Nguồn dữ liệu

Mẫu dữ liệu trong nghiên cứu được thu thập theo tuần gồm chỉ số VN-Index, KLGD, chỉ số VN30 của SGDCK TpHCM, chỉ số HN-Index của SGDCK Hà Nội. Các dữ liệu về giá (chỉ số) và khối lượng giao dịch được tổng hợp từ Công ty Chứng khoán Bảo Việt ( http://www.bvsc.com.vn/), SGDCK TpHCM

( https://www.hsx.vn/), SGDCK Hà Nội (https://www.hnx.vn/vi-vn/)

Bảng 3.1: Tổng hợp các biến trong mô hình

Tên biến Ý nghĩa

R Đo lường sự biến thiên của chỉ số VNIndex

RHNX Đo lường sự biến thiên của chỉ số HNIndex VN30 Đo lường sự biến thiên của chỉ số VN30

V Đo lường sự biến thiên trong KLGD trên HSX

3.2.2 Cách tính các biến

Biến thiên của chỉ số VNIndex, Rt

P R

t = ln t

P

t −1

- Pt: là chỉ số VNIndex trung bình của tuần t

- Pt-1: là chỉ số VNIndex trung bình của tuần (t – 1)

Biến thiên của KLGD trên HSX, Vt

V

V =ln hsx , t

V

t

hsx , t −1

- : KLGD trung bình của tuần t trên HSX

- Vhsx,t-1 : KLGD trung bình của tuần (t – 1) trên HSX

(3.1)

(3.2)

Biến thiên của chỉ số HNIndex, RHNXt

R P

= ln hnx , t

HNX ,t P

hnx , t −1

- Rhnx,t : Chỉ số HNIndex trung bình của tuần t

- Rhnx,t-1 : Chỉ số HNIndex trung bình của tuần (t – 1)

Biến thiên của chỉ số VN30

VN 30t

VN 30t = ln

VN30

t −1

- VN30t: là chỉ số VN30 trung bình của tuần t

- VN30t-1: là chỉ số VN30 trung bình của tuần (t – 1)

3.3 Quy trình thực hiện nghiên cứu

(3.3)

(3.4)

Quy trình ước lượng mô hình EGARCH(1,1) mở rộng được thực hiện qua 4 bước như sau:

- Kiểm tra tính dừng và phân phối chuẩn của các chuỗi

- Xác định dạng phù hợp của phương trình trung bình

- Kiểm tra hiệu ứng ARCH

- Ước lượng mô hình GARCH, EGARCH mở rộng.

Một giả định trong hồi quy tuyến tính là các biến trong mô hình phải có phân phối chuẩn đa biến, tuy nhiên, trong dữ liệu tài chính phần lớn các chuỗi có phân phối xấp xỉ với hai đuôi phẳng (skewness và leptokurtosis) hơn so với phân phối chuẩn (Bollerslev 1987; Baillie and Bollerslev 1989; Nelson et al. 1996; Alexander and Lazar 2006). Trong trường hợp này, Bollerslev (1987) đề xuất sử dụng phân phối Student t-GARCH để ghi nhận sự biến động trong mô hình GARCH và mô hình EGARCH (Alexander and Lazar, 2006).

Ngoài ra, các chuỗi trước khi được sử dụng trong phân tích đòi hỏi đạt trạng thái dừng. Tính dừng của các chuỗi được kiểm tra thông qua kiểm định Dickey-Fuller mở rộng với giả thuyết H0 rằng chuỗi kiểm tra có nghiệm đơn vị và giả thuyết thay thế là chuỗi đang xét là một chuỗi dừng.

Tiếp đến là xét dạng phù hợp của phương trình trung bình trong mô hình EGARCH mở rộng. Theo Tsay (2005) thì một phương trình trung bình được xác định đúng khi phần dư của phương trình này tuân theo phân phối iid với giá trị trung bình bằng 0. Bằng cách kiểm tra và bổ sung các thành phần tự hồi quy của chuỗi lợi tức hoặc trung bình trượt của phần dư (nếu có) sẽ cho phép phương trình trung bình được xác định đúng.

