GIỚI THIỆU ĐỀ TÀI
Giới thiệu
Tỷ giá hối đoái (TGHĐ) là một chính sách kinh tế vĩ mô quan trọng, ảnh hưởng đến nhiều lĩnh vực như xuất nhập khẩu, cán cân thương mại và thu hút đầu tư TGHĐ VND, đặc biệt là USD/VND, đã có những biến động mạnh mẽ, phản ánh tính nhạy cảm của vấn đề này trong xã hội Việt Nam Những biến động này không chỉ ảnh hưởng đến niềm tin của người dân mà còn tạo ra cơ hội đầu tư cho các nhà quản trị Để ứng phó với tình hình TGHĐ không ổn định, Ngân hàng Nhà nước Việt Nam (NHNN) đã thực hiện nhiều biện pháp điều chỉnh, bao gồm nới rộng và hạ biên độ tỷ giá, cũng như điều chỉnh tăng tỷ giá liên ngân hàng, với lần gần đây nhất vào ngày 18/8/2010, khi tỷ giá tăng hơn 2%.
Trong bối cảnh thị trường tài chính Việt Nam chưa phát triển mạnh mẽ, sự mất giá của VND và giá vàng tăng cao đã thu hút sự chú ý của nhà đầu tư và truyền thông tài chính Vàng được xem như công cụ phòng ngừa rủi ro và nơi trú ẩn an toàn khi VND biến động Để nghiên cứu mối quan hệ giữa vàng và VND, luận văn áp dụng hàm Copula, cung cấp cái nhìn sâu sắc về sự phụ thuộc trong cả điều kiện thị trường bình thường và biến động cực độ Các nghiên cứu trước đây chủ yếu tập trung vào hệ số tương quan, nhưng không đủ để mô tả cấu trúc phụ thuộc khi thị trường có biến động mạnh Luận văn này sẽ khảo sát khả năng vàng là công cụ phòng ngừa rủi ro cho VND trong giai đoạn từ 05/07/2004 đến 31/05/2014, thông qua mô hình hóa phân phối biên với ARMA và Asymmetric power GARCH kết hợp với các hàm Copula khác nhau.
Mục tiêu nghiên cứu
Mục tiêu nghiên cứu của luận văn là phân tích vai trò của vàng trong sự biến động của VND trong cả điều kiện thị trường bình thường và trong những giai đoạn biến động mạnh Qua đó, nghiên cứu sẽ đánh giá xem vàng có thực sự là công cụ phòng ngừa rủi ro hay là kênh trú ẩn an toàn cho VND hay không.
Phạm vi nghiên cứu
Luận văn nghiên cứu dữ liệu giá vàng SJC và tỷ giá VND, bao gồm 5 tỷ giá: AUD/VND, GBP/VND, EUR/VND, JPY/VND, và USD/VND Dữ liệu được thu thập từ ngân hàng Ngoại thương Việt Nam trong khoảng thời gian từ ngày 05/07/2004 đến 31/05/2014.
Phương pháp nghiên cứu
Luận văn sử dụng kết hợp cả hai phương pháp nghiên cứu định tính và định lượng Phần mềm được sử dụng là Eviews 7.2 và R 3.1.1
Điểm mới của luận văn
Luận văn đã sử dụng các hàm Copula để phân tích vai trò của vàng trong việc giảm giá VND, từ đó cung cấp cái nhìn tổng quan về thị trường vàng và tỷ giá Phương pháp này vẫn chưa được nghiên cứu nhiều tại Việt Nam.
Bố cục 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
TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC
Các nghiên cứu về vàng và các tài sản khác
Nhiều nghiên cứu đã chỉ ra vai trò quan trọng của vàng trong tài chính và kinh tế, đặc biệt là như một công cụ phòng ngừa lạm phát Các nghiên cứu đáng chú ý bao gồm các tác phẩm của Chua và Woodward (1982), Jaffe (1989), Ghosh và cộng sự (2004), McCown và Zimmerman (2006), Worthington và Pahlavani (2007), Tully và Lucey (2007), Blose (2010), và Wang và cộng sự (2011).
Nghiên cứu của Chua và Woodward (1982) cho thấy vàng là công cụ phòng ngừa hiệu quả đối với lạm phát tại Mỹ trong khoảng thời gian đầu tư từ một đến sáu tháng Beckers (1984) chỉ ra rằng vàng có liên quan đến sự bất ổn kinh tế và chính trị, với rủi ro hối đoái cho các nhà đầu tư sử dụng tiền tệ ngoài đô la Mỹ Laurent (1994) nghiên cứu vai trò của vàng như công cụ phòng ngừa lạm phát dài hạn ở nhiều quốc gia, trong khi Joscha và Robert (2013) xác nhận vàng có khả năng phòng ngừa lạm phát trong dài hạn, mạnh mẽ hơn ở Mỹ và Anh so với EU và Nhật Bản Ghosh và cộng sự (2004) tìm thấy giá vàng tăng theo tỷ lệ lạm phát theo thời gian, khẳng định vai trò của vàng trong việc phòng ngừa lạm phát Cuối cùng, Blose (2010) cho rằng sự thay đổi trong lạm phát kỳ vọng không ảnh hưởng đến giá vàng, khuyến nghị các nhà đầu tư nên tập trung vào thị trường trái phiếu thay vì vàng để dự đoán lạm phát.
