Phản Ứng Của Thị Trường Chứng Khoán Việt Nam Đối Với Biến Động Của Thị Trường Chứng Khoán Quốc Tế..pdf

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CẦN THƠ LÊ VĂN THỨ PHẢN ỨNG CỦA THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM ĐỐI VỚI BIẾN ĐỘNG CỦA THỊ TRƯỜNG CHỨNG KHOÁN QUỐC TẾ LUẬN ÁN TIẾN SĨ NGÀNH TÀI CHÍNH – NGÂN HÀNG M[.]

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CẦN THƠ LÊ VĂN THỨ PHẢN ỨNG CỦA THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM ĐỐI VỚI BIẾN ĐỘNG CỦA THỊ TRƯỜNG CHỨNG KHOÁN QUỐC TẾ LUẬN ÁN TIẾN SĨ NGÀNH TÀI CHÍNH – NGÂN HÀNG MÃ NGÀNH: 62340201 NĂM 2023 TĨM TẮT Hiểu biết xác cấu trúc phụ thuộc tài sản tài giúp cải thiện hiệu danh mục đầu tư giảm thiểu rủi ro Mô hình hóa cấu trúc phụ thuộc hai thị trường nhiệm vụ đầy thách thức chuỗi lợi suất tài sản tài khơng có phân phối chuẩn Do đó, việc giải thích cấu trúc phụ thuộc thị trường chứng khoán (TTCK) thường cho kết sai lệch Luận án vận dụng phương pháp copula có điều kiện (ARMA-GJR-GARCH Copula), cơng cụ thống kê mạnh, để xem xét cấu trúc phụ thuộc TTCK Việt Nam TTCK quốc tế gồm gồm Mỹ, Anh, Pháp, Đức, Trung Quốc, Hồng Kông, Nhật Bản, Hàn Quốc, Đài Loan, Singapore, Thái Lan, Malaysia, Indonesia Qua đó, xác định mức độ phản ứng TTCK Việt Nam biến động TTCK quốc tế Ưu điểm mơ hình copula khơng giả định chuỗi lợi suất chứng khốn có phân phối chuẩn, cho phép mơ hình hóa phụ thuộc bất đối xứng, phụ thuộc đuôi hai thị trường xảy cú sốc giảm giá tăng giá Luận án sử dụng liệu theo tần suất ngày với cỡ mẫu dao động từ 4.449 đến 4.710 quan sát cho chuỗi lợi suất chứng khoán, thu thập từ Datastream cho giai đoạn từ ngày 01/01/2003 đến ngày 31/12/2021 Kết nghiên cứu rằng, TTCK Việt Nam nhạy cảm biến động từ TTCK quốc tế điều kiện thị trường biến động bình thường thị trường hứng chịu cú sốc âm Không tồn hiệu ứng lây lan biến động từ TTCK quốc tế xem xét đến TTCK Việt Nam tác động loạt kiện tiêu cực xảy giai đoạn khủng hoảng tài giới năm 2008 Sau khủng hoảng, mức độ phụ thuộc giữa TTCK Việt Nam TTCK quốc tế có gia tăng đáng kể Từ khóa: Copula, phụ thuộc đi, thị trường chứng khoán, Việt Nam iii ABSTRACT Accurately understanding the dependency structure between financial assets helps to improve portfolio performance and minimize risk investment Modelling the dependence structure is a challenging task when the densities of returns are non-normal distributions An interpretation of the dependency structure based on the assumption of a normal distribution often has biased results This study applies the conditional copula models (ARMA-GJR-GARCH Copula), powerful statistical tools, to examine the dependency structure between Vietnam and thirteen stock markets: the U.S., the UK, France, Germany, China, Hong Kong, Japan, Korea, Taiwan, Singapore, Thailand, Malaysia, and Indonesia The conditional copula functions reflect the time variation of the returns and capture the asymmetric and tail dependence in bearish markets or bullish markets This dissertation utilizes daily frequency data with a sample size ranging from 4,449 to 4,710 observations for each stock return series, collected from Datastream for the period from January 1st, 2003 to December 31th, 2021 The results show that the Vietnamese stock market is less sensitive to fluctuations from international stock markets even in normal market conditions and in bearish markets There is no contagion effect from international stock markets to the Vietnam stock market during the Global Financial Crisis The degree of dependence between the Vietnamese stock market and the international stock market has increased significantly Keywords: Copula, tail dependence, stock markets, Vietnam iv MỤC LỤC Trang i ii iii iv v vii viii ix LỜI CAM ĐOAN LỜI CẢM ƠN TÓM TẮT ABSTRACT MỤC LỤC DANH MỤC BẢNG DANH MỤC HÌNH DANH TỪ VIẾT TẮT Chương Giới thiệu 1.1 Đặt vấn đề 1.2 Mục tiêu nghiên cứu 1.2.1 Mục tiêu chung 1.2.2 Mục tiêu cụ thể 1.3 Câu hỏi nghiên cứu 1.4 Đối tượng nghiên cứu 1.5 Phạm vi nghiên cứu 1.5.1 Phạm vi nội dung 1.5.1 Phạm vi không gian 1.5.2 Phạm vi thời gian 1.6 Phương pháp nghiên cứu 1.7 Những đóng góp luận án 1.8 Bố cục luân án Chương Cơ sở lý thuyết tổng quan nghiên cứu 2.1 Cơ sở lý luận 2.1.1 Một vài khái niệm liên quan 2.1.2 Cơ sở lý thuyết phụ thuộc lây lan 2.1.3 Khung lý thuyết 2.2 Tổng quan nghiên cứu thực nghiệm phụ thuộc lẫn lây lan 2.2.1 Tương quan tuyến tính 2.2.2 Tương quan có điều kiện 2.2.3 Lý thuyết giá trị cực trị 2.2.4 Hàm copula 2.2.5 Các nghiên cứu vận dụng phương pháp copula Việt Nam 2.2.6 Khoảng trống nghiên cứu Chương Mơ hình phương pháp