về lý thuyết, dữ liệu của một chuỗi thời gian bất kỳ có thể được coi là kết quả của một quá trình có tính ngẫu nhiên. Như vậy, một tập những dữ liệu có đặc tính riêng có thể coi là kết quả đặc biệt của quá trình đó. Nói một cách khác, nếu như coi quá trình có
tính ngẫu nhiên là một tổng thể thì tệp dữ liệu thu được trong tổng thể đấy là sẽ là một mẫu quan sát.
Trong đó, một yếu tố quan trọng được các nhà nghiên cứu thực hiện kiểm định trước tiên là Tính dừng (stationary) của tổng thể. Nếu như kỳ vọng (expectation), phương sai (variance) và hiệp phương sai (correlation) của tổng thể Yt không thay đổi theo thời gian tại cùng độ trễ nhất định. Tuy nhiên trong một thị trường đạt hiệu quả yếu, các kiểm định sẽ không thể thấy được tính dừng của tỷ suất lợi nhuận theo chuỗi thời gian. Nói một cách khác, các nhà phân tích không thể sử dụng dữ liệu lịch sử để dự báo giá của giá chứng khoán trong tương lai.
Bài khóa luận dưới đây sử dụng kiểm định ADF (Augmented Dickey — Fuller)
được đưa ra bởi Dickey (1976) với 2 dạng mô hình:
k
Trong đó:
∆yt = yt- Δyt-1
yt =β0+ β3, +£
yt : Chuỗi dữ liệu theo thời gian k : Độ dài của độ trễ
εt : Nhiễu trắng (white noise)
Có thể thấy, mô hình (2) là sự mở rộng của mô hình (1) với sự bổ sung của biến xu hướng t. Biến t được nhận các giá trị trong khoảng từ 1 đến n với giá trị 1 là đại diện của quan sát thứ nhất trong mẫu dữ liệu và n là đại diện của quan sát đứng cuối cùng trong chuỗi các dữ liệu. Bên cạnh đó, nhiễu trắng đại diện cho sai số ngẫu nhiên. Đồng thời, theo giả định của kinh tế cổ điển thì biến nhiễu nhận giá trị trung bình là 0 và phương sai là một hằng số không có sự tự tương quan. Giả thiết của kiểm định như sau:
H0: β = 0 ( yt là chuỗi không có tính dừng) H1: β < 0 ( ytlà chuỗi có tính dừng) 3.2.2. Kiểm định bằng mô hình hồi quy
Sau khi có được kết quả kiểm định rằng mẫu quan sát có tính dừng, bài khóa luận sử dụng 2 mô hình hồi quy dưới đây để tiếp tục thực hiện phân tích chuỗi dữ liệu:
a) Mô hình ARIMA
Mô hình ARIMA hay còn gọi là mô hình “Autoregressive Integrated Moving Average - tự hồi quy tích hợp trung bình trượt” được ra đời với mục đích dự báo các giá
trị của tỷ suất sinh lời trong trong tương lai. Đặc biệt trong dự báo ngắn hạn, mô hình ARIMA thường được các nhà phân tích sử dụng vì tính đơn giản của nó.
Các dạng mô hình ARIMA gồm có:
Mô hình p - AR (p) với quá trình tự hồi quy phụ thuộc vào tổng các trọng số của giá trị quá khứ và biến nhiễu ngẫu nhiên. Phương trình:
rt = φ1rt-1 + φrt-2 + - + φrt-p + ∂ + εt
Mô hình q - MA (q) với quá trình tự hồi quy được mô tả bằng tổng các trọng số của biến ngẫu nhiên tại thời điểm có cùng độ trễ. Phương trình:
rt= μ + εt- θ1^rt-1 - θ2rt-2 + - + θprt-q
Mô hình ARMA (p,q) là sự kết hợp của 2 mô hình trên hay còn gọi là “Mô hình
Hồi Quy Kết Hợp Trung Bình Trượt”. Phương trình:
rt = Φ1rt-1+Φ2rt-2+---+φprt-p+ d + ε
t- Θιεt-1 -θ2εt-2+ - +θpεt-q
Các tham số sau khi được ước lượng trong mô hình sẽtiếp tục được kiểm định để xác định rằng mô hình là thích hợp. Các bước thực hiện cụ thể như sau:
Thứ nhất, kiểm định phần dư 0t có tính chất là nhiễu trắng hay không. Nếu kết quả 0t là nhiễu, mô hình là phù hợp. Ngược lại, mô hình sẽ trở nên không thích hợp nếu 0t không phải là nhiễu trắng và quá trình nghiên cứu phải bắt đầu lại.
