Hiệu Quả Của Mô Hình GARCH Trong Việc Dự Báo Mức Độ Biến Thiên Của Thị Trường Chứng Khoán Việt Nam

Luận văn thạc sĩ phân tích hiệu quả mô hình GARCH trong dự báo biến động thị trường chứng khoán Việt Nam, cung cấp cái nhìn sâu sắc và ứng dụng thực tiễn.

• Tác giả: Mạc Quốc An
• Người hướng dẫn: TS. Dương Như Hùng
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Quản trị kinh doanh
• Đề tài: Hiệu Quả Mô Hình GARCH Trong Dự Báo Biến Động Thị Trường Chứng Khoán Việt Nam
• Loại tài liệu: khóa luận thạc sĩ
• Năm xuất bản: 2013
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• 1. CHƯƠNG 1: TỔNG QUAN - GIỚI THIỆU ĐỀ ÁN
• 1.1. Giới thiệu đề tài
• 1.2. Mục tiêu đề tài
• 1.3. Phạm vi nghiên cứu
• 1.4. Phương pháp thực hiện
• 1.5. Ý nghĩa thực tiễn của đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Các phương pháp xác định ảnh hưởng phương sai thay đổi
• 2.1.1. Giới thiệu phương sai thay đổi (heteroskedasticity)
• 2.1.2. Hậu quả của phương sai thay đổi
• 2.1.3. Các biện pháp phát hiện
• 2.2. Tập mô hình GARCH
• 2.2.1. Mô hình ARCH
• 2.2.2. Mô hình GARCH
• 2.2.3. Mô hình TGARCH
• 2.3. Các tiêu chí lựa chọn mô hình
• 2.3.1. Các tiêu chí đánh giá
• 2.3.2. Tổng hợp nghiên cứu về các tiêu chí đánh giá
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU
• 3.1. Phương pháp nghiên cứu
• 3.1.1. Quy trình nghiên cứu
• 3.1.2. Phân tập danh mục theo mô hình 3 nhân tố Fama French
• 3.1.3. Phân tích dữ liệu
• 3.1.3.1. Kiểm định thống kê
• 3.1.3.2. Phân tích tính dừng của chuỗi dữ liệu
• 4. CHƯƠNG 4: KẾT QUẢ
• 4.1. Kiểm định ảnh hưởng của phương sai thay đổi
• 4.2. Đánh giá tính hiệu quả của tập mô hình GARCH cho từng tập danh mục
• 5. CHƯƠNG 5: KẾT LUẬN
• TÀI LIỆU THAM KHẢO
• Phụ lục 1: Danh sách các công ty trên sàn chứng khoán TP.HCM được chọn
• Phụ lục 2: Phân chia tập danh mục theo mô hình 3 nhân tố
• Phụ lục 3: Suất sinh lợi theo từng tháng của các tập danh mục
• Phụ lục 4: Các thông số thống kê của tập danh mục dữ liệu
• Phụ lục 5: Kiểm định ảnh hưởng của phương sai thay đổi
• Phụ lục 6: Đánh giá chất lượng của tập mô hình GARCH đối với từng tập danh mục

Tóm tắt

I. Tổng Quan Mô Hình GARCH và Dự Báo Thị Trường Chứng Khoán

Thị trường chứng khoán Việt Nam trải qua nhiều giai đoạn biến động mạnh, đòi hỏi công cụ dự báo chính xác để hạn chế rủi ro. Các mô hình dự báo chuỗi thời gian, dựa trên xu hướng vận động quá khứ và hiện tại, được sử dụng để dự đoán tương lai. Mô hình ARIMA, tuy phổ biến, giả định phương sai sai số không đổi theo thời gian, điều này không phù hợp với dữ liệu tài chính chịu ảnh hưởng bởi tin tức tốt/xấu. Nhóm mô hình GARCH khắc phục nhược điểm này bằng cách xem xét phương sai phụ thuộc vào các giá trị phương sai trong quá khứ. Nghiên cứu này tập trung vào đánh giá hiệu quả dự báo của các mô hình GARCH trên thị trường chứng khoán Việt Nam, cung cấp thông tin cho nhà đầu tư và nhà quản lý rủi ro.

