Suốt chiều dài lịch sử phát triển của thị trường chứng khoán, các nhà làm chính sách, tổ chức tư vấn và nhà đầu tư luôn cô gắng dự báo sự biến động của thị trường thông qua chỉ số VN30 n
Nhiệm vụ và mục tiêu nghiên Cứu - - - - - << << 1S S1 LH HH HH 5 1.3 Đối trợng nghiên cứu và phạm vi nghiên cứu ¿5-2 222222222252 2232121525211 xe 5 1.4 Tổng quan tình hình nghiên cứu - 22 + 2222222225555 311212112211 21111111112112 211211 Ee xe 6 Tổng quan tình hình nghiên cứu nước ngoài 2Á 2 2S 2222 S212 22221111111 sre 6 Tổng quan tình hình nghiên cứu trong nước -2 5222 2 s22 +2222325 323232111222 11.1 ce 7 1c, Íẻnẽnố ố ốố ốố ẻ.ẻ
Nhiệm vụ của đề tài là áp dụng phương pháp phân tích và dự báo chuỗi thời gian để xây dựng mô hình ARIMA-GARCH và sử dụng dữ liệu lịch sử của chỉ số VN30 để đánh giá hiệu quả của mô hình dự báo Để thực hiện nghiên cửu này, đầu tiên cần thu thập dữ liệu về giá trị của chỉ số VN30 trong quá khứ và sử dụng các phương pháp phân tích thông kê để đánh giá tính ôn định và tính chất của chuỗi thời gian này
Sau đó, sử dụng mô hình ARIMA để mô hình hóa chuỗi thời gian của chỉ số VN30 và tìm ra các thông số phù hợp để dự báo giá trị của chi số trong tương lai Tiếp theo, sử đụng mô hình GARCH để mô hình hóa biến động của chỉ số VN30 và đưa ra dự báo về biến động của giá trị chỉ số trong tương lai
Từ đó, đưa ra các kết luận và khuyến nghị cho các nhà đầu tư và chuyên gia tài chính đề giúp họ đưa ra quyết định đầu tư thông minh dựa trên các thông tin dự báo chính xác Nghiên cứu này sẽ giúp cho các nhà đầu tư và chuyên gia tài chính có thể đánh giá hiệu quả của các quyết định đầu tư và tăng tính hiệu quả của quá trình đầu tư
1.3 Đối tượng nghiên cứu và phạm vi nghiên cứu Đối tượng nghiên cứu của đề tài "Ứng dụng mô hình ARIMA-GARCH dự báo chỉ số VN30" là chỉ số VN30 của thị trường chứng khoán Việt Nam Chỉ số VN30 là chỉ số thị trường chứng khoán của Việt Nam, bao gồm 30 công ty có vốn hóa thị trường lớn nhất và có sự đại diện cho tất cá các ngành kinh tế chính của đất nước
Phạm vi nghiên cứu của đề tài này sẽ tập trung vào phân tích và dự báo giá trị của chỉ số VN30 trong tương lai Nghiên cứu sẽ sử dụng các phương pháp phân tích và mô hình hóa chuỗi thời gian, bao gồm mô hình ARIMA và GARCH, đề đưa ra dự báo về giá trị của chỉ số VN30 và biến động của giá trị này trong tương lai.
