Sử dụng mô hình copula để xem xét vai trò của vàng là kênh trú ẩn an toàn hay công cụ phòng ngừa rủi ro đối với đồng đô la mỹ

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP.HCM TRẦN THANH TÂM SỬ DỤNG MƠ HÌNH COPULA ĐỂ XEM XÉT VAI TRÒ CỦA VÀNG LÀ KÊNH TRÚ ẨN AN TỒN HAY CƠNG CỤ PHỊNG NGỪA RỦI RO ĐỐI VỚI ĐỒNG ĐÔ LA MỸ LUẬN VĂN THẠC SĨ KINH TẾ Tp Hồ Chí Minh – Năm 2014 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP.HCM TRẦN THANH TÂM SỬ DỤNG MƠ HÌNH COPULA ĐỂ XEM XÉT VAI TRÒ CỦA VÀNG LÀ KÊNH TRÚ ẨN AN TỒN HAY CƠNG CỤ PHỊNG NGỪA RỦI RO ĐỐI VỚI ĐỒNG ĐƠ LA MỸ Chun ngành: Tài ngân hàng Mã số: 60340201 LUẬN VĂN THẠC SĨ KINH TẾ NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS Nguyễn Thị Liên Hoa Tp Hồ Chí Minh – Năm 2014 LỜI CAM ĐOAN  Tơi xin cam đoan cơng trình nghiên cứu tơi, có hỗ trợ từ Cơ hướng dẫn PGS TS Nguyễn Thị Liên Hoa Các nội dung nghiên cứu kết đề tài trung thực chưa công bố cơng trình Những số liệu bảng biểu phục vụ cho việc phân tích tác giả thu thập từ nguồn khác Ngồi ra, luận văn cịn sử dụng số nhận xét, đánh giá tác giả khác có thích nguồn gốc sau trích dẫn để dễ tra cứu, kiểm chứng Nếu phát có gian lận tơi xin hồn tồn chịu trách nhiệm trước Hội đồng, kết luận văn TP.HCM, ngày tháng Tác giả Trần Thanh Tâm năm 2014 MỤC LỤC Trang Trang phụ bìa Lời cam đoan Mục lục Danh mục kí hiệu, chữ viết tắt Danh mục bảng, biểu Danh mục Phụ lục Tóm tắt CHƯƠNG GIỚI THIỆU .2 1.1 Vấn đề nghiên cứu 1.2 Mục tiêu nghiên cứu 1.3 Đối tượng phạm vi nghiên cứu .3 1.4 Phương pháp nghiên cứu .4 1.5 Bố cục nghiên cứu CHƯƠNG TỔNG QUAN NGHIÊN CỨU TRƯỚC ĐÂY 2.1 Vai trò vàng 2.1.1 Vàng cơng cụ phịng ngừa rủi ro 2.1.2 Vàng kênh trú ẩn an toàn 2.1.3 Vàng kênh trú ẩn an tồn cơng cụ phòng ngừa rủi ro .8 2.2 Nghiên cứu ứng dụng copula tài 11 2.2.1 Ứng dụng rủi ro 11 2.2.2 Đo lường hiệu Danh mục đầu tư 11 2.2.3 Định giá quyền chọn .12 2.2.4 Đo lường lan truyền contagion 13 2.2.5 Ứng dụng khác 13 CHƯƠNG PHƯƠNG PHÁP NGHIÊN CỨU 16 3.1 Giả thuyết nghiên cứu 16 3.2 Mơ hình nghiên cứu 18 3.2.1 Lí sử dụng mơ hình ARMA-TGARCH 18 3.2.2 Mơ hình phân phối biên 20 3.2.3 Mơ hình copula 21 3.3 Phương pháp thực 26 3.3.1 Ước lượng mơ hình ARMA-TGARCH 27 3.3.2 Chuyển vị phân phối biên .28 3.3.3 Kiểm định phù hợp Mơ hình phân phối biên .29 3.3.4 Ước lượng tham số Mơ hình copula 30 CHƯƠNG DỮ LIỆU VÀ THỐNG KÊ MÔ TẢ 31 4.1 Dữ liệu 31 4.2 Thống kê mô tả kiểm định liệu .34 4.3 Mô hình copula thực nghiệm phi tham số 40 4.3.1 Tương quan thể qua liệu bảng thống kê thực nghiệm 40 4.3.2 Kết phi tham số thực nghiệm đồ thị .48 Chương Kết nghiên cứu 54 5.1 Kết mơ hình phân phối biên .54 5.2 Kết tham số mơ hình copula 55 Chương Kết luận 63 6.1 Kết luận 63 6.2 Khuyến nghị 63 6.3 Hạn chế luận văn 66 6.4 Hướng nghiên cứu 67 Tài liệu