CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU
3.1. Cơ sở dữ liệu
Tất cả nguồn dữ liệu nghiên cứu của đề tài được thu thập theo tháng từ tháng 1 năm 2008 đến tháng 12 năm 2013, tất cả được thống kê theo bảng sau: Bảng 3.1.Dữ liệu nghiên cứu
Biến Thời gian Nguồn
Chỉ số sản xuất công nghiệp 2008-2013 IMF
Lãi suất 2008-2013 IMF
Tỷ giá 2008-2013 Datastream
Cung tiền 2008-2013 IMF
Stock Index 2008-2013 Blomberg
3.2. Mơ hình nghiên cứu 3.2.1. Mơ tả biến
Như đã nêu trong phần trên, phần này đề tài tiến hành mô tả lại dữ liêu nghiên cứu. Tất cả được thống kê trong bảng sau:
Bảng 3.2. Mô tả và đo lường các biến nghiên cứu
Biến Mô tả Cách đo lường
RS Tỷ suất sinh lợi thị trường RS = ln(Pt/Pt-1) ln: logarit cơ số e Pt: giá đóng cửa thời điểm t
IP Chỉ số sản xuất công nghiệp logarit cơ số e của chỉ số sản xuất công nghiệp
CPI Chỉ số giá tiêu dùng Logarit cơ số e của chỉ số giá tiêu dùng.
MS Cung tiền Logarit cơ số e của cung tiền nước
nghiên cứu
EXC Tỷ giá hối đoái song
phương
Logarit cơ số e của tỷ giá song phương của nước nghiên cứu so với đôla Mỹ.
R Lãi suất Logarit cơ số e của lãi suất cho vay
kỳ hạn 1 năm (%)
Theo đó, đề tài thực hiện nghiên cứu trên các quốc gia thị trường mới nổi và Việt Nam. Các nước được thực hiện nghiên cứu trong đề tài gồm: Việt Nam, Hàn Quốc, Thái Lan, Hungari.
3.2.2. Mơ hình nghiên cứu
Dựa trên nền tảng nghiên cứu của Zakaria và Shamsuddin (2012) và các nghiên cứu trước đây và cũng nhằm trả lời cho các câu hỏi nghiên cứu, mô
động của thị trường chứng khoán và các biến động trong các biến kinh tế vĩ mô: Chỉ số sản xuất công nghiệp, chỉ số giá tiêu dùng, tỷ giá hối đoái, lãi suất, cung tiền. Đề tài cũng sử dụng mơ hình VAR để xem xét mối quan hệ giữa biến động trong thị trường chứng khoán và biến động trong các yếu tố vĩ mô của các nước nghiên cứu. Theo đó mơ hình VAR được sử dụng để nghiên cứu mối quan hệ này được thể hiện như sau:
Trong đó,
V_RSt và V_Mt là những biến động có điều kiện của thị trường chứng khốn và các biến vĩ mơ tương ứng được ước lượng bằng các mơ hình GARCH. μit: là sai số trong mơ hình.
3.2.3. Mơ hình GARCH
3.2.3.1. Mơ hình ARCH- Engle (1982)
Nhằm khắc phục hạn chế của các mơ hình nghiên cứu trước đây với giả định phương sai khơng đổi theo thời gian, theo đó mơ hình ARCH do Engle phát triển năm 1982 cho rằng phương sai của các số hạng nhiễu tại thời điểm t phụ thuộc vào các số hạng nhiễu bình phương ở các giai đoạn trước. Mơ hình tổng quát mà Engle đề xuất:
Theo cơng thức trên thì một biến động mạnh trong thị trường xảy ra cách hôm nay q ngày thì ảnh hưởng của nó sẽ làm tăng phương sai có điều kiện của ngày hôm nay.Tuy nhiên mức biến động được thể hiện dưới dạng bình phương nên khơng phân biệt được tác động âm hay tác động dương. X là đại lượng đại diện cho giá trị của các biến nghiên cứu và Y là đại lượng dự báo của X theo phương pháp trên.