Nghiên cứu của Baur và McDermott (2010) cùng với các tác giả khác đã chỉ ra rằng vàng có đặc tính như một nơi trú ẩn an toàn trước biến động của thị trường chứng khoán Họ đã kiểm tra vai trò của vàng trong hệ thống tài chính toàn cầu, đặc biệt là đối với cổ phiếu của các quốc gia mới nổi và đang phát triển Phân tích dữ liệu trong khoảng thời gian 30 năm từ 1979 đến 2009 cho thấy vàng không chỉ là công cụ phòng ngừa mà còn là nơi trú ẩn an toàn cho các thị trường chứng khoán lớn tại châu Âu và Mỹ, ngoại trừ một số thị trường như Úc, Canada, Nhật Bản và các quốc gia mới nổi lớn.
BRIC phân biệt giữa nơi trú ẩn an toàn yếu và mạnh, lập luận rằng vàng có thể là nguồn lực ổn định cho hệ thống tài chính, giúp giảm thiệt hại trước những cú sốc thị trường tiêu cực Trong thời kỳ khủng hoảng, vàng đã chứng tỏ là nơi trú ẩn an toàn mạnh mẽ nhất cho các thị trường phát triển, đặc biệt trong đỉnh điểm của cuộc khủng hoảng tài chính gần đây.
Nghiên cứu của Reboredo (2013a) cho thấy giá dầu có sự biến động liên quan đến vàng, mà vàng đóng vai trò là kênh trú ẩn an toàn nhưng không phải công cụ phòng ngừa rủi ro Wang và Chueh (2013) chỉ ra rằng trong ngắn hạn, vàng và giá dầu thô có ảnh hưởng tích cực lẫn nhau, trong khi lãi suất tác động tiêu cực đến giá vàng tương lai và tích cực đến giá dầu thô tương lai Lãi suất ảnh hưởng đến đồng đô la Mỹ, từ đó tác động đến giá dầu quốc tế, đặc biệt khi Cục Dự trữ Liên bang Mỹ giảm lãi suất để kích thích kinh tế, dẫn đến sự biến động giá dầu Giảm lãi suất cũng làm tăng kỳ vọng của nhà đầu tư về việc giảm giá trị đồng đô la, khiến họ chuyển vốn sang thị trường vàng Nghiên cứu của Malliaris (2013) sử dụng phương pháp chuỗi thời gian và mạng thần kinh để phân tích mối quan hệ giữa giá dầu, vàng và đồng Euro, cho thấy vàng là chỉ số dự báo lạm phát trong tương lai Lạm phát ảnh hưởng đến cả nhu cầu và nguồn cung dầu, cũng như giá trị đồng đô la so với đồng Euro Các giả thuyết được kiểm tra và kết quả cho thấy các thị trường dầu mỏ, vàng và đồng Euro có hiệu quả nhưng ít mối liên hệ trực tiếp với nhau.
Các nghiên cứu về vàng và tiền tệ
Có ít nghiên cứu về vai trò của vàng như một công cụ phòng ngừa và tài sản đầu tư an toàn trước sự mất giá của đồng tiền Beckers và Soenen (1984) đã khảo sát sức hấp dẫn của vàng đối với các nhà đầu tư và khả năng phòng ngừa rủi ro của nó, nhấn mạnh tầm quan trọng của việc đa dạng hóa để giảm thiểu rủi ro cho các nhà đầu tư Mỹ và quốc tế Nghiên cứu của Sjasstad & Scacciavillani (1996) và Sjasstad (2008) cho thấy sự biến động của giá vàng chịu ảnh hưởng mạnh mẽ từ sự tăng giảm của tiền tệ, đặc biệt là sau sự sụp đổ của hệ thống tỷ giá thả nổi Bretton Woods Capie và cộng sự (2005) xác nhận mối quan hệ cùng chiều giữa tỷ giá USD và giá vàng, chỉ ra rằng vàng có thể là công cụ phòng ngừa hiệu quả trước sự biến động của USD Pukthuanthony và Roll (2011) cho rằng vàng và USD có mối quan hệ âm, khi giá vàng tăng, giá USD giảm so với các loại tiền tệ khác, nhưng kết quả cho thấy giá vàng cũng liên quan đến sự mất giá của các đồng tiền khác như Euro, Pound và Yen.
Nghiên cứu của Joy (2011) cho thấy vàng, mặc dù được xem là công cụ phòng ngừa đầu tư, nhưng lại kém an toàn hơn so với USD Sử dụng dữ liệu 23 năm cho 16 cặp tỷ giá đô la chính, nghiên cứu đặt ra câu hỏi liệu vàng có thể hoạt động như một hàng rào cho đồng đô la Mỹ hay không Kết quả cho thấy vàng đã đóng vai trò như một công cụ phòng ngừa hiệu quả chống lại rủi ro tiền tệ liên quan đến USD, nhưng là nơi trú ẩn an toàn kém Trong khi đó, Wang (2011) nghiên cứu vai trò của vàng như một công cụ phòng ngừa tỷ giá hối đoái ở Nhật Bản từ 1986-2007, sử dụng tỷ lệ khấu hao của đồng yên để phân biệt giữa chế độ mất giá cao và thấp Kết quả cho thấy khi tỷ lệ khấu hao yên vượt quá 2,62%, đầu tư vào vàng có thể giúp tránh mất giá, cho thấy hiệu quả của vàng phụ thuộc vào tỷ lệ khấu hao của đồng yên, điều này có thể hữu ích cho các cơ quan tiền tệ Nhật Bản và các nhà đầu tư nắm giữ đồng yên trong danh mục đầu tư.
