Phân tích dự báo giá & rủi ro của thị trường cổ phiếu niêm yết việt nam

Tìm ra một công cụ phân tích dự báo tốt hơn đã và đang là nhu cầu bức thiết cho các nhà làm chính sách và đặc biệt là công chúng đầu tư. Đây chính là cơ sở cho đề tài “Phân tích dự báo giá & rủi ro của thị trường cổ phiếu niêm yết Việt Nam” được thực hiện. 2. MỤC TIÊU NGHIÊN CỨU Mục tiêu nghiên cứu của luận văn là: ƒ Ứng dụng mô hình ARIMA, ARCH/GARCH dự báo phân tích rủi ro của thị trường cổ phiếu niêm yết Việt Nam giai đoạn hiện nay; ƒ Đánh giá ứng dụng của mô hình ARIMA, ARCH/GARCH và các hướng gợi mở để phát triển công cụ phân tích dự báo hiệu quả này vào thực tế. 3. ĐỐI TƯỢNG, PHẠM VI NGHIÊN CỨU Đối tượng nghiên cứu của luận văn là thị trường cổ phiếu niêm yết Việt Nam, đặc biệt giai đoạn từ đầu năm đến nay. 1 Sở dĩ tôi giới hạn giai đoạn nghiên cứu đối với thị trường cổ phiếu niêm yết Việt Nam là nhằm hướng đề tài được cập nhật phản ánh tình hình hiện tại của thị trường từ đó có khả năng ứng dụng cao vào thực tế. 4. PHƯƠNG PHÁP NGHIÊN CỨU Với sự hỗ trợ của phần mềm kỹ thuật Eviews, Mô hình kinh tế lượng ARIMA và ARCH/GARCH được sử dụng để xử lý dữ liệu chỉ số của thị trường cổ phiếu niêm yết, từ đó tìm ra mô hình dự báo phù hợp cho thị trường Việt Nam đồng thời phân tích một số đặc điểm rủi ro của thị trường. 5. NHỮNG ĐIỂM MỚI CỦA ĐỀ TÀI Tuy còn nhiều hạn chế nhưng đề tài cũng có những điểm mới sau: ƒ Mặc dù mô hình ARIMA và ARCH/GARCH đã được ứng dụng và giới thiệu đến cộng đồng nghiên cứu học thuật Việt Nam nhưng rất hiếm đề tài liên quan đến chứng khoán được trình bày một cách hệ thống và cập nhật. Luận văn với mong muốn mô hình dự báo phân tích thị trường cổ phiếu niêm yết Việt Nam tìm được trong giai đoạn hiện nay có thể được dùng như là một công cụ tham khảo tại các công ty tài chính. ƒ Đưa ra một số lưu ý về ứng dụng mô hình ARIMA, ARCH/GARCH và các hướng mở rộng cách ứng dụng mô hình mà trước kia trong các đề tài khác không đề cập. 6. KẾT CẤU ĐỀ TÀI Luận văn được trình bày thành ba phần: ƒ Phần 1: Tổng quan về chuỗi dữ liệu dừng, mô hình ARIMA, ARCH/GARCH Phần này giới thiệu tổng quát về chuỗi dữ liệu dừng và lý thuyết mô hình ARIMA, ARCH/GARCH cũng như kinh nghiệm ứng dụng mô hình ARIMA, ARCH/GARCH trên thế giới. ƒ Phần 2: Tổng quan về thị trường cổ phiếu niêm yết Việt Nam & Tình hình thực tế ứng dụng mô hình ARIMA, ARCH/GARCH Thị trường cổ phiếu niêm yết Việt Nam như thế nào, diễn biến hành vi của thị trường qua 10 năm lịch sử hình thành phát triển thị trường và tình hình ứng dụng 2 mô hình dự báo phân tích rủi ro ARIMA, ARCH/GARCH tại Việt Nam sẽ cho thấy nhu cầu cần thiết có một công cụ phân tích dự báo dựa trên mô tả được hành vi thị trường. Đó là mô hình ARIMA, ARCH/GARCH. ƒ Phần 3: Ứng dụng mô hình ARIMA, ARCH/GARCH phân tích dự báo giá & rủi ro của thị trường cổ phiếu niêm yết Việt Nam. Giống như tựa đề của phần 3, tác giả sẽ lần lượt sử dụng mô hình ARIMA, ARCH/GARCH phân tích dự báo giá & rủi ro cho thị trường cổ phiếu niêm yết Việt Nam giai đoạn hiện nay thông qua hai chỉ số chứng khoán Vn-Index và Hn- Index. Cuối cùng là một số vấn đề lưu ý và các hướng mở rộng ứng dụng.

TRƯỜNG ĐẠI HỌC KINH TẾ TP HỒ CHÍ MINH

LÊ TUẤN BÁCH

PHÂN TÍCH DỰ BÁO GIÁ & RỦI RO

THỊ TRƯỜNG CỔ PHIẾU NIÊM YẾT VIỆT NAM

CHUYÊN NGÀNH: KINH TẾ TÀI CHÍNH - NGÂN HÀNG

MÃ SỐ: 603112

LUẬN VĂN THẠC SĨ

NGƯỜI HƯỚNG DẪN KHOA HỌC

PGS.TS PHAN THỊ BÍCH NGUYỆT

Thành phố Hồ Chí Minh - năm 2010

LỜI CAM ĐOAN

Y@Z

Tôi xin cam đoan rằng đây là công trình nghiên cứu của tôi, có sự hỗ trợ từ

Cô hướng dẫn là PGS TS Phan Thị Bích Nguyệt Các nội dung nghiên cứu

và kết quả trong đề tài này là trung thực và chưa từng được ai công bố

trong bất cứ công trình nào Những số liệu trong các bảng biểu phục vụ

cho việc phân tích, nhận xét, đánh giá được chính tác giả thu thập từ các

nguồn khác nhau có ghi trong phần tài liệu tham khảo Ngoài ra, trong luận

văn còn sử dụng một số nhận xét, đánh giá cũng như số liệu của các tác giả

khác, cơ quan tổ chức khác, và đều có chú thích nguồn gốc sau mỗi trích

dẫn để dễ tra cứu, kiểm chứng

Nếu phát hiện có bất kỳ sự gian lận nào tôi xin hoàn toàn chịu trách nhiệm

trước Hội đồng, cũng như kết quả luận văn của mình

TP.HCM, ngày tháng năm 2010

LỜI CẢM ƠN Y@Z

Trước tiên, tôi xin chân thành cảm ơn Cô Phan Thị Bích Nguyệt đã tận tình chỉ bảo, góp ý và động viên tôi trong suốt quá trình thực hiện luận văn tốt nghiệp này

Nhân đây, tôi cũng xin gửi lời cảm ơn đến Quý Thầy Cô, những người đã tận tình truyền đạt kiến thức cho tôi trong thời gian học cao học vừa qua Những lời cảm ơn sau cùng con xin cảm ơn cha mẹ, cảm ơn anh em và bạn

bè đã hết lòng quan tâm và tạo điều kiện tốt nhất để tôi hoàn thành được luận văn tốt nghiệp này