tham khảo Phụ lục DANH MỤC TỪ VIẾT TẮT USD Đồng đôla Mỹ VNĐ Đồng Việt Nam CNY Đồng nhân dân tệ Trung Quốc INR Đồng rupees Ấn Độ GBP Đồng bảng Anh EUR Đồng euro SEK Đồng krona Thụy Điển RUB Đồng rúp Nga HKD Đồng đôla Hong Kong THB Đồng bạt Thái Lan IDR Đồng rupiah Indonesia TWD Đồng đôla Đài Loan KRW Đồng won Hàn Quốc SGD Đồng đôla Singapore CAD Đồng đô la Canada JPY Đồng Yên Nhật TSSL Tỷ suất sinh lợi TGHĐ Tỷ giá hối đoái CAPM Mơ hình định giá tài sản DANH MỤC BẢNG BIỂU Bảng 1: Bảng thống kê mô tả cho thấy giá trị trung bình, giá trị lớn nhất, nhỏ TSSL vàng tỷ giá hối đoái Bảng 2: Các kiểm định thống kê Jarque-Bera, Ljung – Box test (độ trễ 20 lags), kiểm định hiệu ứng ARCH HKD có tượng tự tương quan bậc 15.THB có tự tương quan bậc 13 Bảng 3: Kiểm định tính dừng chuỗi liệu Bảng 4.1, 4.2, 4.3, 4.4, 4.5, 4.6, 4.7, 4.8, 4.9, 4.10, 4.11: copula thực nghiệm vàng cặp TGHĐ Bảng 5: giá trị lag p, q, m, n mơ hình ARMA-TGARCH Bảng 6: phân phối biên theo mơ hình ARMA – TGARCH giúp xác định lag phân phối residual Bảng 7: Kết tham số mơ hình phân phối biên (mức ý nghĩa 1% - ***, 5% **, 10% - *) Bảng 8: Kết kiểm định tính phù hợp mơ hình phân phối biên Bảng 9: Kết ước lượng tham số mơ hình copula DANH MỤC HÌNH VẼ Hình 1: đồ thị phân vị chuỗi liệu Hình 2: Tương quan vàng cặp tỷ giá Hình 3.1: mật độ phi tham số (gold-sek), (gold-rub) Hình 3.2: mật độ phi tham số (gold-sgd), (gold-thb) Hình 3.3: mật độ phi tham số (gold-sek), (gold-rub) Hình 3.4: mật độ phi tham số (gold-twd), (gold-cny) Hình 3.5: mật độ phi tham số (gold-krw), (gold-vnd) DANH MỤC PHỤ LỤC Phụ lục 1: Lý thuyết copula Phụ lục 2: Đồ thị TSSL Kiểm định tính dừng Phụ lục 3: Kiểm định tính tự tương quan hiệu ứng ARCH Phụ lục 4: Kết mơ hình biên ARMA-TGARCH Phụ lục 5: Đồ thị hàm copula biến động theo thời gian Tóm tắt đề tài Bài nghiên cứu đánh giá vai trò vàng ênh trú ẩn an tồn hay cơng cụ phịng ngừa USD hi thị trường trạng thái ình thường hi thị trường iến động mạnh Bằng cách sử dụng hàm copula để phân t ch phụ thuộc vàng USD, ài nghiên cứu tìm hiểu phụ thuộc đuôi trái đuôi phải vàng USD thông qua cặp tỷ giá nước Châu Á Kết ài nghiên cứu cho thấy: (1 vàng USD c tương quan âm, hi vàng tăng giá đồng USD giảm giá Trong điều iện thị trường ình thường, vàng c thể đ ng vai trị cơng cụ phịng ngừa chống lại iến động giá USD (2 phụ thuộc đuôi vàng tỷ giá USD, ch vàng c thể hoạt động ênh trú ẩn an toàn hiệu iến động mạnh đồng USD Tuy nhiên, cấu trúc phụ thuộc vàng USD hông mạnh hi xem xét thông qua cặp tiền tệ nước Châu Á, đặc iệt trường hợp VNĐ, hông c tương quan với vàng Từ khóa: Vàng, Tỷ giá hối đối, cơng cụ phịng ngừa rủi ro, kênh trú ẩn an tồn, hàm copula PHỤ LỤC KẾT QUẢ MƠ HÌNH ARMA TGARCH GOLD * -* * GARCH Model Fit * * -* Conditional Variance