô hình phi tuyến tính.

Tác giả sử dụng các bài kiểm tra hệ số Wald để kiểm tra các mối quan hệ

nhân quả giữa các biến để xác nhận xem vàng có phải là công cụ phòng ngừa rủi

ro biến động tỷ giá VND. Giả thuyết của mô hình kiểm tra quan hệ nhân quả có





0 , i



1, ...., p





1, 2

2 , 2





thể được thể hiện cùng với chế độ 1 (chế độ 2) như sau:

Nếu giả thuyết vô hiệu cho thấy vàng là công cụ phòng ngừa hiệu quả cho

sự biến động của tỷ giá.



2 , 2

Ngoài ra để trực tiếp kiểm tra giả thuyết, quan sát hệ số của các biến độ trễ

1,2



 1





và cũng có thể cung cấp dấu hiệu của quan hệ

nhân quả giữa Δe và Δg. Khi các giả thuyết bị bác bỏ và tổng hệ số là dương, điều

này chỉ ra rằng vàng có thể như là một hàng rào hiệu quả chống lại sự biến động tỷ

giá hối đoái.

Bên cạnh kiểm tra các quan hệ nhân quả giữa Δe và Δg, chúng ta có thể

kiểm tra các quan hệ nhân quả ngược giữa Δg và Δe.





0 , i



1, ...., p





1,1

2 ,1





Nếu giả thuyết:

Nó có nghĩa là Δg không gây Δe. Sự từ chối của giả thuyết này chỉ ra rằng



2 ,1

sự biến động của giá vàng gây ra biến động tỷ giá. Và ta cũng dựa trên các hệ số

1,1







của các biến độ trễ và chúng ta có thể xác định hướng

của những tác động ngắn hạn của sự biến động của vàng có tác động đến tỷ giá hối

đoái trong chế độ 1 (chế độ 2).

Với các kết quả của việc kiểm tra quan hệ nhân quả và những phân tích

tham số độ trễ, chúng ta có thể kiểm tra xem liệu việc đầu tư vào vàng có thể tránh

được những sự biến động của đồng nội tệ hay không.

Trước hết ta đi kiểm tra độ trễ tối ưu trong từng chế độ:

Bảng 4.7. Độ trễ tối ưu trong từng chế độ

GOLD –GBP/VND

CHẾ ĐỘ 1

lag

LL

LR

df p

FPE

AIC

HQIC

SBIC

-464.291

81.04797*

10.07078* 10.11476* 10.17971*

1

-463.044 2.495558

4 0.645431

85.9978

10.12997

10.21793

10.34783

2

-458.805 8.477588

4 0.075569

85.57893

10.12483

10.25678

10.45162

3

-455.901 5.808179

4 0.213939

87.66306

10.1484

10.32433

10.58412

4

-451.971 7.858558

4 0.096899

87.86822

10.14992

10.36984

10.69457

5

-450.688 2.567622

4 0.632569

93.26781

10.20834

10.47223

10.86191

6

-447.655 6.064549

4 0.194379

95.39292

10.22915

10.53702

10.99165

7

-444.917 5.477338

4 0.241729

98.24174

10.25627

10.60813

11.1277

8

-442.991 3.850732

4 0.426584

103.0305

10.30089

10.69673

11.28125

9

-441.159 3.665037

4 0.453231

108.3523

10.3475

10.78732

11.43679

10 CHẾ ĐỘ 2

lag

LL

LR

df

p

FPE

AIC

HQIC

SBIC

-129.148

96.25233*

10.24212* 10.29785* 10.43567*

1

-125.902

6.491361

4 0.165336

102.4438

10.30014

10.41162

10.68725

2

-121.781

8.241285

4 0.083129

102.7233

10.29086

10.45807

10.87152

3

-120.699

2.16439

4 0.705554

131.7312

10.51531

10.73825

11.28952

4

-119.273

2.851905

4 0.582907

167.4957

10.71331

10.99199

11.68108

5

-113.157

12.23145

4 0.015711

152.279

10.55056

10.88498

11.71188

6

-110.123

6.06867

4 0.194078

181.8518

10.62485

11.015

11.97972

7

-105.11

10.02595

4 0.039993

196.331

10.54693

10.99282

12.09535

8

-103.172

3.876972

4 0.422912

290.0388

10.7055

11.20713

12.44748

9

-93.4034 19.53628*

4 0.000616

265.838

10.2618

10.81916

12.19733

10

GOLD - EUR/VND

CHẾ ĐỘ 1

lag

LL

LR

df

p

FPE

AIC

HQIC

SBIC

-324.256

136.072

10.58889

10.64278 10.72613*

1

-318.137

12.23704

4 0.015673 127.1235

10.52055 10.62832*

10.79502

2

-316.654

2.966154

4 0.563505 137.9935

10.60175

10.76339

11.01345

3

-310.035 13.23901*

4 0.010165

127.025* 10.51724*

10.73277

11.06618

4

-308.323

3.423519

4 0.489602 137.1381

10.59106

10.86047

11.27723

5

-306.468

3.709697

4 0.446717 147.5835

10.66026

10.98355

11.48366

6

-302.747

7.441288

4 0.114326 149.8079

10.66927

11.04644

11.62991

7

-300.242

5.011498

0.28612 158.4744

10.71747

11.14852

11.81535

8

-299.071

2.34028

4 0.673445 175.4556

10.80876

11.29369

12.04387

9

-297.446

3.251258

4 0.516692 191.9762

10.88535

11.42417

12.25769

10

CHẾ ĐỘ 2

lag

LL

LR

df

p

FPE

AIC

HQIC

SBIC

-297.491

134.6828

10.57862

10.63434 10.72199*

1

-290.194

14.59301

4 0.005624 120.0202* 10.46295* 10.57439*

10.7497

2

-287.078

6.231823

4 0.182492

123.9383

10.49397

10.66113

10.92409

3

-286.872

0.413233

4 0.981379

141.8897

10.62707

10.84995

11.20056

4

-285.794

2.155723

4 0.707143

157.7776

10.7296

11.0082

11.44647

5

-282.055

7.478268

4 0.112671

160.0981

10.73876

11.07307

11.59899

6

-280.286

3.537261

4 0.472235

174.4784

10.81705

11.20709

11.82066

7

-278.714

3.144795

4 0.533893

191.9902

10.90223

11.34798

12.04921

8

-273.016 11.39495*

4 0.022466

183.3893

10.84267

11.34414

12.13302

9

-272.36

1.312704

4 0.859216

209.8732

10.95999

11.51718

12.39371

10

GOLD – JPY/VND

CHẾ ĐỘ 1

lag

LL

LR

df

p

FPE

AIC

HQIC

SBIC

-335.73

139.8877

10.61655

10.66971 10.75148*

1

-331.531

8.3979

4 0.078043

139.0604

10.61034

10.71665

10.8802

2

-323.566 15.92942

4 0.003115

122.9514

10.48644 10.64591*

10.89123

3

-319.327 8.477569

0.07557

122.2235

10.47898

10.6916

11.0187

4

-314.458

9.73947

4 0.045053

119.248

10.4518

10.71758

11.12645

5

-308.088

12.7392

4 0.012623 111.1602* 10.37775*

10.69668

11.18733

6

-305.417 5.342077

4 0.253964

116.5005

10.41928

10.79137

11.36379

7

-303.297 4.240055

4 0.374492

124.4525

10.47803

10.90327

11.55747

8

-297.751 11.0925*

4 0.025544

119.7143

10.42971

10.90811

11.64408

9

-295.068 5.365998

4 0.251762

126.2625

10.47086

11.00242

11.82016

10

CHẾ ĐỘ 2

lag LL

LR

df

p

FPE

AIC

HQIC

SBIC

-255.264

42.6095 9.427767*

9.484222* 9.573755*

1

-250.988 8.551746

4 0.073334

42.2032

9.417736

9.530645

9.709711

2

-247.434 7.107831

4 0.130298

42.94611

9.433957

9.603321

9.87192

3

-241.208 12.45124

4 0.014293

39.70302

9.353025

9.578844

9.936977

4

-238.642

5.13177

4 0.274042

41.99697

9.405175

9.687448

10.13511

5

-232.229 12.82702

4 0.012153

38.7029

9.317411

9.656139

10.19334

6

-227.174 10.10918*

4 0.038628

37.56959*

9.279062

9.674245

10.30098

7

-225.652 3.045311

4 0.550272

41.59556

9.369147

9.820785

10.53705

8

-223.249 4.805417

4 0.307852

44.76689

9.427231

9.935323

10.74112

9

-220.275

5.94724

4 0.203123

47.39582

9.464554

10.0291

10.92443

10

Bảng 4.8. Kiểm tra quan hệ nhân quả mô hình phi tuyến tính

2 te > -1.43493 %)

