(LUẬN văn THẠC sĩ) nghiên cứu tác động của vàng đến hiệu quả đầu tư trong chiến lược đa dạng hóa và phòng ngừa rủi ro cho danh mục chứng khoán trên thị trường việt nam

GIỚI THIỆU ĐỀ TÀI

Lý do chọn đề tài

Trong những năm gần đây, thị trường chứng khoán Việt Nam đã phục hồi sau khủng hoảng tài chính toàn cầu 2008-2009, nhưng vẫn chịu áp lực từ nền kinh tế chưa hoàn toàn ổn định Theo báo cáo vĩ mô và thị trường chứng khoán 2011-2012 của Vietcombank, chỉ số VN-Index giảm 27,46% vào năm 2012 so với đầu năm 2011, trong khi HNX Index giảm hơn 48% Tình hình giao dịch ngày càng trầm lắng, với tính thanh khoản giảm mạnh, giá trị trung bình mỗi phiên giao dịch giảm gần 60% so với năm 2010 Nguyên nhân chủ yếu đến từ các vấn đề vĩ mô trong nước như tỷ giá, lạm phát và lãi suất Mặc dù lạm phát đã ổn định vào cuối năm 2012, nhưng vẫn ở mức cao, trong khi lãi suất vẫn chưa thực sự thấp Thêm vào đó, thị trường chứng khoán Việt Nam còn bị ảnh hưởng bởi thông tin tiêu cực từ thị trường thế giới, đặc biệt là nợ công ở Châu Âu và khả năng suy thoái kép toàn cầu, khiến các nhà đầu tư phải đối mặt với thua lỗ dù đã đa dạng hóa danh mục đầu tư.

Mặc dù danh mục đầu tư đã được đa dạng hóa có thể giảm thiểu rủi ro không hệ thống, nhưng trong giai đoạn suy thoái kinh tế, rủi ro hệ thống vẫn có thể ảnh hưởng đến toàn bộ thị trường Do đó, nhiều nghiên cứu đã tìm kiếm các phương pháp mới để nâng cao hiệu quả đầu tư trong những thời điểm khó khăn, trong đó có việc khẳng định vai trò của vàng như một công cụ đa dạng hóa và phòng ngừa rủi ro hiệu quả Tại Việt Nam, mặc dù vàng là tài sản quen thuộc, nhưng chưa được tích cực sử dụng trong chiến lược đầu tư, chủ yếu chỉ để bảo tồn giá trị tài sản khi các công cụ đầu tư khác giảm giá Vì vậy, tác giả đã chọn nghiên cứu “Tác động của vàng đến hiệu quả đầu tư trong chiến lược đa dạng hóa và phòng ngừa rủi ro cho danh mục chứng khoán trên thị trường Việt Nam” nhằm cung cấp cho nhà đầu tư Việt Nam một phương án đa dạng hóa và phòng ngừa rủi ro mới, hiệu quả hơn thông qua việc kết hợp vàng vào danh mục đầu tư.

Mục tiêu nghiên cứu

Mục tiêu nghiên cứu của luận văn là phân tích tác động của vàng đến hiệu quả đầu tư trong chiến lược đa dạng hóa danh mục và phòng ngừa rủi ro cho danh mục chứng khoán Nghiên cứu nhằm trả lời câu hỏi liệu việc kết hợp vàng với các loại tài sản khác có thể cải thiện suất sinh lợi kỳ vọng và giảm thiểu rủi ro cho danh mục chứng khoán hay không Do đó, các vấn đề nghiên cứu chính của luận án sẽ tập trung vào việc đánh giá lợi ích của vàng trong chiến lược đầu tư đa dạng hóa.

Tỷ trọng vàng trong một danh mục đa dạng hóa, bao gồm vàng và chứng khoán, được xác định dựa trên mục tiêu đầu tư và mức độ rủi ro chấp nhận Việc thêm vàng vào danh mục có thể cải thiện hiệu quả đầu tư, giúp giảm thiểu rủi ro và tăng cường tính ổn định cho danh mục sau khi thực hiện đa dạng hóa.

Tỷ số phòng ngừa rủi ro cho danh mục chứng khoán thông qua việc mở vị thế trên thị trường vàng được xác định bằng cách phân tích mối tương quan giữa giá vàng và các chỉ số chứng khoán Việc đầu tư vào vàng có thể mang lại hiệu quả phòng ngừa rủi ro, đặc biệt trong những thời điểm thị trường chứng khoán biến động mạnh, giúp bảo vệ giá trị tài sản và giảm thiểu tổn thất.

Phương pháp nghiên cứu

Luận văn này nghiên cứu tác động của vàng đến hiệu quả đầu tư trong chiến lược đa dạng hóa và phòng ngừa rủi ro cho danh mục chứng khoán Tác giả đã dựa vào các nghiên cứu trước đây trên thế giới để xây dựng nền tảng lý thuyết, sử dụng mô hình chuỗi thời gian đa biến GARCH và áp dụng các phương pháp xác định, đánh giá hiệu quả của chiến lược đa dạng hóa và phòng ngừa rủi ro đã được chứng minh trong các nghiên cứu trước.

Dữ liệu cho mô hình GARCH được lấy từ suất sinh lợi hằng ngày của chỉ số VN-Index trên Sàn giao dịch chứng khoán TP.Hồ Chí Minh và giá vàng trên thị trường London, từ tháng 1 năm 2004 đến tháng 12 năm 2012, được cung cấp bởi Kitco.com Dữ liệu này ở dạng chuỗi thời gian hàng ngày, với phần mềm Eview 6 và Stata 12 được sử dụng để ước lượng mô hình GARCH Kết quả ước lượng phương sai-hiệp phương sai của hai chuỗi dữ liệu sẽ được áp dụng các phương pháp thực nghiệm theo nghiên cứu trước để xác định tỷ trọng vàng trong danh mục và tỷ số phòng ngừa Luận văn cũng sử dụng Eview 6 và Excel để hỗ trợ xử lý số liệu.

Ý nghĩa của luận văn

Luận văn này đưa ra bằng chứng thực nghiệm về vai trò của vàng trong các chiến lược đa dạng hóa và phòng ngừa rủi ro cho danh mục đầu tư chứng khoán tại Việt Nam Bằng cách kết hợp vàng vào danh mục, nhà đầu tư có thể có cái nhìn mới mẻ về quản trị danh mục đầu tư, từ đó nâng cao hiệu quả và giảm thiểu rủi ro.

Bố cục của luận văn

Bố cục của luận văn sẽ bao gồm năm chương với cấu trúc như sau:

Chương 1: Giới thiệu đề tài Trong chương này tác giả làm rõ lý do thực hiện luận văn, mục tiêu và các vấn đề cần nghiên cứu, phương pháp nghiên cứu, và ý nghĩa của luận văn

Chương 2: Bằng chứng thực nghiệm trên thế giới về tác động của vàng đến hiệu quả đầu tư trong chiến lược đa dạng hóa và phòng ngừa rủi ro Trong chương này tác giả hệ thống các nghiên cứu trước đây của các nhà nghiên cứu trên thế giới về tác động của vàng đến chiến lược đa dạng hóa và phòng ngừa cho một danh mục đầu tư cùng với các nghiên cứu về chiến lược quản trị rủi ro có sự hiện diện của hai tài sản vàng và chứng khoán Trên cở sở những bằng chứng thực nghiệm này tác giả xây dựng phương pháp nghiên cứu và thực hiện kiểm định với dữ liệu của thị trường Việt Nam

Chương 3: Phương pháp nghiên cứu Trong chương này tác giả trình bày mô hình nghiên cứu, mô tả các biến được sử dụng và làm rõ cách thức thu thập và xử lý dữ liệu

Chương 4: Kiểm định tác động của vàng đến hiệu quả đầu tư trong chiến lược đa dạng hóa và phòng ngừa rủi ro trên thị trường Việt Nam Trong chương này tác giả trình bày các kết quả nghiên cứu đề tài cho thị trường Việt Nam mà tác giả đã phát hiện được

Chương 5: Kết luận Trong chương này tác giả tóm đưa ra kết luận chung cho toàn bộ nội dung luận văn, đồng thời xác định những điểm hạn chế của đề tài để tiếp tục hoàn thiện những điểm này trong các nghiên cứu tiếp theo.