Phạm vi của nghiên cửu sẽ bao gồm thu thập và sử dụng đữ liệu lịch sử về gia tri của chỉ số VN30 trong một khoảng thời gian nhất định để xây dựng các mô hình dự báo Đồng thời, nghiên cửu sẽ đưa ra các kết luận và khuyến nghị dựa trên kết quả dự báo của mô hình để giúp cho các nhà đầu tư và chuyên gia tài chính có thê đưa ra quyết định đầu tư thông minh:
+ Vé không gian: Đề tài sử dụng dữ liệu chỉ số VN30
+ Về thời gian: Đề tài sử dụng đữ liệu các chỉ số bắt đầu từ ngày 30/01/2012 đến
1.4, Tong quan tình hình nghiên cứu
Tông quan tình hình nghiên cứu nước ngoài
Nhiều nghiên cứu đã bàn về tính hiệu quả của các mô hình GARCH trong việc giải thích tính dễ biến động của thị trường chứng khoán Một vài nghiên cứu được thực hiện trên thị tường A1 Cập, nghiên đã kiểm tra sự biến động tỷ suất lợi nhuận bằng cách sử dụng chỉ số chứng khoán Khartoum Stock Khartoum (KSE) và Cairo & Alexandria Stock
Exchange (CASE), từ đó cho thấy mô hình GARCH-M với phương sai có điều kiện với ý nghĩa thống kê cho cả hai thị trường này đồng thời tồn tại hiệu ứng đòn bẩy trong tỷ suất lợi nhuận của KSE và kỳ vọng thuận chiều ở CASE
Floros, C, “Modelling volatility using GARCH models: evidence from Egypt and Israel”, Middle Eastern Finance and Economics 2 (2008), nghiên cứu độ biến động sử dụng dữ liệu hàng ngày từ chỉ số chứng khoán Middle East và Egyptian CMA và Israeli TASE-100, trong đó sử dụng GARCH, EGARCH, TGARCH, CGARCH (Component GARCH), AGARCH (Asymmetric Component GARCH) và PGARCH (Power GARCH) Nghiên cứu cho thấy hệ số mô hình EGARCH có tác động âm và có ý nghĩa với các chỉ số này, đồng thời tồn tại hiệu ứng đòn bây Mô hình AGARCH cho thấy đòn bẩy tạm thời yếu trong phương sai có điều kiện và nghiên cứu này cũng cho thấy sự gia tăng rủi ro sẽ không nhất thiết dẫn tới sự gia tăng tỷ suất lợi nhuận
Singh và Tripathi (2016) với bài nghién ctu “Modelling Stock Market Return
Volatility: Evidence from India”, Research Journal of Finance and Accounting, (2016) xem xét liệu biến động là bất đối xứng hay không thông qua sử dụng tỷ suất lợi nhuận hàng ngày giai đoạn 2000-2010 Nghiên cứu cho thấy mô hình GARCH và PGARCH là hai mô hình tốt nhất để đo lường đối xứng và hiệu ứng bắt đổi xứng tương ứng Kulshreshtha và Mittal (2015) sử dụng 8 mô hình khác nhau đề dự báo biến động trên các thị trường chứng khoán Ấn Độ và nước ngoài Chỉ số NSE (National Stock Exchange) va BSE (Bombay Stock Exchange) được coi như là đại diện cho thị trường chứng khoán An D6 và các dữ liệu ty giá hồi đoái cho đồng Rupee Ấn Độ và ngoại tệ trong giai đoạn 2000-2013 Số liệu thống kê dự báo nghiên cứu cho thấy rằng hai mô hình TGARCH và PGARCH phù hợp với việc đánh giá thị trường chứng khoán thông qua dự báo biến động các chỉ số BSE và NSE và các mô hình ARMA (1,1), ARCH (5), EGARCH phù hợp hơn với thị trường ngoại hồi
