ĐỀ TÀI: ỨNG DỤNG MƠ HÌNH ARCH – GARCH PHÂN TÍCH SỰ BIẾN ĐỘNG LỢI SUẤT CỔ PHIẾU NGÀNH HÀNG KHƠNG TRÊN SÀN GIAO DỊCH CHỨNG KHỐN THÀNH PHỐ HỒ CHÍ MINH (HOSE) INTRODUCTION Lý chọn đề tài Sự phát triển ứng dụng công cụ kinh tế lượng lĩnh vực tài chính đã giới thiệu nhiều mô hình và kỹ thuật phân tích giúp chúng ta không những có thể dự báo hành vi của những nhà đầu tư qua suất sinh lợi kỳ vọng, mà còn dự báo rủi ro bằng các chỉ báo phương sai hay độ lệch chuẩn Nhiều mô hình định giá tài sản đã nô lực ước lượng suất sinh lợi kỳ vọng của một tài sản cụ thể và ứng với môi suất sinh lợi kỳ vọng đều bao hàm yếu tố rủi ro hệ thống và rủi ro phi hệ thống Với thực tiễn như vậy, các mô hình kinh tế lượng và dự báo đòi hỏi phải có khả năng dự báo mức độ dao động của các chuôi thời gian Các mô hình dự báo như vậy thuộc nhóm mô hình ARCH (Autogressive Conditional Heteroske- dasticity) Trong những năm gần đây, các mô hình ARCH đã được nhiều nhà nghiên cứu sử dụng để ước lượng các nhân tố ảnh hưởng đến rủi ro của các tài sản tài chính trên thị trường chứng khoán, thị trường vàng, và nhiều thị trường cao cấp khác nhằm cung cấp thông tin cho các quyết định kinh doanh, và đặc biệt quản trị rủi ro Mô hình ARCH Engle phát triển năm 1982 Mô hình này cho rằng phương sai của các số nhiễu tại thời điểm t phụ thuộc vào các số hạng nhiễu bình phương ở các giai đoạn trước Engle cho rằng tốt nhất chúng ta nên mô hình hóa đồng thời giá trị trung bình và phương sai của chuôi dữ liệu nghi ngờ rằng giá trị phương sai thay đổi theo thời gian Theo Engle (1995), một những hạn chế của mô hình ARCH là nó có vẻ giống dạng mô hình trung bình di động hơn là dạng mô hình tự hồi quy (AR) Vì vậy một ý tưởng mới được đề xuất là chúng ta nên đưa thêm các biến trễ của phương sai có điều kiện vào phương trình phương sai theo dạng tự hồi quy Ý tưởng này Tim Bollerslev đề xuất lần đầu tiên vào năm 1986 trên tạp chí Journal of Econometrics với tên gọi “Genreralised Autogressive Conditional Heteroskedasticity”; và viết tắt là mô hình GARCH Ngoài ra, nếu các ảnh hưởng ARCH có quá nhiều độ trễ sẽ có ảnh hưởng đến kết quả ước lượng giảm đáng kể số bậc tự mô hình, và điều này càng nghiêm trọng đối với các chuôi thời gian ngắn Chính vì vậy, mô hình GARCH có xu hướng được các nhà dự báo sử dụng phổ biến hơn Mặt khác giới nghiên cứu hiện đã có một số công trình nghiên cứu được công bố như : Hiệu ứng GARCH trên dãy lợi suất thị trường chứng khoán Việt Nam 2000-2003 của tác giả Vương Quân Hoàng (2004); Dự báo biến động giá chứng khoán qua mô hình Arch – Garch của tác giả Phạm Chí Khoa; hay Mô hình hóa biến động thị trường chứng khoán: Thực nghiệm từ Việt Nam của nhóm tác giả Hồ Thủy Tiên, Hồ Thu Hoài, Ngô Văn Toàn (2017) Tuy nhiên, tính tới thời điểm hiện tại chưa có nghiên cứu nào Tuy nhiên chưa có công trình nghiên cứu nào nghiên cứu việc áp dụng mô hình Arch – Garch vào việc phân tích biến động lợi suất cổ phiếu ngành hàng không bối cảnh dịch Covid-19 tác động mạnh nhất đến ngành này là giai đoạn 2020 – 2021 Xuất phát từ những lý trên tác qỉa quyết định lựa chọn đề tài nghiên cứu “ỨNG DỤNG MƠ HÌNH ARCH – GARCH PHÂN TÍCH SỰ BIẾN ĐỘNG LỢI SUẤT CỔ PHIẾU NGÀNH HÀNG KHÔNG” làm đề tài khoá luận tớt nghiệp Tình hình nghiên cứu 2.1 Nghiên cứu giới Nhiều nghiên cứu đã bàn về tính hiệu quả của các mô hình GARCH việc giải thích tính dễ biến động của thị trường chứng khoán Bên cạnh đó, một vài nghiên cứu cũng đã được