CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU
3.2.4. Mơ hình VAR
Mơ hình VAR được giới thiệu đầu tiên bởi Sims (1980). So với các mơ hình truyền thống trước đó thì các biến được chia thành biến nội sinh và biến ngoại sinh. Tuy nhiên theo Sims thì tất cả các biến trong mơ hình đều được xem là biến nội sinh. Điều này là phù hợp khi đánh giá tác động của các biến vĩ mô và thị trường chứng khốn.
Trong mơ hình VAR một biến không chỉ chịu tác động của các biến khác trong mơ hình mà nó cịn chịu tác động của các biến trễ của chính nó. Mơ hình VAR về cầu trúc gồm hệ phương trình. VAR là một mơ hình động của một biến số theo thời gian. Mơ hình VAR của 2 biến Yt và Xt với độ trễ là p được viết như sau:
Trong đó Yt và Xt là chuỗi dừng và là biến nội sinh, vai trò của chúng là tương đương nhau. và là sai số phần dư.
Theo đó trong bài nội dung nghiên cứu của mình đề tài sẽ sử dụng mơ hình VAR để xem xét mối quan hệ giữa các biến động trên thị trường chứng khoán và các biến động trong các biến kinh tế vĩ mô.
3.3. Phương pháp kiểm định mơ hình 3.3.1. Thống kê mô tả các biến nghiên cứu
Trong phần này đề tài tiến hành thống kê mô tả lại dữ liệu nghiên cứu thơng qua một số chỉ tiêu chính như: Giá trị trung bình, giá trị lớn nhất, giá trị nhỏ nhất, skewness, kurtosis và kiểm định Jarque-Bera nhằm xem xét chuỗi dữ liệu nghiên cứu có phân phối chuẩn hay khơng. Ngồi ra, chỉ số skewness nhằm đánh giá mức độ phân tán của chuỗi dữ liệu nghiên cứu so với giá trị trung bình, kurtosis đánh giá mức độ phân tán của chuỗi dữ liệu nghiên cứu so với độ lệch chuẩn. Việc làm này nhằm giúp cho đề tài có cái nhìn ban đầu về chuỗi dữ liệu nghiên cứu để làm cơ sở cho các phân tích dữ liệu tiếp theo của đề tài.
3.3.2. Kiểm định tính dừng
Trong nghiên cứu thực nghiệm khi sử dụng dữ liệu là chuỗi thời gian thì tất cả các biến đưa vào mơ hình thơng thường là chuỗi dừng. Một chuỗi dữ liệu thời gian được xem là dừng nếu trung bình và phương sai khơng thay đổi theo thời gian và hiệp phương sai giữa 2 thời điểm chỉ phụ thuộc vào khoảng cách hay độ trễ về thời gian chứ không phụ thuộc vào thời điểm đang xét. Cụ thể:
Trung bình : E Y t const
Phương sai : 2
t
Var Y const
Hiệp phương sai : CovarY Yt, t k gk
Tính dừng là một khái niệm vô cùng quan trọng. Trong hầu hết các mơ hình thống kê đều yêu cầu chuỗi dữ liệu phải là chuỗi dừng. Do vậy khi ước lượng
các tham số hoặc kiểm định giả thuyết của mơ hình, nếu khơng kiểm định tính dừng của dữ liệu thì các kỹ thuật phân tích thơng thường chẳng hạn phương pháp bình phương bé nhất (OLS) sẽ khơng chính xác và hợp lý. Theo Granger và Newbold (1977) các kết quả phân tích từ chuỗi dữ liệu khơng dừng đều là giả mạo. Cụ thể nếu mơ hình tồn tại ít nhất một biến độc lập có cùng xu thế với biến phụ thuộc, khi đó kết quả ước lượng mơ hình ta có thể thu được các hệ số có ý nghĩa thống kê và hệ số R2 rất cao. Nhưng đều này được tạo ra bởi tính xu thế của hai biến chứ chúng khơng có mối tương quan chặt chẽ với nhau.