nghiên cứu 3.1 Mơ hình phân phối biên 3.1.1 Mơ hình phân phối biên có điều kiện chuỗi lợi suất 3.1.2 Kiểm định tính phù hợp mơ hình phân phối biên v 1 3 3 4 4 5 10 10 10 14 26 27 28 32 36 38 44 47 51 51 52 53 3.2 Lý thuyết copula 54 3.2.1 Mơ hình copula hai biến số tính chất 55 3.2.2 Một số họ copula hai biến 57 3.3 Dữ liệu phương pháp ước lượng mơ hình copula 72 3.3.1 Dữ liệu thu thập 72 3.3.2 Phương pháp ước lượng mơ hình copula có điều kiện 75 Chương Phản ứng TTCK Việt Nam biến động TTCK quốc tế 80 4.1 Giới thiệu khái quát TTCK Việt Nam TTCK quốc tế 80 4.1.1 Giới thiệu chung TTCK Việt Nam 80 4.1.2 Giới thiệu sơ lược đặc điểm vài TTCK quốc tế 94 4.2 Thống kê mô tả thuộc tính liệu nghiên cứu 101 4.3 Hệ số tương quan 106 4.4 Kết ước lượng mức độ phản ứng TTCK Việt Nam biến động TTCK quốc tế 107 4.4.1 Phản ứng của TTCK Việt Nam biến động TTCK quốc tế, giai đoạn 2003-2021 107 4.4.2 Sự lây lan TTCK quốc tế đến TTCK Việt Nam tác động khủng hoảng tài giới năm 2008 123 Chương Kết luận hàm ý sách 134 5.1 Kết luận 134 5.2 Hàm ý 135 5.2.1 Đối với nhà đầu tư 136 5.2.2 Đối với nhà quản lý 138 5.3 Hạn chế luận án 139 5.4 Hướng nghiên cứu 140 Tài liệu tham khảo 141 Phụ lục 151 Phụ lục 1: Hàm phân phối xác suất Skewed Student-t, GED 151 Phụ lục 2: Lý thuyết copula độ đo phụ thuộc 153 Phụ lục 3: Dạng mơ hình biên tham số ước lượng giai đoạn trước, sau khủng hoảng 159 Phụ lục 4: Kết ước lượng 165 vi DANH MỤC BẢNG Trang Bảng 3.1: Ký hiệu thông số copula họ Elip 70 Bảng 3.2: Ký hiệu tính chất copula họ Archimedean 70 Bảng 3.3: Các dạng cấu trúc phụ thuộc ý nghĩa copula tương ứng 71 Bảng 4.1: Các lần thay đổi biên độ giao dịch TTCK Việt Nam 93 Bảng 4.2: Tỷ lệ vốn hóa thị trường GDP (%), giai đoạn 2010-2020 95 Bảng 4.3: Tổng giá trị cổ phiếu giao dịch CP GDP (%), giai đoạn 2010-2020 96 Bảng 4.4: Tổng giá trị giao dịch cổ phiếu vốn hóa thị trường (%), giai đoạn 20102020 98 Bảng 4.5 Thương mại Việt Nam với nước có TTCK khảo sát, giai đoạn 2010-2021 99 Bảng 4.6: Thống kê mô tả chuỗi lợi suất giai đoạn 2003-2021 103 Bảng 4.7: Hệ số tương quan chuỗi lợi suất chứng khốn, 2003-2021 107 Bảng 4.8 Mơ hình biên phù hợp cho chuỗi lợi suất, giai đoạn 2003-2021 108 Bảng 4.9: Kết ước lượng tham số mô hình biên chuỗi lợi suất 109 Bảng 4.10: Kiểm định phù hợp mơ hình phân phối biên 111 Bảng 4.11: Kết ước lượng tham số mơ hình copula VNI S&P500 112 Bảng 4.12: Kết ước lương tham số mơ hình copula Gauss Student-t điều kiện thị trường biến động bình thường 113 Bảng 4.13: Kết lựa chọn mơ hình copula phù hợp tham số ước lượng 114 Bảng 4.14: Dạng hàm phân phối biên chuỗi lợi suất giai đoạn trước, sau khủng hoảng tài giới năm 2008 125 Bảng 4.15 Cấu trúc mức độ phụ thuộc TTCK Việt Nam với TTCK quốc tế trước, sau khủng hoảng 2008 127 vii DANH MỤC HÌNH Trang Hình 2.1: Khung lý thuyết giải thích phụ thuộc lây lan TTCK 27 Hình 3.1: Đồ thị phân tán, phối cảnh copula Gauss 59 Hình 3.2: Đồ thị phân tán phối cảnh PDF copula Student-t 61 Hình 3.3: Đồ thị phân tán phối cảnh PDF copula Clayton 62 Hình 3.4: Đồ thị phân tán phối cảnh PDF copula Gumbel 63 Hình 3.5: Đồ thị phân tán phối cảnh PDF copula Rotated Clayton 64 Hình 3.6: Đồ thị phân tán phối cảnh PDF - copula Rotated Gumbel 64 Hình 3.7: Đồ thị phân tán phối cảnh PDF copula Frank 65 Hình 3.8: Đồ thị phân tán phối cảnh PDF copula Joe 66 Hình 3.9: Đồ thị phân tán, phối cảnh copula BB1 67 Hình 3.10: Đồ thị phân tán phối cảnh copula BB6 68 Hình 3.11: Đồ thị phân tán phối cảnh copula BB7 69 Hình 3.12: Đồ thị phân tán phối cảnh PDF BB8 69 Hình 3.13 Khung nghiên cứu 78 Hình 4.1: Biến động VN-Index giai đoạn 2000-2021 81 Hình 4.2: Vốn hóa HOSE giai đoạn 2000-2017 82 Hình 4.3: Vốn FDI lũy 2021 đối tác đầu tư chủ yếu vào Việt Nam 100 Hình 4.4: Biến động chuỗi lợi suất chứng khốn 102 Hình 4.5: Đồ thị QQ-plot cho chuỗi lợi suất, giai đoạn 2003-2021 106 Hình 4.6: Đồ thị hàm mật độ xác xuất copula Student-t (VNI-S&P500) copula Rotated-BB8 (VNI-FTSE100, VNI-CAC40, VNI-DAX), giai đoạn 2003-2021 118 Hình 4.7: Đồ thị hàm mật độ xác xuất copula Rotated-BB1 (VNI-KOSPI), RotatedGumbel (VNI-Shanghai), giai đoạn 2003-2021 119 Hình 4.8: Đồ thị hàm mật độ xác suất copula BB1 (VNI-HSI, VNI-Nikkei225), giai đoạn 2003-2021 120 Hình 4.9: : Đồ thị hàm mật độ xác suất copula BB1 (VNI-HSI, VNI-Nikkei225) copula Student-t (VNI-TAIEX), giai đoạn 2003-2021 121 Hình 4.10: Đồ thị hàm mật độ xác suất copula Rotated-Gumbel (VNI-STI); RotatedBB8 (VNI-SET), giai đoạn 2003-2021 122 Hình 4.11: Đồ thị hàm mật độ xác suất copula Clayton (VNI-KLCI) copula BB1 (VNI-IDX), giai đoạn 2003-2021 122 viii DANH MỤC TỪ VIẾT TẮT Tiêu chuẩn