Reboredo (2013) đã đánh giá vai trò của vàng như một nơi trú ẩn an toàn và công cụ phòng ngừa rủi ro đối với USD, sử dụng các hàm Copula để phân tích sự phụ thuộc giữa vàng và USD trong điều kiện thị trường bình thường cũng như khi có biến động Kết quả cho thấy sự phụ thuộc dương và đáng kể giữa vàng và sự mất giá của USD trong điều kiện thị trường ổn định, khẳng định vàng có khả năng phòng ngừa rủi ro với biến động tỷ giá USD Hơn nữa, sự phụ thuộc đuôi đối xứng giữa vàng và tỷ giá USD chỉ ra rằng vàng có thể đóng vai trò là một kênh trú ẩn an toàn và hiệu quả khi tỷ giá biến động.
USD đang trải qua sự biến động mạnh, dẫn đến nghiên cứu về danh mục hỗn hợp vàng - tiền tệ nhằm tìm kiếm lợi ích của việc đa dạng hóa và giảm rủi ro Việc thêm vàng vào danh mục tiền tệ đã khẳng định vai trò của nó trong quản trị rủi ro Reboredo (2014) cũng đã nghiên cứu vai trò của vàng như một công cụ phòng ngừa và nơi trú ẩn an toàn khi USD giảm giá Sử dụng phương pháp LR (likelihood ratio test), kết quả cho thấy vàng là công cụ phòng ngừa rủi ro, nhưng chỉ là kênh trú ẩn an toàn yếu đối với sự biến động của USD.
Lu Yang và cộng sự (2014) đã sử dụng các hàm Copula theo thời gian để kiểm tra cấu trúc phụ thuộc giữa vàng và các đồng tiền GBP, EUR, và JPY Kết quả nghiên cứu cho thấy có sự phụ thuộc đuôi giữa vàng và các đồng tiền này, trong đó phụ thuộc đuôi bên phải lớn hơn đối với GBP/vàng và JPY/vàng, trong khi phụ thuộc đuôi bên trái lại lớn hơn đối với EUR/vàng Ngoài ra, cấu trúc phụ thuộc giữa vàng và tỷ giá là bất đối xứng.
PHƯƠNG PHÁP NGHIÊN CỨU
Phương pháp nghiên cứu
Nghiên cứu này sử dụng các hàm Copula để phân tích cấu trúc phụ thuộc giữa giá vàng và VND trong điều kiện thị trường bình thường và biến động cực đoan Bằng cách xây dựng phân phối kết hợp tỷ suất sinh lợi của hai tài sản, nghiên cứu kiểm tra khả năng của vàng như một công cụ phòng ngừa rủi ro và kênh trú ẩn an toàn trước sự giảm giá của VND Các Copula được xây dựng thông qua mô hình hóa phân phối biên bằng ARMA kết hợp với APGARCH, và ước lượng các hàm copula với các đặc điểm như độc lập đuôi, phụ thuộc đuôi đối xứng và bất đối xứng.
Mô hình nghiên cứu
Vàng được xem như một công cụ phòng ngừa và nơi trú ẩn an toàn trước sự biến động của tiền tệ, với mối liên hệ giữa giá vàng và giá tiền tệ thay đổi theo diễn biến của thị trường Để hiểu rõ hơn, cần phân biệt khi nào tài sản được coi là công cụ phòng ngừa và khi nào là nơi trú ẩn an toàn Các nghiên cứu của Kaul và Sapp (2006), Baur và Lucey (2010), Baur và McDermott (2010), cùng với Reboredo (2013) đã đưa ra những định nghĩa cụ thể về các khái niệm này.
Hedge là một công cụ phòng ngừa rủi ro hiệu quả, được xác định là một tài sản không có mối tương quan hoặc có mối tương quan âm với một tài sản hoặc danh mục đầu tư trong điều kiện thị trường bình thường.
Kênh trú ẩn an toàn là một tài sản không tương quan hoặc tương quan âm với các tài sản khác trong thời gian thị trường biến động mạnh Khi giá trị của VND giảm, nhà đầu tư thường nắm giữ vàng như một biện pháp phòng ngừa Sự khác biệt giữa việc nắm giữ vàng trong điều kiện thị trường bình thường và trong thời kỳ biến động mạnh là rất rõ ràng Để phân biệt giữa công cụ phòng ngừa và nơi trú ẩn an toàn của vàng, cần đo lường sự phụ thuộc giữa các biến ngẫu nhiên thông qua hàm phân phối biên Luận văn này áp dụng các hàm Copula để mô hình hóa phân phối liên kết giữa vàng và VND, từ đó liên kết thông tin về sự phụ thuộc trong các điều kiện thị trường khác nhau với vai trò của vàng như một công cụ phòng ngừa và kênh trú ẩn an toàn cho VND.
Copula 2 là một hàm phân phối tích lũy đa biến với các hàm phân phối biên đồng dạng U và V, với C(u,v)= Pr[U≤u, V≤ v], hàm này nắm bắt sự phụ thuộc giữa hai biến ngẫu nhiên X và Y, bất chấp các phân phối biên FX(x) và FY(y) tương ứng của chúng Định lý Sklar (1959) cho rằng, tồn tại một Copula như vậy:
Baur và McDermott (2010) phân loại các khu vực trú ẩn an toàn thành hai loại: mạnh và yếu, dựa trên hệ số tương quan có giá trị âm hoặc bằng 0.
