Ứng Dụng Mô Hình ARIMA và GARCH Để Dự Báo Chỉ Số VN-Index

Khám phá ứng dụng mô hình ARIMA-GARCH trong việc dự báo chỉ số VN-Index ngắn hạn, giúp nhà đầu tư đưa ra quyết định chính xác hơn.

• Tác giả: Nguyễn Đắc Tuấn Minh
• Người hướng dẫn: ThS. Hoàng Hạnh Nguyên
• Trường học: Đại học Kinh tế Huế
• Chuyên ngành: Tài chính
• Đề tài: Dự Báo Chỉ Số VN-Index Bằng Mô Hình ARIMA và GARCH
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Huế

Mục lục chi tiết

• TÓM TẮT KHÓA LUẬN
• LỜI CẢM ƠN
• DANH MỤC CHỮ VIẾT TẮT
• DANH MỤC BẢNG BIỂU
• DANH MỤC HÌNH VẼ, SƠ ĐỒ
• I. PHẦN I: ĐẶT VẤN ĐỀ
• I.1. Lý do chọn đề tài
• I.2. Mục tiêu nghiên cứu
• I.3. Đối tượng và phạm vi nghiên cứu
• I.4. Phương pháp nghiên cứu
• I.5. Kết cấu đề tài
• II. PHẦN II: NỘI DUNG VÀ KẾT QUẢ NGHIÊN CỨU
• 1. CHƯƠNG 1: TỔNG QUAN CƠ SỞ LÝ LUẬN
• 1.1. Khái quát về thị trường chứng khoán
• 1.2. Thị trường chứng khoán
• 1.3. Lý luận cơ bản về chỉ số chứng khoán và giá đóng cửa
• 1.4. Chỉ số chứng khoán VN – Index
• 1.5. Dự báo ngắn hạn
• 1.6. Bài toán dự báo
• 1.7. Phân loại dự báo
• 1.8. Các thống kê đo độ chính xác của dự báo
• 1.9. Chuỗi thời gian
• 1.10. Các vấn đề liên quan đến tính dừng
• 1.11. Kiểm định nghiệm đơn vị Dickey – Fuller (Unit root test)
• 1.12. Biến đổi chuỗi không dừng thành chuỗi dừng
• 1.13. Quá trình tự hồi quy (AR), trung bình trượt (MA) và mô hình ARIMA
• 1.14. Mô hình AR(p)
• 1.15. Mô hình ARIMA và phương pháp Box-Jenkins
• 1.16. Kiểm định tính ARCH
• 1.17. Mô hình GARCH
• 1.18. Mô hình GARCH (p, q)
• 1.19. Ưu nhược điểm của mô hình GARCH và các biến thể
• 1.20. Tổng quan về các nghiên cứu trước đây
• 2. CHƯƠNG 2: DỰ BÁO CHỈ SỐ VN-INDEX TRONG NGẮN HẠN THÔNG QUA MÔ HÌNH ARIMA, GARCH
• 2.1. Sơ lược về thị trường chứng khoán Việt Nam và chỉ số VN-Index
• 2.2. Diễn biến thị trường chứng khoán Việt Nam và chỉ số VN – Index trong giai đoạn nghiên cứu (20/9/2021 – 30/12/2022)
• 2.3. Giới thiệu về mẫu quan sát
• 2.4. Ước lượng mô hình ARIMA (p, d, q)
• 2.5. Kiểm định tính dừng của chuỗi chỉ số VN – Index
• 2.6. Khắc phục chuỗi chưa dừng
• 2.7. Xác định mô hình ARIMA (p, d, q)
• 2.8. Ước lượng mô hình GARCH (p, q)
• 2.9. Tiến hành dự báo
• 3. CHƯƠNG 3: NHẬN XÉT VỀ KẾT QUẢ ĐẠT ĐƯỢC VÀ KHUYẾN NGHỊ
• 3.1. Nhận xét về kết quả
• 3.2. So sánh với một số bài nghiên cứu khác
• III. PHẦN III: KẾT LUẬN
• III.1. Kết quả đạt được
• III.2. Hạn chế của bài nghiên cứu
• III.3. Hướng phát triển đề tài
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Dự Báo VN Index Mô Hình ARIMA và GARCH

Thị trường chứng khoán (TTCK) Việt Nam, kể từ khi hình thành vào đầu những năm 2000, đã trở thành một kênh đầu tư đầy tiềm năng, thu hút cả tổ chức và cá nhân. Tuy nhiên, đi kèm với lợi nhuận cao là rủi ro không hề nhỏ. Do đó, việc dự báo xu hướng biến động của chỉ số giá chứng khoán như VN-Index là vô cùng quan trọng. Chuỗi thời gian đã được sử dụng rộng rãi như một công cụ hữu ích trong phân tích và dự báo các vấn đề kinh tế, xã hội. Trong số các phương pháp nghiên cứu chuỗi thời gian, mô hình ARIMA và GARCH nổi bật lên như những lựa chọn hàng đầu. Nghiên cứu này tập trung vào ứng dụng hai mô hình này để dự báo VN-Index trong ngắn hạn, nhằm cung cấp cái nhìn tổng quan cho các nhà đầu tư.

1.1. Tầm quan trọng của việc dự báo VN Index

Việc dự báo VN-Index giúp các nhà đầu tư và tổ chức có cái nhìn khái quát về thị trường. Từ đó, có thể đưa ra chiến lược đầu tư chứng khoán phù hợp trong ngắn hạn. Việc phân tích xu hướng tăng giảm của chỉ số cũng giúp giảm thiểu rủi ro và tối ưu hóa lợi nhuận. Các công cụ như ARIMA và GARCH cho phép phân tích dữ liệu quá khứ để đưa ra những dự đoán có cơ sở.

1.2. Giới thiệu mô hình ARIMA và GARCH

Mô hình ARIMA (Autoregressive Integrated Moving Average) là một phương pháp thống kê để phân tích và dự báo chuỗi thời gian. Nó kết hợp các thành phần tự hồi quy (AR), tích hợp (I) và trung bình trượt (MA) để mô hình hóa các mối quan hệ trong dữ liệu. Mô hình GARCH (Generalized Autoregressive Conditional Heteroskedasticity) được sử dụng để mô hình hóa tính biến động của chuỗi thời gian, đặc biệt là trong lĩnh vực tài chính. GARCH cho phép phương sai sai số thay đổi theo thời gian.