Dynamics GARCH Model : fGARCH(1,1) fGARCH Sub-Model: TGARCH Mean Model : ARFIMA(0,0,0) Distribution : sstd Optimal Parameters -Estimate Std Error t value mu 0.001906 0.000836 2.2799 omega 0.001052 0.000466 2.2587 alpha1 0.097228 0.024570 3.9572 beta1 0.883640 0.031180 28.3402 eta11 -0.372907 0.155833 -2.3930 skew 0.834410 0.043273 19.2826 shape 7.345250 1.878000 3.9112 Pr(>|t|) 0.022614 0.023899 0.000076 0.000000 0.016712 0.000000 0.000092 LogLikelihood : 1740.943 Information Criteria -Akaike Bayes Shibata Hannan-Quinn -4.6177 -4.5746 -4.6179 -4.6011 Weighted Ljung-Box Test on Standardized Residuals -statistic p-value Lag[1] 0.6958 0.4042 Lag[2*(p+q)+(p+q)-1][2] 0.8463 0.5509 Lag[4*(p+q)+(p+q)-1][5] 2.4802 0.5101 d.o.f=0 H0 : No serial correlation Weighted ARCH LM Tests -Statistic Shape Scale P-Value ARCH Lag[3] 0.7401 0.500 2.000 0.38964 ARCH Lag[5] 6.3657 1.440 1.667 0.04925 ARCH Lag[7] 8.8735 2.315 1.543 0.03340 SEK * -* * GARCH Model Fit * * -* Conditional Variance Dynamics GARCH Model : fGARCH(1,1) fGARCH Sub-Model: TGARCH Mean Model : ARFIMA(0,0,0) Distribution : sstd Optimal Parameters -Estimate Std Error t value mu 0.000311 0.000554 0.56116 omega 0.000515 0.000213 2.41964 alpha1 0.060616 0.017034 3.55846 beta1 0.920257 0.021425 42.95201 eta11 0.385338 0.205858 1.87186 skew 0.805920 0.045797 17.59785 shape 59.995898 90.906327 0.65997 Pr(>|t|) 0.574686 0.015536 0.000373 0.000000 0.061226 0.000000 0.509270 LogLikelihood : 2035.166 Information Criteria -Akaike Bayes Shibata Hannan-Quinn -5.4012 -5.3582 -5.4014 -5.3846 Weighted Ljung-Box Test on Standardized Squared Residuals -statistic p-value Lag[1] 0.3901 0.5322 Lag[2*(p+q)+(p+q)-1][5] 1.6330 0.7072 Lag[4*(p+q)+(p+q)-1][9] 2.7397 0.8010 d.o.f=2 Weighted ARCH LM Tests -Statistic Shape Scale P-Value ARCH Lag[3] 0.07627 0.500 2.000 0.7824 ARCH Lag[5] 0.20312 1.440 1.667 0.9648 ARCH Lag[7] 1.00604 2.315 1.543 0.9126 Elapsed time : 1.541088 RUB * -* * GARCH Model Fit * * -* Conditional Variance Dynamics GARCH Model : fGARCH(1,1) fGARCH Sub-Model: TGARCH Mean Model : ARFIMA(1,0,1) Distribution : sstd Optimal Parameters -Estimate Std Error t value Pr(>|t|) mu -0.000323 0.000194 -1.66733 0.09545 ar1 0.923448 0.019177 48.15499 0.00000 ma1 -0.876490 omega 0.000041 alpha1 0.187906 beta1 0.865922 eta11 -0.064710 skew 0.942229 shape 4.027943 0.024620 -35.60135 0.000033 1.27175 0.034653 5.42249 0.025028 34.59786 0.100869 -0.64153 0.042589 22.12366 0.532481 7.56449 0.00000 0.20346 0.00000 0.00000 0.52118 0.00000 0.00000 LogLikelihood : 2661.207 Information Criteria -Akaike Bayes Shibata Hannan-Quinn -7.0631 -7.0078 -7.0634 -7.0418 Weighted Ljung-Box Test on Standardized Squared Residuals -statistic p-value Lag[1] 0.1457 0.7027 Lag[2*(p+q)+(p+q)-1][5] 