Mô hình GARCH(2,1) chạy trên ARIMA(4,d,3), cho những kết quả như sau: AR(4): sai khác giữa giá trị tỷ suất sinh lợi ngày hôm nay so với giá trị trung bình phụ thuộc sai khác giữa giá trị tỷ suất sinh lợi 4 ngày giao dịch liền kề trước đó với giá trị trung bình.
MA(3): sai số giá trị tỷ suất sinh lợi ngày hôm nay so với giá trị kỳ vọng phụ thuộc sai số giá trị tỷ suất sinh lợi so với giá trị kỳ vọng ngày hôm nay và 3 ngày giao dịch liền kề trước đó.
GARCH(2,1): phương sai tỷ suất sinh lợi ngày hôm nay phụ thuộc phương sai tỷ suất sinh lợi 2 ngày giao dịch liền kề trước đó.
Như vậy, rủi ro thị trường tài chính Việt Nam ngày t sẽ bị ảnh hưởng biến động của thị trường tài chính ngày t và 4 ngày giao dịch liền kề trước đó. Hay nói cách khác, rủi ro thị trường tài chính Việt Nam phụ thuộc vào các thông tin trên thị trường ngày t và 4 ngày làm việc liền kề. Điều này giúp cho nhà đầu tư có được những nhận định sơ bộ về tình hình biến động thị trường trong tương lai, từ đó đưa ra các quyết định đầu tư phù hợp.
Chương 4: HẠN CHẾ VÀ ĐỊNH HƯỚNG PHÁT TRIỂN MÔ HÌNH TRONG TƯƠNG LAI
Bài nghiên cứu này tìm kiếm công cụ đo lường rủi ro thị trường tài chính Việt Nam phù hợp thông qua tỷ suất sinh lợi của VN-Index nhằm thay thế cho phương pháp sử dụng chỉ số độ lệch chuẩn truyền thống, tuy nhiên mô hình GARCH(2,1) chỉ có thể đạt được mức chính xác khoảng 88% do những hạn chế đặc thù của những thị trường mới nổi nói chung và thị trường chứng khoán Việt Nam nói riêng. Do đó để làm rõ những hạn chế tiềm tàng này, và tạo hướng nghiên cứu tiếp theo để có thể tìm thấy những mô hình tốt hơn đo lường độ biến động của thị trường tài chính ở Việt Nam, nhóm nghiên cứu mong muốn hiểu rõ tâm lý bầy đàn trên thị trường chứng khoán Việt Nam.
Lê Thị Ngọc Lan (2009) đã tiến hành một khảo sát điều tra 150 nhà đầu tư cá nhân và hơn 40 nhà đầu tư có tổ chức, và thu được các kết quả về thực trạng về tâm lý bày đàn trên thị trường chứng khoán Việt Nam được thể hiện như sau:
Nhà đầu tư cá
nhân Doanhnghiệp
Chú ý và cảnh giác hơn sau bong bong đầu cơ 45% 34%
Tình hình nội tại công ty quan trọng nhất 33% 68%
Yếu tố bầy đàn gây nên việc đánh giá quá cao
của thị trường 28% 40%
Sụt giảm thị trường do công ty thua lỗ 33% 60%
Yếu tố bầy đàn góp phần làm sụp đổ thị
trường 25%
Tác động bởi các nhà phân tích 32%
Phản ứng thái quá trước thông tin 57% 62%
Hình 4.1. Các nhân tố quan trọng nhất đóng góp vào định giá quá mức thị trường trong thời kỳ bong bóng đầu cơ.
Nguồn: Lê Thị Ngọc Lan (2009): “Nghiên cứu lý thuyết hành vi trên thị trường chứng khoán Việt Nam", ĐH Kinh tế Tp. Hồ Chí Minh.
Từ kết quả nghiên cứu trên, có thể thấy tâm lý hành vi bầy đàn đóng một vai trò quan trọng trong việc đưa ra các quyết định đầu tư. Chính vì vậy nhóm nghiên cứu kết luận rằng, tâm lý bầy đàn của nhà đầu tư chính là nhân tố giải thích cho sự sai lệch trong các dự báo của mô hình.
