6. Kết cấu của đề tài
3.2. Tổng quan nghiên cứu về mối quan hệ giữa cấu trúc kì hạn của lãi suất và lạm
lạm phát
Nhìn chung, các nghiên cứu trước cho thấy khả năng dự báo lạm phát của TSIR khác nhau ở kì hạn ngắn và kì hạn dài. Đối với kì hạn ngắn, TSIR có xu hướng phản ánh cấu trúc kì hạn của lãi suất thực kì vọng và chính sách tiền tệ hơn là phản ánh tỉ lệ lạm phát trong tương lai. Trong khi đó, đối với kì hạn dài, kết quả thực nghiệm tại Mỹ và các nước khác đã cho thấy mối quan hệ mật thiết giữa TSIR và lượng thay đổi của lạm phát trong tương lai.
Một trong những nghiên cứu được trích dẫn nhiều nhất trong kho tàng nghiên cứu là Mishkin (1990a). Sử dụng dữ liệu lãi suất ở thị trường Mỹ, Mishkin (1990a) thấy rằng với kì hạn dưới 9 tháng, cấu trúc kì hạn của lãi suất danh nghĩa hầu như không chứa thông tin nào về lạm phát mà chứa nhiều thông tin về cấu trúc kì hạn của lãi suất thực kì vọng. Trong khi đó, độ chênh lệch giữa lợi suất tín phiếu kho bạc kì hạn 6 tháng và 12 tháng chứa thông tin về lạm phát tương lai nhưng không chứa thông tin về cấu trúc kì hạn của lãi suất thực kì vọng. Với dữ liệu của Canada, Mishkin (1991) cũng tìm được kết quả rằng ở kì hạn dưới 1 năm, TSIR chứa rất ít thông tin về lạm phát trong tương lai. Trong khi đó, áp dụng cùng một phương pháp nhưng đối với kì hạn dài từ 1 đến 5 năm, Mishkin (1990b) tìm ra rằng TSIR giúp giải thích 45% lượng thay đổi của lạm phát trong 3 - 4 năm tới và cấu trúc kì hạn của lãi suất danh nghĩa chứa rất ít thông tin về cấu trúc kì hạn của lãi suất thực kì vọng. Jorion và Mishkin (1991) cho thấy khả năng dự báo lạm phát của TSIR ở các nước Anh, Đức, Thuỵ Sĩ phụ thuộc vào thời gian dự đoán: khả năng dự báo lạm phát của độ chênh lệch giữa lãi suất kì hạn 2 năm và 1 năm là yếu nhất còn khả năng dự báo lạm phát của độ chênh lệch giữa lãi suất kì hạn 5 năm và 1 năm là mạnh nhất.
Các nghiên cứu trước đây cũng cho thấy khả năng dự báo lạm phát của TSIR phụ thuộc vào chính sách tiền tệ. Theo Ege và Huseyin (2010), sự thay đổi của chính sách tiền tệ ở Thổ Nhĩ Kì tác động đến mối quan hệ giữa TSIR và lạm phát. Cụ thể, trước khi thực hiện chính sách lạm phát mục tiêu, TSIR không có khả năng dự báo lạm phát nhưng sau khi chuyển sang chính sách lạm phát mục tiêu, khả năng dự báo lạm phát tăng lên đáng kể.
Một số nghiên cứu gần đây đã đánh giá lại vai trò của spread như một chỉ báo quan trọng trong việc dự báo các biến vĩ mô. Plakandaras và cộng sự (2019) phân tích các thành phần của spread trong việc dự báo các biến kinh tế vĩ mô như tốc độ tăng trưởng GDP và lạm phát. Sử dụng tập dữ liệu trái phiếu có kì hạn 1, 4, 8, 12, 20 và 40 quý ở Mỹ, họ nhận thấy rằng cả spread và các thành phần của nó đều không thể dự báo tăng trưởng kinh tế hoặc lạm phát. Borağan Aruoba (2020) cũng cung cấp kết quả tương tự rằng về mối quan hệ giữa lạm phát với lãi suất thực hơn là mối quan hệ giữa lạm phát và spread.