BẰNG CHỨNG THỰC NGHIỆM TRÊN THẾ GIỚI VỀ TÁC ĐỘNG CỦA VÀNG ĐẾN HIỆU QUẢ ĐẦU TƯ TRONG CHIẾN LƯỢC ĐA DẠNG HÓA VÀ PHÒNG NGỪA RỦI RO

Nghiên cứu về đa dạng hóa đầu tư và phòng ngừa rủi ro thông qua việc kết hợp danh mục với vàng đã được nhiều nhà khoa học thực hiện từ những năm 1990 Gần đây, số lượng bài nghiên cứu về tác động của vàng trong danh mục đầu tư ngày càng tăng, với các phương pháp nghiên cứu mới mẻ Sự bất ổn gia tăng của thị trường chứng khoán do các cuộc khủng hoảng tài chính đã thúc đẩy nhu cầu tìm kiếm chiến lược đa dạng hóa và phòng ngừa rủi ro cho các nhà đầu tư Các nghiên cứu này tập trung vào việc xác định mối tương quan thấp giữa vàng và các loại tài sản khác, khẳng định tính hiệu quả của vàng trong các chiến lược đầu tư Đồng thời, chúng cũng cung cấp phương pháp thực nghiệm để ước lượng tỷ trọng phân bổ và tỷ số phòng ngừa tối ưu cho vàng cho từng chiến lược cụ thể.

Nghiên cứu của Brian Lucey, Edel Tully và Valerio Poti (2004) đã phân tích tác động của vàng trong chiến lược đa dạng hóa danh mục đầu tư Nghiên cứu so sánh tỷ trọng tối ưu của tài sản trong danh mục gồm vàng và chứng khoán bằng hai phương pháp: tối ưu hóa theo kỳ vọng-phương sai của Markowitz và tối ưu hóa theo kỳ vọng-phương sai-độ nghiêng Kết quả cho thấy vàng có mặt trong hầu hết các danh mục tối ưu với tỷ trọng từ 2%-25% trong giai đoạn 1988-2003, khẳng định vai trò quan trọng của vàng trong việc giảm thiểu rủi ro và đa dạng hóa đầu tư.

Nghiên cứu của James Ross McCown và John R Zimmerman (2007) chỉ ra rằng vàng là một tài sản có khả năng phòng ngừa rủi ro cho danh mục cổ phiếu trong thời kỳ lạm phát Nghiên cứu này sử dụng giá vàng giao ngay vào cuối tháng cùng với các chỉ số thị trường chứng khoán U.S MSCI và World MSCI, cũng như chỉ số lạm phát và lãi suất trái phiếu kho bạc kỳ hạn 3 tháng của Mỹ trong giai đoạn 1970.

Năm 2006, dữ liệu được sử dụng để xây dựng mô hình định giá tài sản vốn, cho thấy vàng có hệ số beta âm, bất kể danh mục thị trường nào, bao gồm chỉ số thị trường chứng khoán Mỹ U.S MSCI và chỉ số thị trường chứng khoán thế giới World MSCI Kết quả này đặc biệt chịu ảnh hưởng từ giai đoạn những năm 1970, khi lạm phát cao và suất sinh lợi chứng khoán thấp Điều này dẫn đến kết luận rằng vàng có khả năng phòng ngừa rủi ro cho danh mục cổ phiếu trong bối cảnh lạm phát gia tăng.

Một nghiên cứu khác của Mitchell Conover, Gerald Jensen và Robert Johnson –

Nghiên cứu năm 2007 nhằm xác định lợi ích của việc đầu tư thêm vào vàng bên cạnh danh mục chứng khoán Mỹ Phương pháp được sử dụng là phân tích thống kê dữ liệu theo ngày từ thị trường chứng khoán Mỹ.

6 chỉ số đại diện cho các kim loại quý trong giai đoạn từ tháng 1 năm 1973 đến tháng

Nghiên cứu năm 2006 cho thấy rằng cả đầu tư gián tiếp vào cổ phần các doanh nghiệp kim loại quý và đầu tư trực tiếp vào giao dịch kim loại đều cải thiện hiệu quả danh mục đầu tư Kết quả chỉ ra rằng vàng là một tài sản độc lập, có khả năng phòng ngừa rủi ro tốt hơn so với các kim loại khác trong các giai đoạn thị trường chịu áp lực lạm phát.

Nghiên cứu của Brajesh Kumar, Priyanka Singh và Ajay Pandey (2007) tập trung vào việc xác định tỷ số phòng ngừa rủi ro cho hợp đồng giao sau chứng khoán S&P CNX Nifty Index và hợp đồng giao sau vàng trên thị trường Ấn Độ, sử dụng dữ liệu giá đóng cửa từ tháng 1 năm 2004 đến tháng 8 năm 2008 Tỷ số phòng ngừa được xác định thông qua mô hình hồi quy tuyến tính và mô hình chuỗi thời gian GARCH đa biến Kết quả cho thấy tỷ số phòng ngừa tối ưu cho vàng dao động từ 0,73 đến 0,95, với hiệu quả phòng ngừa thể hiện qua % sụt giảm phương sai danh mục từ 47% đến 71% Hệ số phòng ngừa rủi ro biến đổi theo thời gian, với mô hình GARCH đa biến cung cấp mức giảm thiểu phương sai cao hơn so với mô hình hồi quy tuyến tính Nghiên cứu nhấn mạnh tầm quan trọng của việc xác định tỷ số phòng ngừa hiệu quả cho các công cụ phòng ngừa rủi ro, đặc biệt trong bối cảnh thị trường mới nổi như Ấn Độ, nơi thị trường chứng khoán và vàng đang phát triển nhanh chóng.

Trong bài nghiên cứu của mình, ba tác giả Certin Ciner, Constantin Gurdgiev và Brian

M Lucey (2010) đã kiểm tra mối quan hệ giữa các loại tài sản như vàng, dầu, cổ phiếu, trái phiếu và đồng đô la Mỹ để xác định liệu chúng có thể hoạt động như công cụ phòng ngừa rủi ro cho nhau hay không Nghiên cứu tập trung vào mối liên hệ giữa vàng và cổ phiếu, sử dụng dữ liệu hàng ngày về giá vàng giao sau trên sàn NYMEX và chỉ số S&P 500 của thị trường chứng khoán Mỹ trong giai đoạn từ tháng.

Từ năm 1990 đến tháng 6 năm 2010, ba tác giả đã áp dụng mô hình chuỗi thời gian DCC-GARCH để nghiên cứu mối tương quan giữa hai loại tài sản, cho phép phân tích sự biến đổi của hệ số tương quan theo thời gian trong giai đoạn này.

Năm 2008, vàng cho thấy mối tương quan nghịch với cổ phiếu, với hệ số tương quan dao động từ -0,75 đến 0 trong hầu hết các thời điểm quan sát Các hệ số hồi quy giữa vàng và cổ phiếu đều có dấu âm và có ý nghĩa thống kê Kết quả này cho thấy vàng là một công cụ phòng ngừa rủi ro hiệu quả cho cổ phiếu.