GOLD –GBP/VND (

------------------------------------------------------------------------------ | Coef. Std. Err. z P>|z| [95% Conf. Interval] rgbp | rgbp | L1. | .0319852 .1000027 0.32 0.749 -.1640165 .2279869 | rgold | L1. | -.0185955 .0462413 -0.40 0.688 -.1092269 .0720358 | _cons | 1.183384 .2363865 5.01 0.000 .7200754 1.646693 -------------+---------------------------------------- ------------------------ rgold | rgbp | L1. | .0389449 .2126418 0.18 0.855 -.3778253 .4557152 | rgold | L1. | .17288 .0983258 1.76 0.079 -.019835 .3655949 | _cons | 1.00612 .502643 2.00 0.045 .0209576 1.991282 ------------------------------------------------------------------------------ . vargranger Granger causality Wald tests +------------------------------------------------------------------+ | Equation Excluded | chi2 df Prob > chi2 |--------------------------------------+--------------------------- | rgbp rgold | .16172 1 0.688 | rgbp ALL | .16172 1 0.688 |--------------------------------------+--------------------------- | rgold rgbp | .03354 1 0.855 | rgold ALL | .03354 1 0.855



 2te

GOLD –GBP/VND ( -1.43493 %)

-------------------------- | -------------+------------ rgbp | rgbp | L1. | -.1243358 | rgold | L1. | .0448031 | _cons | -3.381704 -------------+------------ rgold | rgbp | L1. | -.6898099 | rgold | L1. | .1361676 | _cons | -1.735565 -------------------------- vargranger Granger causality Wald tests +----------------------- | Equation |----------------------- | rgbp | rgbp |----------------------- | rgold | rgold +----------------------- ---------------------------------------------------- Coef. Std. Err. z P>|z| [95% Conf. Interval] ---------------------------------------------------- .1975677 -0.63 0.529 -.5115614 .2628898 .1012725 0.44 0.658 -.1536874 .2432936 .673281 -5.02 0.000 -4.70131 -2.062097 ---------------------------------------------------- .3749527 -1.84 0.066 -1.424704 .0450839 .1921995 0.71 0.479 -.2405364 .5128717 1.277782 -1.36 0.174 -4.239972 .7688427 ---------------------------------------------------- -------------------------------------------+ Excluded | chi2 df Prob> chi2 ---------------+--------------------------- | rgold | .19572 1 0.658 | ALL | .19572 1 0.658 | ---------------+-------------------------- rgbp | 3.3846 1 0.066 | ALL | 3.3846 1 0.066 | -------------------------------------------+

1 te > 0.277545%)

GOLD –EUR/VND (

| Coef. Std. Err. z P>|z| [95% Conf. Interval] reur | reur | L1. | -.0925274 .1220311 -0.76 0.448 -.3317041 .1466492 L2. | -.0317907 .1147166 -0.28 0.782 -.2566311 .1930498 L3. | -.1176373 .1142019 -1.03 0.303 -.3414688 .1061943 L4. | .0613168 .1350351 0.45 0.650 -.2033472 .3259807 rgold| L1. | .0053799 .069654 0.08 0.938 -.1311394 .1418992 L2. | .0168537 .0689189 0.24 0.807 -.1182249 .1519324 L3. | -.0455205 .0670564 -0.68 0.497 -.1769487 .0859076 L4. | .1075924 .0665964 1.62 0.106 -.0229341 .2381189 _cons| 2.585117 .7058817 3.66 0.000 1.201614 3.96862 -------------+---------------------------------------------------------------- rgold | reur | L1. | -.2898008 .2215719 -1.31 0.191 -.7240738 .1444722 L2. | -.0716139 .2082909 -0.34 0.731 -.4798566 .3366288 L3. | -.0542406 .2073563 -0.26 0.794 -.4606515 .3521702 L4. | .0122304 .2451832 0.05 0.960 -.4683199 .4927807 rgold | L1. | .0252585 .1264707 0.20 0.842 -.2226195 .2731366 L2. | -.0434066 .1251361 -0.35 0.729 -.2886688 .2018556 L3. | -.0041177 .1217543 -0.03 0.973 -.2427517 .2345164 L4. | -.0150033 .120919 -0.12 0.901 -.2520002 .2219936 _cons | 3.09327 1.281669 2.41 0.016 .581244 5.605295 ------------------------------------------------------------------------------ Granger causality Wald tests +------------------------------------------------------------------+ | Equation Excluded | chi2 df Prob > chi2 |--------------------------------------+---------------------------| | reur rgold | 3.1063 4 0.540 | | reur ALL | 3.1063 4 0.540 | |--------------------------------------+---------------------------| | rgold reur | 1.8853 4 0.757 | | rgold ALL | 1.8853 4 0.757 |



 1te

GOLD –EUR/VND ( 0.277545%)

------------------------------------------------------------------------------ | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- reur | reur | L1. | .0284947 .1248352 0.23 0.819 -.2161779 .2731673 L2. | .0452106 .123255 0.37 0.714 -.1963648 .286786 | rgold | L1. | -.0788733 .067735 -1.16 0.244 -.2116315 .0538849 L2. | -.0454638 .0696304 -0.65 0.514 -.1819369 .0910093 | _cons| -2.059278 .4728663 -4.35 0.000 -2.986078 -1.132477 -------------+---------------------------------------------------------------- rgold | reur | L1. | -.0310076 .2147957 -0.14 0.885 -.4519994 .3899842 L2. | -.5455346 .2120767 -2.57 0.010 -.9611973 -.1298719 rgold | L1. | -.0147857 .1165471 -0.13 0.899 -.2432138 .2136425 L2. | -.1724477 .1198084 -1.44 0.150 -.4072678 .0623725 | _cons | -1.336811 .8136295 -1.64 0.100 -2.931495 .2578739 ------------------------------------------------------------------------------ . vargranger Granger causality Wald tests +------------------------------------------------------------------+ | Equation Excluded | chi2 df Prob > chi2 | |--------------------------------------+--------------------------- | reur rgold | 1.7869 2 0.409 | | reur ALL | 1.7869 2 0.409 | |--------------------------------------+--------------------------- | rgold reur | 6.6709 2 0.036 | | rgold ALL | 6.6709 2 0.036 |

1 te > -0.148942%)

