58 Trang 5 DANH MỤC CÁC CHỮ CÁI VÀ KÝ HIỆU VIẾT TẮT VN30-INDEX : Chỉ số chứng khốn của 30 doanh nghiệp cĩ giá trị vốn hĩa lớn nhất TTCK : Thị tr ờng chứng khốn HOSE : Sở giao dịch chứn
Trang 1Lời Cảm Ơn
Đầu tiên, em xin gởi lời cảm ơn đến Thầy Cơ trường Đại học Kinh tế Huế nĩi chung và Thầy Cơ khoa Tài Chính – Ngân Hàng nĩi riêng, đã tận tâm giảng dạy em trong suốt quá trình học tập và nghiên cứu tại trường Đặc biệt, em xin gởi lời cám ơn chân thành nhất đến Ths Đồn Như Quỳnh, người đã trực tiếp hướng dẫn em thực hiện đề tài tốt nghiệp Nhờ sự hướng dẫn và chỉ bảo tận tình của cơ,
em đã cĩ được những kiến thức và kinh nghiệm quý báu về cách xác định vấn đề nghiên cứu, phương pháp nghiên cứu, xác định kết cấu cho đề tài, trình bày kết quả… và hồn thành đề tài tốt nghiệp của mình
Cuối cùng, em xin bày tỏ lịng cảm ơn sâu sắc đến gia đình và bạn bè đã luơn bên cạnh, hỗ trợ và động viên em hồn thành tốt khố luận của mình
Em xin chân thành cảm ơn!
Huế, tháng 05/2015 Sinh viên thực hiện Huỳnh Thị Phượng
KLTN kinh tế học
Trang 2MỤC LỤC
PHẦN I: ĐẶT VẤN ĐỀ 1
1.Tính cấp thiết của đề tài: 2
2 Mục tiêu nghiên cứu: 5
2.1.Mục tiêu nghiên cứu 5
3.Đối t ợng, ph m vi: 5
3.1.Đối t ợng nghiên cứu: 5
3.2.Ph m vi nghiên cứu: 6
4.Ph ng ph p nghiên cứu 6
5.Kết cấu đề tài 7
PHẦN 2: NỘI DUNG VÀ KẾT QUẢ NGHIÊN CỨU 8
CHƯƠNG 1: LÝ LUẬN THANH KHOẢN VÀ CÁC MÔ HÌNH ĐO LƯỜNG, DỰ BÁO 8
1.1.Thanh khoản: 8
1.1.1.Định nghĩa tính thanh khoản: 8
1.1.2.Tính thanh khoản: 8
1.1.3.Tính thanh khoản của cổ phiếu: 8
1.2.C c yếu tố ảnh h ởng đến thanh khoản cổ phiếu: 9
1.3.Đo l ờng tính thanh khoản của cổ phiếu: 10
1.3.1 Ph ng ph p đo l ờng liên hệ độ sâu: 11
1.3.2 Ph ng ph p đo l ờng liên hệ độ chặt: 13
1.3.3 Ph ng ph p đo l ờng liên hệ thời gian giao dịch: 14
1.3.4 Ph ng ph p đo l ờng liên hệ độ co giãn: 14
1.4 Dữ liệu nghiên cứu: 16
1.5.Ph ng ph p nghiên cứu: 16
1.5.1 Vấn đề c bản về chuỗi thời gian: 16
1.5.1.1 Chuỗi thời gian là gì: 16
1.5.1.2 C c thành phần của chuỗi thời gian 16
1.5.2 C c vấn đề liên quan đến tính dừng: 17
1.5.2.2 Kh i niệm tính dừng 17
1.5.2.3 Hậu quả của chuỗi không dừng: 17
1.5.2.4 C ch kiểm định tính dừng của chuỗi thời gian: 18
KLTN kinh tế học
Trang 31.5.2.4.1 Tự t ng quan ACF (Autocorrelation function) 18
1.5.2.4.3 Tự t ng quan mẫu PACF (Partial Autocorrelation function): 19
1.5.2.4.4 Kiểm định Dickey-Fuller (kiểm định nghiệm đ n vị- Unit root test): 19
1.5.2.4.5 Nhiễu trắng(white noise): 19
1.5.2.4.6 B ớc đi ngầu nhiên (Random Walk): 20
1.4.1.5 Biến đổi chuỗi không dừng thành chuỗi dừng 20
1.4.2 Mô hình Arima 20
1.4.2.1 C sở lý luận 20
1.4.2.2 Qu trình tự hồi quy (AR – Autoregressive Process) 21
1.4.2.3 Qu trình trung bình tr ợt (MA – Moving Average) 21
1.4.2.4 Qu trình trung bình tr ợt và tự hồi quy ARMA 22
1.4.2.5 Qu trình trung bình tr ợt, đồng liên kết, tự hồi quy ARIMA 22
1.4.2.6 Ph ng ph p Box-Jenkins 23
1.4.3.6.1 Định d ng: 24
1.4.3.6.2 Ước l ợng mô hình 29
1.4.3.6.3 Kiểm định tính thích hợp của mô hình 29
1.4.3.6.4 Dự b o 31
1.2.4 Lý thuyết mô hình ARCH/GARCH 31
1.2.4.1 Mô hình ARCH: 31
1.2.4.2 L ý thuyết mô hình GARCH: 34
Ch ng 2: CHỈ SỐ CHỨNG KHOÁN VN30-INDEX VÀ DIỄN BIẾN THANH KHOẢN CỦA THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM GIAI ĐOẠN 2012 - 2015 36
2.1 Tổng quan về chỉ số chứng kho n VN30-Index 36
2.1.1 Chỉ số VN30 là gì 36
2.1.2 Ý nghĩa 36
2.1.3 Tiêu chuẩn lựa chọn cổ phiếu vào rổ VN30 37
2.1.4 Điều kiện tham gia chỉ số VN30: 37
2.1.5 Ph ng ph p tính: 38
2.1.5.1 Tiêu chí tính toán: 38
2.1.5.2 Công thức tính VN30: 39
2.1.5.3 Gi để tính to n chỉ số 39
2.2 Thanh khoản của thị tr ờng chứng kho n giai đo n từ năm 2012 đến nay: diễn biến VN-Index, VN30-Index 39
KLTN kinh tế học
Trang 42.2.1 Năm 2012: 40
2.2.2 Năm 2013: hồi phục m nh mẽ 43
2.2.3 Năm 2014 đến nay: 45
Ch ng 3: DỰ BÁO THANH KHOẢN CỦA NHÓM 30 CỔ PHIẾU CÓ GIÁ TRỊ VỐN HÓA VÀ KHỐI LƯỢNG GIAO DỊCH LỚN NIÊM YẾT TRÊN SƠ GIAO DỊCH CHỨNG KHOÁN THÀNH PHỐ HỒ CHÍ MINH 50
3.1 Lý do lựa chọn chỉ số Amivest: 50
3.2 Mẫu quan s t: 50
3.3 Kết quả nghiên cứu: 51
3.3.1 Thống kê mô tả số liệu: 51
3.3.2 Kiểm định tính dừng của chuỗi Amivest: 52
3.3.3 Phân phối x c suất của chuỗi Amivest: 52
3.3.4 Lựa chọn mô hình ARIMA(p,d,q): 53
3.3.4.1 Mô hình ARIMA (p,0,q) tốt nhất để dự b o: 53
3.3.4.2 Dự b o thử nghiệm trên mô hình ARIMA(1,0,1) : 55
3.3.5 Ước l ợng mô hình GARCH: 58
3.3.5.1 Ước l ợng mô hình GARCH(p,q): 58
3.3.5.2 Dự b o: 59
3.3.5.3 Nhận xét và thảo luận: 60
PHẦN 3 : KÊT LUẬN 62
1.Kết quả đ t đ ợc : 62
2 H n chế : 63
3 H ớng ph t triển đề tài : 64
4 Khuyến nghị: 64
TAI LIỆU THAM KHẢO 65
PHỤ LỤC 67
Phụ lục 68
KLTN kinh tế học
Trang 5DANH MỤC CÁC CHỮ CÁI VÀ KÝ HIỆU VIẾT TẮT
VN30-INDEX : Chỉ số chứng khoán của 30 doanh nghiệp có giá trị vốn hóa
PACF : Hàm tự t ng quan riêng phần
ARIMA : Tự hồi quy tích hợp trung bình tr ợt (Autogressive
Integrated Moving Average) ARCH : Tự hồi quy có điều kiện ph ng sai sai số thay đổi
(Autoregressive Conditional Heteroshedasticity) GARCH : Tự hồi quy tổng qu t có điều kiện ph ng sai sai số thay đổi
(Generalized Autoregressive Conditionnal Heteroshedasticity
KLTN kinh tế học
Trang 6DANH MỤC BẢNG BIỂU
Bảng 1.1 C c khía c nh của thanh khoản 10
Bảng 1.2 - C c d ng lý thuyết của ACF và PACF 25
Bảng 3.1 Thống kê mô tả chuỗi Amivest 51
Bảng 3.2 Lựa chọn mô hình ARIMA(p,0,q) 54
Bảng 3.3 Dự b o ngoài mẫu cho giai đo n từ 06/02/2015 đến 27/03/2015 57
Bảng 3.4 Lựa chọn mô ARCH/GARCH 58
Bảng 3.5: kết quả dự b o chỉ số Amivest theo tuần ngày 03/04/2015 đến 06/05/2015 59
KLTN kinh tế học
Trang 7DANH MỤC HÌNH
Hình 1.1 - Quy trình của ph ng ph p Box-Jenkins 24
Hình 1.2 - Quá trình AR(1) 26
Hình 1.3 - Quá trình MA(1) 26
Hình 1.4 - Quá trình MA(2) 27
Hình 1.5 Quá trình ARIMA(1) 28
Hình 2.1 Tỷ trọng ngành theo GTVH của rổ VN30 37
(Nguồn: HOSE) 37
Hình 2.2 Diễn biến thanh khoản TTCK năm 2012 40
Hình 2.3 Diễn biến thanh khoản TTCK năm 2013 44
Hình 2.4 Tình hình thanh khoản TTCK từ năm 2014 đến nay 46
Hình 3.1 Đồ thị PPXS của chuỗi Amivest 52