1.1. Giới thiệu chung về mô hình GARCH

Mô hình GARCH (Generalized Autoregressive Conditional Heteroskedasticity) là một phương pháp thống kê được sử dụng rộng rãi trong lĩnh vực tài chính để mô hình hóa và dự báo biến động của các chuỗi thời gian. Điểm mạnh của GARCH là khả năng nắm bắt các cụm biến động, tức là các giai đoạn có biến động cao thường đi kèm với các giai đoạn biến động thấp. Mô hình này mở rộng từ mô hình ARCH (Autoregressive Conditional Heteroskedasticity) ban đầu, cho phép các điều kiện phương sai phụ thuộc vào cả các cú sốc (shocks) trong quá khứ và các phương sai có điều kiện trong quá khứ, làm cho nó linh hoạt hơn trong việc mô tả các đặc điểm của dữ liệu tài chính.

1.2. Tầm quan trọng của dự báo biến động cho thị trường chứng khoán

Dự báo biến động là một yếu tố then chốt trong quản lý rủi ro, định giá tài sản và xây dựng chiến lược đầu tư. Biến động cao thường đi kèm với rủi ro cao, do đó, việc dự đoán chính xác biến động giúp các nhà đầu tư đưa ra quyết định sáng suốt hơn về việc phân bổ vốn và phòng ngừa rủi ro. Các mô hình GARCH đóng vai trò quan trọng trong việc cung cấp các ước tính biến động có điều kiện, giúp nhà đầu tư điều chỉnh danh mục đầu tư của mình theo thời gian, dựa trên mức độ rủi ro thay đổi.

II. Thách Thức và Vấn Đề Trong Dự Báo Biến Động Chứng Khoán

Mặc dù mô hình GARCH mang lại nhiều ưu điểm, việc dự báo biến động thị trường chứng khoán Việt Nam vẫn đối mặt nhiều thách thức. Thứ nhất, thị trường chứng khoán Việt Nam còn non trẻ và chịu tác động mạnh từ yếu tố vĩ mô và tâm lý nhà đầu tư, gây khó khăn cho việc mô hình hóa. Thứ hai, lựa chọn mô hình GARCH phù hợp và tham số tối ưu đòi hỏi kiến thức chuyên sâu và kinh nghiệm. Thứ ba, đánh giá chính xác độ chính xác dự báo của mô hình là một vấn đề phức tạp, cần sử dụng các phương pháp backtesting và so sánh mô hình khác nhau để kiểm chứng. Nghiên cứu cần giải quyết các thách thức này để nâng cao hiệu quả dự báo.

2.1. Tính bất ổn định của thị trường chứng khoán Việt Nam

Thị trường chứng khoán Việt Nam, mặc dù đã có sự phát triển đáng kể trong những năm gần đây, vẫn còn tương đối non trẻ so với các thị trường phát triển trên thế giới. Điều này dẫn đến việc thị trường dễ bị ảnh hưởng bởi các yếu tố bên ngoài như chính sách kinh tế vĩ mô, biến động tỷ giá hối đoái, và tâm lý nhà đầu tư. Những yếu tố này có thể gây ra biến động đột ngột và khó lường, làm giảm độ chính xác dự báo của các mô hình thống kê, kể cả GARCH.

2.2. Khó khăn trong việc lựa chọn và hiệu chỉnh mô hình GARCH

Có nhiều biến thể của mô hình GARCH, mỗi loại có những đặc điểm và giả định riêng. Việc lựa chọn mô hình phù hợp nhất cho một tập dữ liệu cụ thể đòi hỏi sự hiểu biết sâu sắc về các đặc tính của dữ liệu và các giả định của từng mô hình. Hơn nữa, việc hiệu chỉnh các tham số của mô hình cũng là một thách thức lớn, vì các tham số này có thể thay đổi theo thời gian và ảnh hưởng đến khả năng dự báo của mô hình. Các phương pháp như AIC, BIC, và các kỹ thuật tối ưu hóa có thể được sử dụng để hỗ trợ quá trình này, nhưng vẫn cần sự đánh giá và can thiệp của chuyên gia.

2.3. Đánh giá độ chính xác dự báo một cách khách quan

Việc đánh giá độ chính xác dự báo của mô hình GARCH không đơn giản, vì nó liên quan đến việc so sánh các dự báo với các giá trị thực tế trong tương lai. Tuy nhiên, các giá trị thực tế này là không chắc chắn, và việc đánh giá chỉ có thể dựa trên dữ liệu lịch sử. Các phương pháp backtesting có thể được sử dụng để đánh giá hiệu suất của mô hình trên dữ liệu quá khứ, nhưng không đảm bảo rằng mô hình sẽ hoạt động tốt trong tương lai. Hơn nữa, các chỉ số đánh giá như RMSE, MAE, và MAPE có thể cung cấp các kết quả khác nhau, tùy thuộc vào đặc điểm của dữ liệu và mục tiêu của việc dự báo.

