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 tựtương quan riêng phần (PACF) của phần dư trong mô hình hồi quy cơ sở chỉ cho thấy một sự tương quan yếu ởđộ trễđầu tiên (phụ lục 3). Giá trị hệ số tựtương quan và tựtương 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 +2RHNXt+3R30t+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 mãn điều kiện tối đa hóa hàm hợp lí (Log likelihood). Đây chính là cơ sởđể 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) đểđiều 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 quảước 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.

1AIC được tính ( ) *

2 log | 2

AIC= − L  y  + kvới 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 quảước lượng và tiêu chí lựa chọn mô hình GARCH(1,1) và EGARCH(1,1) Biến Mô hình GARCH (1,1) Mô hình EGARCH(1,1) Phương trình trung bình: Rt = + 0 1Vt+2RHNXt +3R30t +t

- Mối quan hệ giữa 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: ( )2 ( )2 ( )

1 1 2 1 ln t = + ln t− + zt− −  +zt− - Thành phần ARCH 2 1 t  − 0.0850*** 2 1 t  − 0.9018*** - Thành phần EGARCH, ( )2 ln t Hằng số 0.0000 -0.1390 ( 1 2 ) t z− −  0.0145 1 t z− 0.1551*** ( )2 1 ln t− 0.9869*** 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 quảhơn. 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 thểđược viết lại dưới dạng tường minh như sau:

- Phương trình trung bình:

0.0003 0.0011* 0.1783* 0.7808* 30

t t t t t

R = + V + RHNX + R + (4.1)

- Phương trình phương sai:

( )2 ( )2 ( )

1 1 2 1

ln t = −0.1390+0.9869*ln t− +0.0145* zt− −  +0.1551*zt− (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.

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 quảước 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 đã được xác định đúng.

0.0003 0.0011* 0.1783* 0.7808* 30 t t t t t R = + V + RHNX + R + 0 20 40 60 80 100 -.02 -.01 0 .01 .02 residual, one-step 0. 00 0. 25 0. 50 0. 75 1. 00 N or ma l F[ (e -m) /s ] 0.00 0.25 0.50 0.75 1.00

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 sẽlàm tăng thêm 0.78% ở chỉ số VNIndex. Sởdĩ như vậy là vì chỉ số VN30 là tập hợp giao dịch của 30 chứng khoán có quy mô và KLGD lớn nhất thịtrường chứng khoán TpHCM nên có thểxem VN30 là đầu tầu tăng trưởng hay chỉ sốđại 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 ởphương trình phương sai (4.2) với các tham số cụ thểnhư sau:

- Hệ sốước lượng của thành phần đối xứng:  =0.0145 - Hệ sốước lượng của thành phần GARCH:  =0.9867

- Hệ sốước lượng của thành phần bất đối xứng: =0.1551

Tất cả các hệ sốước 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 (biến động) mạnh hơn so với sự biến động do các thông tin tiêu cực gây ra. Tuy nhiên, kết quả nghiên cứu không cho thấy hiệu ứng đòn bẩy trên thị trường khi mà một tồn tại một xu hướng biến động mạnh sau khi giá giảm so với trường hợp biến động khi giá tăng mặc dù ở cùng một mức tăng hoặc giảm giá như nhau.

Ngoài ra, hệ sốước lượng của thành phần GARCH,  =0.9867 là lớn hơn rất nhiều so với hai thành phần còn lại. Điều này có ý nghĩa rằng, sự biến động của chuỗi lợi

tức phần lớn là do sự biến động của chính nó ở thời điểm trước (tuần) gây ra. Và sự biến động này cần nhiều thời gian để hấp thụ và biến mất sau một cú sốc lớn (nếu có) trên thịtrường.

CHƯƠNG 5: KẾT LUẬN 5.1 Một số kết quả chính

Với việc sử dụng dữ liệu được thu thập theo tuần trên thị trường chứng khoán Việt Nam trong giai đoạn đầu năm 2009 đến cuối năm 2018 đề tài nghiên cứu mối quan hệ giữa các chỉ số trên thị trường đến lợi tức trên SGDCK TpHCM, cũng như mô hình hóa sự vận động của chuỗi lợi tức này đã lần lượt trả lời các câu hỏi nghiên cứu đặt ra.

Thứ nhất, đềtài đã xác định mô hình EGARCH(1,1) là mô hình phù hợp và hiệu quả nhất đểước lượng mối quan hệ giữa các chỉ số và mô hình hóa sự vận động của chuỗi VNIndex. Các tham sốđược ước lượng theo mô hình EGARCH(1,1) là hiệu qua hơn mô hình GARCH(1,1) cả về giá trị lớn nhất của hàm hợp lí lẫn tiêu chí thông tin AIC. Thứ hai, đề tài đã làm rõ mối quan hệ giữa chỉ số VN30, HNIndex đến chỉ số VNIndex. Cụ thể, chỉ sốVN30 có tác động mạnh nhất đến sựthay đổi của VNIndex. Cụ thể, cứ mỗi % tăng thêm trong chỉ số VN30 ngay lập tức sẽ làm chỉ số VNIndex tăng thêm 0.78 điểm phần trăm. Chỉ số HNIndex cũng có tác động cùng chiều đến chỉ số VNIndex, tuy nhiên, mức tác động này là thấp hơn đáng kể so với chỉ số VN30. Tuy nhiên, đềtài chưa đủ bằng chứng để xác nhận sựảnh hưởng cùng chiều giữa sự thay đổi KLGD trên HSX đến lợi tức của chuỗi VNIndex.

Thứ ba, đề tài cho thấy tồn tại một thông tin bất cân xứng trên SGDCK TpHCM. Theo đó, các thông tin tốt gây nên sự biến động nhiều hơn là sự biến động được gây bởi các thông tin xấu. Đềtài cũng cho thấy hiệu ứng đòn bẩy không hiện diện trên thị trường khi không có sự trầm trọng quá mức do các thông tin xấu gây ra.

5.2 Hạn chếvà hướng nghiên cứu tiếp theo

Trong mối quan hệ giữa các chỉ số, đề tài chỉ sử dụng ba chỉ số đại diện trên cả hai SGD như chỉ số VN30, HNIndex và KLGD trên HSX, do vậy, có thể dẫn đến vấn đề bỏ sót biến. Ngoài ra, do mục tiêu đặt trọng tâm vào sựảnh hưởng của các chỉ số lên VNIndex nên đềtài không xét đến mối quan hệ nhân quả giữa các chỉ số. Cuối cùng

là đềtài chưa phân tích ảnh hưởng của các cú sốc bên ngoài thị trường như lãi suất, lạm phát, tăng trưởng kinh tếđến sự biến động của chỉ sốVNIndex để có cách nhìn toàn diện về sự phát triển của TTCK Việt Nam. Vì vậy, đề tài gợi mở một sốhướng nghiên cứu kế thừa như bổ sung thêm các biến vĩ mô, xét đến mối quan hệ nhân quả giữa các chỉ số và phân tích ảnh hưởng hoặc tầm quan trọng của các cú sốc bên trong, lẫn bên ngoài mô hình thông qua xây dựng những mô hình khác như mô hình VAR/VECM hay mô hình PVAR dành cho dữ 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 987- 1007.

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. 485- 505

Tsay, R., 2005. Analysis of Financial Time Series. 2nd ed. New Jersey. John Wiley & Sons.

PHỤ LỤC

Phụ lục 1: Kết quả kiểm định Dickey – Fuller mở rộng cho các chuỗi

Kiểm tra tính dừng của chuỗi R

Source | SS df MS Number of obs = 500 ---+--- F(1, 498) = 0.07 Model | .000050422 1 .000050422 Prob > F = 0.7974 Residual | .380650528 498 .000764358 R-squared = 0.0001 ---+--- Adj R-squared = -0.0019 Total | .38070095 499 .000762928 Root MSE = .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 ---