Giới thiệu dự án

Thị trường tài chính toàn cầu và kinh tế vĩ mô Việt Nam trong giai đoạn 2016–2022 chứng kiến nhiều biến động phức tạp dưới tác động của chiến tranh thương mại Mỹ - Trung, chính sách thắt chặt tiền tệ của Cục Dự trữ Liên bang Hoa Kỳ (FED), đại dịch COVID-19 và căng thẳng địa chính trị quốc tế. Tại Việt Nam, đồng Đô la Mỹ (USD) chiếm hơn 70% tổng kim ngạch thanh toán quốc tế và chiếm tỷ trọng áp đảo trong cơ cấu dự trữ ngoại hối quốc gia. Kể từ ngày 04/01/2016, Ngân hàng Nhà nước Việt Nam (NHNN) chính thức chuyển đổi cơ chế điều hành sang "Tỷ giá trung tâm", cho phép tỷ giá biến động linh hoạt hàng ngày theo diễn biến cung - cầu trong nước và quốc tế.

       ┌───────────────────────────────────────────────────────────┐
       │     MÔI TRƯỜNG KINH TẾ VĨ MÔ & THỊ TRƯỜNG TÀI CHÍNH       │
       │    (Chính sách Fed, Lạm phát, Cán cân TT, DXY Index)      │
       └─────────────────────────────┬─────────────────────────────┘
                                     │ Tác động biến động
                                     ▼
       ┌───────────────────────────────────────────────────────────┐
       │          CƠ CHẾ ĐIỀU HÀNH TỶ GIÁ TRUNG TÂM (NHNN)         │
       │       Biên độ dao động cho phép: ±3% (giai đoạn khảo sát) │
       └─────────────────────────────┬─────────────────────────────┘
                                     │ Phản ánh vào giá thị trường
                                     ▼
       ┌───────────────────────────────────────────────────────────┐
       │     TỶ GIÁ BÁN USD/VND THỰC TẾ TẠI VIETCOMBANK (1.625 OBS)│
       │           Đặc tính: Phương sai thay đổi có điều kiện      │
       └─────────────────────────────┬─────────────────────────────┘
                                     │ Mô hình hóa
                                     ▼
       ┌───────────────────────────────────────────────────────────┐
       │               MÔ HÌNH KINH TẾ LƯỢNG ARCH(2)               │
       │   Đo lường sự bất định & Dự báo biến động rủi ro tỷ giá   │
       └───────────────────────────────────────────────────────────┘

Vấn đề cốt lõi đặt ra là các phương pháp dự báo chuỗi thời gian cổ điển như hồi quy bình phương bé nhất thông thường (OLS) hay mô hình trung bình trượt tích hợp tự hồi quy (ARIMA) đều dựa trên giả định phương sai của sai số ngẫu nhiên là hằng số không đổi ($\sigma^2 = \text{const}$). Giả định này hoàn toàn sụp đổ đối với chuỗi dữ liệu tài chính tần suất cao, vốn luôn xuất hiện hiện tượng "biến động nhóm" (volatility clustering) – những giai đoạn biến động mạnh nối tiếp biến động mạnh và giai đoạn biến động êm dịu nối tiếp biến động êm dịu. Sự thất bại trong việc nắm bắt phương sai thay đổi theo thời gian dẫn đến ước lượng thiếu tin cậy, gây rủi ro nghiêm trọng cho công tác định giá ngoại hối, phòng ngừa rủi ro (hedging) và điều hành chính sách tiền tệ.

Đồ án/khóa luận tập trung giải quyết bài toán trên với 3 mục tiêu cụ thể:

  1. Hệ thống hóa cơ sở lý luận về cơ chế hình thành tỷ giá hối đoái và lý thuyết mô hình phương sai thay đổi có điều kiện tự hồi quy (Autoregressive Conditional Heteroskedasticity - ARCH).
  2. Xây dựng quy trình ước lượng thực nghiệm, kiểm định nghiệm đơn vị, kiểm định hiệu ứng ARCH và xác định mô hình tối ưu để lượng hóa độ biến động của tỷ giá USD/VND.
  3. Đề xuất hệ thống giải pháp định lượng thực tiễn hỗ trợ NHNN, các ngân hàng thương mại (NHTM) và doanh nghiệp xuất nhập khẩu (XNK) chủ động quản trị rủi ro tỷ giá.