III. Phương Pháp GARCH Giải Pháp Dự Báo Biến Động Thị Trường

Mô hình GARCH cung cấp một giải pháp hiệu quả để dự báo biến động thị trường chứng khoán. Bằng cách mô hình hóa phương sai có điều kiện, GARCH có khả năng nắm bắt các đặc điểm quan trọng của dữ liệu tài chính, như tính cụm biến động và sự tồn tại của các hiệu ứng đòn bẩy. Nghiên cứu này sử dụng các biến thể GARCH phổ biến như GARCH(1,1), EGARCH, và TGARCH để so sánh và đánh giá hiệu quả dự báo trên thị trường chứng khoán Việt Nam. Việc áp dụng phương pháp phân tích chuỗi thời gian và kiểm định tính dừng là cần thiết để đảm bảo tính hợp lệ của mô hình.

3.1. Ưu điểm của mô hình GARCH so với các phương pháp truyền thống

So với các phương pháp dự báo truyền thống như trung bình động (Moving Average) hoặc làm mịn hàm mũ (Exponential Smoothing), mô hình GARCH có nhiều ưu điểm vượt trội trong việc dự báo biến động của thị trường chứng khoán. Các phương pháp truyền thống thường giả định phương sai không đổi theo thời gian, trong khi GARCH cho phép phương sai thay đổi và phụ thuộc vào các giá trị trong quá khứ. Điều này giúp GARCH nắm bắt được các đặc điểm quan trọng của dữ liệu tài chính như tính cụm biến động (volatility clustering) và sự tồn tại của các hiệu ứng đòn bẩy (leverage effects), tức là các cú sốc tiêu cực thường có tác động lớn hơn đến biến động so với các cú sốc tích cực.

3.2. Các biến thể GARCH EGARCH TGARCH và ứng dụng

Ngoài mô hình GARCH cơ bản, có nhiều biến thể được phát triển để khắc phục những hạn chế của mô hình gốc và phù hợp hơn với các đặc điểm của dữ liệu tài chính. Hai biến thể phổ biến là EGARCH (Exponential GARCH) và TGARCH (Threshold GARCH). EGARCH sử dụng hàm logarit của phương sai có điều kiện, cho phép nắm bắt các hiệu ứng bất đối xứng (asymmetric effects), tức là các cú sốc tích cực và tiêu cực có tác động khác nhau đến biến động. TGARCH chia dữ liệu thành các khoảng (regimes) dựa trên một ngưỡng (threshold), cho phép các tham số của mô hình thay đổi tùy thuộc vào khoảng nào mà dữ liệu thuộc về. Các biến thể này có thể được sử dụng để cải thiện hiệu quả dự báo của mô hình GARCH trong các điều kiện thị trường khác nhau.

3.3. Quy trình xây dựng và kiểm định mô hình GARCH

Quy trình xây dựng và kiểm định mô hình GARCH bao gồm nhiều bước quan trọng. Đầu tiên, cần thu thập và chuẩn bị dữ liệu, đảm bảo rằng dữ liệu là đầy đủ, chính xác và không có giá trị ngoại lệ. Tiếp theo, cần kiểm tra tính dừng (stationarity) của chuỗi thời gian, vì các mô hình GARCH thường yêu cầu dữ liệu phải dừng. Nếu dữ liệu không dừng, cần thực hiện các phép biến đổi như lấy sai phân (differencing) để làm cho dữ liệu dừng. Sau đó, có thể ước lượng các tham số của mô hình GARCH bằng phương pháp ước lượng khả năng hợp lý tối đa (Maximum Likelihood Estimation). Cuối cùng, cần kiểm định độ chính xác dự báo của mô hình bằng các phương pháp backtesting và so sánh với các mô hình khác.

IV. Ứng Dụng Mô Hình GARCH Vào Thị Trường Chứng Khoán Việt Nam

Nghiên cứu này ứng dụng mô hình GARCH để dự báo biến động của các chỉ số chứng khoán như VN-Index và HNX-Index, sử dụng dữ liệu tài chính lịch sử. Mục tiêu là đánh giá hiệu quả dự báo của các mô hình GARCH trong bối cảnh thị trường chứng khoán Việt Nam. Kết quả nghiên cứu sẽ cung cấp thông tin hữu ích cho các hedge funds, các nhà quản lý risk management, và các nhà đầu tư trong việc xây dựng các investment strategies hiệu quả.