Nghiên cứu của Ibrahim H Mansor (2011) đã phân tích mối tương quan giữa suất sinh lợi của vàng và chứng khoán tại thị trường mới nổi Malaysia, sử dụng mô hình GARCH với dữ liệu từ tháng 8 năm 2001 đến tháng 3 năm 2010 Kết quả cho thấy có mối tương quan thuận giữa suất sinh lợi của giá vàng và chỉ số chứng khoán Kuala Lumpur Composite Index, mặc dù hệ số hồi quy cho thấy ảnh hưởng này là nhỏ Tuy nhiên, mối tương quan này không ổn định trong các giai đoạn thị trường suy giảm, khi vàng không theo xu hướng tương quan thuận Tác giả khuyến nghị rằng vàng có thể là một tài sản đầu tư hiệu quả cho nhà đầu tư Malaysia, cung cấp lợi ích đa dạng hóa ở mức độ thấp và là tài sản phòng ngừa rủi ro cho chứng khoán trong giai đoạn suy thoái, dựa trên mối tương quan nghịch giữa vàng và chứng khoán trong thời kỳ thị trường giảm liên tiếp.

Một nghiên cứu khác của các tác giả Virginie Coudert và Hélène Raymond-Feingold –

Nghiên cứu năm 2011 đã cung cấp thêm bằng chứng thực nghiệm cho thấy vàng là tài sản phòng ngừa rủi ro hiệu quả cho thị trường chứng khoán Bài nghiên cứu áp dụng mô hình ARMA-GARCH hai biến để ước lượng hiệp phương sai có điều kiện giữa suất sinh lợi của vàng và chứng khoán Dữ liệu được sử dụng bao gồm suất sinh lợi hằng tháng của chỉ số giá vàng S&P GSCI cùng với các chỉ số thị trường chứng khoán của Mỹ, Anh, Đức, Pháp và chỉ số MSCI Index của các nước G7, thu thập trong khoảng thời gian từ tháng 2.

Nghiên cứu từ năm 1978 đến tháng 1 năm 2009 cho thấy hệ số tương quan giữa vàng và chứng khoán gần như bằng không, chứng minh rằng suất sinh lợi của vàng không di chuyển cùng chiều với thị trường chứng khoán Do đó, vàng được xem là tài sản lý tưởng để đa dạng hóa danh mục đầu tư chứng khoán.

Ngoài ra, các tác giả Bala Batavia, Nandakumar Parameswar và Cheick Wagué –

Nghiên cứu năm 2012 đã chỉ ra rằng chiến lược đa dạng hóa đầu tư bằng cách phân bổ 15% vốn vào chỉ số giá vàng giao sau và phần còn lại vào chỉ số thị trường chứng khoán như S&P500 và MSCI Barra Emerging Markets and Frontier Markets có thể mang lại nhiều lợi ích Phân tích mối tương quan giữa giá vàng và các chỉ số chứng khoán trong giai đoạn 1999-2010 cho thấy vàng có mối tương quan rất thấp hoặc thậm chí là tương quan nghịch với chứng khoán Kết quả thực nghiệm xác nhận rằng chiến lược này không chỉ cải thiện suất sinh lợi trong giai đoạn thị trường tăng trưởng mà còn giảm thiểu tỷ lệ thua lỗ trong giai đoạn suy thoái, làm cho nó trở thành một lựa chọn hấp dẫn cho các nhà đầu tư.

Hai tác giả Yaser AlKulaib và Fahad Almudhaf (2012) đã nghiên cứu hiệu quả đầu tư của vàng bằng cách so sánh một danh mục đầu tư kết hợp giữa vàng và chỉ số chứng khoán, với tỷ trọng vàng từ 10% đến 20%, với một danh mục đầu tư 100% vào chỉ số chứng khoán Nghiên cứu được thực hiện trên thị trường chứng khoán Kuwait, sử dụng dữ liệu giá vàng thế giới và chỉ số KSE Index trong giai đoạn từ tháng 1 năm 2012.

PHƯƠNG PHÁP NGHIÊN CỨU

Mô hình nghiên cứu và phương pháp nghiên cứu

Các mô hình GARCH đã được nghiên cứu và ứng dụng rộng rãi bởi các nhà khoa học và nhà đầu tư nhằm mô hình hóa sự thay đổi của phương sai các biến kinh tế theo thời gian, từ đó cải thiện độ chính xác trong phân tích và dự báo Để ước lượng độ biến động và tương quan giữa các biến, các mô hình GARCH đa biến như VAR-GARCH, CCC-GARCH và DCC-GARCH đã chứng tỏ tính hiệu quả hơn so với các mô hình đơn biến Các mô hình này sẽ được sử dụng đồng thời để phân tích dữ liệu và so sánh kết quả, nhằm đánh giá mô hình nào mang lại hiệu suất tốt hơn trong việc xây dựng danh mục đầu tư đa dạng hóa và phòng ngừa rủi ro.

Phương pháp nghiên cứu của luận văn được chia thành hai giai đoạn: giai đoạn đầu tiên là ước lượng ma trận phương sai-hiệp phương sai giữa vàng và chứng khoán thông qua ba mô hình GARCH; giai đoạn thứ hai là xây dựng chiến lược đa dạng hóa và chiến lược phòng ngừa rủi ro với vàng, đồng thời đánh giá hiệu quả của các chiến lược này.

Giai đoạn 1: Ước lượng ma trận phương sai-hiệp phương sai giữa vàng và chứng khoán

Trong nghiên cứu này, tác giả áp dụng ba mô hình GARCH hai biến là VAR-GARCH, CCC-GARCH và DCC-GARCH để ước lượng ma trận phương sai-hiệp phương sai biến đổi theo thời gian giữa khả năng sinh lợi của vàng và thị trường chứng khoán Việt Nam Mô hình VAR-GARCH được sử dụng nhằm phân tích mối quan hệ giữa hai biến này một cách hiệu quả.

Mô hình GARCH đa biến bao gồm GARCH, CCC-GARCH và DCC-GARCH, trong đó hiệp phương sai có điều kiện thay đổi theo thời gian và tỷ lệ với tích của các sai số chuẩn Mỗi mô hình này sử dụng các phương trình khác nhau để mô tả sự biến đổi của phương sai theo thời gian Để nghiên cứu, đề tài áp dụng mô hình VAR(1)-GARCH(1,1), CCC-GARCH(1,1) và DCC-GARCH(1,1) Cả ba mô hình này đều mô tả cơ chế thay đổi của suất sinh lợi thông qua hai phương trình.

Trong mô hình này, Rt là vector 2x1 đại diện cho hai biến phụ thuộc: suất sinh lợi của giá vàng (GoldPriceReturn) và suất sinh lợi của chỉ số chứng khoán VNIndex (VNIndexReturn) tại thời điểm t Để đảm bảo tính chính xác, các quan sát của hai biến này cần phải là chuỗi dữ liệu thời gian có tính dừng Ma trận hệ số được ký hiệu là , trong khi Rt-1 là vector 2x1 của các biến độc lập, bao gồm biến trễ một giai đoạn của suất sinh lợi giá vàng (L.GoldPriceReturn) và biến trễ một giai đoạn của chỉ số chứng khoán (L.VNIndexReturn) Hạng nhiễu t được mô tả là phụ thuộc vào ma trận phương sai-hiệp phương sai có điều kiện Ht giữa hai biến GoldPriceReturn và VNIndexReturn.

Ht được xác định như sau:

Trong bài viết này, ℎ , ℎ và ℎ lần lượt đại diện cho phương sai có điều kiện của biến VNIndexReturn, phương sai có điều kiện của biến GoldPriceReturn và hiệp phương sai có điều kiện của hai biến này tại thời điểm t Sự khác biệt giữa các mô hình VAR(1)-GARCH(1,1), CCC-GARCH(1,1) và DCC-GARCH(1,1) nằm ở cơ chế thay đổi của ma trận phương sai-hiệp phương sai, được mô tả theo cách khác nhau Các đặc điểm cụ thể của từng mô hình sẽ được phân tích chi tiết trong phần phụ lục của luận văn Tóm lại, ma trận phương sai-hiệp phương sai của mỗi mô hình được xác định rõ ràng, với mô hình VAR(1)-GARCH(1,1 có cách xác định riêng biệt cho ma trận này.