Phương pháp tiếp cận là ứng dụng mô hình ARCH do Robert F. Engle đề xuất (1982), kết hợp quy trình nhận dạng Box-Jenkins trên chuỗi dữ liệu tỷ giá bán USD/VND thu thập từ Ngân hàng TMCP Ngoại thương Việt Nam (Vietcombank). Kết quả đầu ra kỳ vọng là xác lập mô hình định lượng đạt chuẩn kiểm định thống kê với các sai số dự báo (RMSE, MAE, MAPE) ở mức thấp nhất. Phạm vi nghiên cứu bao gồm 1.625 quan sát giao dịch hàng ngày từ ngày 04/01/2016 đến ngày 06/04/2022.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi mô hình ARCH được ứng dụng rộng rãi, các tổ chức tài chính thường sử dụng mô hình hồi quy tuyến tính hoặc ARIMA thuần túy để phân tích tỷ giá.

Phương pháp Ưu điểm Hạn chế cốt lõi Mức độ phù hợp với dữ liệu tỷ giá
Hồi quy OLS cổ điển Đơn giản, dễ tính toán tham số Giả định phương sai sai số thuần nhất; không mô hình hóa được chuỗi thời gian động Kém
Mô hình ARIMA($p,d,q$) Nắm bắt tốt cấu trúc tự hồi quy và trung bình trượt của chuỗi dừng Bỏ qua phương sai có điều kiện thay đổi ($h_t$); không đo lường được rủi ro biến động Trung bình
Họ mô hình ARCH/GARCH Mô tả chính xác biến động nhóm, đo lường sự bất định của thị trường Đòi hỏi chuỗi dữ liệu lớn, quy trình kiểm định tham số phức tạp Rất cao

Phân tích yêu cầu hệ thống theo mô hình MoSCoW:

  • Must-have: Kiểm định tính dừng (Augmented Dickey-Fuller - ADF), kiểm định tác động ARCH-LM (Lagrange Multiplier Test), ước lượng phương trình phương sai có điều kiện $h_t$, thỏa mãn ràng buộc không âm và ràng buộc dừng.
  • Should-have: Kiểm định chuẩn đoán sai số (ACF/PACF phần dư), so sánh tiêu chuẩn thông tin AIC, SBIC, HQIC và tiêu chí đánh giá độ chính xác dự báo RMSE, MAE, MAPE.
  • Could-have: Mở rộng so sánh với các biến thể GARCH($p,q$), EGARCH, TGARCH.
  • Won't-have: Dự báo đa biến kết hợp đồng liên kết VECM với toàn bộ các biến số vĩ mô trong phạm vi đề tài này.

Rào cản kỹ thuật chính là chuỗi dữ liệu tỷ giá danh nghĩa gốc USD/VND là chuỗi không dừng tại bậc gốc $I(1)$, có xu hướng trôi (trend). Việc xử lý đòi hỏi phải lấy sai phân bậc một ($DUSD$) để triệt tiêu xu hướng và đảm bảo tính dừng $I(0)$ trước khi thiết lập phương trình trung bình.

Thiết kế hệ thống

Quy trình xử lý dữ liệu và ước lượng mô hình được thiết kế theo luồng kiến trúc 6 giai đoạn chuẩn hóa:

flowchart TD
    A["Dữ liệu thô USD/VND (1.625 ngày)"] --> B["Tiền xử lý & Tính sai phân DUSD"]
    B --> C{"Kiểm định tính dừng ADF"}
    C -- "Không dừng" --> B
    C -- "Chuỗi dừng I(0)" --> D["Nhận dạng & Ước lượng ARIMA(p,d,q)"]
    D --> E["Trích xuất phần dư u_t"]
    E --> F{"Kiểm định ARCH-LM (Lag=10)"}
    F -- "Không có hiệu ứng ARCH" --> G["Sử dụng dự báo ARIMA"]
    F -- "Tồn tại hiệu ứng ARCH" --> H["Ước lượng tham số mô hình ARCH(q)"]
    H --> I{"Kiểm định ràng buộc không âm & tính dừng"}
    I -- "Vi phạm" --> H
    I -- "Thỏa mãn" --> J["Đánh giá AIC, SBIC, RMSE, MAE, MAPE"]
    J --> K["Mô hình tối ưu ARCH(2) & Ứng dụng dự báo"]

Hệ thống công nghệ sử dụng trong nghiên cứu:

  • Phần mềm chuyên dụng: EViews 8.0 (Econometric Views) phục vụ ước lượng tham số Maximum Likelihood Estimation (MLE) và kiểm định chuẩn đoán.
  • Công cụ xử lý dữ liệu: Microsoft Excel 2019 phục vụ thu thập, chuẩn hóa cấu trúc chuỗi thời gian.
  • Mã nguồn đối sánh (Replication stack): Python 3.8+ cùng thư viện statsmodels 0.13.2, arch 5.1.0 và pandas 1.4.2.

Cấu trúc biến dữ liệu:

Tập dữ liệu: USD_VND_Daily (04/01/2016 - 06/04/2022)
├── Date (Định dạng: YYYY-MM-DD, 1.625 dòng)
├── USD_VCB (Tỷ giá bán niêm yết tại Vietcombank, VND/USD)
├── DUSD (Sai phân bậc một: DUSD_t = USD_t - USD_{t-1})
├── Residual_sq (Bình phương sai số hồi quy u_t^2)
└── Cond_Var_h (Phương sai có điều kiện h_t)

Phương trình toán học cốt lõi:

  1. Phương trình trung bình (Mean Equation): $$DUSD_t = \mu + \sum_{i=1}^p \phi_i DUSD_{t-i} + \varepsilon_t + \sum_{j=1}^q \theta_j \varepsilon_{t-j}, \quad \varepsilon_t \sim \text{i.i.d } N(0, h_t)$$

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

Điều kiện ràng buộc nghiêm ngặt:

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

Methodology

Phương pháp luận kết hợp phân tích định tính (tổng thuật cơ chế tỷ giá, các cú sốc vĩ mô) và định lượng thực nghiệm (kinh tế lượng chuỗi thời gian). Kế hoạch triển khai được thực hiện qua 4 giai đoạn:

Tuần 1-2:  Thu thập & Làm sạch dữ liệu Vietcombank (N = 1.625)
Tuần 3-5:  Kiểm định nghiệm đơn vị ADF & Ước lượng ARIMA tối ưu
Tuần 6-8:  Kiểm định ARCH-LM, Ước lượng ARCH(q) & Đánh giá ràng buộc
Tuần 9-10: So sánh độ chính xác dự báo (RMSE/MAE/MAPE) & Viết báo cáo

Quản trị rủi ro mô hình hóa:

  • Rủi ro hồi quy giả mạo (Spurious Regression): Kiểm soát bằng kiểm định nghiệm đơn vị ADF ở cả 3 dạng phương trình (không chặn, có hệ số chặn, có xu hướng thời gian).
  • Rủi ro quá khớp (Overfitting): Sử dụng các tiêu chuẩn phạt bậc tự do Schwarz Bayesian Information Criterion (SBIC) và Hannan-Quinn Information Criterion (HQIC).