II. Thách Thức Dự Báo VN Index Biến Động và Rủi Ro

Thị trường chứng khoán Việt Nam chịu ảnh hưởng bởi nhiều yếu tố, từ kinh tế vĩ mô đến tâm lý nhà đầu tư, tạo ra những biến động khó lường cho chỉ số VN-Index. Những biến động này gây khó khăn cho việc dự báo VN-Index chính xác, đặc biệt trong ngắn hạn. Các yếu tố như lạm phát, lãi suất, chính sách tiền tệ, và các sự kiện kinh tế - chính trị đều có thể tác động mạnh đến thị trường. Việc lượng hóa và mô hình hóa những yếu tố này là một thách thức lớn. Các nhà đầu tư thường mua bán cổ phiếu theo cảm tính và chịu ảnh hưởng của thông tin ngắn hạn. Điều này gây ra biến động bất thường và ảnh hưởng đến sự ổn định của thị trường chứng khoán.

2.1. Các yếu tố ảnh hưởng đến VN Index

Nhiều yếu tố có thể tác động đến chỉ số VN-Index, bao gồm: tình hình kinh tế vĩ mô (lạm phát, lãi suất, tăng trưởng GDP), chính sách của chính phủ, tâm lý nhà đầu tư, và các sự kiện quốc tế. Ví dụ, sự thay đổi trong chính sách tiền tệ của Ngân hàng Nhà nước có thể ảnh hưởng đến dòng tiền vào thị trường chứng khoán.

2.2. Rủi ro trong dự báo thị trường chứng khoán

Dự báo thị trường chứng khoán luôn tiềm ẩn rủi ro do tính chất phức tạp và khó đoán của nó. Các mô hình dự báo như ARIMA và GARCH có thể cung cấp những ước tính có giá trị, nhưng không thể loại bỏ hoàn toàn sai số. Điều này đặc biệt đúng trong bối cảnh thị trường có nhiều yếu tố bất định. Rủi ro hệ thống là những sự cố xảy ra trong quá trình vận hành hệ thống (nền kinh tế) hoặc những sự cố xảy ra ngoài hệ thống nhưng có tác động đến phần lớn hệ thống.

2.3. Hạn chế của các mô hình thống kê truyền thống

Các mô hình thống kê truyền thống như ARIMA và GARCH có một số hạn chế khi áp dụng vào dự báo thị trường chứng khoán. Chúng thường giả định rằng dữ liệu tuân theo một phân phối nhất định, và có thể không phù hợp với các chuỗi thời gian có tính phi tuyến hoặc bị ảnh hưởng bởi các sự kiện đột ngột.

III. Cách Áp Dụng ARIMA Dự Báo VN Index Chính Xác Hơn

Mô hình ARIMA là một công cụ mạnh mẽ để dự báo VN-Index, cho phép phân tích và dự đoán xu hướng biến động dựa trên dữ liệu quá khứ. Để áp dụng ARIMA hiệu quả, cần thực hiện các bước: kiểm định tính dừng của chuỗi thời gian, xác định bậc của mô hình (p, d, q), ước lượng tham số, và kiểm định độ phù hợp của mô hình. Việc lựa chọn bậc phù hợp là rất quan trọng để đảm bảo độ chính xác của dự báo. Cần sử dụng các tiêu chí như AIC và BIC để so sánh các mô hình khác nhau và chọn ra mô hình tốt nhất. Sau khi có mô hình phù hợp, có thể tiến hành dự báo giá trị VN-Index trong tương lai.

3.1. Kiểm định tính dừng của chuỗi VN Index

Tính dừng là một yêu cầu quan trọng khi sử dụng mô hình ARIMA. Chuỗi thời gian dừng có nghĩa là các đặc tính thống kê của nó (trung bình, phương sai) không thay đổi theo thời gian. Nếu chuỗi VN-Index không dừng, cần thực hiện phép sai phân để chuyển nó thành chuỗi dừng. Kiểm định Dickey-Fuller (ADF) thường được sử dụng để kiểm tra tính dừng.

3.2. Xác định bậc p d q cho mô hình ARIMA

Bậc (p, d, q) của mô hình ARIMA xác định số lượng các thành phần tự hồi quy (AR), tích hợp (I), và trung bình trượt (MA) được sử dụng trong mô hình. Việc xác định bậc phù hợp đòi hỏi phân tích hàm tự tương quan (ACF) và hàm tự tương quan riêng phần (PACF) của chuỗi thời gian.

3.3. Ước lượng và kiểm định mô hình ARIMA

Sau khi xác định bậc, cần ước lượng các tham số của mô hình ARIMA bằng phương pháp ước lượng hợp lý tối đa (MLE). Sau đó, kiểm định độ phù hợp của mô hình bằng cách kiểm tra các giả định về sai số và sử dụng các tiêu chí như AIC và BIC để so sánh các mô hình khác nhau.

IV. GARCH và Dự Báo Rủi Ro Nâng Cao Độ Chính Xác VN Index

Mô hình GARCH được sử dụng để mô hình hóa tính biến động của VN-Index, giúp nâng cao độ chính xác của dự báo. GARCH cho phép phương sai sai số thay đổi theo thời gian, phản ánh thực tế là thị trường chứng khoán thường trải qua các giai đoạn biến động cao và thấp. Việc kết hợp ARIMA và GARCH cho phép mô hình hóa cả giá trị trung bình và tính biến động của VN-Index, cung cấp cái nhìn toàn diện hơn về thị trường. Sau một quá trình ước lượng và đánh giá thì mô hình cuối cùng được lựa chọn là mô hình GARCH (1, 1).

4.1. Ưu điểm của mô hình GARCH trong dự báo VN Index

Mô hình GARCH có khả năng nắm bắt được tính biến động của thị trường chứng khoán, điều mà các mô hình truyền thống như ARIMA thường bỏ qua. Điều này giúp dự báo VN-Index chính xác hơn, đặc biệt trong các giai đoạn thị trường biến động mạnh.

4.2. Kiểm định tính ARCH và lựa chọn mô hình GARCH

Trước khi áp dụng mô hình GARCH, cần kiểm tra xem có hiện tượng tự tương quan trong bình phương sai số hay không bằng kiểm định ARCH. Nếu có, có thể tiến hành lựa chọn bậc (p, q) cho mô hình GARCH và ước lượng các tham số.

