4. Trình bày kết quả nghiên cứu
4.3Giải thích nguyên nhân tại sao chứng khoán lại sụt giảm
4.3.1 Ảnh hưởng của hiệu ứng đòn bẩy
Chúng tôi đã kiểm định sự ảnh hưởng này bằng phương trình của ông :
ln = + ln(1 + ) +
Giả thiết:
H0: Không có hiệu ứng đòn bẩy H1: Có hiệu ứng đòn bẩy
chúng ta có = 0.12981 là và với p-value= 0.7711 rất lớn nên chúng tôi thấy : không ảnh hưởng của hiệu ứng đòn bẩy trong việc thay đổi giá chứng khoán
4.3.2 Hiệu ứng volatility feedback
Theo những βđã ước lượng ở trên đã trình bày ở trên thì chúng tôi thấy có sự liên quan giữa việc sụt giảm giá chứng khoán có liên quan đến hiệu ứng này,với sự tin cậy cao p-value có mức ý nghĩa (5% từ mô hình ARIMA và 10% từ mô hình GARCH) (hiệu ứng volatility feedback: là sự gia tăng biến động không kỳ vọng sẽ làm gia tăng rủi ro kỳ vọng trong tương lai, dẫn đến làm gia tăng phần bù rủi ro, điều này làm cho giá của chứng khoán bị giảm xuống)
5 Tổng kết
5.1 Kết luận
- Sau khi thực hiện 2 mô hình ước lượng, có trọng số từ mô hình ARIMA và GARCH . Chúng tôi tìm thấy có tương quan dương giữa phần bù rủi ro và sự biến động kỳ vọng của thị trường, và sự tương quan dương giữa phần bù rủi ro và sự biến động không kỳ vọng.
- Chúng tôi thấy rằng nếu sử dụng độ lệch chuẩn để đo lường rủi ro thì tốt hơn sử dụng phương sai.
- Chúng tôi đo lường thấy hệ số e ngại rủi ro của nhà đầu tư Việt Nam trong khoảng (0.316-2.1) ( lấy từ phương trình (2a) bảng 1 và (6a) bảng 4)
- Bên cạnh đó, không sự ảnh hưởng của hiệu ứng đòn bẩy đến sự sụt giảm của chứng khoán.thêm nữa,chúng tôi tìm thấy có sự ảnh hưởng của hiệu ứng volatility feedback đến sự thay đổi giá chứng khoán
- Chúng tôi xây dựng 2 mô hình dự báo rủi ro của thị trường chứng khoán từ mô hình ARIMA (mô hình 1.1) và GARCH (mô hình 1.2) đều có khả năng dự đoán rủi ro trong tương lai của thị trường chứng khoán
5.2 Những hạn chế
- Chúng tôi sử dụng ước lượng hàm hối qui bằng 2 phương pháp WLS và mô hình GARCH đơn giản để ước lượng các hệ số trong các mô hình trên, tuy nhiên theo một số ý kiến của Taylor và Fama cho rằng có thể có nhiều mô hình mở rộng của GARCH sử dụng tốt hơn cho trường hợp của chúng tôi (ví dụ như mô hình TGARCH, I-GARCH)
- Chúng tôi chỉ chia sự biến động làm 2 phần: biến động có thể dự báo được và biến động không thể dự báo được, và cách đo lường rủi ro là phương sai hoặc độ lệch chuẩn của tỷ suất sinh lợi thị trường. Nhưng theo chúng tôi thì sẽ có nhiều cách để phân tích sự biến động thị trường và một số cách đo lường rủi ro khác nhau. Chính vì thế nếu sử dụng những cách đo lường khác có thể sẽ cho chúng ta kết quả tốt hơn.
- Do thị trường Việt Nam mới thành lập nên số quan sát của chúng tôi ít, chỉ 11 năm, trong khi đó những nghiên cứu về đề tài dạng này thường là trên 30 năm (chuỗi số liệu càng nhiều càng tốt) như: sẽ cho kết quả chính xác hơn.
- Bài nghiên cứu của chúng tôi sử dụng số liệu trong quá khứ để dự báo độ biến động - của tỷ suất sinh lợi chứng khoán. Tuy nhiên có thể sử dụng phương pháp khảo sát, lấy ý kiến của các chuyên gia để đo lường kỳ vọng của các nhà đầu tư.Vì chúng tôi nhận thấy rằng thị trường chứng khoán có thể thay đổi tùy thuộc vào kỳ vọng của các nhà đầu tư, nếu nhà đầu tư tin tưởng rằng thị trường chứng khoán trong tương lai có rủi ro cao, trong khi bộ số liệu có thể cho kết quả là rủi ro thấp. Thì kết quả rủi ro dự đoán trong tương lai vẫn cao
5.3 Hướng nghiên cứu tiếp theo
- Chúng tôi đã đo lường được hệ số e ngại rủi ro của các nhà đầu tư, từ đây chúng ta có thể tiếp tục nghiên cứu xem sự e ngại này thật sự ảnh hưởng như thế nào đến sự biến động của giá chứng khoán (nếu đặt thêm vào các yếu tố như: thuế, dòng tiền, lãi suất thực…).