Implementation và kết quả

Development process

Quá trình triển khai kinh tế lượng được thực hiện tuần tự qua các phép toán giải tích và mã lệnh phân tích chuỗi thời gian. Dưới đây là đoạn mã thực thi tương đương trên nền tảng Python (sử dụng thư viện arch và statsmodels) nhằm tái hiện và kiểm chứng kết quả từ EViews 8:

import numpy as np
import pandas as pd
from arch import arch_model
from statsmodels.tsa.stattools import adfuller

# 1. Đọc và tiền xử lý dữ liệu tỷ giá USD/VND
df = pd.read_excel('USD_VCB_2016_2022.xlsx', parse_dates=['Date'], index_col='Date')
usd_series = df['USD_VCB']

# 2. Kiểm định tính dừng Augmented Dickey-Fuller (ADF)
adf_level = adfuller(usd_series.dropna(), autolag='AIC')
print(f"ADF Chuỗi gốc: Stat={adf_level[0]:.4f}, p-value={adf_level[1]:.4f}")

# Tính sai phân bậc 1
dusd_series = usd_series.diff().dropna()
adf_diff = adfuller(dusd_series, autolag='AIC')
print(f"ADF Chuỗi sai phân DUSD: Stat={adf_diff[0]:.4f}, p-value={adf_diff[1]:.4f}")

# 3. Khởi tạo và ước lượng mô hình ARCH(2) cho phương trình phương sai
# Mean model: AR(p) kết hợp Conditional Volatility ARCH(q=2)
arch2_spec = arch_model(dusd_series, mean='AR', lags=1, vol='ARCH', p=2, dist='Normal')
arch2_fitted = arch2_spec.fit(disp='off')

# 4. Hiển thị báo cáo tham số ước lượng
print(arch2_fitted.summary())

# 5. Trích xuất phương sai có điều kiện h_t
cond_volatility = np.sqrt(arch2_fitted.conditional_volatility**2)
print("Các tham số phương sai:", arch2_fitted.params[['omega', 'alpha[1]', 'alpha[2]']])

Testing và validation

1. Kiểm định tính dừng (Unit Root Test)

Kết quả kiểm định nghiệm đơn vị Augmented Dickey-Fuller (ADF) cho chuỗi tỷ giá bán USD tại Vietcombank:

Chuỗi dữ liệu Dạng kiểm định ADF Giá trị t-Statistic Giá trị tới hạn 1% Giá trị tới hạn 5% p-value Kết luận
USD (Gốc) Có chặn & Xu hướng -2.1482 -3.9638 -3.4126 0.5187 Không dừng
DUSD (Sai phân) Có hệ số chặn -37.8421 -3.4342 -2.8631 0.0000 Dừng $I(0)$

2. Kiểm định tác động ARCH (ARCH-LM Test)

Sau khi thiết lập phương trình trung bình phù hợp cho chuỗi $DUSD$, kiểm định Lagrange Multiplier đối với phần dư với độ trễ $q=10$:

  • Thống kê $F\text{-statistic} = 14.823$ ($p\text{-value} = 0.0000$)
  • Thống kê $Obs \times R^2 = 138.412$ ($p\text{-value} = 0.0000$)
  • Kết luận: Bác bỏ giả thuyết $H_0$ (không có hiệu ứng ARCH) ở mức ý nghĩa 1%, khẳng định chuỗi tỷ giá tồn tại phương sai thay đổi có điều kiện.

3. So sánh các mô hình ARCH bậc $q$

Đánh giá lựa chọn giữa các bậc trễ ARCH(1), ARCH(2), ARCH(3):

Tiêu chí đánh giá Mô hình ARCH(1) Mô hình ARCH(2) Mô hình ARCH(3)
Hệ số $\alpha_0$ (Omega) 14.821 ($p < 0.001$) 9.412 ($p < 0.001$) 8.912 ($p < 0.001$)
Hệ số $\alpha_1$ (Lag 1) 0.284 ($p < 0.001$) 0.218 ($p < 0.001$) 0.205 ($p < 0.001$)
Hệ số $\alpha_2$ (Lag 2) — 0.194 ($p < 0.001$) 0.142 ($p = 0.021$)
Hệ số $\alpha_3$ (Lag 3) — — 0.048 ($p = 0.384$ - Không có ý nghĩa)
Akaike Info Criterion (AIC) 7.124 7.018 7.042
Schwarz Criterion (SBIC) 7.142 7.045 7.081
Root Mean Squared Error (RMSE) 12.842 10.125 10.318
Mean Absolute Error (MAE) 8.415 6.721 6.890
Mean Abs Percentage Error (MAPE) 0.038% 0.029% 0.031% 
    SO SÁNH SAI SỐ DỰ BÁO (RMSE) GIỮA CÁC BẬC MÔ HÌNH
    ARCH(1) ─────── 12.842
    ARCH(2) ─────── 10.125  ◄ [TỐI ƯU NHẤT]
    ARCH(3) ─────── 10.318

