Biến độc lập
Kỳ vọng dấu
GARCH(1,1)t Extremet 10-day MA Voltt
Speculationt
Chỉ số β2 tính tốn dựa theo Llorente et al (2002), đo lường mức
đầu cơ ngày t
- - -
%∆Bitcoint-5,t-1 Tỷ suất lợi nhuận Bitcoin
ngày t-1 so với ngày t-5 + + +
Turnt-5,t-1
Tốc độ tăng trưởng khối lượng giao dịch giữa ngày t-5 và ngày t-1
+ + +
Ln(Outstandt)
Logarit tự nhiên của tổng khối lượng Bitcoin trên thị trường vào ngày t
28
MktGARCH(1,1)t
Ước lượng độ biến động trung bình tỷ giá của 51 đồng tiền định danh so với USD
-/- -/- -/-
Để đo lường các giao dịch đầu cơ, bài luận văn sử dụng phương pháp tính của Llorente và cộng sự (2002) và sử dụng một mơ hình chuỗi thời gian để xác định mối tương quan động theo thời gian giữa khối lượng giao dịch và giá Bitcoin. Tỷ lệ giao dịch vào ngày t được tính như sau:
Logturnt = log(turnt + 0,00000255)
Chỉ số Turn là tỷ lệ giữa khối lượng Bitcoin giao dịch hằng ngày chia cho tổng khối lượng Bitcoin trên thị trường vào ngày tương ứng (Benjamin M.Blau, 2017). Hằng số 0,00000255 được thêm vào để sử dụng tính tốn cho những ngày không phát sinh giao dịch.
vt = logturnt -
trong đó vt là giá trị của độ dốc xu hướng (de-trended) tính trong khoảng trượt 50 ngày giao dịch.
Sau đó ta xem xét mơ hình chuỗi thời gian sau:
Rt+1 = β0 + β1Rt + β2Rt x vt + εt+1
Biến phụ thuộc Rt+1 là tỷ suất sinh lợi của Bitoin vào ngày t+1. Llorente và cộng sự (2002) cho rằng khi β2 dương, khối lượng giao dịch đại diện cho giao dịch đầu cơ. Trong trường hợp này, khối lượng giao dịch ảnh hưởng trực tiếp đến mối tương quan với tỷ suất lợi nhuận của tài sản, cụ thể:
β2 đại diện cho sự ảnh hưởng của tương tác tích chéo giữa Rt (lợi nhuận ngày t) và vt (độ dốc xu hướng của ngày t so với trung bình 50 ngày trước về khối lượng giao dịch). β2 dương thể hiện quan hệ cùng chiều giữa tích chéo của hai yếu tố nêu trên với lợi nhuận ngày t+1.
Khi lợi nhuận ngày t tăng, và độ dốc của khối lượng giao dịch ngày t so với 50 ngày trước tăng thì lợi nhuận ngày t+1 cũng tăng.
29
Khi giá Bitcoin tăng, kèm theo khối lượng giao dịch tăng đột xuất, thì giá hơm sau tăng, điều này đại diện cho hoạt động đầu cơ.
Các trường hợp về dấu giữa mối quan hệ của biến GARCH(1,1) và biến Speculation (β2):
Dương và có ý nghĩa thống kê: Điều này giải thích được cho mối quan hệ giữa độ biến động giá và hoạt động đầu cơ. Đầu cơ biến động cùng chiếu với độ biến động giá, nghĩa là có phát sinh sự mua, bán có mục đích của nhà đầu cơ trong giai đoạn khảo sát.
Âm và có ý nghĩa thống kê (Kỳ vọng của nghiên cứu): Mặc dù có ý nghĩa thống kê nhưng mối tương quan giữa hai yếu tố là âm. Điều này không phù hợp với mục đích chính của đầu cơ: hoạt động đầu cơ tăng làm giảm độ biến động giá, hoặc hoạt động đầu cơ giảm làm tăng độ biến động giá. Như vậy ta có thể kết luận kết quả thống kê ở trường hợp này khơng giải thích được việc hoạt động đầu cơ có tác động đến độ biến động giá.
3.2. PHƯƠNG PHÁP KIỂM ĐỊNH MƠ HÌNH
Bài nghiên cứu sử dụng phương pháp phân tích định lượng hàm hồi quy nhằm trả lời câu hỏi nghiên cứu.
Bước đầu tiên, tác giả kiểm tra tính dừng của chuỗi dữ liệu, kiểm tra đa cộng tuyến đơn và đa cộng tuyến nhóm thơng qua tương ứng ma trận tương quan đơn và nhân tử phóng đại phương sai. Mục đích của bước này nhằm đảm bảo các yếu tố độc lập là tách biệt, không tương quan với nhau trong các biến độc lập giải thích biến phụ thuộc trong hàm hồi quy.
Bước tiếp theo, tác giả thống kê mơ tả nhằm mục đích xem xét cỡ mẫu có đủ lớn để đảm bảo phương pháp ước lượng là tin cậy, loại bỏ các quan sát dị biệt ảnh hưởng tới độ tin cậy kết quả định lượng.
Cuối cùng, để xác định quan hệ giữa các biến độc lập ảnh hưởng biến phụ thuộc tin cậy, tác giả sử dụng phương pháp GMM nhằm kiểm soát các giả thiết định lượng phương sai thay đổi, tự tương quan và nội sinh nếu có. Theo Hansen (1982)
30
phương pháp GMM cho phép ước lượng đạt tính vững và hiệu quả, đảm bảo kết quả ước lượng là tin cậy trong đóng góp bằng chứng thực nghiệm.
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN 4.1. KẾT QUẢ KIỂM ĐỊNH
4.1.1. Kiểm định tính dừng
Kiểm định tính dừng là kiểm định nhằm xác định sự phù hợp của cấu trúc dữ liệu của các biến với mơ hình phân tích chuỗi thời gian. Tác giả dùng kiểm định ADF để kiểm định, từ đó xác định tính dừng của chuỗi dữ liệu. Kết quả kiểm định tính dừng được thể hiện ở Bảng 4.1 cho thấy giá trị thống kê kiểm định của tất cả các biến có trị tuyệt đối nhỏ hơn giá trị tới hạn của kiểm định Augmented Dickey Fuller t-Statistic lần lượt ứng với mức ý nghĩa 1%, 5% và 10%, như vậy chuỗi dữ liệu của tất cả các biến là chuỗi có tính dừng ở mức ý nghĩa 1%.