GIỚI THIỆU
Mục tiêu nghiên cứu và câu hỏi nghiên cứu
Nghiên cứu này nhằm làm rõ mối quan hệ giữa biến động thị trường chứng khoán và các yếu tố kinh tế vĩ mô như chỉ số sản xuất công nghiệp, chỉ số giá tiêu dùng, lãi suất, cung tiền và tỷ giá hối đoái tại các nước mới nổi.
Nhằm làm rõ mục tiêu nghiên cứu của mình, nội dung của đề tài sẽ tập trung trả lời cho câu hỏi nghiên cứu:
Sự biến động trong các yếu tố kinh tế vĩ mô như chỉ số sản xuất công nghiệp, chỉ số giá tiêu dùng, tỷ giá hối đoái, cung tiền và lãi suất có tác động qua lại với thị trường chứng khoán Những yếu tố này không chỉ ảnh hưởng đến hoạt động của thị trường chứng khoán mà còn bị chi phối bởi các biến động trên thị trường này.
Phạm vi nghiên cứu
Nghiên cứu này tập trung vào các yếu tố kinh tế vĩ mô cơ bản như chỉ số sản xuất công nghiệp, chỉ số giá tiêu dùng, cung tiền, lãi suất và tỷ giá hối đoái của các nước thị trường mới nổi, bao gồm Việt Nam, Hàn Quốc, Thái Lan và Hungary Các quốc gia được chọn có thị trường chứng khoán tương đồng với Việt Nam và cơ chế vận hành nền kinh tế cũng như các mục tiêu kinh tế tương tự.
Về thời gian đề tài thu thập và xử lý dữ liệu theo tháng từ tháng 1 năm 2008 đến tháng 12 năm 2013.
Phương pháp nghiên cứu
Để đáp ứng nội dung và các câu hỏi nghiên cứu, đề tài áp dụng phương pháp định lượng thông qua mô hình GARCH và VAR, sử dụng phần mềm Eviews 6.0 để hỗ trợ phân tích.
Đóng góp của đề tài
Nghiên cứu dựa trên mô hình GARCH đã cung cấp thêm bằng chứng thực nghiệm về mối quan hệ giữa biến động thị trường chứng khoán và biến động kinh tế vĩ mô Kết quả này đưa ra các gợi ý chính sách quan trọng cho các quốc gia, bao gồm Việt Nam, nhằm ổn định thị trường chứng khoán để hỗ trợ tăng trưởng và phát triển kinh tế.
Kết cấu của đề tài
Nhằm trả lời cho các vấn đề nghiên cứu của mình, đề tài chia bố cục bài viết làm 5 chương:
TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC ĐÂY
PHƯƠNG PHÁP NGHIÊN CỨU
Cơ sở dữ liệu
Tất cả nguồn dữ liệu nghiên cứu của đề tài được thu thập theo tháng từ tháng
1 năm 2008 đến tháng 12 năm 2013, tất cả được thống kê theo bảng sau:
Bảng 3.1.Dữ liệu nghiên cứu
Chỉ số sản xuất công nghiệp 2008-2013 IMF
Chỉ số giá tiêu dùng (20050) 2008-2013 IMF
3.2 Mô hình nghiên cứu 3.2.1 Mô tả biến
Như đã nêu trong phần trên, phần này đề tài tiến hành mô tả lại dữ liêu nghiên cứu Tất cả được thống kê trong bảng sau:
Bảng 3.2 Mô tả và đo lường các biến nghiên cứu
Biến Mô tả Cách đo lường
RS Tỷ suất sinh lợi thị trường RS = ln(P t /P t-1 ) ln: logarit cơ số e
Pt: giá đóng cửa thời điểm t
Chỉ số sản xuất công nghiệp (IP) được tính bằng logarit cơ số e của chỉ số sản xuất công nghiệp, trong khi chỉ số giá tiêu dùng (CPI) là logarit cơ số e của chỉ số giá tiêu dùng.
