Báo Cáo Giữa Kỳ Áp Dụng Mô Hình Garch Vào Phân Tích Cổ Phiếu Ngân Hàng Tmcp Quân Đội Việt Nam (Mb Bank.pdf

Suốt chiềudài lịch sử phát triển của thị trường chứng khoán, các nhà làm chính sách, tổ chức tư vấn và nhà đầu tư luôn cố gắng dự báo sự biến động của thị trường thông qua chỉ số Vnindex

HỌC VIỆN CHÍNH SÁCH VÀ PHÁT TRIỂN

KHOA KINH TẾ SỐ

BÁO CÁO GIỮA KỲ

CHỦ ĐỀ

ÁP DỤNG MÔ HÌNH GARCH VÀO PHÂN TÍCH C PHI U Ổ Ế NGÂN HÀNG

TMCP QUÂN Đ I Ộ VI T Ệ NAM (MB BANK)

Gi ng ả viên h ướ d n ng ẫ : TS Đàm Thanh Tú

Nhóm sinh viên th c ự hi n: ệ Nguy n ễ Thị Anh

Vũ Th Ánh ị Nguy n ễ Vi t ế Dũng

LỜI MỞ ĐẦU

Trải qua hơn 20 năm, một chặng đường không phải là dài đối với lịch sử thị trườngchứng khoán Việt Nam nếu như đem so sánh với các thị trường chứng khoán tiên tiếnkhác Tuy nhiên, thị trường chứng khoán Việt Nam đã trải qua những thăng trầm như:tăng tốc, tăng trưởng bong bóng, lao dốc không phanh, khủng hoảng, sideway Suốt chiềudài lịch sử phát triển của thị trường chứng khoán, các nhà làm chính sách, tổ chức tư vấn

và nhà đầu tư luôn cố gắng dự báo sự biến động của thị trường thông qua chỉ số Vnindexnhưng các nhân tố tác động vào thị trường Việt Nam rất đa dạng và biến đổi khó lường.Bên cạnh đó, yếu tố hành vi chi phối phần lớn biến động thị trường và sự biến động nàytương đối phức tạp hơn so với thị trường thế giới

Việc phân tích và dự báo sự biến động của thị trường dựa vào kiểm soát mối tươngquan giữa các biến kinh tế vĩ mô và biến động thị trường dường như không mấy hiệu quả

và thường tạo ra kết quả sai lệch so với thực tế Nên việc dự báo về tài chính ngày càngđược nhiều người quan tâm trong bối cảnh phát triển kinh tế xã hội Một công cụ hữu íchđược các nhà nghiên cứu kinh tế thế giới áp dụng trong dự báo chuỗi giá chứng khoán đó

là sự kết hợp mô hình ARMA - GARCH Chính vì vậy, nhóm chúng em đã lựa chọn đề

tài: “Áp dụng mô hình GARCH vào phân tích cổ phiếu TMCP Quân đội Việt Nam( MB Bank)” nhằm xây dựng mô hình dự báo hiệu quả để dự báo tốt nhất xu hướng vận động

của chỉ số Vnindex trong giai đoạn hiện nay.

Nội dung của bài Báo cáo gồm 3 chương chính:

Chương 1: Giới thiệu về ngôn ngữ R

Chương 2: Cơ sở lý thuyết về phân tích và dự báo giá cổ phiếu theo mô

hình Garch

Chương 3: Thực nghiệm và đánh giá

M C Ụ L C Ụ

L I Ờ M Đ U Ở Ầ 1

M C Ụ L C Ụ 2

CH ƯƠ NG 1: GI I Ớ THI U Ệ V NGÔN NG Ề Ữ L P Ậ TRÌNH R 4

1 L ch ị sử ra đ i ờ c a ủ ngôn ngữ R 4

2 u Ư và nh ượ đi m c ể c a ủ ngôn ng l p ữ ậ trình R 4

3 ng Ứ d ng ụ c a ngôn ủ ngữ l p trình ậ R 5

4 Các th vi n ư ệ c a ủ R 5

CH ƯƠ NG 2: C S LÝ THUY T V MÔ HÌNH GARCH V PHÂN TÍCH C Ơ Ở Ế Ề Ề Ổ PHI U Ế C A Ủ NGÂN HÀNG MB BANK 8

2.1 Gi i thi u ớ ệ về ngân hàng MB Bank 8

2.2 Gi i thi u ớ ệ về các mô hình để phân tích và d báo ự 9 2.2.1 Mô hình t h iự ồ quy AR(p) 9

2.2.2 Mô hình trung bình trượ MA(q) 10t Trong m t quá trình trung bình trộ ượ t b c q, s li u t i th i đi m hi n t i ytậ ố ệ ạ ờ ể ệ ạ đượ tính b ic ở t ngổ trung bình có tr ngọ số giá trị c aủ các nhi uễ ng uẫ nhiên cho đ nế nhi uễ thứ q Mô hình MA(q) có d ngạ nh sauư 10