4.3. Ứng dụng GARCH trong dự báo rủi ro thị trường

Mô hình GARCH không chỉ giúp dự báo giá trị trung bình của VN-Index, mà còn cung cấp thông tin về dự báo rủi ro thị trường. Phương sai có điều kiện của mô hình GARCH có thể được sử dụng làm thước đo rủi ro, giúp các nhà đầu tư đưa ra quyết định đầu tư phù hợp.

V. Kết Quả Nghiên Cứu Ứng Dụng ARIMA và GARCH Dự Báo VN Index

Nghiên cứu này đã ứng dụng mô hình ARIMA và GARCH để dự báo VN-Index trong ngắn hạn, sử dụng dữ liệu từ 20/09/2021 đến 30/12/2022. Kết quả cho thấy mô hình ARIMA (2, 1, 0) và GARCH (1, 1) là phù hợp nhất với dữ liệu. Dự báo cho thấy VN-Index có xu hướng giảm điểm trong tuần đầu tiên của tháng 1/2023. Các kết quả này có thể được sử dụng để hỗ trợ các nhà đầu tư trong việc đưa ra quyết định đầu tư. Sau đó, dựa vào tiêu chí có độ tin cậy cao, được sử dụng rộng rãi trong nhiều nghiên cứu để lựa chọn ra mô hình ARIMA (2, 1, 0).

5.1. Đánh giá độ chính xác của mô hình dự báo

Độ chính xác của mô hình dự báo được đánh giá bằng cách so sánh giá trị dự báo với giá trị thực tế của VN-Index. Các chỉ số như sai số bình phương trung bình (RMSE) và sai số tuyệt đối trung bình (MAE) được sử dụng để đo lường mức độ sai lệch.

5.2. So sánh kết quả với các nghiên cứu trước đây

Kết quả nghiên cứu này được so sánh với các nghiên cứu trước đây về dự báo VN-Index bằng mô hình ARIMA và GARCH. Việc so sánh giúp đánh giá tính mới và độ tin cậy của kết quả.

5.3. Hàm ý cho nhà đầu tư và thị trường chứng khoán

Kết quả nghiên cứu cung cấp những hàm ý quan trọng cho nhà đầu tư chứng khoán và các nhà quản lý thị trường chứng khoán. Nó cho thấy tiềm năng của mô hình ARIMA và GARCH trong việc dự báo VN-Index và quản lý rủi ro.

VI. Kết Luận Hướng Phát Triển Mô Hình Dự Báo VN Index

Nghiên cứu này đã chứng minh tính hiệu quả của mô hình ARIMA và GARCH trong dự báo VN-Index ngắn hạn. Tuy nhiên, vẫn còn nhiều hướng phát triển để nâng cao độ chính xác và khả năng ứng dụng của mô hình. Trong tương lai, có thể kết hợp các mô hình này với các kỹ thuật học máy (machine learning) hoặc sử dụng dữ liệu phi cấu trúc (ví dụ: tin tức, mạng xã hội) để cải thiện khả năng dự báo. Đồng thời, cần tiếp tục nghiên cứu và cập nhật mô hình để phù hợp với sự thay đổi của thị trường.

6.1. Hạn chế của nghiên cứu và đề xuất cải tiến

Nghiên cứu này có một số hạn chế, chẳng hạn như việc sử dụng dữ liệu trong một khoảng thời gian nhất định và giả định về tính ổn định của mô hình. Để cải tiến, có thể sử dụng dữ liệu dài hơn, kết hợp các yếu tố vĩ mô và vi mô, và áp dụng các kỹ thuật học máy để mô hình hóa các mối quan hệ phức tạp.

6.2. Ứng dụng của học máy trong dự báo VN Index

Các kỹ thuật học máy như mạng nơ-ron (neural networks) và máy học tăng cường (gradient boosting) có khả năng nắm bắt các mối quan hệ phi tuyến và phức tạp trong dữ liệu, có thể giúp dự báo VN-Index chính xác hơn.

6.3. Tương lai của dự báo thị trường chứng khoán

Tương lai của dự báo thị trường chứng khoán sẽ chứng kiến sự kết hợp giữa các mô hình thống kê truyền thống và các kỹ thuật học máy, cùng với việc sử dụng dữ liệu lớn (big data) và trí tuệ nhân tạo (AI). Điều này sẽ giúp tạo ra các mô hình dự báo thông minh hơn, chính xác hơn, và có khả năng thích ứng với sự thay đổi của thị trường.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Thị trường chứng khoán Việt Nam được hình thành từ năm 2000, ban đầu chỉ với 2 mã cổ phiếu niêm yết (REE và SAM), đến nay đã phát triển với quy mô khoảng 1.900 công ty niêm yết. Thị trường chứng khoán ngày càng khẳng định vai trò là kênh dẫn vốn trung và dài hạn quan trọng của nền kinh tế, đồng thời thu hút sự tham gia mạnh mẽ của các định chế tài chính lẫn các nhà đầu tư cá nhân nhỏ lẻ. Tuy nhiên, mức sinh lợi cao luôn đi kèm với rủi ro lớn. Phần đông nhà đầu tư trên thị trường có xu hướng giao dịch theo cảm tính, chịu tác động nặng nề bởi các luồng thông tin ngắn hạn, khiến giá chứng khoán thường xuyên biến động bất thường, đe dọa sự phát triển ổn định và bền vững của thị trường.