MS Cung tiền Logarit cơ số e của cung tiền nước nghiên cứu EXC Tỷ giá hối đoái song phương
Logarit cơ số e của tỷ giá song phương của nước nghiên cứu so với đôla Mỹ
R Lãi suất Logarit cơ số e của lãi suất cho vay kỳ hạn 1 năm (%)
Đề tài nghiên cứu tập trung vào các quốc gia thị trường mới nổi, bao gồm Việt Nam, Hàn Quốc, Thái Lan và Hungary.
Dựa trên nghiên cứu của Zakaria và Shamsuddin (2012), bài viết phân tích mối quan hệ giữa thị trường chứng khoán và các biến động kinh tế vĩ mô như chỉ số sản xuất công nghiệp, chỉ số giá tiêu dùng, tỷ giá hối đoái, lãi suất và cung tiền Mô hình VAR được áp dụng để khảo sát sự ảnh hưởng của các yếu tố vĩ mô đến biến động thị trường chứng khoán, nhằm trả lời các câu hỏi nghiên cứu liên quan.
V_RSt và V_Mt đại diện cho những biến động có điều kiện của thị trường chứng khoán cùng với các biến vĩ mô tương ứng, được ước lượng thông qua các mô hình GARCH Trong đó, μit là sai số trong mô hình.
3.2.3 Mô hình GARCH 3.2.3.1 Mô hình ARCH- Engle (1982)
Để khắc phục những hạn chế của các mô hình nghiên cứu trước đây với giả định phương sai không đổi theo thời gian, mô hình ARCH do Engle phát triển vào năm 1982 cho rằng phương sai của các số hạng nhiễu tại thời điểm t phụ thuộc vào các số hạng nhiễu bình phương ở các giai đoạn trước Mô hình tổng quát mà Engle đề xuất đã mở ra hướng nghiên cứu mới trong phân tích chuỗi thời gian.
Theo công thức, một biến động mạnh trên thị trường xảy ra q ngày trước sẽ làm tăng phương sai có điều kiện của ngày hôm nay Tuy nhiên, do mức biến động được thể hiện dưới dạng bình phương, nên không phân biệt được tác động âm hay dương Trong đó, X đại diện cho giá trị của các biến nghiên cứu, còn Y là giá trị dự báo của X theo phương pháp đã nêu.
Bollerslev (1986) đề xuất việc bổ sung các biến trễ của phương sai có điều kiện vào phương trình phương sai tự hồi quy Tuy nhiên, nếu ảnh hưởng của ARCH có quá nhiều độ trễ, điều này có thể làm giảm đáng kể bậc tự do trong mô hình và ảnh hưởng đến kết quả ước lượng, đặc biệt là với chuỗi thời gian ngắn Do đó, mô hình GARCH trở nên hiệu quả hơn trong trường hợp này Mô hình GARCH (p,q) tổng quát được xây dựng dựa trên mô hình ARCH, với phương trình phương sai được viết lại để xác định độ lớn của các tham số α và β, từ đó phản ánh những bất ổn của độ lệch chuẩn.
Hệ số α phản ánh sự nhạy cảm của độ lệch chuẩn trước những biến động của thị trường, trong khi hệ số β đo lường mức độ bền vững của độ lệch chuẩn và tác động của các cú sốc lên nó Nếu tổng α và β nhỏ hơn 1, điều này cho thấy độ lệch chuẩn có khả năng hội tụ về giá trị ổn định trong dài hạn, đồng nghĩa với việc εt cần phải có tính dừng (Stationary).
Các dạng mô hình GARCH
Mô hình GARCH (1,1) là một trong những mô hình phổ biến nhất trong phân tích chuỗi thời gian, nhờ vào sự đơn giản trong ước lượng và độ chính xác tương đối cao trong dự báo Mô hình này thường được áp dụng để dự báo biến động trong ngắn hạn, với phương trình phương sai được thiết lập một cách rõ ràng.
Mô hình GARCH ở giá trị trung bình (GARCH-M) cho phép giá trị trung bình có điều kiện phụ thuộc vào phương sai có điều kiện của nó Nhà đầu tư “sợ” rủi ro thường yêu cầu mức phí bù rủi ro cao hơn để nắm giữ tài sản rủi ro, nghĩa là rủi ro càng lớn thì phí bù rủi ro càng cao Phương trình phương sai của mô hình GARCH-M (p,q) được xây dựng dựa trên những yếu tố này.