Mặc dù chủ đề dự báo lạm phát bằng TSIR đã được nghiên cứu trong khoảng cuối thập niên 1990 nhưng mới chỉ được thực hiện chủ yếu tại các nước phát triển như Mỹ và các nước châu Âu, rất ít nghiên cứu thực hiện tại các nước đang phát triển. Chúng tôi tìm được một số lượng nhỏ nghiên cứu xem xét khả năng dự báo lạm phát bằng cấu trúc kì hạn tại các nước ngoài Mỹ và châu Âu như González và cộng sự (2000) điều tra khả năng của TSIR trong việc dự báo các biến số kinh tế trong đó có lạm phát ở Mexico; Drakos (2001) điều tra tác động của chính sách tiền tệ đến TSIR ở Hi Lạp. Thời gian gần đây có nghiên cứu của Yazgan và Kaya (2011) thực hiện tại thị trường mới nổi Thổ Nhĩ Kì.
Tóm lại, các công trình nghiên cứu trước đã phân tích khả năng của TSIR trong việc dự báo lạm phát và phát hiện ra khả năng dự báo lạm phát bằng TSIR nhưng chủ yếu ở kì hạn dài. Tuy nhiên, các nghiên cứu mới chỉ được thực hiện ở các nước Mỹ, châu Âu trong những năm cuối thập niên 1990, đầu thập niên 2000. Điều này đòi hỏi phải có một nghiên cứu với dữ liệu cập nhật, thực hiện tại một nước đang phát triển về chủ đề dự báo lạm phát bằng TSIR.
3.3. Phương pháp nghiên cứu
3.3.1. Giới thiệu mô hình, phương pháp nghiên cứu
Trong nghiên cứu này, chúng tôi sử dụng phương pháp nghiên cứu của Mishkin (1990a, 1990b). Để kiểm tra khả năng dự đoán lạm phát của TSIR, chúng tôi ước lượng mô hình hồi qui có dạng:
1 2 m n m n t t Rt Rt ut (3.7) trong đó m t
là tỉ lệ lạm phát từ thời điểm t đến thời điểm t + m, m t
R là lãi suất danh nghĩa có kì hạn m giai đoạn tại thời điểm t.
Sau khi ước lượng mô hình, chúng tôi sẽ kiểm định giả thuyết 2 0.Nếu bác bỏ giả thuyết 2 0 thì cấu trúc kì hạn của lãi suất danh nghĩa giúp dự báo lượng thay đổi của lạm phát trong tương lai. Để ước lượng phương trình (3.7) theo phương pháp OLS, chúng ta cần có hai giả thiết sau:
Kì vọng về lạm phát là duy lí, nghĩa là ta không thể dự đoán được sai số lạm phát bằng các thông tin có sẵn tại thời điểm t như lãi suấtRtm,Rtn. Điều này đảm bảo mô hình (3.7) không có hiện tượng nội sinh.
Lãi suất thực kì vọng là hằng số không đổi theo thời gian. Nếu lãi suất này thay đổi theo thời gian, cấu trúc kì hạn của lãi suất danh nghĩa vẫn giúp dự báo lạm phát nhưng không phải là tối ưu nhất (Mishkin, 1990a).