Để kiểm tra tính dừng trong bài đề tài sẽ sử dụng kiểm định Augmented Dickey Fuller (ADF), một trong những công cụ phổ biến trong kiểm định tính dừng của chuỗi thời gian theo Gujarati (2003). Chi tiết xem thêm phụ lục 1.
3.3.3. Sử dụng mơ hình GARCH ước lượng biến động các biến nghiên cứu cứu
Tiếp theo việc mơ tả và phân tích ban đầu về chuỗi dữ liệu nghiên cứu đề tài sử dụng mơ hình GARCH với sự trợ giúp của phần mềm Eviews 6.0 đề tài tiến hành ước lượng sự biến động của các biến nghiên cứu bằng các mơ hình GARCH, GARCH-M, TGARCH dựa trên nền tảng nghiên cứu của Zakaria và Shamsuddin (2012) và kế thừa các nghiên cứu trước đây.
Vấn đề đặt ra là trong các mơ hình được chọn thì mơ hình nào là tốt nhất, trong phạm vi nghiên cứu của mình đề tài sẽ sử dụng các tiêu chuẩn SBC, AIC và HQ, sai số dự báo-RMSE để lựa chọn mơ hình theo Nguyễn Trọng Hoài và cộng sự (2013), theo đó các tiêu chuẩn này càng bé càng tốt.
3.3.4. Xác định độ trễ tối ưu cho mơ hình VAR
Do tất cả các biến nghiên cứu trong mơ hình VAR là biến nội sinh, biến nghiên cứu phụ thuộc vào độ trễ của nó. Do đó có quá nhiều tham số phải ước
lượng (2n2
-hệ số) nên việc thực hiện kiểm định để lựa chọn độ trễ tối ưu trong mơ hình là cần thiết và rất quan trọng.
Để lựa chọn độ trễ tối ưu trong mơ hình đề tài sẽ dựa trên một số tiêu chí được thiết lập sẵn trong phần mềm Eviews 6.0 như: AIC, LR, PPE,…
3.3.5. Kiểm định nhân quả Granger
Trong phần này đề tài sẽ thực hiện kiểm định nhân quả Granger nhằm xem xét với độ trễ được lựa chọn thì các biến trong mơ hình có quan hệ nhân quả với nhau hay không về mặt thống kê. Mơ hình Granger chỉ đơn giản được dùng để trả lời cho câu hỏi có hay khơng sự thay đổi trong biến X gây ra sự thay đổi trong biến Y và ngược lại. Phương trình hồi quy trong kiểm định Granger được mô tả như sau:
Ta có các trường hợp sau:
Nếu khác khơng và có ý nghĩa thống kê, nhưng khơng có ý nghĩa thống kê thì sự biến động của biến X là nguyên nhân gây ra sự biến động của biến Y.
Nếu khơng có ý nghĩa thống kê, nhưng khác khơng và có ý nghĩa thống kê thì biến X chịu sự tác động bởi sự thay đổi của biến Y.
Nếu và đều có ý nghĩa thống kê thì X và Y tác động qua lại lẫn nhau. Nếu và đều khơng có ý nghĩa thống kê thì X và Y độc lập với nhau.
3.3.6. Kiểm tra tính ổn định của mơ hình
Việc kiểm tra tính ổn định của mơ hình nhằm xem xét mơ hình hiện tại có ổn định khơng. Nếu mơ hình là khơng ổn định thì kết quả của việc ước lượng đặc
biệt là kết quả thu được (sai số chuẩn) của hàm phản ứng đẩy IRF sẽ khơng có giá trị. Để kiểm tra tính ổn định của mơ hình VAR đề tài sử dụng kiểm định AR Roots Graph, theo đó nếu tất cả các nghiệm đều có modulus<1 và khơng có nghiệm nào nằm ngồi vịng trịn nghiệm đơn vị thì mơ hình được xem như là ổn định, ngược lại nếu có một dấu chấm nằm ngồi vịng trịn nghiệm đơn vị thì xem như là mơ hình khơng ổn định.