GOLD – JPY/VND (

| Coef. Std. Err. z P>|z| [95% Conf. Interval] rjpy | rjpy | L1. | -.0709564 .1189414 -0.60 0.551 -.3040772 .1621643 L2. | -.1319654 .1183294 -1.12 0.265 -.3638868 .0999561 L3. | -.1640979 .1283064 -1.28 0.201 -.4155739 .087378 L4. | -.096262 .1311432 -0.73 0.463 -.353298 .160774 L5. | .0069706 .1292335 0.05 0.957 -.2463224 .2602636 L6. | .2312015 .1294409 1.79 0.074 -.022498 .4849009 rgold | L1. | -.0252915 .0527014 -0.48 0.631 -.1285843 .0780013 L2. | -.0230193 .0504025 -0.46 0.648 -.1218064 .0757679 L3. | .0480276 .0490029 0.98 0.327 -.0480164 .1440716 L4. | .0211808 .0488514 0.43 0.665 -.0745662 .1169278 L5. | .0093523 .0492159 0.19 0.849 -.0871091 .1058137 L6. | -.0224372 .0501182 -0.45 0.654 -.120667 .0757926 _cons | 2.793973 .8953516 3.12 0.002 1.039116 4.54883 rgold | rjpy | L1. | .113383 .2707686 0.42 0.675 -.4173138 .6440798 L2. | -.5889125 .2693756 -2.19 0.029 -1.116879 -.060946 L3. | .551711 .2920881 1.89 0.059 -.0207712 1.124193 L4. | .0087974 .2985461 0.03 0.976 -.5763421 .5939369 L5. | .4938785 .2941986 1.68 0.093 -.0827401 1.070497 L6. | -.291435 .2946707 -0.99 0.323 -.8689789 .2861088 rgold | L1. | .1092459 .1199741 0.91 0.363 -.125899 .3443907 L2. | -.0914269 .1147408 -0.80 0.426 -.3163148 .1334609 L3. | -.059946 .1115546 -0.54 0.591 -.2785891 .1586971 L4. | .1804036 .1112097 1.62 0.105 -.0375634 .3983706 L5. | -.2021847 .1120395 -1.80 0.071 -.421778 .0174086 L6. | .0538264 .1140934 0.47 0.637 -.1697926 .2774455 | _cons | 1.184173 2.038258 0.58 0.561 -2.810739 5.179084 Granger causality Wald tests +------------------------------------------------------------------+



| Equation Excluded | chi2 df Prob > chi2 | |--------------------------------------+--------------------------- | rjpy rgold | 2.1896 6 0.901 | | rjpy ALL | 2.1896 6 0.901 | |--------------------------------------+--------------------------- | rgold rjpy | 14.183 6 0.028 | | rgold ALL | 14.183 6 0.028 |

 1te

GOLD – JPY/VND ( -0.148942%)

| Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- rjpy | rjpy | L1. | .0257642 .1254382 0.21 0.837 -.2200901 .2716186 rgold| L1. | -.0101279 .0651048 -0.16 0.876 -.1377311 .1174752 _cons| -2.233509 .3633396 -6.15 0.000 -2.945642 -1.521377 -------------+---------------------------------------------------------------- rgold | rjpy | L1. | .2482317 .2382818 1.04 0.298 -.218792 .7152555 rgold| L1. | .0047882 .1236729 0.04 0.969 -.2376062 .2471825 | _cons| .6598931 .6901982 0.96 0.339 -.6928705 2.012657 ------------------------------------------------------------------------------ Granger causality Wald tests +------------------------------------------------------------------+ | Equation Excluded | chi2 df Prob > chi2 |--------------------------------------+--------------------------- | rjpy rgold | .0242 1 0.876 | | rjpy ALL | .0242 1 0.876 | |--------------------------------------+--------------------------- | rgold rjpy | 1.0853 1 0.298 | | rgold ALL | 1.0853 1 0.298 |

Nguồn: tính toán tác giả

Bảng 4.9. Tổng hợp kết quả kiểm tra quan hệ nhân quả mô hình phi

tuyến tính

GOLD –GBP/VND

Dependent Regime 1 Regime 2

Null Hypothesis Variable Δet-2 < = -1.43493 % Δet-2 > -1.43493 % Ho:





Sum of coefficients Chi – square test Sum of coefficients Chi – square test



2,1

i

2,2

 i



1 

Δg 0.03354 3.3846 0.0

 1 i 389449

(0.855) ( 0.066)





-0.6898099

1,1

1,2

 i

1 

Δe 0.16172 0.19572

(0.688) (0.658)

-0.0185955 0.0448031

GOLD - EUR/VND

Regime 1 Regime 2



1 te > 0.277545%

 1te

Dependent Variable Null Hypothesis 0.277545 %

Ho:

Sum of coefficients





Chi – square test Sum of coefficients Chi – square test

i = -

2,1

i =

2,2



1 

Δg 1.8853 1.7869





(0.757) (0.409) 0.40342 -0.5765422

i =

1,1

i =

1,2



1 

Δe 3.1063 6.6709

(0.540) (0.036) 0.084306 -0.1243371

GOLD – JPY/VND

Dependent Regime 1 Regime 2



1 te > -0.148942%

 1te

Null Hypothesis Variable -0.148942%

Ho: Sum of coefficients Chi –

Sum of coefficients square test





Chi – square test



i

2,2



i =

2,1



1 

1.0853 Δg 14.183

 1 i 0.2482317





(0.298) (0.028) 0.287422

1,2

 i

i =

1,1



1 

2.1896 0.02442 Δe

(0.901) (0.876) 0.007813 -0.0101279

Nguồn: tính toán tác giả

Bảng 4.8 tổng hợp kết quả kiểm tra quan hệ nhân quả cho chúng ta

thấy rằng đối với cặp GOLD –GBP/VND và GOLD - EUR/VND cho ta thấy rằng

vàng không phải là công cụ phòng ngừa biến động tỷ giá.

1 te > -0.148942%, tức là khi

Riêng đối với tỷ giá JPY/VND khi

đồng VND tăng giá ít (biến động từ -0.148942% đến 0) hoặc khi khi tỷ giá

JPY/VND tăng (biến động lớn hơn 0), đồng VND bị mất giá, thì lúc đó vàng có thể

được xem như là công cụ phòng ngừa đối với sự biến động của VND.

4.2.5 Kiểm tra quan hệ nhân quả của mô hình tuyến tính

Đối với những biến kết quả kiểm định là mô hình tuyến tính tác giả cũng sử

dụng các bài kiểm tra hệ số Wald để kiểm tra các mối quan hệ nhân quả giữa các

biến để xác nhận xem vàng có phải là công cụ phòng ngừa rủi ro biến động tỷ giá

VND.

Bảng 4.10. Tổng hợp kết quả kiểm tra quan hệ nhân quả mô hình tuyến tính

GOLD – USD/VND

Dependent Null Hypothesis Sum of coefficients Chi – square test



Variable Ho:

 

1,2



 1



Δg 5.3617 = 0.9079006 (0.021)

  1,1 i

 =0.0034462

 1

0.03638 Δe

(0.849)

GOLD – CNY/VND

Dependent Null Hypothesis Sum of coefficients Chi – square test



Variable Ho:

 

1,2



 1



2.6283 Δg = 0.5524755 (0.105)

  1,1 i

 = -0.0004818

 1

0.00052 Δe

(0.982)

GOLD – GBP/VND

Dependent Null Hypothesis Sum of coefficients Chi – square test



Variable Ho:

 

1,2



 1



Δg 1.7621 (0.184) = -0.1794367

  1,1 i

 = -0.1205306

 1

Δe 4.7226 (0.030)

Kết quả kiểm tra từ bảng 4.10 cho thấy rằng vàng có thể là công cụ phòng

ngừa biến động tỷ giá USD/VND. Đối với CNY/VND và GBP/VND thì vàng

không phải là công cụ phòng ngừa đối với sự biến động của tỷ giá.

KẾT LUẬN CHƯƠNG 4

Bằng chứng thực nghiệm chương 4 cho thấy rằng mặc dù vàng và tỷ giá của

VND liên tục biến dộng và thay đổi theo những chiều hướng khác nhau. Tuy nhiên

mối quan hệ giữa vàng và tỷ giá USD/VND, cũng như giữa vàng và CNY/VND là

mối quan hệ tuyến tính. Đây cũng phù hợp với thực tế khi tỷ giá USD/VND cũng

như tỷ giá USD/CNY chịu sự kiểm soát và quản lý rất chặc chẽ của NHTW hai

nước Việt Nam và Trung Quốc. Mỗi sự biến động của tỷ giá đều nằm trong những

chính sách kinh tế vĩ mô của đất nước. Vì vậy, mối quan hệ giữa vàng và tỷ giá

USD/VND và tỷ giá chéo CNY/VND sẽ không thể hoàn toàn biến động theo thị

trường. Đều đó dẫn đến mối quan hệ này là tuyến tính hơn là phi tuyến tính.

