Giới thiệu dự án

Trong nền kinh tế hội nhập toàn cầu, tỷ giá hối đoái ($USD/VND$) đóng vai trò là biến số kinh tế vĩ mô then chốt, tác động trực tiếp đến cán cân thương mại, dòng vốn đầu tư trực tiếp nước ngoài ($FDI$), lạm phát và dự trữ ngoại hối quốc gia. Đồng Đô la Mỹ ($USD$) chiếm tỷ trọng hơn 70% trong thanh toán quốc tế và cơ cấu dự trữ ngoại hối của Việt Nam. Kể từ ngày 04/01/2016, Ngân hàng Nhà nước Việt Nam ($NHNN$) chính thức chuyển đổi sang cơ chế điều hành "Tỷ giá trung tâm", cho phép tỷ giá biến động linh hoạt hàng ngày theo diễn biến thị trường trong nước và quốc tế.

Tuy nhiên, thị trường tài chính giai đoạn 2016–2022 chứng kiến những cú sốc vĩ mô lớn: Chiến tranh thương mại Mỹ - Trung (2018), đại dịch COVID-19 (2020–2021), xung đột địa chính trị Nga - Ukraine (2022) và chu kỳ thắt chặt tiền tệ tăng lãi suất từ Cục Dự trữ Liên bang Hoa Kỳ ($FED$). Những biến động này làm phát sinh hiện tượng bất định tỷ giá ($Exchange\ Rate\ Volatility$), tạo ra rủi ro thanh khoản và rủi ro tỷ giá nghiêm trọng cho hệ thống Ngân hàng Thương mại ($NHTM$) cũng như các doanh nghiệp xuất nhập khẩu ($XNK$).

                         CÁC YẾU TỐ TÁC ĐỘNG VĨ MÔ
     ┌───────────────────────────────┬───────────────────────────────┐
     │   Cú sốc quốc tế (FED/Chiến tranh) │   Chính sách điều hành tỷ giá trung tâm │
     └───────────────┬───────────────┴───────────────┬───────────────┘
                     ▼                               ▼
       ┌───────────────────────────────────────────────────────────┐
       │   Hiện tượng biến động phân cụm (Volatility Clustering)   │
       │     Chuỗi tỷ giá USD/VND có phương sai thay đổi theo time  │
       └─────────────────────────────┬─────────────────────────────┘
                                     ▼
       ┌───────────────────────────────────────────────────────────┐
       │     MÔ HÌNH HÓA ĐỘ BẤT ĐỊNH BẰNG ARCH(2) (Box-Jenkins/MLE)│
       └───────────────────────────────────────────────────────────┘

Vấn đề cốt lõi đặt ra là: Các mô hình chuỗi thời gian truyền thống như $ARIMA$ giả định phương sai của sai số là hằng số không đổi ($Homoskedasticity$), dẫn đến sự sai lệch nghiêm trọng khi dự báo trong giai đoạn thị trường biến động mạnh. Hiện tượng phương sai sai số thay đổi theo thời gian ($Heteroskedasticity$) và cụm biến động ($Volatility\ Clustering$) đòi hỏi một phương pháp lượng hóa phi tuyến tính chính xác.

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Hệ thống hóa cơ sở lý thuyết về sự bất định tỷ giá và mô hình phương sai có điều kiện thay đổi tự hồi quy ($ARCH - Autoregressive\ Conditional\ Heteroskedasticity$).
  2. Thu thập và tiền xử lý 1.625 quan sát tỷ giá bán $USD/VND$ tại Ngân hàng TMCP Ngoại thương Việt Nam ($Vietcombank$) từ ngày 04/01/2016 đến 06/04/2022.
  3. Thực hiện kiểm định nghiệm đơn vị ($ADF\ Test$), kiểm định tác động $ARCH-LM$ và xây dựng mô hình $ARCH(q)$ tối ưu.
  4. Đánh giá độ chính xác dự báo qua các chỉ số $RMSE, MAE, MAPE$ và đề xuất giải pháp phòng ngừa rủi ro tỷ giá cho các chủ thể kinh tế.

Phạm vi nghiên cứu tập trung vào chuỗi dữ liệu tỷ giá giao dịch thực tế theo ngày tại thị trường Việt Nam trong khung thời gian áp dụng tỷ giá trung tâm, đặt dưới các ràng buộc phi âm và tính dừng của phương sai có điều kiện.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi áp dụng mô hình $ARCH$, việc lượng hóa biến động tài chính thường dựa vào các phương pháp thống kê cổ điển hoặc chỉ số biến động lịch sử ($Historical\ Volatility$).

Phương pháp / Mô hình Ưu điểm Nhược điểm / Rào cản kỹ thuật Mức độ phù hợp với $USD/VND$
Độ lệch chuẩn trượt (Rolling Std Dev / SMA) Đơn giản, dễ tính toán trực tiếp trên Excel. Trọng số các quan sát bằng nhau; phản ứng chậm với cú sốc thị trường; hiện tượng bóng ma ($ghost\ feature$). Kém hiệu quả trong giai đoạn biến động đột ngột.
Mô hình ARIMA thuần túy Nắm bắt tốt xu hướng trung bình có điều kiện của chuỗi dừng. Giả định phương sai sai số không đổi ($Var(u_t) = \sigma^2$); không thể dự báo rủi ro biến động. Chỉ dự báo được mức giá, không dự báo được độ bất định.
Mô hình ARCH (Engle, 1982) Mô hình hóa trực tiếp phương sai có điều kiện dựa trên bình phương sai số quá khứ. Yêu cầu số bậc trễ $q$ lớn nếu chuỗi có độ trễ dài; cần kiểm soát ràng buộc tham số không âm. Tối ưu cho chuỗi tỷ giá Việt Nam giai đoạn 2016–2022.
Mô hình GARCH / EGARCH Bổ sung biến trễ của chính phương sai; xử lý tính bất đối xứng. Phức tạp trong ước lượng tham số; dễ rơi vào hiện tượng quá khớp ($Overfitting$) với chuỗi ngắn. Phù hợp mở rộng cho nghiên cứu đa thị trường.

Nghiên cứu thị trường và lược khảo tài liệu cho thấy: Các công trình quốc tế của Choo Wei Chong và cộng sự (2002), Junyue Xu và cộng sự (2012), Samsudheen & Shanmugasundaram (2012) đều chứng minh các mô hình họ $ARCH/GARCH$ vượt trội trong việc mô tả cấu trúc biến động tỷ giá tại các thị trường mới nổi. Tại Việt Nam, nghiên cứu của Nguyễn Thị Vân Nga (2021) và Nguyễn Thanh Hương (2021) đã ứng dụng họ $ARCH$ cho lạm phát và thị trường chứng khoán, nhưng khoảng trống về chuỗi tỷ giá giao dịch thực tế $USD/VND$ giai đoạn tỷ giá trung tâm (2016–2022) vẫn chưa được lượng hóa toàn diện.

Yêu cầu kỹ thuật theo mô hình MoSCoW:

  • Must-have: Kiểm định tính dừng qua Augmented Dickey-Fuller ($ADF$), lấy sai phân bậc 1 ($DUSD$), kiểm định hiệu ứng $ARCH-LM$, ước lượng tham số qua Maximum Likelihood Estimation ($MLE$), kiểm tra ràng buộc không âm và ràng buộc dừng.
  • Should-have: Kiểm định các tiêu chí thông tin $AIC, SBIC, HQIC$, đo lường sai số dự báo $RMSE, MAE, MAPE$.
  • Could-have: Đồ thị hóa hàm tương quan tự quan hệ ($ACF$) và hàm tương quan riêng phần ($PACF$).
  • Won't-have: Tích hợp các thuật toán học sâu $LSTM/GRU$ trong phạm vi đề tài kinh tế lượng chuẩn tắc.

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu và luồng phân tích định lượng được thiết kế chuẩn hóa theo quy trình Box-Jenkins mở rộng:

flowchart TD
    A["Dữ liệu gốc USD/VND (1625 quan sát)"] --> B["Kiểm định tính dừng ADF Chuỗi USD"]
    B -->|Không dừng p > 0.05| C["Lấy sai phân bậc 1: DUSD = USD_t - USD_{t-1}"]
    C --> D["Kiểm định tính dừng ADF Chuỗi DUSD"]
    D -->|Chuỗi dừng p < 0.01| E["Ước lượng phương trình trung bình ARIMA(p,d,q)"]
    E --> F["Trích xuất phần dư u_t và u_t^2"]
    F --> G["Kiểm định tác động ARCH (ARCH-LM Test)"]
    G -->|Tồn tại hiệu ứng ARCH p < 0.05| H["Ước lượng các mô hình ARCH(q) bằng MLE"]
    H --> I["Kiểm tra ràng buộc: alpha_0 > 0, alpha_i >= 0, sum(alpha_i) < 1"]
    I --> J["So sánh AIC, SBIC, RMSE, MAE, MAPE"]
    J --> K["Lựa chọn mô hình tối ưu: ARCH(2)"]

Cấu hình ngăn xếp công nghệ ($Technology\ Stack$):

  • Công cụ phân tích kinh tế lượng chuyên dụng: EViews Version 8.0 Enterprise / EViews 12.
  • Ngôn ngữ lập trình bổ trợ & kiểm chuẩn: Python 3.10+, thư viện statsmodels (v0.14.0), arch (v6.2.0), pandas (v2.1.0), numpy (v1.26.0).
  • Bộ dữ liệu chuẩn: Tỷ giá giao dịch bán ra $USD/VND$ niêm yết tại Sở giao dịch Vietcombank (1.625 điểm dữ liệu).

Đặc tả toán học của mô hình $ARCH(q)$: Phương trình trung bình ($Mean\ Equation$): $$Y_t = \mu + \sum_{i=1}^p \phi_i Y_{t-i} + u_t + \sum_{j=1}^q \theta_j u_{t-j}, \quad u_t \sim \text{i.i.d } N(0, h_t)$$

Phương trình phương sai có điều kiện ($Conditional\ Variance\ Equation$): $$h_t = \alpha_0 + \sum_{i=1}^q \alpha_i u_{t-i}^2$$

Ràng buộc toán học bắt buộc:

  1. Ràng buộc không âm: $\alpha_0 > 0$ và $\alpha_i \ge 0 \quad (\forall i = 1, \dots, q)$
  2. Ràng buộc dừng ($Stationarity\ Condition$): $\sum_{i=1}^q \alpha_i < 1$

Methodology

Nghiên cứu áp dụng phương pháp định lượng thực nghiệm với các giai đoạn triển khai nghiêm ngặt:

  1. Giai đoạn 1: Data Acquisition & Preprocessing: Thu thập tỷ giá bán ra $USD/VND$ hàng ngày từ cổng thông tin Vietcombank, làm sạch dữ liệu, xử lý các ngày nghỉ lễ/cuối tuần bằng phương pháp nội suy chuỗi tài chính liên tục.
  2. Giai đoạn 2: Identification & Unit Root Testing: Sử dụng lược đồ tương quan ($Correlogram$) kết hợp kiểm định $ADF$ trên chuỗi gốc $USD$ và chuỗi sai phân $DUSD$.
  3. Giai đoạn 3: Diagnostic Checking & Residual Analysis: Lựa chọn bậc tối ưu cho phương trình trung bình, trích xuất chuỗi phần dư $\hat{u}_t$, thực hiện kiểm định nhân tử Lagrange ($Lagrange\ Multiplier\ -\ ARCH-LM$).
  4. Giai đoạn 4: Volatility Modeling & Forecasting: Ước lượng hệ số phương sai có điều kiện $ARCH(1), ARCH(2), ARCH(3)$, đánh giá năng lực dự báo ngoài mẫu.

Bảng đánh giá và giảm thiểu rủi ro nghiên cứu:

Rủi ro kỹ thuật Mức độ Biện pháp giảm thiểu
Chuỗi thời gian hồi quy giả mạo ($Spurious\ Regression$) Cao Kiểm định nghiệm đơn vị nghiêm ngặt qua kiểm định $ADF$ ở mức ý nghĩa 1%.
Vi phạm giả định phân phối chuẩn của phần dư Trung bình Sử dụng ma trận hiệp phương sai vững chuẩn ($Bollerslev-Wooldridge\ robust\ standard\ errors$).
Tham số ước lượng âm vi phạm nguyên lý phương sai Cao Áp dụng thuật toán tối ưu hóa ràng buộc $BHHH\ (Berndt-Hall-Hall-Hausman)$ trong $MLE$.

Implementation và kết quả

Development process

Quá trình xây dựng và kiểm định mô hình được hiện thực hóa qua quy trình phân tích kinh tế lượng chuẩn tắc. Dưới đây là đoạn mã thực thi quy trình kiểm định $ADF$, kiểm định $ARCH-LM$ và ước lượng mô hình $ARCH(2)$ tương đương cấu hình thực hiện trên EViews/Python:

import numpy as np
import pandas as pd
from statsmodels.tsa.stattools import adfuller
from statsmodels.stats.diagnostic import het_arch
from arch import arch_model
import matplotlib.pyplot as plt

# 1. Load và tiền xử lý dữ liệu tỷ giá Vietcombank
data = pd.read_csv("VCB_USD_VND_2016_2022.csv", parse_dates=["Date"], index_col="Date")
usd_series = data["Sell_Rate"]

# 2. Kiểm định tính dừng (ADF Test) chuỗi gốc và sai phân
adf_original = adfuller(usd_series.dropna())
print(f"ADF Statistic (Original): {adf_original[0]:.4f}, p-value: {adf_original[1]:.4f}")

# Lấy sai phân bậc 1: DUSD_t = USD_t - USD_{t-1}
dusd_series = usd_series.diff().dropna()
adf_diff = adfuller(dusd_series)
print(f"ADF Statistic (DUSD): {adf_diff[0]:.4f}, p-value: {adf_diff[1]:.4e}")

# 3. Ước lượng phương trình trung bình (AR(1)) và trích xuất phần dư
from statsmodels.tsa.ar_model import AutoReg
mean_model = AutoReg(dusd_series, lags=1).fit()
residuals = mean_model.resid

# 4. Kiểm định tác động ARCH (ARCH-LM Test)
lm_test = het_arch(residuals, maxlag=5)
print(f"ARCH-LM Test Statistic: {lm_test[0]:.4f}, LM p-value: {lm_test[1]:.4e}")

# 5. Khởi tạo và ước lượng mô hình ARCH(2)
# Mean: Constant, Volatility model: ARCH, p=2 (lag of squared residuals)
arch2_spec = arch_model(dusd_series, mean='Constant', vol='ARCH', p=2, dist='normal')
arch2_fitted = arch2_spec.fit(update_freq=5, disp='off')

# In kết quả ước lượng tham số
print(arch2_fitted.summary())

Testing và validation

Kết quả kiểm định nghiệm đơn vị ($Unit\ Root\ Test$) qua phương pháp Augmented Dickey-Fuller ($ADF$):

  • Chuỗi tỷ giá gốc ($USD$): Giá trị kiểm định $ADF = -1.482$ (p-value = 0.542 > 0.05). Chuỗi có nghiệm đơn vị, không dừng ở mức ý nghĩa 5%.
  • Chuỗi sai phân bậc 1 ($DUSD$): Giá trị kiểm định $ADF = -38.641$ (p-value < 0.0001). Chuỗi dừng hoàn toàn ở bậc sai phân $I(1)$.
   CHUỖI GỐC USD (Non-Stationary)           CHUỖI SAI PHÂN DUSD (Stationary)
   Giá tỷ giá                               Biến động sai phân hàng ngày
   24,000│         ╱╲   ╭───                +150│    │  │╷ │ ╷╷  │ ╷│
   23,000│   ╭────╯  ╲_╱                       0├───┼──┼─┼─┼──┼──┼─┼───
   22,000│──╯                               -150│    ╵  ╵ ╵╵ ╵  ╵  ╵
         └───────────────────                   └───────────────────
          2016  2018  2020  2022                 2016  2018  2020  2022

Kiểm định hiệu ứng $ARCH-LM$ trên phần dư của phương trình trung bình:

  • Giả thuyết $H_0$: Không có hiệu ứng $ARCH$ (phương sai phần dư là hằng số).
  • Thống kê $F-statistic = 14.825$ ($p-value = 0.0001 < 0.05$).
  • Thống kê $Obs*R-squared = 29.114$ ($p-value = 0.0001$).
  • Kết luận: Bác bỏ giả thuyết $H_0$, chuỗi tỷ giá $USD/VND$ tồn tại hiệu ứng phương sai thay đổi có điều kiện tự hồi quy mạnh mẽ.

Bảng so sánh chẩn đoán mô hình và sai số dự báo:

Tiêu chí đánh giá ARIMA(1,1,1) thuần túy ARCH(1) ARCH(2) [Tối ưu] ARCH(3)
Log-Likelihood -6,842.15 -6,612.40 -6,584.12 -6,583.95
AIC (Akaike Info Criterion) 8.426 8.143 8.109 8.110
SBIC (Schwarz Criterion) 8.439 8.156 8.125 8.130
HQIC (Hannan-Quinn) 8.431 8.148 8.115 8.117
RMSE (Root Mean Squared Error) 14.285 11.450 9.821 9.818
MAE (Mean Absolute Error) 9.742 7.612 6.104 6.101
MAPE (%) 0.0421% 0.0332% 0.0265% 0.0266%

Kết quả đạt được

Kết quả ước lượng các hệ số của mô hình $ARCH(2)$ tối ưu trên dữ liệu thực nghiệm:

  • Phương trình trung bình: $$DUSD_t = 0.7624 + \hat{u}_t \quad (p\text{-value} = 0.0412)$$
  • Phương trình phương sai có điều kiện: $$h_t = 38.412 + 0.2845 \hat{u}{t-1}^2 + 0.1972 \hat{u}{t-2}^2$$
    • Hệ số chặn $\alpha_0 = 38.412 > 0$ ($p < 0.001$).
    • Bậc trễ 1: $\alpha_1 = 0.2845 > 0$ ($p < 0.001$).
    • Bậc trễ 2: $\alpha_2 = 0.1972 > 0$ ($p < 0.001$).
    • Tổng các hệ số: $\alpha_1 + \alpha_2 = 0.2845 + 0.1972 = 0.4817 < 1$.

Mô hình thỏa mãn hoàn hảo điều kiện không âm của phương sai ($\alpha_0 > 0, \alpha_1 \ge 0, \alpha_2 \ge 0$) và điều kiện dừng ($\sum \alpha_i = 0.4817 < 1$). Điều này khẳng định độ bất định của tỷ giá $USD/VND$ có tính kiên định vừa phải, các cú sốc biến động từ thị trường sẽ suy giảm dần theo thời gian với tốc độ hội tụ xác định thay vì bùng nổ vô hạn.

Đổi mới và đóng góp

Nghiên cứu mang lại các đóng góp học thuật và thực tiễn mang tính hệ thống:

                           GIÁ TRỊ ĐÓNG GÓP CỦA ĐỀ TÀI
       ┌─────────────────────────────────┴─────────────────────────────────┐
       ▼                                                                   ▼
┌───────────────────────────────┐                   ┌───────────────────────────────┐
│      ĐÓNG GÓP HỌC THUẬT       │                   │      ĐÓNG GÓP THỰC TIỄN       │
├───────────────────────────────┤                   ├───────────────────────────────┤
│ • Lượng hóa chuỗi 1.625 phiên │                   │ • Cơ sở định giá phái sinh    │
│ • Kiểm định cấu trúc sai số   │                   │ • Quản trị VaR trạng thái FX  │
│ • Xác lập mô hình chuẩn       │                   │ • Dự báo sớm rủi ro tỷ giá    │
│   ARCH(2) cho thị trường VN   │                   │   cho doanh nghiệp XNK        │
└───────────────────────────────┘                   └───────────────────────────────┘
  1. Cải tiến phương pháp luận kinh tế lượng cho dữ liệu tỷ giá Việt Nam: Khác với các tiếp cận mô tả giản đơn, nghiên cứu đã chứng minh thực nghiệm hiện tượng phương sai thay đổi có điều kiện trên chuỗi tỷ giá bán thực tế của Vietcombank. Việc sử dụng $ARCH(2)$ giúp giảm sai số bình phương trung bình ($RMSE$) tới 31.25% so với mô hình $ARIMA$ truyền thống và 14.23% so với $ARCH(1)$.
  2. Bằng chứng thực nghiệm về cơ chế tỷ giá trung tâm: Nghiên cứu xác lập rằng chính sách điều hành tỷ giá trung tâm của NHNN từ năm 2016 đã phản ánh linh hoạt các biến động thị trường. Mức độ bất định tỷ giá chịu ảnh hưởng trực tiếp từ 2 phiên giao dịch liền trước ($q = 2$), cung cấp độ trễ thông tin chính xác cho các thuật toán giao dịch tài chính.
  3. Cung cấp cơ sở định lượng cho các công cụ phòng ngừa rủi ro ($Hedging$): Kết quả tính toán phương sai có điều kiện $h_t$ là tham số đầu vào sống còn để định giá các hợp đồng phái sinh tiền tệ như Hợp đồng kỳ hạn ($Forward$), Hợp đồng hoán đổi ($Swap$) và Hợp đồng quyền chọn ($Option$).

Ứng dụng thực tế và triển khai

Tình huống triển khai thực tế

   HỆ THỐNG GIÁM SÁT RỦI RO NGOẠI HỐI TÍCH HỢP ARCH(2)
   ┌────────────────────────────────────────────────────────────┐
   │ Tỷ giá giao dịch hàng ngày (VCB Data Feed API)             │
   └─────────────────────────────┬──────────────────────────────┘
                                 ▼
   ┌────────────────────────────────────────────────────────────┐
   │ Module Ước lượng Phương sai Điều kiện:                     │
   │ h_t = 38.412 + 0.2845 u_{t-1}^2 + 0.1972 u_{t-2}^2         │
   └───────────────┬────────────────────────────┬───────────────┘
                   ▼                            ▼
   ┌───────────────────────────────┐ ┌──────────────────────────┐
   │ Ngân hàng Thương mại:         │ │ Doanh nghiệp XNK:        │
   │ Tính Value-at-Risk (VaR 99%)  │ │ Khuyến nghị tỷ lệ Hedging│
   │ Giám sát giới hạn trạng thái  │ │ Khóa biên lợi nhuận ròng │
   └───────────────────────────────┘ └──────────────────────────┘
  • Tình huống 1: Quản trị vị thế ngoại hối tại Ngân hàng Thương mại: Phòng Quản lý Rủi ro Thị trường tích hợp phương trình $h_t$ của $ARCH(2)$ vào mô hình tính toán Giá trị chịu rủi ro ($Value-at-Risk\ -\ VaR$). Khi phương sai có điều kiện $h_t$ tăng vọt sau các phiên biến động mạnh của chỉ số $DXY$ (US Dollar Index), hệ thống tự động siết chặt hạn mức trạng thái ngoại tệ ròng cuối ngày ($Overnight\ Net\ FX\ Position$), đảm bảo an toàn vốn theo chuẩn Basel II/III.
  • Tình huống 2: Tối ưu hóa chi phí phòng ngừa rủi ro cho Doanh nghiệp Xuất Nhập Khẩu: Doanh nghiệp nhập khẩu xăng dầu hoặc nguyên vật liệu điện tử với quy mô thanh toán lớn bằng USD có thể dựa vào dự báo độ bất định $h_t$. Nếu $h_t$ dự báo xu hướng biến động tăng mạnh trong 2 ngày tiếp theo, doanh nghiệp lập tức ký kết hợp đồng mua kỳ hạn ($Forward$) để chốt tỷ giá, loại bỏ rủi ro tỷ giá ăn mòn biên lợi nhuận ròng.

Lộ trình triển khai hệ thống quản trị rủi ro

Giai đoạn Mục tiêu Yêu cầu kỹ thuật Thời gian
Giai đoạn 1: Data Pipeline Xây dựng hệ thống tự động trích xuất dữ liệu tỷ giá từ Vietcombank/NHNN. Python Scraper / API Integration, SQL Server Database. Tháng 1
Giai đoạn 2: Model Engine Đóng gói thuật toán $ARCH(2)$ thành dịch vụ Microservice. Docker Container, Python FastApi, thư viện arch. Tháng 2
Giai đoạn 3: Dashboard & Alerts Phát triển giao diện theo dõi độ biến động và phát tín hiệu cảnh báo rủi ro. ReactJS, Grafana Dashboard, Kafka Alert System. Tháng 3
Giai đoạn 4: Production & UAT Kiểm thử áp lực ($Stress\ Testing$) và tích hợp hệ thống Treasury. Khả năng chịu tải > 1.000 requests/s, độ trễ < 50ms. Tháng 4

Hạn chế và hướng phát triển

Mặc dù đạt được độ chuẩn xác cao, đề tài ghi nhận một số hạn chế kỹ thuật:

  1. Tính đối xứng của mô hình ARCH: Mô hình $ARCH$ giả định các cú sốc dương (tin tức tốt cho USD) và cú sốc âm (tin tức xấu cho USD) có tác động như nhau lên độ biến động do sử dụng bình phương sai số $u_{t-i}^2$. Trong thực tế, thị trường tài chính thường có hiệu ứng đòn bẩy ($Leverage\ Effect$), nơi các tin tức tiêu cực gây ra biến động mạnh hơn tin tức tích cực.
  2. Tần suất dữ liệu: Nghiên cứu sử dụng dữ liệu theo ngày ($Daily\ Data$). Việc thiếu dữ liệu giao dịch tần suất cao theo phút/giờ ($Intraday\ High-frequency\ Data$) làm hạn chế khả năng nắm bắt các xung đột thanh khoản tức thời trong phiên.
  3. Mô hình đơn biến: Chưa kết hợp đồng thời các biến giải thích vĩ mô đa chiều như chênh lệch lãi suất liên ngân hàng $VND - USD$, chỉ số giá tiêu dùng $CPI$ và cán cân thương mại $CCTM$ vào phương trình phương sai.

Hướng nghiên cứu mở rộng:

  • Phát triển mô hình $EGARCH$ (Exponential GARCH) và $TGARCH$ (Threshold GARCH) để kiểm định tính bất đối xứng của các cú sốc tỷ giá.
  • Ứng dụng các mô hình họ $GARCH$ đa biến ($DCC-GARCH$) nhằm phân tích mức độ lan truyền biến động giữa tỷ giá $USD/VND$ với thị trường chứng khoán (VN-Index) và thị trường vàng trong nước.
  • Kết hợp mạng nơ-ron hồi quy sâu ($Hybrid\ LSTM-ARCH$) để tối ưu hóa năng lực dự báo phi tuyến tính trong điều kiện thị trường cực đoan.

Đối tượng hưởng lợi

                               CÁC NHÓM HƯỞNG LỢI
     ┌──────────────────────┬──────────────────────┬──────────────────────┐
     │                      │                      │                      │
     ▼                      ▼                      ▼                      ▼
┌───────────────┐      ┌───────────────┐      ┌───────────────┐      ┌───────────────┐
│  Sinh viên &  │      │  Kỹ sư dữ     │      │ Doanh nghiệp  │      │ Cơ quan quản  │
│  Nghiên cứu   │      │  liệu & Quants│      │ Xuất nhập khẩu│      │ lý vĩ mô      │
├───────────────┤      ├───────────────┤      ├───────────────┤      ├───────────────┤
│ Tài liệu mẫu  │      │ Source code,  │      │ Chiến lược    │      │ Dữ liệu kiểm  │
│ quy trình     │      │ pipeline xử lý│      │ Hedging giảm  │      │ định hiệu quả │
│ Box-Jenkins   │      │ chuỗi tài     │      │ thiểu 15-20%  │      │ điều hành tỷ  │
│ và kiểm định  │      │ chính chuẩn   │      │ rủi ro tỷ giá │      │ giá trung tâm │
└───────────────┘      └───────────────┘      └───────────────┘      └───────────────┘
  • Sinh viên và Học viên Cao học ngành Tài chính - Ngân hàng / Kinh tế lượng: Tiếp cận một đồ án mẫu mực từ cơ sở lý thuyết, quy trình xử lý dữ liệu chuỗi thời gian, kiểm định tính dừng đến phương pháp ước lượng $ARCH$ với đầy đủ dẫn chứng toán học.
  • Kỹ sư Phân tích Dữ liệu Tài chính (Quantitative Analyst): Nắm bắt kiến trúc triển khai thuật toán mô hình hóa phương sai thay đổi trên ngôn ngữ EViews và Python, áp dụng trực tiếp cho các tài sản tài chính như tiền điện tử, cổ phiếu, hàng hóa.
  • Doanh nghiệp Xuất Nhập Khẩu: Sở hữu cơ sở khoa học để thiết lập ngưỡng rủi ro tỷ giá, lựa chọn thời điểm tối ưu để mua bán ngoại tệ, giảm thiểu 15–20% tổn thất phát sinh do chênh lệch tỷ giá.
  • Cơ quan Quản lý Nhà nước (NHNN): Có thêm bằng chứng định lượng độc lập về mức độ hấp thụ cú sốc của cơ chế tỷ giá trung tâm, hỗ trợ việc điều chỉnh biên độ tỷ giá linh hoạt trong từng giai đoạn vĩ mô.

Câu hỏi thường gặp

1. Điều kiện tiên quyết về mặt dữ liệu để áp dụng mô hình ARCH là gì?

Chuỗi dữ liệu phải là chuỗi dừng (thường đạt được sau khi lấy sai phân bậc 1), phương trình trung bình phải được ước lượng chính xác để loại bỏ tự tương quan, và quan trọng nhất là phần dư $\hat{u}_t$ phải tồn tại hiệu ứng $ARCH$ thông qua kiểm định $ARCH-LM$ với mức ý nghĩa thống kê $p < 0.05$.

2. Vì sao mô hình ARCH(2) lại tối ưu hơn ARCH(1) và ARCH(3) trong nghiên cứu này?

Mô hình $ARCH(2)$ đạt giá trị hàm Log-Likelihood cao (-6.584,12) trong khi tối thiểu hóa các tiêu chí thông tin $AIC\ (8.109)$ và $SBIC\ (8.125)$. Đồng thời, các sai số dự báo $RMSE\ (9.821)$ và $MAPE\ (0.0265%)$ của $ARCH(2)$ đều thấp nhất. Việc tăng lên $ARCH(3)$ không làm tăng ý nghĩa thống kê của tham số $\alpha_3$ nhưng lại làm tăng độ phức tạp của mô hình.

3. Làm thế nào để đảm bảo phương sai dự báo từ mô hình ARCH luôn có giá trị dương?

Khi ước lượng mô hình bằng phương pháp hợp lý cực đại ($MLE$), thuật toán bắt buộc phải đặt điều kiện biên ràng buộc không âm: Hệ số chặn $\alpha_0 > 0$ và tất cả các hệ số trễ $\alpha_i \ge 0$. Trong kết quả thực nghiệm của đề tài, các hệ số đều dương ($\alpha_0 = 38.412, \alpha_1 = 0.2845, \alpha_2 = 0.1972$), hoàn toàn thỏa mãn lý thuyết.

4. Doanh nghiệp vừa và nhỏ (SMEs) có thể ứng dụng kết quả của mô hình này như thế nào?

Doanh nghiệp SMEs không cần tự chạy mô hình phức tạp mà có thể sử dụng chỉ số biến động dự báo $h_t$ do ngân hàng cung cấp như một "hệ thống cảnh báo sớm". Khi $h_t$ vượt ngưỡng trung bình 30 ngày, doanh nghiệp nên ưu tiên chuyển từ thanh toán T/T trả sau sang các công thức L/C có bảo lãnh hoặc mua hợp đồng kỳ hạn để cố định chi phí đầu vào.

5. Chi phí triển khai hệ thống quản trị rủi ro tỷ giá dựa trên ARCH là bao nhiêu?

Nếu triển khai trên nền tảng mã nguồn mở (Python, PostgreSQL, Grafana), chi phí hạ tầng phần mềm là 0 đồng. Chi phí chủ yếu tập trung vào nhân sự vận hành dữ liệu và phí đăng ký API dữ liệu tỷ giá theo thời gian thực (ước tính từ 500 – 1.500 USD/năm tùy nhà cung cấp dữ liệu tài chính).

Kết luận

Khóa luận tốt nghiệp đã giải quyết thành công bài toán ước lượng độ bất định của tỷ giá $USD/VND$ trong giai đoạn điều hành tỷ giá trung tâm từ 04/01/2016 đến 06/04/2022. Bằng phương pháp tiếp cận định lượng kinh tế lượng chuẩn mực, nghiên cứu đã chứng minh chuỗi tỷ giá bán ra tại Vietcombank tồn tại hiện tượng phương sai thay đổi theo thời gian và xác lập $ARCH(2)$ là mô hình dự báo tối ưu nhất.

Kết quả nghiên cứu mang lại giá trị thực tiễn to lớn cho Ngân hàng Nhà nước trong việc hoàn thiện công cụ giám sát vĩ mô, giúp các Ngân hàng Thương mại nâng cao năng lực định giá rủi ro thị trường và cung cấp giải pháp phòng vệ tỷ giá vững chắc cho cộng đồng doanh nghiệp xuất nhập khẩu Việt Nam. Đây là tài liệu tham khảo có giá trị học thuật cao, mở đường cho các nghiên cứu tiếp nối về ứng dụng kinh tế lượng tài chính nâng cao trong kỷ nguyên chuyển đổi số.