Trong nghiên cứu này, chúng tôi xem xét khả năng dự báo lạm phát của cấu trúc kì hạn của lãi suất ngắn hạn và dài hạn. Theo Mishkin (1990b), do dữ liệu lãi suất và lạm phát có tần suất tháng trong khi vùng dự đoán chúng tôi xem xét là 1 đến 5 năm nên có hiện tượng trùng lắp dữ liệu (overlapping data)2 và do đó các mô hình hồi qui (10) thường có hiện tượng tự tương quan làm cho kết quả kiểm định không đáng tin cậy. Để khắc phục, Gurazati (2009) đề nghị rằng nên điều chỉnh sai số chuẩn vững bằng một ma trận hiệp phương sai xác định dương như trong Newey và West (1987). Tuy nhiên, việc suy luận bằng cách sử dụng phân phối tiệm cận (asymptotic distribution) có thể mắc sai lầm, đặc biệt khi dữ liệu có hiện tượng trùng lắp dữ liệu và mẫu nhỏ. Vì vậy, Mishkin (1990b) xử lí và khắc phục điều này bằng cách dùng kĩ thuật mô phỏng Monte Carlo. Chúng tôi cũng thực hiện mô phỏng Monte Carlo theo thủ tục được trình bày trong nghiên cứu của Mishkin (1990b):
Hồi qui lượng thay đổi lạm phát và spread theo mô hình AR(p) (độ trễ p được chọn căn cứ vào biểu đồ ACF, PACF và ý nghĩa thống kê của các hệ số hồi qui).
Tạo ra các chuỗi phần dư mới là các chuỗi ngẫu nhiên có phân phối chuẩn mô phỏng Monte Carlo.
2 Chẳng hạn, dữ liệu 36 12 t t và 36 12 1 1 t t
có sự trùng lắp dữ liệu trong 23 tháng với
m t
Giá trị khởi đầu là p giá trị quan sát đầu tiên trong chuỗi số liệu. Từ kết quả ước lượng AR(p), chúng tôi tính toán lại các giá trị ước lượng (fitted value). Khi cộng các giá trị ước lượng này với phần dư được tạo ra ở trên, ta thu được các chuỗi thời gian mới.
Sau khi thực hiện mô phỏng Monte Carlo 1000 lần, các giá trị tới hạn (critical value) và giá trị t sẽ được ghi nhận để kiểm định các giả thuyết 2 0.
3.3.2. Dữ liệu và thống kê mô tả dữ liệu
3.3.2.1. Dữ liệu
Ở nghiên cứu này, chúng tôi sử dụng dữ liệu về lãi suất và lạm phát Việt Nam từ 8/6/2009 đến 31/12/2019 công bố trên cổng thông tin Bloomberg. Từ dữ liệu lãi suất công bố theo ngày, chúng tôi chuyển sang tần suất tháng bằng cách tính giá trị trung bình.
Bảng 3. 1: Các biến được sử dụng trong nghiên cứu
Biến số Kí hiệu Cách tính/Nguồn dữ liệu
Lãi suất kì hạn 1 tháng, 3 tháng, 6 tháng, 12 tháng, 24 tháng, 36 tháng, 60 tháng k t R (k = 1, 3, 6, 12, 24, 36, 60) Bloomberg
Cấu trúc kì hạn của lãi suất ngắn hạn , m n t SPR (m, n = 1, 3, 6) m n t t R R (m, n = 1, 3, 6)
Cấu trúc kì hạn của lãi suất dài hạn , m n t SPR (n = 12; m = 24, 36, 60) 12 m t t R R (m = 24, 36, 60)
Chỉ số giá tiêu dùng CPIt IMF
Tỉ lệ lạm phát trong k tháng, từ tháng t đến tháng t + k k t (k = 1, 3, 6, 12, 24, 36, 60) 1200 k t k t t t CPI CPI k CPI
Nguồn: Tổng hợp của các tác giả.
Dữ liệu lãi suất: Chúng tôi sử dụng dữ liệu lãi suất thị trường liên ngân hàng kì hạn 1, 3, và 6 tháng đại diện cho lãi suất ngắn hạn, và lợi suất thị trường trái phiếu Chính phủ kì hạn 1, 2, 3, và 5 năm đại diện cho lãi suất dài hạn (sau đây gọi chung là lãi suất).