Thứ hai, trong các kết quả của kiểm định thu được có tồn tại số lượng mô hình phù
hợp nhiều hơn 1, mô hình có AIC (Akaike Information Criterion) đạt giá trị nhỏ nhất được ưu tiên lựa chọn.
b) Mô hình GARCH
Mô hình GARCH viết tắt của “Generalized Autoregressive Conditional Heteroskedasticity” là mô hình được phát triển dựa trên mô hình ARCH. Trong đó, mô hình ARCH ra đời năm 1982 bởi Engle và mô hình GARCH ra đời năm 1986 bởi Bollerslev. Có thể nói, mô hình GARCH được sử dụng một cách rộng rãi nhất trong kinh tế lượng khi được đưa vào dự báo biến động (volatility) với độ tổng quá hóa có phần cao hơn mô hình ARCH với các điều kiện cụ thể của biến phương sai.
VNI JSKE KLSE PSI SCI Số quan sát 2980 2980 2980 2980 2980 Giá trị trung bình 0.0006 0.0008 0.0003 0.0005 -0.0001 Giá trị trung vị 0.0006 0.0005 0.0002 0.0000 0.0000 Độ lệch chuẩn 0.0155 0.0138 0.0089 0.0131 0.0158 Giá trị lớn nhất 0.0774 0.0839 0.1279 0.1526 0.1220 Giá trị nhỏ nhất -0.0766 -0.1131 -0.1297 -0.1309 -0.0926 Skewness -0.3551 -0.5647 -0.8907 -0.0967 -0.4196 Kurtosis 6.4538 11.2978 41.8291 15.8264 8.9134 Skewness test 0.0000 0.0000 0.0000 0.0312 0.0000 pvalue Kurtosis test 0.0000 0.0000 0.0000 0.0000 0.0000 pvalue ADF test statistics -38.4190 45.0850 -44.6500 -41.1500 -51.4520 ADF p-value 0.0000 0.0000 0.0000 0.0000 0.0000
Bài khóa luận dưới đây khi thực hiện phân tích dữ liệu chỉ sử dụng dạng đơn giản nhất trong mô hình GARCH là GARCH (1,1) được mô tả như sau:
∂2 = ω + a1εt-1 + β∂t2-1
Trong đó, yêu cầu đối với β cần phải đạt điều kiện có tính dừng để mô hình có thể được tiếp tục và E = nʃ √h^.
Như vậy, bài khóa luận dưới đây sẽ sử dụng 2 mô hình hồi quy này để thực hiện phân tích chuỗi dữ liệu của các chỉ số trung bình chứng khoán và một số tài sản tài chính
khác để tìm kiếm ảnh hưởng của hiệu ứng chu kỳ mặt trăng đối với hành vi đầu tư của các cá thể tham gia vào thị trường.
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
4.1. Ket quả nghiên cứu và phân tích đối với các chỉ số trung bình chứng khoán
4.1.1. Mô tả dữ liệu
Sau khi thực hiện xử lý dữ liệu, bài khóa luận đã lựa chọn 5 chỉ số trung bình chứng
khoán của các thị trường có mức độ thích hợp và phản ứng rõ ràng nhất với các mô hình kiểm định. Cụ thể các chỉ số được lựa chọn là: chỉ số VN-Index (VNI), chỉ số Jakarta Stock Exchange Composite (JSKE), chỉ số Kuala Lumpur KLCI (KLSE), chỉ số PSEi Composite (PSI) và chỉ số Shanghai (SCI). Trong đó, các quốc gia có thị trường chứng khoán tương ứng với các chỉ số trên lần lượt là: Việt Nam, Indonesia, Malaysia, Philippines và Trung Quốc.