thông tin AIC (Akaike information criterion) APGARCH Asymmetric Power GARCH APT Lý thuyết kinh doanh chênh lệch giá (Arbitrage Pricing Theory) ARCH Autoregressive conditional heteroskedasticity ARMA Trung bình di động tự hồi quy (Autoregressive Moving Average) BEKK The Baba, Engle, Kraft & Kroner model BMW Bayerische Motoren Werke Nhóm nước có kinh tế gồm Brasil, Nga, Ấn Độ BRIC Trung Quốc BRICS Nhón nước gồm Brasil, Nga, Ấn Độ, Trung Quốc Nam Phi CAC40 Chỉ số thị trường chướng khoán Pháp (Cotation Assistée en Continu) CAPM Mơ hình dịnh giá tài sản vốn CCC Tương quan có điều kiện tĩnh (Constant Conditional Correlation) CPI Chỉ số giá tiêu dùng DAX Chỉ số thị trường chứng khốn Đức (Deutscher Aktien Index) DCC Tương quan có điều kiện động (Dynamic Conditional Correlation) EGARCH Mơ hình GARCH dạng mũ (Exponential GARCH) EVT Lý thuyết giá trị cực trị (Extreme Value Theory) FDI Đầu tư trực tiếp nước FIGARCH Fractionally Integrated GARCH FTA Hiệp định thương mại tự Chỉ số 100 chứng khoán Financial Times (Financial Times FTSE100 Stock Exchange) GARCH Mơ hình phương sai sai số thay đổi tự hồi quy tổng quát GDP Tổng sản phẩm quốc nội GJR Glosten, Jagannathan Runkle S&P500 Chỉ số chứng khoán Standard and Poor 500 SIC Tiêu chuẩn thông tin SIC (Schwarz criterion of information) TGARCH Threshold GARCH TTCK Thị trường chứng khoán VAR Tự hồi qui vectơ (Vector Autoregressive) AIC VaR Giá trị rủi ro (Value at Risk) VECH VECM Varying error correlation heteroskedasticity Mô hình vectơ hiệu chỉnh sai số (Vector Error Correction Model) ix CHƯƠNG GIỚI THIỆU 1.1 ĐẶT VẤN ĐỀ Cho đến thời điểm tại, tác động toàn cầu hóa, kinh tế quốc gia có phát triển lớn mạnh quy mô hội nhập sâu rộng với kinh tế giới Mối quan hệ thương mại song phương đa phương tăng khối lượng, vốn đầu tư trực tiếp nước (FDI) vốn đầu tư gián tiếp nước tăng mạnh làm cho kinh tế gia tăng phụ thuộc lẫn Liên kết thương mại quốc gia tự hóa thương mại kênh truyền dẫn cú sốc thị trường chứng khoán (TTCK) (Chinn Forbes, 2004; Moore Wang, 2014) Mức độ phụ thuộc lẫn TTCK có liên quan với lượng vốn FDI đầu tư gián tiếp mà quốc gia nhận (Hasthak, 1995) Hơn nữa, tiến cách mạng công nghệ thông tin truyền thông giúp cho thông tin thị trường chuyển tải nhanh thúc đẩy liên kết kinh tế chặt chẽ (Calvo Mendoza, 1998) Do đó, cú sốc xảy thị trường tài quốc gia dẫn đến biến động nhanh chóng đến thị trường tài quốc gia cịn lại Hiểu biết xác cấu trúc phụ thuộc TTCK có vai trị quan trọng nhà đầu tư nhà hoạch định sách lĩnh vực tài đa dạng hóa danh mục đầu tư quốc tế, quản lý rủi ro định giá tài sản Tuy nhiên, mơ hình hóa phụ thuộc chuỗi lợi suất chứng khốn cơng việc đầy thách thức Hệ số tương quan tuyến tính Pearson sử dụng để đo lường mối quan hệ phụ thuộc TTCK gây tranh cãi Hệ số Pearson đại diện cho mức trung bình độ lệch chuẩn, bỏ qua khác biệt lợi nhuận cực đại cực tiểu Do đó, khơng thể giải thích xác phụ thuộc phi tuyến tình hai thị trường sụp đổ bùng nổ (Jeon Furstenberg, 1990; King Wadhwani, 1990; Zivot Wang, 2006) Tương quan tuyến tính thước đo sử dụng phổ biến, đơn giản ước lượng với giả định chuỗi lợi suất có phân phối chuẩn thực tế chuỗi lợi suất tài có phân phối với đặc điểm dày bất đối xứng Do đó, giải thích phụ thuộc tài sản tài dựa vào hệ số tương quan tuyến tính dẫn đến sai lệch Các nghiên cứu khác áp dụng mơ hình vector tự hồi quy (VAR) mơ hình hiệu chỉnh sai số (VECM) (Syriopoulos, 2004; Do Nguyen, 2010; Kenourgios Padhi, 2012; Bianconi cộng sự, 2013; Wang, 2014) Tuy nhiên, mơ hình giả định mối tương quan tuyến tính khơng đổi theo thời gian, dó khơng phản ánh xác phụ thuộc thị trường Để khắc phục nhược điểm này, lượng lớn nghiên cứu gần sử dụng tương quan có điều kiện để xem xét đến tính biến động chuỗi lợi suất theo thời gian Một loạt nghiên cứu vận dụng mơ hình phương sai sai số thay đổi có điều kiện tự hồi quy tổng quát (GARCH) đa biến để xác định mối tương động chuỗi lợi suất tài sản tài (Thuan, 2011; Ceilik, 2012; Gupta Guidi, 2012; Wang, 2013; Bekiros, 2013; Horvath Petrovski, 2013; Karanasos cộng sự, 2014; Jin An, 2015; Luchtenberg Vu, 2015; Vo Ellis, 2018) Tuy nhiên, đa phần mô hình GARCH đa biến giả định hàm phân phối chuỗi lợi suất có dạng phân phối chuẩn Gauss phân phối đối xứng Student-t Do đó, phương pháp tương quan có điều kiện chưa xem xét đến dao động bất đối xứng, đặc điểm đuôi dày phân phối xác suất, chưa phản ánh xác mối quan hệ phi tuyến chuỗi lợi suất chứng khoán Hiện nay, phương pháp copula dựa vào định lý Sklar (1959) sử dụng rộng rãi nhằm khắc phục nhược điểm tất phương pháp nêu Hàm số copula cho phép mô tả mối quan hệ phụ thuộc chuỗi lợi suất tài sản tài với ưu điểm khơng giả định phân phối xác suất chuỗi lợi suất phân phối chuẩn, cho phép mơ hình hóa phụ thuộc đối xứng thị trường biến động bình thường phụ thuộc đuôi hàm phân phối đồng thời thị trường biến động cực biên Cụ thể, hàm copula không điều kiện Rockinger Jondeau (2001), Ye ctv (2012); Yang ctv (2015), Nguyen Thuy (2016) Nguyen ctv (2017) vận dụng Tuy nhiên, vài nghiên cứu cho copula không điều kiện khơng thích hợp chưa xem xét đến thay đổi theo thời gian chuỗi lợi suất tài Do đó, Patton (2006), Jondeau Rockinger (2006) tiên phong ứng dụng hàm copula có điều kiện để khắc phục vấn đề Copula có điều kiện, cụ thể GARCH-copula, phương pháp mơ tả tốt cấu trúc phụ thuộc TTCK, cho phép mô tả cấu trúc phụ thuộc đối xứng bất đối xứng, phụ thuộc đuôi, xem xét đến biến động lợi suất chứng khoán theo thời gian, phản ánh hiệu ứng đòn bẩy đánh giá rủi kho thị trường sụp đổ Từ nghiên cứu mang tính tảng này, loạt nghiên cứu vận dụng mơ hình GARCH-copula để xem xét mối quan hệ phụ thuộc TTCK phát triển với TTCK cận biên Ning (2010), Wang ctv (2011), Aloui ctv (2011), Ghorbel Trabelsi (2013), Basher (2014), Chebbi Hedhli (2014), Mensah Alagidede (2017), Mokni Mansouri (2017), Hussain Li (2017), Jiang ctv (2017) Trong bối cảnh nay, TTCK Việt Nam ngày hội nhập với chuyển động kinh tế thế giới TTCK quốc tế Độ mở kinh tế Việt Nam 200% quy mô kinh tế, độ mở lớn, chứng tỏ Việt Nam hội nhập sâu rộng với kinh tế giới Độ mở kinh tế Việt Nam lớn, dễ chịu ảnh hưởng biến động kinh tế giới biến động tỷ giá; dịch chuyển dịng vốn quốc tế; tăng giá hàng hóa đầu vào sản xuất giá lượng, nguyên vật liệu, lương thực v.v Sự tích cực chủ động tham gia nhiều hiệp định thương mại tự (FTA) góp phần tích cực vào q trình hội nhập thị trường tài Việt Nam với kinh tế toàn cầu Việt Nam điểm sáng thu hút FDI từ kinh tế lớn có TTCK phát triển, lượng vốn FDI nhận đứng hàng thứ ba khu vực ASEAN Sự tiếp cận ứng dụng tiến công nghệ mạnh mẽ nhà đầu tư nhà quản lý TTCK giúp thị trường hoạt động hiệu thông tin thị trường SET 0,0002 0,0009** 0,0050 0,1002* 0,0063 0,0394 0,0048 - 0,0006 - KLCI 0,0004 0,0004** 0,0261 - 0,0288 - 0,1410* - IDX 0,0002 0,0018* - - 0,0303 0,1407* -0,0535** 0,0004 - - 0,0356 0,0270 1 2 1 2 1 2 0,0000 0,0000 - 0,9149* - 0,1179* - DAX 0,0000 0,0000 0,0000 0,0000* 0,0000 0,0000 0.0003 0,0000 0,0185 0,0000 0,0091 0,0000 0,0086 0,0000 0,0034 0,0034 - 0.0114 0,9413* 0,0101 0,8742* 0,0130 0,9149* 0,0114 0,9267* - 0,0233 0,0929* 0,0210 0,1503* 0,0308 0,1179* 0,0234 0,1104 - SSEC 0,0000 0.0000 0,0531 0,0000 0,0975* 0,1238 0,8852* - 0,1107 0,0647 -0,0808 0,0000 0.0000** 0,0000 0.0000 0,0000 0.0000* 0,0000 0.0000 0,0000 0.0000 0,0000 0.0000* 0,0221 0,0000 0,0345 0,0000 0,1506 0,0000 0,1296 0,0000 0,5433 0,0079 0,0528 0,0702 0,0381 0,0357 0,0504 0,0527 0,1410 0,0782 0,1168 0,0414 0,4804 0,0646 0,1448 0,0173 0,0229 0,9415* 0,0179 0,9029* 0,0272 0,2317*** 0,1331 0,9276* 0,0517 0,8933* 0,2907 0,7576* 0,0001 0,0121 0,5793* 0,1325 - 0,0583 -0,0250 0,0696 0,0360 0,1429 0,0467 0,1535 0,0778 0,5166 0,0895 0,0636 0,0038 0,0626 0,0364 0,0378 0,0129 0,1378 0,0555 0,1280 -0,0595 0,4681 -0,0667 0,1232 0,1136 0,0000 0.0000 0,0000 0.0000* 0,0000 0,0474 0,0633 0,0652 0,0289 0,0241 0,0476 - Phần B: Mơ hình GJR-GARCH(r,m)  VNI S&P500 FTSE100 CAC40 HSI Nikkei225 KOSPI TAIEX STI SET KLCI IDX 161 0,0271 0,0619 0,0724 0,9216* 0,0095 0,678 0,0296 0,1165 0,3835* 0,3956* 0,1497 0,1880 0,1102 Nguồn: Xử lý liệu thu thập từ Datastream Giai đoạn khủng hoảng Bảng 3.5: Kết ước lượng tham số mơ hình biên chuỗi lợi suất khủng hoảng Phần A: Mơ hình ARMA(p,q) 1 c 1 2 2 VNI -0,0025** 0,3870* - - - S&P500 0,0014 -0,0011** 0,0541 -0,3118 -0,1274 0,1072 - 0,0005 -0,0014 0,4678 1,1567* 0,0941 -0,9626* 0,4729 -1,1872* 0,9895* 0,0007 -0,0016* 0,0099 -0,9850* 0,0114 0,0159* 0,0023 0,9264* 0,0014 -0,0936* DAX 0,0001 -0,0010** 0,0003 -2,0096* 0,0001 -1,0098* 0,0001 2,0085* 0,0003 1,0085* SSEC 0,0005 -0,0008 0,0011 -0,0874** 0,0005 -0,9600* 0,0004 0,0912*** 0,0004 0,9196* 0,0010 -0,0015 0,0012 -0,0011* 0,0000 -0,0011 0,0399 -0,0172 0,0531 0,0216* 0,0002 -1,0985* 0,0429 0,9457* 0,0002 -0,9808* 0,0546 -0,1153* 0,0001 1,1275* 0,0602 -0,9276* 0,0005 1,0110* 0,0008 -0,0015 0,0009 -0,0019** 0,0008 -0,0008 0,0007 0,0008 0,0021 -0,8965* 0,0189 -0,5678* 0,0019 - 0,0032 -0,9328* 0,0160 -1,0027* 0,0153 - 0,0023 0,9019* 0,0058 0,5695* 0,0005 0,0149 0,0499 0,1108** 0,0004 0,9882* 0,0049 1,0216* 0,0015 0,0308 0,0545 - 0,0006 -0,0010 0,0995*** - 0,0542 - - 0,0010 0,0523 - - - 1 2 1 2 1 2 0,1578* 0,0557 0,0000 0,0142 0,0000 0,0129 0,0000 0,0103 0,0000 - 07965* 0.0430 0,9044* 0,0208 0,8745* 0,0225 0,8841* 0,3466 0,8959* 0,0000 0,3187 - 0,0810 0,0725 0,1660* 0,0066 0,1969* 0,0466 0,2071* 0,0705 0,1922 - FTSE100 CAC40 HSI Nikkei225 KOSPI TAIEX STI SET KLCI IDX Phần B: Mơ hình GJR-GARCH (r,m)  VNI S&P500 FTSE100 CAC40 DAX 0,0000 0,0000 0,0000 0,0000 0,0000* 0,0000 0,0000* 0,0000 0,0000 162 0,0000 0,0000 0,1576 0,0000 - 0,0038 0,9249* - 0,1998 0,0832 - 0,0000 0,0000** 0,0497 0,0119 - 0,1559 0,8182* - 0,0583 0,2327* - Nikkei225 0,0000 0,0000* 0,0317 0,0196* - 0,0511 0,8156* - 0,0685 0,1921* - KOSPI 0,0000 0,0000* 0,0055 0,0000 - 0,0485 0,8815** 0,0000 0,0616 0,1878* - TAIEX 0,0000 0,0000* 0,0174 0,0000 0,0000 0,4421 0,9365* 0,4095 - 0,0709 -0,0220 0,1128 STI 0,0000 0,0000 0,1195 0,0000 0,1280 - 0,0251 0,9094* - 0,1250 0,1507* 0,1333 - SET 0,0000 0,0000* 0,0078 0,0000 - 0,0308 0,8519* - 0,0191 0,2012* - KLCI 0,0000 0,0000* 0,0123 0,0000 0,0000 0,0292 0,6330* - 0,0613 0,0929 0.3405*** 0,0000 0,0000* 0,0000 0,0849 0,0035 0,0489 0,0737 - 0,0967 0,1120 0.1774 0,6331* 0,4626* 0,0914 0,1617 Nguồn: Xử lý liệu thu thập từ Datastream SSEC HSI IDX Giai đoạn sau khủng hoảng Bảng 3.6: Kết ước lượng tham số mơ hình biên chuỗi lợi suất sau khủng hoảng Phần A: Mơ hình ARMA(p,q) 1 c 2 1 2 VNI S&P500 0,0004* 0,3194* 0,2699* -0,3906* -0.,461* FTSE100 0,0001 0,0001 0,0258 -0,0556* 0,0252 0,8378* 0,0257 0,0387* 0,0239 -0,8744* 0,0000 0,0002* 0,0169 0,9486* 0,0331 0,0460* 0,0138 -0,9987* 0,0288 - DAX 0,0000 0,0003** 0,0032 -0,0251 0,0038 - 0,0000 - - SSEC 0,0001 0,0001 0,0161 -0,1566* 0,6610* 0,1521* -0,6843* HSI 0,0003 0,0001 0,0210 - 0,0242 - 0,0201 -0,0061 0,0233 0,0082 0,0002 0,0004** -0,0210 0,0318*** 0,0173 - 0,0184 - 0,0002 0,0000 0,0001 0,0004** 0,0188 0,6318* 0,0012 0,0264 0,0186 -0,9955* 0,0015 - -0,6342* 0,0007 - 1,0004* 0,0001 - CAC40 Nikkei225 KOSPI TAIEX 163 STI 0,0002 0,0001 0,0184 0,7567* - -0,7632* 0,0289 SET 0,0001 0,0025* 0,1351 0,3206* 0,6798* 0,1358 -0,3075* 0,0188 -0,6887* KLCI 0,0000 0,0002** 0,0002 1,1134* 0,0003 -0,5179* 0,0001 -1,0803* 0,0000 0,5094* IDX 0,0001 0,0003* 0,2366 0,5195** 0,0747 -0,0359 0,2387 -0,5336** 0,0733 -0,0410 0,0001 0,2552 0,2147 0,2554 0,2235 1 2 1 2 1 2 0,0068*** 0,0041 0,0027 0,0148 0,0000 0,0000 0,0006 0,0029 0,0581* 0,0028 0,0000 0,0315 0,0000 0,0245 0,0000 0,0281 0,0000 0,0512 0,0301* 0,0015 0,0000 0,0264 0,0384* 0,0039 0,0005 0,0227 0,0230 0,0154 0,0292 0,0562 0,0240 0,0245 0,0281 0,0287 0,0329 0,0536 0,0491** 0,0247 0,0499** 0,0202 Phần B: Mơ hình GJR-GARCH (r,m)  VNI S&P500 FTSE100 CAC40 DAX SSEC HSI Nikkei225 KOSPI TAIEX STI SET KLCI IDX 0,0000 0,0000 0,0000* 0,0000 0,0000** 0,0000 0,0000* 0,0000 0,0000 0,0000 0,0000** 0,0000 0,0000 0,0000 0,0000* 0,0000 0,0000 0,0000 0,0000* 0,0000 0,0000*** 0,0000 0,0000 0,0000 0,0000*** 0,0000 0,0000 0,0000 164 0,8338* 0,2698* 0,0114 0,0274 0,9210* 0,2942* -0,2064* 0,0094 0,0415 0,0391 0,6976* 0,1545 0,2658* 0,1565 0,1441 0,0389 0,9027* 0,1636* 0,0062 0,0227 0,9391* -0,0061 0,0075 0,0114 0,9170* 0,0409 0,0281 0,1071 0,0378 0,0902 0,8389* 0,2619* 0,0720 0,0124 0,0556 0,0533 0,8939* 0,0000 0,1989* -0,0945** 0,0216 0,0509 0,0539 0,0371 0,8574* 0,1634* -0,0313 0,0142 0,0619 0,0639 0,9162* 0,0822* 0,0099 0,0116 0,8935* 0,1852* -0,0901*** 0,0169 0,0478 0,0472 0,9265* 0,0531* 0,0055 0,0143 0,9084* 0,3132* -0,2589* 0,0192 0,0598 0,0563 Nguồn: Xử lý liệu thu thập từ Datastream Phụ lục Kết ước lượng số liệu Thủ tục ước lượng tiến hành cho 13 cặp TTCK Việt Nam TTCK quốc tế cho ba giai đoạn gồm trước khủng hoảng (01/2003-07/2007), khủng hoảng (08/2007-03/2009) sau khủng hoảng (04/2009-12/2021) Kết ước lượng cho cặp thị trường giai đoạn nhiều, vậy, phụ lục trình bày minh họa kết kiểm định thống kê kết ước lượng tham số lựa chọn hàm copula phù hợp cho mối quan hệ phụ thuộc TTCK Việt Nam TTCK Mỹ giai đoạn 2002-2021 R version 4.1.2 (2021-11-01) "Bird Hippie" Copyright (C) 2021 The R Foundation for Statistical Computing Platform: x86_64-w64-mingw32/x64 (64-bit) ## 1/ THỐNG KÊ MÔ TẢ # A tibble: x sample group -0.00346 rvnindex -0.00624 rvnindex -0.00466 rvnindex -0.00479 rvnindex -0.00145 rvnindex -0.00359 rvnindex > vni_sp500.summary %>% + knitr::kable(format = "markdown", digits = 6) |group | N| Min.| Mean| Median| Max.