Hình 3.2 Dự b o Amivest giai đo n từ 10/02/2012 đến 30/01/2015 55
Hình 3.3 Phần d , gi trị thực và gi trị ớc l ợng từ mô hình ARIMA(1,0,1) 56
Hình 3.4 Gi trị thực và dự b o chỉ số Amivest 56 Hình 3.5 Dự b o ph ng sai cho chuỗi Amivest 59 KLTN kinh tế học
Trang 8KLTN kinh tế học
Trang 9TÓM TẮT ĐỀ TÀI
Thanh khoản đ ợc xem là yếu tố “huyết m ch” của thị tr ờng tài chính Việc
điều tiết phù hợp của nó là rất quan trọng cho sự vận hành tr n tru của một nền kinh
tế Chính vì vậy, việc tiến hành đo l ờng và dự b o gi trị t ng lai của thanh
khoản, cũng nh rủi ro thông qua biến động ph ng sai của chỉ số thanh khoản là điều thực sự cần thiết với bất kỳ một nhà đầu t , một doanh nghiệp nào khi nghiên cứu đầu t vào bất kỳ một tài sản nào, đặc biệt là trên thị tr ờng chứng khoán
Tuy nhiên, tính t i thời điểm hiện t i, hầu nh ch a có nghiên cứu trong
n ớc về đo l ờng và dự b o thanh khoản Nắm bắt đ ợc thực tế này, tôi quyết định
lựa chọn đề tài: : “Ứng dụng mô hình ARIMA – ARCH/GARCH để dự báo
thanh khoản của 30 cổ phiếu có giá trị vốn hóa và thanh khoản lớn nhất niêm yết trên sở giao dịch chứng khoán thành phố Hồ Chí Minh trong ngắn hạn”
Mục tiêu quan trọng nhất mà đề tài h ớng đến là dự b o thanh khoản trong t ng lai gần cho nhóm cổ phiếu trong rổ VN30 Từ đó, giúp cho nhà đầu t và các nhà
ho ch định chính s ch nắm bắt xu thế thanh khoản và c i nhìn chuẩn x c h n về tình hình hiện t i và t ng lai về tình hình thanh khoản của những cổ phiếu Bluechip trên thị tr ờng chứng kho n Việt Nam
Để thực hiện công t c dự b o, đề tài đã sử dụng chỉ số thanh khoản Amivest
và tiến hành ớc l ợng và kiểm định c c mô hình ARIMA, ARCH/GARCH Bằng
ph ng ph p thử và sai, thông qua c c chỉ tiêu: AIC, SIC, R2
, MAE, MAPE, Thiel, Bias,…cuối cùng mô hình GARCH(1,2) là mô hình thích hợp nhất đ ợc lựa chọn
để dự b o Kết quả dự báo của mô hình đ ợc đ nh gi t ng đối sát với giá trị thực tế, giá trị trung bình dự báo của chỉ số AMIVEST tăng dần trong t ng lai Từ những kết quả này, tôi cũng đã đ a ra một số khuyến nghị cho nhà đầu t để góp phần giúp họ có thể đ a ra những quyết định đúng đắn nhất
KLTN kinh tế học
Trang 10PHẦN I: ĐẶT VẤN ĐỀ 1.Tính cấp thiết của đề tài:
TTCK đóng vai trò quan trọng đối với sự ph t triển của nền kinh tế của một quốc gia Thị tr ờng này giúp NĐT đến gần h n với DN, qua đó DN có c hội tiếp cận với nguồn vốn lớn, mở rộng sản xuất kinh doanh, ph t triển bền vững TTCK từ khi ra đời đến nay đ ợc biết đến là một kênh đầu t và thu hút vốn hấp dẫn ở nhiều quốc gia Chính khả năng sinh lời khổng lồ mà thị tr ờng mang l i đã thu hút rất nhiều NĐT, DN coi TTCK là n i t o ra nguồn thu nhập và huy động vốn chủ yếu của họ Gi cả chứng kho n là hình ảnh phản chiếu những vấn đề c bản của nền kinh tế vĩ mô, đặc biệt là sức khỏe của DN và là mối quan tâm hàng đầu của NĐT cũng nh nhà nghiên cứu Bên c nh gi cả, trong thị tr ờng tài chính nói chung và TTCK nói riêng, có một yếu tố quan trọng không thể không kể đến đó chính là
“thanh khoản”
Thanh khoản đ ợc xem là yếu tố huyết m ch của thị tr ờng tài chính Trong
t c phẩm nghiên cứu “How best to supply liquidity to a securities market” (1996), Handa và Schawarts đã đ a ra nhận định: “Nhà đầu t mong muốn ba điều từ thị
tr ờng, đó là: Thanh khoản, thanh khoản và thanh khoản” Việc điều tiết phù hợp của nó là rất quan trọng cho sự vận hành tr n tru của một nền kinh tế Khi thị
tr ờng giảm tính thanh khoản là lúc những nhà tổ chức thị tr ờng phải lo ng i bởi thanh khoản thể hiện niềm tin của nhà đầu t , là c sở cho c c doanh nghiệp sử dụng kênh thị tr ờng chứng kho n huy động vốn Thanh khoản tốt làm cho gi cả phản nh thực chất cung cầu mà không bị bóp méo bởi c c giao dịch thao túng, làm
gi trên thị tr ờng Đặc biệt, thanh khoản rất đ ợc chú ý trong TTCK nh một trong những tiêu chí quan trọng dự b o, quyết định xu h ớng thị tr ờng, của nhóm cổ phiếu hoặc từng cổ phiếu riêng lẻ Một phần nào đó, nó cũng phản nh mức độ rủi
ro của cổ phiếu
KLTN kinh tế học
Trang 11Chính vì vậy, việc tiến hành đo l ờng và dự b o gi trị t ng lai của thanh khoản, cũng nh rủi ro thông qua biến động ph ng sai của chỉ số thanh khoản là điều thực sự cần thiết với bất kỳ một NĐT, một DN nào khi nghiên cứu đầu t vào bất kỳ một tài sản nào, trong đó có cổ phiếu
Thực tiễn nghiên cứu ở nước ngoài:
Cooperm Grother và Avera (1985) đ a ra chỉ số đo l ờng thanh khoản
Amivest so s nh khối l ợng giao dịch với sự thay đổi gi chứng kho n trong một thời gian nhất định
Amihud and Mendelson (1986) lần đầu tiên đề xuất ph ng ph p dựa vào chênh lệch gi mua và gi b n của tài sản để đo l ờng thanh khoản Sự chênh lệch xét đến ở đây là số tuyệt đối hoặc là chênh lệch phần trăm
Bruner ( 1996) đề x ớng ph ng ph p đo l ờng tính thanh khoản bằng c ch
đo l ờng sự thay đổi mức gi trên một lần giao dịch mỗi ngày
Chordia, Roll & Subrahmanyam (2001) nghiên cứu trên một khối l ợng lớn
cổ phiếu trong vong 7 năm (t ng đ ng khoảng 2800 ngày giao dịch) với chi phí giao dịch lên đến 3,5 tỷ đô la Từ đó mang đến một sự hình dung về sự biến động thanh khoản của thi tr ờng rộng lớn
Gomber & Schweickert (2002), nghiên cứu và nhận ra vai trò quan trọng của
thanh khoản, v ch định kế ho ch giới thiệu và phổ biến ra công chúng ph ng ph p
đo l ờng thanh khoản
Ranaldo (2003) theo dõi biến động tính mùa vụ của nhóm cổ phiếu ở Thụy sĩ,
từ đó liên hệ với chiều h ớng vận động thanh khoản của thị tr ờng Đồng thời, giải thích những thay đổi trong thanh khoản cũng nh lợi nhuận liên quan đến việc tiếp cận thông tin trên thị tr ờng
Lybeck and Sarr (2002) đo l ờng thanh khoản thông qua 4 yếu tố: (i) chi phí
giao dịch, (ii) khối l ợng giao dịch - thể hiện độ rộng và độ sâu của thanh khoản, (iii) mức gi cân bằng trên thị tr ờng để đo l ờng độ co giãn, tức là khả năng phục hồi l i mức gi cũ sau khi trải qua biến động do NĐT không nắm bắt đ ợc thông tin, (iv) t c động của thị tr ờng
KLTN kinh tế học
Trang 12Hedge và McDemott (2003) thông qua việc tính to n phần trăm chênh lệch