Dữ liệu lạm phát: Chúng tôi thu thập dữ liệu chỉ số giá tiêu dùng CPI theo tháng từ Quĩ tiền tệ quốc tế IMF. Dữ liệu này sẽ được điều chỉnh mùa vụ theo phương pháp trung bình trượt dạng tích (moving average method – multiplicative). Tỉ lệ lạm phát trong k tháng tới là phần trăm thay đổi của CPI tại thời điểm t + k so với thời điểm t. Đối với dữ liệu cấu trúc kì hạn của lãi suất dài hạn, do dữ liệu có hiện tượng trùng lắp nên chúng tôi sẽ điều chỉnh bằng thủ tục mô phỏng Monte Carlo như đã trình bày.
3.3.2.2. Thống kê mô tả dữ liệu
Bảng 3.2 cho thấy trung bình m n,
t
SPR tăng dần theo m. Điều này chứng tỏ các lãi suất trung bình tăng theo kì hạn tức là đường cong lãi suất dốc lên.
Khi n = 12, giá trị trung bình của lượng thay đổi của lạm phát trong tương lai ( m
t
– n
t
) giảm khi m tăng, chứng tỏ thời gian càng dài, lượng thay đổi của tỉ lệ lạm phát trong tương lai càng giảm. Điều này hàm ý rằng trong giai đoạn nghiên cứu, nhìn chung tỉ lệ lạm phát trong tương lai giảm dần theo thời gian.
Ngoài ra, trong dài hạn, độ lệch chuẩn của m t
– n
t
giảm theo m cho thấy tương lai càng xa, mức độ biến động của tỉ lệ lạm phát càng giảm.
Bảng 3. 2: Thống kê mô tả các biến
m, n m n,
t
SPR tm– n
t
Trung bình Độ lệch chuẩn Trung bình Độ lệch chuẩn
3, 1 0,690896 1,068302 0,111137 3,631034
6, 3 0,368118 0,362881 0,033831 2,90556
24, 12 0,340358 0,222394 0,280374 0,452738 36, 12 0,595951 0,363587 0,182678 0,448005
60, 12 1,043149 0,58637 0,13258 0,444892
Nguồn: Dữ liệu Bloomberg.
Chúng tôi thực hiện kiểm định nghiệm đơn vị ADF đối với các chuỗi
,
,
m n m n
t t t
SPR không có xu hướng và lựa chọn độ trễ tối ưu dựa trên tiêu chuẩn AIC (riêng với (m, n) = (24, 12), (36, 12), (60, 12), các chuỗi được mô phỏng Monte Carlo). Theo thứ tự tăng dần của kì hạn, độ trễ tối ưu của các chuỗi m n,
t
SPR lần lượt là 3, 10, 10, 10, 10 và của các chuỗi m n
t t lần lượt là 3, 10, 0, 0, 0. Kết quả cho thấy các biến ,
,
m n m n
t t t
Bảng 3. 3: Kết quả kiểm định nghiệm đơn vị của các chuỗi m n, t SPR và m t – n t m n, t SPR m t – n t 3, 1 -5,920421*** -9,793746*** 6, 3 -4,301197*** -4,863109*** 24, 12 -4,882532*** -3,924511*** 36, 12 -5,223023*** -3,678746*** 60, 12 -5,263385*** -3,778207***
Nguồn: Tính toán của các tác giả từ phần mềm Eviews.
Ghi chú: Các giá trị trong bảng là giá trị thống kê của kiểm định ADF.
3.4. Kết quả nghiên cứu và thảo luận
3.4.1. Kết quả nghiên cứu
Bảng 3.4 cho thấy với các cặp kì hạn 3 tháng và 1 tháng, 6 tháng và 3 tháng, các hệ số 2 đều có ý nghĩa thống kê ở mức ý nghĩa 10%, tức là độ chênh lệch lãi suất
m n
t t
R R có ảnh hưởng đến lượng thay đổi của lạm phát trong tương lai m n
t t
ở mức ý nghĩa 10%. Như vậy, cấu trúc kì hạn của lãi suất ngắn hạn có khả năng dự báo lượng thay đổi của lạm phát ở mức ý nghĩa tương đối cao là 10%.