Còn đối với mối quan hệ giữa vàng và 2 tỷ giá EUR/VND; JPY/VND là mối

quan hệ phi tuyến tính. Riêng đối với tỷ giá GBP/VND các chỉ tiêu lựa chọn độ trễ

tối ưu cho mô hình cho thấy độ trễ 1 hoặc 2 đều có thể lựa chọn. Sau đó kết quả

kiểm định mô hình là tuyến tính hay phi tuyến cho thấy với kết quả độ trễ là 1 thì

quan hệ giữa các biến là tuyến tính nhưng với độ trễ là 2 thì mối quan hệ này là phi

tuyến.

Bên cạnh đấy kết quả cho thấy rằng vàng không thể phòng ngừa đối với sự

biến động của CNY/VND; EUR/VND; GBP/VND, vàng chỉ có thể là công cụ

phòng ngừa đối với sự biến động của tỷ giá USD/VND. Riêng với tỷ giá JPY/VND

1 te > -0.148942%.

vàng chỉ có thể phòng ngừa biến động tỷ giá khi

CHƯƠNG 5: KẾT LUẬN

5.1. Kết luận về kết quả nghiên cứu

Sự kết hợp giữa giá vàng và tỷ giá VND liên tục thay đổi theo những chiều

hướng khác nhau làm mở ra khả năng vàng và tỷ giá VND biến động theo mối quan

hệ phi tuyến tính. Bên cạnh đấy xem xét vàng có khả năng như là công cụ phòng

ngừa đối với biến động của đồng VND. Luận văn đã đóng góp vào nghiên cứu về

mối quan hệ giữa vàng và tỷ giá thông qua sử dụng mô hình phi tuyến tính TVAR

để nghiên cứu vàng có phải là công cụ phòng ngừa đối với sự biến động của VND.

Sử dụng bộ dữ liệu gồm vàng và tiền tệ (Gồm 5 tỷ giá hối đoái của ngân

hàng Ngoại Thương Việt Nam), với suất sinh lợi hàng tháng cập nhật trong hơn 11

năm gần đây từ tháng 1/2004 đến tháng 8/2015. Bằng chứng thực nghiệm cho thấy

vàng chỉ có thể là công cụ phòng ngừa đối với sự biến động của tỷ giá USD/VND.

1 te > -0.148942% tức là khi đồng VND tăng

Riêng đối với đồng JPY/VND khi

giá ít hoặc khi đồng VND bị mất giá thì đầu tư vào vàng như là môt kênh để có thể

phòng ngừa sự biến động của đồng VND.

5.2 Những điểm hạn chế của luận văn

Qua thực nghiệm cho thấy, việc sử dụng mô hình TVAR đã phần nào phản

ánh được mối quan hệ giũa vàng và tỷ giá VND. Tuy nhiên, số liệu mà luận văn sử

dụng chỉ được lấy từ Ngân hàng Ngoại thương Việt Nam, mà tỷ giá tại thị trường

Việt Nam đặc biệt là tỷ giá USD/VND lại bị sự kiểm soát rất chặc chẽ bởi Ngân

hàng trung ương nên phần nào cũng không thể mô tả hết tất cả sự chuyển động giữa

vàng và tỷ giá VND.

5.3 Những gợi ý cho hướng nghiên cứu tiếp theo

Luận văn đã đóng góp được là tìm ra vai trò của vàng là công cụ phòng ngừa

rủi ro biến động của tỷ giá VND. Tuy nhiên chỉ dừng lại là nghiên cứu ở 2 biến là

vàng với tiền tệ mà chưa nghiên cứu các tài sản khác trong nền kinh tế. Vì vậy

những nghiên cứu tiếp theo có thể khai thác được ưu điểm của mô hình TVAR để

sử dụng chúng nghiên cứu một cách tổng hợp, tối ưu vai trò của vàng trong nền

kinh tế Việt Nam sẽ mang lại kết quả nghiên cứu tổng quan hơn.

TÀI LIỆU THAM KHẢO

1. Aniunas, P., Nedzveckas, J., & Krusinskas, R.,2009. Variance

– Covariance Risk Value Model for Currency Market. Inzinerine

Apergis, N, 2014. Can gold prices forecast the Australian

dollar movements? International Review of Economics and Finance, 29,

75–82.

Ekonomika-Engineering Economics(1), 18-27.

3. Ariovich, G, 1983. The Impact of Political Tension on the

Price of Gold. Journal for Studies in Economics and Econometrics, 16, 17-

37.

4. Astatkie, T., Watts, D. G. and Watt, W. E.: 1997. Nested threshold

autore-gressive (NeTAR) models, International Journal of Forecasting 13, 105 -

116.

5. Baur, D., & Lucey, 2010. Is gold a hedge or a safe haven? An

analysis of stocks, bonds and gold. The Financial Review, 5(3), 217–229.

6. Baur, D., & McDermott, 2010. Is gold a safe haven?

International evidence. Journal of Banking and Finance, 34(8), 1886–1898.

7. Beckers, S., & Soenen, L, 1984. Gold: more attractive to non-

US than to US investors?. Journal of Business Finance and Accounting, 11,

Benhmad, F, 2012. Modeling nonlinear granger causality

between the oil price and U.S. dollar: A wavelet based approach.

Economic Modelling, 29(4), 1505–1514.

107–112.

9. Blose, L.E.,2010. Gold prices, cost of carry, and expected

inflation. Journal of Economics and Business, 62 (1), 35 – 47.

10. Capie, F., Mills, T., & Wood, G, 2005. Gold as a hedge against

the dollar. Journal of International Financial Markets Institutions and

Money, 15, 343–352.

(2002). Gold as an Inflation Hedge? Department of Economics 0021,

120-135.

11. Ghosh, D., Levin, E. J., Macmillan, P., & Wright, R. E.

12. Ghosh, D., Levin, E.J., Macmillan, P., Wright, R.E., 2004.

Gold as an inflation hedge? Studies in Economics and Finance, 22, 1 – 25.

13. Huỳnh Thị Thúy Vy, 2015. Vai trò của vàng đối với sự biến động VND: tiếp cận theo hàm copula. Tạp chí công nghệ Ngân hàng, 114, 11-20

14. Joscha Beckham, Robert Crudai, 2013. Gold as an inflation

hedge in a time – varying coefficient frameword. The Noth American

Journal of Economics and Finance, volume 24, 208 - 222.

15. Kirstin Hubrich and Timo Teräsvirta 2013. Thresholds and

Smooth Transitions in Vector Autoregressive Models CREATES Research

Paper 2013-18

16. Laurent, R.D, 1994. Is there a Role for Gold in Monetary

Policy. Feredal Reserve Bank of Chicago, Economic Perspectives, March, 2

-14

17. M Hood, F Malik , 2013. Is gold the best hedge and a safe

haven under changing stock market volatility?. Review of Financial

Economics, 22(2), Pages 47–52

18. McCown, J.R., Zimmerman, J.R., 2006. Is Gold a Zero - Beta

Asset? Analysis of the

19. Investment Potential of Precious Metals. Working Paper.

SSRN .

20. Ngân hàng ngoại thương Việt Nam

21. Pukthuanthong, K., & Roll, R, 2011. Gold and the dollar (and

the euro, pound, and yen). Journal of Banking and Finance, 35, 2070–2083.

22. Reboredo, J. C, 2013a. Is gold a hedge or safe haven against oil

price movements? Resources Policy, 38(2), 130–137.

23. Reboredo, J. C, 2013b. Is gold a safe haven or a hedge for the

US dollar? Implications for risk management. Journal of Banking and

Finance, 37(8), 2665–2676.