thực hiện trên thị trường Ai Cập, nghiên đã kiểm tra sự biến động tỷ suất lợi nhuận bằng cách sử dụng chỉ số chứng khoán Khartoum Stock Khartoum (KSE) và Cairo & Alexandria Stock Exchange (CASE), từ đó cho thấy mô hình GARCH-M với phương sai có điều kiện với ý nghĩa thống kê cho cả hai thị trường này đồng thời tồn tại hiệu ứng đòn bẩy tỷ suất lợi nhuận của KSE và kỳ vọng thuận chiều ở CASE Floros (2008) nghiên cứu độ biến động sử dụng dữ liệu hàng ngày từ chỉ số chứng khoán Middle East và Egyptian CMA và Israeli TASE-100, đó sử dụng GARCH, EGARCH, TGARCH, CGARCH (C0mponent GARCH), AGARCH (Asymmetric Component GARCH) và PGARCH (Power GARCH) [15] Nghiên cứu cho thấy hệ số mô hình EGARCH có tác động âm và có ý nghĩa với các chỉ số này, đồng thời tồn tại hiệu ứng đòn bẩy Mô hình AGARCH cho thấy đòn bẩy tạm thời yếu phương sai có điều kiện và nghiên cứu này cũng cho thấy sự gia tăng rủi ro sẽ không nhất thiết dẫn tới sự gia tăng tỷ suất lợi nhuận AbdElaal (2011) nghiên cứu tỷ suất lợi nhuận của chỉ số thị trường chứng khoán Ai Cập giai đoạn 1998-2009 và nhận thấy mô hình EGARCH là mô hình tốt tất cả các mô hình dùng để đo lường độ dao động Trong đó, GC (2009) sau thực hiện nghiên cứu ở thị trường chứng khoán Nepalese đã tìm thấy bằng chứng về sự bất đối xứng của phương sai có điều kiện đối với tỷ suất lợi tức bởi GARCH (1,1) và GARCH (1,1) là mô hình thích hợp để dự báo Karmakar (2005) ước tính mô hình biến động nhằm nắm bắt các tính năng của biến động thị trường chứng khoán ở Ấn Độ [18a] Nghiên cứu cũng điều tra sự hiện diện của hiệu ứng đòn bẩy trên thị trường chứng khoán Ấn Độ và chứng minh rằng mô hình GARCH(1,1) cung cấp dự báo biến động thị trường khá tốt Trong đó, nghiên cứu của Karmakar (2007) cho thấy phương sai có điều kiện không đối xứng giai đoạn nghiên cứu và mô hình EGARCH-M được cho là mô hình thể hiện đầy đủ mối quan hệ thuận chiều giữa rủi ro và lợi nhuận Goudarzi và Ramanarayanan (2010) nghiên cứu sự biến động của thị trường chứng khoán Ấn Độ (Bombay Stock Exchange), đó sử dụng chỉ số S&P BSE 500 làm đại diện 10 năm [19a] Dữ liệu bao gồm 2.108 quan sát giá đóng cửa theo ngày của chỉ số BSE500 từ 26/7/2000 đến 20/01/2009, được lấy từ Sở Giao dịch Chứng khoán Bangalore Mô hình ARCH và GARCH được ước tính là hai mô hình tốt nhất, được lựa chọn bằng cách sử dụng AIC (akaike information criterion) và SIC (schwarz information criterion) Nghiên cứu cho rằng GARCH (1,1) là mô hình thích hợp nhất để giải thích biến động theo cụm và có ý nghĩa cho chuôi dữ liệu ở giai đoạn nghiên cứu Hơn nữa, theo nghiên cứu của Goudarzi và Ramanarayanan (2011), từ kết quả khảo sát sự biến động của chỉ số chứng khoán S&P BSE 500 và hai mô hình phi tuyến tính bất đối xứng EGARCH (1,1) và TGARCH (1,1) cho thấy TGARCH (1,1) là mô hình tốt nhất theo AIC, SIC và tiêu chuẩn giá trị hợp lý cực đại (Log likelihood) Singh và Tripathi (2016) nghiên cứu giá chứng khoán Ấn Độ nhằm xem xét liệu biến động là bất đối xứng hay không thông qua sử dụng tỷ suất lợi nhuận hàng ngày giai đoạn 2000-2010 Nghiên cứu cho thấy mô hình GARCH và PGARCH là hai mô hình tốt nhất để đo lường đối xứng và hiệu ứng bất đối xứng tương ứng Kulshreshtha và Mittal (2015) sử dụng mô hình khác để dự báo biến động trên các thị trường chứng khoán Ấn Độ và nước ngoài Chỉ số NSE (National Stock Exchange) và BSE (Bombay Stock Exchange) được coi như là đại diện cho thị trường chứng khoán Ấn Độ và các dữ liệu