CHƢƠNG 3 DỮ LIỆU VÀ PHƢƠNG PHÁP NGHIÊN CỨU
3.1 Phƣơng pháp nghiên cứu
Nghiên cứu này nghiên cứu tác động của các nhân tố kinh tế vĩ mô cũng nhƣ các sự kiện nhƣ cuộc khủng hoảng tài chính tồn cầu năm 2008 lên tỷ suất sinh lợi TTCK Việt Nam, sử dụng các phƣơng pháp ƣớc lƣợng khác nhau, tƣơng tự với El-Nader & Alraimony (2012).
Các nhà nghiên cứu có tham gia vào việc dự báo chuỗi thời gian tài chính, nhƣ là giá cổ phiếu, tỷ lệ lạm phát, tỷ giá hối đoái ... đã quan sát thấy rằng khả năng dự báo các biến số này của họ khác nhau đáng kể từ giai đoạn này sang giai đoạn khác. Đối với một số giai đoạn, các sai số dự báo là tƣơng đối nhỏ, đối với một số giai đoạn chúng lại tƣơng đối lớn, và sau đó chúng lại nhỏ lại đối với các giai đoạn khác. Hiện tƣợng này đƣợc gọi là biến động phân nhóm, đó là, khoảng thời gian mà chúng thể hiện sự dao động nhiều trong một thời gian kéo dài, theo sau là một khoảng thời gian tƣơng đối êm đềm. Sự biến thiên này có thể do sự biến động trên thị trƣờng tài chính, nhạy cảm nhƣ khi chúng phản hồi các sự đồn đại, các biến động chính trị, các thay đổi trong chính sách tiền tệ và tài chính của chính phủ, và những gì tƣơng tự. Điều này có thể đề xuất rằng phƣơng sai của các sai số dự là hằng số và thay đổi từ giai đoạn này sang giai đoạn khác, tức là có một kiểu tự tƣơng quan trong phƣơng sai của các sai số dự báo. Do hành vi của các sai số có thể đƣợc giả định là phụ thuộc vào hành vi của các nhiễu hồi qui ut, ta có thể giải quyết đối với tự tƣơng quan trong phƣơng sai của ut. Để nắm đƣợc tƣơng quan này, Engle (1982, 1983) đã giới thiệu mơ hình phƣơng sai thay đổi có điều kiện tự hồi quy (ARCH). Ý nghĩa then chốt của ARCH là phƣơng sai của u tại thời gian t (= σt2) phụ thuộc vào kích cỡ của số hạng bình phƣơng sai số tại thời gian (t-1), tức là vào ut-12, do đó cho thấy tƣơng quan chuỗi.
Do đó, một q trình ARCH (1) có thể đƣợc viết là: var(ut) = σt2 = α0 + α1 ut-12
Chúng ta có thể tổng qt hóa dễ dàng thành một q trình ARCH (p) là:
var(ut) = σt2 = α0 + α1 ut-12 + α2 ut-22 + ... + αp ut-p2
Trƣớc khi ƣớc lƣợng mơ hình ARCH (q), điều quan trọng là chúng ta cần kiểm tra xem có tồn tại các ảnh hƣởng ARCH hay khơng để biết các mơ hình nào cần ƣớc lƣợng theo phƣơng pháp ARCH thay vì theo phƣơng pháp OLS.
Nếu khơng có tự tƣơng quan trong phƣơng sai sai số, chúng ta có H0: α1 = α2 = ... = αp = 0, trong trƣờng hợp này var(ut) = α0 và chúng ta có trƣờng hợp phƣơng sai sai số không đổi.
Một kiểm định của giả thiết vô hiệu H0 ở trên có thể dễ dàng thực hiện bằng cách thực hiện phép hồi quy sau:
ut2 = α0 + α1 ut-12 + α2 ut-22 + ... + αp ut-p2
Trong đó, u ký hiệu cho các phần dƣ OLS đã ƣớc lƣợng từ mơ hình hồi quy ban đầu. Ta có thể kiểm định giả thiết H0 bằng cách tính nR2, trong đó R2 là hệ số xác định từ hồi quy phụ trợ. Ta có thể thấy rằng nR2 ~ χ2p, tức là nR2 tuân theo phân phối Chi-bình phƣơng với bậc tự do df bằng số hạng tự hồi quy trong hồi quy phụ. Nếu giá trị nR2
lớn hơn giá trị χ2
p thì chúng ta bác bỏ giả thuyết Ho và ngƣợc lại. Nếu bác bỏ giả thuyết Ho thì có thể kết luận rằng chuỗi dữ liệu đang xét có ảnh hƣởng ARCH.