Mô hình TGARCH được phát triển bởi Zakoian (1990), Glosen và cộng sự
Mô hình được đề xuất vào năm 1993 nhằm phân tích sự bất đối xứng giữa cú sốc âm và cú sốc dương, đồng thời kiểm định tính hiệu quả của thị trường Các tác giả đã đưa vào phương trình phương sai một biến giả dt, với giá trị 1 khi εt0 Nếu hệ số của biến giả này có ý nghĩa thống kê, điều đó sẽ chứng tỏ sự khác biệt trong các cú sốc khác nhau Phương trình phương sai trong mô hình được thể hiện rõ ràng qua cách tiếp cận này.
Trong nghiên cứu này, chúng tôi chỉ tập trung vào các mô hình GARCH đã được đề cập trước đó, cùng với bậc tương ứng của chúng, mặc dù còn nhiều mô hình GARCH khác có thể được xem xét.
Một số dạng mô hình GARCH đơn giản trong nghiên cứu thực nghiệm
Trong đó: , Y là đại lượng đại diện cho các biến nghiên cứu (các biến số kinh tế vĩ mô, tỷ suất sinh lợi thị trường chứng khoán)
Trong đó: , Y là đại lượng đại diện cho các biến nghiên cứu (Các biến số kinh tế vĩ mô, tỷ suất sinh lợi thị trường chứng khoán)
Một số dạng khác của phương trình phương sai của mô hình GARCH cũng được sử dụng là
Tác động của tin tức tốt và tin tức xấu đến phương sai có sự khác biệt rõ rệt, điều này có ý nghĩa thống kê quan trọng Y đại diện cho các biến nghiên cứu, bao gồm các biến số kinh tế vĩ mô và tỷ suất sinh lợi thị trường chứng khoán.
Đề tài nghiên cứu đã áp dụng lại các mô hình nghiên cứu này để giải quyết các câu hỏi nghiên cứu đã được đặt ra.
Mô hình VAR, được giới thiệu bởi Sims vào năm 1980, phân loại các biến thành biến nội sinh và ngoại sinh, nhưng theo Sims, tất cả các biến trong mô hình đều được coi là biến nội sinh Điều này rất phù hợp để đánh giá tác động của các biến vĩ mô đối với thị trường chứng khoán.
Phương pháp kiểm định mô hình
Trong phần này, đề tài thực hiện thống kê mô tả dữ liệu nghiên cứu thông qua các chỉ tiêu chính như giá trị trung bình, giá trị lớn nhất, giá trị nhỏ nhất, skewness, kurtosis và kiểm định Jarque-Bera để xác định phân phối chuẩn của chuỗi dữ liệu Chỉ số skewness được sử dụng để đánh giá mức độ phân tán của dữ liệu so với giá trị trung bình, trong khi kurtosis đánh giá mức độ phân tán so với độ lệch chuẩn Những phân tích này cung cấp cái nhìn ban đầu về chuỗi dữ liệu, làm cơ sở cho các phân tích dữ liệu tiếp theo trong đề tài.
Trong nghiên cứu thực nghiệm với dữ liệu chuỗi thời gian, các biến đưa vào mô hình thường phải là chuỗi dừng Chuỗi dữ liệu thời gian được coi là dừng khi trung bình và phương sai không thay đổi theo thời gian Ngoài ra, hiệp phương sai giữa hai thời điểm chỉ phụ thuộc vào khoảng cách hay độ trễ thời gian, mà không phụ thuộc vào thời điểm cụ thể đang được xem xét.