Lê Tuấn Bách

MỤC LỤC TÓM LƯỢC

Y@Z DANH MỤC CÁC BẢNG BIỂU  U

KẾT LUẬN CHƯƠNG 2 37 

CHƯƠNG 3 39 

PHÂN TÍCH DỰ BÁO GIÁ VÀ RỦI RO THÔNG QUA MÔ HÌNH ARIMA, ARCH/GARCH CHO THỊ TRƯỜNG CỔ PHIẾU NIÊM YẾT TẠI VIỆT NAM 39 

KẾT LUẬN CHƯƠNG 3 53 

KẾT LUẬN 57 

MỤC LỤC CHI TIẾT

Y@Z

DANH MỤC CÁC BẢNG BIỂU U

DANH MỤC CÁC ĐỒ THỊ

DANH MỤC KÝ HIỆU VIẾT TẮT

PHẦN MỞ ĐẦU U

1 SỰ CẦN THIẾT CỦA ĐỀ TÀI 1

2 MỤCTIÊUNGHIÊNCỨU 1 U 3 ĐỐI TƯỢNG, PHẠM VI NGHIÊN CỨU 1 U 4 PHƯƠNGPHÁPNGHIÊNCỨU 2 U 5 NHỮNGĐIỂMMỚICỦAĐỀTÀI 2

6 KẾT CẤU ĐỀ TÀI 2

CHƯƠNG 1 4

TỔNG QUAN VỀ CHUỖI DỮ LIỆU DỪNG VÀ MÔ HÌNH ARIMA, ARCH/GARCH 4

1.1 KHÁINIỆMCHỈSỐGIÁ,TỶSUẤTSINHLỢI,RỦIROTHỊTRƯỜNG 5

1.1.1 Chỉ số giá 5

1.1.2 Suất sinh lời của thị trường 5

1.1.3 Rủi ro của thị trường cổ phiếu 5

1.2 TÍNH DỪNG CỦA CHUỖI THỜI GIAN 6

1.2.1 Chuỗi thời gian dừng 6

1.2.2 Một số quá trình ngẫu nhiên đơn giản (phụ lục 1.1) 8

1.2.3 Kiểm định tính dừng 8

1.2.3.1 Dựa trên lược đồ tương quan (Correlogram) 8

1.2.3.2 Kiểm định nghiệm đơn vị (Unit Root Test) 9

1.3 MÔHÌNHARIMA(AUTOREGRESSIVE INTEGRATED MOVING AVERAGE) 10

1.3.1 Quá trình tự hồi quy (Autoregressive Process – AR) 10

1.3.2 Quá trình trung bình trượt (Moving Average – MA) 11

1.3.3 Quá trình tự hồi quy và trung bình trượt (ARMA) 12

1.3.4 Quá trình trung bình trượt kết hợp tự hồi quy (ARIMA) 12

1.3.5 Quy trình lựa chọn mô hình ARIMA(p,d,q) 13

1.4 MÔHÌNHARCH/GARCH 14

1.4.1 Mô hình ARCH (Autoregressive Conditional Heteroskedasticity) 14

1.4.2 Mô hình GARCH 14

1.4.3 Mô hình GARCH-M 15

1.4.4 Mô hình TGARCH 16

1.5 KINHNGHIỆMSỬDỤNGMÔHÌNHARIMA,ARCH/GARCHTRÊN THẾGIỚITRONGLĨNHVỰCCHỨNGKHOÁN 17

1.5.1 Ứng dụng mô hình ARIMA 17

KẾT LUẬN CHƯƠNG 1 19

CHƯƠNG 2 21

TỔNG QUAN THỊ TRƯỜNG CỔ PHIẾU NIÊM YẾT VIỆT NAM & TÌNH HÌNH THỰC TẾ ỨNG DỤNG MÔ HÌNH ARIMA, ARCH/GARCH 21

2.1 TỔNG QUAN VỀ THỊ TRƯỜNG CỔ PHIẾU NIÊM YẾT VIỆT NAM 21

2.1.1.1 Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (Hsx) 22

2.1.1.2 Sở Giao dịch Chứng khoán Hà Nội (Hnx) 23

2.2 TÌNH HÌNH THỰC TẾ ỨNG DỤNG MÔ HÌNH ARIMA, ARCH/GARCH 34 KẾT LUẬN CHƯƠNG 2 37

CHƯƠNG 3 39

PHÂN TÍCH DỰ BÁO GIÁ VÀ RỦI RO THÔNG QUA MÔ HÌNH ARIMA, ARCH/GARCH CHO THỊ TRƯỜNG CỔ PHIẾU NIÊM YẾT TẠI VIỆT NAM 39

3.1 KHÁI QUÁT DIỄN BIẾN CỦA THỊ TRƯỜNG CỔ PHIẾU NIÊM YẾT VIỆTNAMGIAIĐOẠNHIỆNNAY 39

3.2 ỨNG DỤNG MÔ HÌNH ARIMA DỰ BÁO CHỈ SỐ VN-INDEX, HA-INDEX 40

3.2.1 Ứng dụng mô hình ARIMA dự báo cho Vn-Index (phụ lục 3.1) 40

3.2.2 Ứng dụng mô hình ARIMA dự báo cho Hn-Index (phụ lục 3.2) 43

3.3 ỨNGDỤNGMÔHÌNHARIMAVÀARCH/GARCHPHÂNTÍCHDỰ BÁO RỦI RO 45

3.3.1 Ứng dụng mô hình ARIMA và ARCH/GARCH phân tích dự báo rủi ro cho sàn niêm yết Tp Hồ Chí Minh 45

3.3.1.1 Ứng dụng mô hình ARIMA dự báo suất sinh lời cho chỉ số Vn-Index (phụ lục 3.3) 45

3.3.1.2 Sử dụng mô hình ARCH/GARCH để phân tích dự báo rủi ro của Vn-Index 46 3.3.2 Ứng dụng mô hình ARIMA và ARCH/GARCH phân tích dự báo rủi ro cho sàn niêm yết Hà Nội 48

3.3.2.1 Ứng dụng mô hình ARIMA dự báo suất sinh lời cho chỉ số Hn-Index (phụ lục 3.6) 48

3.3.2.2 Sử dụng mô hình ARCH/GARCH để dự báo phân tích rủi ro của chỉ số Hn-Index 49

3.4 MỘTSỐVẤNĐỀLƯUÝVÀCÁCHƯỚNGMỞRỘNGỨNGDỤNGMÔ HÌNH 50

KẾT LUẬN CHƯƠNG 3 53

KẾT LUẬN 57

DANH MỤC CÁC PHỤ LỤC

Y@Z

PHỤ LỤC A: NHẬN ĐỊNH XU HƯỚNG CỦA THỊ TRƯỜNG CỔ

PHIẾU NIÊM YẾT VIỆT NAM HIỆN NAY PHỤ LỤC A.1: THỐNG KÊ 10 CỔ PHIẾU CÓ SỐ LƯỢNG NIẾM YẾT

MỚI NHIỀU NHẤT PHỤ LỤC A.2: BẢNG CÂU HỎI

PHỤ LỤC A.3: THỐNG KÊ MÔ TẢ TÂM LÝ CỦA NHÀ ĐẦU TƯ VÀ

ĐÁNH GIÁ CỦA HỌ VỀ CÁC RỦI RO ẢNH HƯỞNG ĐẾN XU HƯỚNG THỊ TRƯỜNG SẮP TỚI

PHỤ LỤC 1.1: MỘT SỐ QUÁ TRÌNH NGẪU NHIÊN ĐƠN GIẢN

PHỤ LỤC 1.2: KIỂM ĐỊNH ẢNH HƯỞNG CỦA ARCH

PHỤ LỤC 2.1: TỶ SUẤT SINH LỢI Ở THỊ TRƯỜNG PHÁT TRIỂN PHỤ LỤC 2.2: TỶ SUẤT SINH LỢI Ở THỊ TRƯỜNG MỚI NỔI

PHỤ LỤC 3.1: DỰ BÁO CHO VN-INDEX

PHỤ LỤC 3.2: DỰ BÁO CHO HN-INDEX

PHỤ LỤC 3.3: DỰ BÁO CHO

PHỤ LỤC 3.4 DỰ BÁO RỦI RO CHO VN-INDEX

PHỤ LỤC 3.5 PHÂN TÍCH RỦI RO VN-INDEX

PHỤ LỤC 3.6 DỰ BÁO CHO

PHỤ LỤC 3.7 PHÂN TÍCH RỦI RO HN-INDEX

DANH MỤC CÁC BẢNG BIỂU

Y@Z Bảng 2.1 – Bảng tỷ lệ % mức vốn hóa thị trường so với GDP

Bảng 3.1 – So sánh các chỉ tiêu đánh giá mô hình dự báo Vn-Index Bảng 3.2 – So sánh các chỉ tiêu đánh giá mô hình dự báo Hn-Index Bảng 3.3 – So sánh các chỉ tiêu lựa chọn mô hình dự báo

DANH MỤC CÁC ĐỒ THỊ

Y@Z

Đồ thị 1.1 – Giá vàng 01/2004 đến 05/2009 – Chuỗi có xu thế tăng không dừng

Đồ thị 1.2 – Suất sinh lợi cổ phiếu SAM giai đoạn từ 28/07/2000 đến 26/03/2009 – Chuỗi dừng

Đồ thị 1.3 – Minh họa nhiễu trắng

Đồ thị 1.4 – Minh họa bước ngẫu nhiên

Đồ thị 1.5 – Minh họa giản đồ tương quan của một chuỗi dừng

Đồ thị 1.6 – Minh họa giản đồ tương quan của mô hình ARMA(1,2)

Đồ thị 2.1 – Số lượng các công ty niêm yết tại sàn Hsx qua các năm

Đồ thị 2.2 – Số lượng các công ty niêm yết tại sàn Hnx qua các năm

Đồ thị 2.3 – Tỷ suất sinh lợi (%) các thị trường đã phát triển từ 2000-2009

Đồ thị 2.4 – Tỷ suất sinh lợi (%) các thị trường mới nổi từ 2000-2009

Đồ thị 2.5 – Phân tán của tỷ suất sinh lợi – độ lệch chuẩn các thị trường

Đồ thị 2.6 – Diễn biến 10 năm thị trường cổ phiếu niêm yết Việt Nam

Đồ thị 3.1 – Diễn biến thị trường giai đoạn từ 11/11/2009 đến 11/11/2010

Đồ thị 3.2 – Giản đồ tương quan của Vn-Index

Đồ thị 3.3 – Giản đồ tương quan sai phân bậc một của Vn-Index

Đồ thị 3.4 – Giản đồ tương quan của Hn-Index

Đồ thị 3.5 – Giản đồ tương quan sai phân bậc một của Hn-Index

Đồ thị 3.6 – Giản đồ tương quan của

ô hình GA

Đồ thị 3.8 – Giản đồ tương quan của

Đồ thị 3.7 – Biểu diễn phần dư của m RCH(1,1) và GARCH(0,1)

Đồ thị 3.9 – Biểu diễn phần dư của mô hình GARCH(0,1), GARCH(0,2) và GARCH(1,1)

Đồ thị 3.10 – Chỉ số Vn-Index và Vn-Index dự báo

Đồ thị 3.11 – Chỉ số Hn-Index và Hn-Index dự báo

Đồ thị A.1 – Số lượng công ty niêm niêm yết mới tính tới ngày 08/10/2010

Đồ thị A.2 – Chênh lệch mua bán cổ phiếu của nhà đầu tư nước ngoài

Đồ thị A.3 – Tình hình giao dịch của thị trường gần đây

Đồ thị A.4 – Lạm phát Việt Nam

DANH MỤC KÝ HIỆU VIẾT TẮT

Y@Z

♦ UBCKNNUBCKNN : : Ủy ban Chứng khoán Nhà nước Ủy ban Chứng khoán Nhà nước

♦ HOSEHOSE : : Sở Giao dịch Chứng khoán TP Hồ Chí Minh Sở Giao dịch Chứng khoán TP Hồ Chí Minh

♦ SGDCKSGDCK : : Sở Giao dịch Chứng khoán Sở Giao dịch Chứng khoán

♦ HASTCHASTC : : Trung tâm Giao dịch Chứng khoán Hà Nội Trung tâm Giao dịch Chứng khoán Hà Nội

♦ TTGDCKTTGDCK : : Trung tâm Giao dịch Chứng khoán Trung tâm Giao dịch Chứng khoán