Số liệu tổng quan sau khi thực hiện kiểm định ban đầu như sau:
Nguồn: Tính toán của tác giả
Với 2980 quan sát, trước hết có thể thấy kết quả thu được từ các chỉ số đều có giá trị trung bình và trung vị xấp xỉ bằng nhau. Trong đó, chỉ số SCI của thị trường chứng khoán Thượng Hải có giá trị trung bình nhỏ hơn 0, có sự khác biệt với các chỉ số còn lại. Bên cạnh đó, qua kiểm định về độ nhọn (skewness) với giả thiết:
H0: skewness = 0
H1: skewness ≠ 0
Đều cho những kết quả kiểm định có độ nhọn khác 0, với giá trị dao động trong khoảng -1 đến 1. Như vậy, bác bỏ giả thiết H0, chấp nhận giả thiết H1, dữ liệu được sử dụng trong bài có phân phối chuẩn.
Đồng thời, kiểm định ADF về tính dừng của chuỗi dữ liệu với giả thiết:
Ho': β = 0 H1: β < 0
Cũng cho các kết quả có giá trị nhỏ hơn 0. Có thể thấy các kiểm định đều cho kết quả tương tự nhau, vậy nên có thể kết luận rằng các chỉ số được phân tích đều có tính dừng (stationary). Biểu đồ biểu diễn phân phối của 5 chỉ số trung bình chứng khoán ở các thị trường sẽ được thể hiện như sau:
Hình 2 - Phân phối dữ liệu tỷ suất sinh lời của chỉ số VN-Index
1/1/2000 1/1/2005 1/1/2010
date 1/1/2015 1/1/2020
Hình 3 - Phân phối dữ liệu tỷ suất sinh lời của chỉ số Jakarta Stock Exchange Composite (JSKE)
Hình 4 - Phân phối của dữ liệu tỷ suất sinh lời của chỉ số Kuala Lumpur (KLSE)
rVNI rJSKE rKLSE rPSI rSCI ARMA L.ar -0.086 -0.213 -0.404*** 0.034 0.070 (-1.098) (-1.240) (-4.042) (0.201) (0.215) L.ma 0.287*** 0.287* 0.485*** 0.047 -0.114 (3.654) (1.667) (5.354)+ (0.275) (-0.351) HET full_moon7 0.103*** 0.133*** -0.046*** 0.088*** 0.153*** (3.743) (6.404) (-3.248) (5.660) (6.518) _cons -8.444*** -8.668*** -9.528*** -8.729*** -8.353***
Hình 6 - Phân phối dữ liệu tỷ suất sinh lời của chỉ số Shanghai - Trung Quốc (SCI)
4.1.2. Ảnh hưởng của trăng tròn lên thị trường chứng khoán
Sau khi kiểm định chuỗi dữ liệu của các chỉ số đều cho kết quả phù hợp, bài khóa luận tiếp tục thực hiện kiểm định ảnh hưởng hiệu ứng Trăng Tròn thông qua mô hình hồi quy với mô hình ARIMA (1,1).
Mô hình hồi quy có dạng: rt = φ1rt-1 + 0t — θ10t-1 + φ2Fullmoon
Với 0t = ∂t∈t
Trong đó, hiệu ứng Trăng Tròn có tính chất định tính đã được thể hiện bằng biến giả (dummy) “Fullmoon” để thực hiện phân tích một cách định lượng thông qua các chuỗi dữ liệu của 5 chỉ số.
Kết quả của quá trình hồi quy được thể hiện qua bảng sau:
rVNI rJSKE rKLSE rPSI rSCI ARMA L.ar 0.169*** 0.089*** 0.035*** 0.082*** -0.029 (7.462) (3.747) (3.736) (5.486) (-1.356) HET full_moon7 -0.126 0.397*** -0.036*** 0.054*** 9.257*** (-1.030) (2.725) (-3.934) (4.948) (27.751) _cons -10.809*** -11.068*** -8.739*** -8.001*** -21.177 (-131.612) (-36.687) (-266.416) (-142.853) (.) ARCH L.arch 0.634*** 0.323*** -0.002*** 0.001 0.212*** (24.171) (19.873) (-7.930) (0.815) (17.623) L.garch 0.372*** 0.591*** -0.995*** -0.928*** 0.755*** (19.097) (17.164) (-13.537) (-8.290) (82.571) N 4472 4472 4472 4472 4472 AIC -25986.615 -26357.110 -30079.550 -26213.824 -24836.785 BIC -25954.587 -26325.082 -30047.522 -26181.796 -24811.163 t statistics in parentheses * p<0.1, ** p<0.05, *** p<0.01
Như vậy, tại mức ý nghĩa 1%, bảng dữ liệu kiểm định cho thấy hiệu ứng Trăng Tròn đều có tác động lên cả 5 chỉ số. Mức độ phản ứng lại với hiệu ứng của mỗi thị trường khác nhau là khác nhau tại thời điểm trăng tròn. Trong đó, chỉ số có phản ứng tiêu cực là chỉ số KLSE của thị trường chứng khoán Kuala Lumpur - Malaysia được thể
hiện qua tỷ suất sinh lời mang dấu âm tại thời điểm quan sát. Nói cách khác, các cá thể trên thị trường chứng khoán Kuala Lumpur đã lựa chọn bán ra nhiều cổ phiếu hơn và khiến tỷ suất lợi nhuận thu được theo ngày tại thời điểm trăng tròn này có giá trị nhỏ hơn 0. Ngược lại, các chỉ số còn lại đều có phản ứng tích cực trong chu kỳ trăng tròn với tỷ suất lợi nhuận theo ngày mang giá trị dương.
Mặc dù việc kiểm định được thực hiện bằng mô hình ARIMA (1,1) có phần đơn giản nhưng kết quả của của mô hình trong một số trường hợp vẫn có thể đạt tính hiệu
quả cao. Để tiếp tục chứng minh, bài khóa luận sử dụng mô hình GARCH để kiểm nghiệm lại ý nghĩa từ kết quả của mô hình ARIMA.
Kết quả của mô hình được mô tả như sau:
Bảng 2 - Ảnh hưởng của trăng tròn lên thị trường chứng khoán: Mô hình AR (1) - GARCH (1,1)
t statistics in parentheses
rVNI rJSKE rKLSE rPSI rSCI ARMA L.ar 0.170*** 0.087*** 0.128*** 0.089*** -0.029 (7.547) (3.737) (5.001) (4.154) (-1.402) HET full_moon7 -0.123 0.257*** -0.144** 0.052 0.460*** (-1.036) (2.999) (-2.177) (1.073) (2.644) monday 0.373 0.675*** 0.716*** 1.128*** 16.792*** (1.324) (5.241) (10.477) (10.330) (85.725) january 0.409** -0.658** 0.306*** 0.825*** 1.763*** (2.567) (-2.414) (3.822) (12.167) (8.618)
chứng khoán. Ngoài ra, các hệ số β của mô hình còn đạt giá trị tương đối cao, thể hiện tính hiệu quả của mô hình GARCH được sử dụng trong trường hợp này.
Ở một góc độ khác, qua mô hình kiểm định, cả 5 chỉ số trung bình chứng khoán còn cho thấy các thị trường chứng khoán được lựa chọn phân tích đều không đạt hiệu quả dạng yếu. Do đó, dữ liệu từ các thị trường này có thể tiếp tục được kiểm nghiệm bằng thêm bằng các mô hình hôi quy khác phức tạp hơn.
Như vậy, bài khóa luận tiếp tục kiểm nghiệm các giả thiết nghiên cứu được đặt ra trước quá trình phân tích dữ liệu thông qua mô hình AR (1) - GARCH (1,1) dạng:
rt = Φιrt-1 + φ2Fullmoon + φ3M0nday + φ4January + εt
∂2 = ω + aιEt-ι + βι∂2-ι
Với εt = ∂t∈t
Trong đó, các biến giả thể hiện thuộc tính được thêm vào mô hình gồm có biến “Monday” đại diện cho hiệu ứng Thứ Hai và biến “January” đại diện cho hiệu ứng Tháng
Giêng. Việc thêm vào các biến trong mô hình này nhằm mục đích kiểm định sự tác động
ảnh hưởng của các biến mới đối với kết quả từ mô hình ban đầu.
Ngoài ra, điều kiện để xác định các hiệu ứng có ảnh hưởng tới thị trường chứng khoán của 5 quốc gia thì hệ số φ trong mô hình phải có ý nghĩa thống kê.