Trong khi d6, “Modeling and estimation of volatility in the Indian stock market”, International Journal of Business and Management, 5 (2010) của Goudarzi va Ramanarayanan (2010) nghiên cứu sự biến động của thị trường chứng khoán Ấn Độ (Bombay Stock Exchange), trong đó sử dụng chỉ số S&P BSE 500 làm đại diện trong 10 năm Dữ liệu bao gồm 2.108 quan sát giá đóng cửa theo ngày của chỉ số BSE 500 từ 26/7/2000 đến 20/01/2009, được lấy từ Sở Giao dịch Chứng khoán Bangalore Mô hình
ARCH và GARCH được ước tính là hai mô hình tốt nhất, được lựa chọn bằng cách sử dụng
AIC va SIC Nghiên cứu cho rằng GARCH là mô hình thích hợp nhất để giải thích biến động theo cụm và có ý nghĩa cho chuỗi dữ liệu ở giai đoạn nghiên cứu Hơn nữa, theo nghiên cứu của Goudarzi và Raman Narayanan (2011), từ kết quá khảo sát sự biến động của chỉ số chứng khoán S&P BSE 500 và hai mô hình phi tuyến tính bất đối xứng EGARCH (1,1) và TGARCH (1,1) cho thấy TGARCH (1,1) là mô hình tốt nhất theo AIC, SIC và tiêu chuẩn giá trị hợp lý cực đại
Tông quan tình hình nghiên cứu trong nước
Tại Việt Nam hiện có một sô nghiên cứu liên quan đên dự báo chỉ sô chứng khoán VN-30 Trong nghiờn cứu C hứw, R Y., “Volatility persistence and stock valuations: Some empirical evidence using GARCH”, Journal of Applied Econometrics, 3 (1988) 4, cac tac giá đề xuất kết hợp phương pháp chỉ số dẫn báo và hệ số tương quan giữa chỉ số thị trường chứng khoán của một sàn giao dịch với các biến dữ liệu giao dịch cỗ phiếu trong việc xây đựng mô hình dự báo chỉ số thị trường chứng khoán trên dữ liệu Tác giả thu thập từ dữ liệu sàn giao dịch Thành phố Hồ Chí Minh: dữ liệu từ 04/01/2010 đến 22/04/2016 được sử dụng để xây dựng mô hình dự báo, đữ liệu kiểm định là từ 25/04/20 16 đến ngày 05/05/2016 (gồm 7 ngày giao dịch đo các ngày từ 30/04/2016 đến 03/05/2016 là những ngày nghỉ lễ, sản giao dịch không làm việc)
Trong nghién cru French, K R., Schwert, G W., & Stambaugh, R F., “Expected stock returns and volatility”, Journal of Financial Economics, 19 (1987) va Tah, K A.,
“Relationship between volatility and expected returns in two emerging markets”, cac tac giả áp dụng mô hình tự hồi quy phương sai không đồng nhất tông quát (GARCH: Generalized autoregressive conditional heteroskedasticity) Mẫu dữ liệu được cung cấp bởi
Sở Giao Dịch Chứng khoán Thành phó Hồ Chí Minh (HOSE) và Sở Giao dịch Chứng khoán Hà Nội (HNX), tương ứng, trong giai đoạn 2007-2015 Kết quả thực nghiệm cho mô hình GARCH, các tác giả khẳng định rằng biến động của các chỉ số chứng khoán trong quá khứ sẽ ảnh hưởng đến biến động trong hiện tại và có thể dự đoán trước, đồng thời cho thấy rằng Mô hình FIAPARCH là mô hình phù hợp nhất cho việc dự báo chỉ số VN-30 Các tác giả như Võ Thị Thúy Anh và Nguyễn Anh Tùng (2010), Đặng Hữu Mẫn và Hoàng Dương Việt Anh (2013), Bùi Hữu Phước, Phạm Thị Thu Hồng và Ngô Văn Toàn
CHỈ SÓ VN30 VÀ DIỄN BIẾN THỊ TRƯỜNG CHỨNG KHOẢNG VN GIAI DOAN "W2 nh