2.2.3 Mô hình t h iự ồ quy và trung bình trượ ARMA(p,q) 11t 2.2.4 Mô hình t ngổ quát tự đi uề ch nhỉ phươ sai có đi ung ề ki nệ khác nhau (GARCH)

12 CH ƯƠ NG 3: TH C Ự NGHI M Ệ VÀ ĐÁNH GIÁ 15

3.1 Mô t d ả ữ li u ệ 15

3.2 Gi i thi u ớ ệ các th vi n ư ệ 15

3.2 Tr c ự quan hóa dữ li u: ệ 16

3.3 Ch y ạ mô hình GARCH: 18

3.5 Đánh giá 21

3.6 Ki n ngh ế ị 22

K T Ế LU N Ậ 23

TÀI LI U Ệ THAM KH O Ả 24

CHƯƠNG 1: GIỚI THIỆU VỀ NGÔN NGỮ LẬP TRÌNH R.

1 Lịch sử ra đời của ngôn ngữ R:

R là môi trường dành cho việc phân tích dữ liệu và đồ thị thống kê với đa dạng các kỹthuật phân tích thống kê từ các mô hình tuyến tính và phi tuyến tính, các kỹ thuật kiểmđịnh thống kê, phân tích chuỗi thời gian và vô số các thuật toán nâng cao khác như

“machine learning” hay “deep learning”

Ngôn ngữ R là mã nguồn mở nên ai trong chúng ta cũng có thể phân tích sourcecode để hiểu được chính xác cách R vận hành Bất kỳ ai cũng có thể thêm tính năng và fixbug mà không cần chờ nhà phát hành ra bản vá Đồng thời, R có thể tích hợp được vớingôn ngữ khác (C,C++) Nó cũng cho phép chúng ta tương tác với nhiều nguồn dữ liệu vàcác gói thống kê (SAS, SPSS) R có một cộng đồng phát triển mạnh mẽ Giờ đây chúng ta

sẽ cùng tìm hiểu về R, để cảm nhận được "How powerfull is R" và lý do bạn cần họcngôn ngữ này

Ngôn ngữ lập trình R được đánh giá là một công cụ được sử dụng mạnh mẽ cho lĩnhvực học máy Người dùng có thể ứng dụng R cho bất kỳ hệ điều hành nào, vì bản thân nó

là một platform-independent (nền tảng độc lập) Bên cạnh đó, ngôn ngữ này không yêucầu hay buộc người dùng phải mua bản quyền Chính vì vậy mà việc cài đặt R cũng đơngiản hơn rất nhiều và hoàn toàn miễn phí

2 Ưu và nhược điểm của ngôn ngữ lập trình R:

• Có khả năng xử lý dữ liệu hiệu quả

• Cơ sở dữ liệu phong phú

• Có thể ứng dụng được ở mọi nơi vào bất kỳ thời gian nào, bao gồm cả việc kinhdoanh các sản phẩm từ R theo điều kiện giấy phép

• Chạy được trên tất cả các hệ điều hành vì là nền tảng độc lập

• Không có giới hạn cho bất kỳ một ai đưa ra ý tưởng phát triển các package mới vàfix bug

Nhược điểm

• Chính vì không giới hạn người phát triển package nên một vài cái có thể thiếu đi

sự hoàn hảo và dễ làm phát sinh bug

• Không thể tìm được nguồn để "complain" mỗi lúc code trở nên "vô dụng"

• Có dung lượng khá nặng, gần như chiếm hết bộ nhớ khả dụng của máy tính

• Tính năng bảo mật còn kém

3 Ứng dụng của ngôn ngữ lập trình R:

Với R, người dùng có thể thao tác và quản lý các dữ liệu thống kê một cách dễ dàng.Đây còn là môi trường phần mềm gồm các nhóm toán tử giúp cho việc tính toán mảng,vector, ma trận trở nên dễ dàng hơn