giá mua-b n và thay đổi trong khối l ợng giao dịch để đo l ờng thanh khoản của cổ phiếu
Spiegel and Wang (2005) đề cập đến mức độ thanh khoản của tài sản thông
qua chỉ số Amihud và Amivest Sử dụng c c chỉ số này có u điểm là phân tích thanh khoản trên cả ph ng diện khối l ợng và gi cả
Hasbrouck (2009) đã giới thiệu nghiên cứu của mình về việc đo l ờng thanh
khoản dựa trên chênh lệch gi mua-bán trong ngày
Sinisa Bogdan (2012) thu thập 61350 số liệu đầu vào trên TTCK Croatia , từ
đó nghiên cứu và đo l ờng tính thanh khoản dựa trên c c chỉ số thanh khoản Hui – Heubel, Amihud, Amivest và vòng quay gi trị giao dịch
Thực tiễn nghiên cứu ở Việt Nam:
Khoa (2012) nghiên cứu thanh khoản của nhóm cổ phiếu ngành thủy sản niêm
yết trên HOSE và đ a ra mô hình dự b o bằng ARMAX (qu trình trung bình tr ợt
tự hồi quy với biến đầu vào ngo i sinh), mô hình tự hồi quy vector Var Từ đó, đề xuất những giải ph p để h n chế rủi ro thanh khoản cho c c NĐT
Có thể thấy rằng, tính t i thời điểm hiện t i, hầu nh ch a có nghiên cứu trong n ớc về đo l ờng và dự b o thanh khoản Trên TTCK Việt Nam để đ nh gi tính thanh khoản của cổ phiếu đa phần dựa vào khối l ợng giao dịch của cổ phiếu
đó Khối l ợng giao dịch càng lớn thì cổ phiếu càng thanh khoản Tuy nhiên, nhiều nghiên cứu n ớc ngoài đã chứng minh đ ợc rằng, khối l ợng giao dịch phản nh bề mặt nổi chứ ch a thể đ nh gi một c ch toàn diện c c khía c nh của của tính thanh khoản
Chính vì vậy, tôi quyết định nghiên cứu đề tài: “Ứng dụng mô hình ARIMA,
ARCH/GARCH để dự báo thanh khoản của nhóm 30 cổ phiếu có giá trị vốn hóa và thanh khoản lớn nhất niêm yết trên sở giao dịch chứng khoán thành phố Hồ Chí Minh trong ngắn hạn” Tôi hy vọng kết quả nghiên cứu là nguồn
tham khảo hữu ích cho các NĐT nắm bắt xu thế và c hội mang đến lợi nhuận cho mình hoặc giảm thiểu lỗ xuống mức thấp nhất khi tham gia mua b n trên TTCK
KLTN kinh tế học
Trang 13Việt Nam Đồng thời, giúp cho các nhà ho ch định chính s ch có c i nhìn chuẩn x c
h n về tình hình hiện t i và t ng lai của những cổ phiếu Bluechip trên TTCK Việt Nam từ đó có thể đ a ra c c quyết định đúng đắn trong qu trình đầu t , quản lý rủi
ro và ho ch định chính s ch
2 Mục tiêu nghiên cứu:
2.1.Mục tiêu nghiên cứu
Mục tiêu chung:
Vận dụng c c công thức và mô hình để đo l ờng và dự b o tính thanh khoản của chỉ số Vn30_index trong ngắn h n
Mục tiêu cụ thể:
Kh i qu t đ ợc những vấn đề lý luận và thực tiễn về thanh khoản
Kh i qu t những lý luận c bản về phân tích chuỗi thời gian và ứng dụng quan trọng của nó trong qu trình dự báo
Đ nh gi tình hình biến động về thanh khoản của chỉ số VN-INDEX nói chung và 30 cổ phiếu có gi trị vốn hóa và thanh khoản cao nhất niêm yết trên HOSE thông qua VN30-INDEX từ năm 2012 đến nay
Dự b o thanh khoản của VN30-INDEX trong thời gian 2 th ng: từ 03/04/2015 đến 05/06/2015
3.Đối tư ng phạm vi:
3.1.Đối tư ng nghiên cứu:
Thanh khoản của VN30-INDEX, đ i diện cho 30 mã cổ phiếu của những doanh nghiệp có gi trị vốn hóa và thanh khoản cao nhất niêm yết trên HOSE
Lý do lựa chọn:
VN30-Index là chỉ số giá chứng khoán của 30 cổ phiếu niêm yết có vốn hoá lớn nhất trên Sở Giao dịch Chứng khoán Tp.HCM (HOSE), đ i diện cho khoảng
80% giá trị vốn hóa toàn thị tr ờng và 60% giá trị giao dịch toàn thị tr ờng Chỉ số
này đ ợc c c nhà đầu t đ nh gi cao về chất l ợng cổ phiếu niêm yết với trên 50%
cổ phiếu trong danh mục tăng tr ởng cao h n mức bình quân thị tr ờng Chính vì vậy, VN30 có thể đ ợc xem nh là một hình thức phân bảng, phân lo i c c công ty
KLTN kinh tế học
Trang 14niêm yết dẫn đầu thị tr ờng về vốn hóa, thanh khoản, độ minh b ch và hiệu quả
ho t động kinh doanh, làm gia tăng thêm gi trị tài sản vô hình của c c công ty niêm yết đ ợc chọn lựa vào chỉ số Từ đó cho thấy VN30 – Index có khả năng đ i diện tốt cho TTCK Việt Nam
3.2.Phạm vi nghiên cứu:
Không gian: TTCK Việt Nam và 30 mã cổ phiếu của những doanh nghiệp có
gi trị vốn hóa và thanh khoản cao nhất niêm yết trên HOSE
Thời gian: thu thập số liệu gi đóng cửa và khối l ợng giao dịch của INDEX trong khoảng thời gian 06/02/2012 - 27/03/2015
VN30- Lý do lựa chọn:
Giai đo n 2000-2005, TTCK Việt Nam mới chỉ ở b ớc khởi động, tích lũy kinh nghiệm ban đầu, t o đà cho sự ph t triển về sau Giai đo n này ho t động của TTCK còn trầm, thanh khoản kém do quy mô của thị tr ờng còn nhỏ và khối l ợng giao dịch rất ít Thị tr ờng thật sự khởi sắc và có những biến động có ý nghĩa kể từ năm 2006 Tuy nhiên, từ năm 2008-2009, chịu ảnh h ởng nặng nề bởi khủng hoảng kinh tế thế giới, tâm lý NĐT hoảng lo n và gi chứng kho n r i một c ch mãnh liệt Bất kì một nghiên cứu nào trong giai đo n này cũng trở nên mất ý nghĩa bởi “bug” trong phân tích số liệu Từ năm 2012 đến nay là giai đo n mà TTCK trong n ớc có
sự phục hồi với những dấu hiệu đ ng mừng, chỉ số chứng kho n bắt đầu có sự hoàn thiện và bắt đầu trở về với những quy luật vốn có của nó và đây cũng là giai đo n chứng kiến sự ra đời của chỉ số VN30 (6/02/2012) trên HOSE
4.Phư ng pháp nghiên cứu
Ph ng ph p nghiên cứu tài liệu: tìm hiểu b ớc đầu về nội dung nghiên cứu, tên đề tài và c c tài liệu tham khảo liên quan đối với phần c sở lý thuyết thông qua
s ch b o, internet Từ đó hình thành đ ợc c sở lý luận của đề tài, những giả thuyết
c bản, x c định đối t ợng và dự đo n về c c thuộc tính của đối t ợng nghiên cứu
Ph ng ph p thu thập số liệu: dữ liệu thứ cấp của cổ phiếu đ ợc lấy từ trang web chứng kho n cổ phiếu Việt Nam: cophieu68.com; SGDCK thành phố Hồ Chí Minh: hsx.vn
KLTN kinh tế học
Trang 15Ph ng ph p xử lí số liệu: Ph ng ph p định tính bằng đồ thị, x c định, ớc
l ợng và kiểm định c c mô hình kinh tế l ợng
5.Kết cấu đề tài
Phần I: Mở đầu Phần này đ a ra tính cấp thiết của đề tài, mục tiêu, ph m vi,
đối t ợng và ph ng ph p nghiên cứu
Phần II: Nội dung và kết quả nghiên cứu
Ch ng 1: C c kh i niệm c bản Cung cấp những lý luận nền tảng về c c
kh i niệm, thuật ngữ và công thức sử dụng trong bài nghiên cứu Đồng thời giới thiệu kh i qu t về mô hình chuỗi thời gian trong dự b o cũng nh tình hình thực tiễn ứng dụng những mô hình đó