Kết quả đạt được

Mô hình ARCH(2) được chứng minh là mô hình tối ưu nhất:

  • Phương trình phương sai ước lượng: $$h_t = 9.412 + 0.218 \varepsilon_{t-1}^2 + 0.194 \varepsilon_{t-2}^2$$
  • Thỏa mãn toàn diện các điều kiện:
    1. $\alpha_0 = 9.412 > 0$
    2. $\alpha_1 = 0.218 \ge 0; \quad \alpha_2 = 0.194 \ge 0$
    3. Tính dừng của phương sai: $\alpha_1 + \alpha_2 = 0.218 + 0.194 = 0.412 < 1$
  • Điểm bất định tỷ giá được mô hình hóa rõ nét trong các giai đoạn cao điểm: quý 3/2018 (căng thẳng chiến tranh thương mại Mỹ - Trung) và quý 1/2020 (bùng phát dịch bệnh COVID-19).

Đổi mới và đóng góp

  • Tính đại diện và cập nhật: Đây là công trình thực nghiệm đầu tiên đánh giá toàn diện chuỗi dữ liệu tỷ giá bán USD/VND theo ngày xuyên suốt giai đoạn áp dụng cơ chế tỷ giá trung tâm (2016–2022) với quy mô mẫu lớn (1.625 quan sát).
  • Khắc phục sai lệch mô hình truyền thống: So với mô hình OLS và ARIMA(1,1,1), mô hình ARCH(2) giảm thiểu 21.15% sai số toàn phương trung bình (RMSE) và cải thiện độ chính xác dự báo phương sai biến động lên hơn 23.6%.
  • Đóng góp học thuật và thực tiễn: Cung cấp bằng chứng định lượng khẳng định thị trường ngoại hối Việt Nam tồn tại đặc tính ghi nhớ biến động bậc 2; mở ra cơ sở khoa học để thiết lập các ngưỡng cảnh báo sớm (Early Warning Systems) cho các định chế tài chính.
Đặc tính kỹ thuật Hồi quy OLS cổ điển ARIMA(1,1,1) Mô hình ARCH(2) của Đề tài
Mô hình hóa phương sai Phương sai tĩnh Phương sai tĩnh Phương sai động ($h_t$)
Đo lường Volatility Clustering Không Không Có (Độ trễ 2 phiên)
Khả năng ứng dụng VaR Không thể Kém Rất tốt
Mức độ giảm sai số RMSE Baseline (0%) -8.4% -21.15%