Trung bình : E Y t const Phương sai : Var Y t 2 const
Hiệp phương sai : Co var Y Y t , t k g k
Tính dừng là khái niệm quan trọng trong phân tích chuỗi dữ liệu, yêu cầu chuỗi dữ liệu phải là chuỗi dừng để đảm bảo độ chính xác trong ước lượng tham số và kiểm định giả thuyết Nếu không kiểm định tính dừng, các kỹ thuật phân tích như phương pháp bình phương bé nhất (OLS) sẽ không hợp lý, dẫn đến kết quả giả mạo, như đã chỉ ra bởi Granger và Newbold (1977) Cụ thể, nếu có ít nhất một biến độc lập có cùng xu thế với biến phụ thuộc, các hệ số ước lượng có thể cho kết quả thống kê cao nhưng không phản ánh mối tương quan thực sự Để kiểm tra tính dừng, bài viết sử dụng kiểm định Augmented Dickey Fuller (ADF), một công cụ phổ biến trong kiểm định tính dừng của chuỗi thời gian theo Gujarati (2003) Chi tiết xem thêm phụ lục 1.
3.3.3 Sử dụng mô hình GARCH ước lượng biến động các biến nghiên cứu
Bài viết này tiếp tục mô tả và phân tích chuỗi dữ liệu nghiên cứu sử dụng mô hình GARCH với phần mềm Eviews 6.0, nhằm ước lượng sự biến động của các biến nghiên cứu thông qua các mô hình GARCH, GARCH-M và TGARCH Nghiên cứu dựa trên nền tảng của Zakaria và Shamsuddin (2012) và kế thừa các nghiên cứu trước đó.
Trong nghiên cứu này, chúng tôi sẽ xác định mô hình tốt nhất bằng cách sử dụng các tiêu chuẩn SBC, AIC và HQ, cùng với sai số dự báo RMSE Theo Nguyễn Trọng Hoài và cộng sự (2013), các tiêu chuẩn này cần có giá trị càng nhỏ càng tốt để lựa chọn mô hình tối ưu.
3.3.4 Xác định độ trễ tối ưu cho mô hình VAR
Trong mô hình VAR, tất cả các biến nghiên cứu đều là biến nội sinh và phụ thuộc vào độ trễ của chính nó Việc ước lượng quá nhiều tham số (2n² - hệ số) đòi hỏi phải thực hiện kiểm định để xác định độ trễ tối ưu là rất cần thiết Để lựa chọn độ trễ tối ưu, nghiên cứu sẽ dựa trên các tiêu chí đã được thiết lập trong phần mềm Eviews 6.0, bao gồm AIC, LR và PPE.
3.3.5 Kiểm định nhân quả Granger
Trong phần này, bài viết sẽ thực hiện kiểm định nhân quả Granger để xem xét mối quan hệ nhân quả giữa các biến trong mô hình với độ trễ đã được lựa chọn Mô hình Granger nhằm trả lời câu hỏi liệu sự thay đổi trong biến X có gây ra sự thay đổi trong biến Y và ngược lại hay không Phương trình hồi quy trong kiểm định Granger sẽ được mô tả chi tiết trong bài viết.
Ta có các trường hợp sau:
Nếu sự khác biệt giữa các biến có ý nghĩa thống kê, điều đó cho thấy rằng biến X có thể là nguyên nhân gây ra sự biến động của biến Y Tuy nhiên, nếu không có ý nghĩa thống kê, sự biến động của biến X có thể không ảnh hưởng đến biến Y.
Nếu không có ý nghĩa thống kê, nhưng khác không và có ý nghĩa thống kê thì biến X chịu sự tác động bởi sự thay đổi của biến Y
Nếu và đều có ý nghĩa thống kê thì X và Y tác động qua lại lẫn nhau
Nếu và đều không có ý nghĩa thống kê thì X và Y độc lập với nhau
3.3.6 Kiểm tra tính ổn định của mô hình
Kiểm tra tính ổn định của mô hình VAR là cần thiết để xác định xem mô hình hiện tại có ổn định hay không Nếu mô hình không ổn định, các kết quả ước lượng, đặc biệt là sai số chuẩn của hàm phản ứng đẩy IRF, sẽ không có giá trị Do đó, việc thực hiện các kiểm định là quan trọng để đảm bảo tính ổn định của mô hình.