tỷ giá hối đoái cho đồng Rupee Ấn Độ và ngoại tệ giai đoạn 2000-2013 Số liệu thống kê dự báo nghiên cứu cho thấy rằng hai mô hình TARCH và PARCH phù hợp với việc đánh giá thị trường chứng khoán thông qua dự báo biến động các chỉ số BSE và NSE và các mô hình ARMA (1,1), ARCH (5), EGARCH phù hợp hơn với thị trường ngoại hối 2.2 Nghiên cứu nước Ở Việt Nam, các tác giả như Võ Thị Thúy Anh và Nguyễn Anh Tùng (2010), Đặng Hữu Mẫn và Hoàng Dương Việt Anh (2013), Bùi Hữu Phước, Phạm Thị Thu Hồng và Ngô Văn Toàn (2016) cũng tiến hành nghiên cứu về mô hình giá trị chịu rủi ro (VaR - Value at Risk) kết hợp sử dụng mô hình ARCH và GARCH để ước tính tham số phương sai (độ lệch chuẩn) [22-24] Kết quả cho thấy việc ước tính khá chính xác và các tác giả cũng khẳng định mô hình GARCH là mô hình hữu ích việc quản trị rủi ro Các nghiên cứu còn cho thấy thị trường chứng khoán có những giai đoạn dao động bất thường khiến hoạt động đầu tư gặp rủi ro, đồng thời cung cấp một phương pháp xác định độ dao động giá cổ phiếu để từ đó đưa các quyết định phù hợp Trịnh Thị Huyền Trang và Lê Thị Thu Thảo (2021) đã thực hiện nghiên cứu dựa trên dữ liệu thu thập là giá đóng cửa của cổ phiếu Công ty Cổ phần Sữa Việt Nam (VNM) theo ngày, từ ngày 31/8/2016 đến ngày 14/9/2020, bao gồm 989 quan sát được sử dụng đo lường sự biến động của giá cổ phiếu và lợi suất ngày Từ đó sử dụng mô hình ARCH-GARCH để dự báo lợi suất của cổ phiếu VNM Chuôi lợi suất theo ngày của VNM tuân theo quy luật phân phối chuẩn và có tính dừng Kết quả nghiên cứu cho thấy mô hình GARCH(1,1) phù hợp để tiến hành dự báo tỷ suất của cổ phiếu VNM Những biến động quá khứ của thị trường có thể được lặp lại hiện tại và nghiên cứu dự báo những biến động của thị trường góp phần cung cấp dữ liệu quan trọng việc quyết định phân bổ tài sản, quản lý rủi ro và quản lý các danh mục đầu tư cho các nhà đầu tư trên thị trường chứng khoán Việt Nam Mục tiêu nghiên cứu Ứng dụng mô ARCH/GARCH vào phân tích biến động lợi suất của cổ phiếu ngành hàng không niêm yết trên thị trường chứng khoán Từ đó, nghiên cứu chỉ mô hình dự báo lợi suất của cổ phiếu ngành hàng không thời gian tới Trên cơ sở mục tiêu chung, đề tài xác định các mục tiêu cụ thể như sau: Thứ nhất, Kiểm chứng khả năng giải thích của mô hình ARCH/GARCH cho sự thay đổi lợi suất của cổ phiếu nhóm ngành hàng không giai đoạn từ năm 2020 – 2022 Thứ hai xây dựng mô hình dự báo lợi suất cho cổ phiếu này thời gian tới Đối tượng phạm vi nghiên cứu 4.1 Đối tượng nghiên cứu Sử dụng mô hình ARCH/GARCH vào việc phân tích biến động lợi suất cổ phiếu ngành hàng không 4.2 Phạm vi nghiên cứu Nghiên cứu dựa trên các số liệu thứ cấp được thu thập trên thị trường chứng khoán Việt Nam, mẫu dữ liệu về giá đóng cửa, từ đó tính tỷ suất sinh lời theo thời gian của cổ phiếu nhóm ngành hàng không Phương pháp nghiên cứu Thu thập và tính toán dữ liệu nghiên cứu Tác giả tiến hành thu thập các thông tin về giá đóng cửa của cổ phiếu theo ngày, từ ngày 15/03/2020 đến ngày 18/9/2022 Căn cứ vào chuôi giá đóng cửa của cổ phiếu ta tính tỷ suất sinh lợi của cổ phiếu Phương pháp xử lý, tổng hợp và phân tích dữ liệu Nghiên cứu sử dụng các phương pháp truyền thống như diễn giải, phân tích, tổng hợp, ,đề tài đã ứng dụng mô hình tài chính hiện đại, kết hợp với các kiến thức về xác suất, thống kê toán, kinh tế lượng và công cụ mô tả thống kê, phân tích tương quan, phân tích hồi quy dựa trên phần mềm Excel và phần mềm