- Tìm hiểu thêm mối quan hệ giữa phần bù rủi ro và sự biến động thì trường bằng những cách: đo lường sự biến động thị trường (bằng cách khảo sát kỳ vọng của nhà đầu tư ),sử dụng mô hình khác nhau ( sử dụng các mô hình GARCH mở rộng khác để đo lường các nhân tố:cú sock âm và cú sock dương đối với thị trường), hoặc là thêm những yếu tố khác tham gia vào mô hình thể hiện mối tương quan (như thái độ của nhà đầu tư, mức độ tự do của thị trường)
6 Phụ lục và tài liệu kham khảo
6.1 . Phụ lục
6.1.1 Qui trình xây dựng GARCH (2,1)
Sau khi chạy thử nghiệm rất nhiều mô hình phù hợp khác nhau. Chúng tôi lựa chọn mô hình ARIMA phù hợp nhất (có chỉ số Log likelihood lớn nhất, Akaike và Schawrz là nhỏ nhất) sau đây:
P_value<0.05bác bỏ H0: Không có hiệu ứng ARCH Tiếp tục kiểm tra ta thấy ARCH có ý nghĩa ở bậc 6:
Đây là mô hình ARCH bậc cao, chính vì vậy để giảm thiểu việc mất nhiều bậc tự do trong mô hình. Chúng tôi đề xuất sử dụng mô hình GARCH
Kết quả chạy mô hình GARCH (1, 1)
Điều này đã bác bỏ giả thuyết H0: Không có hiệu ứng ARCH. Nên mô hình vẫn còn hiệu ứng ARCH (vẫn còn phương sai thay đổi theo thời gian). (adsbygoogle = window.adsbygoogle || []).push({});
Để khắc phục hiệu ứng ARCH trong mô hình này, chúng tôi tiếp tục sử dụng mô hình GARCH (2, 1)
Chúng tôi kiểm định hiệu ứng ARCH trong mô hình GARCH (2, 1) trên và thấy không còn hiệu ứng ARCH
Ta có P_value=0.658717 >0.05 không còn hiệu ứng ARCH. 6.1.2 Ước lượng các mô hình (1),(2)
6.1.3 Ước lượng mô hình 3
Phương trình 3a và 3e
6.1.4 Ước lượng mô hình 4
6.1.5 Ước lượng mô hình 5 và 6
Phương trình 5a Phuong trình 5b
58
6.2 . Tài liệu kham khảo
-http://www.spiderfinancial.com/support/documentation/numxl/reference-manual/garch- analysis/garch-m-model
-"Dự báo và Phân tích dữ liệu trong Kinh tế và Tài chính", Tác giả: Nguyễn Trọng Hoài, Phùng Thanh Bình, Nguyễn Khánh Duy.
-Kinh tế lượng chương trình nâng cao Nguyễn Quang Dong (2006)
-Andersen, T.G. and T. Bollerslev (1998), “ARCH and GARCH Models” in S. Kotz, C.B. Read andD.L. Banks (eds), Encyclopedia of Statistical Sciences, Vol.II. New York: John Wiley and Sons.
-T.Bollerslev (2008): “Glossary to ARCH (GRACH)”
-Merton, Robert C., 1973: “An intertemporal asset pricing model, Econometrica 41, 867- 887
-Merton, Robert C., 1980: “On estimating the expected return on the market: An exploratary investigation.
-Pindyck, Robert S., 1983: “Risk, inflation, and the stock market” -French, Kenneth R., 1987: “expected stock returns and volatility”
-Ercan Balaban (2001) Stock returns, seasonality and asymmetric conditional volatility in world equity markets
-Ercan Balaban & Aslı Bayar (2005) Stock returns and volatility: empirical evidence from fourteen countries
-Abdulnasser Hatemi-J (2010) Modeling Time-Varying Volatility and Expected Returns: Evidence from the GCC and MENA Regions
-Yufeng Han : (2011) On the relation between the market risk premium and market volatility
59
-Choong Tze Chua & Jeremy Goh & Zhe Zhang (2010): Expected Volatility, Unexpected Volatility, And The Cross-Section Of Stock Returns
-Hibbert, Ann Marie & Daigler, Robert T. & Dupoyet, Brice (2008) A behavioral explanation for the negative asymmetric return-volatility relation
-Ravinder Kumar Arora & Himadri Das & Pramod Kumar Jain (2009) Stock Returns and Volatility: Evidence from Select Emerging Markets
-Black, Fischer, 1976: “studies of stock price volatility changes”, American Statistical Association
-Engle, Robert F. (2001) The Use of ARCH/GARCH Models in Applied Econometrics -Engle, Robert F. (2004) Risk and Volatility: Econometric Models and Financial Practice