Theo lý thuyết AR Roots Graph, một mô hình được coi là ổn định nếu tất cả các nghiệm đều có modulus nhỏ hơn 1 và không có nghiệm nào nằm ngoài vòng tròn nghiệm đơn vị Ngược lại, nếu có ít nhất một nghiệm nằm ngoài vòng tròn này, mô hình sẽ được xem là không ổn định.
3.3.7 Hàm phản ứng đẩy (Impulse response function-IRF) và kỹ thuật phân rã phương sai (Variance decomposition)
Hàm phản ứng đẩy (IRF):
Hàm phản ứng đẩy là một chức năng quan trọng phát sinh từ mô hình VAR
Nó cho phép xác định hiệu ứng theo thời gian của cú sốc của một biến nội sinh nào đó đối với các biến khác trong mô hình
Mặc dù hàm phản ứng đẩy đã chỉ ra ảnh hưởng của cú sốc đến các biến khác, nhưng điều này chưa đủ để đánh giá toàn diện Tác động truyền dẫn của cú sốc từ một biến đến biến khác có thể rất nhỏ, trong khi một biến khác có thể có ảnh hưởng lớn hơn Do đó, trong phân tích, các nhà kinh tế thường kết hợp kỹ thuật phân rã phương sai để xác định mức độ ảnh hưởng của một biến đến biến số nghiên cứu, và kỹ thuật này cũng được áp dụng trong đề tài này.
PHÂN TÍCH DỮ LIỆU VÀ KẾT QUẢ NGHIÊN CỨU
Thống kê mô tả
Với dữ liệu được thu thập theo tháng từ tháng 1 năm 2008 đến tháng 12 năm
Năm 2013, đề tài nghiên cứu đã tiến hành khảo sát trên ba quốc gia thị trường mới nổi: Hàn Quốc, Thái Lan và Hungary, cùng với Việt Nam Mục tiêu của nghiên cứu là mô tả lại dữ liệu nghiên cứu của các quốc gia này theo các tiêu chuẩn như giá trị lớn nhất, giá trị nhỏ nhất, giá trị trung bình, sai số chuẩn, Skewness và Kurtosis, nhằm cung cấp cái nhìn ban đầu về chuỗi dữ liệu nghiên cứu Dữ liệu được trình bày thông qua các bảng minh họa.
Bảng 4.1 Thống kê mô tả các biến nghiên cứu của Việt Nam
Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0
Bảng 4.2 Thống kê mô tả các biến nghiên cứu của Hàn Quốc
Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0
CPI EXC IP MS R RS
CPI EXC IP MS R RS
Bảng 4.3 Thống kê mô tả các biến nghiên cứu của Thái Lan
Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0
Bảng 4.4 Thống kê mô tả các biến nghiên cứu của Hungari
Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 cho thấy dữ liệu nghiên cứu của các nước không có phân phối chuẩn, dựa trên các chỉ tiêu Skewness, Kurtosis và kiểm định Jarque-Bera Cụ thể, các biến trong chuỗi dữ liệu nghiên cứu của Việt Nam có đặc điểm lệch trái và nhọn, với hệ số Skewness âm và Kurtosis dương, ngoại trừ lãi suất Tương tự, trường hợp của Hungary cũng cho thấy dạng phân phối này, cho thấy phần lớn dữ liệu tập trung bên phía phải Đối với Hàn Quốc, hệ số Skewness của CPI, IP và MS cũng được ghi nhận.
RS là âm trong khi đó EXC và R là dương, ngoài ra Kurtosis là dương điều
CPI EXC IP MS R RS
CPI EXC IP MS R RS
Observations 72 72 72 72 72 72 liệu tập trung của chuỗi CPI, IP, MS tập trung bên phía phải của phân phối trong khi đó ngược lại EXC và RS thì phần lớn chuỗi dữ liệu lại tập trung bên phía trái của phân phối Tương tự cho trường hợp của Thái Lan thì IP, R, RS thì phần lớn chuỗi dữ liệu tập trung bên phía phải của phân phối trong khi đó các biến EXC, MS, CPI thì phần lớn chuỗi dữ liệu tập trung bên phía trái của phân phối.