Bên cạnh đó, ngôn ngữ lập trình R cũng hỗ trợ rất tốt cho việc xây dựng các đồ họathống kê R được trang bị bộ công cụ lớn, có thể tích hợp để phân tích dữ liệu các loạingôn ngữ như C, C++, Fortran giúp cho việc tính toán được thực hiện nhanh chóng.Ngoài ra, điểm mạnh đáng chú ý khác của R là hỗ trợ các công cụ đồ thị rất chất lượng

và linh hoạt Điểm đặc biệt là R, một ngôn ngữ lập trình mã nguồn mở, được tải, cài đặt

và sử dụng hoàn toàn miễn phí cho tất cả người dùng với hơn 17634 gói chức năng(package) cũng như rất nhiều các hàm tính toán thống kê và đồ thị

Mỗi package được lập trình và chạy trên môi trường R để phân tích một hoặc một sốvấn đề chuyên môn nào đó R ngày càng phổ biến và chúng ta nên biết cách sử dụng vớicác lợi ích được tóm tắt như sau:

● Mã nguồn mở và hoàn toàn miễn phí

● Đa dạng và liên tục cập nhật các kỹ thuật phân tích và đồ thị thống kê

● Cộng đồng người dùng lớn mạnh với các tài liệu tham khảo phong phú

● Phù hợp với các hệ điều hành UNIX, FreeBDS, Linux, Windows và MacOS

4 Các thư viện của R:

● caret: Package này t pậ trung vào h cọ máy và cung c pấ các công c đ xâyụ ể d ngự

và đánh giá mô hình d đoán.ự

● tidyr: Package này giúp b n chu n hóa và bi n đ i d li u thành các đ nh ạ ẩ ế ổ ữ ệ ị

d ngạ phù h pợ để phân tích và tr cự quan hóa

● shiny: Package này cho phép b nạ t oạ ra ng d ngứ ụ web tươ tác sử d ngng ụ

R, giúp chia s và trìnhẻ bày k tế qu phânả tích m tộ cách tr cự quan

● tidyverse: Gói package khá đình đám bao gồm ggplot2, tibble, stringr, readr, dplyr, tidyr, purrr, forcats

● tibble: Thay thế data.frame của R

● stringr: Thay thế kiểu chuỗi trong R

● psycho: Gọi là thư viện tâm lý học vậy thôi… chứ nó đa năng lắm

● RoughSets: Thư viện tập thô, chuyên dùng để rút gọn thuộc tính

● mlr: Dành cho các bạn đam mê Machine Learning

● RWeka: R interface đình đám cho Weka - một phần mềm Data Mining rấtmạnh

● Leaflet: Một thư viện bản đồ tương tác (phải dùng devtools để cài)

● Keras: Neural networks, Deep Learning với R

● h2o: Một thư viện Machine Learning rất mạnh hệ sinh thái doanh nghiệp

● FRAPO: Quản lí rủi ro, tối ưu đầu tư

● rvest: Web scraping với R

● scatterplot3d: Một thư viện đồ họa mạnh mẽ

● sparklyr: Làm việc với Spark do dân BigData

● funModeling: Một tool-box thú vị của 5.

● rgl: Một thư viện OpenGL có thể xuất ra WebGL, PNG, SVG, PLY, OBJ,….Đây ch là m tỉ ộ số ví d và không ph iụ ả là toàn b các gói package có s nộ ẵ trong R.Khi m iớ b tắ đ uầ sử d ngụ R, b nạ nên tìm hi uể xem li uệ gói package b nạ c nầ có đã

đượ cài hay ch ac ư Thườ các gói package trên R đng ượ vi tcế t C/C++ qua chừ ứkhông ph iả trên ngôn ngữ R nên t cố độ khá nhanh N uế b nạ mu nố k tế h pợ tr nộ l nẫ

gi a các ngôn ng khác nhau trong R, có vài interfaces h tr nh Rcpp (cho C++),

rJava (cho Java), rPython (cho Python) và g nầ đây là cả V8 (cho Javascript)

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ MÔ HÌNH GARCH VỀ PHÂN TÍCH CỔ PHIẾU CỦA NGÂN HÀNG MB BANK.

2.1 Giới thiệu về ngân hàng MB Bank.

Tên đầy đủ của MB Bank: Ngân hàng thương mại cổ phần Quân Đội

● Tên giao dịch bằng tiếng Anh: Military Commercial Joint Stock Bank

● Tên viết tắt: MB Bank

MBBank cũng đã mở rộng mạng lưới, phủ sóng toàn quốc với hơn 100 chi nhánh, 190 điểm giao dịch Bên cạnh đó, ngân hàng MB còn xây dựng mạng lưới quốc tế với văn phòng đại diện ở Lào, Campuchia và Liên Bang Nga

Lĩnh v cự ho tạ đ ngộ c aủ ngân hàng MB:

D chị vụ thẻ ngân hàng MB

D chị vụ ngân hàng đi nệ tử MBBank

S nả ph mẩ ti nề g iử ti tế ki mệ ngân hàng MB

● Công ty cổ phần chứng khoán MB.

