CHƯƠNG 3 : SỐ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
3.1. Số liệu
3.2.1. Tổng quan mô hình ARMA
Mô hình phân tích chuỗi thời gian tự hồi quy bình quân động ARMA (Autoregressive moving average) là một công cụ để phân tích và dự đoán các giá trị tương lai của chuỗi dữ liệu time series rt. Mô hình bao gồm hai phần, phần tự hồi quy
AR (autoregressive) kết hợp với phần bình quân động MA (moving average). Trong bài nghiên cứu này mô hình ARMA với dữ liệu chuỗi thời gian về thời tiết (nhiệt độ, lượng mưa) và chỉ số chứng khoán trong quá khứ được sử dụng để đo lường mối tương quan giữa nhiệt độ và thời tiết và dự đoán xu hướng biến động chỉ số chứng
khoán khi thời tiết thay đổi. Bên cạnh đó, tương tự Cao và Wei (2005), nghiên cứu sử dụng mô hình ARMA với biến giả dummy để tìm hiểu sâu hơn về mối tương quan
giữa thời tiết nóng (nhiệt độ cao trên 28.8oC) và mưa lớn (trên 0.1767mm) với chỉ số Vnindex và Hnindex. Cụ thể tác giả chạy những mô hình sau:
Mô hình có dạng cơ bản:
rt = φ0 + φ1rt-1 + φ2Temp + φ3Rain Và có dạng đặc biệt với biến giả dummy:
rt = φ0 + φ1rt-1 + φ2HOT + φ3HEAVYRAIN Trong đó:
rt là tỷ suất sinh lời hàng ngày của chỉ số chứng khoán tại thời điểm t rt-1 là tỷ suất sinh lời hàng ngày của chỉ số chứng khoán tại thười điểm t-1
Temp là nhiệt độ hàng ngày Rain là lượng mưa hàng ngày
HOT là biến giả về nhiệt độ với giá trị bằng 1 khi thời thiết nóng (nhiệt độ > 28.8oC) và bằng 0 khi nhiệt độ < 28.8oC
HEAVYRAIN là biến giả về lượng mưa với giá trị bằng 1 khi lượng mưa > lượng mưa
trung bình (0.1767mm) và bằng 0 khi lượng mưa < lượng mưa trung bình
Các hệ số hồi quy φ2 và φ3 đóng vai trò chủ chốt trong nghiên cứu. Tác giả kỳ vọng nếu thời tiết thực sự có ảnh hưởng đến thị trường chứng khoán, các hệ số này sẽ có ý nghĩa thống kê. Dấu của các hệ số hồi quy cũng sẽ cho thấy hướng tác động của các yếu tố thời tiết lên thị trường chứng khoán, thể hiện rằng nhiệt độ (hoặc
thời tiết nắng nóng) và lượng mưa trung bình (hoặc mưa quá nhiều) có thể ảnh hưởng
tích cực hay tiêu cực lên hoạt động giao dịch.