4.1 Tâm lý bầy đàn – Nhân tố hạn chế sự chính xác của mô hình
Tâm lý bầy đàn là điều dường như không còn là khái niệm xa lạ, các thị trường tài chính trên thế giới luôn bị chi phối bởi tâm lý đan xen bởi lòng tham và sự sợ hãi, và thị trường chứng khoán Việt Nam cũng không phải là ngoại lệ. Cụ thể, trong năm 2007 đến 2008 dường như các nhà đầu tư có thể cảm nhận được tính nghiêm trọng của bong bong đầu cơ nhưng họ vẫn tiếp tục đầu tư vào thị trường dù biết rằng rủi ro sụp đổ rất cận kề. Thậm chí không có sự khác biệt đáng kể giữa hành vi của nhà đầu tư cá nhân và nhà đầu tư có tổ chức vì cả hai nhóm đầu tư này đều thực hiện những thay đổi tương đồng về đặc điểm đầu tư và các hành động chủ yếu của họ thông qua những hành vi tâm lý giống nhau.
Khi chứng kiến đà tăng mạnh mẽ của thị trường chứng khoán năm 2007, mặc dù khá lưỡng lự về quyết định của mình, nhưng các nhà đầu tư vẫn có niềm tin khá cao về lợi tức cao trong quá khứ sẽ tiếp tục được lặp lại trong tương lai. Điều này cho thấy, các nhà đầu tư có khuynh hướng thực hiện giao dịch chỉ dựa trên những diễn biến tốt đẹp của thị trường do họ bị áp lực bởi tâm lý bày đàn, hành vi của họ bị thúc ép theo những cổ phiếu thắng với phần còn lại của thị trường. Tuy nhiên do có xu hướng không quan tâm đến những yếu tố của nền kinh tế vĩ mô như lãi suất cơ bản, lạm phát…nên các nhà đầu tư đã bị thất bại nặng nề khi thị trường đã phản bội niềm tin quay ngược giảm giá không phanh.
Sở thích đánh cược với rủi ro khi đối mặt với rủi ro của các nhà đầu tư cũng là nguyên dân dẫn đến việc thị trường Việt Nam phát triển quá nóng năm 2007. Trong sự gia tăng nhanh chóng của thị trường, nhà đầu tư bán cổ phiếu và kiếm lời và kết quả là thành công đó sẽ khuyến khích họ mua thêm cổ phiếu có thể tiếp tục tăng giá trong tương lai. Các nhà đầu tư không muốn nhận các khoản lỗ trong cùng một thời gian nhận được các khoản lời. Và ngày càng nhiều người bị dính vào các diễn biến tốt đẹp lặp đi lặp lại của cổ phiếu, từ đó cho thấy việc thiếu khả năng kiềm chế và sở thích chóng vánh được xem là những yếu tố góp phần vào hành vi thiếu hợp lý số đông của các nhà đầu tư cá nhân và tổ chức. Với những nhận định như vậy, nhóm nghiên cứu rút ra rằng TTCK Việt Nam vẫn còn hết sức non trẻ và tâm lý bày đàn vẫn còn là một vấn đề mà các nhà đầu tư cá nhân và có tổ chức cần chú trọng. Điều cần lưu ý đó là phải nâng cao nhận thức, khả năng đánh giá phân tích thị trường để có thể đưa ra những quyết định chính xác hơn, góp phần nâng cao tính hiệu quả của thị trường chứng khoán Việt Nam.
4.2Định hướng phát triển mô hình trong tương lai
Các phân tích về tâm lý bầy đàn và tài chính hành vi cho thấy mặc dù mô hình GARCH(2,1) đã đạt những kết quả chấp nhận được và nhất quán với những nghiên cứu trước kia về thị trường chứng khoán ở các nước mới nổi, tuy nhiên kết quả của mô hình vẫn cần phải được xem xét kỹ lưỡng bỡi những lý do sau đây:
- Nguồn dữ liệu thu thập từ 3/2002 đến 3/2011 của VN-Index vẫn chưa đủ lớn, tạo được sự tin cậy cần thiết để đưa ra những kết quả phù hợp cho thị trường Việt Nam. Hơn nữa, VN-Index vẫn chưa đủ lớn để khái quát hết toàn bộ nền kinh tế do số lượng các công ty niêm yết vẫn còn hạn chế.
- Thị trường chứng khoán Việt Nam vẫn còn hết sức non trẻ và tâm lý bày đàn vẫn còn là một vấn đề mà các nhà đầu tư cá nhân và có tổ chức cần chú trọng. Điều cần lưu ý đó là phải nâng cao nhận thức, khả năng đánh giá phân tích thị trường để có thể đưa ra những quyết định chính xác hơn, góp phần nâng cao tính hiệu quả của thị trường chứng khoán Việt Nam.