Mô hình CCC-GARCH(1,1) sử dụng ma trận tam giác M để biểu diễn hệ số chặn, trong khi các ma trận tam giác A và B đại diện cho các hệ số hồi quy ảnh hưởng của ARCH và GARCH Ma trận phương sai-hiệp phương sai trong mô hình này được xác định dựa trên các yếu tố này.

Trong đó = ℎ , ℎ và P = ( ij ) là ma trận (2 x 2) bao gồm các hệ số tương quan tĩnh  ij với  ii = 1  i = s, g Phương sai và hiệp phương sai có điều kiện cho bởi:

Tất cả các hệ số C s, C g,  s,  g,  s,  g và  có thể được ước lượng trực tiếp bằng phần mềm Stata 12 Mô hình DCC-GARCH(1,1) khác biệt so với mô hình CCC-GARCH(1,1) ở chỗ nó cho phép ma trận hệ số tương quan P biến đổi theo thời gian dưới một điều kiện nhất định, chi tiết về điều kiện này được trình bày trong phần phụ lục của luận văn.

Giai đoạn 2: Thiết lập chiến lược đa dạng hóa và chiến lược phòng ngừa rủi ro với vàng và đánh giá hiệu quả hiệu quả của chiến lược

Trong giai đoạn này, tác giả thiết lập chiến lược đa dạng hóa và phòng ngừa rủi ro cho danh mục bao gồm vàng và chứng khoán tại Việt Nam, đồng thời đánh giá hiệu quả của chiến lược so với danh mục chỉ gồm chứng khoán Kết quả ước lượng ma trận phương sai-hiệp phương sai sẽ được áp dụng để xác định tỷ trọng đa dạng hóa và tỷ số phòng ngừa cho danh mục vàng-chứng khoán, nhằm giúp nhà đầu tư tránh những tác động tiêu cực từ thị trường chứng khoán và đạt được mục tiêu tối thiểu hóa rủi ro Theo nghiên cứu của Kroner và Ng năm 1998, tỷ trọng tối ưu của vàng trong danh mục vàng-chứng khoán tại thời điểm t được xác định bởi một công thức cụ thể.

Trong nghiên cứu này, h g t, h s t và h sg t lần lượt đại diện cho phương sai có điều kiện của biến GoldPriceReturn, phương sai có điều kiện của biến VNIndexReturn và hiệp phương sai có điều kiện giữa hai biến tại thời điểm t Các chỉ số này được ước lượng thông qua ba mô hình VAR-GARCH, CCC-GARCH và DCC-GARCH Từ các phương trình này, tỷ trọng phân bổ cho thị trường chứng khoán của nhà đầu tư được xác định là 1 – w gs t.

Để tối ưu hóa việc phòng ngừa cho danh mục đầu tư chứng khoán, nhà đầu tư cần mở một vị thế phù hợp trên thị trường vàng nhằm giảm thiểu rủi ro Cụ thể, vị thế mua 1 đồng chứng khoán cần được bảo vệ bằng một vị thế bán β gs t đồng vàng Theo nghiên cứu của Kroner và Ng năm 1998, tỷ lệ phòng ngừa tối ưu β gs t được xác định bằng công thức cụ thể.

Sau khi thiết lập chiến lược đa dạng hóa và phòng ngừa rủi ro, nhà đầu tư cần đánh giá hiệu quả của chiến lược này với sự hiện diện của vàng Để làm điều này, tác giả đề xuất phương pháp mô phỏng danh mục nhằm đánh giá tính hiệu quả thực nghiệm của chiến lược Mô phỏng được thực hiện bằng cách xây dựng hai danh mục: PF I chỉ bao gồm chứng khoán, và PF II là danh mục vàng-chứng khoán với tỷ trọng tối ưu Hiệu quả của đa dạng hóa được đánh giá qua việc so sánh suất sinh lợi và độ lệch chuẩn của hai danh mục Cuối cùng, hiệu quả của chiến lược phòng ngừa được đánh giá bằng cách so sánh sai số phòng ngừa thực hiện, ký hiệu là HE.

Trong đó Var hedged đo lường phương sai của suất sinh lợi danh mục có phòng ngừa PF

II và Var unhedged đo lường phương sai của suất sinh lợi danh mục không phòng ngừa PF

I Phương trình trên chỉ ra rằng nếu HE có giá trị cao hơn thì phòng ngừa rủi ro có hiệu quả hơn do làm giảm phương sai của danh mục nhiều hơn Mô hình cho kết quả HE cao hơn là mô hình tốt hơn để có thể sử dụng xây dựng chiến lược phòng ngừa rủi ro danh mục vàng-chứng khoán

Sau khi đã xác định được phương pháp nghiên cứu như trên, mỗi giai đoạn sẽ được tiến hành theo các bước như sau:

Thứ nhất, thu thập dữ liệu các biến quan sát bao gồm VNIndexReturn,

GoldPriceReturn và VNIndexReturn được phân tích với các biến trễ một giai đoạn tương ứng Dữ liệu được thu thập theo dạng chuỗi thời gian hàng ngày, với cỡ mẫu từ ngày 6 tháng 1 năm 2004 đến ngày 28 tháng 12 năm 2012.

Phân tích các giá trị thống kê mô tả và thực hiện các kiểm định liên quan như kiểm định phân phối chuẩn, kiểm định tự tương quan và kiểm định tính dừng là cần thiết để đánh giá sự phù hợp của các biến trong ba mô hình GARCH đa biến được áp dụng.

Mô tả các biến

Trong nghiên cứu luận văn, tác giả ước lượng ma trận phương sai-hiệp phương sai giữa tài sản vàng và chứng khoán theo thời gian thông qua ba mô hình VAR-GARCH, CCC-GARCH và DCC-GARCH Để đảm bảo tính dừng cho chuỗi dữ liệu đầu vào, tác giả lựa chọn các biến quan sát là suất sinh lợi của hai loại tài sản, bao gồm VNIndexReturn và GoldPriceReturn, cùng với các biến trễ một giai đoạn tương ứng là L.VNIndexReturn và L.GoldPriceReturn.

VNIndexReturn là biến phụ thuộc thể hiện suất sinh lợi của chỉ số chứng khoán Việt Nam trong thời gian nghiên cứu Mỗi quan sát của VNIndexReturn phản ánh suất sinh lợi của chỉ số VN-Index tại ngày quan sát, được tính bằng logarit tự nhiên của tỷ lệ giữa hai mức điểm VN-Index chốt phiên giao dịch cuối cùng của hai ngày giao dịch liên tiếp.

GoldPriceReturn là biến phụ thuộc thể hiện suất sinh lợi của vàng trong thời gian nghiên cứu Mỗi quan sát của GoldPriceReturn được tính bằng logarit tự nhiên của tỷ lệ giữa giá vàng thế giới ở hai ngày giao dịch liên tiếp, theo công thức = ( á à à á à à ).

Các biến trễ một giai đoạn L.VNIndexReturn và L.GoldPriceReturn tại ngày quan sát t được xác định từ giá trị của VNIndexReturn và GoldPriceReturn tại ngày t-1 Hệ số ước lượng của hai biến này trong mô hình phản ánh mức độ ảnh hưởng của thông tin suất sinh lợi quá khứ lên sự thay đổi của suất sinh lợi hiện tại Những tác động này sẽ ảnh hưởng đến chiến lược đa dạng hóa và phòng ngừa rủi ro tại các thời điểm khác nhau, do đó tác giả kỳ vọng sẽ quan sát được các hệ số ước lượng có ý nghĩa trong giai đoạn nghiên cứu.