0.4789 0.9609 Lag[4*(p+q)+(p+q)-1][9] 0.7954 0.9932 d.o.f=2 Weighted ARCH LM Tests -Statistic Shape Scale P-Value ARCH Lag[3] 0.2604 0.500 2.000 0.6099 ARCH Lag[5] 0.3670 1.440 1.667 0.9220 ARCH Lag[7] 0.4725 2.315 1.543 0.9808 HKD (22-11) * -* * GARCH Model Fit * * -* Conditional Variance Dynamics GARCH Model : fGARCH(1,1) fGARCH Sub-Model: TGARCH Mean Model : ARFIMA(2,0,2) Distribution : sstd Optimal Parameters -Estimate Std Error t value mu 0.000000 0.000002 0.18135 ar1 0.311240 0.024024 12.95561 ar2 -0.885507 0.032543 -27.21026 ma1 -0.352762 0.018437 -19.13340 ma2 0.908271 0.026649 34.08286 omega 0.000006 0.000003 2.19219 alpha1 0.452769 0.069906 6.47682 beta1 0.719800 0.041103 17.51208 eta11 0.119739 0.086679 1.38140 skew 1.050755 0.039239 26.77830 shape 2.855840 0.194360 14.69354 LogLikelihood : 4963.95 Pr(>|t|) 0.856090 0.000000 0.000000 0.000000 0.000000 0.028366 0.000000 0.000000 0.167155 0.000000 0.000000 Information Criteria -Akaike Bayes Shibata Hannan-Quinn -13.190 -13.123 -13.191 -13.164 Weighted Ljung-Box Test on Standardized Squared Residuals -statistic p-value Lag[1] 0.0001192 0.9913 Lag[2*(p+q)+(p+q)-1][5] 0.0039749 1.0000 Lag[4*(p+q)+(p+q)-1][9] 0.0082095 1.0000 d.o.f=2 Weighted ARCH LM Tests -Statistic Shape Scale P-Value ARCH Lag[3] 0.002244 0.500 2.000 0.9622 ARCH Lag[5] 0.004481 1.440 1.667 0.9998 ARCH Lag[7] 0.007144 2.315 1.543 1.0000 SGD (22-11) * -* * GARCH Model Fit * * -* Conditional Variance Dynamics GARCH Model : fGARCH(1,1) fGARCH Sub-Model: TGARCH Mean Model : ARFIMA(2,0,2) Distribution : sstd Optimal Parameters -Estimate Std Error t value mu 0.000366 0.000230 1.59051 ar1 -0.662375 0.743564 -0.89081 ar2 -0.597666 0.077729 -7.68913 ma1 0.706284 0.646190 1.09300 ma2 0.705336 0.054279 12.99457 omega 0.000421 0.000151 2.77968 alpha1 0.115101 0.024562 4.68616 beta1 0.848504 0.032206 26.34593 eta11 0.185916 0.156014 1.19167 skew 0.888587 0.046377 19.16008 shape 8.361542 2.268324 3.68622 Pr(>|t|) 0.111721 0.373031 0.000000 0.274395 0.000000 0.005441 0.000003 0.000000 0.233392 0.000000 0.000228 LogLikelihood : 2727.462 Information Criteria -Akaike Bayes Shibata Hannan-Quinn -7.2343 -7.1666 -7.2347 -7.2082 Weighted Ljung-Box Test on Standardized Squared Residuals -statistic p-value Lag[1] 1.019 0.312696 Lag[2*(p+q)+(p+q)-1][5] Lag[4*(p+q)+(p+q)-1][9] d.o.f=2 9.389 0.013191 14.050 0.06043 Weighted ARCH LM Tests -Statistic Shape Scale P-Value ARCH Lag[3] 0.457 0.500 2.000 0.49903 ARCH Lag[5] 3.987 1.440 1.667 0.17507 ARCH Lag[7] 6.834 2.315 1.543 0.09427 THB (20-11) * -* * GARCH Model Fit * * -* Conditional Variance Dynamics GARCH Model : fGARCH(1,1) fGARCH Sub-Model: TGARCH Mean Model : ARFIMA(2,0,0) Distribution : sstd Optimal Parameters -Estimate Std Error t value mu 