2 Giới thiệu về hàm Copula, xem Joe (1997) và Nelsen (2006) Tổng quan về các ứng dụng của hàm Copula trong tài chính, xem Cherubini và cộng sự (2004)
FXY(x, y) là phân phối liên kết của X và Y,
u = FX(x) và v = FY(y), là hàm phân phối biên
C được xác định duy nhất trên RanFX x RanFY khi hàm phân phối biên u, v là liên tục Điều này có nghĩa rằng nếu C là một Copula, thì hàm FXY trong phương trình (1) sẽ là một hàm phân phối biên liên kết của các biên FX và Fy.
Theo Patton (2006), Copula có điều kiện có thể được viết như sau:
FXY/W ( x,y/w) = C(FX/W(x/w), FY/W(y/w)/w), (2) Trong đó:
FX/W(x/w) là phân phối có điều kiện X/W = w
FY/W(y/w) là phân phối có điều kiện Y/W = w
FXY/W (x,y/w) là phân phối có điều kiện liên kết (X,Y) / W = w
Hàm Copula liên quan đến các phân vị của phân phối biên hơn là các biến ban đầu, cho thấy rằng nó không bị ảnh hưởng bởi sự gia tăng đơn điệu của các biến Copula có khả năng kết nối các phân phối biên đơn biến thành một hàm phân phối đa biến, đồng thời thể hiện cấu trúc phụ thuộc giữa hai biến ngẫu nhiên Điều này cho phép mô hình hóa riêng biệt các dạng phân phối biên và cấu trúc phụ thuộc, mang lại sự linh hoạt lớn hơn so với các tham số phân phối đa biến Mô hình hóa cấu trúc phụ thuộc bằng Copula rất hiệu quả, đặc biệt khi phân phối liên kết của hai biến khác xa phân phối hình elip, vì các thước đo sự phụ thuộc truyền thống như hệ số tương quan tuyến tính không đủ để mô tả các cấu trúc này Theo Nelsen (2006), một số thước đo tương quan giữa các biến ngẫu nhiên, như Spearman’s rho và Kendall’s tau, là thuộc tính của Copula.
Một điểm nổi bật của Copula là phụ thuộc đuôi, đo lường xác suất mà hai biến liên kết ở đuôi bên phải và bên trái của phân phối hai biến Điều này phản ánh xu hướng tăng hoặc giảm đồng thời của hai biến ngẫu nhiên Hệ số phụ thuộc đuôi bên phải hoặc bên trái cho hai biến ngẫu nhiên X và Y có thể được biểu diễn thông qua Copula.
và là hàm phân vị biên
Biến ngẫu nhiên được coi là phụ thuộc vào đuôi trái (hoặc phải) khi λ L > 0 (λ u > 0), điều này cho thấy rằng xác suất tồn tại của giá trị quan sát cực nhỏ (hoặc cực lớn) liên quan đến một dữ liệu nhất định có thể xảy ra đồng thời với giá trị cực nhỏ (hoặc cực lớn) của một dữ liệu khác.
Trong đó : (X ’ , Y ’ ): là một sao chép độc lập của (X, Y) (tức là độc lập với (X, Y) và có phân bố xác suất hoàn toàn giống (X, Y))
Một công thức khác của hàm tau là:
C là copula của (X, Y) , còn Q là hàm:
(X ’ , Y ’ ) có Copula C ’ , và (X, Y) độc lập với (X ’ , Y ’ )
Định nghĩa hàm Spearman’s rho :
X ’ có cùng phân bố với X, Y ’’ có cùng phân bố với ,
(X’, Y ’’ ), (X, Y) là độc lập với nhau
Công thức khác cho hàm Spearman’s rho là:
F: là hàm phân phối xác suất của
G: là hàm phân phối xác suất của Y
Phân bố xác suất chung của (F(X), G(Y)) chính là Copula của (X, Y)
Các hàm Copula cung cấp thông tin về sự phụ thuộc trung bình trong điều kiện thị trường bình thường và sự phụ thuộc đuôi khi thị trường gặp biến động cực độ Sự phụ thuộc trong điều kiện bình thường, được đo bằng hệ số tương quan tuyến tính như tau của Kendall hoặc rho của Spearman, có thể được xác định từ các thông số phụ thuộc của Copula Trong khi đó, sự phụ thuộc theo thời gian trong các điều kiện biến động cực đoan có thể được phân tích thông qua các thông số phụ thuộc đuôi trong các phương trình liên quan.
3.2.2 Xây dựng và kiểm định các giả thuyết
Dựa trên thông tin về sự phụ thuộc của hàm Copula, chúng ta có thể xây dựng hai giả thuyết (Reboredo, 2013) nhằm xác định xem vàng có thể được coi là công cụ phòng ngừa hay là kênh trú ẩn an toàn trước sự giảm giá của VND.
Giả thuyết 1 : ρG, C ≥ 0 (vàng là công cụ phòng ngừa)
Trog đó: ρG, C ≥ 0 là thước đo của sự phụ thuộc trung bình giữa giá trị vàng và sự giảm giá VND
Vàng có thể đóng vai trò là công cụ phòng ngừa rủi ro nếu giả thuyết 1 không bị bác bỏ Nếu giả thuyết 2 cũng được xác nhận, vàng trở thành tài sản trú ẩn an toàn trước sự giảm giá của VND trong bối cảnh thị trường biến động mạnh Cụ thể, vàng duy trì giá trị khi VND giảm, cho thấy sự đồng chuyển động giữa vàng và tỷ giá hối đoái Điều này có thể được kiểm tra bằng λL, nhằm xác định tính chất trú ẩn an toàn của vàng trong các tình huống thị trường suy giảm.