3.2.3.2. Mơ hình GARCH – Bollerslev (1986)
Một ý tưởng được đưa ra bởi Bollerslev (1986) là nên đưa thêm các biến trễ của phương sai có điều kiện vào phương trình phương sai theo dạng tự hồi quy. Ngoài ra, nếu các ảnh hưởng của ARCH có quá nhiều độ trễ sẽ có thể ảnh hưởng đến kết quả ước lượng do giảm đáng kể bậc tự do trong mơ hình, điều này càng nghiêm trọng hơn đối với chuỗi thời gian ngắn. Chính vì vậy mà mơ hình GARCH trở nên hữu hiệu hơn trong trường hợp này. Theo đó một mơ hình GARCH (p,q) dạng tổng qt được thể hiện như mơ hình ARCH tuy nhiên phương trình phương sai lúc này được viết như sau:
Độ lớn của các tham số α và β giúp xác định những bất ổn của độ lệch chuẩn Hệ số α cho thấy phản ứng của độ lệch chuẩn với những thay đổi của thị trường hay nói cách khác là α đóng vai trị xác định động lực biến động của . Hệ số β giúp kiểm định mức độ bền vững của độ lệch chuẩn hay nói cách khác β đo tác động của cú sốc lên . Nếu α+β<1 thì độ lệch chuẩn có điều kiện sẽ có thể hội tụ về độ lệch chuẩn trong dài hạn, tức lúc này εt là phải có tính dừng (Stationary).
Các dạng mơ hình GARCH
Đây là mơ hình thường được dùng nhất do mơ hình ước lượng đơn giản mà khả năng dự báo cũng tương đối chính xác, tuy nhiên nó thường được sử dụng dự báo trong ngắn hạn. Theo đó phương trình phương sai có dạng:
Mơ hình GARCH-M:
Các mơ hình GARCH ở giá trị trung bình (GARCH-M) cho phép giá trị trung bình có điều kiện phụ thuộc vào phương sai có điều kiện của chính nó. Ví dụ, xem xét hành vi của một nhà đầu tư thuộc dạng “sợ” rủi ro và vì thế có xu hướng địi hỏi thêm một mức phí bù rủi ro như một đền bù để quyết định nắm giữ một tài sản rủi ro. Có nghĩa là rủi ro càng cao thì thì phí bù rủi ro càng lớn. Theo đó phương trình phương sai của mơ hình GARCH-M (p,q) có dạng:
Mơ hình TGARCH
Mơ hình TGARCH được phát triển bởi Zakoian (1990), Glosen và cộng sự (1993). Hàm ý chính của mơ hình này là nhằm xem xét tính bất đối xứng giữa cú sốc âm và cú sốc dương. Và đây cũng được xem là một cách kiểm đính tính hiệu quả của thị trường. Các tác giả trên đã đề xuất đưa vào phương trình phương sai một biến giả dt, trong đó dt có giá trị bằng 1 nếu εt<0 và bằng 0 nếu εt>0. Nếu hệ số của biến giả có ý nghĩa thống kê sẽ chứng tỏ có sự khác biệt trong các cú sốc khác nhau. Theo đó phương trình phương sai trong mơ hình được thể hiện như sau:
Và cịn rất nhiều mơ hình GARCH khác nữa tuy nhiên trong phạm vi nghiên cứu của mình đề tài chỉ xem xét đến các mơ hình GARCH được đề cập bên trên với bậc tương ứng.
Một số dạng mơ hình GARCH đơn giản trong nghiên cứu thực nghiệm
Mơ hình GARCH(1,1)
Trong đó: , Y là đại lượng đại diện cho
các biến nghiên cứu (các biến số kinh tế vĩ mô, tỷ suất sinh lợi thị trường chứng khốn). Mơ hình GARCH-M (1,1)
Trong đó: , Y là đại lượng đại diện cho
các biến nghiên cứu (Các biến số kinh tế vĩ mô, tỷ suất sinh lợi thị trường chứng khoán).
Một số dạng khác của phương trình phương sai của mơ hình GARCH cũng được sử dụng là Mơ hình TGARCH(1,1)
Trong đó: , nếu có ý nghĩa thống
kê thì tác động của tin tức tốt và tin tức xấu là khác nhau lên phương sai. Y là đại lượng đại diện cho các biến nghiên cứu (Các biến số kinh tế vĩ mô, tỷ suất sinh lợi thị trường chứng khốn).
Các mơ hình nghiên cứu này cũng được đề tài thực hiện lại trong nghiên cứu của mình nhằm trả lời cho các câu hỏi nghiên cứu của đề tài.
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 mơ tả các biến nghiên cứu 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 vơ 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 cơng 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 Hồi 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 cịn 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