♦ CPCP : : Cổ phiếu Cổ phiếu

♦ Tp.Tp : : Thành phố Thành phố

♦ IMFIMF : Quỹ tiền tệ quốc tế: Quỹ tiền tệ quốc tế

♦ FEDFED : Cục dự trữ liên bang Mỹ: Cục dự trữ liên bang Mỹ

♦ NHNNNHNN : Ngân hàng Nhà nướ: Ngân hàng Nhà nướcc

PHẦN MỞ ĐẦU Y@Z

1 SỰ CẦN THIẾT CỦA ĐỀ TÀI

Thị trường cổ phiếu niêm yết Việt Nam kỷ niệm 10 năm phát triển trong một không

khí ảm đạm Mới hôm nào thị trường cổ phiếu niêm yết Việt Nam là một trong những

thị trường có tốc độ tăng trưởng nhất nhì trên thế giới thì lúc này Việt Nam lại nằm

trong top danh sách các thị trường sụt giảm mạnh nhất thế giới Đây là điểm hấp dẫn

sinh lời cao của thị trường chứng khoán Việt Nam và cũng đầy thách thức cho bất kì

nhà đầu tư nào không chuyên lẫn dày dặn kinh nghiệm Mọi quy luật, mọi phân tích kỹ

thuật và các lý thuyết phân tích đầu tư tiên tiến của thế giới đều có nguy cơ bị phá vỡ

hoặc bóp mép trong một môi trường nhiều biến động và thiếu chuyên nghiệp như thị

trường chứng khoán Việt Nam “Thật rủi ro!” hay “không hiểu nổi!” dường như là câu

cửa miệng của các nhà đầu tư dành cho thị trường chứng khoán Việt Nam

Các nhà làm chính sách, tổ chức tư vấn và nhà đầu tư luôn cố gắng dự báo rủi ro của

thị trường nhưng các nhân tố tác động vào thị trường Việt Nam rất đa dạng và biến đổi

khó lường Vì thế mà các mô hình hồi quy cổ điển thường dùng để phân tích dự báo

chuỗi dữ liệu cổ phiếu Việt Nam không thể nhận diện hết được các yếu tố rủi ro và các

kết quả dự báo thường sai so với thực tế Tìm ra một công cụ phân tích dự báo tốt hơn

đã và đang là nhu cầu bức thiết cho các nhà làm chính sách và đặc biệt là công chúng

đầu tư Đây chính là cơ sở cho đề tài “Phân tích dự báo giá & rủi ro của thị trường cổ

phiếu niêm yết Việt Nam” được thực hiện

2 MỤC TIÊU NGHIÊN CỨU

Mục tiêu nghiên cứu của luận văn là:

ƒ Ứng dụng mô hình ARIMA, ARCH/GARCH dự báo phân tích rủi ro của thị

trường cổ phiếu niêm yết Việt Nam giai đoạn hiện nay;

ƒ Đánh giá ứng dụng của mô hình ARIMA, ARCH/GARCH và các hướng gợi mở

để phát triển công cụ phân tích dự báo hiệu quả này vào thực tế

3 ĐỐI TƯỢNG, PHẠM VI NGHIÊN CỨU

Đối tượng nghiên cứu của luận văn là thị trường cổ phiếu niêm yết Việt Nam, đặc biệt

giai đoạn từ đầu năm đến nay

Sở dĩ tôi giới hạn giai đoạn nghiên cứu đối với thị trường cổ phiếu niêm yết Việt Nam

là nhằm hướng đề tài được cập nhật phản ánh tình hình hiện tại của thị trường từ đó có

khả năng ứng dụng cao vào thực tế

4 PHƯƠNG PHÁP NGHIÊN CỨU

Với sự hỗ trợ của phần mềm kỹ thuật Eviews, Mô hình kinh tế lượng ARIMA và

ARCH/GARCH được sử dụng để xử lý dữ liệu chỉ số của thị trường cổ phiếu niêm yết,

từ đó tìm ra mô hình dự báo phù hợp cho thị trường Việt Nam đồng thời phân tích một

số đặc điểm rủi ro của thị trường

5 NHỮNG ĐIỂM MỚI CỦA ĐỀ TÀI

Tuy còn nhiều hạn chế nhưng đề tài cũng có những điểm mới sau:

ƒ Mặc dù mô hình ARIMA và ARCH/GARCH đã được ứng dụng và giới thiệu đến

cộng đồng nghiên cứu học thuật Việt Nam nhưng rất hiếm đề tài liên quan đến

chứng khoán được trình bày một cách hệ thống và cập nhật Luận văn với mong

muốn mô hình dự báo phân tích thị trường cổ phiếu niêm yết Việt Nam tìm được

trong giai đoạn hiện nay có thể được dùng như là một công cụ tham khảo tại các

công ty tài chính

ƒ Đưa ra một số lưu ý về ứng dụng mô hình ARIMA, ARCH/GARCH và các

hướng mở rộng cách ứng dụng mô hình mà trước kia trong các đề tài khác không

đề cập

6 KẾT CẤU ĐỀ TÀI

Luận văn được trình bày thành ba phần:

ƒ Phần 1: Tổng quan về chuỗi dữ liệu dừng, mô hình ARIMA,

ARCH/GARCH

Phần này giới thiệu tổng quát về chuỗi dữ liệu dừng và lý thuyết mô hình

ARIMA, ARCH/GARCH cũng như kinh nghiệm ứng dụng mô hình ARIMA,

ARCH/GARCH trên thế giới

ƒ Phần 2: Tổng quan về thị trường cổ phiếu niêm yết Việt Nam & Tình hình

thực tế ứng dụng mô hình ARIMA, ARCH/GARCH

Thị trường cổ phiếu niêm yết Việt Nam như thế nào, diễn biến hành vi của thị

trường qua 10 năm lịch sử hình thành phát triển thị trường và tình hình ứng dụng

mô hình dự báo phân tích rủi ro ARIMA, ARCH/GARCH tại Việt Nam sẽ cho

thấy nhu cầu cần thiết có một công cụ phân tích dự báo dựa trên mô tả được hành

vi thị trường Đó là mô hình ARIMA, ARCH/GARCH

ƒ Phần 3: Ứng dụng mô hình ARIMA, ARCH/GARCH phân tích dự báo giá

& rủi ro của thị trường cổ phiếu niêm yết Việt Nam

Giống như tựa đề của phần 3, tác giả sẽ lần lượt sử dụng mô hình ARIMA,

ARCH/GARCH phân tích dự báo giá & rủi ro cho thị trường cổ phiếu niêm yết

Việt Nam giai đoạn hiện nay thông qua hai chỉ số chứng khoán Vn-Index và

Hn-Index

Cuối cùng là một số vấn đề lưu ý và các hướng mở rộng ứng dụng

CHƯƠNG 1 TỔNG QUAN VỀ CHUỖI DỮ LIỆU DỪNG

VÀ MÔ HÌNH ARIMA, ARCH/GARCH

Y@Z

Trước hết, chúng ta ôn lại các khái niệm cơ bản bao gồm chỉ số giá chứng khoán, tỷ

suất sinh lời và rủi ro thị trường Đây là cái yếu tố đầu vào cũng như đối tượng cho mô

hình phân tích dự báo sẽ được trình bày ở phần sau

Dữ liệu chỉ số giá, tỷ suất sinh lời và rủi ro thị trường là các chuỗi dữ liệu theo thời

gian Điểm chung của ba chuỗi dữ liệu này là đều thể hiện tâm lý của nhà đầu tư thông

qua diễn biến hành vi và hướng đi của dữ liệu

Trong công tác phân tích dự báo có hai trường phái Thứ nhất, trường phái cổ điển dựa

vào các mô hình kinh tế lý thuyết đã được xây dựng nên bởi các học giả, từ đó ta thu

thập dữ liệu thực tế xây dựng nên các mô hình theo đúng lý thuyết rồi dự báo theo nó

Thứ hai, trường phái hiện đại tập trung cải tiến công tác dự báo và tin dùng vào mô

hình phân tích dự báo chuỗi thời gian Phân tích chuỗi thời gian sẽ nghiên cứu hành vi,

khuôn mẫu trong quá khứ của một biến số và sử dụng thông tin này để dự đoán những

thay đổi trong tương lai Trong bài nghiên cứu này, tôi đi theo hướng của trường phái

thứ hai tức là mô phỏng dữ liệu trong quá khứ rồi lấy đó làm cơ sở để dự phóng cho

tương lai mà không quan tâm đến việc phân tách các nhân tố tác động đến chuỗi dữ

liệu

Tuy nhiên, dù theo trường phái nào thì dữ liệu chuỗi thời gian đầu vào cho mô hình dự

báo phải là chuỗi dừng Chuỗi dừng sẽ cho thấy những kết quả dự báo phản ánh đặc

điểm trong quá khứ hay những gì diễn ra ở quá khứ sẽ xảy ra ở hiện tại và tương lai

theo đúng như kịch bản quá khứ của nó Nhưng làm thế nào để xác định được một

chuỗi thời gian là dừng? Chúng ta sẽ lần lượt kiểm định chuỗi thời gian bằng phương

pháp giản đồ tương quan và phương pháp kiểm định đơn vị

Sau khi xác định được chuỗi thời gian là chuỗi dừng, ta bắt đầu dự báo và phân tích

chuỗi thời gian theo tính ngẫu nhiên của nó dựa vào những thông tin của bản thân

chuỗi dữ liệu trong quá khứ Phương pháp ARIMA và mô hình ARCH/GARCH sẽ lần

lượt được giới thiệu một cách cơ bản cách thức ứng dụng trong việc phân tích và dự

báo một chuỗi thời gian

Ngoài ra kinh niệm ứng dụng mô hình ARIMA, ARCH/GARCH trên thế giới cho thấy

mô hình đã và đang phát triển ngày càng sâu trong công tác phân tích dự báo chuỗi dữ

liệu tài chính, đặc biệt là thị trường chứng khoán

1.1 KHÁI NIỆM CHỈ SỐ GIÁ, TỶ SUẤT SINH LỢI, RỦI RO THỊ TRƯỜNG

1.1.1 Chỉ số giá

Chỉ số giá cổ phiếu là thông tin thể hiện giá chứng khoán bình quân hiện tại so với giá

bình quân thời kỳ gốc đã chọn Việt Nam có hai chỉ số chứng khoán cơ bản là

Vn-Index và Hn-Vn-Index Cả hai chỉ số giá chứng khoán đều được tính theo phương pháp

bình quân gia quyền Công thức tính như sau:

Trong đó:

P1i: Giá hiện hành của cổ phiếu i

Q1i: Khối lượng đang lưu hành của cổ phiếu i

P0i: Giá của cổ phiếu i thời kì gốc

Q0i: Khối lượng của cổ phiếu i tại thời kì gốc

Chỉ số giá cổ phiếu được coi là phong vũ biểu thể hiện tình hình hoạt động của thị

trường chứng khoán Đây cũng là căn cứ để đánh giá hoạt động của nền kinh tế

1.1.2 Suất sinh lời của thị trường

Suất sinh lời của thị trường là thông tin làm căn cứ để đánh giá mức độ hấp dẫn khi

đầu tư vào thị trường Cũng giống như suất sinh lời của một cổ phiếu, suất sinh lời của

thị trường được tính toán dựa vào chuỗi dữ liệu chỉ số giá Công thức tính tỷ suất sinh

lời của thị trường:

Tỷ suất sinh lời tính theo nguyên tắc lãi kép với số ghép lãi vô hạn vì hoạt động đầu tư

và tái đầu tư diễn ra liên tục nên sẽ là ít chính xác hơn nếu tính toán sinh lợi theo

nguyên tắc số kỳ ghép lãi rời rạc

1.1.3 Rủi ro của thị trường cổ phiếu

Theo Harry Markowitz1.1, rủi ro cổ phiếu được đo lường bởi phương sai hoặc độ lệch

chuẩn của chuỗi dữ liệu tỷ suất sinh lời cổ phiếu

Độ lệch chuẩn (σ) = Hai chỉ số Hn-Index và Vn-Index được ngầm định đại diện cho thị trường cổ phiếu

niêm yết Việt Nam nên rủi ro thị trường cổ phiếu Việt Nam sẽ được đo lường bởi

phương sai hay độ lệch chuẩn của chuỗi dữ liệu tỷ suất sinh lời thị trường cổ phiếu

Lưu ý, với công thức tính trên, rủi ro của cổ phiếu không phân biệt đâu là rủi ro hệ

thống hay rủi ro phi hệ thống Điều này không ảnh hưởng đến mục tiêu của đề tài vì

nghiên cứu đi theo hướng phân tích dự báo giá và rủi ro cho thị trường cổ phiếu niêm

yết Việt Nam thông qua mô phỏng và phân tích biến động của chuỗi dữ liệu giá và

suất sinh lợi của thị trường mà không chú trọng phân tách các nhân tố tác động tạo ra

tính biến động đó

1.2 TÍNH DỪNG CỦA CHUỖI THỜI GIAN

1.2.1 Chuỗi thời gian dừng

Khái niệm tính dừng rất quan trọng trong phân tích chuỗi thời gian Một chuỗi thời

gian dừng có đặc điểm sau:

ƒ Dữ liệu dao động xung quanh một giá trị trung bình cố định trong dài hạn,

ƒ Dữ liệu có giá trị phương sai xác định không thay đổi theo thời gian,

ƒ Dữ liệu có một giản đồ tương quan với các hệ số tự tương quan sẽ giảm dần khi độ

trễ tăng lên

Trước hết, chúng ta giải thích khái niệm độ trễ Yt-k là chuỗi thời gian Yt có k độ trễ

nghĩa là phải mất k thời gian mới có đủ dữ liệu chuỗi thời gian Yt Khi sử dụng chuỗi

thời gian có độ trễ, ta sẽ bị mất biến quan sát Độ trễ càng tăng, số biến quan sát bị mất

càng nhiều Vấn đề này sẽ tác động đáng kể trong việc cân nhắc lựa chọn mô hình

Quay trở lại đặc điểm của một chuỗi thời gian được xem là dừng, diễn đạt theo ngôn

ngữ thống kê như sau:

ƒ E(Yt) là một hằng số cho tất cả các thời điểm t

E(Yt) = µ

ƒ Var(Yt) là một hằng số cho tất cả các thời điểm t

Var(Yt) = E(Yt - µ)2 = σ2

ƒ Cov(Yt,Yt-k) là một hằng số cho tất cả các thời điểm t và k khác 0 nghĩa là hiệp

phương sai giữa Yt và Yk chỉ phụ thuộc vào độ dài của (k) về thời gian giữa t và

t-k, không phụ thuộc vào thời điểm t Chẳng hạn, Cov(Y12,Y7) = Cov(Y13,Y8)=

Cov(Y28,Y23) Ta nên nhớ Cov(Yt,Yt-6) không đổi nhưng Cov(Yt,Yt-6) có thể khác

với Cov(Yt,Yt-5)

Cov(Yt,Yt-k) = γk= E[(Yt - µ)(Yt-k - µ]

Giả sử khi ta di chuyển lùi giá trị gốc của Y từ Yt sang Yt-k Nếu Yt là một chuỗi dừng

thì giá trị trung bình, phương sai, và hiệp phương sai của Yt-k phải bằng trung bình,

phương sai và các hiệp phương sai của Yt

Tóm lại, một chuỗi thời gian dừng nếu trung bình, phương sai của nó không đổi theo

thời gian và hiệp phương sai giữa hai thời đoạn chỉ phụ thuộc vào khoảng cách và độ

trễ về thời gian giữa hai thời đoạn này chứ không phụ thuộc vào thời điểm thực tế mà

đồng phương sai được tính

Nhìn một cách trực quan ta hãy xem đồ hình của một chuỗi thời gian như thế nào là

dừng

600,000 800,000 1,000,000 1,200,000 1,400,000 1,600,000 1,800,000 2,000,000

Đồ thị 1.1 – Giá vàng từ 01/2004 đến 05/2009 – Chuỗi có xu thế tăng không dừng

Đồ thị 1.2 – Suất sinh lợi cổ phiếu SAM giai đoạn từ 28/07/2000 đến 26/03/2009 –

Chuỗi dừng

-.10 -.08 -.06 -.04 -.02 00 02 04 06 08

2001 2003 2004 2005 2006 2007 2008

Đồ thị 1.2 thể hiện một chuỗi dừng vì dữ liệu có xu hướng hội tụ xoay quanh một giá

trị nhất định trong khi đồ thị 1.1 biểu thị xu thế tăng với trung bình tăng theo thời gian

Một chuỗi dữ liệu dừng luôn có xu hướng trở về giá trị trung bình và những dao động

xung quanh giá trị trung bình sẽ là như nhau Ta cũng có thể suy ngược lại, một chuỗi

thời gian không dừng theo cách ta đã định nghĩa về chuỗi dừng ở trên sẽ có giá trị

trung bình thay đổi theo thời gian, giá trị phương sai thay đổi theo thời gian hoặc cả

hai

Tại sao chuỗi thời gian dừng lại quan trọng? Gujarati1.2 (2003) cho rằng nếu một chuỗi

thời gian không dừng, chúng ta chỉ có thể nghiên cứu hành vi của nó trong thời gian

đang xem xét Mỗi một chuỗi dữ liệu theo thời gian sẽ mang một tình tiết nhất định và

chỉ thể hiện những hành vi cụ thể trong khoảng thời gian đó Kết quả là, chúng ta

không thể khái quát hóa cho các giai đoạn khác nghĩa là không thể lấy đặc điểm của

chuỗi thời gian giai đoạn này làm đặc điểm của một chuỗi thời gian giai đoạn khác

Đối với mục đích dự báo, các chuỗi thời gian không dừng như vậy có thể sẽ không có

giá trị thực tiễn Vì như chúng ta đã biết, trong dự báo chuỗi thời gian, chúng ta ngầm

định xu hướng vận động của dữ liệu trong quá khứ và hiện tại được duy trì cho các

giai đoạn trong tương lai Thế nhưng, nếu bản thân dữ liệu luôn thay đổi thì chúng ta

không thể dự báo được điều gì cho tương lai

Hơn nữa, đối với phân tích hồi quy, nếu chuỗi thời gian không dừng thì tất cả các kết

quả điển hình của một phân tích hồi quy tuyến tính cổ điển sẽ không có giá trị cho việc

dự báo, và thường được gọi là hiện tượng “hồi quy giả mạo” Do vậy, điều kiện cơ bản

nhất cho việc dự báo một chuỗi thời gian là nó phải có tính dừng

1.2.2 Một số quá trình ngẫu nhiên đơn giản (phụ lục 1.1)

1.2.3 Kiểm định tính dừng

1.2.3.1 Dựa trên lược đồ tương quan (Correlogram)

Một cách kiểm định đơn giản tính dừng là dùng hàm tự tương quan

(ACF-Autocorrelation Function) ACF với độ trễ k, ký hiệu bằng ρk, được xác định như sau:

ACF k ρ Cov( ,

Do cả hiệp phương sai và phương sai được tính bằng cùng một đơn vị đo, nên ρ là

một đại lượng không có đơn vị đo, là trung tính, là số Nó nằm trong khoảng từ -1 đến

+1 giống như bất kỳ một hệ số tương quan nào Nếu chúng ta vẽ đồ thị ρ theo k, thì

đồ thị chúng ta có được sẽ là biểu đồ tương quan tổng thể

Barlett đã chỉ ra rằng, nếu chuỗi là ngẫu nhiên và dừng thì các hệ số tương quan ρ sẽ

có phân phối xấp xỉ chuẩn với kỳ vọng toán bằng không và phương sai là 1/n với n khá

lớn Một chuỗi thời gian dừng khi hệ số tự tương quan giảm bằng 0 rất nhanh thường

sau 2 đến 3 độ trễ

Các hệ số tương quan ρ (k≥2) phản ánh mức độ kết hợp tuyến tính của Yt và Yt-k

Tuy nhiên, mức độ kết hợp giữa hai biến còn có thể do một số biến khác gây ra Trong

trường hợp này, các biến Yt-1, Yt-2 , Yt-k+1 ảnh hưởng đến mức độ kết hợp của Yt và

Yt-k Do đó để đo mức độ kết hợp riêng rẽ giữa Yt và Yt-k, người ta xây dựng một số

tương quan khác gọi là hệ số tương quan riêng phần của Yt và Yt-k, ký hiệu là ρ

Trong phân tích hồi quy bội, nếu biến phụ thuộc được hồi quy theo các biến giải thích

X2 và X3 thì điều mà chúng ta quan tâm là muốn biết X2 ảnh hưởng lên Y như thế nào

khi đã loại trừ ảnh hưởng của X3 lên Y Điều này có nghĩa hồi quy Y theo X3, lưu phần

dư, rồi hồi quy phần dư theo X2 Hệ số tương quan riêng phần (PACF-Partial

Correlation Function) cũng có ý nghĩa tương tự PACF đo lường mối quan hệ giữa hai

biến khi tất cả những biến không liên quan được giữ không đổi

Đồ thị 1.5 – Minh họa giản đồ tương quan của một chuỗi dừng

1.2.3.2 Kiểm định nghiệm đơn vị (Unit Root Test)

Một tiêu chuẩn khác để kiểm định tính dừng là kiểm định nghiệm đơn vị (unit root

test) Kiểm định đơn vị là một kiểm định được sử dụng khá phổ biến trong nghiên cứu

khoa học thay vì sử dụng giản đồ tương quan vì loại kiểm định này có tính học thuật

và chuyên nghiệp cao hơn Giả sử ta có phương trình tự hồi quy như sau:

Yt = ρYt-1 + Ut (-1≤ ρ≤1) (1.3) Trong đó Ut là nhiễu trắng Nếu như ρ = 1, khi đó Yt là một bước ngẫu nhiên và Yt là

một chuỗi không dừng Do đó để kiểm định tính dừng của Yt ta sẽ kiểm định giả thiết :

H0 : ρ = 1(Yt là chuỗi không dừng)

H1 : ρ < 1(Yt là chuỗi dừng)

Phương trình 1.3 tương đương với phương trình sau đây :

Yt – Yt-1 = ρYt-1 – Yt-1 + Ut

= (ρ-1)Yt-1 + Ut

ΔYt = δYt-1 + Ut

Như vậy các giải thiết ở trên có thể được viết lại như sau :

H0 : δ = 0 (Yt là chuỗi không dừng)

H1 : δ < 0 (Yt là chuỗi dừng)

Dickey1.3 và Fuller1.4 cho rằng giá trị t của hệ số Yt-1 sẽ không theo phân phối student

mà thay vào đó là phân phối xác xuất τ (tau statistic) Kiểm định thống kê τ còn được

gọi là kiểm định Dickey – Fuller (DF)

Để kiểm định H0 ta so sánh giá trị thống kê τ tính toán với giá trị thống kê τ tra bảng

DF Nếu | | > | | thì bác bỏ giả thiết H0, nghĩa là Yt là một chuỗi dừng Tiêu chuẩn

DF được áp dụng cho các mô hình sau :

ΔYt = δYt-1 + Ut

ΔYt = β1 + δYt-1 + Ut

ΔYt = β1 + β2t + δYt-1 + Ut (1.4)

Nếu Ut tự tương quan có nghĩa là ΔYt phụ thuộc cả các ΔYt-i trong quá khứ như ΔYt-1,

ΔYt-2 thì cải biên mô hình (1.4) như sau :

ΔYt = β1 + β2t + δYt-1 + ∑ ΔY + εt (1.5)

Kiểm định DF như phương trình 1.5 được gọi là kiểm định DF mở rộng

(ADF-Augmented Dickey – Fuller Test)

1.3 MÔ HÌNH ARIMA (Autoregressive Integrated Moving Average)

1.3.1 Quá trình tự hồi quy (Autoregressive Process – AR)

Như đã trình bày trong cơ chế tự hồi quy bậc nhất, biến phụ thuộc được hồi quy theo

các biến trễ của nó Quá trình tự hồi quy bậc nhất AR (1) được biểu diễn như sau:

Yt = φYt-1 + Ut, Ut là nhiễu trắng

Đây là mô hình đơn giản nhất của cơ chế tự hồi quy Mô hình tổng quát của quá trình

tự hồi quy bậc p kí hiệu AR(p) có dạng:

Yt = φ0 + φ1Yt-1 + φ2Yt-2 + + φpYt-p + Ut, Ut là nhiễu trắng

Điều kiện để Yt dừng là -1< φi<1

Mô hình tự hồi quy tổng quát chỉ có các giá trị hiện tại và quá khứ của Y được sử dụng

trong mô hình và không có biến làm hồi quy nào khác Giá trị của Y tương lai phụ

thuộc vào giá trị của nó trong quá khứ cộng với một yếu tố ngẫu nhiên Rõ ràng với

mô hình tự hồi quy, dữ liệu đã tự nó giải thích cho bản thân nó

Vấn đề là làm cách nào ta xác định số độ trễ p? Lúc này giản đồ tương quan ngoài việc

giúp ta nhận dạng một cách trực quan tính dừng của chuỗi thời gian còn giúp ta xây

dựng mô hình hồi quy, cụ thể xác định p trong mô hình AR(p) Cách thức như sau:

ACF sẽ có xu hướng bằng không ngay lập tức, trong khi đó, hệ số tự tương quan riêng

phần PACF sẽ có xu hướng khác không một cách có ý nghĩa thống kê cho đến độ trễ p

và sẽ bằng không ngay sau độ trễ p đó

1.3.2 Quá trình trung bình trượt (Moving Average – MA)

Yt là quá trình trung bình trượt bậc q kí hiệu MA(q) nếu Yt có dạng:

Yt = Ut + θ1Ut-1 + θ2Ut-2 + + θqUt-q Trong đó Ut là số hạng nhiễu ngẫu nhiên; θ1, θ2 , θq là các hệ số ước lượng; Ut-1 là sai

số ở giai đoạn t-1, Ut-q là sai số ở giai đoạn t-q

Hàm ý của mô hình MA(q) là Yt phụ thuộc vào giá trị của sai số hiện tại và các sai số

quá khứ, tức tại các thời điểm t, t-1, t-2 , t-q Điều này có nghĩa Yt phụ thuộc vào giá

trị sai số trước đó chứ không phải giá trị trễ của Yt như trong mô hình AR Ví dụ, khi

xem giá cổ phiếu tại thời điểm t, thì các sai số này có thể đại diện cho ảnh hưởng của

các thông tin thị trường tại thời điểm t-1, t-2 , t-q ngoài yếu tố giá của cổ phiếu trước

đó

Tóm lại, Y tại thời điểm t không chỉ phụ thuộc vào các thông tin hiện tại mà còn phụ

thuộc vào các thông tin trong quá khứ Tuy nhiên, các thông tin gần nhất có ý nghĩa

nhiều hơn so với các thông tin trước đó Như vậy, các mô hình MA cung cấp giá trị dự

báo của Yt trên cơ sở kết hợp tuyến tính của các giá trị sai số quá khứ, trong khi đó,

các mô hình AR dự báo Yt như một hàm tuyến tính của các giá trị quá khứ của bản

thân Yt

Để xác định độ trễ q ta sử dụng giản đồ tương quan theo cách sau đây: ACF sẽ có xu

hướng khác không một cách có ý nghĩa thống kê cho đến độ trễ q và sẽ bằng không

ngay sau độ trễ q đó, trong khi PACF sẽ có xu hướng bằng không ngay lập tức

Thông thường, ít có chuỗi thời gian nào thỏa mãn các điều kiện của mô hình AR(p)

hoặc MA(q), mà thường là kết hợp của hai mô hình này, có nghĩa là một chuỗi dừng

thì có thể tuân theo mô hình tổng quát là ARMA(p,q)

1.3.3 Quá trình tự hồi quy và trung bình trượt (ARMA)

Nếu kết hợp mô hình AR(p) với mô hình MA(q) ta có mô hình ARMA(p,q) có dạng

như sau:

Yi = φ0 + φ1Yt-1 + φ2Yt-2 + + φpYt-p + Ut + θ1Ut-1 + θ2Ut-2 + + θqUt-q

Dạng rút gọn của ARMA(p,q) như u : sa

Yt = φ0 + ∑ φ Yt-1 + Ut + ∑ θ Ut-j Tương tự như các mô hình AR(p) và MA(q), các mô hình ARMA(p,q) chỉ thích hợp

cho các chuỗi dừng Trong trường hợp này, ta cần phải xác định độ trễ p và q thích

hợp theo cách sau đây:

Đồ thị 1.6 – Minh họa giản đồ tương quan của mô hình ARMA(1,2)

Nhìn vào giản đồ ở cột Partial Correlation sau 1 độ trễ (dãy số giữa Partial Correlation

và AC), PAC tiến về 0 (biểu thị khối hình nằm ngang rút ngắn lại và nằm trong phạm

vi hai đường gạch đứt) trong khi AC bằng không kể từ 2 độ trễ Ta xác định được dữ

liệu có dạng mô hình ARMA(1,2)

1.3.4 Quá trình trung bình trượt kết hợp tự hồi quy (ARIMA)

Trước hết, trở lại biểu thức ΔYt = Yt – Yt-1 Δ là toán tử sai phân Sai phân bậc 1 được

định nghĩa bằng ΔYt = Yt – Yt-1

Sai phân bậc 2: Δ(ΔYt) = ΔYt – ΔYt-1

= (Yt – Yt-1) – (Yt-1 – Yt-2) = Yt – 2Yt-1 + Yt-2

Các mô hình ARMA chỉ có thể thực hiện được khi chuỗi Yt là chuỗi dừng Tuy nhiên,

hầu hết các chuỗi dữ liệu kinh tế theo thời gian và tài chính đều là chuỗi có yếu tố xu

thế, nghĩa là, giá trị trung bình của Yt trong năm này có thể khác năm kia Nói cách

khác, các chuỗi thời gian trong kinh tế và tài chính thường là chuỗi không dừng Chính

vì thế, để suy ra các chuỗi dừng chúng ta phải khử yếu tố xu thế trong các chuỗi dữ

liệu gốc thông qua quy trình lấy sai phai Nếu lấy sai phân bậc 1 ta có được chuỗi dừng

thì được gọi là dừng sai phân bậc 1 (hay đồng liên kết bậc 1) và ký hiệu là I(1) Mở

rộng ra, nếu một chuỗi dừng ở sai phân bậc d ta kí hiệu là I(d) Như vậy, nếu chuỗi Yt

dừng sai phân bậc d, áp dụng mô hình ARMA(p,q) cho chuỗi sai phân bậc d thì chúng

ta có quá trình ARIMA(p,k,q), trong đó, p là bậc tự hồi quy, d là số lần lấy sai phân để

Yt dừng, q là bậc trung bình trượt

AR(p), MA(q) lần lượt chính là mô hình ARIMA(p,0,0), ARIMA(0,0,q) Ta có thể

biểu diễn m hình ARIMA(p,k,q) như sau : ô

ΔYt = + φ1 ΔYt-1 + φ2 ΔYt-2 + + φpΔYt-p + Ut + θ1Ut-1 + θ2Ut-2 + + θqUt-q

1.3.5 Quy trình lựa chọn mô hình ARIMA(p,d,q)

Quy trình lựa chọn mô hình ARIMA thông thường qua ba bước: nhận dạng, ước lượng

và kiểm tra chẩn đoán

Nhận dạng

9 Kiểm tra tính dừng của dữ liệu thông qua giản đồ tương quan hay kiểm định

nghiệm đơn vị Nếu không dừng thì ta làm cho dữ liệu dừng bằng cách lấy sai

phân bậc 1;

9 Xác định p, q cho mô hình ARMA dựa vào giản đồ tương quan

Mô hình ACF PACF

MA(1) Có ý nghĩa ở độ trễ thứ nhất Bằng không ngay lập tức

AR(1) Bằng không ngay lập tức Có ý nghĩa ở độ trễ thứ nhất

ARMA(1,1) Bằng không sau độ trễ thứ nhất Bằng không sau độ trễ thứ nhất

ARMA(p,q) Bằng không sau độ trễ thứ q Bằng không sau độ trễ thứ p

Ước lượng

9 Chọn mô hình phù hợp bằng các chỉ tiêu AIC, SBC, tiêu chuẩn Schwarz

9 Kiểm tra dấu và thống kê t của từng hệ số

Phân tích chẩn đoán

9 Vẽ đồ thị phần dư theo thời gian

9 Quan sát và so sánh đồ thị giá trị dự báo và giá trị thực tế

9 Kiểm định tính ngẫu nhiễn của phần dư

1.4 MÔ HÌNH ARCH/GARCH

1.4.1 Mô hình ARCH (Autoregressive Conditional Heteroskedasticity)

Kể từ năm 1982 khi Robert Engle1.5 viết tác phẩm nổi tiểng của mình “Dự đoán rủi ro

lạm phát ở Anh Quốc bằng mô hình hồi quy tự tương quan phương sai có điều kiện”,

mô hình ARCH đã được phát triển thành những mô hình phân tích rủi ro được sử dụng

nhiều nhất Mô hình ARCH cho rằng phương sai của các hạng nhiễu tại thời điểm t

phụ thuộc vào các số hạng nhiễu bình phương ở các giai đoạn trước hay phương sai

thay đổi qua thời gian Engle cho rằng tốt nhất chúng ta nên mô hình hóa đồng thời giá

trị trung bình và phương sai của chuỗi dữ liệu khi nghi ngờ rằng giá trị phương sai

thay đổi theo thời gian Biểu diễn mô hình ARCH(q) như sau:

Yt β1 + β2Xt + ut = (1.6)

Ut ~ N(0, ht) trong đó ht chính là σ

ht = γ0 + ∑ γ (1.7)

Các hệ số γ phải có dấu dương vì phương sai luôn dương Ví dụ ta có mô hình

ARCH(1), phương trình biểu diễn của mô hình như sau:

Mô hình GARCH (Generalised Autoregressive Conditional Heteroskedasticity) là mô

hình tổng quát hóa cao hơn mô hình ARCH Mô hình ARCH có vẽ giống dạng mô

hình MA(q) Vì vậy, một ý tưởng được Tim Bollerslev1.6 đề xuất làchúng ta thêm các

biến trễ của phương sai có điều kiện vào phương trình phương sai 1.7 theo dạng tự hồi

quy Mô hình GARCH(p,q) có dạng sau đây:

Yt β1 + β2Xt + ut =

Ut ~ N(0, ht)

ht = γ0 + ∑ + ∑ γ (1.8)

Phương trình 1.8 nói lên rằng phương sai ht bây giờ phụ thuộc vào cả giá trị quá khứ

của những cú sốc, đại diện bởi các biến trễ của hạng nhiễu bình phương, và các giá trị

quá khứ của bản thân ht đại diện bởi các biến ht-i Dạng đơn giản nhất của mô hình

GARCH là GARCH(1,1), được biểu diễn như sau:

Yt β1 + β2Xt + ut =

Ut ~ N(0 h , t)

ht = γ0 + + γ1

Một ích lợi rõ ràng nhất mô hình GARCH mang lại so với mô hình ARCH là

ARCH(q) vô tận = GARCH(1,1) Nếu các ảnh hưởng ARCH có quá nhiều độ trễ nghĩa

là q lớn thì có thể sẽ ảnh hưởng đến kết quả ước lượng do giảm đáng kể số bậc tự do

trong mô hình Ta nhớ lại phần trình bày ở trên, một chuỗi dữ liệu càng nhiều độ trễ sẽ

có nhiều biến bị mất Trường hợp giá cổ phiếu mới lưu hành trên thị trường thì ảnh

hưởng này càng nghiêm trọng

1.4.3 Mô hình GARCH-M

Mô hình GARCH-M cho phép giá trị trung bình có điều kiện phụ thuộc vào phương

sai có điều kiện của chính nó Ví dụ xem xét hành vi các nhà đầu tư thuộc dạng sợ rủi

ro và vì thế họ có xu hướng đòi hỏi thêm một mức phí bù rủi ro như một phần đền bù

để quyết định nắm giữ một tài sản rủi ro Như vậy, phí bù rủi ro là một hàm đồng biến

với rủi ro; nghĩa là rủi ro càng cao thì phí bù rủi ro phải càng nhiều Nếu rủi ro được

đo lường bằng mức dao động hay bằng phương sai có điều kiện thì phương sai có điều

kiện có thể là một phần trong phương trình trung bình của biến Yt Theo cách này, mô

hình GARCH-M sẽ có d g sau: ạn

Yt = β1 + β2Xt + + ut (1.9)

Ut ~ N(0, ht)

ht = γ0 + ∑ + ∑ γ (1.10)

1.4.4 Mô hình TGARCH

Hạn chế lớn nhất của trong các mô hình ARCH và GARCH là chúng được giả định có

tính chất đối xứng Điều này có nghĩa là các mô hình này chỉ quan tâm đến giá trị tuyệt

đối của các cú sốc chứ không quan tâm đến “dấu” của chúng (bởi vì hạng nhiễu thể

hiện dưới dạng bình phương) Vì thế, trong các mô hình ARCH/GARCH, một cú sốc

mạnh có giá trị dương có ảnh hưởng lên sự dao động của chuỗi dữ liệu hoàn toàn

giống với một cú sốc mạnh có giá trị âm Tuy nhiên, thực tế, kinh nghiệm cho thấy đặc

biệt trong tài chính các cú sốc âm (hoặc tin tức xấu) trên thị trường có tác động mạnh

và dai dẳng hơn so với cú sốc dương (hoặc tin tốt) hay nói cách khác là có sự bất cân

xứng thông tin trong thị trường Chính vì vậy, Zakoian1.7 (1990) đã mô hình hoá sự

khác biệt tác động của loại thông tin lên thị trường bằng mô hình TGARCH

Mô hình TGARCH xem xét tính chất bất cân xứng giữa các cú sốc âm và dương hoặc

tính hiệu quả của thị trường Các học giả đã đưa vào mô hình phương trình 1.10 một

biến giả tương tác giữa hạng nhiễu bình phương Mô hình hình TGARCH được biểu

diễn như sau:

Nếu υ có ý nghĩa thống kê, thì các tin tức tốt và tin tức xấu sẽ có ảnh hưởng khác

nhau lên phương sai Cụ thể, tin tức tốt chỉ có ảnh hưởng γ , trong khi đó, tin tức xấu

có ảnh hưởng (γ +υ ) Nếu υ >0 thì chúng ta có thể nói rằng có sự bất cân xứng trong

tác động giữa tin tức tốt và tin tức xấu Ngược lại, nếu υ = 0 thì tác động của tin tức

có tính chất cân xứng

Trên là những kiến thức nền tảng của mô hình ARIMA, ARCH/GARCH Ưu điểm của

mô hình cho ta thấy khả năng ứng dụng rất cao cho công tác dự báo và phân tích rủi ro

của các dữ liệu tài chính, đặc biệt là chuỗi dữ liệu của thị trường chứng khoán

Tuy thế giới chỉ mới biết đến và sử dụng mô hình kể từ cuối thế kỉ XX nhưng chỉ vài

chục năm với sự hỗ trợ của khoa học công nghệ thông tin ứng dụng, mô hình càng

được nhân rộng và phát triển lên một tầm cao mới Kinh nghiệm sử dụng mô hình

ARIMA, ARCH/GARCH trên thế giới trong lĩnh vực chứng khoán sẽ cho ta thấy điều

đó

1.5 KINH NGHIỆM SỬ DỤNG MÔ HÌNH ARIMA, ARCH/GARCH TRÊN

THẾ GIỚI TRONG LĨNH VỰC CHỨNG KHOÁN

1.5.1 Ứng dụng mô hình ARIMA

Kể từ khi xuất bản cuốn sách Time Series Analysis: Forecasting and Control (Phân

tích chuỗi thời gian: Dự báo và kiểm soát) năm 1970, một kỷ nguyên mới của các công

cụ dự báo được mở ra đặc biệt khi phân tích dữ liệu chuỗi thời gian, trong đó phương

pháp luận ARIMA được biết rộng rãi và có tầm ảnh hưởng nhất

Tại hội nghị quốc tế IEEE từ ngày 03 đến ngày 06 tháng 6 năm 1996 diễn ra tại Mỹ,

hai học giả Jung-Hua Wang và Jia-Yann Leu thuộc trường đại học đại dương quốc gia

Đài Loan đã công bố kết quả dự báo xu hướng chỉ số giá TSEWSI của thị trường

chứng khoán Đài Loan trong trung hạn theo mô hình ARIMA (1,2,1) Với kết quả này

việc dự báo cho thị trường chứng khoán Đài Loan cho 6 tuần tới với độ chính xác chấp

nhận được và tốt hơn các mô hình dự báo khác

Hoặc gần đây 06/2010, giáo sư Emenike Kalu O công tác tại khoa Tài chính Ngân

hàng thuộc trường đại học Nigeria, bang Enugu đã thử xây dựng mô hình ARIMA

(1,1,1) để dự báo thị trường cổ phiếu Nigeria cho giai đoạn từ 01/1985 đến 12/2009 thì

kết quả cho thấy dự báo ARIMA có vẻ tương thích với thực tế giai đoạn 01/1985 đến

12/2008 nhưng lại vượt trội so với kết quả thực tế trong giai đoạn thị trường chịu tác

động của khủng hoảng kinh tế toàn cầu năm 2009 Như vậy, khủng hoảng kinh tế đã

phá hủy mối tương quan giữa hiện tại với quá khứ, chính vì vậy kết quả dự báo sử

dụng mô hình ARIMA lại tỏ ra sai lệch khi gặp một cú sốc lớn đối với thị trường

Đấy là nghiên cứu độc lập mô hình ARIMA, ta cũng đã thấy có vẻ như ARIMA không

phải luôn đúng trong mọi trường hợp, nó phụ thuộc vào giai đoạn lấy mẫu của chuỗi

dữ liệu Thông tin tác động trong mỗi thời đoạn ấy khác nhau sẽ tác động tương ứng

đến hiệu quả dự báo của mô hình ARIMA

Một nhóm các học giả người Ý đã cùng nhau phân tích dự báo thị trường chứng khoán

Ý sử dụng đồng thời mô hình ARIMA và mô hình đa nhân tố APT1.8 Kết quả cho thấy

cả hai đều tốt và có độ tin cậy nhất định khi dự báo và thông tin của thị trường chứng

khoán thật sự là yếu tố quyết định đến giá tương lai ngay cả khi nó có tính chất chủ

quan trong quá trình truyền đạt thông tin

Tuy nhiên khi so sánh ARIMA với mô hình FFNN (Feed Forward Neutral Networks –

Mô hình mạng lưới thần kinh tiến tiếp), tác giả Ashish Gajanan Lahane 08/2008 khi dự

báo các chỉ số chứng khoán Ấn Độ lại cho thấy ARIMA mặc dù dự đoán về hướng đi

của thị trường tốt hơn nhưng dự báo về giá trị thì kém hơn mô hình FFNN

Mô hình FFNN là một nhánh của lý thuyết mô phỏng bộ não con người dựa trên sự di

chuyển các luồng thông tin truyền qua các nơron Mô hình ANN (Artificial Neural

Network – Mô hình mạng thần kinh nhân tạo) cũng là một hình thức như vậy Những

nghiên cứu gần đây đã đề xuất kết hợp mô hình ANN và ARIMA cho ra mô hình

SARIMABP (Tseng năm 2002) hay như mô hình GRANN_ARIMA (Temizel và

Ahemad năm 2005) Các nhà nghiên cứu Nitin Merh, Vinod P.Saxena và Kamal Raj

Pardasani trong tác phẩm so sánh những mô hình kết hợp ANN với ARIMA trong việc

dự báo xu hướng của thị trường chứng khoán Ấn Độ năm 2010 đã thực hiện ứng dụng

trên các chỉ số BSE IT, BSE 100, S&P CNX Nifty

1.5.2 Ứng dụng mô hình ARCH/GARCH

Thuật ngữ ARCH/GARCH xuất hiện vào thập niên 90 nhưng chỉ thật sự phổ biến chục

năm trở lại đây, các nghiên cứu ARCH/GARCH hiện đang trong quá trình phát triển

đặc biệt ứng dụng cao trong phân tích rủi ro Riêng lĩnh vực chứng khoán, tôi có thể kể

ra một số tác phẩm ứng dụng như sau:

Trong tác phẩm “Ứng dụng mô hình GARCH để dự báo sự biến động của thị trường

chứng khoán” Malaysia, các học giả trường đại học Putra đã sử dụng dữ liệu chỉ số giá

từ Sở giao dịch chứng khoán Kuala Lumpur để phân tích và dự báo rủi ro của thị

trường

Năm 2006, tập thể những giáo sư trường đại học Wollongong ở Úc công bố kết quả

nghiên cứu tác động qua lại giữa thị trường chứng khoán Thái Lan và các thị trường

khác, trong đó họ đã sử dụng mô hình GARCH-M phân tích trên dữ liệu tháng từ

01/1988 đến 12/2004

Ngoài ra, mô hình GARCH có thể được sử dụng để phân tích vấn đề thao túng giá

hoặc thông tin bất cân xứng trên thị trường chứng khoán bởi các nhà nghiên cứu Đài

Loan năm 2007 Họ cũng ứng dụng ARCH(3)-M để chứng minh chính giảm phát kỳ

vọng là nguyên nhân gây ra sự biến động của thị trường chứng khoán thời kỳ khủng

hoảng kinh tế 1997-1998 trong khi phần bù rủi ro tương ứng lại không đổi

Mô hình GARCH còn được dùng để phân tích rủi ro cho các cơ hội đầu tư quốc tế theo

nghiên cứu sinh Marius Matei thuộc Viện nghiên cứu kinh tế quốc gia Tây Ban Nha

năm 2010 Trong bài nghiên cứu, những cải tiến của mô hình cũng được đề xuất

Còn rất rất nhiều các nghiên khác trên thế giới về mặt ứng dụng lẫn cải tiến mô hình

ARIMA và ARCH/GARCH trong lĩnh vực chứng khoán mà tôi chưa thể trình bày hết

Điều tôi muốn nói ở đây là trong thế giới học thuật ngày nay, các nghiên cứu lý thuyết

ngày càng kết hợp chặt chẽ với công nghệ toán tin học Vì vậy khả năng ứng dụng và

triển khai vào thực tế càng nhanh chóng

KẾT LUẬN CHƯƠNG 1

Chỉ số Vn-Index và Hn-Index là hai đối tượng nghiên cứu trong việc phân tích dự báo

giá và rủi ro cho thị trường cổ phiếu niêm yết Việt Nam Suất sinh lời của thị trường

được tính theo nguyên tắc lãi kép với số ghép lãi vô hạn và rủi ro thị trường được đo

lường bởi phương sai hay độ lệch chuẩn của chuỗi dữ liệu suất sinh lời thị trường

Để công tác dự báo tin cậy cao và chuẩn xác thì chuỗi dữ liệu phải dừng Chuỗi dừng

là chuỗi mà trung bình, phương sai của nó không đổi theo thời gian và hiệp phương sai

giữa hai thời đoạn chỉ phụ thuộc vào khoảng cách và độ trễ về thời gian giữa hai thời

đoạn này chứ không phụ thuộc vào thời điểm thực tế mà đồng phương sai được tính

Ta kiểm tra tính dừng dựa trên lược đồ tương quan hay kiểm định đơn vị Sau khi có

dữ liệu dừng ta xây dựng mô hình ARIMA để dự báo cho chuỗi dữ liệu Mô hình kết

hợp quá trình tự tương quan và trung bình trượt mô phỏng diễn biến chuỗi dữ liệu

trong quá khứ để dự báo cho tương lai với giả định tương lai lặp lại như những gì

trong quá khứ

Một đặc điểm của mô hình ARIMA là phương sai không đổi nhưng trong thực tế

phương sai có biến đổi Mô hình ARCH/GARCH khắc phục điều đó khi mô tả phương

sai phụ thuộc vào giá trị của nó trong quá khứ Vì vậy nó được dùng để phân tích và

dự báo rủi ro

Mô hình ARIMA, ARCH/GARCH chỉ mới được khởi xướng từ vài chục năm trở lại

đây, nhưng với sự phát triển của khoa học công nghệ, thế giới đã và đang nghiên cứu

mô hình ARIMA, ARCH/GARCH ở mức độ ngày càng sâu, tiến tới kết hợp với những

mô hình phân tích dự báo tiên tiến khác như mô hình mạng lưới thần kinh tiến tiếp