Giới thiệu về chỉ số VN3: _ Q00 Q2 S220 1212222111121111212121121212121212121121 21210111 21 re 10 2.2 Diễn biến thị trường chứng khoáng VN giai đoạn 2012 — 2022: 2Q S222 cercxey 11
06/02/2012, Sở Giao dịch chứng khoán TP Hồ Chí Minh (HOSE) đã lập và đưa vào sử dụng chỉ số VN30-Index
VN30 là chỉ số chứng khoán của Việt Nam, tập hợp của 30 công ty thỏa mãn: có giá trị vốn hóa lớn nhất (bluechip), tính thanh khoản cao nhất trên sàn HOSE và tý lệ free- float đáp ứng trên 5% Theo quy định, danh sách VN30 sẽ được công bố trên website chính thức của sản HoSE vào ngày thứ 2, tuần thứ 4 của mỗi tháng | va thang 7 hang nam
VN30 thường được xem như là thước đo tiêu chuẩn, tác động lớn đến hoạt động của thị trường chứng khoán Việt Nam bởi nhóm công ty VN30 chiếm đến 80% tông giá trị vốn hóa và hiện chiếm khoảng 60% giá trị giao dịch của thị trường chứng khoán Ý nghĩa của chỉ số VN30:
+ Cung cấp cho nhà đầu tư thông tin về các công ty có vốn hóa thị trường lớn nhất và làm nền tảng cho các quyết định đầu tư của họ
+ Đánh giá được xu hướng và dự đoán tình hình chung của thị trường chứng khoán Việt Nam thông qua phân tích biến động giá của các công ty VN30 + Bu dap sự hạn chế của VNI: VNI có nhiều hạn chế vì cách tính chưa có độ chính xác cao, chỉ dựa vào giá thị trường mà không đề cập đến lượng cô phiếu tu do lưu hành trên thị trường
+ Được sử dụng để tạo ra các sản phẩm đầu tư như quỹ ETF, sản phẩm tài chính phái sinh như hợp đồng tương lai VN30
2.2 Diễn biến thị trường chứng khoáng VN giai đoạn 2012 — 2022:
Mặc dù thị trường chứng khoán Việt Nam ra đời từ 1998 nhưng từ sau 2010 thi mới có nhiều đổi mới và thu hút nhiều nhà đầu tư
Trong giai đoạn từ 2012 đến 2022, thị trường chứng khoán Việt Nam đã trải qua nhiều biến động và thăng trầm, cụ thể là những giai đoạn sau:
Giai đoạn 2012-2015: ỗn định, tăng trưởng nhẹ
Năm 2012, thị trường chứng khoán Việt Nam bắt đầu có khởi sắc sau những năm khó khăn do khủng hoảng tài chính toàn cầu trước đó Giá trị VN-Index tăng từ mức 350 điểm vào tháng I năm 2012 lên tới mức 610 điểm vào cuối năm 2013 và ở mức cao hơn
630 điểm vào đầu năm 2014 Các sự kiện quan trọng trong giai đoạn này bao gồm:
+ Nam 2012, HOSE, HNX đã thực hiện nhiều giải pháp kỹ thuật quan trọng nhằm thu hút nhà đầu tư và gia tăng thanh khoản cho thị trường chứng khoán như: ra mắt chỉ sô VN30; rút ngắn khoảng thời gian thanh toán từ T14 xuống còn
T13; thời gian giao dịch trên sàn kéo dài tới 15h hàng ngày, đồng thời được bỗ sung các loại lệnh mới như: lệnh thị trường, ATC
+ Năm 2014, ra mắt bộ chỉ số HOSE và các chỉ số VNMidcap, VNSmallcap và VNI00 gia tăng cơ hội đầu tư theo chỉ số, ETF (quỹ EIVEMVN30 ra đời), phái sinh ồng thời, tạo nên sự đồng bộ và khả năng so sánh về chỉ số với các nước trong khu vực
+ Chính phủ cho phép các nhà đầu tư nước ngoài sở hữu tối đa 49% vốn trong các công ty niêm yết trên sàn chứng khoán Việt Nam nên thu hút FDI nhiều hơn