● Công ty Tài chính TNHH MB Shinsei

● Công ty TNHH Bảo hiểm Nhân thọ MB Ageas (MBAL)

● Công ty cổ phần Quản lý Quỹ đầu tư MB

● Công ty Quản lý nợ và Khai thác tài sản Ngân hàng Quân Đội (AMC)

● Tổng công ty cổ phần Bảo hiểm Quân đội (MIC)

2.2 Giới thiệu về các mô hình để phân tích và dự báo:

2.2.1 Mô hình t h iự ồ quy AR(p):

Trong một quá trình tự hồi quy bậc p, số liệu tại thời điểm hiện tại yt được tạo ra bởimột tổng trung bình có trọng số của các giá trị trong quá khứ tính cho đến giá trị quá khứthứ p (yt-k) Mô hình tự hồi quy tổng quát chỉ có các giá trị hiện tại và quá khứ của Yđược sử dụng trong mô hình và không có biến hồi quy nào khác Giá trị của Y tương laiphụ 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 Mô hình AR(p) có dạngnhư sau:

𝒚𝒕 = 𝝁 + 𝝓𝟏 𝒕−𝟏 𝒚 + 𝝓𝟐 𝒕−𝟐 𝒚 + ⋯ + 𝝓𝒑 𝒕−𝒑 𝒚 + 𝗌𝒕 (1.1)

Trong đó: là nhiễu trắng, , 𝜀𝑡 𝜙1𝜙2 , 𝜙𝑝 là những thông số cần tìm, μ là hệ số chặn

Mô hình AR(p) nếu nó là quá trình dừng đòi hỏi phương trình (1.1) phải có nghiệmnằm ngoài đĩa tròn đơn vị (−1 ≤ ≤ 1) Nếu giá trị tuyệt đối > 1, Y sẽ có xu hướng càngϕ ϕngày càng lớn và vì thế có thể trở thành một chuỗi gia tăng đột biến

Mô hình AR(p) với ưu điểm là cho phép dự báo giá trị tương lai qua giá trị biến trễ vớimột yếu tố ngẫu nhiên mà không xét thêm biến vào mô hình hồi quy, nghĩa là tự dữ liệugiải thích cho bản thân nó Nhược điểm của mô hình này chỉ thích hợp cho việc dự báođối với những dữ liệu chuỗi thời gian tài chính có sự biến động không đột biến trong thờigian xem xét

2.2.2 Mô hình trung bình trượ MA(q):t

Trong một quá trình trung bình trượt bậc q, số liệu tại thời điểm hiện tại yt được tính bởitổng trung bình có trọng số giá trị của các nhiễu ngẫu nhiên cho đến nhiễu thứ q Mô hìnhMA(q) có dạng như sau:

ưu điểm, mô hình MA(q) có nhược điểm đó là mô hình chỉ thích hợp cho việc dự báotrong ngắn hạn

2.2.3 Mô hình t h iự ồ quy và trung bình trượ ARMA(p,q).t

Trên thực tế có những mô hình dự báo cho chuỗi thời gian tài chính là sự kết hợp đồngthời của quá trình trung bình trượt và tự hồi quy với bậc bất kì Mô hình phối hợp trungbình trượt- tự hồi quy có dạng phương trình sau còn được gọi tổng quát là mô hìnhARMA Các mô hình ARMA chỉ có thể được thực hiện khi chuỗi Yt là chuỗi dừng

𝒚𝒕 = 𝝁 + 𝝓𝟏 𝒕−𝟏 𝒚 + 𝝓𝟐 𝒕−𝟐 𝒚 + ⋯ + 𝝓𝒑 𝒕−𝒑 𝒚 + 𝜽𝟏 𝒕−𝟏 𝗌 + 𝜽𝟐 𝒕−𝟐𝗌

+ ⋯ + 𝜽𝒒𝗌𝒕−𝒒 + 𝗌𝒕 (1.3)

Nhận dạng mô hình ARMA(p,q) là tìm các giá trị thích hợp của p, q Với p là bậc tựhồi quy và q là bậc trung bình trượt Việc xác định p,q sẽ phụ thuộc vào đồ thị hàm tựtương quan Với ACF là hệ số tự tương quan và PACF là hệ số tự hồi quy từng phần mẫu.Chọn mô hình AR(p) nếu đồ thị PACF có giá trị cao tại độ trễ 1,2,…,p và giảm nhiều sau

p và dạng hàm ACF giảm dần Chọn mô hình MA(q) nếu đồ thị ACF có giá trị cao tại các

