- Khả năng phục hồi nhanh
PHƯƠNG PHÁP NGHIÊN CỨU
3.3.3 Phương pháp hồi quy thông qua mô hình GARCH, EGARCH
Dữ liệu được sử dụng để phân tích trong luận án là dữ liệu chuỗi thời gian, có đặc điểm thường dễ biến động theo giai đoạn (có thể biến động lớn trong giai đoạn này nhưng ổn định hoặc ít biến động trong giai đoạn tiếp theo), sai số khơng có cùng phương sai trong cả mẫu (tính khơng đồng nhất) hay phương sai sai số thay đổi và có cấu trúc tự hồi quy hay tương quan giữa các giai đoạn. Do đó, ảnh hưởng của biến độc lập lên biến phụ thuộc có thể thay đổi theo thời gian, dẫn đến mơ hình hồi quy với phương pháp OLS tỏ ra không hiệu quả đối với dữ liệu chuỗi thời gian trong tài chính. Theo Brook (2002), nếu giả định này bị vi phạm và ước lượng OLS vẫn được sử dụng, khi đó sai số chuẩn có thể khơng đúng và tất cả những kết luận rút ra từ mơ hình này
84
có thể khơng có ý nghĩa. Vì vậy, sử dụng một phương pháp ước lượng khác có thể khắc phục những hạn chế trên là cần thiết trong luận án này, qua đó gia tăng độ tin cậy của những kết luận rút ra từ kết quả nghiên cứu.
Tiếp theo, nghiên cứu sử dụng mơ hình ARCH (Auto Regressive Conditional Heteroscadasticity) được phát triển bởi Engle (1982). Theo đó, mơ hình cho phép phương sai của sai số thay đổi theo thời gian như một hàm của sai số quá khứ. Khi có tác động ARCH, ước lượng OLS sẽ khơng hiệu quả và phương sai các ước lượng sẽ chệch. Tuy nhiên, mơ hình ARCH mới chỉ biểu hiện dạng trung bình di động và khơng phản ánh ảnh hưởng của phương sai trễ lên phương sai kỳ t. Sau đó, Bollerslev (1986) khái qt hóa mơ hình ARCH thành GARCH (Generalised autoregressive conditional
heteroscedasticity), cho phép phương sai có điều kiện phụ thuộc vào các độ trễ và khi
độ trễ trong ARCH tăng. Mơ hình GARCH cung cấp tính khơng đồng nhất trong lợi nhuận quan sát được, đó là một kỹ thuật của mơ hình chuỗi thời gian sử dụng phương sai quá khứ để dự báo phương sai trong tương lai. Mơ hình GARCH có tính đến sự thay đổi phương sai nên làm cho việc sử dụng dữ liệu hiệu quả hơn. Một đặc điểm khác biệt của mơ hình này là phương sai sai số có thể tương quan theo thời gian bởi hiện tượng biến động phân cụm dữ liệu. Khi phân tích hành vi biến động do các sản phẩm phái sinh, cần phải loại bỏ ảnh hưởng của các yếu tố khác, bằng cách hồi quy chuỗi lợi nhuận trên độ trễ của nó, thơng qua các biến ngoại sinh của nó và qua các ngày trong tuần.
Vấn đề kế tiếp đối với dữ liệu chuỗi thời gian trong tài chính là tồn tại tác động bất cân xứng thông tin trên thị trường tài chính. Theo đó, bất cân xứng thơng tin được hiểu là những thơng tin tích cực thường có tác động đến độ biến động giá cổ phiếu ít hơn những thông tin tiêu cực. TTCK Việt Nam là không hiệu quả (về mặt thông tin) ở mức độ yếu, nên bất cân xứng thơng tin có thể tồn tại trên thị trường. Những mơ hình GARCH chưa tính đến những tác động bất cân xứng thơng tin được nói đến như tác động địn bẩy trong dữ liệu chuỗi thời gian. Điển hình trong nghiên cứu của Yilgor & Mebounou (2016) đã chỉ ra tác động của thông tin lên độ biến động giá cổ phiếu thường là bất cân xứng. Để giải quyết vấn đề này, mơ hình EGARCH được đề xuất bởi Nelson (1991) sẽ được sử dụng để đánh giá tác động của giao dịch HĐTL chỉ số lên TTCK cơ sở ở Việt Nam, trong đó có tính đến tác động bất cân xứng thơng tin. Theo đó, hệ số hồi quy trong phương trình phương sai có điều kiện thể hiện mức độ bất cân xứng thông tin trên thị trường.