3.2.3 Một số dạng hàm Copula với các mẫu hình phụ thuộc khác nhau
Các đặc điểm kỹ thuật của hàm Copula rất quan trọng trong việc xác định vai trò của vàng như một công cụ phòng ngừa và kênh trú ẩn an toàn so với VND Nghiên cứu này tập trung vào các hàm Copula khác nhau để phân tích các mẫu hình phụ thuộc và sự phụ thuộc đuôi, nhằm xác định liệu có độc lập đuôi, phụ thuộc đuôi hay phụ thuộc đuôi đối xứng, theo các tác giả như Joe (1997), Cherubini và cộng sự (2004), Nelsen (2006), và Renoredo (2013).
Copula Gaussian hai biến (có phân phối chuẩn N) được xác định bởi:
là hàm phân phối chuẩn tích lũy 2 biến với hệ số tương quan giữa X và Y
là các hàm phân vị chuẩn tắc
Copula Gaussian không có phụ thuộc đuôi, λu = λL = 0
Hàm Copula t-Student có dạng:
T là hàm phân phối tích lũy hai biến có phân phối t-Student với hệ số tương quan
là hàm phân vị của phân phối t-Student của từng biến với v là bậc tự do
Theo Embrechts (2003), Copula t - Student có đặc tính hấp dẫn nhờ khả năng cho phép sự phụ thuộc không bằng 0 một cách đối xứng ở các đuôi Điều này cho phép xác suất xảy ra của các liên kết dương và âm lớn là như nhau, cụ thể là λu = λl = 2t v+1 (-√v + 1√1-ρ/√1 + ρ)>0.
Với t v+1 (.) là hàm phân phối tích lũy (CDF) của phân phối t-Student Phụ thuộc đuôi dựa trên cả hệ số tương quan và bậc tự do
Hàm Copula Clayton được đưa ra dưới dạng:
Hàm này không đối xứng vì sự phụ thuộc ở đuôi bên trái lớn hơn ở đuôi bên phải, và bằng 0 khi λl = 2 -1/α (λU = 0)
Hàm Copula Gumbel có dạng:
Hàm này cũng không đối xứng vì sự phụ thuộc đuôi bên phải lớn hơn đuôi bên trái, và bằng 0 khi: λu = 2 – 2 1/ δ (λl = 0) Khi δ=1 thì hai biến là độc lập
Hàm Copula Symmetric Joe – Clayton (SJC) được giới thiệu bởi Patton vào năm 2006, cho phép mô hình hóa sự phụ thuộc đuôi bên phải và bên trái, đồng thời thể hiện sự phụ thuộc đối xứng trong trường hợp đặc biệt khi λu = λl, tương đương với Copula t’Student Hàm này được định nghĩa một cách cụ thể để phục vụ cho các phân tích thống kê và tài chính.
CSJC (u, v; λu, λl) = 0.5(CJC (u,v; λu, λl) + CJC (1-u, 1-v; λu, λl) + u +v -1) Trong đó:
𝐶 𝐽𝐶 (𝑢, 𝑣; 𝜆𝑢, 𝜆𝑙) là Copula Joe - Clayton , định nghĩa là:
Dữ liệu
Luận văn này sử dụng dữ liệu suất sinh lợi theo tuần trong khoảng thời gian gần 11 năm, từ ngày 05/07/2004 đến 31/05/2014, nhằm mô tả cấu trúc phụ thuộc giữa vàng và VND Việc lựa chọn dữ liệu tuần là hợp lý hơn so với dữ liệu theo ngày, do dữ liệu hàng ngày có thể bị ảnh hưởng bởi nhiễu và biến động không ngừng, dẫn đến việc che lấp mối quan hệ phụ thuộc Giá vàng được sử dụng là giá vàng SJC tính bằng VND/Lượng, trong khi tỷ giá VND được tính bằng số VND cho một đơn vị ngoại tệ, với tỷ giá hối đoái tăng cho thấy VND bị mất giá Dữ liệu tỷ giá hối đoái được lấy từ các đồng tiền mạnh như AUD, GBP, EUR, JPY và USD, giao dịch hàng ngày tại ngân hàng Ngoại Thương Việt Nam, và được cung cấp từ trang web www.vietstock.vn.
KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
Sơ lược sự biến động của giá vàng và tỷ giá VND
Hình 4.1 cho thấy sự biến động của giá vàng và tỷ giá các loại tiền tệ trong cùng một khoảng thời gian, với xu hướng giá vàng ngày càng tăng trong khi giá trị VND giảm so với các đồng tiền khác Từ năm 2008, khủng hoảng toàn cầu đã tác động mạnh đến Việt Nam, khiến giá trị VND tiếp tục sụt giảm Nhiều nhà đầu tư đã chuyển vốn vào thị trường vàng để tạo ra một kênh đầu tư an toàn trong thời kỳ biến động này Đối với tỷ giá USD/VND, do sự kiểm soát chặt chẽ từ Nhà nước, tỷ giá tại các ngân hàng thương mại thường duy trì ở mức kịch trần cho phép, dao động trong biên độ quy định so với tỷ giá bình quân liên ngân hàng.