Do đó việc áp dụng mô hình GARCH(2,1) vào thị trường Việt Nam vẫn còn gặp một số khó khăn nhất định. Tuy nhiên tôi hy vọng rằng những kết quả từ bài nghiên cứu này sẽ đặt nền tảng cho những hướng nghiên cứu tiếp theo, bởi vì trong tương lai thị trường chứng khoán Việt Nam sẽ ngày càng phát triển hơn nữa và nguồn dữ liệu quan sát sẽ được cập nhật và đủ tin cậy để có thể đưa ra những kết quả chính xác hơn. Ngoài ra, việc lựa chọn mô hình thích hợp nhất để đo lường và dự báo độ biến động của thị trường chỉ là cảm tính của người nghiên cứu, và đây vẫn là một câu hỏi mở thú vị cho những ai quan tâm đến lĩnh vực này.
PHẦN KẾT LUẬN (adsbygoogle = window.adsbygoogle || []).push({});
Bài nghiên cứu cung cấp một cái nhìn tổng quát về các nguyên nhân gây ra tính dễ biến động của rủi ro thị trường. Bên cạnh đó dựa vào việc xem xét những mô hình đo lường độ biến động được áp dụng phổ biến, đặc biệt là mô hình GARCH đã được chứng minh và áp dụng khá thành công tại nhiều nước, nhóm nghiên cứu tin rằng, mô hình GARCH(2,1) chạy với ARIMA(4,d,3) sẽ là một công cụ hữu ích trong việc đo lường độ biến động của thị trường tài chính ở Việt Nam. Về mặt thực tiễn, bài nghiên cứu giúp các nhà đầu tư có một cái nhìn sâu sắc hơn về tính dễ biến động của thị trường, có những nhận biết về các rủi ro thị trường trong tương lai để từ đó có những quyết định đầu tư phù hợp. Cuối cùng bài nghiên cứ đưa ra những hạn chế còn tồn tại trong thị trường tài chính Việt Nam để người sử dụng mô hình hiệu chỉnh sao cho mô hình đạt được kết quả tốt nhất. Ngoài ra, người nghiên cứu hy vọng sau bài nghiên cứu này, trong tương lai mô hình sẽ được phát triển sâu hơn nhằm hoàn thiện công cụ đo lường rủi ro của thị trường tài chính Việt Nam, giúp cho thị trường tài chính đặc biệt là TTCK Việt Nam ngày càng hiệu quả, là một “hàn thử biểu” chính xác của nền kinh tế.
63
TÀI LIỆU THAM KHẢO
1. Amit Goyal (2000): “Predictability of Stock Return Volatility from
GARCH Models”,Anderson Graduate School of Management, UCLA.
2. Bollerslev, Tim (1986): "Generalized Autoregressive Conditional Heteroskedasticity",Journal of Econometrics.
3. Dima Alberga, Haim Shalit, and Rami Yosef (2008): “Estimating stock
market volatility using asymmetric GARCH models”, Applied Financial
Economics.
4. Engle, R. F. (1982): “Autoregressive Conditional Heteroskedasticity with
Estimates of the Variance of United Kingdom Inflation”, Econometrica.
5. Evdokia Xekalaki, Staors Degiannakis (2010): “Arch models for financial
application”, Wiley.
6. Fisher, R.A., and L. H. C. Tippett (1928): “Limiting forms of the frequency distribution of the largest and smallest member of a sample”,
Proc. Cambridge Phil. Soc.
7. George Edward Pelham Box & Gwilym Jenkins (1990): “Time Series
Analysis, Forcasting and Control”,Holden-Day, Incorporated.
8. Glosten, Lawrence R & Jagannathan, Ravi & Runkle, David E (1993): "On the Relation between the Expected Value and the Volatility of the
Nominal Excess Return on Stocks," Journal of Finance, American
Finance Association.
9. Gumbel, Emil J. (1958): “Statistics of Extremes”, Columbia University Press.
10. Hien, Mai Thi Thanh (2008): “Modelling and forecasting volatility by
garch-type models: the case of Vietnam stock exchange”, A dissertation
presented in part consideration for the degree of MA. Finance and Investment.
11. Jean-Philippe Peters (2001): “Estimating and forecasting volatility of stock indices using asymmetric GARCH models and (Skewed) Student-t
64
densities”, Ecole d’Administration des Affaires, University of Li`ege, Belgium March 20.
12. Kevin Downd (2002): “An Introduction to Market Risk Measurement”,
Wiley Finance.
13. Lambert, P. and Laurent, S. (2000): “Modelling skewness dynamics in series of financial data”, Discussion Paper, Institut de Statistique, Louvain-la-Neuve. (adsbygoogle = window.adsbygoogle || []).push({});
14. Lambert, P. and Laurent, S. (2001): “Modelling financial time series using
GARCH-type models and a skewed student density”, mimeo, Universite
de Liege.