+ Tổ chức các hoạt động kinh doanh đa cấp bị cấm, thị trường bất động sản đang trong giai đoạn suy thoái, khiến các nhà đầu tư tìm kiếm các cơ hội đầu tư khác, trong đó có thị trường chứng khoán
+ Trong giai đoạn nảy, nhiều cổ phiếu dang chu y nhu VNM, SAB, MSN, GAS, ACB đã bị kiểm soát đối với giao dich của nhà đầu tư nước ngoài
+ Năm 2015, thị trường gặp khó khăn do sự suy giám của nền kinh tế Trung Quốc, đồng thời áp lực từ việc thoái vôn của các doanh nghiệp nhà nước
Giai đoạn 2016-nửa đầu 2018: tăng trưởng mạnh
Trong giai đoạn này, thị trường chứng khoán Việt Nam đã trở thành một trong những thị trường tăng trưởng nhanh nhất thế giới với mức tăng trưởng đáng kế và trở thành điểm đến của nhà đầu tư nước ngoài VN-Index tăng gấp đôi so với cuối năm 2014, lên mức hơn 1200 điểm vào tháng 4 năm 2018 Các sự kiện quan trọng trong giai đoạn này bao gôm:
+ Năm 2016 khoảng thời gian thanh toán rút ngắn từ T+3 xuống còn T+2; chính thức phân ngành cho toàn bộ doanh nghiệp niêm yết và triển khai tính toán 10 chỉ số ngành theo chuân phân ngành quốc tế GICS của MSCI
+ Năm 2017, chứng khoán phái sinh ra đời; vốn hóa thị trường tăng hơn 70%, tỷ lệ trên GDP lần đầu vượt 50%; tong danh mục đầu tư nước ngoài đạt hơn
+ Chinh phu thong qua Nghi dinh 60/2015/ND-CP, cho phép nhà đầu tư nước ngoài sở hữu đến 100% vốn trong một số công ty niêm yết trên sàn chứng khoán Việt Nam
+ Điều chỉnh chính sách lãi suất của Ngân hàng Nhà nước, tạo điều kiện thuận lợi cho các doanh nghiệp vay vốn và phát triển kinh doanh
+ Các công ty niêm yết đạt kết quá kinh doanh tích cực, tăng trưởng doanh thu và đem lại niềm tin cho nhà đầu tư về triển vọng tăng trưởng của thị trường chứng khoán
Giai đoạn nửa đầu 2018- nửa đầu 2020: biến động nhưng nhìn chung sụt giảm
Từ tháng 4 năm 2018, thị trường chứng khoán Việt Nam đã bắt đầu trải qua giai đoạn sụt giảm, từ mức cao nhất lịch sử 1204 điểm giảm xuống dưới mức 900 điểm vào cuối năm 2018 và liên tục giảm xuống đáy 660 điểm vào tháng 3/2020 Các sự kiện quan trọng trong giai đoạn này bao gồm:
+ Chiến tranh thương mại Mỹ-Trung từ năm 2018 gây ảnh hưởng đến kinh tế toàn cầu và đây giá các mặt hàng xuống
+ Năm 2018 là năm u tối của chứng khoán thế giới, cũng gây ảnh hưởng đến thị trường chứng khoán Việt Nam
Mô hình ARIMA (ước lượng lợi suất trung bình) 22-5222 +ESE 2E c2EE E2 rrrre 16 3.3 Mô hình GARCH (ước lượng phương sai của lợi suất trung bình) - 25-55 se se sa 19 PHẢN IV PHÂN TÍCH THỰC NGHIỆM VÀ KẾT QUÁ NGHIÊN CỨU -+2+<+c+c+z 21 F1) Cia oe cece
Trong phạm vi bài nghiên cứu này, nhóm sử dụng mô hình ARIMA để dự báo tỉ suất sinh lợi trung bình của chỉ số VN30
M6 hinh ARIMA (AutoRegressive Integrate Moving Average) do Box-Jenkins giới thiệu lần đầu tiên vào năm 1974 Mô hinh ARIMA được kết hợp bởi 3 thành thành phần chính: AR (thành phần tự hồi quy); I (tính dừng của chuỗi thời gian); MA (thành phần trung bình trượt) Trong thông kê và kinh tế lượng, đặc biệt trong phân tích chuỗi thời gian, mô hình ARIMA thường được sử dụng để dự báo các giá trị tương lai của chuỗi, gia trị tương lai của biến số sẽ phụ thuộc vào xu thế vận động của chính đối tượng đó trong quá khứ Cơ sở toán học của mô hình chuỗi thời gian đơn biến là lý thuyết về quá trình ngẫu nhiên, việc tính toán được đám bảo về mặt toán học Mô hình ARIMA khá lĩnh hoạt, thông qua nhiều cách kết hợp các tham số của mô hình, có thể lựa chọn để đưa ra một mô hình dự báo thích hợp nhất, phản ánh khách quan kết quả dự báo Mô hình ARIMA đặc biệt phù hợp cho các dự báo ngắn hạn và cho dữ liệu có yếu tổ mùa vụ cao Tuy nhiên, để dự báo chính xác mô hình đòi hỏi nhiều quan sát (khoáng từ 50 quan sát trở lên)
Theo Gujarati (2004), phương pháp Bon - Jenkins bao gồm 4 bước chung: Bước 1: Nhận dạng mô hình
16 Đề sử dụng mô hình ARIMA (p,d,q) trong dự báo cần nhận dạng ba thành phân p đ và q của mô hình
- Thành phần đ của mô hình được nhận dạng thông qua kiểm định tính dừng của chuỗi thời gian Đề kiểm tra tính dừng của chuỗi thời gian ta có thê dự vào đồ thị của chuỗi thời gian, đồ thị của hàm tự tương quan mẫu hay kiểm định Dickey - Fuller và kiêm định KPSS
Cụ thê, theo Dickey và Fuller (198L) mô hình kiểm định nghiệm đơn vị mở rộng ADF co dang:
Ayt = đẹ + Byt_¡ + Yo Ayej + Ft (1)
1, Chuỗi số liệu theo thời gian đang xem xét;
Giả thuyết kiêm định ADF (Dickey Fuller)
+ H0: Yt là chuỗi dữ liệu không dừng
+ HI: B0, a, > 0,8, > 0 var; la ty suat loi nhuận của tai sản tại thời diém t, pla ti suat loi nhuận bình quân và £, là phần dư của tỷ suất lợi nhuận Độ lớn của tham số # và ỉ quyết định tỏc động ngắn hạn của dao động chuỗi thời gian Nếu tổng hệ số hồi quy bằng một, cú sốc sẽ có tác động đến sự biến động của VN- Index trong dài hạn Đó là cú sốc với phương sai có điều kiện lâu dài
Tuy nhiên, các mô hình GARCH cho ta thấy mức độ dao động của tỷ suất sinh lời của thị trường chứng khoán Việt Nam qua từng ngày, mặc dù có tồn tại bất cân xứng thông tin (tin xấu, tin tốt) trên thị trường Hạn chế khi dùng các mô hình GARCH là không thể biết trước các yếu tô tác động đến thị trường
PHAN IV PHAN TÍCH THỰC NGHIÊM VÀ KÉT QUÁ NGHIÊN CỨU 4.1 Dữ liệu nghiên cứu
Dữ liệu được sử dụng là lịch sử chỉ số VN30 đóng cửa trong giai đoạn 06/02/2012 đến 30/12/2022 đữ liệu nay được thu thập tir https://bvsc.com.vn/ (Chứng khoán Bảo Việt), có tông cộng 2742 quan sát (Hình I)
Tuy nhiên kiêm định ADF (Dickey Fuller) của VN30 index cho p-value = 0.6606 > 0.05, cho thấy chuỗi VN30 index không phái là chuỗi dừng (Hình 2)
Augmented Dickey-Fuller Test data: d$Close
Dickey-Fuller = -1.8056, Lag order = 13, p-value =
Hinh 2 Kiém dinh Dickey - Fuller (VN30 index)
Chuỗi dữ liệu mới là chuỗi lợi tức của chỉ số VN30-Index được tạo ra từ chuỗi dữ liệu VN30-Index gốc, bằng cách lấy sai phân bậc nhất của logarit tự nhiên giá trị chỉ số (Hình 3)
= log(VN30 — Index,) — Iog(VN30 — Index,_¡) rvn30 = log(