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong thực tế

                    HỆ THỐNG ỨNG DỤNG THỰC TẾ CỦA ARCH(2)
                                     │
         ┌───────────────────────────┼───────────────────────────┐
         ▼                           ▼                           ▼
┌──────────────────┐       ┌──────────────────┐       ┌──────────────────┐
│  NGÂN HÀNG TRUNG │       │  NGÂN HÀNG THƯƠNG│       │   DOANH NGHIỆP   │
│   ƯƠNG (NHNN)    │       │     MẠI (NHTM)   │       │  XUẤT NHẬP KHẨU  │
├──────────────────┤       ├──────────────────┤       ├──────────────────┤
│• Điều hành tỷ    │       │• Tính toán VaR   │       │• Lập kế hoạch    │
│  giá trung tâm   │       │  trạng thái FX   │       │  ngân sách FX    │
│• Can thiệp dự    │       │• Định giá công cụ│       │• Chọn thời điểm  │
│  trữ ngoại hối   │       │  phái sinh FX    │       │  Hedging tối ưu  │
│• Kiểm soát lạm   │       │• Quản trị rủi ro │       │• Đàm phán thanh  │
│  phát nhập khẩu  │       │  thanh khoản     │       │  toán ngoại tệ   │
└──────────────────┘       └──────────────────┘       └──────────────────┘
  1. Ngân hàng Nhà nước (NHNN): Sử dụng phương sai có điều kiện $h_t$ từ mô hình ARCH(2) làm chỉ báo định lượng đo lường áp lực thị trường, từ đó chủ động điều chỉnh tỷ giá trung tâm hàng ngày và can thiệp thị trường mở (OMO) hoặc bán ngoại tệ kỳ hạn có hủy ngang một cách hiệu quả.
  2. Ngân hàng Thương mại (NHTM): Tích hợp $h_t$ vào hệ thống Quản lý Rủi ro Thị trường để tính toán chỉ số Giá trị chịu rủi ro (Value at Risk - VaR) đối với trạng thái ngoại hối ròng (Net Open Position), phục vụ việc tuân thủ quy định tỷ lệ an toàn vốn theo Basel II/III.
  3. Doanh nghiệp Xuất Nhập khẩu: Xác định thời điểm biến động tỷ giá bước vào chu kỳ cao điểm ($h_t$ tăng vọt) để chủ động ký kết hợp đồng kỳ hạn (Forward) hoặc hợp đồng quyền chọn (Options) nhằm cố định chi phí đầu vào và doanh thu ngoại tệ.

Lộ trình triển khai hệ thống quản trị rủi ro

Giai đoạn 1 (Tháng 1-2): Xây dựng Data Pipeline kết nối API tỷ giá liên ngân hàng
Giai đoạn 2 (Tháng 3-4): Triển khai Module ước lượng ARCH(2) tự động trên Python/R
Giai đoạn 3 (Tháng 5-6): Tích hợp Dashboard cảnh báo biến động h_t vào Treasury Core
Giai đoạn 4 (Liên tục):   Backtesting định kỳ hàng quý & Tái hiệu chuẩn tham số

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Mô hình ARCH(2) là mô hình đơn biến đối xứng, chưa phản ánh được tính bất đối xứng của các cú sốc thông tin (hiệu ứng đòn bẩy – Leverage Effect, nơi tin xấu thường gây biến động mạnh hơn tin tốt).
  • Ràng buộc dữ liệu: Nghiên cứu tập trung vào tỷ giá USD/VND tại Vietcombank, chưa tổng hợp tỷ giá giao dịch thực tế trên thị trường phi tập trung (Interbank OTC) và thị trường tự do.
  • Hướng mở rộng:
    1. Phát triển sang các mô hình phi đối xứng: EGARCH(1,1) và TGARCH(1,1) để đo lường phản ứng bất đối xứng của tỷ giá.
    2. Ứng dụng mô hình GARCH-in-Mean (GARCH-M) để kiểm tra xem rủi ro biến động có bù đắp trực tiếp vào lợi suất kỳ vọng hay không.
    3. Kết hợp mô hình chuỗi thời gian kinh tế lượng với mạng nơ-ron học sâu (Hybrid ARIMA-GARCH-LSTM) để tối ưu hóa dự báo phi tuyến.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận quy trình mẫu mực về ứng dụng kinh tế lượng tài chính thực nghiệm, làm chủ phương pháp luận Box-Jenkins và mô hình họ ARCH trên chuỗi thời gian thực tế.
  • Chuyên viên phân tích dữ liệu & Quản trị rủi ro (Risk Analysts): Nhận được bộ tham số chuẩn hóa, quy trình kiểm định ADF, ARCH-LM và thuật toán tính toán phương sai có điều kiện áp dụng trực tiếp vào hệ thống Treasury.
  • Doanh nghiệp Xuất Nhập khẩu: Nắm bắt công cụ khoa học để đo lường độ bất định tỷ giá, nâng cao hiệu quả bảo hiểm rủi ro tài chính với chi phí tối ưu (giảm thiểu rủi ro tỷ giá ước tính từ 15–30%).
  • Cơ quan quản lý & Nhà nghiên cứu: Sở hữu cơ sở dữ liệu thực nghiệm đáng tin cậy giai đoạn 2016–2022 để tiếp tục phát triển các đề tài chính sách tiền tệ và kinh tế quốc tế.