0.000549 0.000188 2.9187 ar1 0.067484 0.040226 1.6776 ar2 0.096119 0.034660 2.7732 omega 0.001061 0.000478 2.2181 alpha1 0.277195 0.061617 4.4987 beta1 0.671116 0.089409 7.5061 eta11 -0.104097 0.096852 -1.0748 skew 1.043481 0.048679 21.4362 shape 4.908316 0.885360 5.5439 Pr(>|t|) 0.003515 0.093423 0.005551 0.026549 0.000007 0.000000 0.282464 0.000000 0.000000 LogLikelihood : 2617.87 Information Criteria -Akaike Bayes Shibata Hannan-Quinn -6.9477 -6.8923 -6.9480 -6.9264 Weighted Ljung-Box Test on Standardized Squared Residuals -statistic p-value Lag[1] 1.469 0.2255 Lag[2*(p+q)+(p+q)-1][5] 5.735 0.1038 Lag[4*(p+q)+(p+q)-1][9] 7.525 0.1591 d.o.f=2 Weighted ARCH LM Tests -Statistic Shape Scale P-Value ARCH Lag[3] 0.000103 0.500 2.000 0.9919 ARCH Lag[5] 2.160458 1.440 1.667 0.4368 ARCH Lag[7] 2.678896 2.315 1.543 0.5761 IDR (22-11) * -* * GARCH Model Fit * * -* Conditional Variance Dynamics GARCH Model : fGARCH(1,1) fGARCH Sub-Model: TGARCH Mean Model : ARFIMA(2,0,2) Distribution : std Optimal Parameters -Estimate Std Error t value mu -0.000499 0.000259 -1.92369 ar1 0.890709 0.060327 14.76458 ar2 -0.311769 0.211052 -1.47721 ma1 -0.848132 0.068538 -12.37462 ma2 0.383304 0.224418 1.70799 omega 0.000348 0.000166 2.09956 alpha1 0.239751 0.060023 3.99433 beta1 0.843629 0.030638 27.53583 eta11 0.109419 0.112060 0.97643 shape 2.622328 0.263176 9.96416 Pr(>|t|) 0.054394 0.000000 0.139619 0.000000 0.087639 0.035767 0.000065 0.000000 0.328851 0.000000 LogLikelihood : 2418.796 Information Criteria -Akaike -6.4149 Bayes -6.3534 Shibata -6.4153 Hannan-Quinn -6.3912 Weighted Ljung-Box Test on Standardized Squared Residuals -statistic p-value Lag[1] 0.5233 0.4694 Lag[2*(p+q)+(p+q)-1][5] 1.6329 0.7072 Lag[4*(p+q)+(p+q)-1][9] 2.9901 0.7606 d.o.f=2 Weighted ARCH LM Tests -Statistic Shape Scale P-Value ARCH Lag[3] 0.9452 0.500 2.000 0.3309 ARCH Lag[5] 2.2525 1.440 1.667 0.4181 ARCH Lag[7] 2.7311 2.315 1.543 0.5657 INR (11-11) * -* * GARCH Model Fit * * -* Conditional Variance Dynamics GARCH Model : fGARCH(1,1) fGARCH Sub-Model: TGARCH Mean Model : ARFIMA(1,0,1) Distribution : sstd Optimal Parameters -Estimate Std Error t value Pr(>|t|) mu -0.000059 0.000219 -0.268447 0.788355 ar1 0.898645 0.025723 34.935487 0.000000 ma1 -0.832081 omega 0.000076 alpha1 0.252274 beta1 0.842068 eta11 0.000890 skew 0.906023 shape 2.894801 0.035039 -23.747034 0.000000 0.000046 1.648584 0.099233 0.043658 5.778468 0.000000 0.028061 30.008220 0.000000 0.098311 0.009058 0.992773 0.040839 22.185180 0.000000 0.269118 10.756644 0.000000 LogLikelihood : 2765.556 Information Criteria -Akaike Bayes Shibata Hannan-Quinn -7.3410 -7.2856 -7.3413 -7.3197 Weighted Ljung-Box Test on Standardized Squared Residuals -statistic p-value Lag[1] 0.8155 0.3665 