Eview, Stata 8.0 Cấu trúc khoá luận CHAPTER 1: TỔNG QUAN VỀ NGÀNH HÀNG KHÔNG TẠI VIỆT NAM 1.1 Tổng quan ngành hàng không giai đoạn từ năm 2020 – 2022 1.1.1 Hàng không giới Trong năm 2020, dịch Covid-19 đã tạo một cú sốc lớn nhất cho ngành hàng không thế giới kể từ sau chiến tranh thế giới thứ Mặc dù, những tác động tiêu cực được cho là tác động rất lớn đến ngành hàng không trước đây như vụ khủng bố 9-11 và khủng hoảng tài chính toàn cầu (GFC) năm 2007-2008, nhưng vẫn không thể so sánh được với mức giảm 66% của lượng khách luân chuyển (Revenue passenger kilometers - RPKs) dịch bệnh gây năm vừa rồi Gây ảnh hưởng đầu tiên tại thị trường hàng không Trung Quốc vào đầu năm 2020 và nhanh chóng lan rộng toàn bộ các hãng hàng không trên toàn cầu, bắt đầu từ tháng và chạm đáy vào tháng 4, mà lượng hành khách giảm đến 94% so với cùng kỳ năm trước Các chính sách kiểm soát chặt chẽ của các quốc gia hằm ngăn chặn việc nhập khẩu Covid-19 từ bên ngoài, đã khiến cho lượng khách vận chuyển quốc tế bắt đầu giảm vào tháng Hai và chạm đáy vào tháng Ba, tháng Tư với mức giảm 98% so với cùng kỳ năm trước Sự phục hồi chậm chạp sau đó đã gây ảnh hưởng rất lớn tới doanh thu của các hãng hàng không và sự kết nối của nền kinh tế toàn cầu Tính đến tháng 9/2020, RPKs toàn cầu vẫn thấp hơn gần 89% so với năm 2019 Trong đó, các chuyến bay nội địa cho thấy những dấu hiệu tích cực hơn, hồi phục nhanh chóng từ mức đáy tháng Tư (giảm 89% so với năm trước) Sau dịch bệnh phần nào được kiểm soát, các tuyến bay nội địa tại các quốc gia được nối lại khiến lượng khách luân chuyển hồi phục nhanh chóng, điều đó cho thấy nhu cầu lại, du lịch và thăm bạn bè/người thân bị dồn nén dịch bệnh diễn Nhiều hãng hàng không bên bờ vực phá sản Làn sóng cắt giảm nhân sự tại nhiều hãng bay Nhu cầu lại thấp khiến các hãng hàng không trên thế giới phải tái cơ cấu và căt giảm chi phí để trì hoạt động Hơn 400.000 việc làm ngành hàng không đã bị cắt giảm, 45% các hãng hàng không đã sa thải nhân viên từ quý II.2020 và kéo dài đến hết năm Kể từ đầu năm 2020 tới hết tháng 9/2020, có khoảng 43 hãng hàng không phá sản hoặc tạm ngừng hoạt đông (+59,25%yoy) Tuy nhiên số này vẫn thấp hơn so với mức 63 hãng năm 2008 Hiện tại, các hãng hàng không vẫn chống chọi để trì hoạt động, một phần nhờ nguồn lực của doanh nghiệp, phần khác nhờ chính phủ bơm tiền Theo dự báo của IATA, tính đến hết năm 2020, số lượng doanh nghiệp phá sản có thể tăng lên 70 hãng Các chính sách hỗ trợ của chính phủ trên thế giới Kể từ xảy dịch bệnh đến nay, các chính phủ trên thế giới đã chi tổng cộng khoảng 173 tỷ USD hô trợ cho ngành hàng không dưới nhiều hình thức như viện trợ trực tiếp, trợ cấp tiền lương, giảm thuế thu nhập, giảm thuế nhiên liệu bay và các dịch vụ liên quan Tuy nhiên, viện trợ của chính phủ được phân bổ không đồng đều giữa các quốc gia Trong các hãng hàng không ở Hoa Kỳ, Châu Âu và các đến lượng hành khách nội địa thấp hơn dự kiến và việc nối lại lưu lượng quốc tế chậm hơn dự kiến, tiềm ẩn rủi ro ngắn hạn cho ngành hàng không Trong đó, việc thống nhất mở cửa bay quốc tế nhưng những yêu cầu về chính sách nhập cảnh, điều kiện y tế hành khách nhập cảnh nếu không điều chỉnh cũng khó thu hút khách du lịch Thứ ba, hiện tại, giá dầu Brent đã tăng 67% lên khoảng 83 USD/thùng kể từ đầu năm 2021 kinh tế toàn cầu phục hồi mạnh mẽ Giá nhiên liệu cao hơn dự kiến dẫn đến chi phí khai thác của các hãng hàng không cao hơn, điều này có thể làm tăng