3.3.7. Hàm phản ứng đẩy (Impulse response function-IRF) và kỹ thuật phân rã phương sai (Variance decomposition)
Hàm phản ứng đẩy (IRF):
Hàm phản ứng đẩy là một chức năng quan trọng phát sinh từ mơ hình VAR. Nó cho phép xác định hiệu ứng theo thời gian của cú sốc của một biến nội sinh nào đó đối với các biến khác trong mơ hình.
Phân rã phương sai:
Mặc dù hàm phản ứng đẩy đã cho biết có hay khơng sự ảnh hưởng của cú sốc đến các biến còn lại nhưng như thế là chưa đủ vì có thể tác động truyền dẫn của một cú sốc từ một biến đến biến còn lại rất nhỏ trong khi biến khác lại ảnh hưởng lớn hơn. Nên trong phân tích các nhà kinh tế sử dụng kèm theo kỹ thuật phân rã phương sai để xác định xem mức độ ảnh hưởng của một biến đến biến số nghiên cứu là bao nhiêu, kỹ thuật này cũng được đề tài áp dụng.
CHƯƠNG 4: PHÂN TÍCH DỮ LIỆU VÀ KẾT QUẢ NGHIÊN CỨU
4.1. Thống kê mô tả
Với dữ liệu được thu thập theo tháng từ tháng 1 năm 2008 đến tháng 12 năm 2013. Trong phạm vi nghiên cứu của mình, đề tài tiến hành nghiên cứu trên ba quốc gia thị trường mới nổi (Hàn Quốc, Thái Lan và Hungari) và Việt Nam. Theo đó, đề tài sẽ tiến hành mô tả lại dữ liêu nghiên cứu của các nước theo các tiêu chuẩn: Giá trị lớn nhất, giá trị nhỏ nhất, giá trị trung bình, sai số chuẩn, Skewness và Kurtosis nhằm có cái nhìn ban đầu về chuỗi dữ liệu nghiên cứu. Dữ liệu nghiên cứu được mô tả thông qua các bảng sau.
Việt Nam
Bảng 4.1. Thống kê mô tả các biến nghiên cứu của Việt Nam
Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0
Hàn Quốc
Bảng 4.2. Thống kê mô tả các biến nghiên cứu của Hàn Quốc
Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0
CPI EXC IP MS R RS Mean 4.726 9.865 5.060 1.626 2.608 -0.007 Median 4.711 9.878 5.086 1.688 2.584 -0.010 Maximum 4.994 9.963 5.332 1.855 3.008 0.202 Minimum 4.373 9.675 4.694 1.155 2.214 -0.255 Std. Dev. 0.182 0.094 0.141 0.163 0.204 0.090 Skewness -0.064 -0.620 -0.291 -0.892 0.043 -0.041 Kurtosis 1.580 1.959 2.316 2.854 2.287 3.729 Jarque-Bera 6.101 7.867 2.420 9.610 1.546 1.617 Probability 0.047 0.020 0.298 0.008 0.462 0.446 Observations 72 72 72 72 72 72 CPI EXC IP MS R RS Mean 4.769 7.039 4.915 0.980 1.729 0.002 Median 4.771 7.028 4.953 0.989 1.732 0.006 Maximum 4.833 7.282 5.069 1.135 2.053 0.148 Minimum 4.671 6.849 4.548 0.812 1.490 -0.185 Std. Dev. 0.048 0.086 0.118 0.083 0.135 0.051 Skewness -0.260 0.720 -1.046 -0.075 0.411 -0.892 Kurtosis 1.704 4.127 3.564 2.103 2.943 5.764 Jarque-Bera 5.851 10.028 14.087 2.483 2.037 32.463 Probability 0.054 0.007 0.001 0.289 0.361 0.000 Observations 72 72 72 72 72 72
Thái Lan
Bảng 4.3. Thống kê mô tả các biến nghiên cứu của Thái Lan
Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0
Hungari
Bảng 4.4. Thống kê mô tả các biến nghiên cứu của Hungari
Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0
Dựa trên kết quả mô tả dữ liệu của các nước nghiên cứu thông qua các chỉ tiêu Skewness, Kurtosis và kiểm định Jarque-Bera cho thấy dữ liệu nghiên cứu của các nước là khơng có phân phối chuẩn. Theo đó, các biến trong chuỗi dữ liệu nghiên cứu của Việt Nam thì lệch trái và nhọn (hệ số Skewness âm và Kurtosis dương) ngoại trừ lãi suất, tương tự cho trường hợp của Hungari, với dạng phân phối này thì cho thấy phần lớn dữ liệu tập trung bên phía phải của phân phối. Trường hợp Hàn Quốc cho thấy hệ số Skewness của CPI, IP, MS, RS là âm trong khi đó EXC và R là dương, ngồi ra Kurtosis là dương điều
CPI EXC IP MS R RS Mean 4.770 3.462 4.882 9.392 1.892 0.008 Median 4.762 3.453 4.954 9.376 1.924 0.019 Maximum 4.844 3.576 5.451 9.684 1.981 0.167 Minimum 4.690 3.370 4.119 9.126 1.766 -0.278 Std. Dev. 0.047 0.052 0.359 0.180 0.083 0.062 Skewness 0.054 0.460 -0.489 0.107 -0.542 -1.422 Kurtosis 1.674 2.208 2.474 1.570 1.595 8.252 Jarque-Bera 5.306 4.420 3.700 6.275 9.456 107.011 Probability 0.070 0.110 0.157 0.043 0.009 0.000 Observations 72 72 72 72 72 72 CPI EXC IP MS R RS Mean 4.885 5.318 4.701 9.575 2.147 -0.004 Median 4.884 5.350 4.698 9.572 2.139 0.001 Maximum 4.983 5.473 4.874 9.671 2.556 0.177 Minimum 4.755 4.991 4.438 9.467 1.585 -0.266 Std. Dev. 0.073 0.115 0.097 0.043 0.208 0.070 Skewness -0.137 -0.883 -0.450 -0.337 -0.364 -0.540 Kurtosis 1.661 3.038 2.718 2.931 3.211 5.749 Jarque-Bera 5.601 9.370 2.670 1.376 1.726 26.182 Probability 0.061 0.009 0.263 0.503 0.422 0.000 Observations 72 72 72 72 72 72
liệu tập trung của chuỗi CPI, IP, MS tập trung bên phía phải của phân phối trong khi đó ngược lại EXC và RS thì phần lớn chuỗi dữ liệu lại tập trung bên phía trái của phân phối. Tương tự cho trường hợp của Thái Lan thì IP, R, RS thì phần lớn chuỗi dữ liệu tập trung bên phía phải của phân phối trong khi đó các biến EXC, MS, CPI thì phần lớn chuỗi dữ liệu tập trung bên phía trái của phân phối.
4.2. Kiểm định tính dừng
Trong phần này đề tài sẽ sử dụng kiểm định nghiệm đơn vị để kiểm định tính dừng của chuỗi dữ liệu nghiên cứu. Nếu biến không dừng đề tài sẽ sử dụng kỹ thuật lấy sai phân để đưa chuỗi dữ liệu không dừng về dạng dữ liệu dừng. Chi tiết kiểm định xem thêm phụ lục 2.
Việt Nam
Bảng 4.5. Kiểm định tính dừng các biến của Việt Nam
Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0
Kết quả kiểm định tính dừng cho thấy các chuỗi dữ liệu nghiên cứu của Việt Nam các biến đều dừng ở sai phân bậc 1 ngoại trừ biến EXC và RS là dừng ở chuỗi gốc.
