Trong các tài liệu, lợi nhuận của nhà đầu tư thường được biểu thị dưới dạng lợi nhuận trọng số theo đồng đô la dollar-weighted return, DW, tức là tỷ suất hoàn vốn nội tại IRR từ việc xem
Mô hình nghiên cứu
Sự biến động là một trong những yếu tố cần thiết trong thị trường tài chính Chỉ số này nhằm đưa ra mức độ rủi ro của tài sản và sẽ được đo bằng độ lệch chuẩn của lợi nhuận.
Bởi vì lý do này, chúng ta mô hình hóa biến động là không thể thiếu trong quản lý rủi ro, mô hình định giá quyền chọn và các lĩnh vực tài chính khác ( Miralles-Marcelo và cộng sự, 2013 ) Các mô hình thuộc gia đình GARCH được giới thiệu lần đầu tiên bởi Bollerslev (1986) và Engle (1982) và có thể cho là một trong những phương pháp phổ biến nhất để mô hình hóa biến động khi có điều kiện của tài sản tài chính. Ở bài nghiên cứu này tôi sẽ sử dụng mô hình GARCH-M và GARCH-1/1để thực hiện nghiên cứu Mô hình GARCH-M cho phép biến động thay đổi theo thời gian, phản ánh sự không ổn định và thay đổi liên tục của thị trường tài chính Hơn thế nữa, nó còn cung cấp dự báo chính xác hơn về sự biến động của lợi nhuận do khả năng mô hình hóa sự phụ thuộc của biến động vào quá khứ của chính nó GARCH-M cho phép các nhà đầu tư và nhà quản lý quỹ đánh giá rủi ro một cách chính xác hơn, từ đó đưa ra các quyết định đầu tư hợp lý hơn.
Dữ liệu nghiên cứu
Dữ liệu sử dụng trong nghiên cứu này được thu thập từ sàn chứng khoán TPHCM (HOSE), tập trung vào giá cổ phiếu của ngân hàng VietcomBank trong khoảng thời gian 52 tuần từ năm 2020 Mục tiêu chính của nghiên cứu là phân tích sự biến động lợi nhuận của nhà đầu tư thông qua việc sử dụng các mô hình GARCH-M và
Dữ liệu bao gồm các biến số chính sau:
Giá đóng cửa cổ phiếu (Close Price): Giá cổ phiếu vào cuối mỗi ngày giao dịch.
Dữ liệu được kiểm tra để phát hiện các giá trị thiếu và ngoại lệ Các ngày không có giao dịch (ví dụ: ngày nghỉ lễ) được loại trừ khỏi tập dữ liệu Các giá trị ngoại lệ được xử lý bằng cách sử dụng phương pháp winsorizing, trong đó các giá trị cực đoan được điều chỉnh về một giá trị gần nhất trong khoảng dữ liệu.
Các thống kê mô tả của dữ liệu bao gồm:
Giá đóng cửa cổ phiếu: Trung bình là 89.000 VND, độ lệch chuẩn là 14.332
VND, giá thấp nhất là 80.300 VND và giá cao nhất là 97.300VND.
Khối lượng giao dịch: Trung bình là 1 triệu cổ phiếu mỗi ngày, độ lệch chuẩn là 200,000 cổ phiếu.
Lợi nhuận hàng ngày: Trung bình là 0.5%, độ lệch chuẩn là 1.2%.
Các thống kê này cho thấy sự biến động đáng kể trong giá cổ phiếu của VietcomBank trong năm 2023, với những thay đổi rõ rệt cả về giá đóng cửa và khối lượng giao dịch hàng ngày.
Dữ liệu từ sàn chứng khoán TPHCM cung cấp thông tin chi tiết và đáng tin cậy về giá cổ phiếu của VietcomBank, cho phép phân tích kỹ lưỡng về sự biến động lợi nhuận của nhà đầu tư Các đặc điểm của dữ liệu này cung cấp một nền tảng vững chắc để áp dụng các mô hình GARCH-M và GARCH(1,1), từ đó giúp hiểu rõ hơn về yếu tố rủi ro và lợi nhuận trong đầu tư chứng khoán.
Phương pháp kinh tế lượng
1 Giới thiệu chungPhần phương pháp kinh tế lượng của nghiên cứu này nhằm mục đích phân tích sự biến động lợi nhuận của nhà đầu tư thông qua việc áp dụng các mô hình GARCH-M và
GARCH(1,1) trên bộ dữ liệu giá cổ phiếu của ngân hàng VietcomBank trên sàn chứng khoán TPHCM (HOSE) trong 52 tuần.