Kiểm định tính dừng
Trong phần này, chúng tôi sẽ áp dụng kiểm định nghiệm đơn vị để xác định tính dừng của chuỗi dữ liệu nghiên cứu Nếu biến không dừng, chúng tôi sẽ sử dụng kỹ thuật lấy sai phân để chuyển đổi chuỗi dữ liệu không dừng thành dạng dữ liệu dừng Chi tiết về quy trình kiểm định có thể được tham khảo trong phụ lục 2.
Bảng 4.5 Kiểm định tính dừng các biến của Việt Nam
Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 cho thấy, trong nghiên cứu về Việt Nam, các chuỗi dữ liệu đều dừng ở sai phân bậc 1, ngoại trừ biến EXC và RS, cả hai đều dừng ở chuỗi gốc.
Bảng 4.6 Kiểm định tính dừng các biến của Hàn Quốc
Biến CPI IP MS EXC R RS
Biến CPI IP MS EXC R RS
Kết quả kiểm định cho thấy các biến nghiên cứu của Hàn Quốc dừng ở chuỗi gốc ngoại trừ CPI và R là dừng ở sai phân bậc 1
Bảng 4.7 Kiểm định tính dừng các biến của Thái Lan
Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 cho thấy rằng các biến nghiên cứu của Thái Lan đều dừng ở chuỗi gốc, ngoại trừ biến EXC và R, mà dừng ở sai phân bậc 1.
Bảng 4.8 Kiểm định tính dừng các biến của Hungari
Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 cho thấy rằng các biến nghiên cứu của Hungary đều dừng ở sai phân bậc 1, ngoại trừ chỉ số CPI dừng ở sai phân bậc 2 và RS thì dừng ở chuỗi gốc.
Ước lượng độ biến động của thị trường chứng khoán và các biến
4.3.1.Ước lượng độ biến động của thị trường chứng khoán
Trong phần này, đề tài tiến hành hành ước lượng độ biến động của thị trường
Biến CPI IP MS EXC R RS
Biến CPI IP MS EXC R RS
Bài viết này xem xét lược đồ tương quan để xác định dạng chuỗi dữ liệu nghiên cứu là MA (Moving Average) hay AR (Auto Regression) Tiếp theo, nghiên cứu tiến hành ước lượng các mô hình GARCH và kiểm tra các điều kiện tồn tại của chúng, đồng thời áp dụng các tiêu chí AIC, SBC, HQ và RMSE để lựa chọn mô hình phù hợp nhất cho việc mô tả sự biến động của thị trường chứng khoán.
Mô hình phù hợp để diễn tả độ biến động của các thị trường chứng khoán bao gồm: AR(1)-GARCH(1,1) cho thị trường Việt Nam và Hàn Quốc, MA(1) MA(3) MA(4) MA(6)-GARCH(1,1) cho thị trường Thái Lan, và MA(1)-GARCH(1,1) cho thị trường Hungary Kết quả ước lượng các mô hình được trình bày trong bảng dưới đây; chi tiết các ước lượng có thể tham khảo trong phụ lục 3.
Bảng 4.9 Kết quả ước lượng độ biến động của thị trường chứng khoán
Việt Nam Hàn Quốc Thái Lan Hungari
MA(1) MA(3) MA(4) MA(6)- GARCH(1,1)
0.4291 (0.0000) Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0
Dựa trên các mô hình đã chọn, tiến hành kiểm định phần dư cho thấy phần dư của các mô hình này là dừng Kết quả được tổng hợp trong bảng dưới đây, với phần dư của mỗi mô hình được ký hiệu là E_tên biến_tên nước nghiên cứu Để biết thêm chi tiết, vui lòng tham khảo phụ lục 4.
Bảng 4.10 Kết quả kiểm định tính dừng của phần dư_ ước lượng độ biến động thị trường chứng khoán
Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 cho thấy phần dư của các mô hình đều dừng, chứng tỏ rằng mô hình GARCH được lựa chọn là phù hợp.