Nguồn: Gói dữ liệu từ trang web Vietstock và tính toán của tác giả Hình 4.1: Giá vàng và tỷ giá VND từ 05/07/2004 – 31/05/2014)
Thống kê mô tả và các thuộc tính ngẫu nhiên của dữ liệu suất sinh lợi của vàng và tỷ giá VND cho thấy sự chênh lệch rõ rệt giữa giá trị lớn nhất và nhỏ nhất, chỉ ra rằng cả hai đều biến động rất khác nhau Hầu hết các chuỗi suất sinh lợi đều có độ lệch và độ nhọn vượt mức bình thường Kiểm định Jarque-Bera đã bác bỏ giả thuyết phân phối chuẩn cho tất cả các chuỗi suất sinh lợi ở mức ý nghĩa 5% Điều này cho thấy việc nghiên cứu mối quan hệ giữa vàng và tiền tệ thông qua hệ số tương quan sẽ không mang lại kết quả chính xác và đầy đủ, do phân phối không tuân theo quy luật phân phối chuẩn, dẫn đến khả năng xảy ra hồi quy giả tạo.
Bảng 4.1: Thống kê mô tả cho suất sinh lợi theo tuần của vàng và tỷ giá VND
GOLD AUD GBP EUR JPY USD
Median 0.0011 0.0021 0.0012 0.0008 -0.0005 0.0000 Maximum 0.0718 0.2803 0.0539 0.5294 0.0841 0.0689 Minimum -0.0717 -0.1372 -0.0911 -0.3754 -0.0726 -0.0078 Std Dev 0.0182 0.0225 0.0145 0.0413 0.0149 0.0045 Skewness 0.1084 2.9717 -1.0650 5.8019 0.5036 9.2529 Kurtosis 5.5091 50.9912 10.3712 120.9411 6.8488 117.4773 Jarque-Bera 136.6303 50374.67 1268.206 302547.2 340.9569 289681.9 Probability 0.000* 0.000* 0.000* 0.000* 0.000* 0.000*
Ghi chú : Dữ liệu tuần cho giai đoạn 05/07/2004 – 31/05/2014 Jarque – Bera là thống kê χ 2 về việc kiểm định phân phối chuẩn
Dấu* là bác bỏ giả thuyết H 0 với mức ý nghĩa 5%.
Kết quả kiểm định
4.2.1 Kết quả kiểm định tính dừng
Để đảm bảo tính nhất quán và không bị giả tạo của kết quả hồi quy, tất cả các chuỗi suất sinh lợi cần phải là chuỗi dừng Chúng tôi đã sử dụng hai kiểm định phổ biến là ADF (Augmented Dickey-Fuller) và KPSS (Kwiatkowski-Phillips-Schmidt-Shin) Kết quả từ Bảng 4.2 cho thấy cả vàng và tỷ giá VND đều là chuỗi dừng Kiểm định ADF cho thấy vàng và tỷ giá VND không có nghiệm đơn vị, trong khi kiểm định KPSS xác nhận rằng tất cả chuỗi suất sinh lợi đều dừng ở mức ý nghĩa 5%.
Bảng 4.2: Kết quả kiểm định ADF & KPSS
Ghi chú: Cả 2 kiểm định ADF và KPSS đều cho thấy tất cả các chuỗi suất sinh lợi đều dừng ở mức ý nghĩa 5%
Dấu * là bác bỏ giả thuyết H 0 ở mức ý nghĩa 5%
4.2.2 Kết quả kiểm định Copula thực nghiệm Để kiểm tra cấu trúc sự phụ thuộc giữa vàng và VND, ta xây dựng các bảng Copula thực nghiệm cho các tỷ suất sinh lợi (Reboredo, 2013) theo cách sau đây: Xếp hạng mỗi chuỗi theo thứ tự tăng dần và chia mỗi chuỗi thành 10 ngăn, theo đó, ngăn đầu tiên bao gồm các quan sát có giá trị thấp nhất và ngăn 10 bao gồm các quan sát có giá trị lớn nhất Sau đó đếm số quan sát tương ứng với mỗi cặp (i, j) với i, j = 1,2,…10 trong suốt thời kỳ mẫu, với t = 1,… T, tạo thành ma trận 10x10 Theo cách này thì các dòng ma trận bao gồm các ngăn sắp xếp theo thứ tự tăng dần từ trên xuống và các cột ma trận bao gồm các ngăn sắp xếp theo thứ tự tăng dần từ trái sang phải Như vậy nếu 2 chuỗi tương quan dương (âm) với nhau, chúng ta sẽ thấy hầu hết các quan sát nằm trên đường chéo liên kết góc trên bên trái với góc dưới bên phải (góc dưới bên trái với góc trên bên phải) của ma trận, và nếu chúng không phụ thuộc thì hầu hết số quan sát trong mỗi ô của ma trận sẽ gần giống nhau Thêm nữa, nếu có sự phụ thuộc đuôi bên trái giữa hai chuỗi, chúng ta sẽ kỳ vọng có nhiều quan sát hơn trong ô (1,1); và nếu có sự phụ thuộc đuôi bên phải, chúng ta sẽ kỳ vọng có nhiều quan sát hơn trong ô (10,10) của ma trận 10x10
Bảng 4.3 – Kết quả ma trận Copula thực nghiệm
Mỗi chuỗi suất sinh lợi có 517 quan sát, trong đó suất sinh lợi của vàng được sắp xếp theo trục hoành và tăng dần từ trên xuống dưới, trong khi suất sinh lợi tỷ giá hối đoái được sắp xếp theo trục tung và tăng dần từ trái sang phải Mỗi ô trong biểu đồ đại diện cho số quan sát tương ứng dọc theo từng phân vị của dữ liệu vàng và tỷ giá hối đoái.