Lag[2*(p+q)+(p+q)-1][5] 1.3512 0.7764 Lag[4*(p+q)+(p+q)-1][9] 2.1330 0.8885 d.o.f=2 Weighted ARCH LM Tests -Statistic Shape Scale P-Value ARCH Lag[3] 0.6456 0.500 2.000 0.4217 ARCH Lag[5] 0.9742 1.440 1.667 0.7406 ARCH Lag[7] 1.2920 2.315 1.543 0.8619 TWD (12-11) * -* * GARCH Model Fit * * -* Conditional Variance Dynamics GARCH Model : fGARCH(1,1) fGARCH Sub-Model: TGARCH Mean Model : ARFIMA(1,0,2) Distribution : sged Optimal Parameters -Estimate Std Error t value mu 0.000019 0.000014 1.39679 ar1 0.791048 0.015104 52.37474 ma1 -0.711213 0.015379 -46.24637 ma2 -0.021655 0.004291 -5.04653 omega 0.000538 0.000120 4.46396 alpha1 0.199961 0.036210 5.52230 beta1 0.765772 0.037338 20.50918 eta11 -0.026341 0.071292 -0.36949 skew 1.024348 0.017926 57.14326 shape 0.979754 0.069278 14.14244 LogLikelihood : 2898.492 Information Criteria Pr(>|t|) 0.162476 0.000000 0.000000 0.000000 0.000008 0.000000 0.000000 0.711766 0.000000 0.000000 Akaike Bayes Shibata Hannan-Quinn -7.6924 -7.6309 -7.6927 -7.6687 Weighted Ljung-Box Test on Standardized Squared Residuals -statistic p-value Lag[1] 2.020 0.1552 Lag[2*(p+q)+(p+q)-1][5] 2.895 0.4266 Lag[4*(p+q)+(p+q)-1][9] 3.440 0.6847 d.o.f=2 Weighted ARCH LM Tests -Statistic Shape Scale P-Value ARCH Lag[3] 0.7354 0.500 2.000 0.3911 ARCH Lag[5] 1.3597 1.440 1.667 0.6300 ARCH Lag[7] 1.5486 2.315 1.543 0.8116 CNY (11-22) * -* * GARCH Model Fit * * -* Conditional Variance Dynamics GARCH Model : fGARCH(2,2) fGARCH Sub-Model: TGARCH Mean Model : ARFIMA(1,0,1) Distribution : sstd Optimal Parameters -Estimate Std Error t value mu -0.000001 0.000000 -6.410721 ar1 0.980814 0.001629 601.983313 ma1 -0.955460 0.005837 -163.686416 omega 0.000000 0.000000 0.004743 alpha1 0.348195 0.029196 11.926128 alpha2 0.013850 0.001371 10.101497 beta1 0.623582 0.055946 11.146241 beta2 0.105810 0.048245 2.193167 eta11 -0.015420 0.082049 -0.187939 eta12 0.267932 0.233527 1.147331 skew 1.044166 0.039458 26.462729 shape 3.483846 0.228725 15.231624 Pr(>|t|) 0.000000 0.000000 0.000000 0.996216 0.000000 0.000000 0.000000 0.028295 0.850924 0.251245 0.000000 0.000000 LogLikelihood : 4946.58 Information Criteria -Akaike Bayes Shibata Hannan-Quinn -13.141 -13.068 -13.142 -13.113 Weighted Ljung-Box Test on Standardized Squared Residuals -statistic p-value Lag[1] 0.001344 0.9708 Lag[2*(p+q)+(p+q)-1][11] 0.008173 1.0000 Lag[4*(p+q)+(p+q)-1][19] 0.013768 1.0000 d.o.f=4 Weighted ARCH LM Tests -Statistic Shape Scale P-Value ARCH Lag[5] 0.001353 0.500 2.000 0.9707 ARCH Lag[7] 0.003487 1.473 1.746 0.9999 ARCH Lag[9] 0.005285 2.402 1.619 1.0000 KRW (22-11) * -* * GARCH Model Fit * * -* Conditional Variance Dynamics GARCH Model : fGARCH(1,1) fGARCH Sub-Model: TGARCH Mean Model : ARFIMA(2,0,2) Distribution : sstd