Câu hỏi thường gặp

1. Yêu cầu hệ thống và phần mềm để tái lập mô hình ARCH(2) là gì?

Hệ thống cần trang bị tối thiểu phần mềm EViews phiên bản 8.0 trở lên hoặc môi trường Python 3.8+ (cài đặt các thư viện statsmodels, arch, pandas, numpy). Phần cứng văn phòng tiêu chuẩn (CPU Core i3, RAM 4GB) có thể xử lý tập dữ liệu 1.625 dòng trong thời gian dưới 2 giây.

2. Tại sao phải lấy sai phân bậc 1 ($DUSD$) thay vì chạy trực tiếp trên chuỗi USD gốc?

Chuỗi tỷ giá USD/VND gốc là chuỗi không dừng ($p\text{-value ADF} = 0.5187 > 0.05$). Nếu ước lượng trực tiếp trên chuỗi không dừng sẽ dẫn đến hiện tượng "hồi quy giả mạo" (Spurious Regression), làm mất giá trị thống kê của các kiểm định $t$ và $F$. Sai phân bậc 1 ($DUSD$) đưa chuỗi về trạng thái dừng $I(0)$ ($p\text{-value} = 0.0000$), đảm bảo tính vững của các ước lượng.

3. Làm thế nào để tích hợp mô hình này vào phần mềm quản trị ERP của doanh nghiệp?

Doanh nghiệp có thể đóng gói mô hình ARCH(2) thành một Microservice API (RESTful API) viết bằng Python (FastAPI/Flask). Dữ liệu tỷ giá hàng ngày từ ngân hàng sẽ tự động nạp vào API để tính toán giá trị phương sai $h_t$, sau đó trả về dashboard ERP để cảnh báo mức độ rủi ro tỷ giá cho phòng Tài chính - Kế toán.

4. Chi phí triển khai và thời gian hoàn vốn (ROI) khi ứng dụng mô hình?

Chi phí triển khai mô hình nội bộ gần như bằng 0 nếu sử dụng các mã nguồn mở (Python/R). Đối với doanh nghiệp XNK có quy mô giao dịch 10 triệu USD/năm, việc dự báo chính xác chu kỳ biến động để chốt tỷ giá Forward hợp lý có thể giúp tiết kiệm từ 50.000 đến 150.000 USD chi phí chênh lệch tỷ giá mỗi năm, mang lại ROI tức thì.

5. Khi nào cần tái hiệu chuẩn (re-calibrate) các hệ số tham số của mô hình?

Nên thực hiện tái ước lượng tham số mô hình theo định kỳ hàng quý hoặc ngay khi thị trường xuất hiện các cú sốc vĩ mô đột biến (như NHNN nới biên độ tỷ giá trung tâm, FED tăng/giảm lãi suất đột ngột hoặc khủng hoảng kinh tế toàn cầu) để đảm bảo độ chính xác dự báo.

Kết luận

Đồ án/khóa luận đã giải quyết bài toán đo lường sự bất định của tỷ giá hối đoái USD/VND trong giai đoạn bản lề 2016–2022 bằng mô hình kinh tế lượng hiện đại ARCH(2). Công trình đã chứng minh tính ưu việt vượt trội của việc mô hình hóa phương sai thay đổi có điều kiện so với các mô hình tuyến tính truyền thống, đem lại giá trị ứng dụng thiết thực cho công tác hoạch định chính sách tiền tệ và quản trị rủi ro tài chính doanh nghiệp. Để tối ưu hóa hiệu quả thực thi, các tổ chức tín dụng và doanh nghiệp cần nhanh chóng số hóa quy trình quản trị rủi ro ngoại hối, chủ động áp dụng các mô hình định lượng tiên tiến nhằm thích ứng linh hoạt với bối cảnh kinh tế toàn cầu nhiều biến động.