lục 3.3)
Nguồn số liệu
Dựa vào dữ liệu Vn-Index lấy từ Sở giao dịch chứng khốn thành phố Hồ Chí Minh trong khoản thời gian từ 11/11/2009 đến 11/11/2010, ta tạo ra chuỗi dữ liệu suất sinh lời với 250 quan sát, trong đĩ suất sinh lời của chỉ số Vn-Index được tính theo cơng thức
, = ,
,
Mẫu quan sát và khung thời gian
Mẫu lấy gồm 250 quan sát đại diện cho 250 suất sinh lời của Vn-Index theo ngày trong khoảng thời gian từ 11/11/2009 đến 11/11/2010 tương đương một năm giao dịch.
Kiểm tra tính dừng của chuỗi dữ liệu
Từ biểu đồ 3.6 và kiểm định ADF cho thấy chuỗi suất sinh lợi Vn-Index là chuỗi dừng. Như vậy chuỗi dữ liệu để xử lý phân tích rủi ro sẽ là chuỗi suất sinh lợi Vn- Index.
Xác định mơ hình ARIMA
Giản đồ tương quan 3.6 cĩ đặc điểm ACF, PACF sau 1 độ trễ thì nhanh chĩng bằng 0 ngay lập tức. Do đĩ các mơ hình cĩ thể phù hợp để dự báo r bao gồm ARMA(1,0), ARMA(0,1), ARMA(1,1). Cả ba mơ hình đều cĩ phần dư là chuỗi ngẫu nhiên nhưng mơ hình ARMA(1,1) cĩ các hệ số khơng cĩ ý nghĩa thống kê nên cần loại ra. Hai mơ hình cịn lại ta tiếp tục dựa vào một số chỉ tiêu sau đây để chọn ra mơ hình phù hợp nhất.
Bảng 3.3 – So sánh các chỉ tiêu lựa chọn mơ hình dự báo
Chỉ tiêu ARMA (0,1) ARMA (1,0)
AIC -5,59339 -5,58976
SBC -5,57931 -5,57563
HQ -5,58773 -5,58407
RMSE 0,014704 0,014731
Nguồn: Tính tốn của tác giả
Với hầu hết các chỉ tiêu trong bảng 3.3 của mơ hình ARMA(0,1) đều nhỏ hơn so với
mơ hình ARMA(1,0). Vậy mơ hình ARMA(0,1) là mơ hình phù hợp nhất để dự báo
r .
3.3.1.2 Sử dụng mơ hình ARCH/GARCH để phân tích dự báo rủi ro của Vn- Index
Dự báo rủi ro Vn-Index (phụ lục 3.4)
Từ mơ hình ARMA(0,1), ta đi kiểm định ảnh hưởng của ARCH(q) và sau khi ta tăng
độ trễ q lên 2 thì ta thấy chỉ cĩ mơ hình ARCH(1) là cĩ ý nghĩa dự báo rủi ro Vn-Index với q=1.
Mơ hình ARCH(1) chính là mơ hình GARCH(0,1).Ta tiếp tục thử kiểm định với các
mơ hình GARCH(1,1), GARCH(2,1), GARCH(2,2). Với hai mơ hình GARCH(2,1),
GARCH(2,2) thì các hệ số dự báo khơng cĩ ý nghĩa thống kê, chỉ cĩ mơ hình GARCH(1,1) là cĩ ý nghĩa thống kê đểđể dự báo rủi ro Vn-Index.
Ta cĩ hai mơ hình ARCH(1) hay GARCH(0,1) và GARCH(1,1) dự báo rủi ro của Vn- Index. Để lựa chọn mơ hình nào là phù hợp nhất ta dựa vào đồ thị biểu diễn phần dư
của hai mơ hình.
Đồ thị 3.7 biểu diễn phần dư của mơ hình GARCH(1,1) và GARCH(0,1)
So sánh hai mơ hình, ta thấy phần dư ước lượng của mơ hình GARCH(1,1) được vẽ
nhẵn và rõ ràng hơn mơ hình GARCH(0,1) nên ta chọn mơ hình GARCH(1,1) để dự
báo phương sai của Vn-Index hay rủi ro của Vn-Index. Kết quả dự báo:
r , = 0,164 et-1 + et (3.2)
Ut~ N(0, ht)
ht = 0.00000952 + 0,8ht-1 + 0,16 (3.3)
Phương trình 3.2 là phương trình ước lượng tỷ suất sinh lợi Vn-Index và phương trình 3.3 là phương trình dự báo rủi ro Vn-Index. Với mơ hình GARCH(1,1) cho ta thấy rủi ro của Vn-Index phụ thuộc vào rủi ro xảy ra ở giai đoạn t-1 hay khi cĩ một cú sốc lớn hay nhỏ xảy ra ở trước đĩ thì rủi ro theo sau cũng sẽ lớn hay nhỏ.
Đặc điểm rủi ro (phụ lục 3.5)
Thứ nhất với mơ hình GARCH(1,1)-M, ta đưa biến phương sai tức là rủi ro như là một biến vào trong phương trình 3.2, phương trình suất sinh lợi. Điều này cĩ nghĩa rủi ro là một tác nhân tác động đến suất sinh lợi thơng qua phần bù rủi ro là tích của một hệ số
với phương sai như trong phương trình 1.9. Điều này cĩ đúng với chỉ số Vn-Index khơng?
Kiểm định mơ hình GARCH(1,1)-M cho thấy hệ số của phương sai trong phương trình trung bình khơng cĩ ý nghĩa thống kê, vậy mơ hình GARCH-M khơng phù hợp trong trường hợp này.
Thứ hai, tính chất cân xứng thơng tin hay rủi ro bất cân xứng thơng tin được ước lượng thơng qua mơ hình TGARCH(1,1). Kết quả ước lượng cho thấy hệ số υ khơng cĩ ý nghĩa thống kê. Như vậy, khơng cĩ sự khác biệt giữa tin tức tốt và tin tức xấu. Nĩi cách khác, ảnh hưởng của tin tức cĩ tính chất cân xứng trên sàn niêm yết thành phố Hồ
Chí Minh.
3.3.2 Ứng dụng mơ hình ARIMA và ARCH/GARCH phân tích dự báo rủi ro cho sàn niêm yết Hà Nội
3.3.2.1 Ứng dụng mơ hình ARIMA dự báo suất sinh lời cho chỉ số Hn-Index (phụlục 3.6) lục 3.6)
Nguồn số liệu
Dựa vào dữ liệu Hn-Index lấy từ Sở giao dịch chứng khốn Hà Nội trong khoản thời gian từ 11/11/2009 đến 11/11/2010, ta tạo ra chuỗi dữ liệu suất sinh lời với 250 quan sát, trong đĩ suất sinh lời của chỉ số Hn-Indexđược tính theo cơng thức
, = ,
,
Mẫu quan sát và khung thời gian
Mẫu lấy gồm 250 quan sát đại diện cho 250 suất sinh lời của Hn-Index theo ngày trong khoảng thời gian từ 11/11/2009 đến 11/11/2010 tương đương một năm giao dịch.
Kiểm tra tính dừng của chuỗi dữ liệu
Đồ thị 3.8 - Giản đồ tương quan của ,
Từ biểu đồ 3.8 và kiểm định ADF cho thấy chuỗi suất sinh lợi Hn-Index là chuỗi dừng.
Giản đồ tương quan 3.8 cĩ đặc điểm ACF, PACF bằng 0 ngay lập tức ởđộ trễđầu tiên nên chuỗi , cĩ dạng một chuỗi ngẫu nhiên. Do đĩ mơ hình cĩ thể phù hợp để
dự báo , chỉ cĩ thể là ARMA(0,0).
3.3.2.2 Sử dụng mơ hình ARCH/GARCH để dự báo phân tích rủi ro của chỉ số Hn-Index
Dự báo rủi ro Hn-Index(phụ lục 3.7)
Từ mơ hình ARMA(0,0), ta đi kiểm định ảnh hưởng của ARCH(q) và sau khi ta tăng
độ trễ q lên 3 thì ta thấy chỉ cĩ mơ hình ARCH(1) và ARCH(2) là cĩ ý nghĩa dự báo rủi ro Hn-Index.
Ta tiếp tục thử kiểm định với các mơ hình GARCH(1,1), GARCH(2,1), GARCH(1,2). Với hai mơ hình GARCH(2,1), GARCH(1,2) thì các hệ số dự báo khơng cĩ ý nghĩa thống kê, chỉ cĩ mơ hình GARCH(1,1) là cĩ ý nghĩa thống kê để dự báo rủi ro Hn- Index.
Ta cĩ ba mơ hình ARCH(1) hay GARCH(0,1), ARCH(2) hoặc GARCH(0,2) và
GARCH(1,1) dự báo rủi ro của Vn-Index. Để lựa chọn mơ hình nào là phù hợp nhất ta dựa vào đồ thị biểu diễn phần dư của ba mơ hình.
Đồ thị 3.9 biểu diễn phần dư của mơ hình GARCH(0,1), GARCH(0,2) và GARCH(1,1)
So sánh ba mơ hình, ta thấy phần dư ước lượng của mơ hình GARCH(1,1) được vẽ
GARCH(1,1) để dự báo phương sai của Hn-Index hay rủi ro của Hn-Index. Kết quả
phương trình dự báo rủi ro cho Hn-Index được biểu diễn như sau: ht = 0.00000251 + 0,79ht-1 + 0,16
Đặc điểm rủi ro
Kiểm định mơ hình GARCH(1,1)-M cho thấy hệ số của phương sai trong phương trình trung bình khơng cĩ ý nghĩa thống kê, vậy mơ hình GARCH-M khơng phù hợp trong trường hợp này.
Thứ hai, tính chất cân xứng thơng tin hay rủi ro bất cân xứng thơng tin được ước lượng thơng qua mơ hình TGARCH(1,1). Kết quả ước lượng cho thấy hệ số υ1 cĩ ý nghĩa thống kê. Như vậy, cĩ sự khác biệt giữa tin tức tốt và tin tức xấu. Nĩi cách khác, ảnh hưởng của tin tức xấu tác động mạnh đến thị trường hơn là thơng tin tốt tại sàn niêm yết Hà Nội.
3.4 MỘT SỐ VẤN ĐỀ LƯU Ý VÀ CÁC HƯỚNG MỞ RỘNG ỨNG DỤNG MƠ HÌNH
3.4.1 Một số vấn đề lưu ý
Bài luận chỉ dừng ở mức độ giới thiệu một cơng cụ kỹ thuật đang được sử dụng rộng rãi trong giới học thuật lẫn ứng dụng thực tiễn khi phân tích dự báo giá và rủi
ro cho thị trường chứng khốn Việt Nam. Đĩ chính là mơ hình ARIMA và
ARCH/GARCH. Các ứng dụng cao và sâu hơn chưa được nghiên cứu. Ví dụ như bài luận chỉ đưa ra các mơ hình cơ bản của ARCH/GARCH, chưa cập nhật so sánh
đầy đủ các mơ hình ARCH/GARCH để chọn ra mơ hình tốt nhất.
Xác định các dạng mơ hình ARIMA, ARCH/GARCH cĩ thể dựa vào giản đồ
tương quan gần như là một nghệ thuật, vì vậy kinh nghiệm và linh động của người
ứng dụng mơ hình rất quan trọng để tránh tình trạng bỏ sĩt các mơ hình cĩ ý nghĩa khác.
Giai đoạn sideways hiện nay của thị trường cổ phiếu niêm yết tại sàn Tp. Hồ Chí Minh hay xu hướng giảm đều của thị trường cổ phiếu niêm yết Hà Nội giúp ta dễ
dàng xác định mơ hình ARIMA dự báo bởi tính ổn định của chuỗi dữ liệu làm cho nĩ cĩ xu hướng dừng ngay ở sai phân bậc một và các yếu tố tự tương quan, trung bình trượt chỉ xảy ra ở độ trễ thứ nhất. Tuy nhiên khi thị trường biến động cao thì liệu đặc điểm của mơ hình ARIMA luơn đúng như vậy khơng lại chưa được xem xét.
Mơ hình ARIMA và ARCH/GARCH với ý nghĩa mơ phỏng lại hành vi diễn biến trong quá khứ, từđĩ làm cơ sở cho dự báo kế tiếp. Nhưng thị trường tài chính vốn biến động cao, các tác động của các yếu tố thời tương lai chưa được xem xét nên dự báo sử dụng mơ hình ARIMA, ARCH/GARCH thường phải kèm theo giảđịnh là kịch bản của tương lai sẽ hồn tồn giống như những gì mơ hình mơ phỏng quá
khứ. Do đĩ mơ hình ARIMA và ARCH/GARCH cĩ vẻ chỉ phù hợp dự báo các
điểm tương lai rất gần với thời điểm cuối cùng của chuỗi dữ liệu. Tính dự báo ngắn của mơ hình ARIMA và ARCH/GARCH thể hiện ởđặc điểm này.
Ngồi ra, để phân tích dự báo giá & rủi ro cho Vn-Index, người ta thường hồi quy các nhân tố tác động đến Vn-Index như lãi suất, tăng trưởng GDP, biến động giá chứng khốn thế giới, biến động thị trường vàng, ngoại hối... để tạo ra mơ hình hồi quy trong đĩ biến phụ thuộc là Vn-Index và các biến độc lập là các nhân tố tác
động. Phân tích dự báo giá & rủi ro Vn-Index dựa vào mơ hình hồi quy kiểu như
vậy với các điều chỉnh cĩ thể từ nhận định xu hướng biến động sắp tới. Trong khi
đĩ, mơ hình ARIMA và ARCH/GARCH chưa đề cập và đo lường tác động của các nhân tố khác nhau đối với thị trường nên sẽ khơng phù hợp cho các nhà làm chính sách tin dùng.
3.4.2 Hướng mở rộng ứng dụng mơ hình
Đề tài nghiên cứu ứng dụng mơ hình ARIMA, ARCH/GARCH để dự báo giá cho
chỉ số giá chứng khốn. Mở rộng ra, mơ hình cĩ thể được tiếp tục nghiên cứu áp dụng dự báo giá cho từng cổ phiếu riêng lẻ.
Mơ hình ARIMA dự báo cho giai đoạn ngắn hạn vì hầu như nĩ mơ phỏng khá tốt quá trình diễn biến dữ liệu của giá chứng khốn cũng như hành vi của nhà đầu tư
trên thị trường. Tuy nhiên tương lai cĩ một điều chắc chắn là khơng cĩ gì là chắc chắn nên một cú sốc lớn cĩ khả năng làm giá chứng khốn đi chệch khỏi quỹ đạo
đáng lẻ nĩ phải đi theo đồ hình mà mơ hình vẽ ra. Vì vậy cần phải cĩ điều chỉnh kết quả dự báo sao cho phù hợp với tình hình thực tế. Điều này cần kinh nghiệm,
độ nhạy bén của người phân tích. Mơ hình ARIMA giờ đây trở thành một cơng cụ
dự báo mang tính tham khảo rất hữu ích đặc biệt khi kết hợp với phân tích kỹ thuật
đểđưa ra chiến lược lướt sĩng ngắn hạn cho nhà đầu tư “lượm bạc cắc”.
Thị trường cổ phiếu niêm yết Việt Nam thuộc dạng biến động cao, mơ hình ARIMA, ARCH/GARCH tìm được chỉ phù hợp cho giai đoạn hiện nay, giai đoạn
nghiêng về sideways hoặc cĩ xu hướng giảm đều. Ý tưởng mở rộng đề tài nghiên cứu cĩ thể là xem xét đặc điểm của mơ hình ARIMA, ARCH/GARCH thay đổi như thế nào khi ta thay đổi khoảng thời gian xem xét và tính chất thời gian của chuỗi dữ liệu theo tuần, tháng thay vì theo ngày như trong đề tài.
Như đã nĩi ở trên, mơ hình ARCH/GARCH được sử dụng trong bài luận chỉ dự
báo và phân tích rủi ro của thị trường dựa trên quá trình tự tương quan và trung bình trượt của chuỗi dữ liệu hay nĩi cách khác nĩ dựa trên diễn biến hành vi trong quá khứ để dự báo và phân tích hành vi trong tương lai cĩ nghĩa là mơ hình xem nhẹ các cú sốc của thời tương lai. Mặc khác trong điều hành chính sách, mơ hình trở nên khơng cĩ ý nghĩa đáng kể vì nhà làm chính sách khơng biết tác động thị
trường từ đâu bởi khơng nhận diện rõ mức độ quan trọng của các nhân tố. Vì vậy, rất cần thiết xây dựng một mơ hình ARCH/GARCH mới cĩ thể kết hợp với mơ hình dự báo nhân quảđể nhận diện, phân loại, và đo lường tác động của các nhân tố khác nhau đến thị trường. Từđĩ các nhà làm chính sách cĩ thể tác động đến thị
trường với liều lượng các giải pháp chính sách tương ứng tỷ trọng ảnh hưởng của nhân tố tác động đến thị trường. Ngồi ra trong cơng tác dự báo, kết quả truy xuất từ mơ hình ARIMA và ARCH/GARCH cĩ thể được điều chỉnh để đưa ra dự báo phù hợp hơn trong một mơi trường biến động (tham khảo Phụ lục A).
So sánh mơ hình ARIMA, ARCH/GARCH với các mơ hình dự báo đã được biết
như mơ hình nhân quả, mơ hình chuỗi thời gian đơn giản...trong việc dự báo giá chứng khốn.
Trong các loại mơ hình ARCH/GARCH thì mơ hình GARCH-M thường được sử
dụng để đánh giá tính hợp lý của giả thuyết rủi ro cao, lợi nhuận cao cĩ đúng khơng tức là ta kiểm chứng được một nhà đầu tưđầu tư vào thị trường rủi ro nhưng phần bù rủi ro được yêu cầu cĩ tương xứng với mức độ chấp nhận rủi ro của nhà
đầu tư khơng. Bài luận đã cho thấy suất sinh lợi của thị trường cổ phiếu niêm yết Việt Nam mang lại khơng tương thích với rủi ro hoặc mệnh đề “lợi nhuận cao, rủi ro càng cao” khơng đúng với thị trường Việt Nam hiện nay. Ứng dụng tương tự
cho tất cả các ngành hoặc từng cổ phiếu hồn tồn cĩ thể làm được. Điều này vơ cùng cĩ ích trong cơng tác định giá khi mà ta hồn tồn cĩ thể kiểm chứng được giả thiết đặc điểm ngại rủi ro của nhà đầu tư khi đầu tư vào một cổ phiếu hoặc ngành nào đĩ. Mơ hình định giá CAPM3.1 hay APT đều dựa trên giả định này. Từ
đây, mơ hình GARCH-M cĩ thể được dùng làm cơ sở cho việc lựa chọn phương pháp định giá thích hợp trong phân tích cơ bản cổ phiếu ví dụ mơ hình CAPM hoặc APT cĩ cần thiết sử dụng khơng khi mà thực tế dữ liệu chứng minh rủi ro của cổ
phiếu hoặc ngành nào đĩ khơng cĩ tác động nào đến tỷ suất sinh lời của cổ phiếu hoặc ngành.
Trên cơ sở như vậy, ta cĩ thể dựa vào mơ hình ARCH/GARCH xây dựng một bộ
quy chuẩn đánh giá cụ thể rủi ro của từng ngành, từng cổ phiếu cho từng giai đoạn
để làm căn cứ hỗ trợ cho quyết định đầu tư.
Một ứng dụng khác từ mơ hình ARIMA, ARCH/GARCH trong định giá là ta hồn
tồn cĩ thể dùng mơ hình để dự báo các chỉ tiêu tài chính trong bảng dự phĩng các số liệu tài chính làm cơ sở cho việc chiết khấu dịng tiền để xác định giá trị hiện tại của cổ phiếu. Thực tế hiện nay, các phương pháp định giá cổ phiếu FCFE3.2, FCFF3.3, DCF3.4... thường được sử dụng để đánh giá giá trị thực của cổ phiếu một cách khoa học nhưng các phương pháp tưởng chừng là mang nhiều ý nghĩa nhất vì nĩ phản ánh giá trị nội tại của cổ phiếu thì lại thiếu chính xác nhất vì dữ liệu đầu