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: =0.0145 - Hệ số ước lượng của thành phần GARCH: =0.9867
- Hệ số ước lượng của thành phần bất đối xứng: =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 (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 số ước 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 thị trường.
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, đề tài đã xác định mô hình EGARCH(1,1) là mô hình phù hợp và hiệu quả nhất để ước lượng mối quan hệ giữa các chỉ số và mô hình hóa sự vận động của chuỗi VNIndex. Các tham số được 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 số VN30 có tác động mạnh nhất đến sự thay 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, đề tài chưa đủ bằng chứng để xác nhận sự ảnh 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. Đề tài 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 chế và 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 sự ảnh hưởng của các chỉ số lên VNIndex nên đề tài không xét đến mối quan hệ nhân quả giữa các chỉ số. Cuối cùng
là đề tài chưa phân tích ảnh hưởng của các cú sốc bên ngoài thị trường như lãi suất, lạm phát, tăng trưởng kinh tế đến sự biến động của chỉ số VNIndex để có cách nhìn toàn diện về sự phát triển của TTCK Việt Nam. Vì vậy, đề tài gợi mở một số hướng 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
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 --- MacKinnon approximate p-value for Z(t) = 0.0000
Kiểm tra tính dừng của chuỗi V
Source | SS df MS Number of obs = 500 ---+--- F(1, 498) = 0.10 Model | .004884868 1 .004884868 Prob > F = 0.7548 Residual | 24.9142611 498 .050028637 R-squared = 0.0002 ---+--- Adj R-squared = -0.0018 Total | 24.9191459 499 .049938168 Root MSE = .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 của chuỗi RHNX
Source | SS df MS Number of obs = 500 ---+--- F(1, 498) = 1.06 Model | .001068876 1 .001068876 Prob > F = 0.3045 Residual | .503852492 498 .001011752 R-squared = 0.0021 ---+--- Adj R-squared = 0.0001 Total | .504921367 499 .001011866 Root MSE = .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 ---