4.1. Thu thập và xử lý dữ liệu chỉ số VN Index và HNX Index

Việc thu thập và xử lý dữ liệu là bước quan trọng đầu tiên trong quá trình ứng dụng mô hình GARCH vào thị trường chứng khoán Việt Nam. Dữ liệu cần thu thập bao gồm lịch sử giá đóng cửa hàng ngày (hoặc hàng tuần, hàng tháng) của các chỉ số chứng khoán như VN-Index và HNX-Index. Sau khi thu thập, dữ liệu cần được làm sạch, loại bỏ các giá trị thiếu hoặc ngoại lệ, và chuẩn hóa để đảm bảo tính nhất quán và sẵn sàng cho việc phân tích. Bên cạnh đó, việc tính toán lợi nhuận (returns) từ giá là cần thiết, vì các mô hình GARCH thường được áp dụng cho chuỗi lợi nhuận hơn là chuỗi giá.

4.2. Ước lượng và so sánh các mô hình GARCH cho VN Index và HNX Index

Sau khi đã có dữ liệu đã được xử lý, bước tiếp theo là ước lượng các tham số của các mô hình GARCH khác nhau cho VN-Index và HNX-Index. Các mô hình cần được so sánh bao gồm GARCH(1,1), EGARCH, và TGARCH, cũng như các biến thể khác. Việc so sánh có thể dựa trên các tiêu chí như AIC (Akaike Information Criterion), BIC (Bayesian Information Criterion), và các chỉ số đánh giá độ chính xác dự báo như RMSE (Root Mean Squared Error) và MAE (Mean Absolute Error). Mục tiêu là tìm ra mô hình nào phù hợp nhất cho từng chỉ số chứng khoán, dựa trên khả năng giải thích dữ liệu lịch sử và khả năng dự báo biến động trong tương lai.

4.3. Phân tích kết quả và đưa ra khuyến nghị đầu tư

Sau khi đã ước lượng và so sánh các mô hình GARCH, bước cuối cùng là phân tích kết quả và đưa ra các khuyến nghị đầu tư dựa trên các dự báo biến động. Ví dụ, nếu một mô hình GARCH dự báo biến động cao cho VN-Index trong thời gian tới, các nhà đầu tư có thể giảm tỷ lệ đầu tư vào cổ phiếu và tăng tỷ lệ đầu tư vào các tài sản an toàn hơn như trái phiếu hoặc tiền mặt. Ngược lại, nếu mô hình dự báo biến động thấp, các nhà đầu tư có thể tăng tỷ lệ đầu tư vào cổ phiếu. Tuy nhiên, cần lưu ý rằng các dự báo biến động chỉ là một trong nhiều yếu tố cần xem xét khi đưa ra quyết định đầu tư, và các nhà đầu tư nên kết hợp thông tin này với các phân tích khác như phân tích cơ bản và phân tích kỹ thuật.

V. Đánh Giá Hiệu Quả Dự Báo và So Sánh Các Mô Hình GARCH

Việc đánh giá hiệu quả dự báo là yếu tố then chốt để xác định tính ứng dụng của mô hình GARCH. Nghiên cứu sử dụng các phương pháp backtesting để so sánh độ chính xác dự báo của các mô hình GARCH khác nhau. Các chỉ số như RMSE, MAE, và AIC được sử dụng để đánh giá và so sánh mô hình. Kết quả cho thấy mô hình GARCH(1,1) có hiệu quả dự báo tốt hơn so với các mô hình GARCH không tuyến tính (EGARCH, TGARCH) trong bối cảnh thị trường chứng khoán Việt Nam.

5.1. Phương pháp backtesting để đánh giá độ chính xác dự báo

Backtesting là một phương pháp quan trọng để đánh giá độ chính xác dự báo của các mô hình GARCH. Phương pháp này bao gồm việc sử dụng dữ liệu lịch sử để mô phỏng việc giao dịch theo các tín hiệu được tạo ra bởi mô hình. Ví dụ, có thể sử dụng dữ liệu từ năm 2010 đến 2015 để xây dựng mô hình GARCH, và sau đó sử dụng mô hình này để dự báo biến động trong năm 2016. Sau đó, có thể so sánh các dự báo với các giá trị thực tế trong năm 2016 để đánh giá xem mô hình hoạt động tốt như thế nào. Các chỉ số như tỷ suất lợi nhuận, rủi ro, và hệ số Sharpe có thể được sử dụng để đánh giá hiệu suất của chiến lược giao dịch dựa trên mô hình GARCH.