độ trễ 1,2,…,q và giảm nhiều sau q và dạng hàm PACF giảm dần

Mô hình ARMA(p,q) được sử dụng phổ biến để dự báo chuỗi thời gian tài chính vớinhững ưu điểm như: Thứ nhất, mô hình giải thích được sự biến động của chuỗi thời giantài chính bằng cách quan hệ với các giá trị quá khứ và tổng có trọng số các nhiễu ngẫunhiên hiện hành và các nhiễu ngẫu nhiên có độ trễ nghĩa là mô hình hóa được gần như tất

cả các dao động cuẩ chuỗi thời gian tài chính ban đầu; Thứ hai, dự báo từ mô hìnhARMA(p,q) có kết quả tương đối chính xác phù hợp với dự đoán trong ngắn hạn với sai

số nhỏ Bên cạnh những ưu điểm kể trên, mô hình có những nhược điểm như sau: môhình ARMA có thể dự báo được kỳ vọng nhưng thất bại khi dự báo phương sai của chuỗithời gian tài chính, mô hình ARMA không giải thích được sự thay đổi của sự biến độngtrong chuỗi thời gian, mô hình ARMA chỉ thích hợp với các chuỗi thời gian tài chínhdừng với nhiều nhiễu trắng, mô hình được thực hiện với giả định phương sai không đổi

1theo thời gian.

2.2.4 Mô hình t ngổ quát tự đi uề ch nhỉ phươ sai có đi ung ề ki nệ khác nhau (GARCH):

a Mô hình GARCH :

Theo Engle (1995) một trong những hạn chế của mô hình ARCH là nó có hình vẽgiống dạng mô hình trung bình di động hơn là mô hình tự hồi quy Một ý tưởng mới làchúng ta nên đưa thêm các biến trễ của phương sai có điều kiện vào phương trình củaphương sai theo dạng tự hồi quy Ngoài ra nếu các ảnh hưởng ARCH 10 có quá nhiều độtrễ sẽ ảnh hưởng tới kết quả ước lượng do giảm đáng kể số bậc tự do trong mô hình Môhình được phát triển độc lập bởi các nhà kinh tế học Bollerslev (1986) và Taylor(1986)

Mô hình GRACH cho phép phương sai có điều kiện phụ thuộc vào độ trễ trước đây nhưsau:

Mô hình GARCH có ưu điểm là giải thích được khi nhà đầu tư dự báo về phương saicủa tài sản thời kỳ này bằng việc tạo ra một trọng số trung bình trong dài hạn và phươngsai dự báo ở giai đoạn trước, những thông tin về sự giao động từ thời kỳ trước Xem xétcác dạng dữ liệu trong đó cho phép phương sai của nó phụ thuộc vào các giá trị phương

sai trong quá khứ nhằm ước lượng mức độ rủi ro và dự báo mức độ giao động của chuỗithời gian tài chính có độ dao động cao Nhược điểm của mô hình là có thể giải thích

sự bất

thường của phương sai mà chỉ sử dụng những thông tin quá khứ của bản thân nhiễu,không tách biệt được mức độ ảnh hưởng của các cú sốc dương và cú sốc âm ở thời kỳ trễảnh hưởng đến tỷ suất sinh lợi ở kỳ hiện tại.

b 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 11 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 đểquyết định nắm giữ một tài sản rủi ro Như vậy, phí bù rủi ro là một hàm đồng biến với rủiro; nghĩa là rủi ro càng cao thì phí bù rủi ro phải càng nhiều Nếu rủi ro được đo lườngbằng 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 hìnhGARCH-M sẽ có dạng sau:

Mô hình GARCH-M được sử dụng trong dự báo dữ liệu chuỗi thời gian tài chính cónhững ưu điểm như sau: mô hình này cho ta biết giá trị trung bình có điều kiện phụ thuộcvào phương sai có điều kiện nghĩa là rủi ro có ảnh hưởng đến tỷ suất lợi tức hay không,

mô hình hóa mức độ ảnh hưởng của các cú sốc ở thời kỳ trễ đến tỷ suất lợi tức ở thời kỳhiện tại Mô hình có nhược điểm là không tách biệt được mức độ ảnh hưởng của các cúsốc dương và cú sốc âm đến tỷ suất lợi tức ở thời kỳ hiện tại

c Mô hình TGARCH:

Mô hình Tgarch được biểu diễn như sau: