Tài liệu luận văn Phân Tích Biến Động Của Chỉ Số Giá Chứng Khoán

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP.HCM o0o BÙI THỊ NHƯ Ý PHÂN TÍCH BIẾN ĐỘNG CỦA CHỈ SỐ GIÁ CHỨNG KHOÁN VÀ MỐI QUAN HỆ VỚI KHỐI LƯỢNG GIAO DỊCH TRÊN SỞ GIAO DỊCH CHỨNG KHOÁN THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ KINH TẾ Tp Hồ Chí Minh – Năm 2019 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP.HCM o0o BÙI THỊ NHƯ Ý PHÂN TÍCH BIẾN ĐỘNG CỦA CHỈ SỐ GIÁ CHỨNG KHOÁN VÀ MỐI QUAN HỆ VỚI KHỐI LƯỢNG GIAO DỊCH TRÊN SỞ GIAO DỊCH CHỨNG KHOÁN THÀNH PHỐ HỒ CHÍ MINH Chun ngành : Tài chính-Ngân hàng Mã số : 8340201 LUẬN VĂN THẠC SĨ KINH TẾ NGƯỜI HƯỚNG DẪN KHOA HỌC: GS.TS TRẦN NGỌC THƠ TP Hồ Chí Minh – Năm 2019 LỜI CAM ĐOAN Luận văn với đề tài “Phân tích biến động số giá chứng khoán mối quan hệ với khối lượng giao dịch sở giao dịch chứng khoán thành phố hồ chí minh” được tơi thực hiện thơng qua việc vận dụng các kiến thức đã học sự hướng dẫn, góp ý GS.TS Thầy Trần Ngọc Thơ Tơi xin cam đoan cơng trình nghiên cứu tôi, số liệu được sử dụng luận văn hoàn toàn trung thực được xử lý khách quan Các tham khảo dùng luận văn được trích dẫn đầy đủ, rõ ràng Các kết quả luận văn chưa được công bố bất cứ cơng trình nghiên cứu TP Hồ Chí Minh, ngày 19 tháng 03 năm 2019 Người thực hiện luận văn BÙI THỊ NHƯ Ý MỤC LỤC TRANG BÌA PHỤ LỜI CAM ĐOAN MỤC LỤC DANH MỤC CÁC CHỮ VIẾT TẮT DANH MỤC HÌNH DANH MỤC BẢNG TĨM TẮT ABSTRACT CHƯƠNG 1: TỔNG QUAN VỀ NGHIÊN CỨU 1.1 Đặt vấn đề 1.2 Mục tiêu nghiên cứu 1.3 Câu hỏi nghiên cứu 1.4 Đối tượng phạm vi nghiên cứu 1.5 Phương pháp nghiên cứu 1.6 Kết cấu luận văn CHƯƠNG 2: CÁC NGHIÊN CỨU THỰC NGHIỆM CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU 11 3.1 Mơ hình nghiên cứu 11 3.1.1 Lựa chọn mơ hình 11 3.1.2 Mơ hình EGARCH mở rộng 14 3.2 Dữ liệu nghiên cứu 15 3.2.1 Nguồn liệu 15 3.2.2 Cách tính biến 16 3.3 Quy trình thực hiện nghiên cứu 17 CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU 19 4.1 Kiểm tra liệu 19 4.1.1 Thống kê mô tả 19 4.1.2 Kiểm tra phân phối tính dừng chuỗi 22 4.1.3 Dạng phù hợp phương trình trung bình 23 4.2 Ước lượng mơ hình 24 4.2.1 Lựa chọn mơ hình 24 4.2.2 Kiểm định mô hình 26 4.3 Phân tích kết quả 27 4.3.1 Mối quan hệ chuỗi lợi tức VNIndex 27 4.3.2 Phân tích biến động chuỗi lợi tức VNIndex 28 CHƯƠNG 5: KẾT LUẬN 30 5.1 Một số kết quả chính 30 5.2 Hạn chế hướng nghiên cứu tiếp theo 30 TÀI LIỆU THAM KHẢO PHỤ LỤC DANH MỤC CÁC CHỮ VIẾT TẮT Tên đầy đủ STT Tên viết tắt ARCH Autoregressive Conditional Heteroskedasticity ARMA Autoregressive and Moving Average EGARCH Exponential Generalized Autoregressive Conditional Heteroskedasticity GARCH Generalized Autoregressive Conditional Heteroskedasticity GTGD Giá trị giao dịch GTLN Giá trị lớn GTNN Giá trị nhỏ GTTB Giá trị trung bình HNX Ha Noi Stock Exchange 10 HSX Ho Chi Minh Stock Exchange 11 KLGD 12 SGD 13 SGDCK Sở giao dịch chứng khốn 14 TpHCM Thành phố Hồ Chí Minh 15 VN30 Khối lượng giao dịch Sở giao dịch Chỉ số VN 30 DANH MỤC HÌNH Hình 1.1: Quy trình nghiên cứu Hình 4.1: Sự biến thiên số VNIndex theo KLGD HSX Hình 4.2: Sự biến thiên số VNIndex, HNIndex VN30 Hình 4.3: Biểu đồ phân phối chuẩn xác suất chuẩn hóa phần dư DANH MỤC BẢNG Bảng 2.1: Thống kê nghiên cứu thực nghiệm lập luận kế thừa Bảng 3.1: Tổng hợp biến mơ hình Bảng 4.2: Hệ số tương quan biến mơ hình Bảng 4.3: Kết quả kiểm tra tính chất phân phối chuẩn chuỗi Bảng 4.4: Kết quả kiểm định Dickey – Fuller cho chuỗi Bảng 4.5: Kết quả ước lượng tiêu chí lựa chọn mơ hình GARCH(1,1) EGARCH(1,1) TÓM TẮT Mục tiêu nghiên cứu kiểm tra mối quan hệ biến động số VN30, HNIndex, khối lượng giao dịch HSX đến lợi tức chuỗi với liệu được thu thập hàng tuần từ năm 2009 đến năm 2018 TTCK Việt Nam Thông qua các bước kiểm tra phân phối, tính dừng chuỗi liệu đề tài cho thấy mơ hình EGARCH(1,1) mơ hình phù hợp Kết quả cho thấy sự thay đổi số VN30 có tác động mạnh đến sự thay đổi số VNindex, tiếp đến ảnh hưởng số HNIndex Ngồi ra, từ mơ hình EGARCH(1,1) này, kết quả cịn thấy sự tồn thơng tin bất cân xứng mà thông tin tốt gây sự biến động nhiều thông tin xấu thị trường tăng ABSTRACT The study is examine the relationship between the volatility of the VN30, HNIndex, trading volume on the HSX to the profit of the series with data collected weekly from 2009 to 2018 on the Vietnam Stock Market Through the distribution checking steps, the unit root test (Augmented Dickey Fuller) of the series data show that the EGARCH model (1,1) is the appropriate model The results show that the change of VN30 index has the strongest impact on the volatility of VNindex, followed by the impact of the HNIndex In addition, from this EGARCH model (1,1), the results also show the existence of asymmetric information when good information causes more volatility than bad information in a rising market CHƯƠNG 1: TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU 1.1 Đặt vấn đề Đặc điểm tài sản tài lợi nhuận nó thường được coi biến ngẫu nhiên Sự lan truyền kết quả biến này, được gọi biến động tài sản, đóng vai trị quan trọng nhiều ứng dụng tài Sử dụng nó để ước tính giá trị rủi ro thị trường Biến động tham số quan trọng để định giá công cụ tài phái sinh Tất cả kỹ thuật định giá hiện đại tùy thuộc vào tham số biến động để đánh giá giá Biến động được sử dụng để đánh giá quản lý rủi ro quản lý danh mục đầu tư nói chung Điều quan trọng tổ chức tài khơng biết giá trị hiện tính biến động tài sản được quản lý mà cịn dự đoán giá trị tương lai chúng Dự báo biến động đặc biệt quan trọng tổ chức liên quan đến giao dịch quyền chọn quản lý danh mục đầu tư Tại VN có sàn chứng khoán với số chính HNX, HSX, VN30 nên để ước tính hành vi tương lai giá trị số tài chính thường bị ẩn mối liên kết số phức tạp, thường bị sai lệch không trực quan Điều làm cho việc dự báo hành vi biến động nhiệm vụ đầy thách thức cả các chuyên gia lĩnh vực Thấy được vai trò tầm quan trọng việc mơ hình hóa ước lượng biến động số tài chính, tác giả đã chọn đề tài “Phân tích biến động số giá chứng khoán mối quan hệ với khối lượng giao dịch sở giao dịch chứng khoán Tp.Hồ Chí Minh” làm đề tài nghiên cứu cho luận văn Thạc sĩ 1.2 Mục tiêu nghiên cứu Đề tài tập trung vào hai mục tiêu chính, đó là: - Xác định mối quan hệ chuỗi lợi tức dựa số VNindex với sự biến động số khối lượng giao dịch, số HNindex VN30 - Phân tích sự biến động chuỗi lợi tức VNindex 23 4.1.3 Dạng phù hợp phương trình trung bình Dạng phù hợp phương trình trung bình được xác định qua sự tồn thành phần ARMA với các độ trễ Biểu đồ tự tương quan (ACF) tự tương quan riêng phần (PACF) phần dư mơ hình hồi quy sở cho thấy sự tương quan yếu độ trễ (phụ lục 3) Giá trị hệ số tự tương quan tự tương quan riêng phần lần lượt 0.23 0.24 nhỏ Do vậy, phần dư phương trình trung bình với vế phải gồm chuỗi lợi tức biến thiên KLGD HSX không tồn thành phần ARMA Vì vậy, phương trình trung bình mơ hình nghiên cứu có dạng: Rt = 0 + 1Vt +  RHNX t + 3 R30t +  t 4.2 Ước lượng mơ hình 4.2.1 Lựa chọn mơ hình Việc ước lượng mơ hình GARCH(1,1) EGARCH(1,1) được thực hiện qua phương pháp hợp lí cực đại (ML) Mục tiêu phương pháp thực hiện phép lặp để tìm tham số tốt thỏa mãn điều kiện tối đa hóa hàm hợp lí (Log likelihood) Đây chính sở để lựa chọn các mơ hình được ước lượng qua kỹ thuật hợp lí cực đại Do vậy, số hai mơ hình GARCH(1,1) EGARCH(1,1), mơ hình được lựa chọn có giá trị hàm hợp lí lớn Ngồi ra, để khách quan nghiên cứu sử dụng thêm số tiêu chuẩn thông tin AIC1 (Akaike’s Information Criterion) để điều chỉnh sự lựa chọn theo độ phức tạp (số biến giải thích) mơ hình Theo đó, các mơ hình xét mơ hình phù hợp AIC nhỏ Kết quả ước lượng tiêu chí lựa chọn hai mơ hình GARCH(1,1) EGARCH(1,1) được tổng hợp bảng 4.5 AIC được tính AIC = −2log  L ( | y )  *  + 2k với k số biến giải thích mơ hình θ* giá trị  ước lượng hợp lí cực đại θ (Akaike, 1973)  24 Bảng 4.5: Kết ước lượng tiêu chí lựa chọn mơ hình GARCH(1,1) EGARCH(1,1) Biến Mơ hình Mơ hình GARCH (1,1) EGARCH(1,1) Phương trình trung bình: Rt = 0 + 1Vt +  RHNX t + 3 R30t +  t - Mối quan hệ R theo V, RHNX, R30 V 0.0012 0.0011 RHNX 0.1772*** 0.1783*** R30 0.7808*** 0.7808*** Hằng số 0.0002 0.0003 ( ) Phương trình phương sai: ln ( t2 ) =  +  ln ( t2−1 ) +  zt −1 −  +  zt −1 - Thành phần ARCH  t2−1 0.0850***  t2−1 0.9018*** - Thành phần EGARCH, ln ( t2 ) Hằng số (z t −1 − 0.0000  -0.1390 ) 0.0145 zt −1 0.1551*** ln ( t2−1 ) 0.9869*** Giá trị thống kê Số quan sát 500 500 25 Giá trị hợp lí cực đại (LL) 1926.1 1927.5 Tiêu chuẩn thông tin AIC -3383.3 -3838.9 Nguồn: tác giả tính tốn từ liệu phần mềm Stata 14.2 Từ kết quả bảng 4.5 cho thấy theo cả hai tiêu chí giá trị hàm hợp lí cực đại tiêu chí thơng tin AIC mơ hình EGARCH(1,1) mơ hình hiệu quả Vì vậy, nghiên cứu sử dụng mơ hình EGARCH(1,1) để giải thích mối quan hệ lợi tức VNIndex theo ́u tố, mơ hình hóa sự biến động chuỗi lợi tức Mơ hình EGARCH(1,1) được viết lại dạng tường minh sau: - Phương trình trung bình: Rt = 0.0003 + 0.0011*Vt + 0.1783* RHNX t + 0.7808 * R30t +  t - (4.1) Phương trình phương sai: ( ln ( t2 ) = −0.1390 + 0.9869* ln ( t2−1 ) + 0.0145* zt −1 − )  + 0.1551* zt −1 (4.2) 4.2.2 Kiểm định mơ hình Mơ hình EGARCH(1,1) trước được sử dụng để phân tích kết quả cần thiết phải kiểm tra tính hợp lí mơ hình Đầu tiên kiểm tra giả thút phân phối chuẩn phần dư thông qua thống kê Skewness Kết quả kiểm tra qua thống kê Skewness cho thấy phần dư có phân phối xấp xỉ phân phối chuẩn (phụ lục 6) Đồ thị hình 4.3 dạng phân phối xấp xỉ phân phối chuẩn phần dư với dạng nhọn cao so với phân phối chuẩn 0.50 0.00 20 0.25 40 Density 60 Normal F[(e-m)/s] 0.75 80 100 1.00 26 -.02 -.01 01 residual, one-step 02 0.00 0.25 0.50 0.75 Empirical P[i] = i/(N+1) 1.00 Nguồn: tác giả tính tốn từ liệu phần mềm Stata 14.2 Hình 4.3: Biểu đồ phân phối chuẩn xác suất chuẩn hóa phần dư Tiếp đến kiểm tra hiệu ứng ARCH cịn lại (nếu có) mơ hình EGARCH(1,1) sau ước lượng Kết quả kiểm tra (phụ lục 7) cho thấy khơng cịn hiệu ứng ARCH hai độ trễ với mức ý nghĩa thống kê 1% Như vậy, mơ hình EGARCH(1,1) đảm bảo tính hợp lí được sử dụng để phân tích kết quả cho nghiên cứu 4.3 Phân tích kết 4.3.1 Mối quan hệ chuỗi lợi tức VNIndex Mối quan hệ lợi tức VNIndex với chuỗi lợi tức khác HNIndex, VN30 chuỗi biến động KLGD HSX được thể hiện phương trình (4.1) Một cách khách quan kết quả ước lượng tham số phương trình trung bình mơ hình GARCH(1,1) EGARCH(1,1) gần tương đồng Điều đó cho thấy phương trình trung bình đã được xác định Rt = 0.0003 + 0.0011*Vt + 0.1783* RHNX t + 0.7808 * R30t +  t 27 Kết quả ước lượng cho thấy chuỗi lợi tức HNIndex VN30 có tác động chiều (có ý nghĩa thống kê 1%) lên lợi tức chuỗi VNIndex Trong đó, mức tác động mạnh được thể hiện chuỗi lợi tức VN30 Cụ thể, cứ % gia tăng số VN30 lập tức làm tăng thêm 0.78% số VNIndex Sở dĩ số VN30 tập hợp giao dịch 30 chứng khốn có quy mơ KLGD lớn thị trường chứng khốn TpHCM nên xem VN30 đầu tầu tăng trưởng hay số đại diện HSX Tương tự, chiều hướng này, nhiên, cứ % tăng số HNIndex làm tăng thêm 0.18% điểm số VNIndex Ngược lại, mối quan hệ với lợi tức VNIndex biến thiên KLGD HSX lại chưa đủ chứng cho thấy KLGD có tác động chiều với lợi tức VNIndex 4.3.2 Phân tích biến động chuỗi lợi tức VNIndex Sự biến động chuỗi lợi tức VNIndex được mơ hình hóa phương trình phương sai (4.2) với tham số cụ thể sau: - Hệ số ước lượng thành phần đối xứng:  = 0.0145 - Hệ số ước lượng thành phần GARCH:  = 0.9867 - Hệ số ước lượng thành phần bất đối xứng:  = 0.1551 Tất cả hệ số ước lượng dương ngoại trừ hệ số thành phần đối xứng không có ý nghĩa thống kê hai hệ số cịn lại có ý nghĩa thống kê mức 1% Điều đó có nghĩa tồn thông tin bất đối xứng thị trường chứng khoán TpHCM Cụ thể, thị trường giá tăng (phụ lục 8) giai đoạn 2009 đến 2018 sự xuất hiện thơng tin tích cực gây sự ổn định (biến động) mạnh so với sự biến động thông tin tiêu cực gây Tuy nhiên, kết quả nghiên cứu khơng cho thấy hiệu ứng địn bẩy thị trường mà tồn xu hướng biến động mạnh sau giá giảm so với trường hợp biến động giá tăng mức tăng giảm giá Ngoài ra, hệ số ước lượng thành phần GARCH,  = 0.9867 lớn nhiều so với hai thành phần lại Điều có ý nghĩa rằng, sự biến động chuỗi lợi 28 tức phần lớn sự biến động thời điểm trước (tuần) gây Và sự biến động cần nhiều thời gian để hấp thụ biến sau cú sốc lớn (nếu có) thị trường 29 CHƯƠNG 5: KẾT LUẬN 5.1 Một số kết Với việc sử dụng liệu được thu thập theo tuần thị trường chứng khoán Việt Nam giai đoạn đầu năm 2009 đến cuối năm 2018 đề tài nghiên cứu mối quan hệ số thị trường đến lợi tức SGDCK TpHCM, mơ hình hóa sự vận động chuỗi lợi tức đã lần lượt trả lời câu hỏi nghiên cứu đặt Thứ nhất, đề tài đã xác định mơ hình EGARCH(1,1) mơ hình phù hợp hiệu quả để ước lượng mối quan hệ số mơ hình hóa sự vận động chuỗi VNIndex Các tham số được ước lượng theo mơ hình EGARCH(1,1) hiệu qua mơ hình GARCH(1,1) cả giá trị lớn hàm hợp lí lẫn tiêu chí thơng tin AIC Thứ hai, đề tài đã làm rõ mối quan hệ số VN30, HNIndex đến số VNIndex Cụ thể, số VN30 có tác động mạnh đến sự thay đổi VNIndex Cụ thể, cứ % tăng thêm số VN30 lập tức làm số VNIndex tăng thêm 0.78 điểm phần trăm Chỉ số HNIndex có tác động chiều đến số VNIndex, nhiên, mức tác động thấp đáng kể so với số VN30 Tuy nhiên, đề tài chưa đủ chứng để xác nhận sự ảnh hưởng chiều sự thay đổi KLGD HSX đến lợi tức chuỗi VNIndex Thứ ba, đề tài cho thấy tồn thông tin bất cân xứng SGDCK TpHCM Theo đó, các thông tin tốt gây nên sự biến động nhiều sự biến động được gây thông tin xấu Đề tài cho thấy hiệu ứng địn bẩy khơng hiện diện thị trường khơng có sự trầm trọng q mức thông tin xấu gây 5.2 Hạn chế và hướng nghiên cứu Trong mối quan hệ số, đề tài sử dụng ba số đại diện cả hai SGD số VN30, HNIndex KLGD HSX, vậy, dẫn đến vấn đề bỏ sót biến Ngồi ra, mục tiêu đặt trọng tâm vào sự ảnh hưởng số lên VNIndex nên đề tài không xét đến mối quan hệ nhân quả số Cuối 30 đề tài chưa phân tích ảnh hưởng cú sốc bên thị trường lãi suất, lạm phát, tăng trưởng kinh tế đến sự biến động số VNIndex để có cách nhìn tồn diện sự phát triển TTCK Việt Nam Vì vậy, đề tài gợi mở số hướng nghiên cứu kế thừa bổ sung thêm biến vĩ mô, xét đến mối quan hệ nhân quả số phân tích ảnh hưởng tầm quan trọng cú sốc bên trong, lẫn bên ngồi mơ hình thơng qua xây dựng mơ hình khác mơ hình VAR/VECM hay mơ hình PVAR dành cho liệu bảng TÀI LIỆU THAM KHẢO Alexander C, Lazar E., 2006 Normal mixture GARCH (1, 1): application to exchange rate modeling Journal of Applied Econometrics Economic Review 39:885-905 Baillie, R and Bollerslev, T., 1989 The Message in Daily Exchange Rates: A Conditional-Variance Tale Journal of Business & Economic Statistics, vol 7, issue 3, 297-305 Bollerslev, T., 1986 Generalized Autoregressive Conditional Heteroskedasticity Journal of Econometrics 31, page 307-327 Brooks, C., 2008 Introductory Econometrics for Finance Cambridge University Press Bollerslev, T., 1987 A Conditionally Heteroskedastic Time Series Model for Speculative Prices and Rates of Return Review of Economics and Statistics 69, page 542-547 Chen, G., Firth, M and Rui, O M., 2001 The dynamic relation between stock returns, trading volume and volatility The Financial Review Vol.38, pp 153-174 Darwish, M J., 2012 Testing the contemporaneous and causal relationship between trading volume and return in the Palestine exchange Interdisciplinary Journal of Contemporary Research in Business Vol.3, pp 55-64 Dickey D.A., Fuller W.A., 1979 Distribution of the Estimators for Autoregressive Time Series with a Unit Root Journal of the American Statistical Association 74 427–431 Dongwi Su and Belton M Fleisher., 1998 Risk, Return and Regulation in Chinese Stock Market Journal of Econometric and Business 50: 239-256 Ederington, H L Guan, W., 2005 Forecasting volatility Journal of Futures Markets 25(5), page 465-490 Engel, F R., 1982 Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation Econometrica 50(4), page 9871007 Granger, C W J., and Morgenstern, O., 1963 Spectral analysis of New York Stock Market Prices International Review for Social Sciences Vol 16, pp 1–27 Mala, R and Reddy, M., 2007 Measuring stock market volatility in an emerging economy International Research Journal of Finance and Economics, Vol 8, pp 126-133 Mandelbrot B., 1963 The Variation of Certain Speculative Prices The Journal of Business, vol 36, 394 Nelson, B D., 1991 Conditional Heteroskedasticity in Asset Returns: A New Approach Econometrica 59(2), page 347-370 Pathirawasam, C., 2011 The relationship between trading volume and stock returns Journal of Competitiveness Vol 3, pp 41-49 Pisedtasalasai, A., and Gunasekarage, A., 2008 Causal and dynamic relationships among stock returns, return volatility and trading volume: Evidence from emerging markets in South-East Asia Asia-Pacific Finance Markets Vol 14, pp 277–297 Tauchen, G E., and Pitts, M., 1983 The price variability-volume relationship on speculative markets Econometrical: Econometric Society Vol 51, No 2, pp 485505 Tsay, R., 2005 Analysis of Financial Time Series 2nd ed New Jersey John Wiley & Sons PHỤ LỤC Phụ lục 1: Kết kiểm định Dickey – Fuller mở rộng cho chuỗi Kiểm tra tính dừng chuỗi R Source | SS df MS -+ -Model | 000050422 000050422 Residual | 380650528 498 000764358 -+ -Total | 38070095 499 000762928 Number of obs F(1, 498) Prob > F R-squared Adj R-squared Root MSE = = = = = = 500 0.07 0.7974 0.0001 -0.0019 02765 -R | Coef Std Err t P>|t| [95% Conf Interval] -+ -w | 2.17e-06 8.44e-06 0.26 0.797 -.0000144 0000187 _cons | -.0039278 0236787 -0.17 0.868 -.0504501 0425946 -Augmented Dickey-Fuller test for unit root Number of obs = 484 Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value -Z(t) -10.079 -3.441 -2.871 -2.570 -MacKinnon approximate p-value for Z(t) = 0.0000 Kiểm tra tính dừng chuỗi V Source | SS df MS -+ -Model | 004884868 004884868 Residual | 24.9142611 498 050028637 -+ -Total | 24.9191459 499 049938168 Number of obs F(1, 498) Prob > F R-squared Adj R-squared Root MSE = = = = = = 500 0.10 0.7548 0.0002 -0.0018 22367 -V | Coef Std Err t P>|t| [95% Conf Interval] -+ -w | -.0000213 0000683 -0.31 0.755 -.0001555 0001128 _cons | 0641981 1915657 0.34 0.738 -.3121785 4405747 -Augmented Dickey-Fuller test for unit root Number of obs = 484 Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value -Z(t) -12.517 -3.441 -2.871 -2.570 -MacKinnon approximate p-value for Z(t) = 0.0000 Kiểm tra tính dừng chuỗi RHNX Source | SS df MS -+ -Model | 001068876 001068876 Residual | 503852492 498 001011752 -+ -Total | 504921367 499 001011866 Number of obs F(1, 498) Prob > F R-squared Adj R-squared Root MSE = = = = = = 500 1.06 0.3045 0.0021 0.0001 03181 -RHNX | Coef Std Err t P>|t| [95% Conf Interval] -+ -w | 9.98e-06 9.71e-06 1.03 0.305 -9.10e-06 0000291 _cons | -.0279512 0272424 -1.03 0.305 -.0814754 025573 -Augmented Dickey-Fuller test for unit root Number of obs = 484 Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value -Z(t) -10.014 -3.441 -2.871 -2.570 -MacKinnon approximate p-value for Z(t) = 0.0000 Kiểm tra tính dừng chuỗi R30 Source | SS df MS -+ -Model | 7.6318e-07 7.6318e-07 Residual | 395923977 498 000795028 -+ -Total | 39592474 499 000793436 Number of obs F(1, 498) Prob > F R-squared Adj R-squared Root MSE = = = = = = 500 0.00 0.9753 0.0000 -0.0020 0282 -R30 | Coef Std Err t P>|t| [95% Conf Interval] -+ -w | 2.67e-07 8.61e-06 0.03 0.975 -.0000166 0000172 _cons | 001316 024149 0.05 0.957 -.0461305 0487626 -Augmented Dickey-Fuller test for unit root Number of obs = 484 Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value -Z(t) -10.215 -3.441 -2.871 -2.570 -MacKinnon approximate p-value for Z(t) = 0.0000 Phụ lục 2: Kết kiểm tra tồn hiệu ứng ARCH reg R V RHNX R30 Source | SS df MS -+ -Model | 366566379 122188793 Residual | 014134571 496 000028497 -+ -Total | 38070095 499 000762928 Number of obs F(3, 496) Prob > F R-squared Adj R-squared Root MSE = = = = = = 500 4287.76 0.0000 0.9629 0.9626 00534 -R | Coef Std Err t P>|t| [95% Conf Interval] -+ -V | 0013259 0011661 1.14 0.256 -.0009652 003617 RHNX | 1584273 0139916 11.32 0.000 1309372 1859173 R30 | 8052985 0151879 53.02 0.000 7754579 8351391 _cons | 0004764 0002409 1.98 0.049 3.12e-06 0009496 - predict res, res (4 missing values generated) estat archlm, lags(1) // Có ARCH(1) Number of gaps in sample: LM test for autoregressive conditional heteroskedasticity (ARCH) lags(p) | chi2 df Prob > chi2 -+ | 3.095 0.0785 H0: no ARCH effects vs H1: ARCH(p) disturbance Phụ lục 3: Kết kiểm tra thành phần ARMA(1,1) corrgram res, lags(20) // Khơng có thành phần ARMA(1,1) (note: time series has gaps) -1 -1 LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor] 0.2338 0.2352 27.505 0.0000 ||2 0.0499 -0.0073 28.761 0.0000 | | -0.0278 -0.0425 29.151 0.0000 | | -0.0851 -0.0723 32.818 0.0000 | | -0.0274 0.0191 33.199 0.0000 | | -0.0064 -0.0114 33.219 0.0000 | | -0.0159 -0.0154 33.348 0.0000 | | 0.0426 0.0560 34.273 0.0000 | | 0.0114 -0.0144 34.34 0.0001 | | 10 0.0540 0.0626 35.832 0.0001 | | 11 0.0831 0.0763 39.38 0.0000 | | 12 0.0858 0.0465 43.165 0.0000 | | 13 0.0461 0.0194 44.259 0.0000 | | 14 -0.0685 -0.0797 46.686 0.0000 | | 15 0.0203 0.0678 46.9 0.0000 | | 16 0.0242 0.0295 47.203 0.0001 | | 17 0.0388 0.0337 47.985 0.0001 | | 18 0.0081 -0.0440 48.019 0.0001 | | 19 -0.0130 0.0022 48.107 0.0002 | | 20 0.0200 0.0525 48.316 0.0004 | | Phụ lục 4: Kết ước lượng mơ hình GARCH(1,1) ARCH family regression Sample: 2009w2 - 2018w39, but with gaps Distribution: Gaussian Log likelihood = 1926.149 Number of obs Wald chi2(3) Prob > chi2 = = = 500 25146.15 0.0000 -| OPG R | Coef Std Err z P>|z| [95% Conf Interval] -+ -R | V | 001214 0010908 1.11 0.266 -.000924 003352 RHNX | 1771786 0109125 16.24 0.000 1557906 1985666 R30 | 7808075 0115729 67.47 0.000 758125 8034901 _cons | 0002499 0002115 1.18 0.237 -.0001646 0006645 -+ -ARCH | arch | L1 | 0849732 0264431 3.21 0.001 0331456 1368007 | garch | L1 | 9018337 0316726 28.47 0.000 8397566 9639109 | _cons | 3.71e-07 3.68e-07 1.01 0.313 -3.49e-07 1.09e-06 Phụ lục 5: Kết ước lượng mơ hình EGARCH(1,1) ARCH family regression Sample: 2009w2 - 2018w39, but with gaps Distribution: Gaussian Log likelihood = 1927.47 Number of obs Wald chi2(3) Prob > chi2 = = = 500 24756.43 0.0000 -| OPG R | Coef Std Err z P>|z| [95% Conf Interval] -+ -R | V | 0011309 0010739 1.05 0.292 -.0009738 0032356 RHNX | 1783123 0108578 16.42 0.000 1570314 1995932 R30 | 7807664 0113761 68.63 0.000 7584697 8030631 _cons | 0002815 0002132 1.32 0.187 -.0001364 0006994 -+ -ARCH | earch | L1 | 0145029 0152799 0.95 0.343 -.0154452 044451 | earch_a | L1 | 1551431 0467583 3.32 0.001 0634986 2467876 | egarch | L1 | 9869226 0150386 65.63 0.000 9574475 1.016398 | _cons | -.1390273 1566994 -0.89 0.375 -.4461525 168098 Phụ lục 6: Kiểm tra dạng phân phối phần dư mơ hình EGARCH(1,1) sktest e Skewness/Kurtosis tests for Normality joint -Variable | Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2 -+ e | 500 0.6898 0.0001 13.45 0.0012 Phụ lục 7: Kết kiểm tra hiệu ứng ARCH lại mơ hình EGARCH(1,1) Number of gaps in sample: LM test for autoregressive conditional heteroskedasticity (ARCH) lags(p) | chi2 df Prob > chi2 -+ | 0.077 0.7812 | 0.235 0.8893 H0: no ARCH effects vs H1: ARCH(p) disturbance Phụ lục 8: Xu hướng giá VNIndex giai đoạn 2009w1 đến 2018w39 ... hàng Mã số : 8340201 LUẬN VĂN THẠC SĨ KINH TẾ NGƯỜI HƯỚNG DẪN KHOA HỌC: GS.TS TRẦN NGỌC THƠ TP Hồ Chí Minh – Năm 2019 LỜI CAM ĐOAN Luận văn với đề tài ? ?Phân tích biến động số giá chứng khoán mối...BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP.HCM o0o BÙI THỊ NHƯ Ý PHÂN TÍCH BIẾN ĐỘNG CỦA CHỈ SỐ GIÁ CHỨNG KHOÁN VÀ MỐI QUAN HỆ VỚI KHỐI LƯỢNG GIAO DỊCH TRÊN SỞ GIAO DỊCH CHỨNG KHOÁN... tính giá trị rủi ro thị trường Biến động tham số quan trọng để định giá công cụ tài phái sinh Tất cả kỹ thuật định giá hiện đại tùy thuộc vào tham số biến động để đánh giá giá Biến động