Hình 3.1 và hình 3.2 là đồ thị diễn tả các quan sát của hai biến VNIndexReturn và GoldPriceRetrun trong thời kì nghiên cứu từ 2004-2012

Hình 3.1: Đồ thị của biến GoldPriceReturn theo thời gian

Hình 3.2: Đồ thị của biến VNIndexReturn theo thời gian

Các giả thiết về tác động của vàng đến hiệu quả đầu tư của danh mục

Theo kết quả thực nghiệm của các nghiên cứu trước, tác giả đưa ra các giả thiết sau:

Danh mục đầu tư đa dạng hóa, bao gồm vàng và chứng khoán, có mức rủi ro thấp hơn so với danh mục chỉ chứa chứng khoán, điều này được thể hiện qua độ lệch chuẩn của suất sinh lợi danh mục PF.

II thấp hơn PF I trong giai đoạn nghiên cứu

Chiến lược phòng ngừa rủi ro thông qua việc sử dụng vàng có khả năng cải thiện rủi ro của danh mục đầu tư, với tỷ số HE lớn hơn 0 cho thấy mức giảm phần trăm của phương sai danh mục trong thời gian nghiên cứu.

Nguồn dữ liệu nghiên cứu

Biến VNIndexReturn trong luận văn này được xác định dựa trên suất sinh lợi hằng ngày của chỉ số VN-Index, được tính từ mức điểm chốt phiên giao dịch cuối ngày tại Sàn giao dịch chứng khoán TP.Hồ Chí Minh (HOSE) Dữ liệu được thu thập từ ngày 6 tháng 1 năm 2023.

2004 đến ngày 28 tháng 12 năm 2012 Hình 3.3 là đồ thị biểu diễn giá trị của chỉ số VN-Index trong mẫu dữ liệu thu thập

Dữ liệu cho biến GoldPriceReturn trong luận văn được lấy từ suất sinh lợi hằng ngày của giá vàng trên thị trường London, nơi có quy mô lớn nhất và lịch sử giao dịch lâu dài nhất thế giới Tác giả chọn dữ liệu này vì tính khả dụng cao từ trang web www.kitco.com Mẫu dữ liệu giá vàng được thu thập từ ngày 6 tháng 1 năm 2004 đến 28 tháng 12 năm 2012, và Hình 3.4 minh họa giá trị của giá vàng trong khoảng thời gian này.

Hình 3.4: Biểu đồ thời gian của giá vàng thị trường Lon Don

Chuỗi dữ liệu giá vàng và chỉ số VN-Index được thu thập và xử lý bằng phần mềm Excel để xác định giá trị của hai biến quan sát là GoldPriceReturn và VNIndexReturn Những dữ liệu này sau đó được sử dụng làm đầu vào cho các mô hình kinh tế lượng VAR-GARCH, CCC-GARCH và DCC-GARCH.

Phương pháp nghiên cứu của đề tài được trình bày rõ ràng, bao gồm mô hình thực nghiệm và các biến quan sát Mô hình thực nghiệm áp dụng ba phương pháp GARCH đa biến: VAR-GARCH, CCC-GARCH và DCC-GARCH, đã được xác nhận tính phù hợp bởi các tác giả Arouri, Lahiani và Nguyen (2013) Các biến quan sát bao gồm VNIndexReturn, phản ánh suất sinh lợi của chỉ số thị trường chứng khoán Việt Nam, và GoldPriceReturn, đại diện cho suất sinh lợi của giá vàng thế giới Dữ liệu được thu thập từ điểm VN-Index cuối mỗi ngày giao dịch và giá vàng niêm yết hàng ngày trên thị trường London, được cung cấp bởi trang web www.kitco.com Quá trình xử lý dữ liệu được thực hiện bằng phần mềm Eview 6.0 và Excel.

KIỂM ĐỊNH TÁC ĐỘNG CỦA VÀNG ĐẾN HIỆU QUẢ ĐẦU TƯ TRONG CHIẾN LƯỢC ĐA DẠNG HÓA VÀ PHÒNG NGỪA RỦI RO TRÊN THỊ TRƯỜNG VIỆT NAM

Thống kê mô tả và các kiểm định liên quan

Hình 4.1 và Hình 4.2 lần lượt là kết quả tính toán các chỉ số thống kê mô tả của hai biến GoldPriceReturn và VNIndexReturn bằng phần mềm Eviews 6.0:

Hình 4.1: Kết quả thống kê mô tả của biến GoldPriceReturn

Hình 4.2: Kết quả thống kê mô tả của biến VNIndexReturn

Từ các chỉ số này tác giả đưa ra các nhận định đối với hai biến GoldPriceReturn và VNIndexReturn như sau:

Trong suốt thời gian nghiên cứu, giá trị trung bình của biến GoldPriceReturn đạt 0,063%, cao hơn so với giá trị trung bình của biến VNIndexReturn là 0,041% Điều này cho thấy rằng thị trường vàng mang lại suất sinh lợi theo ngày cao hơn so với thị trường chứng khoán Việt Nam.

Độ bất ổn không điều kiện được đo lường bởi độ lệch chuẩn cho thấy chỉ số VN-Index có giá trị cao hơn (9,925%) so với vàng (7,747%) Kết quả này, bao gồm cả giai đoạn khủng hoảng tài chính toàn cầu 2008-2009, chỉ ra rằng vàng là một tài sản có rủi ro thấp hơn và mang lại suất sinh lợi hiệu chỉnh rủi ro cao hơn (0,052% so với 0,024%) so với chứng khoán trong các giai đoạn suy thoái.

Khoảng cách giữa giá trị lớn nhất và giá trị nhỏ nhất của biến VNIndexReturn là 22,794%, cao hơn so với biến GoldPriceReturn là 14,692% Điều này cho thấy thị trường chứng khoán có tính bất ổn cao hơn thị trường vàng.

Hệ số độ nghiêng của biến VNIndexReturn gần bằng 0 (0,050), cho thấy phân phối xác suất của biến này khá đối xứng Ngược lại, hệ số độ nghiêng của biến GoldPriceReturn là -0,300, cho thấy phân phối xác suất có dạng nghiêng trái Cả hai dữ liệu đều có hệ số độ nhọn vượt quá 3, chứng tỏ đồ thị phân phối xác suất của chúng có độ nhọn vượt chuẩn.

Kết quả quan sát từ hệ số độ nghiêng và hệ số độ nhọn của hàm phân phối xác suất cho thấy chỉ số thống kê JB trong kiểm định Jarque-Bera hoàn toàn bác bỏ giả thiết phân phối chuẩn cho cả hai biến quan sát Điều này có nghĩa là cả hai biến đều không tuân theo phân phối chuẩn ở ba mức ý nghĩa 1%, 5% và 10%.

Các kết quả thống kê cho thấy vàng có mức rủi ro thấp hơn so với chứng khoán, ngay cả trong thời kỳ khủng hoảng, điều này cho thấy rằng việc kết hợp vàng vào danh mục đầu tư có thể giảm thiểu rủi ro Hơn nữa, các chỉ số thống kê JB cùng với hệ số độ nghiêng và độ nhọn cho thấy phân phối xác suất của hai biến quan sát không tuân theo phân phối chuẩn.

4.1.2 Kiểm định hiện tượng tự tương quan

Kiểm định tự tương quan bằng Ljung-Box test giúp xác định xem phương sai của biến quan sát tại thời điểm t có phụ thuộc vào phương sai của các thời điểm trước đó hay không Sự xuất hiện của hiện tượng tự tương quan cho thấy mô hình GARCH là phù hợp, vì nó cho phép phương sai trong quá khứ ảnh hưởng đến phương sai hiện tại Các giản đồ tự tương quan và thống kê Q của kiểm định Ljung-Box với độ trễ tối đa k = 15 được trình bày trong bảng 4.1 và 4.2 cho biến GoldPriceReturn, cùng với bảng 4.3 và 4.4 cho biến VNIndexReturn.