Giai đoạn cuối năm 2021 đến cuối năm 2022 chứng kiến những biến động dị thường của thị trường chứng khoán Việt Nam. Sau giai đoạn bùng nổ mạnh mẽ trong quý 3 và quý 4 năm 2021 với số lượng tài khoản mở mới kỷ lục, thị trường bước sang năm 2022 với xu hướng đảo chiều giảm sâu. Các nguyên nhân chính được tác giả chỉ ra bao gồm: tình trạng suy thoái kinh tế toàn cầu hậu đại dịch COVID-19; chính sách thắt chặt tiền tệ và tăng lãi suất liên tục của Cục Dự trữ Liên bang Mỹ (FED); những vụ việc sai phạm thao túng giá chứng khoán của lãnh đạo một số doanh nghiệp niêm yết (điển hình là hành vi thao túng và bán chui 74,8 triệu cổ phiếu của cựu Chủ tịch FLC Trịnh Văn Quyết, hay vụ án thao túng giá tại nhóm Louis Holdings và Chứng khoán Trí Việt); sự đóng băng của thị trường trái phiếu doanh nghiệp sau các sự kiện Tân Hoàng Minh, Vạn Thịnh Phát và việc sửa đổi quy định pháp lý (dự thảo Nghị định 65 thay thế Nghị định 153); cùng áp lực bán giải chấp cổ phiếu của lãnh đạo nhiều doanh nghiệp bất động sản, xây dựng (như tại PDR, Hải Phát, Novaland, DIG).

Sự biến động của chỉ số VN-Index phản ánh rủi ro hệ thống của toàn bộ thị trường chứng khoán Việt Nam—loại rủi ro bắt nguồn từ kinh tế vĩ mô, lãi suất, lạm phát, chính sách tiền tệ và không thể triệt tiêu bằng cách đa dạng hóa danh mục. Do đó, việc nghiên cứu chuỗi thời gian nhằm dự báo định lượng biến động của chỉ số VN-Index trong ngắn hạn là yêu cầu cấp thiết, cung cấp căn cứ khoa học giúp nhà đầu tư giảm thiểu rủi ro và xây dựng chiến lược phân bổ vốn hợp lý.

Mục tiêu nghiên cứu của khóa luận được phân định cụ thể như sau:

1. Mục tiêu chung: Thực hiện dự báo giá trị trung bình có điều kiện của chỉ số VN-Index trong 5 phiên giao dịch của tuần đầu tiên tháng 1/2023, từ đó xác định xu hướng biến động ngắn hạn của chỉ số giá chứng khoán.
2. Nhiệm vụ nghiên cứu cụ thể:
   • Hệ thống hóa cơ sở lý luận về chuỗi thời gian, phương pháp tiếp cận Box-Jenkins, mô hình tự hồi quy tích hợp trung bình trượt (ARIMA) và mô hình tự hồi quy có điều kiện phương sai thay đổi tổng quát (GARCH).
   • Vận dụng quy trình kinh tế lượng để ước lượng, kiểm định và lựa chọn mô hình ARIMA và GARCH thích hợp đối với chuỗi dữ liệu chỉ số VN-Index.
   • Đánh giá khả năng ứng dụng thực tế của mô hình ARIMA và GARCH trong dự báo tài chính ngắn hạn, đồng thời đưa ra các khuyến nghị cho nhà đầu tư khi sử dụng mô hình định lượng để ra quyết định giao dịch.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Quy luật vận động và phương pháp ứng dụng mô hình chuỗi thời gian ARIMA, GARCH để dự báo chỉ số giá chứng khoán VN-Index.
• Phạm vi không gian: Thị trường chứng khoán Việt Nam, trực tiếp là các cổ phiếu niêm yết tại Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) cấu thành nên chỉ số VN-Index.
• Phạm vi thời gian: Chuỗi số liệu lịch sử giá đóng cửa hàng ngày của chỉ số VN-Index trong giai đoạn từ ngày 20/09/2021 đến ngày 30/12/2022 (bao gồm 324 phiên giao dịch quan sát). Khoảng thời gian thực hiện dự báo ngoài mẫu là tuần giao dịch đầu tiên của tháng 1/2023.

---

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng dựa trên lý thuyết thị trường tài chính và lý thuyết kinh tế lượng chuỗi thời gian hiện đại:

• Khái niệm chứng khoán và chỉ số thị trường: Chứng khoán được xác định là bằng chứng xác nhận quyền và lợi ích hợp pháp đối với tài sản hoặc phần vốn của tổ chức phát hành (gồm cổ phiếu, trái phiếu, chứng chỉ quỹ, chứng quyền, hợp đồng tương lai...). Chỉ số VN-Index là chỉ số bình quân gia truyền phản ánh biến động giá của tất cả các cổ phiếu niêm yết tại HOSE so với ngày cơ sở 28/07/2000 (giá trị cơ sở 100 điểm). Dữ liệu phân tích sử dụng giá đóng cửa (closing price)—mức giá khớp lệnh cuối cùng của phiên giao dịch và là mức giá tham chiếu cho phiên giao dịch kế tiếp.
• Lý thuyết chuỗi thời gian và tính dừng (Stationarity): Một chuỗi thời gian tài chính $Y_t$ được cấu thành bởi 4 thành phần: xu hướng (trend), mùa vụ (seasonal), chu kỳ (cyclical), và bất thường (irregular). Chuỗi $Y_t$ được coi là dừng yếu khi thỏa mãn 3 điều kiện: kỳ vọng toán học không đổi theo thời gian ($E(Y_t) = \mu, \forall t$); phương sai không đổi theo thời gian ($Var(Y_t) = \sigma^2, \forall t$); và hiệp phương sai giữa hai thời điểm chỉ phụ thuộc vào độ trễ $k$ thay vì thời điểm tính toán ($Cov(Y_t, Y_{t-k}) = \gamma_k, \forall t$).
• Phương pháp Box-Jenkins và mô hình ARIMA(p, d, q): Mô hình kết hợp giữa quá trình tự hồi quy AR(p) và trung bình trượt MA(q) thông qua việc lấy sai phân bậc $d$ để đưa chuỗi không dừng về chuỗi dừng $I(d)$. Quy trình Box-Jenkins bao gồm 4 bước nghiêm ngặt: (1) Nhận dạng mô hình (dựa vào biểu đồ tự tương quan ACF và tự tương quan từng phần PACF để phỏng đoán bậc $p, d, q$); (2) Ước lượng các tham số mô hình; (3) Kiểm tra chẩn đoán sai số (đảm bảo phần dư $e_t$ là nhiễu trắng, phân phối chuẩn); (4) Tiến hành dự báo điểm và dự báo khoảng.
• Kiểm định nghiệm đơn vị Dickey-Fuller mở rộng (ADF): Được sử dụng để kiểm tra tính dừng của chuỗi giá trị và chuỗi sai phân, với giả thiết $H_0: \gamma = 0$ (chuỗi có nghiệm đơn vị, không dừng) và đối thiết $H_1: \gamma < 0$ (chuỗi dừng).
• Kiểm định tính ARCH và mô hình GARCH(p, q): Mô hình ARIMA giả định phương sai sai số không đổi (homoskedasticity), điều này thường không thỏa mãn trong chuỗi tài chính có hiện tượng "cụm biến động" (volatility clustering—những biến động lớn thường theo sau biến động lớn, biến động nhỏ theo sau biến động nhỏ). Tác giả áp dụng kiểm định nhân tử Lagrange (ARCH-LM test) trên phần dư bình phương để phát hiện hiệu ứng ARCH. Khi tồn tại phương sai sai số thay đổi, mô hình GARCH(p, q) của Bollerslev (1986) được triển khai, trong đó phương sai có điều kiện $h_t$ phụ thuộc vào cả các hạng sai số bình phương trễ (thành phần ARCH bậc $p$) và các biến trễ của chính phương sai có điều kiện (thành phần GARCH bậc $q$).