giá vé và giảm nhu cầu máy bay CHƯƠNG 2: MƠ HÌNH BIẾN ĐỘNG LỢI SUẤT CỔ PHIẾU NGÀNH HÀNG KHÔNG TRÊN SÀN GIAO DỊCH CHỨNG KHỐN THÀNH PHỐ HỒ CHÍ MINH (HOSE) 2.1 Mơ hình phương pháp nghiên cứu Để phân tích sự biến động lợi suất cổ phiếu ngành hàng không trên sàn giao dịch chứng khoán thành phố Hồ Chí Minh (HOSE) trước tiên nghiên cứu xây dựng mô hình ARCH đánh giá sự tác động của các cú sốc quá khứ lên sự biến động của tỷ suất sinh lợi của cổ phiếu các doanh nghiệp ngành hàng không niêm yết trên sàn giao dịch chứng khoán thành phố Hồ Chí Minh (HOSE) giai đoạn từ thàng năm 2020 đến thời điểm hiện tại Sau đó sử dụng mô hình GARCH đưa thêm các yếu tố phương sai trễ lên phương sai có điều kiện của tỷ suất sinh lợi Cuối cùng nghiên cứu xét sự ảnh hưởng của yếu tố rủi ro thông qua mô hình GARCH_M Các mô hình được xây dựng theo quy trình hai bước, bước xác định bậc của mô hình, bước hai ước lượng mô hình bằng phương pháp hợp lý cực đại Để xác định bậc trước tiên ta phải kiểm định tính dừng của chuôi tỷ suất sinh lợi, sau đó lựa chọn mô hình ARMA phù hợp để ước lượng tỷ suất sinh lợi trung bình của các doanh nghiệp ngành hàng không niêm yết trên sàn giao dịch chứng khoán thành phố Hồ Chí Minh (HOSE), rồi kiểm định hiệu ứng ARCH cho mô hình ước lượng được, từ đó xác định bậc của mô hình 2.1.1 Dữ liệu nghiên cứu Nghiên cứu sử dụng giá cổ phiếu của các doanh nghiệp kinh doanh dịch vụ vận chuyển hành khách ngành hàng không niêm yết trên sở giao dịch chứng khoán Thành phố Hồ Chí Minh (HOSE) với chuôi dữ liệu gồm giá đống cửa hàng ngày giai đoạn từ ngày 2/3/2020 đến ngày 24/9/2022 Đây là chuôi dữ liệu thời gian bao gồm 1046 quan sát Các phân tích được thực hiện trên phần mềm Eview 8.0 2.1.2 Mơ hình nghiên cứu Nghiên cứu sử dụng giá cổ phiếu của các doanh nghiệp được ước tính dựa trên tỷ suất sinh lợi rt với rit = log (Pit/Pit-1) Trong đó, Pit và Pit-1 là giá đóng cửa của cổ phiếu doanh nghiệp i tương ứng tại thời điểm t, t-1 Giá trị trung bình của tỷ suất sinh lợi rt là: Rủi ro ở đây là phương sai có điều kiện của tỷ suất sinh lợi rt là: Trong đó là tập hợp thông tin có ở thời điểm t-1 Để ước lượng cho tỷ suất sinh lợi trung bình, nghiên cứu sử dụng mô hình ARMA (p,q): Trong đó là biến giải thích nào đó, đặc trưng các cú sốc của tỷ suất sinh lợi một loại tài sản ở thời điểm t, p, q là các số nguyên không âm được xác định dựa trên lược đồ tương quan chuôi Sau xác định p, q ta ước lượng các mô hình trung bình ARMA (p,q) bằng phương pháp bình phương nhỏ nhất (OLS), rồi chọn một mô hình ước lượng phù hợp nhất Dựa trên phần dư et thu được tiến hành kiểm định hiệu ứng ARCH của mô hình Từ (1) và (2) ta có: Mô hình ARCH cho rằng phương sai các sai số tại thời điểm t phụ thuộc vào các sai số bình phương ở các giai đoạn trước: Mô hình ARCH (p) có dạng: , (4) Trong đó đại diện cho mức độ biến động của , > với j =1,…,p Giả thiết IID (Independent and identical distribution) hoặc phân phối student Trước ước lượng mô hình GARCH bằng phương pháp hợp lý cực đại, ta cần xác định bậc của mô hình ARCH dựa trên lược đồ tương quan Nhước điểm của mô hình ARCH (p) là sử dụng nhiều độ trễ, gây khó khăn cho việc sự báo nên các mô hình GARCH (p,q) mở rộng là thay thế phù hợp Mô hình GARCH (p,q) có dạng , (5) Trong đó > 0; c> 0; > Nếu p>q thì = với i>q Nêú pp Giả thiết IID; ; hoặc phân phối student Để đánh giá tác động của rủi ro lên tỷ suất sinh lợi trung bình nghiên cứu sử dụng mô hình GARCH (1,1)_M Mô hình GARCH (1,1)_M có dạng: , ; 2.2 Kết nghiên cứu Dưới đây là thống kê mô tả biến động giá đống cửa cổ phiếu HVN giai đoạn nghiên cứu Hình Biến động giá đóng cửa cở phiếu HVN Bảng Tóm tắt Mean Median Maximum Minimum Std Dev DONGCUA 70908.85 61575.00 149000.0 14078.00 49577.34 Skewness Kurtosis Jarque-Bera Probability Sum Sum Sq Dev Observations 0.083241 1.123447 154.6846 0.000000 74170655 2.57E+12 1046 Biểu đồ trên cho thấy giá cổ phiếu của Tổng Công ty Hàng không Việt Nam – CTCP có xu hướng tăng thời gian qua Giá trị bình quân thời gian từ 02/03/2020 – hiện tại là 70.908 VNĐ, giá trị tối đa là 149000, giá trị tối thiểu là 14.078 VNĐ Thống kê mô tả tỷ suất sinh lợi của cổ phiếu các doanh nghiệp ngành hàng không (ký hiệu Eview là Logrvn) được mô tả như sau: Bảng 2 Thống kê mô tả chuỗi tỷ suất sinh lợi cổ phiếu các doanh nghiệp ngành hàng không niêm yết triên HOSE theo ngày Mean Median Maximum Minimum Std Dev Skewness Kurtosis Jarque-Bera Probability 0.000189 0.000000 0.029371 -0.031472 0.009040 0.132346 5.620564 302.3559 0.000000 Sum Sum Sq Dev 0.198039 0.085399 Observations 1046 (Nguồn: Kết phân tích SPSS) Giá trị trung bình của chuôi tỷ suất sinh lợi là dương 0.0189% cho thấy trung bình giá cổ phiếu HVN tăng khoảng thời gian quan sát Hệ số bất cân xứng khác không và độ nhọn nhỏ hơn 3, điều này ngụ ý chuôi tỷ suất sinh lợi không tuân thủ phân phối chuẩn Kết hợp với kiểm định Jarrque-Bera có giá trị P-value = 0.0000 rất nhỏ, nên với mức ý nghĩa 1% có thể nói giả thút phân phới ch̉n đã bị bác bỏ Hình 2 Đồ thị chuỗi tỷ suất sinh lợi logrvn giai đoạn từ ngày 2/3/2020 đến hết ngày 24/9/2022 Đồ thị chỉ chuôi tỷ suất sinh lợi theo ngày của VN-index dao động với biên độ lớn xung quanh giá trị trung bình Giá trị độ ljeech chuẩn của tỷ suất sinh lợi là 0.009040 Nhưng giá trị độ lệch chuẩn theo cách tính đơn giản này không bàn đến dao động theo cụm, nó chỉ đơn thuần là độ lệch chuẩn không có điều kiện, không tính đến các yếu tố lịch sử đã qua của các tỷ suất sinh lợi Do đó, tác giả sử dụng mô hình ARCH, các mô hình GARCH để đánh giá được độ biến động của tỷ suất sinh lợi chuôi HVN qua thời gian Nhìn vào lược đồ ta có hệ số tương quan và hệ số tương quan riêng giảm nhanh về nên p=q=1 Xét các mô hình ARMA(1,0), ARMA(0,1), ARMA(1,1) ước lượng cho các giá trị trung bình của tỷ suất sinh lợi, kết quả ước lượng thu được mô hình ARMA(1,0) là phù hợp nhất vì có giá trị hai tiêu chuẩn AIC và SIC nhỏ nhất STT Mô hình ARMA(1,0) ARMA(0,1) ARMA(1,1) C 0,000187 AR(1) 0,121674 MA(1) (p= 0,5551) 0,000187 (p=0,021828) 0,142299 (p=0,556) (p=0,0000) -6,5844 -0,601887 0,724180 (p=0,5294) (p=0,00000) 0,122086 (p=0,00000) -6,590729 (Not c) ARMA(0,1) (p=0,000) (Not c) ARMA(1,1) SIC -6,5702 -6,58705 -6,572845 0,000189 ARMA(1,0) (Not c) AIC -6,57179 -6,586003 -6,576533 0,142653 -0,601159 (p=0,0000) (p=0,0000) 0,723680 -6,588627 -6,579157 (p=0,0000) -6,592257 -6,578052 Kiểm định hiệu ứng ARCH của mô hình ARMA(0,1) thu được kết quả với mức ý nghĩa 5% mô hình có hiệu ứng ARCH tức là có phương sai sai số thay đổi theo thời gian, ta xác định được bậc của mô hình ARCH là Dùng phương pháp ước lượng cho trung bình của logrvn: logrvn = 0.000187 e (t-1) KẾt quả cho thấy biến động của thời điểm t-1 làm cho giá trị logrvn thời điểm t tăng thêm 0.000187 Hệ số hồi quy: σ = 0,0000498 + 0.1953 * σ(t-1) + 0.124496 * σ(t-2) + 0.050977 * σ(t-3) Các hệ số của phương trình cho thấy phương sai