Bảng 4.1: Giản đồ tự tương quan của biến GoldPriceReturn với độ trễ k = 15

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

Bảng 4.2: Giản đồ tự tương quan của bình phương biến GoldPriceReturn với độ trễ k = 15

Bảng 4.3: Giản đồ tự tương quan của biến VNIndexReturn với độ trễ k = 15

Bảng 4.4: Giản đồ tự tương quan của bình phương biến VNIndexReturn với độ trễ k = 15

Kết quả kiểm định Ljung-Box cho thấy giá trị p-value của các thống kê Q đều bác bỏ giả thiết Ho ở mức ý nghĩa 5% và 10%, chứng tỏ sự tồn tại của hiện tượng tự tương quan ở biến quan sát và bình phương biến quan sát của VnIndexReturn.

GoldPriceReturn Kết quả này xác nhận phương pháp nghiên cứu sử dụng mô hình GARCH là phù hợp với cấu trúc của dữ liệu nghiên cứu

4.1.3 Kiểm định ảnh hưởng ARCH

Kiểm định ảnh hưởng ARCH được thực hiện để xác định sự tồn tại của hiện tượng phương sai thay đổi có điều kiện trước khi ước lượng ma trận phương sai-hiệp phương sai của biến GoldPriceReturn và VNIndexReturn Nếu có sự tồn tại của ảnh hưởng ARCH, điều này sẽ chứng minh tính hữu dụng của các mô hình GARCH trong việc phân tích phương sai-hiệp phương sai giữa hai biến này Kết quả kiểm định ảnh hưởng ARCH được thể hiện qua mô hình hồi quy phụ, như minh họa trong hình 4.7 và hình 4.8 cho biến GoldPriceReturn và VNIndexReturn.

Bảng 4.5: Kết quả kiểm định ảnh hưởng ARCH cho biến GoldPriceReturn với độ trễ k = 4

Obs*R-squared 108.8853 Prob Chi-Square(4) 0.0000

Dependent Variable: RESID^2 Method: Least Squares Date: 10/13/13 Time: 14:03 Sample (adjusted): 5 2174 Included observations: 2170 after adjustments

Variable Coefficient Std Error t-Statistic Prob

Adjusted R-squared 0.048423 S.D dependent var 0.000349 S.E of regression 0.000340 Akaike info criterion -13.13239 Sum squared resid 0.000250 Schwarz criterion -13.11929 Log likelihood 14253.64 Hannan-Quinn criter -13.12760

Bảng 4.6: Kết quả kiểm định ảnh hưởng ARCH cho biến VNIndexReturn với độ trễ k = 4

Giá trị Prob(F-statistic) là 0.000000, cho thấy độ trễ tối đa k = 4 được chọn cho cả hai chuỗi dữ liệu, vì tại độ trễ này, các hệ số ước lượng ARCH đều có ý nghĩa thống kê ở mức 5% Các chỉ số R² hiệu chỉnh, AIC và SBC cũng không có sự khác biệt lớn so với các độ trễ khác P-value của thống kê F trong cả hai lần ước lượng đều bác bỏ giả thiết Ho, xác nhận sự tồn tại ảnh hưởng ARCH cho cả hai biến quan sát.

Kiểm định tính dừng là bước quan trọng để xác định xem cấu trúc dữ liệu của các biến có phù hợp với mô hình chuỗi thời gian GARCH hay không Hai chỉ số phổ biến cho kiểm định nghiệm đơn vị là ADF và PP, được sử dụng để đánh giá tính dừng của chuỗi dữ liệu Kết quả kiểm định ADF và PP cho biến GoldPriceReturn được trình bày ở bảng 4.7 và 4.8, trong khi bảng 4.9 và 4.10 thể hiện kết quả cho VNIndexReturn.

Bảng 4.7: Kết quả kiểm định ADF cho biến GoldPriceReturn

Null Hypothesis: GOLDPRICERETURN has a unit root Exogenous: None

Lag Length: 0 (Automatic based on SIC, MAXLAG%) t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -43.16966 0.0001

Augmented Dickey-Fuller Test Equation Dependent Variable: D(GOLDPRICERETURN) Method: Least Squares

Date: 10/05/13 Time: 10:27 Sample (adjusted): 2 2174 Included observations: 2173 after adjustments

Adjusted R-squared 0.461793 S.D dependent var 0.016232 S.E of regression 0.011908 Akaike info criterion -6.022747 Sum squared resid 0.307992 Schwarz criterion -6.020131 Log likelihood 6544.715 Hannan-Quinn criter -6.021791 Durbin-Watson stat 1.990730

Bảng 4.8: Kết quả kiểm định PP cho biến GoldPriceReturn

Null Hypothesis: GOLDPRICERETURN has a unit root Exogenous: None

Bandwidth: 6 (Newey-West using Bartlett kernel)

HAC corrected variance (Bartlett kernel) 0.000140

Phillips-Perron Test Equation Dependent Variable: D(GOLDPRICERETURN) Method: Least Squares

Bảng 4.9: Kết quả kiểm định ADF cho biến VNIndexReturn

Null Hypothesis: VNINDEXRETURN has a unit root Exogenous: None

Lag Length: 3 (Automatic based on SIC, MAXLAG%) t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -19.45687 0.0000

Augmented Dickey-Fuller Test Equation Dependent Variable: D(VNINDEXRETURN) Method: Least Squares

Bảng 4.10: Kết quả kiểm định PP cho biến VNIndexReturn

Null Hypothesis: VNINDEXRETURN has a unit root Exogenous: None

Bandwidth: 9 (Newey-West using Bartlett kernel)

HAC corrected variance (Bartlett kernel) 0.000266

Phillips-Perron Test Equation Dependent Variable: D(VNINDEXRETURN) Method: Least Squares

Kết quả kiểm định cho thấy các giá trị t tính toán có trị tuyệt đối lớn hơn các giá trị t phê phán ở mức ý nghĩa 1%, 5% và 10%, điều này đã bác bỏ giả thuyết ban đầu.

Nghiệm đơn vị không tồn tại, do đó, tác giả khẳng định rằng các biến GoldPriceReturn và VNIndexReturn đều có tính dừng Hai biến này có thể được sử dụng làm dữ liệu đầu vào cho các mô hình GARCH trong các phân tích tiếp theo.

Kết quả mô hình

4.2.1 Kết quả ước lượng mô hình VAR-GARCH

Bảng 4.11: Kết quả ước lượng của mô hình VAR(1)-GARCH(1,1) hai biến bằng phần mềm Eview 6

Vector Autoregression Estimates Date: 03/23/14 Time: 23:09 Sample (adjusted): 2 2174 Included observations: 2173 after adjustments Standard errors in ( ) & t-statistics in [ ]

Determinant resid covariance (dof adj.) 3.68E-08

System: VAREQ Estimation Method: ARCH Maximum Likelihood (Marquardt) Covariance specification: Diagonal VECH

Included observations: 2173 Total system (balanced) observations 4346 Presample covariance: backcast (parameter =0.7) Convergence achieved after 16 iterations

Coefficient Std Error z-Statistic Prob

Avg log likelihood 3.026951 Hannan-Quinn criter -12.07965 Akaike info criterion -12.09400

Adjusted R-squared 0.005996 S.D dependent var 0.011927 S.E of regression 0.011891 Sum squared resid 0.306839 Durbin-Watson stat 2.013688

Adjusted R-squared 0.102774 S.D dependent var 0.017059 S.E of regression 0.016158 Sum squared resid 0.566567 Durbin-Watson stat 1.895158

M is an indefinite matrix A1 is an indefinite matrix B1 is an indefinite matrix

Tranformed Variance Coefficients Coefficient Std Error z-Statistic Prob

Bảng 4.12: Tóm tắt kết quả ước lượng mô hình VAR(1)-GARCH(1,1) với hai biến

Ma trận hệ số chặn M 7,99∗10 1,10∗10

Ma trận A của hệ số 0,053903 0,040541

Ma trận B của hệ số ảnh hưởng GARCH

Từ các kết quả ước lượng hệ số và thống kê kiểm định ở các bảng 4.11 và 4.12 ở trên, tác giả rút ra những nhận xét như sau:

Hệ số tương quan  giữa độ biến động của hai biến GoldPriceReturn và VNIndexReturn có giá trị rất nhỏ và không có ý nghĩa thống kê, cho thấy sự không tương quan giữa thị trường vàng và chứng khoán Kết quả này phù hợp với nghiên cứu của Mohamed El Hedi Arouri, Amine Lahiani và Duc Khuong Nguyen (2013).