Mơ hình này hiện nay đã đƣợc sử dụng rộng rãi trong việc xây dựng mơ hình về hành vi của chuỗi thời gian tài chính do khả năng của nó trong việc nắm bắt phi tuyến tính và biến động phân nhóm trong dữ liệu tỷ suất sinh lợi chứng khốn.
Mơ hình ARCH sau đó đƣợc mở rộng bởi Engle và Bollerslev (1986) thành mơ hình phƣơng sai thay đổi có điều kiện tự hồi quy tổng quát (GARCH). Hay nói cách khác, sự
tổng qt hóa của mơ hình ARCH đƣợc gọi là GARCH, trong đó phƣơng sai có điều kiện của sai số tại thời gian t không chỉ phụ thuộc vào bình phƣơng sai số trong quá khứ (giống nhƣ trong mơ hình ARCH) mà cịn phụ thuộc vào phƣơng sai có điều kiện của nó trong quá khứ.
Do đó, mơ hình GARCH đơn giản nhất là mơ hình GARCH (1, 1) có thể đƣợc viết là:
var(ut) = σt2 = α0 + α1 ut-12 + γ1 σt-12
Do mơ hình GARCH kết hợp các giá trị trễ của phƣơng sai có điều kiện nên nó có thể nắm bắt leptokurtosis, skewness và biến động phân nhóm trong dữ liệu chuỗi thời gian. Phƣơng pháp GARCH cũng đƣa phƣơng sai quá khứ vào trong việc giải thích phƣơng sai tƣơng lai, và do đó khi dữ liệu có hiện tƣợng phƣơng sai thay đổi, giá trị kỳ vọng của sai số không là hằng số.
Thêm vào đó, tất cả mơ hình ARCH/GARCH giải thích tầm quan trọng của mức độ dai dẳng của cú sốc độ bất ổn trong tỷ suất sinh lợi và các biến kinh tế vĩ mô. Những mô hình này cũng hữu ích trong việc kiểm tra sự tƣơng tác đồng thời giữa tỷ suất sinh lợi TTCK và sự thay đổi trong các nhân tố kinh tế vĩ mô.
Nghiên cứu này giả thuyết rằng chỉ số giá VN-Index (VNI) đại diện cho chỉ số giá của TTCK Việt Nam, thể hiện tỷ suất sinh lợi TTCK Việt Nam. Chỉ số VNI thực (RTR) bằng chỉ số VNI chia cho chỉ số giá tiêu dùng. Nghiên cứu cũng giả thiết rằng tỷ suất sinh lợi TTCK Việt Nam bị tác động bởi các biến kinh tế vĩ mô: cung tiền thực (RMS2), tổng sản phẩm quốc nội thực (RGDP), chỉ số giá tiêu dùng (CPI), tỷ giá hối đoái thực (E1), lãi suất cho vay (IR) và một biến giả (DUM). Nghiên cứu sử dụng dữ liệu hàng tháng hơn là dữ liệu hàng quý trong khoảng thời gian từ tháng 01 năm 2004 đến tháng 12 năm 2012 (tổng cộng 108 quan sát) để tối đa hóa số lƣợng quan sát, và nắm bắt sự chuyển động dài hạn trong tỷ suất sinh lợi TTCK Việt Nam, bằng việc sử dụng mơ hình ARCH/GARCH.
Mơ hình nhƣ sau:
RTR = f {RMS2, RGDP, CPI, E1, IR, Dum} (3.1)
Mơ hình hồi quy bội xuất phát từ mơ hình (3.1) là:
RTRt = β0 + β1 RMS2t + β2 RGDPt + β3 CPIt + β4 E1t + β5 IRt + Dum + ut (3.2)
Trong đó: β0 là hằng số
βs là hệ số tƣơng quan ut là sai số
Trên cơ sở các nghiên cứu trƣớc đây, các hệ số β1 và β2 đƣợc mong đợi mang dấu dƣơng ; trong khi đó các hệ số β3, β4 và β5 có thể là dƣơng hoặc âm.
Để thực hiện phân tích độ co giãn từng phần, nghiên cứu lấy logarit các biến trong phƣơng trình (3.2), điều này cho phép đánh giá tác động của một thay đổi trong biến độc lập lên biến phụ thuộc trong khi các biến cịn lại khơng đổi.
lnRTRt = β0 + β1 lnRMS2t + β2 lnRGDPt + β3 lnCPIt + β4 lnE1t + β5 lnIRt + Dum + ut (3.3)