Bảng dữ liệu dưới đây là kết quả của kiểm định của hiệu ứng Trăng Tròn và 2 hiệu
ứng Niên Lịch là hiệu ứng Thứ Hai và hiệu ứng Tháng Giêng:
41
Bảng 3 - Ảnh hưởng của trăng tròn và các hiệu ứng niên lịch lên thị trường chứng khoán: Mô hình AR(1) - GARCH(1,1)
(-133.178) (-52.616) (-133.357) (-68.383) (.) ARCH L.arch 0.623*** 0.324*** 0.614*** 0.247*** 0.199*** (21.460) (18.910) (31.216) (14.341) (17.707) L.garch 0.369*** 0.528*** 0.287*** 0.520*** 0.730*** (19.287) (16.203) (12.920) (16.402) (87.450) N 4472 4472 4472 4472 4472 AIC - 25986.274 -26365.497 30907.108- -26642.870 24889.945- BIC - 25941.434 -26320.658 30862.269- -26598.031 24851.512-
t statistics in parentheses
* p<0.1, ** p<0.05, *** p<0.01
Dựa vào bảng kết quả có thể thấy sau khi hiệu ứng Thứ Hai và hiệu ứng Tháng Giêng được thêm vào để thực hiện kiểm định thì hiệu ứng Chu Kỳ Trăng Tròn chỉ còn ý nghĩa thống kê đối với một số chỉ số như JSKE, KLSE và SCI tương ứng với các quốc
Bên cạnh đó, khi kiểm định sự ảnh hưởng của các hiệu ứng niên lịch đối với hiệu ứng Trăng Tròn thông qua chỉ số VN-Index của thị trường chứng khoán Việt Nam, kết quả thu được chỉ phát hiện được phản ứng của thị trường đối với biến giả January tại mức ý nghĩa 5%. Nói cách khác, mức độ ảnh hưởng của hiệu ứng Tháng Giêng đối với thị trường này có tính áp đảo các loại hiệu ứng khác. Ngoài ra, hiện tượng này còn xảy ra đối với chỉ số PSI của thị trường chứng khoán Philippines. Kết quả thu được từ mô hình trong trường hợp này cũng cho thấy hiệu ứng Trăng Tròn đã mất đi tính thống kê và thay vào đó là phản ứng của thị trường lúc này chỉ có ý nghĩa đối với các hiệu ứng niên lịch. Không dừng lại ở đó, đối với chỉ số KLSE của thị trường chứng khoán Malaysia còn cho kết quả trong mô hình này với mức ý nghĩa thống kê bị giảm đi, chỉ ở mức 5% trong khi các kết quả khác đều cho phản ứng chắc chắn đối với hiệu ứng Niên Lịch. Có thể thấy, những điều trên đều trùng khớp với trường hợp 2 của giả thiết churng
khi cho thấy sự ảnh hưởng của các hiệu ứng niên lịch đã lất át các tác động của hiệu ứng
chu kỳ mặt trăng.
Mặt khác, trái ngược với 3 chỉ số trên, hai chỉ số JSKE và SCI của thị trường chứng
khoán Indonesia và Trung Quốc lại cho thấy sự phản ứng của thị trường đối hiệu ứng chu kỳ trăng tròn là chắc chắn với mức ý nghĩa 1% kể cả sau khi cân nhắc sự tác động của các hiệu ứng Niên Lịch khác. Điều này cho thấy các tác động của hiệu ứng niên lịch
tại 2 thị trường này không thể áp đảo được hiệu ứng trăng tròn và ứng với trường hợp 1 của giả thiết chung.
Không dừng lại ở đó, bài khóa luận tiếp tục thực hiện đánh giá các kết quả thu được từ 3 chỉ số chịu ảnh hưởng của hiệu ứng chu kỳ trăng tròn. Trước hết, về mặt ý nghĩa kinh tế, tại mức ý nghĩa 1%, tỷ suất lợi nhuận theo ngày trung bình tại chu kỳ trăng tròn của chỉ số JSKE và SCI đều mang dấu dương, thể hiện sự tích cực tương ứng với 25.7% và 46%. Trong khi đó, tại mức ý nghĩa 5%, thị trường chứng khoán Kular Lumpur của Malaysia lại có phản ứng tiêu cực đối với tỷ suất lợi nhuận trung bình tại