15. Markowitz, H.M. (1952): "Portfolio Selection",The Journal of Finance. 16. Nelson, D. B. (1991), “Conditional heteroskedasticity in asset returns: A
new approach”,Econometrica.
17. Pickands, J. (1975): “Statistical inference using extreme order statistics”,
Annals of Statistics.
18.S´ebastien Laurent and Jean-Philippe Peters (2001): “G@RCH 2.0: An Ox
Package for Estimating and Forecasting Various ARCH Models”.
19. S´ebastien Laurent and Jean-Philippe Peters (2002): “A Tutorial for G@RCH 2.3, a Complete Ox Package for Estimating and Forecasting ARCH Models”.
20. Turan G. Bali (2003): “An Extreme value Approach to Estimating Volatility and Value at Risk”,Journal of Business.
21. Vuong Thanh Long (2008): “Empirical analysis of stock return volatility with regime change using garch model: the case of VietNam stock
market”,Vietnam development forum.
22. Lê Thị Ngọc Lan (2009): “Nghiên cứu lý thuyết hành vi trên thị trường
chứng khoán Việt Nam”,ĐH Kinh Tế Tp. Hồ Chí Minh.
23. Tài liệu giảng dạy Chương trình kinh tế Fullbright, “Kinh tế lượng căn bản”.
24. Trần Ngọc Thơ (2007): “Tài chính doanh nghiệp hiện đại”, Nhà xuất bản
65 25. www.cafef.vn 26.www.cophieu68.com 27.www.eximbank.com.vn 28. www.findarticles.com 29. www.fpts.com.vn 30.www.gso.gov.vn 31.www.sbv.org.vn 32.www.tapchicongsan.org.vn 33.www.tinnhanhchungkhoan.vn 34. www.vncorp.vn 35.www.vneconomy.vn 36.www.wikipedia.com 37.www.worldbank.org
66
PHỤ LỤC
Phụ lục 1: Bảng thống kê giá trị t-prob không phù hợp của các mô hình GARCH(p,q)
GARCH(3,1) GARCH(1,4) GARCH(1,5) GARCH(2,2)
Cst(M) 0.1529 0.0750 0.0739 0.1816 d-Arfima 0.0047 0.0022 0.0021 0.0653 AR(1) 0.0000 0.0000 0.0000 0.8321 AR(2) 0.0000 0.0000 0.0000 0.0266 AR(3) 0.0000 0.0000 0.0000 0.0987 AR(4) 0.0000 0.0000 0.0000 0.0292 MA(1) 0.0000 0.0000 0.0000 0.1999 MA(2) 0.0000 0.0000 0.0000 0.0124 MA(3) 0.0885 0.0211 0.0194 0.4635 Cst(V) 0.0011 0.0745 0.0902 0.0030 ARCH(Alpha1) 0.0000 0.0000 0.0000 0.0000 ARCH(Alpha2) 0.0176 0.0242 0.0000 ARCH(Alpha3) 0.1903 0.2260 ARCH(Alpha4) 0.1368 0.0617 ARCH(Alpha5) 0.3853 GARCH(Độ lệch chuẩn1) 0.0002 0.0000 0.0000 0.0000 GARCH(Độ lệch chuẩn2) 0.2684 0.0000 GARCH(Độ lệch chuẩn3) 0.0347
67
ARCH-in-mean
(VaR) 0.0467 0.0271 0.0302 0.0294
Phụ lục 2: Bảng kết quả các mô hình GJR(p,q) theo phân phối student GJR(1,1) GJR(1,2) GJR(2,1) t-prob Cst(M) 0.0845 0.0611 0.0719 d-Arfima 0.0039 0.0037 0.0036 AR(1) 0.0000 0.0000 0.0000 AR(2) 0.0000 0.0000 0.0000 AR(3) 0.0000 0.0000 0.0000 AR(4) 0.0000 0.0000 0.0000 MA(1) 0.0000 0.0000 0.0000 MA(2) 0.0000 0.0000 0.0000 MA(3) 0.0283 0.0068 0.0176 Cst(V) 0.0056 0.0856 0.0058 ARCH(Alpha1) 0.0000 0.0000 0.0000 ARCH(Alpha2) 0.0172 GARCH(Độ lệch chuẩn1) 0.0000 0.0000 0.0000 GARCH(Độ lệch chuẩn2) 0.0214 GJR(Gamma1) 0.3278 0.8300 0.3389 GJR(Gamma2) 0.9461 Student (DF) 0.0000 0.0000 0.0000 ARCH-in-mean (VaR) 0.1935 0.2334 0.1935 α1+β1+k.γ1 (<1) 1.03687 1.03687 1.06577