24. Reboredo, J. C, 2013c. Modelling EU allowances and oil

market interdependence. Implications for portfolio management. Energy

Economics, 36, 471–480.

25. Reboredo, J. C., & Rivera-Castro, M, 2013. A wavelet

decomposition approach to crude oil price and exchange rate dependence.

Economic Modelling, 32, 42–57.

26. Reboredo, J. C., & Rivera-Castro, M, 2014. Wavelet-based

evidence of the impact of oil prices on stock returns. International Review of

Economics and Finance, 29, 145–176.

27. Reboredo, J. C.,Matías, J.M., & García-Rubio, R., 2012.

Nonlinearity in forecasting of high-frequency stock returns. Computational

Economics, 40(3), 245–264.

28. Sjasstad, L, 2008. The price of gold and the exchange rates:

Once again. Resources Policy, 32(2), 118–124.

29. Sjasstad, L., & Scacciavillani, F, 1996. The price of gold and

the exchange rate. Journal of International Money and Finance, 15, 879–

897.

30. Tong, 1978. On a Threshold Model, in C.H. Chen (ed.) Pattern

Recognition and Signal Processing. Amsterdam: Sijthoff & Noordhoff, 101-

141.

31. Tong, H., & Lim, K. S, 1980. Threshold Autoregression, Limit

Cycles and Cyclical Data. Journal of the Royal Statistical Society, Series B,

Methodological, 42, 245-292.

32. Tsay, R. S, 1989. Testing and Modeling Threshold

Autoregressive Processes. Journal of American Statistical Association, 84,

231-40.

33. Wang, K., & Lee, Y, 2010. Could Gold Serve as an Exchange

Rate Hedge in Japan? Engineering Economics, 21(2), 160-170

34. Wang, K., & Lee, Y, 2011. The yen for gold. Resources Policy,

36, 39–48.

35. Wang, K., Lee, Y., & Thi, T, 2011. Time and place where gold

acts as an inflation hedge: An application of long-run and short-run threshold

model. Economic Modelling, 28, 806 – 819.

36. Wang, Y., & Chueh, Y, 2013. Dynamic transmission effects

between the interest rate, the US dollar, and gold and crude oil prices.

Economic Modelling, 30(1), 792–798.

37. Wang, Y.S., Chueh, Y.L, 2013. Dynamic transmission effects

between the interest rate, the US dollar, and gold and crude oil prices.

Economic Modelling, 30 (1), 792 – 798.

38. vietstock.vn

39. Mark Joy, 2011. Gold and the US dollar: Hedge or haven?.

Finance Research Lters, 8(3), 120-131.

40. Hồ Thị Lam, (2015). Vai trò bảo hiểm rủi ro lạm phát của vàng

ở Việt Nam. Tạp chí Công nghệ Ngân hàng, 111,28-35.

41. Thân Thị Thu Thủy và Lê Thị Thu Hồng, (2014). Kiểm định

mối quan hệ giữa giá vàng và lạm phát tại Việt Nam. Tạp chí khoa học, 3(2),

58-62.

PHỤ LỤC 1: KẾT QUẢ KIỂM TRA TUYẾN TÍNH MỘT NGƯỠNG

GOLD – USD/VND

> View(rusd_rgold) > library(tsDyn) > TVAR.LRtest(rusd_rgold, lag = 1, thDelay=1:1, mTh=1, nboot=1000,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2)

LR test: 1vs2 1vs3 Test 9.710326 24.80737 P-Val 0.510000 0.33500 > TVAR.LRtest(rusd_rgold, lag = 2, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 16.01719 43.45772 P-Val 0.52200 0.20400 > TVAR.LRtest(rusd_rgold, lag = 3, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 20.47002 56.16359 P-Val 0.56400 0.23600 > TVAR.LRtest(rusd_rgold, lag = 4, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 31.10584 70.00135 P-Val 0.35800 0.24800 > TVAR.LRtest(rusd_rgold, lag = 5, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2)

LR test: 1vs2 1vs3 Test 36.45716 75.985 P-Val 0.41200 0.456 > TVAR.LRtest(rusd_rgold, lag = 6, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 37.63661 95.2803 P-Val 0.65000 0.4160 > TVAR.LRtest(rusd_rgold, lag = 2, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 14.52331 40.45206 P-Val 0.57400 0.26600 > TVAR.LRtest(rusd_rgold, lag = 3, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 24.96519 50.08778 P-Val 0.35600 0.41800 > TVAR.LRtest(rusd_rgold, lag = 4, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2)

LR test: 1vs2 1vs3 Test 29.79058 70.78875 P-Val 0.44400 0.27800 > TVAR.LRtest(rusd_rgold, lag = 5, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 29.7796 74.38352 P-Val 0.6960 0.49200 > TVAR.LRtest(rusd_rgold, lag = 6, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 44.21758 131.4832 P-Val 0.42200 0.0680 > TVAR.LRtest(rusd_rgold, lag = 3, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 18.16855 37.09529 P-Val 0.68800 0.83600 > TVAR.LRtest(rusd_rgold, lag = 4, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2)

LR test: 1vs2 1vs3 Test 30.34065 49.93358 P-Val 0.42000 0.81000 > TVAR.LRtest(rusd_rgold, lag = 5, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 40.24613 106.7429 P-Val 0.28200 0.0740 > TVAR.LRtest(rusd_rgold, lag = 6, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 39.97752 159.2305 P-Val 0.60800 0.0140 > TVAR.LRtest(rusd_rgold, lag = 4, thDelay=4:4, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 42.64173 65.51487 P-Val 0.09800 0.36600 > TVAR.LRtest(rusd_rgold, lag = 5, thDelay=4:4, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2)

LR test: 1vs2 1vs3 Test 53.62064 88.82735 P-Val 0.08200 0.22400 > TVAR.LRtest(rusd_rgold, lag = 6, thDelay=4:4, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 43.13029 165.9234 P-Val 0.44800 0.0100 > TVAR.LRtest(rusd_rgold, lag = 5, thDelay=5:5, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 51.7452 91.96419 P-Val 0.0960 0.19800 > TVAR.LRtest(rusd_rgold, lag = 6, thDelay=5:5, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 38.80431 102.1234 P-Val 0.64600 0.2840 > TVAR.LRtest(rusd_rgold, lag = 6, thDelay=6:6, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 34.02563 64.47701 P-Val 0.77200 0.9600 GOLD – EUR/VND > View(reur_gold) > library(tsDyn) > TVAR.LRtest(reur_gold, lag = 1, thDelay=1:1, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 19.47518 35.43207 P-Val 0.06800 0.03400 > TVAR.LRtest(reur_gold, lag = 2, thDelay=1:1, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 27.51466 49.21322 P-Val 0.03200 0.02800 > TVAR.LRtest(reur_gold, lag = 3, thDelay=1:1, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 30.02295 54.49607

P-Val 0.14600 0.14800 > TVAR.LRtest(reur_gold, lag = 4, thDelay=1:1, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 32.00938 66.65423 P-Val 0.31200 0.19400 > TVAR.LRtest(reur_gold, lag = 5, thDelay=1:1, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 34.08564 71.19662 P-Val 0.58000 0.50000 > TVAR.LRtest(reur_gold, lag = 6, thDelay=1:1, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 37.8412 84.70504 P-Val 0.6960 0.55000 > TVAR.LRtest(reur_gold, lag = 2, thDelay=2:2, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 25.75616 42.47454

P-Val 0.05600 0.11600 > TVAR.LRtest(reur_gold, lag = 3, thDelay=2:2, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 30.94912 52.72052 P-Val 0.10600 0.20200 > TVAR.LRtest(reur_gold, lag = 4, thDelay=2:2, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 44.31263 76.13902 P-Val 0.03800 0.05200 > TVAR.LRtest(reur_gold, lag = 5, thDelay=2:2, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 49.45361 83.27789 P-Val 0.07600 0.19200 > TVAR.LRtest(reur_gold, lag = 6, thDelay=2:2, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 46.95399 106.5638

P-Val 0.26400 0.0680 > TVAR.LRtest(reur_gold, lag = 3, thDelay=3:3, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 31.25995 56.88204 P-Val 0.09600 0.09600 > TVAR.LRtest(reur_gold, lag = 4, thDelay=3:3, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 35.88048 68.94219 P-Val 0.19600 0.18800 > TVAR.LRtest(reur_gold, lag = 5, thDelay=3:3, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 41.61739 79.63551 P-Val 0.24200 0.25000 > TVAR.LRtest(reur_gold, lag = 6, thDelay=3:3, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 48.84461 88.20892

P-Val 0.24800 0.45600 > TVAR.LRtest(reur_gold, lag = 4, thDelay=4:4, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 49.95458 71.31443 P-Val 0.01400 0.13000 > TVAR.LRtest(reur_gold, lag = 5, thDelay=4:4, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 52.40437 78.40991 P-Val 0.02800 0.28400 > TVAR.LRtest(reur_gold, lag = 6, thDelay=4:4, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 59.43841 97.67847 P-Val 0.04200 0.21600 > TVAR.LRtest(reur_gold, lag = 5, thDelay=5:5, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3

Test 35.04341 81.78576 P-Val 0.52200 0.20600 > TVAR.LRtest(reur_gold, lag = 6, thDelay=5:5, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 44.61659 101.019 P-Val 0.38400 0.142 > TVAR.LRtest(reur_gold, lag = 6, thDelay=6:6, mTh=1, nboot=500,

trim=0.2, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 46.63653 83.53929 P-Val 0.35600 0.59800

GOLD – GBP/VND

> library(tsDyn) > TVAR.LRtest(RGBP_GOLD, lag = 1, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 9.415141 18.84446

P-Val 0.734000 0.83200 > TVAR.LRtest(RGBP_GOLD, lag = 2, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 17.22517 45.49328 P-Val 0.55800 0.17000 > TVAR.LRtest(RGBP_GOLD, lag = 3, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 26.17184 48.66897 P-Val 0.37200 0.57200 > TVAR.LRtest(RGBP_GOLD, lag = 4, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 30.38784 75.55541 P-Val 0.47200 0.17400 > TVAR.LRtest(RGBP_GOLD, lag = 5, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 40.1782 74.77518

P-Val 0.3940 0.68800 > TVAR.LRtest(RGBP_GOLD, lag = 6, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 57.73989 99.89864 P-Val 0.17000 0.43200 > TVAR.LRtest(RGBP_GOLD, lag = 2, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 40.57763 67.43348 P-Val 0.00000 0.00000 > TVAR.LRtest(RGBP_GOLD, lag = 2, thDelay=2:2, mTh=1, nboot=1000,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 40.57763 67.43348 P-Val 0.00000 0.00500 > TVAR.LRtest(RGBP_GOLD, lag = 3, thDelay=2:2, mTh=1, nboot=1000,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 43.37825 76.47693

P-Val 0.01900 0.02000 > TVAR.LRtest(RGBP_GOLD, lag = 4, thDelay=2:2, mTh=1, nboot=1000,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

> TVAR.LRtest(RGBP_GOLD, lag = 4, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 59.11408 96.67314 P-Val 0.00600 0.00800 > TVAR.LRtest(RGBP_GOLD, lag = 5, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 59.47629 96.08788 P-Val 0.03000 0.15600 > TVAR.LRtest(RGBP_GOLD, lag = 6, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 75.24396 133.6156 P-Val 0.00400 0.0080 > TVAR.LRtest(RGBP_GOLD, lag = 3, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 32.34094 58.07868 P-Val 0.12400 0.23800 > TVAR.LRtest(RGBP_GOLD, lag = 4, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 42.02058 70.51255 P-Val 0.08400 0.32600 > TVAR.LRtest(RGBP_GOLD, lag = 5, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 58.3672 101.1322 P-Val 0.0200 0.0740 > TVAR.LRtest(RGBP_GOLD, lag = 6, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 63.45664 114.925 P-Val 0.05000 0.114 > TVAR.LRtest(RGBP_GOLD, lag = 4, thDelay=4:4, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 31.11258 76.87618 P-Val 0.52000 0.16000 > TVAR.LRtest(RGBP_GOLD, lag = 5, thDelay=4:4, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 41.41037 75.89931 P-Val 0.32000 0.64200 > TVAR.LRtest(RGBP_GOLD, lag = 6, thDelay=4:4, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 42.45564 111.3107 P-Val 0.60200 0.1780 > TVAR.LRtest(RGBP_GOLD, lag = 5, thDelay=5:5, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 37.80078 78.48331 P-Val 0.53200 0.55000 > TVAR.LRtest(RGBP_GOLD, lag = 6, thDelay=5:5, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 51.89384 98.92541 P-Val 0.20200 0.41800 > TVAR.LRtest(RGBP_GOLD, lag = 6, thDelay=6:6, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 53.86237 107.0687 P-Val 0.18800 0.2160

GOLD – JPY/VND

> library(tsDyn) > TVAR.LRtest(JPY_GOLD, lag = 1, thDelay=1:1, mTh=1, nboot=1000,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

thDelay values do not correspond to the univariate the

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 18.60093 36.3712 P-Val 0.09400 0.0710 > TVAR.LRtest(JPY_GOLD, lag = 1, thDelay=1:1, mTh=1, nboot=1000,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1]

Test 17.77027 P-Val 0.21500 > TVAR.LRtest(JPY_GOLD, lag = 1, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 17.77027 P-Val 0.21200 > TVAR.LRtest(JPY_GOLD, lag = 2, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 22.19971 52.30229 P-Val 0.23800 0.04800 > TVAR.LRtest(JPY_GOLD, lag = 3, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 25.76273 56.28929 P-Val 0.44200 0.29800 > TVAR.LRtest(JPY_GOLD, lag = 4, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3

Test 40.56245 89.71742 P-Val 0.13800 0.03200 > TVAR.LRtest(JPY_GOLD, lag = 5, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 51.36684 116.4513 P-Val 0.06000 0.0020 > TVAR.LRtest(JPY_GOLD, lag = 6, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 54.30306 129.3546 P-Val 0.18400 0.0300 > TVAR.LRtest(JPY_GOLD, lag = 2, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 20.32909 40.11148 P-Val 0.38800 0.36600 > TVAR.LRtest(JPY_GOLD, lag = 3, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3

Test 27.12429 56.83163 P-Val 0.33800 0.30800 > TVAR.LRtest(JPY_GOLD, lag = 4, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 37.53412 75.6507 P-Val 0.20400 0.1620 > TVAR.LRtest(JPY_GOLD, lag = 5, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 43.40063 97.981 P-Val 0.23200 0.084 > TVAR.LRtest(JPY_GOLD, lag = 6, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 56.6531 106.0872 P-Val 0.1200 0.2640 > TVAR.LRtest(JPY_GOLD, lag = 3, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3

Test 32.32745 52.99394 P-Val 0.15800 0.42200 > TVAR.LRtest(JPY_GOLD, lag = 4, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 42.67685 67.29056 P-Val 0.10000 0.43400 > TVAR.LRtest(JPY_GOLD, lag = 5, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 42.88879 90.89949 P-Val 0.32200 0.22400 > TVAR.LRtest(JPY_GOLD, lag = 6, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 40.95233 91.16435 P-Val 0.69000 0.63400 > TVAR.LRtest(JPY_GOLD, lag = 4, thDelay=4:4, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3

Test 41.98844 81.818 P-Val 0.09400 0.072 > TVAR.LRtest(JPY_GOLD, lag = 5, thDelay=4:4, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 48.69883 96.12083 P-Val 0.14800 0.11800 > TVAR.LRtest(JPY_GOLD, lag = 6, thDelay=4:4, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 60.95033 125.7669 P-Val 0.06800 0.0360 > TVAR.LRtest(JPY_GOLD, lag = 5, thDelay=5:5, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 40.16142 89.98592 P-Val 0.38800 0.23600 > TVAR.LRtest(JPY_GOLD, lag = 6, thDelay=5:5, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3

Test 47.79662 94.61263 P-Val 0.41200 0.60200 > TVAR.LRtest(JPY_GOLD, lag = 6, thDelay=6:6, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 54.43876 98.00671 P-Val 0.17600 0.47200

GOLD – CNY/VND

> library(tsDyn) > TVAR.LRtest(CNY_GOLD, lag = 1, thDelay=1:1, mTh=1, nboot=2000,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

thDelay values do not correspond to the univariate the

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 12.78018 25.26581 P-Val 0.29050 0.32300 > TVAR.LRtest(CNY_GOLD, lag = 2, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 19.04347 34.05832 P-Val 0.35000 0.55400 > TVAR.LRtest(CNY_GOLD, lag = 3, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 22.07311 44.18518 P-Val 0.51400 0.55600 > TVAR.LRtest(CNY_GOLD, lag = 4, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 30.04308 58.79241 P-Val 0.40400 0.52600 > TVAR.LRtest(CNY_GOLD, lag = 5, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 35.7546 69.76138 P-Val 0.4900 0.67400 > TVAR.LRtest(CNY_GOLD, lag = 6, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 44.80691 116.2762 P-Val 0.41600 0.1120 > TVAR.LRtest(CNY_GOLD, lag = 2, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 19.11386 41.31034 P-Val 0.31600 0.18000 > TVAR.LRtest(CNY_GOLD, lag = 3, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 24.51225 50.65431 P-Val 0.37600 0.36000 > TVAR.LRtest(CNY_GOLD, lag = 4, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 30.20032 60.80275 P-Val 0.38400 0.48600 > TVAR.LRtest(CNY_GOLD, lag = 5, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 34.36427 101.3694 P-Val 0.57600 0.0840 > TVAR.LRtest(CNY_GOLD, lag = 6, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 38.15201 70.03538 P-Val 0.63400 0.94000 > TVAR.LRtest(CNY_GOLD, lag = 3, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 20.90345 61.66613 P-Val 0.58600 0.12600 > TVAR.LRtest(CNY_GOLD, lag = 4, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 32.58345 77.19808 P-Val 0.32600 0.12200 > TVAR.LRtest(CNY_GOLD, lag = 5, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 38.18033 86.45634 P-Val 0.35200 0.22800 > TVAR.LRtest(CNY_GOLD, lag = 6, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 42.21363 87.74786 P-Val 0.45000 0.56600 > TVAR.LRtest(CNY_GOLD, lag = 4, thDelay=4:4, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 35.49149 68.55245 P-Val 0.21000 0.24600 > TVAR.LRtest(CNY_GOLD, lag = 5, thDelay=4:4, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 30.88456 93.96489 P-Val 0.63600 0.11600 > TVAR.LRtest(CNY_GOLD, lag = 6, thDelay=4:4, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 52.14249 112.7494 P-Val 0.20800 0.1500 > TVAR.LRtest(CNY_GOLD, lag = 5, thDelay=5:5, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 30.51568 74.38503 P-Val 0.72200 0.53000 > TVAR.LRtest(CNY_GOLD, lag = 6, thDelay=5:5, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 42.33744 102.3523 P-Val 0.45600 0.2740 > TVAR.LRtest(CNY_GOLD, lag = 6, thDelay=6:6, mTh=1, nboot=500,

trim=0.1, test="1vs", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: 1vs2 1vs3 Test 29.71963 76.99078 P-Val 0.94400 0.86000

PHỤ LỤC 2: KẾT QUẢ KIỂM TRA TUYẾN TÍNH HAI NGƯỠNG

GOLD – GBP/VND

> library(tsDyn) > TVAR.LRtest(rgbp_gold, lag = 2, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

thDelay values do not correspond to the univariate the

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 26.75689 P-Val 0.13600 > TVAR.LRtest(rgbp_gold, lag = 1, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 9.416404 P-Val 0.764000 > TVAR.LRtest(rgbp_gold, lag = 2, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 28.44864 P-Val 0.11200 > TVAR.LRtest(rgbp_gold, lag = 3, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 18.5632 P-Val 0.9080 > TVAR.LRtest(rgbp_gold, lag = 4, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 44.94507 P-Val 0.12400 > TVAR.LRtest(rgbp_gold, lag = 5, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 31.90625 P-Val 0.90000 > TVAR.LRtest(rgbp_gold, lag = 6, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 41.08153 P-Val 0.88200 > TVAR.LRtest(rgbp_gold, lag = 3, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 33.00564 P-Val 0.21800 > TVAR.LRtest(rgbp_gold, lag = 4, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 37.6722 P-Val 0.3540 > TVAR.LRtest(rgbp_gold, lag = 5, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 37.36714 P-Val 0.81000 > TVAR.LRtest(rgbp_gold, lag = 6, thDelay=2:2, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 37.36714 P-Val 0.74000 > TVAR.LRtest(rgbp_gold, lag = 3, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 25.8024 P-Val 0.6060 > TVAR.LRtest(rgbp_gold, lag = 4, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 28.52536 P-Val 0.85600 > TVAR.LRtest(rgbp_gold, lag = 5, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 42.58518 P-Val 0.59400 > TVAR.LRtest(rgbp_gold, lag = 6, thDelay=3:3, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 51.1665 P-Val 0.6080 > TVAR.LRtest(rgbp_gold, lag = 4, thDelay=4:4, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 46.04669 P-Val 0.14000 > TVAR.LRtest(rgbp_gold, lag = 5, thDelay=4:4, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 42.87677 P-Val 0.63400 > TVAR.LRtest(rgbp_gold, lag = 6, thDelay=4:4, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 68.08786 P-Val 0.11000 > TVAR.LRtest(rgbp_gold, lag = 5, thDelay=5:5, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 40.29468 P-Val 0.68800 > TVAR.LRtest(rgbp_gold, lag = 6, thDelay=5:5, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 48.54231 P-Val 0.76200 > TVAR.LRtest(rgbp_gold, lag = 6, thDelay=6:6, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 46.405 P-Val 0.818

GOLD - EUR/VND

> TVAR.LRtest(reur_gold, lag = 1, thDelay=1:1, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 15.95688 P-Val 0.18800 > TVAR.LRtest(reur_gold, lag = 2, thDelay=1:1, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2)

LR test: [,1] Test 21.69856 P-Val 0.18800 > TVAR.LRtest(reur_gold, lag = 3, thDelay=1:1, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 24.47312 P-Val 0.43800 > TVAR.LRtest(reur_gold, lag = 4, thDelay=1:1, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 34.64485 P-Val 0.35200 > TVAR.LRtest(reur_gold, lag = 5, thDelay=1:1, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 37.11098 P-Val 0.59200 > TVAR.LRtest(reur_gold, lag = 6, thDelay=1:1, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2)

LR test: [,1] Test 46.86384 P-Val 0.54400 > TVAR.LRtest(reur_gold, lag = 2, thDelay=2:2, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 16.71838 P-Val 0.45400 > TVAR.LRtest(reur_gold, lag = 3, thDelay=2:2, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 21.7714 P-Val 0.5840 > TVAR.LRtest(reur_gold, lag = 4, thDelay=2:2, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 31.82639 P-Val 0.41000 > TVAR.LRtest(reur_gold, lag = 5, thDelay=2:2, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2)

LR test: [,1] Test 33.82428 P-Val 0.71600 > TVAR.LRtest(reur_gold, lag = 6, thDelay=2:2, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 59.60984 P-Val 0.09800 > TVAR.LRtest(reur_gold, lag = 3, thDelay=3:3, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 25.62209 P-Val 0.34000 > TVAR.LRtest(reur_gold, lag = 4, thDelay=3:3, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 33.06171 P-Val 0.37800 > TVAR.LRtest(reur_gold, lag = 5, thDelay=3:3, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2)

LR test: [,1] Test 38.01812 P-Val 0.49200 > TVAR.LRtest(reur_gold, lag = 6, thDelay=3:3, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 39.3643 P-Val 0.7520 > TVAR.LRtest(reur_gold, lag = 4, thDelay=4:4, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 21.35986 P-Val 0.87600 > TVAR.LRtest(reur_gold, lag = 5, thDelay=4:4, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 26.00554 P-Val 0.94600 > TVAR.LRtest(reur_gold, lag = 6, thDelay=4:4, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2)

LR test: [,1] Test 38.24006 P-Val 0.79400 > TVAR.LRtest(reur_gold, lag = 5, thDelay=5:5, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 46.74234 P-Val 0.19200 > TVAR.LRtest(reur_gold, lag = 6, thDelay=5:5, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 56.40239 P-Val 0.18800 > TVAR.LRtest(reur_gold, lag = 6, thDelay=6:6, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

Warning: the thDelay values do not correspond to the univariate

implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 36.90277 P-Val 0.85800

GOLD – JPY/VND

> library(tsDyn) > TVAR.LRtest(rjpy_gold, lag = 1, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

thDelay values do not correspond to the univariate the

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 17.77027 P-Val 0.19800 > TVAR.LRtest(rjpy_gold, lag = 2, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 30.10258 P-Val 0.08200 > TVAR.LRtest(rjpy_gold, lag = 3, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 30.52657 P-Val 0.35400 > TVAR.LRtest(rjpy_gold, lag = 4, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2)

LR test: [,1] Test 49.15497 P-Val 0.06200 > TVAR.LRtest(rjpy_gold, lag = 5, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 65.08449 P-Val 0.21600 > TVAR.LRtest(rjpy_gold, lag = 6, thDelay=1:1, mTh=1, nboot=500,

trim=0.1, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond the univariate to

Warning: implementation in tsdyn LR test: [,1] Test 65.08449 P-Val 0.41600 > TVAR.LRtest(rjpy_gold, lag = 2, thDelay=2:2, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

thDelay values do not correspond to the univariate the

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 15.87442 P-Val 0.55800 > TVAR.LRtest(rjpy_gold, lag = 3, thDelay=2:2, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test:

[,1] Test 17.95409 P-Val 0.81200 > TVAR.LRtest(rjpy_gold, lag = 4, thDelay=2:2, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 25.77251 P-Val 0.76400 > TVAR.LRtest(rjpy_gold, lag = 5, thDelay=2:2, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 32.97012 P-Val 0.71000 > TVAR.LRtest(rjpy_gold, lag = 6, thDelay=2:2, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 39.75904 P-Val 0.73200 > TVAR.LRtest(rjpy_gold, lag = 3, thDelay=3:3, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test:

[,1] Test 19.46983 P-Val 0.70400 > TVAR.LRtest(rjpy_gold, lag = 4, thDelay=3:3, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 33.00635 P-Val 0.35000 > TVAR.LRtest(rjpy_gold, lag = 5, thDelay=3:3, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 38.15827 P-Val 0.50400 > TVAR.LRtest(rjpy_gold, lag = 6, thDelay=3:3, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 45.46101 P-Val 0.48400 > TVAR.LRtest(rjpy_gold, lag = 4, thDelay=4:4, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test:

[,1] Test 28.52982 P-Val 0.57200 > TVAR.LRtest(rjpy_gold, lag = 5, thDelay=4:4, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 38.14151 P-Val 0.50000 > TVAR.LRtest(rjpy_gold, lag = 6, thDelay=4:4, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 64.55093 P-Val 0.05600 > TVAR.LRtest(rjpy_gold, lag = 5, thDelay=5:5, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test: [,1] Test 41.12856 P-Val 0.37600 > TVAR.LRtest(rjpy_gold, lag = 6, thDelay=5:5, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

the thDelay values do not correspond to the univariate

Warning: implementation in tsdyn

Test of linear VAR against TVAR(1) and TVAR(2) LR test:

[,1] Test 46.81601 P-Val 0.46600 > TVAR.LRtest(rjpy_gold, lag = 6, thDelay=6:6, mTh=1, nboot=500,

trim=0.2, test="2vs3", trace=FALSE, trend=TRUE)

thDelay values do not correspond to the univariate the

Warning: implementation in tsdyn LR test: [,1] Test 46.81601 P-Val 0.66700

PHỤ LỤC 3: XÁC ĐỊNH GIÁ TRỊ NGƯỠNG

GOLD – JPY/VND

> TVAR <- TVAR(JPY_GOLD, lag = 1, thDelay=1:1, mTh=1, plot=TRUE)

Best unique threshold -0.1489425

> summary(TVAR)

Model TVAR with 1 thresholds

Full sample size: 139 End sample size: 138

Number of variables: 2 Number of estimated parameters: 12 + 1

AIC 684.2482 BIC 722.3025 SSR 3192.011

[[1]]

Intercept rjpy -1 rgold -1

Equation rjpy 1.0262(0.5863). 0.3319(0.2038) 0.1433(0.1061)

Equation rgold 2.2187(0.8066)** 0.6012(0.2803)* 0.4530(0.1460)**

[[2]]

Intercept rjpy -1 rgold -1

Equation rjpy -0.3408(0.5462) 0.2659(0.1817) -0.0920(0.0738)

Equation rgold 0.3069(0.7515) 0.4907(0.2499). -0.1055(0.1015)

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Threshold value: -0.1489425

Percentage of Observations in each regime: 47.1% 52.9%

GOLD – GBP/VND

> TVAR <- TVAR(RGBP_GOLD, lag = 2, thDelay=2:2, mTh=1, plot=TRUE)

Best unique threshold -1.43493

> summary(TVAR) Model TVAR with 1 thresholds

Full sample size: 138 End sample size: 136

Number of variables: 2 Number of estimated parameters: 20 + 1

AIC 645.8525 BIC 707.0182 SSR 2803.526

Intercept rgbp -1 rgold -1 rgbp -2

Equation rgbp -0.4475 (0.9691) 0.1984(0.1784) 0.0103(0.1338) -0.0358(0.2956)

Equation rgold 4.9673(1.5004)*-0.2256(0.2762) 0.5825(0.2071)** 1.0798(0.4577)*

rgold -2

Equation rgbp 0.5170(0.1455)*** Equation rgold 0.1384(0.2252)

[[1]]

[[2]]

Intercept rgbp -1 rgold -1 rgbp -2

Equation rgb 0.5634(0.3062). 0.0158(0.0978) 0.0084(0.0608) -0.2209(0.1287).

Equation rgold 0.9976(0.4741)* -0.1097(0.1514) 0.0364(0.0941) -0.3282(0.1992)

rgold -2

Equation rgbp -0.0376(0.0603)

Equation rgold -0.0384(0.0934) Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Threshold value: -1.43493 Percentage of Observations in each regime: 25.7% 74.3%

GOLD – EUR/VND

> TVAR <- TVAR(reur_gold, lag = 1, thDelay=1:1, mTh=1, plot=TRUE) Best unique threshold 0.2775448

> summary(TVAR)

Model TVAR with 1 thresholds

End sample size: 138

Full sample size: 139 Number of variables: 2 Number of estimated parameters: 12 + 1 AIC 712.3955 BIC 750.4498 SSR 3571.889

[[1]]

Intercept reur -1 rgold -1

Equation reur -0.2588(0.5431) -0.0292(0.1703) 0.0221(0.0937) Equation rgold -0.2450(0.6994) -0.3430(0.2193) -0.0570(0.1206)

[[2]]

Intercept reur -1 rgold -1

Equation reur 1.7845(0.5691)** -0.5618(0.1707)** 0.0545(0.0997) Equation rgold 1.6872(0.7329)* -0.2951(0.2198) 0.2846(0.1284)*