Kết quả thực nghiệm về khả năng dự báo lạm phát của cấu trúc kì hạn của lãi suất ở kì hạn dưới 9 tháng khác với nghiên cứu của Mishkin (1990a) khi tác giả này tìm ra kết quả rằng, với cặp lãi suất dưới 9 tháng, cấu trúc kì hạn của lãi suất không chứa thông tin về lượng thay đổi của lạm phát trong tương lai.
Bảng 3. 4: Kết quả hồi qui lượng thay đổi của lạm phát theo độ chênh lệch của các lãi suất ngắn hạn 1 2( ) m n m n t t Rt Rt ut m, n 1 2 R2 Giá trị t trong kiểm định 0: 2 0 H Giá trị t trong kiểm định 0: 2 1 H 3, 1 -0,273913 (0,328494) 0,564149* (0,323721) 0,081930 1,742701 -1,34638 6, 3 -0,667903 1,84402* 0,094864 1,702875 0,779417
(0,593774) (1,082886)
Ghi chú: Giá trị trong ngoặc đơn là sai số chuẩn của hệ số ước lượng. * hàm ý hệ số hồi qui có ý nghĩa thống kê ở mức ý nghĩa 10%.
Nguồn: Tính toán của các tác giả từ phần mềm Eviews.
Kết quả của Bảng 3.4 cũng cho thấy hệ số xác định (R2) là khá thấp, chứng tỏ khả năng dự báo lạm phát bằng cấu trúc kì hạn của lãi suất ngắn hạn tương đối thấp. Kết quả này rất giống với nghiên cứu của Mishkin (1990a) ở kì hạn 9 tháng và 12 tháng. Mishkin (1990a) chỉ ra rằng cấu trúc kì hạn của lãi suất ngắn hạn có khả năng dự báo lượng thay đổi của lạm phát trong tương lai và hệ số xác định của các phương trình thay đổi lạm phát là khá thấp, dưới 10%. Thậm chí Mishkin (1991) còn cho thấy độ chênh lệch giữa các lãi suất ở kì hạn 3 tháng, 6 tháng và 12 tháng ở các nước OECD gần như không chứa thông tin nào về lạm phát trong tương lai.
Khi thực hiện kiểm định cặp giả thuyết H0:20 và đối thuyết H1:2 0, chúng tôi nhận thấy giả thuyết H0 bị bác bỏ ở mức ý nghĩa 5%, tức là các hệ số góc đều là số dương. Điều này phù hợp với kì vọng về việc TSIR tác động cùng chiều đến lượng thay đổi của lạm phát trong tương lai.
Trong các phương trình thay đổi lạm phát, các hệ số góc tăng theo kì hạn, từ 0,56 lên 1,84. Điều này cho thấy khi kì hạn tăng lên, lượng thông tin của cấu trúc kì hạn của lãi suất giúp dự báo lạm phát cũng tăng.
Như vậy, kết quả thực nghiệm trong nghiên cứu này đã cung cấp bằng chứng rằng cấu trúc kì hạn của lãi suất ngắn hạn có khả năng dự báo lạm phát ở mức độ yếu và không chứa thông tin về cấu trúc kì hạn của lãi suất thực kì vọng.
Bảng 3. 5: Giá trị tới hạn từ mô phỏng Monte Carlo
12 12 1 2( ) m m t t Rt Rt ut m 10% 5% 1% 24 6,497013 6,724874 7,249538 36 6,825632 7,049495 7,526852 60 6,856097 7,077385 7,539354
Kết quả mô phỏng Monte Carlo cho thấy khi m = 24, giá trị tới hạn ở mức ý nghĩa 10%, 5%, 1% lần lượt là 6,497013; 6,724874; 7,249538. Các giá trị tới hạn tăng lên khi m tăng (xem Bảng 5).
Kết quả ước lượng mô hình (3.10) trong dài hạn trong Bảng 3.6 cho thấy rằng các hệ số góc đều có ý nghĩa thống kê ở mức ý nghĩa 5%. Điều này hàm ý cấu trúc kì hạn của lãi suất dài hạn có khả năng dự báo lượng thay đổi của lạm phát trong tương