Nguồn dữ liệu: Dữ liệu giá cổ phiếu của ngân hàng VietcomBank được thu thập từ sàn chứng khoán TPHCM (HOSE) trong khoảng thời gian 52 tuần.
Biến phụ thuộc: Lợi nhuận (returns) của cổ phiếu VietcomBank.
Biến độc lập: Các yếu tố có thể ảnh hưởng đến lợi nhuận, chẳng hạn như giá cổ phiếu trong quá khứ, khối lượng giao dịch, và các chỉ số kinh tế vĩ mô liên quan.
3 Mô hình kinh tế lượng Mô hình GARCH(1,1)
Phương pháp ước lượng: Cả hai mô hình GARCH(1,1) và GARCH-M sẽ được ước lượng bằng phương pháp Maximum Likelihood Estimation (MLE).
Phần mềm sử dụng: Phân tích dữ liệu sẽ được thực hiện bằng phần mềm EViews và
Kiểm định mô hình: Kiểm định Ljung-Box để kiểm tra tự tương quan của residuals, kiểm định ARCH LM để kiểm tra hiện tượng ARCH trong residuals.
Phân tích độ nhạy: Để đảm bảo tính vững của các kết quả, phân tích độ nhạy sẽ được thực hiện bằng cách thay đổi các khoảng thời gian và kiểm tra các mô hình thay thế.
6 Kết luận phần phương phápPhương pháp kinh tế lượng được trình bày ở trên cung cấp một nền tảng vững chắc để nghiên cứu sự biến động lợi nhuận của nhà đầu tư thông qua việc sử dụng các mô hìnhGARCH-M và GARCH(1,1) Việc áp dụng các mô hình này sẽ giúp phân tích sâu hơn về các yếu tố ảnh hưởng đến lợi nhuận và sự biến động của nó.
NGHIÊN CỨU CỤ THỂ 2.1 Dữ liệu nghiên cứu
Kiểm định tính dừng
kiểm định Dickey-Fuller cho gốc đơn được thực hiện trên biến PRICE với độ trễ bằng 0 (lag(0)).
Giả thuyết không (H0): Giả thuyết không của kiểm định Dickey-Fuller là biến
(PRICE trong trường hợp này) có gốc đơn, ngụ ý rằng nó theo dõi một bước ngẫu nhiên và không dừng.
Giá trị thống kê kiểm định: Giá trị thống kê kiểm định là -2.240.
Giá trị tới hạn: Các giá trị tới hạn cho các mức ý nghĩa khác nhau (1%, 5%, và 10%) là:
So sánh với các giá trị tới hạn: Để bác bỏ giả thuyết không, giá trị thống kê kiểm định phải nhỏ hơn giá trị tới hạn ở mức ý nghĩa đã chọn. Ở mức 1%: -2.240 không nhỏ hơn -3.579. Ở mức 5%: -2.240 không nhỏ hơn -2.929. Ở mức 10%: -2.240 không nhỏ hơn -2.600.
P-Value: Giá trị p xấp xỉ MacKinnon cho Z(t) là 0.1920 Giá trị p này chỉ ra xác suất quan sát giá trị thống kê kiểm định dưới giả thuyết không.
Kết luận: Vì giá trị thống kê kiểm định (-2.240) không nhỏ hơn các giá trị tới hạn ở mức ý nghĩa 1%, 5%, hoặc thậm chí là 10%, và giá trị p (0.1920) lớn hơn các mức ý nghĩa thông thường (0.01, 0.05, 0.10), chúng ta không thể bác bỏ giả thuyết không.
Kết quả của kiểm định Dickey-Fuller cho thấy chúng ta không có đủ bằng chứng để bác bỏ giả thuyết không về gốc đơn Do đó, biến PRICE có khả năng theo dõi một bước ngẫu nhiên và không dừng.
Kiểm định Dickey-Fuller cho gốc đơn được thực hiện trên biến d_PRICE với độ trễ bằng 0 (lag(0)):
Giả thuyết không (H0): Giả thuyết không của kiểm định Dickey-Fuller là biến
(d_PRICE trong trường hợp này) có gốc đơn, ngụ ý rằng nó theo dõi một bước ngẫu nhiên và không dừng.
Giá trị thống kê kiểm định: Giá trị thống kê kiểm định là -8.077.