(FFNN), mô hình mạng thần kinh nhân tạo (ANN)

mô hình ARIMA, ARCH/GARCH

CHƯƠNG 2 TỔNG QUAN THỊ TRƯỜNG CỔ PHIẾU NIÊM YẾT VIỆT NAM & TÌNH

HÌNH THỰC TẾ ỨNG DỤNG MÔ HÌNH ARIMA, ARCH/GARCH

Y@Z

Chương 1 đã khái quát một số kiến thức nền về mô hình dự báo phân tích rủi ro của

một chuỗi dữ liệu theo thời gian và kinh nghiệm sử dụng mô hình trên thế giới trong

lĩnh vực chứng khoán Đây là cơ sở cho việc ứng dụng vào thị trường cổ phiếu niêm

yết Việt Nam vì dữ liệu từ thị trường này hầu hết là dữ liệu tài chính biến động cao

theo thời gian nên rất thích hợp cho áp dụng mô hình ARIMA, ARCH/GARCH

Trước khi đi vào phần ứng dụng, chương này sẽ đề cập đến tổng quan thị trường cổ

phiếu niêm yết Việt Nam, bao gồm các vấn đề sau:

• Giới thiệu khái quát đặc điểm của một thị trường cổ phiếu niêm yết là như thế

nào

• Thống kê tỷ suất sinh lời và rủi ro của thị trường cổ phiếu niêm yết Việt Nam

trong mối tương quan so sánh với thế giới

• Nhìn lại lịch sử biến động của thị trường cổ phiếu niêm yết Việt Nam để nhận

định cơ bản về diễn biến tâm lý của thị trường Đây là lý do ta đề cao vai trò

của việc mô phỏng hành vi chuỗi dữ liệu trong quá khứ khi phân tích dự báo giá

và rủi ro của thị trường cổ phiếu niêm yết Việt Nam

Kết thúc chương là phần trình bày liên quan đến tình trạng thực tế công tác phân tích

dự báo giá & rủi ro thị trường chứng khoán của các chuyên gia tài chính tại thị trường

cổ phiếu niêm yết Việt Nam Từ đó nêu bật tầm quan trọng của việc ứng dụng triển

khai mô hình ARIMA, ARCH/GARCH đi vào hoạt động tư vấn đầu tư trên thị trường

cổ phiếu niêm yết Việt Nam

2.1 TỔNG QUAN VỀ THỊ TRƯỜNG CỔ PHIẾU NIÊM YẾT VIỆT NAM

2.1.1 Đặc điểm của một thị trường cổ phiếu niêm yết Việt Nam

Thị trường cổ phiếu niêm yết Việt Nam chính thức thành lập và đi vào vận hành vào

ngày 28/07/2000 với 02 cổ phiếu REE (Công ty Cổ phần Cơ Điện Lạnh) và SAM

(Công ty Cổ phần Cáp và Vật liệu Viễn thông) giao dịch trên Trung tâm giao dịch

mô hình ARIMA, ARCH/GARCH

Chứng khoán Thành phố Hồ Chí Minh Trải qua hơn 10 năm hoạt động, thị trường đã

thật sự trở thành một kênh huy động vốn trung và dài hạn hiệu quả góp phần tạo động

lực phát triển kinh tế Sàn giao dịch chứng khoán đã phát triển thành hai sàn giao dịch

được quản lý kiểm soát bởi hai cơ quan quản lý là Sở Giao dịch Chứng khoán Thành

phố Hồ Chí Minh và Sở Giao dịch Chứng khoán Hà Nội Mỗi sàn giao dịch có những

khác nhau về quy mô, các tiêu chuẩn niêm yết và quy định quản lý

Việc xây dựng và phát triển một mô hình quản lý hoạt động giao dịch chứng khoán

phân tầng như vậy không những tạo ra một cơ chế thông thoáng, linh hoạt cho các

công ty đại chúng muốn quảng bá hình ảnh của mình đến gần với công chúng đầu tư

mà còn làm tăng khả năng kiểm soát quản lý hoạt động của các công ty đại chúng

nhằm bảo vệ các lợi ích chính đáng của các nhà đầu tư

Một số nét chính của hai sàn giao dịch chứng khoán niêm yết

2.1.1.1 Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (Hsx)

Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh tiền thân là Trung tâm Giao dịch

Chứng khoán Thành phố Hồ Chí Minh, được chuyển đổi theo Quyết định

599/QĐ-TTg ngày 11/05/2007 của Thủ tướng Chính phủ Những công ty có cổ phiếu được

niêm yết tại Sở giao dịch Thành phố Hồ Chí Minh phải thỏa mãn các tiêu chuẩn sau:

ƒ Là công ty cổ phần có vốn điều lệ đã góp tại thời điểm đăng ký niêm yết từ 80

tỷ đồng Việt Nam trở lên tính theo giá trị ghi trên sổ kế toán;

ƒ Hoạt động kinh doanh hai năm liền trước năm đăng ký niêm yết phải có lãi,

không có lỗ luỹ kế tính đến năm đăng ký niêm yết và không có các khoản nợ

quá hạn chưa được dự phòng theo quy định của pháp luật;

ƒ Tối thiểu 20% cổ phiếu có quyền biểu quyết của công ty do ít nhất 100 cổ đông

nắm giữ;

ƒ

Như vậy, Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh giống một bộ lọc chọn

ra những cổ phiếu tốt nhất hoặc những đối tượng đầu tư đáng tin cậy cho công chúng

Với chức năng giám sát và quản lý hoạt động giao dịch các cổ phiếu đủ tiêu chuẩn

niêm yết, Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh đã góp phần làm tăng

mô hình ARIMA, ARCH/GARCH

tính minh bạch thị trường đảm bảo hoạt động thị trường được tiến hành công khai,

công bằng, trật tự và hiệu quả

Đồ thị 2.1 – Số lượng các công ty niêm yết tại sàn Hsx qua các năm

Nguồn Hsx

2.1.1.2 Sở Giao dịch Chứng khoán Hà Nội (Hnx)

Sở Giao dịch Chứng khoán Hà Nội (Hnx) được thành lập theo Quyết định số

01/2009/QĐ-Ttg ngày 2/1/2009 của Thủ tướng Chính phủ trên cơ sở chuyển đổi, tổ

chức lại Trung tâm Giao dịch Chứng khoán Hà Nội Đây là nơi giao dịch các cổ phiếu

của các công ty đại chúng có hoạt động kinh doanh tốt nhưng chưa đạt chuẩn niêm yết

tại Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh Những điều kiện cơ bản bắt

buộc đối với một công ty niêm yết trên SGDCK Hà Nội bao gồm:

ƒ Là công ty cổ phần có vốn điều lệ đã góp tại thời điểm đăng ký niêm yết từ 10

tỷ đồng Việt Nam trở lên tính theo giá trị ghi trên sổ kế toán;

ƒ Hoạt động kinh doanh của năm liền trước năm đăng ký niêm yết phải có lãi,

không có các khoản nợ phải trả quá hạn trên một năm và hoàn thành các nghĩa

vụ tài chính với Nhà nước;

ƒ Cổ phiếu có quyền biểu quyết của công ty do ít nhất 100 cổ đông nắm giữ;

Với những tiêu chuẩn niêm yết như trên cho ta thấy các công ty niêm yết tại SGDCK

Tp Hồ Chí Minh lớn hơn về quy mô, đại chúng hoá hơn và phải tuân thủ các yêu cầu

khắt khe hơn về chất lượng hoạt động kinh doanh so với các công ty niêm yết tại

SGDCK Hà Nội

0 50 100

Năm

mô hình ARIMA, ARCH/GARCH

Đồ thị 2.2 – Số lượng các công ty niêm yết tại sàn Hnx qua các năm

Nguồn Hnx

Chỉ cần nhìn vào biểu đồ số lượng các công ty niêm yết tại hai sàn Hsx và Hnx qua

các năm ta cũng thấy được cơ bản sự phát triển về quy mô của thị trường cổ phiếu

niêm yết Việt Nam Đặc biệt 2006 được xét là cột mốc quan trọng đánh dấu sự phát

triển vượt bật của thị trường cổ phiếu Việt Nam không chỉ riêng gì thị trường niêm yết

mà còn ở thị trường OTC2.1.Trước năm 2006 có thể xem là giai đoạn thử nghiệm vận

hành thị trường cổ phiếu còn rất mới mẻ ở Việt Nam Kể từ thời điểm đột phá năm

2006 thì thị trường vốn nói chung và thị trường cổ phiếu niêm yết Việt Nam nói riêng

mới thật sự hòa mình vào quá trình phát triển kinh tế đất nước, trở thành phong vũ

biểu cho nền kinh tế đang phát triển như ở Việt Nam

2.1.2 Thống kê tỷ suất sinh lời và rủi ro của thị trường cổ phiếu niêm yết Việt

Nam trong mối tương quan so sánh với thế giới

Việt Nam là nước đang phát triển nên được xếp vào nhóm các nước có nền kinh tế mới

nổi Mặc khác, thị trường cổ phiếu niêm yết Việt Nam chỉ mới trải qua hơn mười năm

hình thành và phát triển còn rất non trẻ so với các thị trường trên thế giới Vì vậy, sự

biến động của thị trường cổ phiếu niêm yết Việt Nam sẽ cao hơn các thị trường khác,

nhưng bù lại tỷ suất sinh lời sẽ thu được khá hấp dẫn cho các nhà đầu tư

0 50 100 150 200 250 300 350