| SD| var| SE| |: | :| -:| :| :| :| :| :| :| |rS&P500 | 4596| -0.127652| 0.000362| 0.000795| 0.109572| 0.012163| 0.000148| 0.000179| |rvnindex | 4596| -0.080623| 0.000456| 0.000574| 0.086870| 0.014281| 0.000204| 0.000211| > ### DO LECH & DO NHON > skewness(vni.data, na.rm = FALSE, type = 3) date rvni NA -0.1637091 > kurtosis(vni.data[,2], na.rm = FALSE, method = c("excess" )) [1] 3.1301 attr(,"method") [1] "excess" > > skewness(sp500.data, na.rm = FALSE, type = 3) date rsp500 NA -0.5382143 Warning message: In skewness.default(X[[i]], ) : argument is not numeric or logical: returning NA > kurtosis(sp500.data[,2], na.rm = FALSE, method = c("excess" )) [1] 13.84524 attr(,"method") [1] "excess" > ## 2/ KIEM DINH TINH DUNG > adf.test(rvni, alternative = c("stationary"), k = trunc((length(rvni)-1)^(1/3))) Augmented Dickey-Fuller Test data: rvni Dickey-Fuller = -14.723, Lag order = 16, p-value = 0.01 165 alternative hypothesis: stationary > adf.test(rsp500, alternative = c("stationary"), k = trunc((length(rsp500)-1)^(1/3))) Augmented Dickey-Fuller Test data: rsp500 Dickey-Fuller = -16.576, Lag order = 16, p-value = 0.01 alternative hypothesis: stationary > kpss.test(rvni, null="Trend") # H0: chuoi dung KPSS Test for Trend Stationarity data: rvni KPSS Trend = 0.090292, Truncation lag parameter = 10, p-value = 0.1 Warning message: In kpss.test(rvni, null = "Trend") : p-value greater than printed p-value > kpss.test(rsp500, null = "Trend") KPSS Test for Trend Stationarity data: rsp500 KPSS Trend = 0.051519, Truncation lag parameter = 10, p-value = 0.1 > ## 3/ KIEM DINH PHAN PHOI CHUAN > # Null hypothesis: Normality > jarque.bera.test(rvni) Jarque Bera Test data: rvni X-squared = 1900, df = 2, p-value < 2.2e-16 > jarque.bera.test(rsp500) Jarque Bera Test data: rsp500 X-squared = 36970, df = 2, p-value < 2.2e-16 > ## 4/ KIEM DINH TU TUONG QUAN > Box.test(rvni, lag = 2, type = "Ljung-Box") # Ho: khong co tu tuong quan Box-Ljung test data: rvni X-squared = 127.28, df = 2, p-value < 2.2e-16 > Box.test(rsp500, lag = 2, type = "Ljung-Box") Box-Ljung test data: rsp500 X-squared = 110.49, df = 2, p-value < 2.2e-16 ## 5/KIEM DINH HIEU UNG ARCH > ArchTest(rvni, lags = 2) ARCH LM-test; Null hypothesis: no ARCH effects data: rvni Chi-squared = 571.01, df = 2, p-value < 2.2e-16 166 > ArchTest(rsp500, lags = 2) ARCH LM-test; Null hypothesis: no ARCH effects data: rsp500 Chi-squared = 1187.1, df = 2, p-value < 2.2e-16 > ### 6/ VE DO THI QQPLOT CUA VNI & SP500 > # VNI > qqplot1.vni qqplot1.vni > > # SP500 > qqplot1.sp500 qqplot1.sp500 > ## BUOC 7/ HE SO TUONG QUAN #### > cor.test(vni.sp500[, 1], vni.sp500[, 2]) Pearson's product-moment correlation data: vni.sp500[, 1] and vni.sp500[, 2] t = 16.117, df = 4594, p-value < 2.2e-16 alternative hypothesis: true correlation is not equal to 95 percent confidence interval: 0.2037881 0.2585201 sample estimates: cor 0.2313371 > cor.test(vni.sp500[, 1], vni.sp500[, 2], method = "spearman") Spearman's rank correlation rho data: vni.sp500[, 1] and vni.sp500[, 2] S = 1.3175e+10, p-value < 2.2e-16 alternative hypothesis: true rho is not equal to sample estimates: rho 0.1857299 > cor.test(vni.sp500[, 1], vni.sp500[, 2], method = "kendall") Kendall's rank correlation tau data: vni.sp500[, 1] and vni.sp500[, 2] z = 12.884, p-value < 2.2e-16 alternative hypothesis: true tau is not equal to sample estimates: tau 0.1267446 167 ### MƠ HÌNH ARMA > autoarfima(vni.data[, 2],ar.max = 2, ma.max = 2, criterion = "AIC", method = "full") $fit * * * ARFIMA Model Fit * * * Mean Model : ARFIMA(2,0,2) Distribution : norm Optimal Parameters -Estimate Std Error t value Pr(>|t|) ar1 1.014961 0.010530 96.3891 0.000000 ar2 -0.056893 0.015380 -3.6991 0.000216 ma1 -0.820789 0.006799 -120.7233 0.000000 ma2 -0.101859 0.019465 -5.2328 0.000000 sigma 0.013957 0.000146 95.8767 0.000000 Robust Standard Errors: Estimate Std Error t value Pr(>|t|) ar1 1.014961 0.021806 46.5454 0.000000 ar2 -0.056893 0.020886 -2.7239 0.006451 ma1 -0.820789 0.003532 -232.3929 0.000000 ma2 -0.101859 0.026405 -3.8576 0.000115 sigma 0.013957 0.000499 27.9517 0.000000 LogLikelihood : 13111.58 Information Criteria -Akaike -5.7035 Bayes -5.6965 Shibata -5.7035 Hannan-Quinn -5.7010 > autoarfima(sp500.data[,2], ar.max = 2, ma.max = 2, criterion = "AIC", method = "full") $fit * * * ARFIMA Model Fit * * * Mean Model : ARFIMA(1,0,0) Distribution : norm Optimal Parameters -Estimate Std Error t value Pr(>|t|) mu 0.000362 0.000155 2.3311 0.019747 ar1 -0.144259 0.014599 -9.8811 0.000000 sigma 0.012037 0.000126 95.8442 0.000000 Robust Standard Errors: Estimate Std Error t value Pr(>|t|) mu 0.000362 0.000151 2.3929 0.016718 ar1 -0.144259 0.037143 -3.8839 0.000103 sigma 0.012037 0.000887 13.5694 0.000000 LogLikelihood : 13792.87 Information Criteria -Akaike -6.0008 Bayes -5.9966 Shibata -6.0008 Hannan-Quinn -5.9993 168 > ### ƯỚC LƯỢNG CÁC DẠNG MƠ HÌNH GJR-GARCH > # Các dạng MH GJR-GARCH cho chuỗi lợi suất