Cuối cùng là kiểm tra sự tồn tại của thành phần ARCH trong phương trình hồi quy và ước lượng mô hình. Ở đây, sự tồn tại của thành phần ARCH là bảo chứng quan trọng cho việc mô hình hóa sự biến động của chuỗi lợi tức. Nó có thể được kiểm tra thông qua kiểm định nhân tử Lagrange về sự tồn tại của phần dư bình phương trong hồi quy của phương trình trung bình.

Thông thường, sau khi ước lượng mô hình EGARCH mở rộng chúng ta thường so sánh dấu, độ lớn và ý nghĩa thống kê của các hệ số , , để từ đó có một đánh giá toàn diện hơn về sự biến động của thị trường trước các cú sốc hay thông tin từ bên ngoài.

CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU 4.1 Kiểm tra dữ liệu

4.1.1 Thống kê mô tả

Các biến được sử dụng trong nghiên cứu mối quan hệ giữa KLGD và các lợi tức của các chỉ số khác lên chỉ số lợi tức của SGDCK TpHCM được tổng hợp ở bảng 4.1.

Bảng 4.1: Giá trị trung bình và độ lệch chuẩn của các biến

Biến Số quan sát GTTB Độ lệch chuẩn GTNN GTLN

R 500 0.0022 0.028 -0.118 0.135

V 500 0.0044 0.223 -0.647 0.719

RHNX 500 0.00001 0.032 -0.105 0.161

R30 500 0.0021 0.028 -0.135 0.134

Nguồn: tác giả tính toán từ bộ dữ liệu trên phần mềm Stata 14.2

Kết quả cho thấy về mặt trung bình sự biến thiên mạnh nhất xảy ra ở KLGD trên HSX và giá trị biến thiên trung bình ít nhất ở chuỗi lợi tức chỉ số HNIndex. Sự biến thiên của chuỗi lợi tức VNIndex và VN30 là khá tương đồng nhau.

0.

1

50

00 Sự biến thiên của VNindex theo KLGD

1 .0 00 00 đ ổi c hỉ s ố V N in d e x 00 00 00 . 0. 0. 05 0 00 1 00 0 0 đổ i K LG D t rê n H S X 0. 0. 00 0 00 5 00 0 0 T ha y -0 .0 50 00 T ha y -0 .5 00 00 -0 .1 00 00 2011w26 2014w1 2016w27 1 .0 00 00 2009w1 - 2019w1 w

Thay đổi chỉ số VNindex Thay đổi KLGD trên HSX

Nguồn: tác giả tính toán từ bộ dữ liệu trên phần mềm Stata 14.2

Hình 4.1: Sự biến thiên của chỉ số VNIndex theo KLGD trên HSX

Đồ thị biến thiên của các chuỗi (hình 4.1 và hình 4.2) cho thấy các chuỗi đều dao động quanh giá trị trung bình của chuỗi trong giai đoạn khảo sát. Đây là dấu hiệu cho thấy các chuỗi trong mô hình nghiên cứu đều dừng ở bậc gốc và không có yếu tố xu hướng. 20 00 00 . Đồ thị biến thiên các chỉ số 10 00 00 . 00 00 00 . -0 .1 00 00 -0 .2 00 00 2009w1 2011w26 2014w1 2016w27 2019w1 w

Thay đổi chỉ số VNindex Thay đổi trong HNindex Thay đổi chỉ số VN30

Nguồn: tác giả tính toán từ bộ dữ liệu trên phần mềm Stata 14.2

Hình 4.2: Sự biến thiên của các chỉ số VNIndex, HNIndex và VN30

Ngoài ra, kết quả phân tích tương quan (bảng 4.2) cho thấy các chuỗi lợi tức chỉ số như VNIndex, HNIndex và VN30 có mối tương quan rất cao với nhau (đều lớn hơn 0.83), đặc biệt là sự tương quan chặt giữa VNIndex và VN30 khi hệ số tương quan giữa 2 chuỗi lợi tức chỉ số này gần 0.98. Sự tương quan giữa sự thay đổi trong KLGD với sự thay đổi trong các chuỗi lợi tức chỉ số là không đáng kể với giá trị hệ số tương quan nhỏ hơn 0.4. Tất cả các hệ số tương quan riêng này đều có ý nghĩa thống kê ở mức 5%.

Bảng 4.2: Hệ số tương quan giữa các biến trong mô hình

| R V RHNX R30 ---+--- R | 1.0000 V | 0.3234* 1.0000 RHNX | 0.8672* 0.3942* 1.0000 R30 | 0.9756* 0.2931* 0.8286* 1.0000

Nguồn: tác giả tính toán từ bộ dữ liệu trên phần mềm Stata 14.2

Ghi chú: (*) ứng với mức ý nghĩa thống kê 5%

4.1.2 Kiểm tra phân phối và tính dừng của các chuỗi

Yêu cầu về phân phối chuẩn của các chuỗi trong các mô hình GARCH, EGARCH phải thỏa man tính chất phân phối chuẩn hoặc ít nhất tiệm cận phân phối chuẩn. Kết quả kiểm tra tính chất phân phối chuẩn của các chuỗi (bảng 4.3) cho thấy phần lớn các chuỗi trong mô hình thỏa man tính chất tiệm cận phân phối chuẩn với đồ thị dạng nhọn cao hơn so với phân phối chuẩn. Ngoại trừ chuỗi lợi tức HNIndex thì giá trị p của thống kê Skewness cho các chuỗi còn lại đều lớn hơn 0.10. Do vậy, các chuỗi được xem là thỏa man yêu cầu về tính chất phân phối và phù hợp để sử dụng trong mô hình.

Bảng 4.3: Kết quả kiểm tra tính chất phân phối chuẩn của các chuỗi

Giá trị p

Biến Số quan sát

Skewness Kurtosis

R 500 0.77 0.00

V 500 0.20 0.32

RHNX 500 0.03 0.00

R30 500 0.55 0.00

Nguồn: tác giả tính toán từ bộ dữ liệu trên phần mềm Stata 14.2

Tuy nhiên, trước khi ước lượng mô hình thì cần thiết phải kiểm tra thêm tính dừng của các chuỗi. Kết quả kiểm định Dickey – Fuller về tính dừng của các chuỗi (bảng 4.4) cho thấy tất cả các chuỗi đều dừng ở bậc gốc. Điều này cũng hoàn toàn phù hợp với nhận xét ban đầu về dạng đồ thị biến thiên của các chuỗi ở phần trên.

Bảng 4.4: Kết quả kiểm định Dickey – Fuller cho các chuỗi

Giá trị tới hạn Giá trị p

Giá trị

Chuỗi theo Kết luận

tính toán Mức Mức Mức

MacKinnon 1% 5% 10% R -10.079 -3.441 -2.871 -2.57 0.000 Chuỗi dừng RHNX -10.014 -3.441 -2.871 -2.57 0.000 Chuỗi dừng R30 -10.215 -3.441 -2.871 -2.57 0.000 Chuỗi dừng V -12.517 -3.441 -2.871 -2.57 0.000 Chuỗi dừng

Nguồn: tác giả tính toán từ bộ dữ liệu trên phần mềm Stata 14.2

4.1.3 Dạng phù hợp của phương trình trung bình

Dạng phù hợp của phương trình trung bình được xác định qua sự tồn tại của thành phần ARMA với các độ trễ của nó. Biểu đồ tự tương quan (ACF) và tự tương quan riêng phần (PACF) của phần dư trong mô hình hồi quy cơ sở chỉ cho thấy một sự tương quan yếu ở độ trễ đầu tiên (phụ lục 3). Giá trị hệ số tự tương quan và tự tương quan riêng phần lần lượt là 0.23 và 0.24 rất nhỏ. Do vậy, phần dư của phương trình trung bình với vế phải gồm các chuỗi lợi tức và biến thiên KLGD trên HSX là không tồn tại thành phần ARMA. Vì vậy, phương trình trung bình của mô hình nghiên cứu sẽ có dạng: Rt=0+1Vt+2 RHNX t+3 R30t+t

4.2 Ước lượng mô hình

4.2.1 Lựa chọn mô hình

Việc ước lượng các mô hình GARCH(1,1) và EGARCH(1,1) đều được thực hiện qua phương pháp hợp lí cực đại (ML). Mục tiêu của phương pháp này là thực hiện các phép lặp để tìm một bộ tham số tốt nhất thỏa man điều kiện tối đa hóa hàm hợp lí (Log likelihood). Đây chính là cơ sở để lựa chọn các mô hình được ước lượng qua kỹ thuật hợp lí cực đại này. Do vậy, trong số hai mô hình GARCH(1,1) và EGARCH(1,1), mô hình được lựa chọn sẽ có giá trị hàm hợp lí lớn hơn. Ngoài ra, để khách quan nghiên cứu sử dụng thêm chỉ số tiêu chuẩn thông tin AIC1 (Akaike’s Information Criterion) để điều chỉnh sự lựa chọn theo độ phức tạp (số biến giải thích) của mô hình. Theo đó, giữa các mô hình đang xét thì mô hình càng phù hợp thì AIC càng nhỏ. Kết quả ước lượng và các tiêu chí lựa chọn giữa hai mô hình GARCH(1,1) và EGARCH(1,1) được tổng hợp ở bảng 4.5.

1 AIC được tính AIC= −2 log L( | y)*+ 2k với k là số biến giải thích của mô hình và θ* là giá trị ước lượng hợp lí cực đại của θ (Akaike, 1973)

Bảng 4.5: Kết quả ước lượng và tiêu chí lựa chọn mô hình GARCH(1,1) và EGARCH(1,1)

Biến Mô hình Mô hình

GARCH (1,1) EGARCH(1,1)

Phương trình trung bình: R = 0 + V + RHN X

t +R30+t

t 1 t 2 3 t

- Mối quan hệ giữa R theo V, RHNX, R30

V RHNX R30 Hằng số

Phương trình phương sai:

0.0012 0.0011 0.1772*** 0.1783*** 0.7808*** 0.7808*** 0.0002 0.0003 (t ) (t −1) ( t −1 2) t −1 ln 2 = + ln2 + z − + z - Thành phần ARCH t2−1 t2−1 - 0.0850*** 0.9018*** Thành phần EGARCH, ln ( t2) Hằng số 0.0000 -0.1390 ( z t −1 − 2 ) 0.0145 zt −1 0.1551*** ln ( 2 ) 0.9869*** t −1 Giá trị thống kê Số quan sát 500 500

Giá trị hợp lí cực đại (LL) 1926.1 1927.5

Tiêu chuẩn thông tin AIC -3383.3 -3838.9

Nguồn: tác giả tính toán từ bộ dữ liệu trên phần mềm Stata 14.2

Từ kết quả bảng 4.5 cho thấy theo cả hai tiêu chí giá trị của hàm hợp lí là cực đại và tiêu chí thông tin AIC thì mô hình EGARCH(1,1) là mô hình hiệu quả hơn. Vì vậy, nghiên cứu sử dụng mô hình EGARCH(1,1) để giải thích mối quan hệ giữa lợi tức VNIndex theo các yếu tố, cũng như mô hình hóa sự biến động của chuỗi lợi tức này. Mô hình EGARCH(1,1) có thể được viết lại dưới dạng tường minh như sau:

- Phương trình trung bình:

R =0.0003+0.0011*V +0.1783* RHNX t+0.7808* R30 +t

t t t

- Phương trình phương sai:

(t ) (t −1) ( t −1 2) t −1 ln 2 = −0.1390 + 0.9869 * ln2 + 0.0145* z − + 0.1551*z (4.1 ) (4.2 ) 4.2.2 Kiểm định mô hình

Mô hình EGARCH(1,1) trước khi được sử dụng để phân tích kết quả thì cần thiết phải kiểm tra tính hợp lí của mô hình. Đầu tiên là kiểm tra các giả thuyết về phân phối chuẩn của 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 cũng một dạng phân phối xấp xỉ phân phối chuẩn của phần dư với dạng nhọn và cao hơn so với phân phối chuẩn.

80 0. 75 D en si ty 40 60 N or m al F [( e- m )/ s] 0. 50 0. 25 20 0 00 0. -.02 -.01 0 .01 .02 0.00 0.25 0.50 0.75 1.00 residual, one-step Empirical P[i] = i/(N+1)

Nguồn: tác giả tính toán từ bộ dữ liệu trên phần mềm Stata 14.2

Hình 4.3: Biểu đồ phân phối chuẩn và xác suất chuẩn hóa của phần dư

Tiếp đến là kiểm tra hiệu ứng ARCH còn lại (nếu có) của mô hình EGARCH(1,1) sau ước lượng. Kết quả kiểm tra (phụ lục 7) cho thấy không còn hiệu ứng ARCH ít nhất ở hai độ trễ đầu tiên với mức ý nghĩa thống kê 1%. Như vậy, mô hình EGARCH(1,1) đảm bảo tính hợp lí và được sử dụng để phân tích kết quả cho nghiên cứu.

4.3 Phân tích kết quả

4.3.1 Mối quan hệ giữa chuỗi lợi tức VNIndex

Mối quan hệ giữa lợi tức VNIndex với các chuỗi lợi tức khác như HNIndex, VN30 và chuỗi biến động KLGD trên HSX được thể hiện ở phương trình (4.1). Một cách khách quan thì kết quả ước lượng các tham số của phương trình trung bình ở mô hình GARCH(1,1) và EGARCH(1,1) là gần như tương đồng. Điều đó cho thấy phương trình trung bình đa được xác định đúng.

R =0.0003+0.0011*V +0.1783* RHNXt+0.7808* R30 +t

Kết quả ước lượng cho thấy các chuỗi lợi tức HNIndex và VN30 đều có tác động cùng chiều (có ý nghĩa thống kê 1%) lên lợi tức của chuỗi VNIndex. Trong đó, mức tác động mạnh nhất được thể hiện ở chuỗi lợi tức VN30. Cụ thể, cứ mỗi % gia tăng trong chỉ số VN30 ngay lập tức sẽ làm tăng thêm 0.78% ở chỉ số VNIndex. Sở dĩ như vậy là vì chỉ số VN30 là tập hợp giao dịch của 30 chứng khoán có quy mô và KLGD lớn nhất thị trường chứng khoán TpHCM nên có thể xem VN30 là đầu tầu tăng trưởng hay chỉ số đại diện của HSX. Tương tự, cùng chiều hướng này, tuy nhiên, cứ mỗi % tăng trong chỉ số HNIndex chỉ làm tăng thêm 0.18% điểm trong chỉ số VNIndex. Ngược lại, trong mối quan hệ với lợi tức VNIndex thì biến thiên trong KLGD trên HSX lại chưa đủ bằng chứng cho thấy KLGD có tác động cùng chiều với lợi tức VNIndex.

4.3.2 Phân tích sự biến động của chuỗi lợi tức VNIndex

Sự biến động của chuỗi lợi tức VNIndex được mô hình hóa ở phương trình phương sai (4.2) với các tham số cụ thể như sau:

- - -

Hệ số ước lượng của thành phần đối xứng: =

Hệ số ước lượng của thành phần GARCH: =

Hệ số ước lượng của thành phần bất đối xứng:

0.0145

0.9867

= 0.1551

Tất cả các hệ số ước lượng này đều dương và ngoại trừ hệ số của thành phần đối xứng là không có ý nghĩa thống kê thì hai hệ số còn lại đều có ý nghĩa thống kê ở mức 1%. Điều đó có nghĩa rằng tồn tại thông tin bất đối xứng trên thị trường chứng khoán TpHCM. Cụ thể, trong một thị trường giá tăng (phụ lục 8) trong giai đoạn 2009 đến 2018 thì sự xuất hiện của các thông tin tích cực gây ra sự mất ổn định