Về phương pháp nghiên cứu thực tế:

• Nguồn dữ liệu: Dữ liệu thứ cấp giá đóng cửa hàng ngày của chỉ số VN-Index được trích xuất từ cổng thông tin tài chính cafef.vn trong khung thời gian 20/09/2021 – 30/12/2022 (324 quan sát).
• Công cụ tính toán: Phần mềm chuyên dụng EViews 12.0 kết hợp bảng tính Microsoft Excel để xử lý dữ liệu thô, vẽ đồ thị, chạy hồi quy và kiểm định thống kê.
• Tiêu chuẩn lựa chọn mô hình: Sử dụng đồng thời tiêu chuẩn thông tin Akaike (AIC), tiêu chuẩn thông tin Schwarz (SIC/BIC), hệ số xác định hiệu chỉnh ($R^2$ điều chỉnh), cùng các thống kê đo lường sai số dự báo: sai số tuyệt đối trung bình (MAE), sai số phần trăm tuyệt đối trung bình (MAPE), căn bậc hai của sai số bình phương trung bình (RMSE), và hệ số bất bình đẳng Theil ($U < 0,55$ phản ánh mô hình dự báo rất tốt).

---

Nội dung chính theo từng chương

Phần I: Đặt vấn đề

Phần này trình bày lý do lựa chọn đề tài xuất phát từ tính cấp thiết của việc nhận diện rủi ro hệ thống thông qua biến động VN-Index trong giai đoạn hậu COVID-19 và suy thoái kinh tế 2021-2022. Tác giả xác định rõ mục tiêu tổng quát là dự báo chỉ số trong tuần đầu tháng 1/2023; chỉ định phạm vi phân tích gồm 324 phiên giao dịch; đồng thời nêu rõ phương pháp thu thập số liệu thứ cấp từ cafef.vn và quy trình phân tích kinh tế lượng trên EViews 12.

Chương 1: Tổng quan cơ sở lý luận

Chương 1 hệ thống hóa toàn bộ lý luận chuyên ngành về thị trường chứng khoán, chức năng huy động vốn, tính thanh khoản và các loại rủi ro đầu tư. Tiếp đó, tác giả phân tích khái niệm giá đóng cửa và cơ chế cấu thành của chỉ số VN-Index. Về mặt toán kinh tế, chương này diễn giải chi tiết tính chất của chuỗi thời gian, tiêu chuẩn kiểm định nghiệm đơn vị ADF, các dạng cấu trúc ACF/PACF lý thuyết của mô hình AR(p), MA(q), ARIMA(p,d,q) và 4 bước thực thi phương pháp Box-Jenkins.

Tác giả chỉ rõ hạn chế cố hữu của mô hình ARIMA khi áp dụng trong tài chính là giả thiết phương sai sai số cố định, từ đó đưa vào cơ sở lý thuyết kiểm định ARCH-LM và cấu trúc phương trình phương sai có điều kiện của mô hình GARCH(p,q). Phần tổng quan tài liệu lược khảo các công trình quốc tế tiêu biểu (Madhusudan Karmakar, 2005; Sohail Chand và cộng sự, 2012; Zhiyuan Pan và cộng sự, 2019) và các nghiên cứu tại Việt Nam (Lê Tuấn Bách, 2010; Bùi Quang Trung, 2010; Nguyễn Hồ Diệu Uyên và Nguyễn Thị Thanh Huyền, 2014; Trần Quang Huy, 2015; Nguyễn Lê Nam Phương, 2015), qua đó xác định khoảng trống nghiên cứu cần cập nhật dữ liệu ở giai đoạn thị trường suy giảm sâu năm 2022.

Chương 2: Dự báo chỉ số VN-Index trong ngắn hạn thông qua mô hình ARIMA, GARCH

Chương 2 là trọng tâm thực nghiệm của khóa luận:

• Khảo sát diễn biến thị trường: Phân tích giai đoạn lịch sử 2001–2009, giai đoạn đổi mới 2010–nay và diễn biến thực tế giai đoạn 20/09/2021 – 30/12/2022. Chuỗi dữ liệu 324 quan sát có giá trị trung bình đạt 1.294,81 điểm; mức cao nhất đạt 1.570 điểm (ngày 06/01/2022) và mức thấp nhất ghi nhận 911,90 điểm (ngày 15/11/2022).
• Kiểm định tính dừng chuỗi gốc: Đồ thị đường cho thấy chuỗi VN-Index có xu hướng giảm mạnh trong năm 2022. Kiểm định ADF cho chuỗi gốc (với hằng số) cho kết quả thống kê $t = -0,239979$, giá trị p-value = 0,9302 (> 0,05). Các giá trị ACF tại 36 độ trễ đều nằm ngoài khoảng tin cậy $[-0,1089; 0,1089]$. Kết luận chuỗi gốc không dừng.
• Biến đổi sai phân: Lấy sai phân bậc nhất $D(GIA_DONG_CUA) = Y_t - Y_{t-1}$ (318 quan sát sau hiệu chỉnh). Kiểm định ADF của chuỗi sai phân bậc nhất đạt thống kê $t = -16,35640$, p-value = 0,0000 (< 0,01), nhỏ hơn tất cả các giá trị tới hạn ở mức 1%, 5%, 10%. Biểu đồ ACF và PACF suy giảm nhanh về 0 sau 1 độ trễ. Chuỗi dừng ở bậc sai phân $d = 1$.
• Ước lượng và lựa chọn mô hình ARIMA: Thử nghiệm tổ hợp các tham số $p, q \in {0, 1, 2}$ với $d=1$. Có 3 mô hình đạt ý nghĩa thống kê của các hệ số hồi quy ($p < 0,05$): ARIMA(0,1,1), ARIMA(0,1,2) và ARIMA(2,1,0).

Mô hình	AIC	SIC	$R^2$ (%)	Đánh giá
ARIMA(0,1,1)	8,568291	8,603782	0,6935	Bị loại
ARIMA(0,1,2)	8,563683	8,599174	1,1733	Bị loại
ARIMA(2,1,0)	8,562736	8,598227	1,2733	Tốt nhất (AIC, SIC min; $R^2$ max)

Mô hình ARIMA(2,1,0) được lựa chọn. Tuy nhiên, khi kiểm định chẩn đoán phần dư, kiểm định ARCH cho thấy sự hiện diện của hiện tượng phương sai sai số thay đổi có điều kiện.

• Ước lượng mô hình GARCH: Nhằm xử lý hiện tượng phương sai thay đổi, tác giả ước lượng các mô hình GARCH(p, q) bậc thấp: GARCH(0,1), GARCH(1,0), GARCH(1,1), GARCH(2,1), GARCH(2,2). Mô hình GARCH(1,1) được xác định là tối ưu nhất. Kiểm định ARCH-LM đối với phần dư chuẩn hóa của GARCH(1,1) cho thấy không còn hiệu ứng ARCH.
• Thực hiện dự báo ngoài mẫu: Sử dụng GARCH(1,1) để dự báo giá trị trung bình có điều kiện của chỉ số VN-Index trong 5 ngày giao dịch tuần đầu tiên của tháng 1/2023, chỉ ra xu thế chỉ số có chiều hướng tiếp tục giảm điểm trong ngắn hạn.

Chương 3: Nhận xét về kết quả đạt được và khuyến nghị

Chương này đánh giá năng lực dự báo thực tế của hai mô hình đã chọn. Mô hình ARIMA(2,1,0) nắm bắt tốt hướng đi tổng thể nhưng bộc lộ sai lệch khi thị trường xuất hiện các cú sốc thông tin mạnh do không mô hình hóa được phương sai. Mô hình GARCH(1,1) khắc phục triệt để nhược điểm này bằng cách đưa phương sai trễ vào dự báo. Đối chiếu với các công trình đi trước của Sohail Chand (2012) và Trần Quang Huy (2015), kết quả nghiên cứu tái khẳng định tính ưu việt của cấu trúc GARCH(1,1) đối với dữ liệu tài chính có độ biến động cao.

Từ kết quả thực nghiệm, tác giả đề xuất khuyến nghị: các nhà đầu tư ngắn hạn cần cẩn trọng trong các phiên mở đầu năm 2023 khi chỉ số có dấu hiệu suy giảm, tránh giải ngân tỷ trọng lớn hoặc sử dụng đòn bẩy tài chính cao; các nhà hoạch định chính sách cần theo dõi chặt chẽ tính thanh khoản và các rủi ro lan truyền từ thị trường trái phiếu doanh nghiệp sang thị trường cổ phiếu.

Phần III: Kết luận

Tác giả tóm tắt toàn bộ quy trình nghiên cứu từ việc xử lý chuỗi dừng, nhận dạng ARIMA(2,1,0), đến việc khắc phục phương sai thay đổi bằng GARCH(1,1) và đưa ra dự báo. Phần này cũng thẳng thắn chỉ ra các hạn chế nghiên cứu và phác thảo hướng mở rộng đề tài.

---

Kết quả và đóng góp

Nghiên cứu mang lại các kết quả định lượng cụ thể được rút ra từ văn bản:

1. Kiểm định thống kê chuỗi thời gian VN-Index (giai đoạn 20/09/2021 – 30/12/2022): Chuỗi giá đóng cửa gốc gồm 324 phiên không đạt tính dừng với kiểm định ADF có thống kê $t = -0,239979$ ($p = 0,9302$). Sau khi lấy sai phân bậc 1, chuỗi $D(VNINDEX)$ đạt tính dừng tuyệt đối với thống kê ADF $t = -16,35640$ ($p = 0,0000$), xác định tham số tích hợp $d = 1$.
2. Xác lập mô hình trung bình ARIMA(2, 1, 0): Trong số các cấu hình thử nghiệm, ARIMA(2,1,0) là mô hình thỏa mãn tiêu chuẩn chọn lọc tối ưu nhất: giá trị AIC đạt mức thấp nhất là 8,562736; SIC đạt mức thấp nhất là 8,598227; và hệ số $R^2$ đạt giá trị cao nhất là 1,2733% với các tham số đều có ý nghĩa thống kê dưới 5%.
3. Xác lập mô hình phương sai GARCH(1, 1): Khóa luận phát hiện hiện tượng phương sai sai số thay đổi tồn tại trong mô hình ARIMA(2,1,0) thông qua kiểm định tính ARCH. Việc kết hợp ước lượng mô hình GARCH(1,1) đã xử lý triệt để khuyết tật này, đảm bảo tính chuẩn xác cho các ước lượng phương sai có điều kiện.
4. Kết quả dự báo ngoài mẫu: Ứng dụng mô hình GARCH(1,1) để dự báo giá trị trung bình trong 5 phiên giao dịch của tuần đầu tiên tháng 1/2023 cho thấy xu hướng biến động chủ đạo của chỉ số VN-Index là giảm điểm.

Giải pháp và kiến nghị của tác giả:

• Đối với nhà đầu tư cá nhân: Cần kết hợp phân tích kỹ thuật và định lượng chuỗi thời gian thay vì giao dịch theo tâm lý đám đông; chủ động giảm tỷ trọng cổ phiếu trong các giai đoạn mô hình cảnh báo xu hướng giảm ngắn hạn; thiết lập kỷ luật cắt lỗ nghiêm ngặt trước các rủi ro hệ thống.
• Đối với cơ quan quản lý và thành viên thị trường: Nâng cao tính minh bạch thông tin, kiểm soát chặt chẽ các hành vi thao túng giá và các rủi ro tiềm ẩn từ thị trường trái phiếu doanh nghiệp riêng lẻ nhằm khôi phục niềm tin thị trường.

Đóng góp của khóa luận: Khóa luận đã kế thừa phương pháp luận Box-Jenkins và mô hình GARCH từ các nghiên cứu đi trước, nhưng thực hiện trên bộ dữ liệu hoàn toàn mới và có tính thời sự cao (giai đoạn 2021–2022). Khóa luận ghi nhận và phân tích được chu kỳ biến động phức tạp của thị trường: từ đỉnh cao lịch sử 1.570 điểm (tháng 01/2022) rơi sâu về đáy 911,90 điểm (tháng 11/2022). Đề tài đã hệ thống hóa quy trình thực hành kinh tế lượng bài bản, chứng minh rằng mô hình kết hợp ARIMA và GARCH hoàn toàn khả thi và có độ tin cậy tốt trong dự báo biến động ngắn hạn của thị trường chứng khoán Việt Nam trong điều kiện kinh tế vĩ mô có nhiều biến động bất lợi.

---

Hạn chế và hướng nghiên cứu tiếp

Khóa luận tự chỉ ra các hạn chế và định hướng phát triển nghiên cứu như sau:

• Hạn chế về mô hình: Mô hình GARCH(1,1) mặc dù khắc phục được hiện tượng phương sai thay đổi của ARIMA, nhưng là mô hình đối xứng nên chưa tách biệt được mức độ ảnh hưởng khác nhau giữa cú sốc tích cực (tin tốt) và cú sốc tiêu cực (tin xấu) đối với sự biến động giá chứng khoán.
• Hạn chế về phạm vi dữ liệu và biến số: Nghiên cứu chỉ tập trung phân tích đơn biến trên chuỗi thời gian lịch sử của chỉ số VN-Index trong ngắn hạn (324 quan sát), chưa tích hợp các biến số kinh tế vĩ mô ngoại sinh có tác động mạnh mẽ đến thị trường (như lãi suất điều hành, tỷ giá hối đoái, tỷ lệ lạm phát, dòng vốn ngoại...).
• Hướng phát triển đề tài: Các nghiên cứu tiếp theo có thể mở rộng ứng dụng các biến thể GARCH phi đối xứng (như T-GARCH, E-GARCH, P-GARCH) nhằm đo lường hiệu ứng bất đối xứng của thông tin; hoặc phát triển sang các mô hình chuỗi thời gian đa biến (VAR, VECM) để kết hợp các nhân tố kinh tế vĩ mô vào dự báo chỉ số thị trường.

---

Giá trị tham khảo

Khóa luận là nguồn tài liệu hữu ích cho nhiều đối tượng nghiên cứu và thực hành:

• Sinh viên và học viên chuyên ngành Tài chính, Ngân hàng, Kinh tế lượng: Khóa luận cung cấp một tài liệu tham khảo thực tế về quy trình phân tích chuỗi thời gian tài chính theo phương pháp Box-Jenkins, từ bước thu thập số liệu, kiểm định nghiệm đơn vị ADF, xác định bậc sai phân, lựa chọn mô hình qua AIC/SIC, cho đến thao tác kiểm định ARCH-LM và ước lượng GARCH trên phần mềm EViews 12.
• Người làm nghiên cứu về dự báo tài chính: Cung cấp số liệu thực nghiệm chi tiết và mẫu biểu so sánh chuẩn mực giữa các cấu hình mô hình ARIMA(0,1,1), ARIMA(0,1,2), ARIMA(2,1,0) và các bậc GARCH, hỗ trợ xây dựng đề cương và phương pháp luận cho các đề tài dự báo thị trường chứng khoán, giá vàng, tỷ giá hoặc tiền tệ.
• Nhà đầu tư cá nhân và chuyên viên phân tích thị trường: Phần tổng quan về các mốc lịch sử thị trường chứng khoán Việt Nam giai đoạn 2001–2022 và phân tích các sự kiện thao túng cổ phiếu, khủng hoảng trái phiếu năm 2022 mang lại góc nhìn thực tiễn về cơ chế lan truyền của rủi ro hệ thống tại Việt Nam.

---

Câu hỏi thường gặp

1. Tại sao tác giả phải chuyển từ mô hình ARIMA(2, 1, 0) sang mô hình GARCH(1, 1)?

Mặc dù mô hình ARIMA(2, 1, 0) được lựa chọn tối ưu theo các tiêu chí AIC (8,562736), SIC (8,598227) và $R^2$ (1,2733%), nhưng mô hình này dựa trên giả định phương sai sai số không đổi. Khi kiểm định phần dư, chuỗi dữ liệu VN-Index xuất hiện hiệu ứng ARCH (phương sai sai số thay đổi theo thời gian). Do đó, tác giả bắt buộc phải ước lượng mô hình GARCH(1, 1) để mô hình hóa phương sai có điều kiện, đảm bảo tính chuẩn xác cho các kết quả dự báo tài chính.

2. Chuỗi dữ liệu VN-Index được thu thập trong khoảng thời gian nào và có bao nhiêu quan sát?

Dữ liệu nghiên cứu là giá đóng cửa hàng ngày của chỉ số VN-Index, được thu thập thứ cấp từ website cafef.vn trong khoảng thời gian từ ngày 20/09/2021 đến ngày 30/12/2022, bao gồm tổng cộng 324 phiên giao dịch quan sát.

3. Kết quả kiểm định tính dừng (ADF) của chuỗi gốc và chuỗi sai phân bậc nhất khác nhau như thế nào?

• Tại chuỗi gốc: Kiểm định ADF cho kết quả thống kê $t = -0,239979$ với giá trị p-value = 0,9302 (> 0,05), chấp nhận giả thiết $H_0$, kết luận chuỗi gốc không dừng.
• Tại chuỗi sai phân bậc nhất $d=1$: Kiểm định ADF cho kết quả thống kê $t = -16,35640$ với giá trị p-value = 0,0000 (< 0,01), bác bỏ giả thiết $H_0$, kết luận chuỗi sai phân bậc nhất là chuỗi dừng $I(1)$.