VNI ## GJR-GARCH(11)VNI > vni.garch11n.spec vni.garch11n.fit vni.garch11t.spec vni.garch11t.fit > vni.garch11st.spec vni.garch11st.fit > vni.garch11g.spec vni.garch11g.fit > vni.garch11sg.spec vni.garch11sg.fit vni.garch12n.spec vni.garch12n.fit > vni.garch12t.spec vni.garch12t.fit > vni.garch12st.spec vni.garch12st.fit > vni.garch12g.spec vni.garch12g.fit > vni.garch12sg.spec vni.garch12sg.fit vni.garch21n.spec vni.garch21n.fit > vni.garch21t.spec vni.garch21t.fit > vni.garch21st.spec vni.garch21st.fit > vni.garch21g.spec vni.garch21g.fit > vni.garch21sg.spec vni.garch21sg.fit vni.garch22n.spec vni.garch22n.fit vni.garch22t.spec vni.garch22t.fit > vni.garch22st.spec vni.garch22st.fit > vni.garch22g.spec vni.garch22g.fit > vni.garch22sg.spec vni.garch22sg.fit # Các dạng MH GJR-GARCH cho chuỗi lợi suất SP500 ## GJR-GARCH(11)SP500 > sp500.garch11n.spec sp500.garch11n.fit sp500.garch11t.spec sp500.garch11t.fit sp500.garch11st.spec sp500.garch11st.fit sp500.garch11g.spec sp500.garch11g.fit sp500.garch11sg.spec sp500.garch11sg.fit sp500.garch12n.spec sp500.garch12n.fit sp500.garch12t.spec sp500.garch12t.fit sp500.garch12st.spec sp500.garch12st.fit sp500.garch12g.spec sp500.garch12g.fit sp500.garch12sg.spec sp500.garch12sg.fit sp500.garch21n.spec sp500.garch21n.fit sp500.garch21t.spec sp500.garch21t.fit sp500.garch21st.spec sp500.garch21st.fit sp500.garch21g.spec sp500.garch21g.fit sp500.garch21sg.spec sp500.garch21sg.fit sp500.garch22n.spec sp500.garch22n.fit sp500.garch22t.spec sp500.garch22t.fit sp500.garch22st.spec sp500.garch22st.fit sp500.garch22g.spec sp500.garch22g.fit sp500.garch22sg.spec sp500.garch22sg.fit vni.model.list > vni.info.mat rownames(vni.info.mat) vni.info.mat garch11n garch11t garch11st garch11g garch11sg garch12n garch12t garch12st garch12g garch12sg garch21n garch21t garch21st Akaike -6.074942 -6.148378 -6.149971 -6.136195 -6.138837 -6.076107 -6.148868 -6.150634 6.136721 -6.139556 -6.075309 -6.148241 -6.149802 Bayes -6.062344 -6.134382 -6.134575 -6.122198 -6.123441 -6.062110 -6.133471 -6.133838 6.121324 -6.122760 -6.059913 -6.131445 -6.131606 Shibata -6.074949 -6.148388 -6.149983 -6.136205 -6.138849 -6.076116 -6.148879 -6.150648 6.136732 -6.139570 -6.075321 -6.148255 -6.149818 Hannan-Quinn -6.070508 -6.143452 -6.144552 -6.131269 -6.133418 -6.071180 -6.143448 -6.144722 6.131301 -6.133644 -6.069890 -6.142329 -6.143398 garch21g garch21sg garch22n garch22t garch22st garch22g garch22sg Akaike -6.135963 -6.138552 -6.079611 -6.148083 -6.151254 -6.137678 -6.140673 Bayes -6.119167 -6.120356 -6.062814 -6.129887 -6.131658 -6.119482 -6.121077 Shibata -6.135977 -6.138568 -6.079624 -6.148099 -6.151272 -6.137694 -6.140692 Hannan-Quinn -6.130051 -6.132147 -6.073699 -6.141678 -6.144356 -6.131273 -6.133776 171 > vni.inds model.vni model.vni [1] "garch22st" # Lựa chọn mơ hình biên phù hợp cho chuỗi SP500 > sp500.model.list sp500.info.mat rownames(sp500.info.mat) sp500.info.mat garch11n garch11t garch11st garch11g garch11sg garch12n garch12t garch12st garch12g garch12sg garch21n garch21t garch21st Akaike -6.605855 -6.658348 -6.674851 -6.657802 -6.675970 -6.605597 -6.658014 -6.674520 6.657442 -6.675614 -6.606018 -6.657785 -6.674364 Bayes -6.597456 -6.648550 -6.663653 -6.648004 -6.664773 -6.595799 -6.646816 -6.661923 6.646245 -6.663017 -6.594821 -6.645188 -6.660367 Shibata -6.605858 -6.658353 -6.674857 -6.657807 -6.675976 -6.605601 -6.658020 -6.674528 6.657448 -6.675622 -6.606024 -6.657793 -6.674373 Hannan-Quinn -6.602899 -6.654899 -6.670909 -6.654353 -6.672029 -6.602148 -6.654073 -6.670086 6.653501 -6.671180 -6.602077 -6.653351 -6.669437 garch21g garch21sg garch22n garch22t garch22st garch22g garch22sg Akaike -6.657332 -6.675373 -6.605583 -6.658839 -6.675481 -6.656894 -6.676031 Bayes -6.644734 -6.661376 -6.592986 -6.644842 -6.660085 -6.642897 -6.660634 Shibata -6.657339 -6.675382 -6.605591 -6.658848 -6.675493 -6.656903 -6.676042 Hannan-Quinn -6.652898 -6.670446 -6.601149 -6.653912 -6.670062 -6.651967 -6.670611 > sp500.inds model.sp500 model.sp500 [1] "garch22sg" > ### THAM SỐ ƯỚC LƯỢNG MƠ HÌNH BIÊN PHÙ HỢP NHẤT: > vni.garch22st.fit * -* * GARCH Model Fit * * -* Conditional Variance Dynamics GARCH Model : gjrGARCH(2,2) Mean Model : ARFIMA(2,0,2) Distribution : sstd Optimal Parameters -Estimate Std Error t value Pr(>|t|) mu 0.000108 0.000283 0.382974 0.701739 ar1 1.007260 0.017135 58.784953 0.000000 ar2 -0.030045 0.017710 -1.696544 0.089783 ma1 -0.863563 0.003128 -276.051229 0.000000 ma2 -0.087777 0.007578 -11.582402 0.000000 omega 0.000005 0.000002 2.976167 0.002919 alpha1 0.233529 0.037655 