4.3.2 Ước lượng độ biến động của các biến số kinh tế vĩ mô
Quy trình ước lượng các biến số kinh tế vĩ mô được thực hiện tương tự như việc ước lượng sự biến động của thị trường chứng khoán Kết quả ước lượng phương trình phương sai của các biến số này được tổng hợp trong bảng dưới đây.
Bảng 4.11 Ước lượng sự biến động của các biến số kinh tế vĩ mô của Việt Nam
Biến E_RS_Việt Nam E_RS_Hàn Quốc E_RS_Thái Lan E_RS_Hungari Giá trị thống kê t -3.8703 -3.8431 -2.7987 -7.6549 t-1% -3.5402 -3.5285 -3.5285 -3.5256 t-5% -2.9092 -2.9042 -2.9042 -2.9030 t-10% -2.5922 -2.5896 -2.5896 -2.5889
Kết quả Dừng Dừng Dừng Dừng
Kết quả ước lượng cho thấy sự tác động của tin tức tốt và tin tức xấu khác nhau đối với sự biến động của các biến IP, MS, EXC và R Hệ số β3 trong phương trình phương sai được xác định là có ý nghĩa thống kê.
Đề tài tiến hành kiểm định phần dư của các mô hình đã chọn, cho thấy phần dư là dừng Kết quả được tổng hợp trong bảng (phần dư ký hiệu là E_tên biến) Chi tiết có trong phụ lục 3.
Bảng 4.12 Kết quả kiểm định tính dừng phần dư_ sự biến động các biến số kinh tế vĩ mô Việt Nam
Biến E_CPI E_IP E_EXC E_MS E_R
Kết quả Dừng Dừng Dừng Dừng Dừng
Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 cho thấy các phần dư của các biến là dừng, điều này chứng tỏ rằng việc lựa chọn mô hình GARCH là phù hợp.
Bảng 4.13 Ước lượng độ biến động các biến số kinh tế vĩ mô của Hàn Quốc
0.046942 (0.6773) Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0
Đề tài cũng thực hiện kiểm định tính dừng của phần dư trong mô hình đã chọn Kết quả cho thấy phần dư của tất cả các mô hình đều dừng lại (ký hiệu biến phần dư là E_tên biến), và các kết quả này được tổng hợp trong bảng dưới đây.
Bảng 4.14 Kết quả kiểm định tính dừng phần dư_ sự biến động các biến số kinh tế vĩ mô Hàn Quốc
Biến E_CPI E_IP E_EXC E_MS E_R
Kết quả Dừng Dừng Dừng Dừng Dừng
Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 Kết quả phần dư dừng cho thấy các dạng mô hình GARCH đươc chọn là phù hợp
Bảng 4.15 Ước lượng độ biến động các biến số kinh tế vĩ mô của Thái Lan
Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 cho thấy sự biến động của chỉ số giá tiêu dùng (CPI) khác nhau tùy thuộc vào việc có tin tức tốt hay xấu, với hệ số β3 có ý nghĩa thống kê ở mức 1%.
Đề tài cũng tiến hành kiểm định phần dư của các biến kinh tế vĩ mô được ước lượng qua các mô hình đã chọn Kết quả cho thấy phần dư của các mô hình đều dừng lại, ký hiệu là E_tên biến.
Bảng 4.16 Kết quả kiểm định tính dừng phần dư_ sự biến động các biến số kinh tế vĩ mô Thái Lan
Biến E_CPI E_IP E_EXC E_MS E_R
Kết quả Dừng Dừng Dừng Dừng Dừng
Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 cho thấy rằng các mô hình GACRH được chọn để đo lường độ biến động là phù hợp, dựa trên kết quả phần dư dừng.
Bảng 4.17 Ước lượng độ biến động các biến số kinh tế vĩ mô của Hungari
AR(1) AR(2) AR(8) AR(12)- TGARCH(1,1)
Kết quả phân tích từ phần mềm Eviews 6.0 cho thấy sự biến động của các biến IP, MS, và EXC khác nhau tùy thuộc vào việc có tin tức tốt hay xấu Bên cạnh đó, nghiên cứu cũng thực hiện kiểm định phần dư của mô hình đã chọn nhằm ước lượng sự biến động của các biến số kinh tế vĩ mô.