4. Kết quả dự báo ngoài mẫu của khóa luận đưa ra nhận định gì cho chỉ số VN-Index?

Sử dụng mô hình GARCH(1, 1) để dự báo giá trị trung bình có điều kiện của chỉ số VN-Index trong 5 phiên giao dịch của tuần đầu tiên tháng 1/2023, kết quả dự báo cho thấy chỉ số VN-Index có xu hướng tiếp tục giảm điểm trong ngắn hạn.

5. Những sự kiện cụ thể nào trong năm 2022 được tác giả dẫn chứng làm nguyên nhân thị trường chứng khoán giảm sâu?

Tác giả dẫn chứng các sự kiện cụ thể: tác động của lạm phát và việc FED liên tục tăng lãi suất; hành vi thao túng chứng khoán của Chủ tịch FLC Trịnh Văn Quyết (bán chui 74,8 triệu cổ phiếu) và Chủ tịch Louis Holdings Đỗ Thành Nhân; thị trường trái phiếu doanh nghiệp đóng băng sau các vụ việc tại Tân Hoàng Minh, Vạn Thịnh Phát; và làn sóng bán giải chấp cổ phiếu của lãnh đạo nhiều doanh nghiệp bất động sản lớn như PDR, Hải Phát, Novaland, DIG.

---

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Đắc Tuấn Minh đã thực hiện một nghiên cứu định lượng hoàn chỉnh về việc ứng dụng kết hợp mô hình ARIMA(2, 1, 0) và GARCH(1, 1) để dự báo chỉ số VN-Index trong ngắn hạn. Thông qua việc phân tích chuỗi thời gian 324 phiên giao dịch giai đoạn 2021–2022 trên phần mềm EViews 12, nghiên cứu đã xử lý triệt để tính không dừng và hiện tượng phương sai sai số thay đổi của dữ liệu tài chính. Kết quả dự báo cho thấy xu hướng giảm điểm của thị trường trong tuần đầu tháng 1/2023, cung cấp căn cứ tham khảo thực nghiệm có giá trị cho nhà đầu tư trong việc quản trị rủi ro hệ thống. Khóa luận là tài liệu tham khảo học thuật chuẩn mực về phương pháp tiếp cận Box-Jenkins và kiểm định GARCH cho sinh viên ngành tài chính và kinh tế ứng dụng.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan cơ sở lý luận - Chương 2: Dự báo chỉ số VN -Index trong ngắn hạn thông qua mô hình ARIMA, GARCH. - Chương 3: Thảo luận về kết quả đạt được và khuyến nghị Phần III: Kết luận 4 PHẦ II: ỘI DU G VÀ KẾT QUẢ GHIÊ CỨU CHƯƠ G 1: TỔ G QUA CƠ SỞ LÝ LUẬ 1. Khái quát về thị trường chứng khoán 1. Chứng khoán Khái niệm Chứng khoán là bằng chứng xác nhận quyền và lợi ích hợp pháp của người sở hữu đối với tài sản hoặc phần vốn của tổ chức phát hành.

Chứng khoán được thể hiện dưới hình thức chứng chỉ, bút toán ghi sổ hoặc dữ liệu điện tử, bao gồm các loại sau đây: a) Cổ phiếu, trái phiếu, chứng chỉ quỹ. b) Quyền mua cổ phần, chứng quyền, quyền chọn mua, quyền chọn bán, hợp đồng tương lai, nhóm chứng khoán hoặc chỉ số chứng khoán.39", Space Before: 0 pt, Tab stops: 0.88", Left Đặc điểm Chứng khoán có nhiều loại mỗi loại có những đặc điểm khác nhau nhất định, nhưng chúng đều có các đặc trưng cơ bản sau: - Tính thanh khoản: là khả năng chuyển đổi từ chứng khoán sang tiền mặt và ngược lại. Thông thường, cổ phiếu và trái phiếu có thể chuyển đổi thành tiền mặt trong khoảng 1 đến 2 ngày. Thị trường càng phát triển thì tính thanh khoản càng cao.

- Tính rủi ro: chứng khoán là tài sản tài chính chịu tác động lớn bởi các loại rủi ro như rủi ro thị trường, rủi ro thanh khoản, rủi ro chính trị, rủi ro thông tin bất cân xứng… - Tính sinh lời: là một kênh đầu tư, thị trường chứng khoán mang tính sinh lời. Mọi nhà đầu tư chứng khoán đều kỳ vọng nhận được nguồn thu nhập lớn hơn trong tương lai. N guồn thu này đến từ việc chia cổ tức hoặc biến động tăng giá chứng khoán. Thị trường chứng khoán Khái niệm 5 Thị trường chứng khoán là nơi diễn ra hoạt động phát hành, trao đổi mua bán các loại chứng khoán trung và dài hạn.

Chứng khoán được phát hành để huy động vốn cho doanh nghiệp và chính phủ. Thị trường chứng khoán bao gồm: • Thị trường sơ cấp • Thị trường thứ cấp ( guồn: Tác giả Lê gọc Quỳnh Anh, “Giáo trình thị trường chứng khoán”, Trường Đại Học Kinh Tế, Đại Học Huế) Chức năng Thị trường chứng khoán có nhiều chức năng quan trọng và không thể thiếu đối với sự phát triển bền vững của nền kinh tế. Cụ thể: • Huy động vốn đầu tư cho nền kinh tế • Cung cấp môi trường đầu tư cho công chúng • Tạo tính thanh khoản cho các chứng khoán • Đánh giá hoạt động của DN • Tạo môi trường giúp Chính phủ thực hiện các chính sách kinh tế vĩ mô [4] Formatted: Font color: Text 1 1. Lý luận cơ bản về chỉ số chứng khoán và giá đóng cửa 1.

Tổng quát Khái niệm Khi nói đến TTCK thì không thể không nhắc đến chỉ số chứng khoán, bởi chỉ số chứng khoán là một giá trị thống kê phản ánh tình hình phát triển của thị trường và tình hình hoạt động của các công ty trên thị trường. N ếu các công ty tạo ra lợi nhuận tốt, giá chứng khoán của các công ty đó sẽ tăng, làm chỉ số chứng khoán tăng theo và ngược lại. Dựa vào chỉ số chứng khoán, các N ĐT có thể xác định được hiệu quả của một CP hoặc một danh mục các chứng khoán để đầu tư vào. Bất kỳ một TTCK nào cũng có ít nhất một chỉ số chứng khoán của riêng nó.