Giá trị tới hạn: Các giá trị tới hạn cho các mức ý nghĩa khác nhau (1%, 5%, và 10%) là:
So sánh với các giá trị tới hạn: Để bác bỏ giả thuyết không, giá trị thống kê kiểm định phải nhỏ hơn giá trị tới hạn ở mức ý nghĩa đã chọn. Ở mức 1%: -8.077 nhỏ hơn -3.580. Ở mức 5%: -8.077 nhỏ hơn -2.930. Ở mức 10%: -8.077 nhỏ hơn -2.600.
P-Value: Giá trị p xấp xỉ MacKinnon cho Z(t) là 0.0000 Giá trị p này chỉ ra xác suất quan sát giá trị thống kê kiểm định dưới giả thuyết không Giá trị p bằng 0.0000 cho thấy một sự bác bỏ rất mạnh mẽ của giả thuyết không.
Kết luận: Vì giá trị thống kê kiểm định (-8.077) nhỏ hơn rất nhiều so với các giá trị tới hạn ở mức ý nghĩa 1%, 5%, và 10%, và giá trị p (0.0000) nhỏ hơn đáng kể so với các mức ý nghĩa thông thường (0.01, 0.05, 0.10), chúng ta bác bỏ giả thuyết không.
Kết quả của kiểm định Dickey-Fuller cho thấy chúng ta có đủ bằng chứng để bác bỏ giả thuyết không về gốc đơn Do đó, biến d_PRICE có khả năng dừng.
Kiểm định Dickey-Fuller cho gốc đơn được thực hiện trên biến d2_PRICE với độ trễ bằng 0 (lag(0))
Giả thuyết không (H0): Giả thuyết không của kiểm định Dickey-Fuller là biến
(d2_PRICE trong trường hợp này) có gốc đơn, ngụ ý rằng nó theo dõi một bước ngẫu nhiên và không dừng.
Giá trị thống kê kiểm định: Giá trị thống kê kiểm định là -11.928.
Giá trị tới hạn: Các giá trị tới hạn cho các mức ý nghĩa khác nhau (1%, 5%, và
So sánh với các giá trị tới hạn: Để bác bỏ giả thuyết không, giá trị thống kê kiểm định phải nhỏ hơn giá trị tới hạn ở mức ý nghĩa đã chọn.
P-Value: Giá trị p xấp xỉ MacKinnon cho Z(t) là 0.0000 Giá trị p này chỉ ra xác suất quan sát giá trị thống kê kiểm định dưới giả thuyết không Giá trị p bằng 0.0000 cho thấy một sự bác bỏ rất mạnh mẽ của giả thuyết không.
Kết luận: Vì giá trị thống kê kiểm định (-11.928) nhỏ hơn rất nhiều so với các giá trị tới hạn ở mức ý nghĩa 1%, 5%, và 10%, và giá trị p (0.0000) nhỏ hơn đáng kể so với các mức ý nghĩa thông thường (0.01, 0.05, 0.10), chúng ta bác bỏ giả thuyết không.
Kết quả của kiểm định Dickey-Fuller cho thấy chúng ta có đủ bằng chứng để bác bỏ giả thuyết không về gốc đơn Do đó, biến d2_PRICE có khả năng dừng.
Sử dụng Correllgram
Kết quả của mô hình ARIMA(1,0,0) được điều chỉnh cho dữ liệu PRICE
Mô hình ARIMA(1,0,0): Mô hình ARIMA(1,0,0) bao gồm một tham số tự hồi quy (AR), không có phép vi phân (biểu thị bằng số 0 thứ hai), và không có thành phần trung bình động (MA).
Log Likelihood: Các giá trị log likelihood được hiển thị cho từng lần lặp của quá trình tối ưu hóa Giá trị log likelihood cuối cùng là -116.6147.
Quá trình tối ưu hóa:
1 Ban đầu, tối ưu hóa được thực hiện bằng thuật toán BHHH, với các giá trị log likelihood cải thiện qua từng lần lặp.
2 Ở lần lặp thứ 5, quá trình tối ưu hóa chuyển sang thuật toán BFGS để tinh chỉnh thêm, dẫn đến giá trị log likelihood cuối cùng là -116.6147 ở lần lặp thứ 7.
Kiểm định Wald Chi-Square: Thống kê kiểm định Wald chi-square là 114.84 với 1 bậc tự do.
1 Prob > chi2: Giá trị p liên quan đến kiểm định Wald chi-square là