Bảng 4.3 trình bày kết quả Copula thực nghiệm giữa vàng và tỷ giá VND, cho thấy không có sự tương quan rõ ràng giữa hai yếu tố này Số quan sát chủ yếu tập trung dọc theo các đường chéo của ma trận, với số lượng quan sát ở các ô khác không lớn hơn Điều này chỉ ra rằng, trong điều kiện bình thường, vàng không phải là công cụ phòng ngừa hiệu quả cho VND Tuy nhiên, khi xem xét số quan sát tại hai ô (1,1) và (10,10), ta nhận thấy hầu hết số quan sát đều tập trung ở đây Cụ thể, đối với các cặp GOLD – AUD, GOLD - GBP, GOLD – EUR, giá trị lớn nhất đều nằm ở cả hai ô bên trái và bên phải, trong khi cặp GOLD – JPY chỉ tập trung ở ô bên trái.
Giá vàng so với USD cho thấy sự phụ thuộc giữa vàng và VND, cho thấy rằng vàng đóng vai trò như một kênh trú ẩn an toàn cho VND trong những thời điểm thị trường biến động mạnh.
4.2.3 Kết quả kiểm định mô hình phân phối biên
Trước tiên, ta chọn ra mô hình ARMA tốt nhất cho vàng và tỷ giá hối đoái Dựa trên tiêu chí AIC (Akaike, 1973)
Bảng 4.4: Kết quả ước lượng mô hình ARMA phù hợp
Bảng 4.4 cho thấy kết quả đo lường độ trễ tối ưu cho mô hình ARMA dựa trên tiêu chuẩn AIC Cụ thể, mô hình tốt nhất cho vàng là MA(2), cho tỷ giá JPY/VND là ARMA(1,1), trong khi các trường hợp còn lại đều sử dụng mô hình ARMA(0,0).
Bảng 4.5: Ước lượng của mô hình phân phối biên cho suất sinh lợi của vàng và tỷ giá VND
GOLD AUD GBP EUR JPY USD
Ghi chú: Bảng này trình bày ước lượng ML và xác suất P_value cho mỗi tham số của mô hình phân phối biên được định nghĩa trong phương trình (9) –
Loglik là giá trị log-likelihood, chỉ thể hiện thông số của hệ số chặn trong phương trình Mean, trong khi các giá trị khác được trình bày ở phần phụ lục Thống kê Ljung-Box (LJ) đo lường sự tương quan chuỗi trong các phần dư của mô hình, được tính đến độ trễ 5 Kiểm định LM của Engle (ARCH) cũng được thực hiện trên các phần dư với độ trễ 5.
Dấu * là bác bỏ giả thuyết H 0 ở mức ý nghĩa 5%
Kết quả ước lượng mô hình biên được trình bày trong Bảng 4.5 cho thấy mức biến động xảy ra liên tục trong tất cả các tỷ giá, ngoại trừ EUR và USD Đối với các tỷ giá hối đoái còn lại và vàng, tác động của đòn bẩy có ý nghĩa, phù hợp với các kết quả thực nghiệm trước đây về vàng và tỷ giá hối đoái Kết quả kiểm định tương quan chuỗi với thống kê Ljung – Box và hiệu ứng ARCH trong phần dư được tính tới trễ 5 cho thấy không còn hiện tượng tự tương quan hay hiệu ứng ARCH trong phần dư.
4.2.4 Kết quả kiểm định mức độ phù hợp mô hình biên
Việc đánh giá mức độ phù hợp của mô hình biên là rất quan trọng, vì hàm Copula sẽ không hoạt động hiệu quả nếu mô hình phân phối biên không chính xác Điều này xảy ra khi các phép biến đổi xác suất 𝑢̂ 𝑡 và 𝑣̂ 𝑡 không tuân theo quy luật phân phối đều trong khoảng (0,1) Để kiểm tra sự phù hợp của mô hình biên, chúng ta sử dụng các kiểm định Kolmogorov-Smirnov, Cramer-von Mises, Watson và Anderson-Darling, so sánh với hàm phân phối thực nghiệm và lý thuyết Các giá trị p-value từ các kiểm định này được trình bày trong Bảng 4.6 và Bảng 4.7; tất cả các mô hình biên đều không bác bỏ giả thuyết H0 về tính phù hợp của hàm phân phối ở mức ý nghĩa 5% Tóm lại, các kiểm định cho thấy các mô hình phân phối biên là phù hợp và không bị sai lệch, cho phép mô hình Copula nắm bắt chính xác sự đồng chuyển động giữa vàng và tỷ giá hối đoái.
Bảng 4.6: Kiểm định sự phù hợp của mô hình phân phối biên của vàng và tỷ giá VND
Empirical Distribution Test for U_GOLD
Method Value Adj Value Probability
Parameter Value Std Error z-Statistic Prob
Log likelihood 0.000000 Mean dependent var 0.502686
No of Coefficients 0 S.D dependent var 0.287776
Empirical Distribution Test for V_AUD
Method Value Adj Value Probability
Parameter Value Std Error z-Statistic
Log likelihood 0.000000 Mean dependent var: 0.495465
No of Coefficients 0 S.D dependent var : 0.289565
Empirical Distribution Test for V_GBP
Method Value Adj Value Probability
Parameter Value Std Error z-Statistic Prob
Log likelihood 0.000000 Mean dependent var: 0.496473
No of Coefficients 0 S.D dependent var 0.288168
Empirical Distribution Test for V_EUR
Method Value Adj Value Probability
Parameter Value Std Error z-Statistic Prob
Log likelihood 0.000000 Mean dependent var : 0.50244
No of Coefficients 0 S.D dependent var : 0.291445
Empirical Distribution Test for V_JPY
Method Value Adj Value Probability
Parameter Value Std Error z-Statistic Prob
Log likelihood 0.000000 Mean dependent var: 0.507863
No of Coefficients 0 S.D dependent var: 0.289957
Empirical Distribution Test for V_USD
Method Value Adj Value Probability
Parameter Value Std Error z-Statistic Prob
Log likelihood 0.000000 Mean dependent var 0.558962
No of Coefficients 0 S.D dependent var 0.298158
Bảng 4.7: Tổng hợp kết quả kiểm định sự phù hợp của mô hình phân phối biên của vàng và tỷ giá
GOLD AUD GBP EUR JPY USD
Bảng dưới đây trình bày giá trị P_value cho các kiểm định Kolmogorov – Smirnov, Cramer – von Mises, Watson và Anderson – Darling nhằm đánh giá sự phù hợp của mô hình phân phối tại mức ý nghĩa 5% Hai dòng cuối cùng của bảng thể hiện giá trị Trung bình (Mean) và Độ lệch chuẩn (Sd) của chuỗi biến đổi.
Thêm vào đó, ta biết rằng nếu X là một biến ngẫu nhiên có phân phối đều trong đoạn [a,b] thì hàm phân phối có dạng:
Ta có hàm mật độ của X xác định:
Kỳ vọng và phương sai của X sẽ được xác định như sau :
Nhìn vào Bảng 4.7 ta thấy hầu như các giá trị trung bình và độ lệch chuẩn của vàng và tỷ giá đều gần xấp xỉ với giá trị (0.5; 0.2886)
Như vậy có thể kết luận rằng u, v là các biến ngẫu nhiên có phân phối đều trong đoạn [0,1] và là các hàm phân phối biên của Copula
4.2.5 Kết quả ước lượng sự phụ thuộc của hàm Copula
Trước khi cung cấp các ước lượng cho các tham số hàm Copula, luận văn thực hiện trước các ước lượng phi tham số của hàm Copula Theo Reboredo
(2013), tại các điểm trong khoảng (i/T, j/T):
Trong bài viết này, chúng ta xem xét các ước lượng mật độ phi tham số cho hai biến là giá vàng và tỷ giá VND Để thực hiện điều này, chúng ta áp dụng thứ tự thống kê của các mẫu đơn biến, với các ký hiệu u(1) ≤ u(2) ≤ … ≤ u(T) và v(1) ≤ v(2) ≤ … ≤ v(T) Hình 4.2 minh họa rõ ràng các ước lượng này, cho thấy mối quan hệ giữa giá vàng và tỷ giá VND.
Kết quả từ đồ thị lưới 3D cho thấy rằng vàng không có sự phụ thuộc vào việc giảm giá của VND so với các loại tiền tệ khác, điều này dẫn đến việc vàng không được coi là công cụ phòng ngừa rủi ro hiệu quả cho VND.
Sự phụ thuộc giữa thị trường vàng và tỷ giá VND cho thấy rằng cả hai sẽ tăng vọt và sụp đổ cùng nhau Qua phân tích đồ thị lưới 3D, các cặp GOLD – AUD, GOLD – GBP, và GOLD – EUR thể hiện sự phụ thuộc rõ rệt ở cả hai đuôi Tuy nhiên, cặp GOLD – JPY và GOLD – USD không cho kết quả rõ ràng Điều này chứng minh rằng sự phụ thuộc được thể hiện trong Hình 4.2 cũng tương thích với các kết quả Copula thực nghiệm ở Bảng 4.1, đồng thời nhấn mạnh vai trò của vàng như một tài sản trú ẩn an toàn cho VND trong bối cảnh thị trường biến động mạnh.
Hình 4.2: Ước lượng hàm Copula thực nghiệm mật độ phi tham số đối với vàng và tỷ giá hối đoái VN
Từ kết quả mô hình biên có được, ta ước lượng các tham số của các hàm
Copula khác nhau, dựa trên các hàm Copula được giới thiệu ở Chương 3 và sau đó chọn lựa mô hình Copula tốt nhất
Việc so sánh ước lượng của các mô hình Copula là cần thiết để kiểm định hai giả thuyết về vai trò của vàng trong việc phòng ngừa rủi ro và là kênh trú ẩn an toàn đối với sự giảm giá của VND Các mô hình Copula khác nhau thể hiện các đặc điểm về sự phụ thuộc trung bình và sự phụ thuộc đuôi trong các điều kiện thị trường khác nhau Do đó, việc lựa chọn mô hình hàm Copula phù hợp nhất để mô tả cấu trúc phụ thuộc giữa vàng và tỷ giá VND là rất quan trọng, với tiêu chí AIC được sử dụng để xác định mô hình tối ưu.
Bảng 4.8: Kiểm định sự phù hợp của các mô hình Copula
AUD GBP EUR JPY USD
Best fit Student Student Student Student Independent
Bảng này trình bày kiểm định ML cho các mô hình Copula khác nhau liên quan đến vàng và tỷ giá VND, với giá trị sai số chuẩn được ghi trong ngoặc đơn Dựa trên tiêu chuẩn AIC, mô hình Copula t student được xác định là tốt nhất Đối với USD, không có sự phụ thuộc nào cả về trung bình lẫn đuôi.
Dấu * là có ý nghĩa ở mức 5%