Hàn Quốc
Bảng 4.6. Kiểm định tính dừng các biến của Hàn Quốc
Biến CPI IP MS EXC R RS
Giá trị thống kê t -2.9962 -7.6244 -12.0361 -2.8013 -6.3187 -4.1987 t-1% -3.5300 -3.5461 -3.5270 -3.5285 -3.5270 -3.5441 t-5% -2.9048 -2.9117 -2.9036 -2.9042 -2.9036 -2.9109 t-10% -2.5899 -2.5936 -2.5892 -2.5896 -2.5892 -2.5931
Bậc dừng I(1) I(1) I(1) I(0) I(1) I(0)
Biến CPI IP MS EXC R RS
Giá trị thống kê t -7.46671 -4.137303 -2.833749 -2.976208 -4.9048 -3.3929 t-1% -3.52852 -4.092547 -3.525618 -3.53003 -3.5270 -3.5285 t-5% -2.9042 -3.474363 -2.902953 -2.904848 -2.9036 -2.9042 t-10% -2.58956 -3.164499 -2.588902 -2.589907 -2.5892 -2.5896
Kết quả kiểm định cho thấy các biến nghiên cứu của Hàn Quốc dừng ở chuỗi gốc ngoại trừ CPI và R là dừng ở sai phân bậc 1.
Thái Lan
Bảng 4.7. Kiểm định tính dừng các biến của Thái Lan
Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0
Kết quả cho thấy các biến nghiên cứu của Thái Lan là dừng ở chuỗi gốc ngoại trừ biến EXC và R là dừng ở sai phân bậc 1.
Hungari
Bảng 4.8. Kiểm định tính dừng các biến của Hungari
Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0
Kết quả kiểm định tính dừng cho thấy các biến nghiên cứu của Hungari đều dừng ở sai phân bậc 1 ngoại trừ CPI là dừng ở sai phân bậc 2 và RS là dừng ở chuỗi gốc.
4.3. Ước lượng độ biến động của thị trường chứng khoán và các biến kinh tế vĩ mơ bằng mơ hình GARCH. kinh tế vĩ mơ bằng mơ hình GARCH.
4.3.1. Ước lượng độ biến động của thị trường chứng khoán
Trong phần này, đề tài tiến hành hành ước lượng độ biến động của thị trường
Biến CPI IP MS EXC R RS
Giá trị thống kê t -4.4331 -5.3767 -3.2802 -6.0665 -2.7166 -3.6070 t-1% -4.1130 -4.1009 -4.0987 -3.5285 -3.5316 -3.5332 t-5% -3.4840 -3.4783 -3.4773 -2.9042 -2.9055 -2.9062 t-10% -3.1701 -3.1668 -3.1662 -2.5896 -2.5903 -2.5906
Bậc dừng I(0) I(0) I(0) I(1) I(1) I(0)
Biến CPI IP MS EXC R RS
Giá trị thống kê t -3.1055 -2.6687 -3.6592 -4.2142 -2.2256 -3.4044 t-1% -3.5482 -2.6047 -3.5332 -3.5441 -2.5999 -3.5285 t-5% -2.9126 -1.9464 -2.9062 -2.9109 -1.9457 -2.9042 t-10% -2.5940 -1.6132 -2.5906 -2.5931 -1.6136 -2.5896
tiên đề tài xem xét lược đồ tương quan để xem xét dạng của chuỗi dữ liệu nghiên cứu là MA (Moving Average) hay AR (Auto Regression), kế đến đề tài tiến hành ước lượng các dạng mơ hình GARCH và xem xét các điều kiện tồn tại của mơ hình GARCH và các tiêu chí AIC, SBC, HQ và RSME để chọn lựa mơ hình phù hợp diễn tả cho sự biến động của thị trường chứng khoán. Theo đó, mơ hình phù hợp cho việc diễn tả độ biến động của thị trường chứng khoán Việt Nam là mơ hình AR(1)-GARCH(1,1), của thị trường chứng khốn Hàn Quốc là mơ hình AR(1)-GARCH(1,1), thị trường chứng khốn Thái Lan là mơ hình MA(1) MA(3) MA(4) MA(6)-GARCH(1,1) và thị trường chứng khốn Hungari là mơ hình MA(1)-GARCH(1,1). Kết quả ước lượng các mô