Hệ số ước lượng cho ảnh hưởng ARCH(1) và GARCH(1) đều có ý nghĩa thống kê ở mức 5%, cho thấy suất sinh lợi kỳ vọng và phương sai của các biến quan sát phụ thuộc vào giá trị quá khứ Đặc biệt, hệ số GARCH(1) luôn cao hơn hệ số ARCH(1), cho thấy biến GoldPriceReturn và VNIndexReturn hiện tại chịu tác động nhiều hơn từ phương sai quá khứ Kết quả này phù hợp với nghiên cứu của Mohamed El Hedi Arouri, Amine Lahiani và Duc Khuong Nguyen năm 2013 về thị trường Trung Quốc, khẳng định tính phù hợp của các mô hình GARCH hai biến trong việc ước lượng ma trận phương sai-hiệp phương sai có điều kiện thay đổi.

Kết quả ước lượng mô hình cho thấy rằng việc sử dụng các dạng mô hình GARCH để mô tả cơ chế thay đổi của ma trận phương sai-hiệp phương sai có điều kiện là phù hợp, với các hệ số tương ứng có ý nghĩa thống kê Điều này khẳng định rằng mô tả sự thay đổi theo thời gian của phương sai-hiệp phương sai có điều kiện là đáng tin cậy và các kết quả ước lượng có thể được áp dụng trong các phân tích tiếp theo.

Sau khi ước lượng ma trận phương sai-hiệp phương sai theo thời gian, giá trị trung bình của tỷ trọng tối ưu w gs t và tỷ số phòng ngừa tối ưu β gs t đã được tính toán và thể hiện trong bảng 4.13.

Bảng 4.13: Tỷ trọng đa dạng hóa và tỷ số phòng ngừa trung bình cho danh mục vàng và chứng khoán Việt Nam theo mô hình VAR-GARCH

Giá trị w gs cho thấy tỷ trọng tối ưu của vàng trong danh mục đầu tư là 58,33%, giúp giảm thiểu rủi ro mà không làm giảm suất sinh lợi kỳ vọng Tỷ số phòng ngừa rủi ro β gs t có giá trị trung bình là 0,0249, nghĩa là mỗi đồng đầu tư vào chỉ số chứng khoán yêu cầu bán khống 0,00249 đồng trên thị trường vàng Kết quả ước lượng của w gs t và β gs t được thể hiện qua tỷ suất sinh lợi và độ lệch chuẩn của danh mục trong bảng 4.14, trong khi bảng 4.15 trình bày tỷ số đánh giá hiệu quả phòng ngừa (HE) cho chiến lược phòng ngừa rủi ro dựa trên β gs t.

Bảng 4.14: Thiết lập danh mục và đa dạng hóa với sự hiện diện của vàng theo mô hình VAR-GARCH

Trung bình (%) Độ lệch chuẩn (%)

Suất sinh lợi hiệu chỉnh rủi ro thực nghiệm (%)

Bảng 4.15: Đánh giá hiệu quả của chiến lược phòng ngừa theo VAR-GARCH

Phương sai Tỷ số hiệu quả phòng ngừa (%)

Từ các kết quả trên tác giả rút ra những nhận xét như sau:

Việc thêm vàng vào danh mục chứng khoán đã chứng minh khả năng cải thiện rủi ro hiệu chỉnh của toàn bộ danh mục, với độ lệch chuẩn giảm từ 1,7057% xuống còn 1,3489% Kết quả này xác nhận giả thiết về rủi ro trong đa dạng hóa danh mục mà tác giả đã đề cập trong phương pháp nghiên cứu.

Giá trị của hệ số HE cho thấy rằng chiến lược phòng ngừa rủi ro với sự kết hợp giữa vàng và chứng khoán đã giảm đáng kể phương sai của danh mục đầu tư, cụ thể là giảm 37,8083% so với danh mục chỉ gồm chứng khoán Kết quả này chứng minh rằng giả thiết thứ hai về hiệu quả của chiến lược phòng ngừa rủi ro là có cơ sở.

Vàng đóng vai trò quan trọng trong chiến lược đầu tư, giúp giảm rủi ro cho danh mục đầu tư Các kết quả nghiên cứu cho thấy tỷ trọng danh mục và tỷ số phòng ngừa rủi ro khi kết hợp với vàng đều hỗ trợ quan điểm này Những tác động tích cực của vàng đến hiệu quả đầu tư cũng nhất quán với các nghiên cứu trước đây trên thế giới, khẳng định vai trò tích cực của vàng trong quản lý danh mục đầu tư.

4.2.2 Kết quả ước lượng mô hình CCC-GARCH

Bảng 4.16 cho thấy kết quả ước lượng của mô hình CCC-GARCH(1,1) hai biến

Bảng 4.16: Tóm tắt kết quả ước lượng mô hình CCC-GARCH(1,1) với hai biến

Các kết quả ước lượng cho thấy các hệ số của mô hình CCC-GARCH không có sự sai lệch lớn so với mô hình VAR-GARCH Tác giả đã đưa ra những nhận xét đáng chú ý về các ước lượng của mô hình CCC-GARCH.

Mô hình VAR-GARCH cho thấy các hệ số ước lượng ảnh hưởng ARCH(1) và GARCH(1) đều có ý nghĩa thống kê ở mức 5% và 10% Đặc biệt, hệ số ảnh hưởng GARCH(1) luôn cao hơn hệ số ảnh hưởng ARCH(1), điều này xác nhận tính phù hợp của việc áp dụng mô hình GARCH đa biến.

Hệ số tương quan giữa độ bất ổn của hai biến GoldPriceReturn và VNIndexReturn rất nhỏ, gần như không có, cho thấy mức độ tương quan rất thấp giữa chúng, điều này phù hợp với kết quả của mô hình VAR-GARCH.

Dựa trên các kết quả thu được, phương pháp xây dựng danh mục đầu tư đa dạng hóa, tỷ số phòng ngừa và đánh giá hiệu quả đầu tư được thực hiện tương tự như trong mô hình VAR-GARCH.

Bảng 4.17: Tỷ trọng đa dạng hóa và tỷ số phòng ngừa trung bình cho danh mục vàng và chứng khoán Việt Nam theo mô hình CCC-GARCH

Mô hình CCC-GARCH cho thấy tỷ trọng vàng trong danh mục tối ưu là 58,41% và tỷ số phòng ngừa trung bình là 0,0093 trong suốt thời gian nghiên cứu, như thể hiện trong bảng 4.17 Kết quả này cao hơn khoảng 0,08% so với ước lượng từ mô hình VAR-GARCH, mặc dù giá trị chênh lệch này không đáng kể.

Các ước lượng phương sai-hiệp phương sai theo mô hình CCC-GARCH mang lại kết quả khác biệt so với mô hình VAR-GARCH tại mỗi thời điểm quan sát Điều này dẫn đến sự khác nhau trong tỷ trọng danh mục và tỷ số phòng ngừa, từ đó ảnh hưởng đến thành quả của danh mục đầu tư Bảng 4.18 minh họa thành quả của danh mục đa dạng hóa với tỷ trọng được xác định dựa trên ước lượng phương sai và hiệp phương sai của CCC-GARCH.

Bảng 4.18: Thiết lập danh mục và đa dạng hóa với sự hiện diện của vàng theo mô hình CCC-GARCH

Trung bình (%) Độ lệch chuẩn (%)

Suất sinh lợi hiệu chỉnh rủi ro thực nghiệm (%)

Kết quả từ danh mục đa dạng hóa cho thấy mô hình CCC-GARCH cung cấp chiến lược đầu tư với suất sinh lợi kỳ vọng cao hơn và độ lệch chuẩn thấp hơn so với danh mục 100% chứng khoán Mặc dù tỷ số suất sinh lợi hiệu chỉnh rủi ro của mô hình CCC-GARCH đạt 5,0546, vẫn thấp hơn một chút so với mô hình VAR-GARCH (5,0556), cho thấy rằng ước lượng phương sai-hiệp phương sai của VAR-GARCH cho phép xây dựng phương án đa dạng hóa hiệu quả hơn Tuy nhiên, kết quả này không bác bỏ giả thuyết rằng vàng cải thiện thành quả của danh mục, với suất sinh lợi kỳ vọng và độ lệch chuẩn tốt hơn so với danh mục chỉ gồm 100% chứng khoán.

Bảng 4.19: Đánh giá hiệu quả của chiến lược phòng ngừa theo CCC-GARCH

Phương sai (%) Tỷ số hiệu quả phòng ngừa (%)

Kiểm định phần dư

Kiểm định lại phần dư là bước quan trọng để đánh giá tính phù hợp của các mô hình thực nghiệm đã ước lượng Các đồ thị phần dư của mô hình VAR-GARCH, CCC-GARCH và DCC-GARCH được trình bày trong phụ lục 2 của luận văn.

Các thống kê mô tả cho các phần dư đã được tính toán và kết quả được trình bày từ hình 4.3 đến hình 4.7 Giá trị thống kê JB cho thấy rõ ràng rằng giả thuyết H0 về phân phối chuẩn của các phần dư này hoàn toàn bị bác bỏ.

Hình 4.3: Thống kê mô tả cho phần dư theo mô hình VAR-GARCH

Hình 4.4: Thống kê mô tả cho phần dư của biến GoldPriceReturn theo mô hình

Hình 4.5: Thống kê mô tả cho phần dư của biến VNIndexReturn theo mô hình

Hình 4.6: Thống kê mô tả cho phần dư của biến GoldPriceReturn theo mô hình

Hình 4.7: Thống kê mô tả cho phần dư của biến VNIndexReturn theo mô hình

Giản đồ tự tương quan cho phần dư của hai chuỗi lợi suất và giá trị kiểm định ảnh hưởng ARCH đã được xác định, với kết quả được trình bày trong các bảng từ 4.24 đến 4.33.

Bảng 4.24: Giản đồ tự tương quan cho phần dư sau ước lượng VAR-GARCH

Bảng 4.25: Giản đồ tự tương quan cho phần dư của biến GoldPriceReturn sau ước lượng CCC-GARCH

Bảng 4.26: Giản đồ tự tương quan cho phần dư của biến VNIndexReturn sau ước lượng CCC-GARCH

Bảng 4.27: Giản đồ tự tương quan cho phần dư của biến GoldPriceReturn sau ước lượng DCC-GARCH

Bảng 4.28: Giản đồ tự tương quan cho phần dư của biến VNIndexReturn sau ước lượng DCC-GARCH

Bảng 4.29: Kết quả kiểm định ảnh hưởng ARCH cho phần dư trong mô hình

Dependent Variable: RESID^2 Method: Least Squares Date: 03/31/14 Time: 01:09 Sample (adjusted): 5 2173 Included observations: 2169 after adjustments Variable Coefficient Std Error t-Statistic Prob

S.E of regression 0.000612 Akaike info criterion -11.95727

Sum squared resid 0.000811 Schwarz criterion -11.94417

Log likelihood 12972.66 Hannan-Quinn criter -11.95248

Bảng 4.30: Kết quả kiểm định ảnh hưởng ARCH cho phần dư của biến

GoldPriceReturn trong mô hình CCC-GARCH

VNIndexReturn trong mô hình CCC-GARCH

GoldPriceReturn trong mô hình DCC-GARCH

VNIndexReturn trong mô hình DCC-GARCH

Các kết quả này cho thấy:

Các giá trị p-value của biến GoldPriceReturn nhỏ hơn mức ý nghĩa 5% cho thấy không còn hiện tượng tự tương quan trong các phần dư Ngược lại, đối với biến VNIndexReturn, giá trị p-value bằng 0 ở độ trễ đầu tiên cho thấy hiện tượng tự tương quan tại độ trễ một thời kỳ đã giảm.

Mặc dù kiểm định ảnh hưởng ARCH chỉ ra rằng vẫn còn ảnh hưởng ARCH trong các phần dư, với các p-value bác bỏ giả thiết không có ảnh hưởng ARCH, nhưng kết quả ước lượng cho thấy mức độ ảnh hưởng này đã giảm ở một số độ trễ nhất định.

Các kết quả cho thấy mô hình chuỗi thời gian CCC-GARCH và DCC-GARCH phù hợp, giúp giảm thiểu ảnh hưởng của độ trễ và hiện tượng tự tương quan trong các biến quan sát Tuy nhiên, kiểm định ảnh hưởng ARCH chỉ ra rằng tác động của độ trễ vẫn còn lớn, do đó việc tăng số độ trễ trong mô hình GARCH có thể cải thiện tính chính xác của mô hình.

Thực nghiệm cho thấy việc đa dạng hóa danh mục chứng khoán với sự hiện diện của vàng đã mang lại lợi ích rõ rệt, với suất sinh lợi kỳ vọng tăng từ 4% lên 6% và rủi ro giảm từ 1,7% xuống 1,3% Phương pháp đánh giá hiệu quả đầu tư bằng hệ số HE cho thấy phương sai danh mục giảm từ 37,80% xuống 37,85%, chứng minh vai trò của vàng trong danh mục chứng khoán Việt Nam Nghiên cứu sử dụng các mô hình VAR-GARCH, CCC-GARCH và DCC-GARCH để ước lượng ma trận phương sai-hiệp phương sai, từ đó tính toán tỷ trọng đầu tư vàng và tỷ số phòng ngừa, giúp xây dựng các chiến lược đầu tư hiệu quả Kết quả kiểm định phần dư cho thấy hiệu ứng tự tương quan và ảnh hưởng ARCH đã giảm ở nhiều độ trễ, hỗ trợ cho nhận định về hiệu quả của vàng trong danh mục đầu tư.

Tiêu đề	Nghiên Cứu Tác Động Của Vàng Đến Hiệu Quả Đầu Tư Trong Chiến Lược Đa Dạng Hóa Và Phòng Ngừa Rủi Ro Cho Danh Mục Chứng Khoán Trên Thị Trường Việt Nam
Tác giả	Nguyễn Hoàng Nhật Tân
Người hướng dẫn	TS. Nguyễn Thị Uyên Uyên
Trường học	Trường Đại Học Kinh Tế Thành Phố Hồ Chí Minh
Chuyên ngành	Tài Chính-Ngân Hàng
Thể loại	luận văn thạc sĩ
Năm xuất bản	2013
Thành phố	TP.Hồ Chí Minh

Định dạng
Số trang	91
Dung lượng	1,25 MB