Optimal Parameters -Estimate Std Error t value mu -0.000385 0.000001 -387.2282 ar1 0.479277 0.000444 1078.6109 ar2 0.520235 0.000514 1013.0644 ma1 -0.430289 0.000150 -2864.0299 ma2 -0.584640 0.000176 -3325.9210 omega 0.000789 0.000220 3.5911 alpha1 0.192431 0.038462 5.0031 beta1 0.785119 0.036544 21.4840 eta11 0.372972 0.153077 2.4365 skew 0.914266 0.049451 18.4883 shape 6.912642 1.560063 4.4310 Pr(>|t|) 0.000000 0.000000 0.000000 0.000000 0.000000 0.000329 0.000001 0.000000 0.014830 0.000000 0.000009 LogLikelihood : 2343.494 Information Criteria -Akaike Bayes Shibata Hannan-Quinn -6.2117 -6.1440 -6.2121 -6.1856 Weighted Ljung-Box Test on Standardized Squared Residuals -statistic p-value Lag[1] 0.007559 0.9307 Lag[2*(p+q)+(p+q)-1][5] 2.116721 0.5911 Lag[4*(p+q)+(p+q)-1][9] 2.953409 0.7666 d.o.f=2 Weighted ARCH LM Tests -Statistic Shape Scale P-Value ARCH Lag[3] 0.1782 0.500 2.000 0.6730 ARCH Lag[5] 0.5671 1.440 1.667 0.8636 ARCH Lag[7] 0.8708 2.315 1.543 0.9336 VND (12-11) * -* * GARCH Model Fit * * -* Conditional Variance Dynamics GARCH Model : fGARCH(1,1) fGARCH Sub-Model: TGARCH Mean Model : ARFIMA(1,0,2) Distribution : sstd Optimal Parameters -Estimate Std Error t value mu -0.000319 0.000045 -7.158463 ar1 0.867191 0.046122 18.802216 ma1 -0.876103 0.058076 -15.085359 ma2 0.064221 0.026482 2.425080 omega 0.000314 0.000084 3.758607 alpha1 1.000000 0.164380 6.083451 beta1 0.773534 0.039028 19.820046 eta11 0.005661 0.137995 0.041022 skew 0.865505 0.029083 29.760246 shape 2.034940 0.003156 644.840084 Pr(>|t|) 0.000000 0.000000 0.000000 0.015305 0.000171 0.000000 0.000000 0.967278 0.000000 0.000000 LogLikelihood : 3983.457 Information Criteria -Akaike Bayes Shibata Hannan-Quinn -10.582 -10.520 -10.582 -10.558 Weighted Ljung-Box Test on Standardized Squared Residuals -statistic p-value Lag[1] 0.002078 0.9636 Lag[2*(p+q)+(p+q)-1][5] 0.006637 1.0000 Lag[4*(p+q)+(p+q)-1][9] 0.011154 1.0000 d.o.f=2 Weighted ARCH LM Tests -Statistic Shape Scale P-Value ARCH Lag[3] 0.002198 0.500 2.000 0.9626 ARCH Lag[5] 0.005461 1.440 1.667 0.9998 ARCH Lag[7] 0.008145 2.315 1.543 1.0000 PHỤ LỤC ĐỒ THỊ HÀM COPULA BIẾN ĐỘNG THEO THỜI GIAN SEK RUB THB IDR INR HKD TWD VND ... ĐẠI HỌC KINH TẾ TP.HCM TRẦN THANH TÂM SỬ DỤNG MƠ HÌNH COPULA ĐỂ XEM XÉT VAI TRÒ CỦA VÀNG LÀ KÊNH TRÚ ẨN AN TỒN HAY CƠNG CỤ PHỊNG NGỪA RỦI RO ĐỐI VỚI ĐỒNG ĐƠ LA MỸ Chun ngành: Tài ngân hàng Mã... 2.1.1 Vàng công cụ phòng ngừa rủi ro 2.1.2 Vàng kênh trú ẩn an toàn 2.1.3 Vàng kênh trú ẩn an toàn cơng cụ phịng ngừa rủi ro .8 2.2 Nghiên cứu ứng dụng copula tài ... trạng thái này, vàng đ ng vai trị cơng cụ phịng ngừa rủi ro hay ênh trú ẩn an tồn đồng la Mỹ Juan C Re oredo (2013 nghiên cứu vai trị vàng ênh trú ẩn an tồn cơng cụ phịng ngừa rủi ro đồng USD Tác