của tỷ suất sinh lợi HVN tại thời điểm t phụ thuộc vào các cú sốc tại thời điểm trước đó Điều này chứng tỏ các cú sốc quá khứ có ảnh hưởng đến sự biến động tỷ suất sinh lợi của cổ phiếu HVN Mô hình ARCH(3) sử dụng nhiều độ trễ, gây khó khăn cho việc dự báo nên các mô hình GARCH là phù hợp thay thế cho mô hình ARCH bậc cao để đo lường độ biến động của tỷ suất sinh lợi trên thị trường chứng khoán Việt Nam Kết quả GARCH model: Coefficients Mean μ C Variance Constant á1 (ARCH effect) a1 (GARCH effect) GARCH(1,1) GARCH (1,1) - M 0,106266 p=0.0049 0.000170 p=0.5246 0.011777 p=0.7068 -0.000377 p=0.2042 9.18E-06 p=0.0000 0.155341 p=0.0000 0.728521 p=0.0000 9.41E-06 p=0.0096 0.357642 p=0.0054 0.700666 p=0.0000 Các hệ số hồi quy của mô hình GARCH(1,1) đều có ý nghĩa thống kê ở mức 5% Tuy nhiên mô hình GARCH-M không cho thấy có ý nghĩa thống kê Điều này cho thấy chưa thể nói rủi ro có tác động đến tỷ suất sinh lợi Đồng thời cho thấy mô hình GARCH(1,1) là phù hộ nhất để dự báo tỷ suất sinh lợi trung bình của cổ phiếu HVN và phương sai của nó Trong phương trình phương sai có điều kiện, kết quả các mô hình đều là hệ số B1 lớn hơn nhiều so với hệ số a1, tức là cú sốc xảy có ảnh hưởng lâu dài đến sự biến động của VN-index Kết quả mô hình GARCH(1,1) chỉ với mức ý nghĩa 1% cú sốc tại thời điểm t-1 giải tích 10.6266% sự thay đổi của tỷ suất sinh lợi trung bình tại thời điểm t Ngoài ra, ta có a1 + B1 = 0.883866 < nhưng tương đối gần 1, nghĩa là các cú sốc quá khứ có ảnh hưởng dai dẳng đến sự biến động của tỷ suất sinh lợi của HVN và B1= 0.728521 thể hiện sự biến động của thị trường là lâu dài, tỷ suất sinh lợi tại thời điểm t chịu sự tác động lớn bởi sự biến động của tỷ suất sinh lợi tại thời điểm t-1 lên tới 72.85% Tiếp theo là kết quả ước lượng mô hình TGARCH(1,1) thể hiện bảng dưới đây: TGARCH(1,1 Coefficients Mean μ Variance Constant ) 0.107201 p=0.0043 8.88E-06 p=0.0000 á1 (ARCH effect) 0.136493 p=0.0000 â1 (GARCH effect) ã 0.734451 p=0.0000 0.035953 p=0.2894 Kết quả cho thấy những cú sốc âm (u t < 0) đóng góp vào σ^^2 một lượng là 0.136493 + 0.035953 = 0.172466, những cú sốc dương (u t > 0) đóng góp 0.136493 Điều này ngụ ý những cú sốc âm hay tin tức xấu có tác động đến sự biến động của tỷ suất sinh lợi của HVN nhiều hơn tác động của các cú sốc dương hay tin tốt, với mức ảnh hưởng 3.59% CHƯƠNG 3: KẾT LUẬN VÀ KIẾN NGHỊ 3.1 Kết luận Nghiên cứu ứng dụng mô hình ARMA(0,1), ARCH(3), GARCH(1,1), GARCH(1,1)_M, T_GARCH (1,1) để phân tích sự biến động của chuôi tỷ suất sinh lợi của HVN giai đoạn 2020 – 2022 - Mô hình ARCH(3) chỉ các cú sốc quá khứ có ảnh hưởng đến tỷ suất sinh lợi của HVN ở hiện tại và hơn thế nữa các cú sốc có ảnh hưởng dai dẳng đến sự biến động của tỷ suất sinh lợi - Mô hình GARCH(1,1) là nghiên cứu chỉ là ưu việt hơn để dự báo cho phương sai số có điều kiện của tỷ suất sinh lợi Nhiều nghiên cứu trước đây cũng chỉ kết quả tương tư Mô hình GARCH(1,1) cho thấy tỷ suất sinh lợi quá khứ có ảnh hưởng tới tỷ suất sinh lợi ở hiện tại và sự biến động của tỷ suất sinh lợi ở hiện tại chịu ảnh hưởng không chỉ cú sốc ở quá khứ mà còn chịu sự tác động tương đối lớn bởi sự biến động của tỷ suất sinh lợi quá khứ (khoảng 72.58%) - Mô hình GARCH(1,1)_M cho biết chưa thể nói rằng rủi ro có ảnh hưởng đến tỷ suất sinh lợi của HVN Mô hình T_GARCH cho thấy có hiện tượng thông tin bất cân xứng giai đoạn nghiên cứu, cụ thể, các cú sốc âm có ảnh hưởng lớn hơn so với các cú sốc