6.201882 0.000000 alpha2 0.072380 0.065388 1.106929 0.268325 beta1 0.000001 0.211944 0.000003 0.999998 beta2 0.643596 0.174903 3.679721 0.000233 gamma1 -0.011699 0.033855 -0.345570 0.729666 gamma2 0.113401 0.029678 3.820984 0.000133 172 skew 0.934262 0.019200 48.659558 0.000000 shape 6.388071 0.543219 11.759654 0.000000 Robust Standard Errors: Estimate Std Error t value Pr(>|t|) mu 0.000108 0.000331 0.327031 0.743644 ar1 1.007260 0.022972 43.847545 0.000000 ar2 -0.030045 0.024860 -1.208573 0.226827 ma1 -0.863563 0.003380 -255.470418 0.000000 ma2 -0.087777 0.008956 -9.801042 0.000000 omega 0.000005 0.000005 1.060207 0.289050 alpha1 0.233529 0.105260 2.218586 0.026515 alpha2 0.072380 0.226197 0.319984 0.748980 beta1 0.000001 0.801792 0.000001 0.999999 beta2 0.643596 0.666636 0.965437 0.334326 gamma1 -0.011699 0.040588 -0.288242 0.773161 gamma2 0.113401 0.028363 3.998243 0.000064 skew 0.934262 0.022131 42.215317 0.000000 shape 6.388071 0.875349 7.297742 0.000000 LogLikelihood : 14149.58 Information Criteria -Akaike -6.1513 Bayes -6.1317 Shibata -6.1513 Hannan-Quinn -6.1444 > sp500.garch22sg.fit * -* * GARCH Model Fit * * -* Conditional Variance Dynamics GARCH Model : gjrGARCH(2,2) Mean Model : ARFIMA(1,0,0) Distribution : sged Optimal Parameters -Estimate Std Error t value Pr(>|t|) mu 0.000301 0.000094 3.188997 0.001428 ar1 -0.078923 0.014644 -5.389381 0.000000 omega 0.000004 0.000000 15.467271 0.000000 alpha1 0.000000 0.014346 0.000002 0.999998 alpha2 0.000000 0.015110 0.000013 0.999989 beta1 0.072356 0.065492 1.104811 0.269242 beta2 0.689920 0.063193 10.917643 0.000000 gamma1 0.174243 0.026532 6.567359 0.000000 gamma2 0.220687 0.028355 7.782885 0.000000 skew 0.845197 0.015414 54.833670 0.000000 shape 1.349138 0.038595 34.955846 0.000000 Robust Standard Errors: Estimate Std Error t value Pr(>|t|) mu 0.000301 0.000109 2.768148 0.005638 ar1 -0.078923 0.013648 -5.782669 0.000000 omega 0.000004 0.000000 10.006760 0.000000 alpha1 0.000000 0.018507 0.000001 0.999999 alpha2 0.000000 0.017408 0.000012 0.999991 beta1 0.072356 0.050073 1.445003 0.148457 beta2 0.689920 0.051355 13.434301 0.000000 gamma1 0.174243 0.030131 5.782814 0.000000 gamma2 0.220687 0.030201 7.307291 0.000000 173 skew 0.845197 0.016965 49.821350 0.000000 shape 1.349138 0.044025 30.645069 0.000000 LogLikelihood : 15352.52 Information Criteria -Akaike -6.6760 Bayes -6.6606 Shibata -6.6760 Hannan-Quinn -6.6706 > ### KIỂM ĐỊNH SỰ PHÙ HỢP CỦA MƠ HÌNH BIÊN > ## Trích xuất chuỗi phần dư u chuỗi lợi suất S&P500 > sp500.res fitdist(distribution = "sged", sp500.res, control = list()) $pars mu sigma skew shape 0.000644163 1.000295086 0.845440906 1.348716514 > u ## Trích xuất chuỗi phần dư v chuỗi lợi suất VNI > vni.res fitdist(distribution = "sstd", vni.res, control = list()) $pars mu sigma skew shape 0.009319884 1.019121719 0.938542841 6.025807972 > v = pdist("sstd",vni.res, mu = 0.009319884, sigma = 1.019121719, skew = 0.938542841, shape = 6.025807972) > ### Các kiểm định phù hợp mô hình biên: > # Kiem dinh Anderson-Darling > ad.test(u, "punif") Anderson-Darling test of goodness-of-fit Null hypothesis: uniform distribution Parameters assumed to be fixed data: u An = 0.95718, p-value = 0.3806 > ad.test(v, "punif") Anderson-Darling test of goodness-of-fit Null hypothesis: uniform distribution Parameters assumed to be fixed data: v An = 0.58067, p-value = 0.6665 > # Kiem dinh Cramer-von Mises > # Null hypothesis: uniform distribution > cvm.test(u, "punif") Cramer-von Mises test of goodness-of-fit Null hypothesis: uniform distribution Parameters assumed to be fixed data: u omega2 = 0.14482, p-value = 0.4058 > cvm.test(v, "punif") Cramer-von Mises test of goodness-of-fit Null hypothesis: uniform distribution Parameters assumed to be fixed data: v omega2 = 0.086323, p-value = 0.6561 > # Kiem dinh ks-test > ##Null hypothesis: uniform distribution > ks.test(u, "punif") One-sample Kolmogorov-Smirnov test data: u 174 D = 0.012332, p-value = 0.4868 alternative hypothesis: two-sided > ks.test(v, "punif") One-sample Kolmogorov-Smirnov test data: v D = 0.010813, p-value = 0.6557 alternative hypothesis: two-sided ### ƯỚC LƯỢNG THAM SỐ MƠ HÌNH COPULA > BiCopSelect(u, v, familyset= 1:9, selectioncrit="AIC",indeptest = FALSE, level = 0.05) Bivariate copula: t (par = 0.19, par2 = 10, tau = 0.12) > Stu summary(Stu) Family -No: Name: t Parameter(s) -par: 0.18 (SE = 0.02) par2: 10 (SE = NA) Dependence measures Kendall's tau: 0.12 (empirical = 0.12, p value < 0.01) Upper TD: 0.02 Lower TD: 0.02 Fit statistics -logLik: 73.13 AIC: -142.25 BIC: -129.39 175