Ch ng 2: Tổng quan về tình hình thanh khoản của TTCK Việt Nam và 30 mã
cổ phiếu của những DN có gi trị vốn hóa và thanh khoản cao nhất niêm yết trên HOSE thể hiện qua VN30-INDEX
Ch ng 3: Dự b o thanh khoản của VN30-INDEX trong ngắn h n Ch ng này cung cấp kết quả nghiên cứu, x c định mô hình thực nghiệm và tiến hành dự báo thanh khoản và ph ng sai biến động của VN30-INDEX trong thời gian 2
th ng, từ 03/04/2015 đến 05/06/2015
Phần III: Kết luận
Kết quả đ t đ ợc, h n chế và h ớng ph t triển đề tài
KLTN kinh tế học
Trang 16PHẦN 2: NỘI DUNG VÀ KẾT QUẢ NGHIÊN CỨU
CHƯƠNG 1: LÝ LUẬN THANH KHOẢN VÀ CÁC MÔ HÌNH
ĐO LƯỜNG DỰ BÁO 1.1.Thanh khoản:
1.1.1.Định nghĩa tính thanh khoản:
Thanh khoản là mức độ mà một tài sản hoặc chứng kho n có thể đ ợc mua hoặc b n trên thị tr ờng Thanh khoản đ ợc đặc tr ng bởi một mức độ cao của c c
ho t động mua b n Tài sản có thể dễ dàng mua hoặc b n, đ ợc gọi là tài sản có tính thanh khoản
1.1.2.Tính thanh khoản:
Tính thanh khoản là một kh i niệm đ ợc sử dụng phổ biến trong tài chính
Nó dùng để chỉ khả năng mà một tài sản bất kỳ có thể đ ợc mua hoặc b n trên thị
tr ờng mà không bị ảnh h ởng bởi yếu tố gi cả, nói c ch kh c tài sản có thể đ ợc mua–b n ở bất kỳ mức gi nào Có một c ch gọi thay thế cho tính thanh khoản là tính lỏng hay tính l u động
Một tài sản có tính thanh khoản cao th ờng đặc tr ng bởi: thời gian chuyển đổi từ tài sản thành tiền mặt ngắn, chi phí chuyển đổi thấp và số l ợng giao dịch lớn
Trong kế toán tài sản lưu động đư c chia làm năm loại và đư c sắp xếp theo tính thanh khoản từ thấp đến cao như sau: tiền mặt đầu tư ngắn hạn khoản phải thu ứng trước ngắn hạn và hàng tồn kho
Trong TTCK, tính thanh khoản đ ợc hiểu là việc chứng kho n hay c c lo i giấy
tờ có gi do c c tổ chức, DN ph t hành đ ợc nhà n ớc công nhận, có khả năng chuyển đổi thành tiền mặt dễ dàng, thuận tiện cho việc thanh to n hay chi tiêu
Khả năng thanh to n là một trong những đặc tính hấp dẫn của chứng kho n với nhà đầu t Đây là yếu tố cho thấy tính linh ho t, an toàn của vốn đầu t TTCK
ho t động ngày càng năng động thì tính thanh khoản thì tính thanh khoản của chứng khoán giao dịch trên thị tr ờng càng cao
1.1.3.Tính thanh khoản của cổ phiếu:
KLTN kinh tế học
Trang 17Chứng kho n có tính thanh khoản là những chứng kho n có thị tr ờng giao dịch rộng hay mua đi b n l i dễ dàng, gi giao dịch t ng đối ổn định theo thời gian
và khả năng phục hồi nguồn vốn đầu t ban đầu cao Khi lựa chọn chứng kho n để đầu t , việc xem xét đến khả năng b n l i để t i đầu t nguồn vốn ban đầu là rất cần thiết Nếu khả năng đó kém thì có nghĩa là khó tìm đ ợc ng ời mua hoặc nếu tìm
đ ợc thì phải b n với gi không mong muốn, NĐT sẽ g nh chịu những tổn thất tài chính lớn Và điều này gọi là rủi ro thanh khoản trong đầu t chứng kho n
1.2.Các yếu tố ảnh hưởng đến thanh khoản cổ phiếu:
Mặc dù cổ phiếu là lo i tài sản có khả năng chuyển đổi thành tiền mặt dễ dàng, nh ng tính thanh khoản của nó l i phụ thuộc vào nhiều yếu tố Trong đó, t c động m nh nhất phải kể đến những yếu tố sau đây:
Thứ nhất, kết quả ho t động kinh doanh của tổ chức ph t hành Nếu tổ chức ph t hành ho t động kinh doanh có hiệu quả, cổ tức chi trả đúng cam kết thì cổ phiếu sẽ có thể dễ dàng mua b n trên thị tr ờng vì hấp dẫn c c NĐT Ng ợc l i, nếu công ty niêm yết làm ăn kém hiệu quả, không trả hoặc trả cổ tức không đúng cam kết thì cổ phiếu đó sẽ giảm gi và khó khăn trong việc giao dịch
Để đ nh gi hiệu quả ho t đông kinh doanh của công ty niêm yết, có thể dựa trên nhiều tiêu chí kh c nhau P/E là một trong những chỉ số phổ biến để nhận diện mức độ giao dịch của cổ phiếu dựa vào mối quan hệ chặt chẽ của nó với tính thanh khoản Cùng mức sinh lợi, những cổ phiếu nào có P/E cao h n mức trung bình thị tr ờng thì sẽ đ ợc giao dịch sôi động h n nhờ tốc độ tăng gi cao và khả năng mang l i gi trị thặng d cao cho cổ đông thông qua việc chia, tách hay phát hành cổ phiếu mới
Thứ hai, mối quan hệ cung – cầu trên TTCK: thị tr ờng cổ phiếu cũng nh
c c lo i thị tr ờng kh c, đều chịu sự chi phối của quy luật cung – cầu Gi của cổ phiếu không chỉ phụ thuộc vào chất l ợng của công ty mà còn phụ thuộc rất lớn vào NĐT Một lo i cổ phiếu rất tốt nh ng thị tr ờng đang bão hòa nguồn cung thì cổ phiếu đó cũng rất khó đ ợc giao dịch Ng ợc l i, khi thị tr ờng khan hiếm hàng hóa thì ngay cả những cổ phiếu chất l ợng kém h n cũng có thể b n đ ợc dễ dàng Bên
KLTN kinh tế học
Trang 18c nh đó, những yếu tố kh c nh đầu c , móc ngoặc lũng đo n thị tr ờng của c nhân, tổ chức nhằm t o ra cung cầu chứng kho n giả t o cũng t c động theo chiều
h ớng xấu, bóp méo tính thanh khoản của chứng kho n
1.3.Đo lường tính thanh khoản của cổ phiếu:
Thanh khoản là một ph m trù mang tính trừu t ợng và khó có thể có một
ph ng ph p riêng lẻ tuyệt đối nào có thể nắm bắt và đo l ờng tính thanh khoản một c ch toàn diện Theo Shen & Starr (2002), tính thanh khoản không phải là biến
đ n chiều mà là biến đa chiều Hay trong bài nghiên cứu “Measuring and predicting liquidity in the stock market”, Rico Von Wyss đã khẳng định rằng: “Không có một
đ i l ợng cụ thể nào để đo l ờng tính thanh khoản, thay vào đó c c nhóm tỷ số
th ờng đ ợc sử dụng” Trên thực tế, nhiều nhà nghiên cứu đã phân tích thanh khoản thành nhiều khía c nh kh c nhau để cụ thể tính thanh khoản Harris (1990), Rolnado (2000), Abdourahmane Sarr & Tonny Lybek (2002) đ a ra bốn khía c nh chủ yếu của tính thanh khoản là: thời gian giao dịch (trading time), độ sâu (depth), độ chặt (tightness) và độ co giãn (resiliency)
Bảng 1.1 Các khía cạnh của thanh khoản
Thời gian giao dịch
Độ chặt (Tightness) Khả năng mua b n một cổ phiếu ở
mức gi bằng hoặc xấp xỉ t i cùng một thời điểm Ở đây xem xét đến chi phí giao dịch (bid – ask spread cho một khối l ợng cổ phiếu nhất định, hoa hồng và phí phải trả trên mỗi cổ phiếu ) mà c c NĐT phải chịu nếu muốn giao dịch ngay tức thời
C c d ng khác nhau của bid – ask spread
Độ sâu (Depth) Khả năng mua b n một số l ợng cổ
phiếu nhất định mà không ảnh h ởng đến gi đặt ra Đ ợc thể hiện qua khối l ợng cổ phiếu mà NĐT chắc chắn có thể giao dịch đ ợc trong một
Trang 19khoảng thời gian nào đó Tỷ số dòng tiền
Độ co giãn
(Resiliency)
Khả năng phục hồi nhanh chóng l i mức gi cũ sau khi gi cổ phiếu bị biến động do chịu ảnh h ởng từ một
sự bất cân đối nguồn lệnh lớn gây ra bởi c c NĐT không đ ợc thông tin (uninformed trader)
Tỷ suất sinh lợi trong ngày
Thời gian giao dịch
Độ chặt (Tightness) Khả năng mua b n một cổ phiếu ở
mức gi bằng hoặc xấp xỉ t i cùng một thời điểm Ở đây xem xét đến chi phí giao dịch (bid – ask spread cho một khối l ợng cổ phiếu nhất định, hoa hồng và phí phải trả trên mỗi cổ phiếu ) mà c c nhà đầu t phải chịu nếu muốn giao dịch ngay tức thời
C c d ng kh c nhua của bid – ask spread
Độ co giãn
(Resiliency)
Khả năng phục hồi nhanh chóng l i mức gi cũ sau khi gi cổ phiếu bị biến động cho chịu ảnh h ởng từ một
sự bất cân đối nguồn lệnh lớn gây ra bởi c c nhà đầu t không đ ợc thông tin (uninformed trader)
Tỷ suất sinh lợi trong ngày
(Nguồn: tự tổng hợp)
Từ đó có thể thấy rằng, một cổ phiếu có tính thanh khoản khi nó chặt, sâu, nhanh và co dãn hay nói c ch kh c có spread nhỏ, khối l ợng giao dịch lớn, thời gian giao dịch ngắn và sai lệch c c mức gi đ ợc điều chỉnh một c ch nhanh chóng
Tư ng ứng với những đặc tính trên thì sẽ có những phư ng pháp đo
lường khác nhau:
1.3.1 Phư ng pháp đo lường liên hệ độ sâu:
+ Khối lư ng giao dịch:
Khối l ợng giao dịch có liên quan đến tính thanh khoản đ ợc tính bằng khối
l ợng cổ phiếu theo thời gian Nó đ ợc dùng để đo l ờng độ sâu của thanh khoản
KLTN kinh tế học
Trang 20Khối l ợng liên quan đến thanh khoản cao thì ta có tín hiệu thanh khoản cao Điều này đã đ ợc làm s ng tỏ và ứng dụng trong nhiều nghiên cứu nh của Lee & Swaminatha (2000), Chordia, R Roll và A Subrahmanyam (2001), Rico von wyss (2004)
Khối l ợng giao dịch từ đ n vị thời gian t đến t-1 đến t đ ợc tính theo công thức:
Nt: Số giao dịch trong thời gian t
qi: khối l ợng cổ phiếu của giao dịch thứ i
+ Độ sâu (Depth):
Theo nghiên cứu của Brockman & Chung (2000) và ứng dụng của Rico (2004) thì độ sâu đ ợc tính bằng khối l ợng đặt mua và đặt b n trong khoảng thời gian t:
Dept = qt A+ qt B
Dept: độ sâu của thị tr ờng trong thời gian t
qtA, qtB: khối l ợng cổ phiếu giao dịch t i mức gia Ask (mức gi b n thấp nhất), Bid (gi mua cao nhất) tốt nhất vào thời điểm t
Để cải thiện c c tính chất phân phối của độ sâu, logarit tự nhiên của qtAvà qtB
có thể đ ợc sử dụng nh trong nghiên cứu của Butler, Grullon & Weston (2002):
+ Tốc độ luân chuyển Turnover (tổng giá trị giao dịch khớp lệnh): Vt
Giống nh khối l ợng giao dịch, Vt đ ợc tính theo từng đ n vị thời gian
C c nghiên cứu nh Jones và Lipon (1999), Lee & Swaminatha (2000), Chordia, R Roll và A Subrahmanyam (2001), Rico Von Wyss (2004) cũng sử dụng nhân tố này
N: Số giao dịch trong khoảng thời gian từ t-1 đến t
KLTN kinh tế học
Trang 21pi: gi trị của giao dịch thứ i
+ Tỷ số vòng quay Turnover ratio:
Tn =
S: số cổ phiếu đang l u hành
: mức gi trung bình của những giao dịch i trong khoảng thời gian t
C c chỉ số khối l ợng, gi trị giao dịch, vòng quay càng lớn thì tính thanh khoản của cổ phiếu càng cao
+ Chênh lệnh mua – bán:
Là số tuyệt đối chênh lệch trung bình số l ợng cổ phiếu đặt mua – bán trong thời gian t Nó thể hiện tình tr ng cân bằng khối l ợng giao dịch giữa bên mua và b n Sự cân bằng của chỉ số này sẽ dẫn đến tình tr ng mất thanh khoản
AAB t =
NtA, NtB: số lệnh mua và b n trong thời gian t
qtA, qtB: khối l ợng cổ phiếu giao dịch t i mức gia Ask (mức gi b n thấp nhất), Bid (gi mua cao nhất) tốt nhất vào thời điểm t
1.3.2 Phư ng pháp đo lường liên hệ độ chặt:
+ Độ rộng (spread):
Sự kh c biệt giữa gi mua và gi b n cũng liên quan đến đo l ờng thanh khoản và đ ợc nhiều nghiên cứu chỉ ra: Acker, Stalker & Tonks (2002); Harris, MecInish & Wood (2002); Rico Von Wyss (2004),… Độ rộng liên quan đến tính thanh khoản càng nhỏ thì tính thanh khoản càng lớn
Độ rộng tuyệt đối (Spr) là hiệu số giữa gi đặt b n thấp nhất và gi đặt mua cao nhất:
Sprt = pt A - pt B
ptA: gi b n thấp nhất t i thời điểm t
KLTN kinh tế học
Trang 22ptB: gi mua cao nhất t i thời điểm t
Cũng nh độ sâu, để cải thiện c c tính chất phân phối của độ rộng tuyệt đối,
ta có thể lấy logarit tự nhiên (ln) nh sau:
Ln(Sprt) = ln(pt
A
– pt B
)
1.3.3 Phư ng pháp đo lường liên hệ thời gian giao dịch:
+ Thời gian giữa các giao dịch (trading time): Wt
Thời gian giao dịch liên quan đến thanh khoản càng ngắn thì ta có tín hiện thanh khoản cao Điều này đã đ ợc làm s ng tỏ và ứng dụng trong nhiều nghiên cứu
nh của Lee & Swaminatha (2000), Chordia, R Roll và A Subrahmanyam (2001), Grullon & Weston (2002), Rico von wyss (2004)
ti: thời gian xảy ra giao dịch i
ti-1: thời gian xảy ra giao dịch i-1
+ Số giao dịch trong một đ n vị thời gian: Nt
Nt là số giao dịch xảy ra từ thời điểm t-1 đến t Số giao dịch càng lớn thì tính thanh khoản càng cao
1.3.4 Phư ng pháp đo lường liên hệ độ co giãn:
C c tỷ số liên quan đến thanh khoản đã đ ợc làm s ng tỏ và ứng dụng trong nhiều nghiên cứu nh của Hui & Heubel (1984), Cooperm Grother & Avera (1985), Amihud & Mendelson (1986), Amihud (2002), Spiegel & Wang (2005),…
+ Tỷ số thanh khoản Hui – Heubel (1984):
Pmax: mức gi cao nhất trong 5 ngày
Pmin: mức gi thấp nhất trong 5 ngày
V: tổng gi trị giao dịch trong 5 ngày
KLTN kinh tế học
Trang 23S: số cổ phiếu đang l u hành
P: trung bình gi đóng cửa trong 5 ngày
Tỷ số này cho thấy mối quan hệ giữa sự biến động gi cổ phiếu và KLGD trong khoản thời gian 5 ngày giao dịch LRHH càng thấp thì cổ phiếu đ ợc xem xét càng thanh khoản
Tuy nhiên, nó có nh ợc điểm là thời gian giao dịch 5 ngày là qu dài để tìm
ra sự bất th ờng của thị tr ờng Thực tế cho thấy, gi cổ phiếu có thể điều chỉnh nhanh chóng cho vấn đề thanh khoản
+ Tỷ số Amivest (1985):
Ph ng ph p đo l ờng thanh khoản này đ ợc đề xuất bởi Amihud (1985) Chỉ số Amivest tính to n gi trị giao dịch là bao nhiêu để t o ra 1% sự thay đổi gi Chỉ số này càng cao thì thanh khoản của cổ phiếu càng cao Theo công thức này thì những ngày có lợi nhuận bằng 0 sẽ bị lo i trừ
Amivest = =
D : số ngày có lợi nhuận kh c 0
Ri,D : tỷ suất sinh lợi của giao dịch i vào ngày D
Vi, D : gi trị giao dịch i vào ngày D
+ Chỉ số Amihud (2002) :
Đây là chỉ số ng ợc với chỉ số Amivest , đ ợc đ a ra bởi Amihud (2002) để
đo l ờng tính kém thanh khoản của cổ phiếu Khi tính to n theo công thức này thì những ngày có khối l ợng giao dịch bằng 0 sẽ bị lo i trừ Ng ợc l i với chỉ số
Amivest, chỉ số này càng cao thì thanh khoản của cổ phiếu càng thấp
+ Chỉ số thanh khoản Bruner (1996):
Brunner =
KLTN kinh tế học
Trang 24Dùng để đo l ờng sự thay đổi giá trên một lần giao dịch trong ngày Chỉ số này càng cao thì tính thanh khoản càng thấp
1.4 Dữ liệu nghiên cứu:
Dữ liệu nghiên cứu là chỉ số chứng khoánVN30-Index đ ợc thu thập từ trang web cophieu68.com Số liệu đ ợc thu thập theo ngày giao dịch từ 06/02/2012 đến 31/03/2015
1.5.Phư ng pháp nghiên cứu:
1.5.1 Vấn đề c bản về chuỗi thời gian:
1.5.1.1 Chuỗi thời gian là gì:
Chuỗi quan s t đ ợc thu thập trên cùng một đối t ợng t i c c mốc thời gian
c ch đều nhau gọi là chuỗi thời gian Nh vậy, số liệu chuỗi thời gian cho thông tin
về cùng một đối t ợng t i c c thời điểm kh c nhau
Phân tích chuỗi thời gian sẽ là qu trình nghiên cứu hành vi, khuôn mẫu trong qu khứ của một biến số nào đấy và từ đấy sử dụng những thông tin này để dự
b o những thay đổi trong t ng lai
1.5.1.2 Các thành phần của chuỗi thời gian
Theo c c ph ng ph p truyền thống, chuỗi thời gian gồm c c thành phần sau:
Thành phần xu thế (Trend component) – T
Yếu tố mùa vụ (Seasonality) – S
Yếu tố có tính chất chu kỳ (Cyclical) – C
KLTN kinh tế học
Trang 25chung của chuỗi Trong tr ờng hợp yếu tố thời vụ phụ thuộc yếu tố xu thế và yếu tố chu kỳ thì nên sử dụng mô hình nhân
1.5.2 Các vấn đề liên quan đến tính dừng:
1.5.2.2 Khái niệm tính dừng
Một qu trình ngẫu nhiên Yt đ ợc coi là dừng nếu kỳ vọng (trung bình),
ph ng sai không đổi theo thời gian và hiệp ph ng sai giữa hai thời điểm chỉ phụ thuộc vào khoảng c ch và độ trễ về thời gian giữa hai thời đo n này chứ không phụ thuộc vào thời điểm thực tế mà đồng ph ng sai đ ợc tính
Cụ thể, Yt đ ợc gọi là dừng nếu:
Trung bình: E (Yt) = µ = const
Ph ng sai: Var (Yt) = E (Yt –µ)2 = σ2
= const
Đồng ph ng sai: Cov (Yt-k, Yt) = E [(Yt – µ) (Yt-k – µ)]= γk = const
Qu trình ngẫu nhiên Yt đ ợc coi là không dừng nếu nó vi ph m ít nhất một trong ba điều kiện trên
1.5.2.3 Hậu quả của chuỗi không dừng:
Theo Gujarati (2003) cho rằng nếu một chuỗi thời gian mà không dừng, chúng ta chỉ có thể nghiên cứu hành vi của nó trong thời gian đang xem xét Lúc này, chúng ta chỉ xem xét đ ợc những tình tiết của hiện t i và qu khứ chứ không
dự b o đ ợc t ng lai, vì biến động một c ch không hội tụ, tức gi trị qu khứ lúc này t c động đến gi trị hiện t i một c ch vô h n và không bao giờ kết thúc Khi xây dựng c c mô hình dự b o, chúng ta giả định rằng c c xu h ớng hiện t i và qu khứ giữ nguyên chiều h ớng vận động cho t ng lai Do vậy, nếu thực hiện mô hình hóa trên một chuỗi dữ liệu không dừng thì việc dự b o cho t ng lai rất cập kê và
d ờng nh không có ý nghĩa
Một vấn đề kh c liên quan đến tính không dừng khi làm việc với chuỗi thời gian là vấn đề t ng quan giả m o (spurious) Nếu nh mô hình có ít nhất một biến độc lập không dừng, biến này thể hiện xu thế tăng (giảm) và nếu biến phụ thuộc cũng có cùng xu thế nh vậy, thì khi ớc l ợng mô hình có thể ta sẽ thu đ ợc ớc
l ợng hệ số ý nghĩa thống kê cao và R2
cao Những thông tin này có thể là giả m o
KLTN kinh tế học
Trang 26R2 cao có thể là do hai biến này có thể có cùng xu thế Yule (1926) đã đề cập đến vấn đề này Granger Newbold (1974) đã có đóng góp có ý nghĩa về hồi quy giả
m o Hai t c giả đã lấy hai chuỗi thời gian độc lập với nhau và ớc l ợng mô hình
Tỷ số T nhận đ ợc kh lớn và R2
cũng kh lớn Lúc này, vấn đề dự b o tất nhiên sẽ không chính xác
1.5.2.4 Cách kiểm định tính dừng của chuỗi thời gian:
Tính dừng của chuỗi thời gian có thể đ ợc nhận biết dựa trên đồ thị của chuỗi thời gian, đồ thị hàm tự t ng quan mẫu hay kiểm định Dickey-Fuller (kiểm định nghiệm đ n vị) Nếu đồ thị Y=f(t) của chuỗi thời gian cho thấy trung bình và ph ng sai của qu trình Yt không đổi theo thời gian, thì chuỗi thời gian
đó có thể có tính dừng
1.5.2.4.1 Tự tương quan ACF (Autocorrelation function)
ACF với độ trễ k, ký hiệu bằng ρk, đ ợc x c định nh sau:
Hàm tự t ng quan đo l ờng sự phụ thuộc tuyến tính giữa c c cặp quan s t
Yt và Yt-k Một chuỗi thời gian đ ợc xem là dừng khi ACF giảm nhanh hay “tắt dần” nhanh về 0 sau 2 đến 3 độ trễ
Chúng ta có thể xem xét thống kê Q của Ljung – Box và gi trị x c suất
t ng ứng Thống kê Q đ ợc tính nh sau:
Với cỡ mẫu lớn, Q có phân phối theo chi bình ph ng với bậc tự do bằng số
độ trễ Nếu gi trị thống kê Q tính to n lớn h n gi trị thống kê Q quan s t ở một mức ý nghĩa x c định thì ta b c bỏ giả thiết H0, tức là chuỗi dữ liệu có tính dừng
KLTN kinh tế học
Trang 271.5.2.4.3 Tự tương quan mẫu PACF (Partial Autocorrelation function):
Hệ số này phản nh t ng quan của Yt và Yt-k khi đã lo i trừ c c ảnh h ởng của
c c độ trễ từ 1 đến k-1 Do đó, để đo độ kết hợp riêng rẽ giữa Yt và Yt-k ta sử dụng hàm
t ng quan mẫu PACF với hệ số t ng quan ρkk đ ợc ớc l ợng theo công thức nh sau:
1.5.2.4.4 Kiểm định Dickey-Fuller (kiểm định nghiệm đơn vị- Unit root test):
Ph ng ph p này đ ợc Dickey và Fuller ph t hiện vào năm 1979 để kiểm tra một chuỗi thời gian có phải có tính dừng hay không, đ ợc sử dụng phổ biến h n biểu đồ tự t ng quan Chuỗi là b ớc ngẫu nhiên (Random Walk) hay Yt = α*Yt-
1+Ut nếu với α=1 thì chuỗi thời gian không có tính dừng (trong đó Ut là nhiễu trắng)
H0: α = 1 (Yt là chuỗi không có tính dừng)
H1: α < 1 (Yt là chuỗi có tính dừng)
1.5.2.4.5 Nhiễu trắng(white noise):
Tính dừng là một giả định yếu h n giả định phân phối chuẩn Tuy nhiên, hồi quy với chuỗi thời gian có tính dừng sẽ cho ta c c thống kê đ ng tin cậy Chỉ cần số quan sát tăng lên thì độ tin cậy càng lớn Do vậy, sai số ut không nhất thiết phải tuân theo phân phối chuẩn miễn là mẫu quan s t đủ lớn Thay vào đó, ut đ ợc giả định là
Trang 28biệt của chuỗi dừng C c điều kiện này hàm ý rằng chúng ta không thể dự b o đ ợc nhiễu trắng từ những gi trị trung bình trong qu khứ của chính nó Nếu ut còn có tự
t ng quan thì điều đó có nghĩa là còn những thông tin ẩn chứa trong ut mà chúng
ta có thể khai th c để cải thiện mô hình hồi quy
1.5.2.4.6 Bước đi ngẫu nhiên (Random Walk):
Nếu: Yt = Yt-1 + ut
Trong đó : ut là nhiễu trắng thì Yt đ ợc gọi là b ớc ngẫu nhiên
Nếu đ a thêm vào mô hình b ớc ngẫu nhiên một hằng số thì Yt đ ợc gọi là
b ớc ngẫu nhiên có bụi (random walk with driff):
Yt = α + Yt-1 + ut
1.4.1.5 Biến đổi chuỗi không dừng thành chuỗi dừng
Xét quá trình Yt ngẫu nhiên (Random Walk): Y t =Y t-1 +U t với Ut là nhiễu trắng
Ta lấy sai phân cấp I của Yt: D (Y t ) = Y t -Y t-1 = U t Trong tr ờng hợp này D (Yt) là chuỗi dừng vì Ut là nhiễu trắng Tr ờng hợp tổng qu t, với mọi chuỗi thời gian nếu sai phân cấp I của Yt ch a dừng ta tiếp tục lấy sai phân cấp II, III… C c
nghiên cứu đã chứng minh luôn tồn t i một gi trị d x c định để sai phân cấp d của
Yt là chuỗi dừng Khi đó Yt đ ợc gọi là liên kết bậc d, ký hiêu là I (d)
Sai phân cấp d đ ợc lấy nh sau:
Sai phân cấp I của Yt: D(Yt)=Yt-Yt-1
Sai phân cấp II: D(D(Yt))=D2(Yt)=(Yt-Yt-1)-(Yt-1-Yt-2)
tr ợt), và tên của họ th ờng đ ợc dùng để gọi tên c c qu trình ARIMA tổng qu t,
p dụng vào việc phân tích và dự b o c c chuỗi thời gian Ph ng ph p
Box-KLTN kinh tế học
Trang 29Jenkins với bốn b ớc: nhận d ng mô hình thử nghiệm; ớc l ợng; kiểm định bằng chẩn đoán và dự b o
Mô hình sử dụng dữ liệu chuỗi thời gian, xem gi trị trong qu khứ của một biến số cụ thể là một chỉ tiêu tốt phản nh gi trị trong t ng lai của nó, cụ thể, cho
Yt là gi trị của biến số t i thời điểm t với Yt = f(Yt-1, Yt-2, , Y0, t)
1.4.2.2 Quá trình tự hồi quy (AR – Autoregressive Process)
Ý t ởng chính của mô hình AR(p) là hồi quy trên chính số liệu qu khứ ở những chu kì tr ớc
Y t = 0+ 1Y(t-1) + 2Y(t-2) +… pY(t-p) + ut
Trong đó :
Y t: quan s t dừng hiện t i
Y t-1, Y t-2 : quan s t dừng qu khứ
0, 1, 2…: c c tham số phân tích hồi quy
ut : sai số dự b o ngẫu nhiên của giai đo n hiện t i (hay còn gọi là nhiễu trắng) Gi trị trung bình đ ợc mong đợi bằng 0
Yt là một hàm tuyến tính của những quan s t dừng qu khứ Y t-1, Y t-2, … Nói
cách khác, khi sử dụng phân tích hồi quy Y t theo c c gi trị chuỗi thời gian dừng có
độ trễ, chúng ta sẽ đ ợc mô hình AR (yếu tố xu thế đã đ ợc t ch khỏi yếu tố thời gian, chúng ta sẽ mô hình hóa những yếu tố còn l i – đó là sai số)
Số quan s t dừng qu khứ sử dụng trong mô hình hàm tự t ng quan là bậc p của mô hình AR Nếu ta sử dụng hai quan s t dừng qu khứ, ta có mô hình t ng quan bậc hai AR(2)
Điều kiện dừng là tổng c c tham số phân tích hồi quy nhỏ h n 1 :
1+ 2+ … + p< 1
Mô hình AR(1) : Y t = 0 + 1Yt-1+ ut
Mô hình AR(2) : Y t = 0 + 1Yt-1 + 2Yt-2 +ut
1.4.2.3 Quá trình trung bình trượt (MA – Moving Average)
KLTN kinh tế học
Trang 30Quan s t dừng hiện t i Y t là một hàm tuyến tính phụ thuộc c c biến sai số dự
b o qu khứ và hiện t i Mô hình MA là một trung bình trọng số của những sai số mới nhất
1, 2, 3 : gi trị trung bình của Y t và c c hệ số bình quân di động
q : sai số qu khứ đ ợc dùng trong mô hình bình quân di động, nếu ta sử dụng hai sai số qu khứ thì sẽ có mô hình bình quân di động bậc 2 là MA(2)
Điều kiện cần là tổng c c hệ số bình quân di động phải nhỏ h n 1 :
+ +…+ < 1
Mô hình MA(1) : Y t = + u t + 1ut-1
Mô hình MA(2) : Y t = + u t + 1ut-1 + 2ut-2
1.4.2.4 Quá trình trung bình trượt và tự hồi quy ARMA
C chế để sản sinh ra Y không chỉ là riêng AR hoặc MA mà có thể còn là sự kết hợp cả hai yếu tố này Khi kết hợp cả hai yếu tố chúng ta có qu trình gọi là qu trình trung bình tr ợt và tự hồi quy
Yt là qu trình ARMA(1,1) nếu Y có thể biểu diễn d ới d ng:
Trang 31Nếu chuỗi Yt đồng liên kết bậc d, p dụng mô hình ARMA (p,q) cho chuỗi sai phân bậc d thì chúng ta có qu trình ARIMA (p,d,q) Trong đó, p là bậc tự hồi quy, d là số lần lấy sai phân chuỗi Yt để đ ợc một chuỗi dừng, q là bậc trung bình
tr ợt (p và q là bậc t ng ứng của chuỗi dừng)
AR(p) là tr ờng hợp đặc biệt của ARIMA (p,d,q), khi d=0 và q=0
MA(q) là tr ờng hợp đặc biệt của ARIMA (p,d,q), khi d=0 và p=0
ARIMA(1,1,1) – nghĩa là chuỗi Yt có sai phân bậc 1 là chuỗi dừng Chuỗi sai phân dừng này có thể biểu diễn d ới d ng ARMA (1,1)
1 1 0 1 1
Bước 1: Định d ng mô hình Tìm ra đ ợc c c gi trị d, p, q
Bước 2: Ước l ợng mô hình
Bước 3: Kiểm định giả thiết Ở b ớc này cần chọn ra một mô hình phù hợp nhất
với c c số liệu hiện có Kiểm định đ n giản nhất là kiểm định tính dừng của c c phần
d Nếu phần d có tính dừng thì mô hình chấp nhận đ ợc Nh vậy qu trình BJ là một qu trình lặp cho đến khi nào tìm đ ợc mô hình thỏa đ ng
Bước 4: Dự b o - Một trong c c lý do để mô hình ARIMA đ ợc a chuộng
là những dự b o bằng mô hình này, đặc biệt là dự b o trong ngắn h n, tỏ ra thực tế
h n so với c c mô hình kinh tế l ợng truyền thống
KLTN kinh tế học
Trang 32Hình 1.1 - Quy trình của phư ng pháp Box-Jenkins
(Nguồn: Gary Koop - Analysis of financial data -Time series analysis)
d ng mô hình ARIMA Có rất nhiều ph ng ph p để tìm đ ợc p và q Không có
ph ng ph p nào có u thế tuyệt đối Ng ời ta dùng nhiều ph ng ph p để so s nh chọn ra c c gi trị p và q thích hợp Qu trình tìm ra p và q là một “nghệ thuật” đòi hỏi phải có những kinh nghiệm nhất định
L ợc đồ t ng quan và tự t ng quan riêng
Trên l ợc đồ này, vẽ ACF và PACF theo độ dài của trễ Đồng thời cũng vẽ
đ ờng phân giải chỉ khoảng tin cậy 95% đ ợc tính bằng ± (1,96/ n ) cho hệ số tự
t ng quan (ACF) và hệ số tự t ng quan riêng (PACF) Dựa trên l ợc đồ này ta có thể biết đ ợc c c hệ số tự t ng quan (hoặc c c hệ số tự t ng quan riêng) nào khả
Dự báo
Vẽ biểu đồ
chuỗi giá trị
Chuỗi dừng hay không?
Lấy sai phân chuỗi
Thay đổi
mô hình
KLTN kinh tế học
Trang 33dụng Từ đó có thể đ a ra c c gi trị p và q của c c qu trình AR(p) và MA(q)
kk đo mức độ kết hợp giữa Yt và Yt-k sau khi đã lo i bỏ ảnh h ởng của
Yt-1,… Yt-k+1 ,do đó nếu ρkk = 0 với k > p và ρi (i = 1,2…) giảm theo hàm mũ hoặc
theo hình sin thì ta có quá trình AR(p)
Nếu k (k = 1,2…) giảm dần theo hàm mũ hoặc theo hình sin với k = 0 (k
> q), thì ta có quá trình MA(q)
C c d ng lý thuyết của ACF và PACF:
Bảng 1.2 - Các dạng lý thuyết của ACF và PACF Loại mô
hình Dạng tiêu biểu của AFC Dạng tiêu biểu của PAFC
MA(q)
Đỉnh cao đ ng kể qua c c độ trễ q
Suy giảm theo số mũ hay với
L u ý rằng c c ACF và PACF của c c qu trình AR(p) và MA(q) có các
d ng tr i ng ợc; trong tr ờng hợp AR(p), ACF giảm theo cấp số mũ nh ng PACF
đ t tới giới h n sau một số độ trễ nhất định, tr i l i hiện t ợng đối ng ợc sẽ xảy ra
đối với qu trình MA(q)
L u ý: do trên thực tế ta không quan s t c c ACF và PACF lý thuyết mà dựa vào c c dữ liệu mẫu của chúng, c c gi trị ACF và PACF ớc l ợng sẽ không phù hợp chính x c với c c gi trị lý thuyết Cái mà ta đang tìm kiếm là sự giống nhau giữa c c ACF và PACF lý thuyết với c c dữ liệu mẫu đề từ đó chúng có thể chỉ cho
KLTN kinh tế học
Trang 34ta h ớng đi đúng trong việc xây dựng c c mô hình ARIMA Một số d ng lý thuyết của ACF và PACF tiêu biểu:
KLTN kinh tế học
Trang 35d MA(2) : Y t = + u t + 1ut-1 + 2ut-2
KLTN kinh tế học
Trang 36Hình 1.5 Quá trình ARIMA(1,1)
Các công cụ thống kê đánh giá độ chính xác dự báo: Có nhiều tiêu
chuẩn để lựa chọn một mô hình thích hợp Hẩu hết c c tiêu chuẩn này đều xuất ph t
từ l ợc đồ t ng quan Nghĩa là giả thiết rằng d là đã biết, vấn đề là lựa chọn p và q
thích hợp Có thể chia làm 2 nhóm sau:
Nhóm 1:
Akaike (Akaike Infor Criterion, 1974) đã đề xuất: AIC =
Schwarz (Schwarz Infor Criterion, 1978) đã đề xuất : SIC=
Trong đó:
- n: số l ợng quan s t
- r: tổng số c c số h ng trong mô hình ARIMA (kể cả số h ng là hằng số)
Mô hình đư c lựa chọn là mô hình có AIC hoặc SIC tối thiểu
Nhóm 2:
MAE (Mean Absolute Error): Sai số dự b o tuyệt đối trung bình
n t
t 1
1ˆ
t 1 t
ˆu1MAPE
n y
MSE (Mean Squared Error): Sai số bình ph ng trung bình
n 2 t
RMSE Sai số bình ph ng trung bình gốc: RMSE MSE
Trong đó: ˆut là sai số dự b o trong giai đo n t
t
y là gi trị thực tế trong giai đo n t
n là số quan s t trong giai đo n kiểm tra
Theil (Theil Inequality Coeficient): Hệ số không ngang bằng T
Trang 37RMSETheil
RMSE
Hệ số này chính là tỷ số giữa RMSE của mô hình dự b o gốc và RMSE của
mô hình Naive Mô hình Naive đ n giản sử dụng gi trị yt cho gi trị dự b o kế tiếp yt+1 Nếu gi trị Theil U càng tiến về 0 thì mô hình dự b o càng chính x c Gi trị này lớn h n 1 hàm ý rằng sai số dự b o mô hình gốc lớn h n mô hình Naive, do
đó mô hình là ch a tốt để tiến hành dự b o Trong thực tế, gi trị U < 0.55 đ ợc
đ nh gi là rất tốt
Bias (Bias Proportion) :Tỷ lệ chệch
Cho biết c c gi trị trung bình dự b o kh c biệt nh thế nào so với trung bình
1.4.3.6.2 Ước lượng mô hình
Sau khi định d ng mô hình, ta biết đ ợc d - bậc của sai phân đối với chuỗi xuất ph t để thu đ ợc một chuỗi dừng Đối với chuỗi dừng này ta cũng đã biết c c
gi trị p và q Do đó ta dùng ph ng ph p bình ph ng nhỏ nhất (OLS) để ớc
l ợng mô hình ARIMA này
1.4.3.6.3 Kiểm định tính thích hợp của mô hình
Bằng c ch nào chúng ta biết đ ợc mô hình đã lựa chọn thích hợp với c c số liệu thực tế Nếu nh mô hình là thích hợp thì c c yếu tố ngẫu nhiên phải là nhiễu trắng Do đó để xem mô hình có phù hợp hay không thì chúng ta phải kiểm định tính dừng của c c phần d Kết quả ớc l ợng mô hình ARIMA cho ta phần d Dùng kiểm định Dickey-Fuller để kiểm định xem et có phải là nhiễu trắng hay không
Nếu nh et không phải là nhiễu trắng thì phải định d ng l i mô hình và qu trình
đó cứ đ ợc tiếp tục cho đến khi nào đ ợc một mô hình thích hợp Nh vậy đúng nh
đã nói ở trên, ph ng pháp Box – Jenkins là ph ng ph p lặp Cụ thể, ta tiến hành
KLTN kinh tế học
Trang 38c c b ớc sau:
+ Sai số dự báo là ngẫu nhiên và phân phối chuẩn:
ut là yếu tố ngẫu nhiên trong mô hình hồi quy Nếu: ut có trung bình bằng 0,
ph ng sai không đổi và hiệp ph ng sai bằng 0 Khi đó ut đ ợc gọi là nhiễu trắng (White noise) Hay ut là nhiễu ngẫu nhiên nếu thoã mãn c c điều kiện:
+Thống kê (LB) Ljung-Box: Ý nghĩa thống kê của bất kỳ k nào đều có thể
đ ợc đ nh gi bởi sai số chuẩn của nó Bartlett đã chỉ ra rằng nếu một chuỗi thời
gian là thuần tuý ngẫu nhiên, tức là nó thể hiện white noise, thì c c hệ số tự t ng
quan mẫu sẽ đ ợc phân bổ gần nh chuẩn với trung bình bằng 0 và ph ng sai = Theo c c tính chất của phân phối chuẩn ho thì khoảng tin cậy 95% đối với kbất kỳ sẽ bằng Do vậy nếu c c gi trị ớc tính của k nằm trong khoảng ( ; ) thì chúng ta sẽ không lo i trừ giả thiết rằng gi trị thật của k = 0 Thống
kê (LB) Ljung-Box đ ợc p dụng để kiểm tra độ lớn của ACF sai số có ý nghĩa hay không:
H0: 1 = 2= 3= 4…= k=0
H1: 1 2 3 4… k 0
KLTN kinh tế học
Trang 39Trong đó:
- bình ph ng ACF cho c c độ trễ k (k=1,2,…m);
- n=số quan s t chuỗi dữ liệu dừng;
- m=thời l ợng của độ trễ, cũng chính là số bậc tự do;
- Nếu gi trị LB tính ra đ ợc < gi trị tới h n tra bảng thì không có c sở
để b c bỏ H0 hay mô hình là phù hợp
1.4.3.6.4 Dự báo
Sau khi đã ớc l ợng đ ợc một mô hình tốt, ta sẽ sử dụng mô hình này để dự
b o Giả sử rằng ta có mô hình ARIMA(1,1,0), tức là ta có mô hình sau đây;
t t
1.2.4 Lý thuyết mô hình ARCH/GARCH
1.2.4.1 Mô hình ARCH:
Mô hình ARCH do Engle phát triển năm 1982, mô hình này cho rằng
ph ng sai của h ng nhiễu t i thời điểm t phụ thuộc vào các h ng nhiễu bình
Trang 40ph ng ở c c giai đo n tr ớc Engle cho rằng tốt nhất chúng ta nên mô hình hoá đồng thời giá trị trung bình và ph ng sai chuỗi số liệu khi nghi ngờ rằng giá trị
ph ng sai thay đổi theo thời gian
Mô hình đ n giản nh sau:
Yt = β1 + β2Xt + ut
Trong đó Xt là một vect k x 1 các biến giải thích và B2 là một vect k x 1 các hệ số
Thông th ờng ut đ ợc giả định có phân phối chuẩn với trung bình bằng 0 và
ph ng sai không đổi là σ2
Giả định này đ ợc viết nh sau:
ut~ N(0, ht)
Ý t ởng của Engle bắt đầu từ sự thật ông cho phép ph ng sai của các h ng nhiễu phụ thuộc vào các giá trị quá khứ, hay ph ng sai thay đổi theo thời gian Một cách để mô hình hoá ý t ởng này là cho ph ng sai phụ thuộc vào các biến trễ của các h ng nhiễu bình ph ng Điều này có thể đ ợc minh ho nh sau:
ht =γ0 +γ1u2t-1 (1.2)
Ở đây ph ng trình (1.1) đ ợc gọi là ph ng trình ớc l ợng giá trị trung bình và ph ng trình (1.2) đ ợc gọi là ph ng trình ớc l ợng ph ng sai Để đ n giản cho việc thể hiện công thức của ph ng trình ph ng sai ta thể hiện ký hiệu ht
thay cho σ2
t Mô hình ARCH(1) cho rằng khi có một cú sốc lớn ở giai đo n t-1 thì
KLTN kinh tế học