tích cực 3.2 Đề xuất hướng nghiên cứu Vì mô hình ARMA – GARCH với ý nghĩa mô phỏng lại hành vi, diễn biến quá khứ, từ đó làm cơ sở dự báo nên mô hình dự báo trở nêm không có ý nghĩa đáng kểm bởi không nhận diện rõ các yếu tố khác tác động lên thị trường chứng khoán Mô hình ARMA chỉ dự báo được ngắn hạn nên nghiên cứu chỉ đưa được dự báo cho giá cổ phiếu ngành hàng không ngày sau điểm cuối của dữ liệu Do chỉ số giá cổ phiếu có tính quy luật thâos nên nếu có một cú sốc tác động lên thị trường sẽ khiến chỉ số giá cổ phiếu ngành hàng không điều chỉnh mạnh Thực tế việc đưa dự báo cho giá cổ phiếu ngành hàng không dài hạn cũng rất khó đặc thù thị trường chứng khoán Việt Nam bị chi phối với nhiều yếu tố như: tâm lý nhà đầu tư, các yếu tố vĩ mô, chính sách chỉnh phủ Từ những xác định về hạn chế nghiên cứu đề tài đề xuất một số hướng nghiên cứu tiêp theo là nghiên cứu xây dựng mô hình hồi quy phân tích tác động của các yếu tố ảnh hưởng đến giá cổ phiếu ngành hàng không với các biến phụ thuộc của kinh tế vỹ mô như: GDP, lạm phát, tỷ giá hối đoái, chính sách lãi suất,… TÀI LIỆU THAM KHẢO [1] Time Series Anlysis for Financial Data VI – GARCH model and predicting SPX returns, Auquan, Dec 13, 2017 [2] GARCH(1,1) model – Berkeley Math, math.berkeley.edu [3] Phạm Chí Khoa, Mô hình Arch – Garch: Dự báo biến động giá chứng khoán qua mô hình Arch – Garch Tạp chí Tài chính, 2017 [4] Nguyễn Quang Dong, Phân tích chuôi thời gian tài chính, nhà xuất bản Khoa học kỹ thuật, 2010 [5] Madhusudan Karmakar, “Modeling Conditional Volatility of the Indian Stock Markets”, (2005) [6] Rama Cont and Thomas Khokhol, “A consistent pricing model for index options and volatility derivatives”, (2011), An International Journal of Mathematics, Statistics and Financial Economics, 248-274 [7] Sohail Chand, Shahid Kamal và Imran Ali, “Modeling and Volatility Analysis of Share Prices Using ARCH and GARCH Models”, (2012), World Applied Sciences Journal No 19, 77-82 [8] Zhiyuan Pan, Yudong Wang, Li Liu, Qing Wang, “Improving volatility prediction and option valuation using VIX information: A volatility spillover GARCH model”, (2019), The Journal of Futures Markets, No 39, 744-776 [9] Phạm Chí Khoa, “Dự báo biến động giá chứng khoán qua mô hình ARCH GARCH”, (2017), Tạp chí Tài chính, kỳ 2, số 6, trang 38-39 [10] Phạm Thị Nga, “Hợp đồng tương lai trên chỉ số VN30 - công cụ phái sinh đầu tiên trên thị trường chứng khoán Việt Nam”, (2020), Tạp chí Khoa học công nghệ giao thông vận tải, số 35 - 02/2020, trang 91-95 [11] Phạm Trọng Nghĩa, “Tác động của việc triển khai thị trường chứng khoán phái sinh lên độ biến động chỉ số cơ sở VN30 tại Việt Nam”, (2021), Đại học Kinh tế Thành phố Hồ Chí Minh [12] Trần Quang Huy, “Ứng dụng mô hình ARIMA - GARCH dự báo tỷ suất sinh lợi của danh mục đầu tư hiệu quả”, (2015), Khóa luận Đại học Kinh tế Huế PHỤ LỤC ... TASE-100, đó sử dụng GARCH, EGARCH, TGARCH, CGARCH (C0mponent GARCH) , AGARCH (Asymmetric Component GARCH) và PGARCH (Power GARCH) [15] Nghiên cứu cho thấy hệ số mô hình EGARCH có tác động... chọn đề tài nghiên cứu ? ?ỨNG DỤNG MƠ HÌNH ARCH – GARCH PHÂN TÍCH SỰ BIẾN ĐỘNG LỢI SUẤT CỔ PHIẾU NGÀNH HÀNG KHƠNG” làm đề tài khoá luận tớt nghiệp Tình hình nghiên cứu 2.1 Nghiên cứu... giảm nhu cầu máy bay CHƯƠNG 2: MƠ HÌNH BIẾN ĐỘNG LỢI SUẤT CỔ PHIẾU NGÀNH HÀNG KHƠNG TRÊN SÀN GIAO DỊCH CHỨNG KHỐN THÀNH PHỐ HỒ CHÍ MINH (HOSE) 2.1 Mơ hình phương pháp nghiên cứu Để phân