5.2. Các chỉ số đánh giá RMSE MAE và AIC

Có nhiều chỉ số khác nhau có thể được sử dụng để đánh giá và so sánh các mô hình GARCH. Một số chỉ số phổ biến bao gồm RMSE (Root Mean Squared Error), MAE (Mean Absolute Error), và AIC (Akaike Information Criterion). RMSE đo độ lệch bình phương trung bình giữa các dự báo và các giá trị thực tế, trong khi MAE đo độ lệch tuyệt đối trung bình. AIC là một chỉ số đánh giá sự phù hợp của mô hình, có tính đến cả độ chính xác và độ phức tạp của mô hình. Các mô hình có giá trị RMSE và MAE thấp hơn và giá trị AIC thấp hơn thường được coi là tốt hơn.

5.3. So sánh hiệu quả dự báo của GARCH 1 1 EGARCH và TGARCH

Nghiên cứu thường so sánh hiệu quả dự báo của các mô hình GARCH khác nhau để xác định mô hình nào phù hợp nhất cho một tập dữ liệu cụ thể. Kết quả nghiên cứu thường cho thấy rằng mô hình GARCH(1,1) có hiệu suất khá tốt trong nhiều trường hợp, nhưng các mô hình EGARCH và TGARCH có thể hoạt động tốt hơn trong các điều kiện thị trường nhất định. Ví dụ, EGARCH có thể phù hợp hơn khi có các hiệu ứng bất đối xứng, tức là các cú sốc tích cực và tiêu cực có tác động khác nhau đến biến động. TGARCH có thể phù hợp hơn khi có các ngưỡng, tức là các mức độ biến động khác nhau có thể gây ra các phản ứng khác nhau trên thị trường.

VI. Kết Luận và Hướng Nghiên Cứu Tương Lai về GARCH

Nghiên cứu này đã đánh giá hiệu quả của mô hình GARCH trong dự báo biến động thị trường chứng khoán Việt Nam. Kết quả cho thấy GARCH(1,1) là một công cụ hữu ích để dự báo rủi ro. Tuy nhiên, cần có những nghiên cứu sâu hơn để cải thiện độ chính xác dự báo, như tích hợp các yếu tố vĩ mô và so sánh mô hình với các phương pháp khác (ví dụ: Neural Networks). Hướng nghiên cứu tương lai tập trung vào ứng dụng GARCH trong risk management và xây dựng các investment strategies tối ưu.

6.1. Tổng kết kết quả nghiên cứu về hiệu quả của mô hình GARCH

Tổng kết lại, nghiên cứu đã chứng minh rằng mô hình GARCH có thể được sử dụng để dự báo biến động của thị trường chứng khoán Việt Nam. Mặc dù GARCH(1,1) có hiệu suất khá tốt, nhưng các mô hình khác như EGARCH và TGARCH cũng có thể phù hợp trong các điều kiện thị trường nhất định. Quan trọng nhất, việc lựa chọn mô hình phù hợp và hiệu chỉnh các tham số của mô hình là rất quan trọng để đảm bảo độ chính xác dự báo.

6.2. Hạn chế của mô hình GARCH và hướng khắc phục

Mô hình GARCH có một số hạn chế cần được xem xét. Một trong những hạn chế là mô hình giả định rằng các cú sốc (shocks) tuân theo phân phối chuẩn, trong khi thực tế, dữ liệu tài chính thường có đuôi dày hơn (fat tails). Điều này có thể dẫn đến việc mô hình đánh giá thấp rủi ro trong một số trường hợp. Các hướng khắc phục có thể bao gồm sử dụng các phân phối khác thay cho phân phối chuẩn, hoặc sử dụng các mô hình GARCH phức tạp hơn có khả năng nắm bắt các đặc điểm của dữ liệu tài chính tốt hơn.

6.3. Các hướng nghiên cứu tiếp theo để cải thiện dự báo biến động

Có nhiều hướng nghiên cứu tiếp theo có thể được thực hiện để cải thiện dự báo biến động của thị trường chứng khoán Việt Nam. Một hướng là tích hợp các yếu tố kinh tế vĩ mô vào mô hình GARCH, vì các yếu tố này có thể ảnh hưởng đáng kể đến biến động. Một hướng khác là so sánh mô hình GARCH với các phương pháp khác như Neural Networks và các mô hình học máy khác. Cuối cùng, có thể nghiên cứu cách sử dụng các mô hình GARCH để xây dựng các chiến lược giao dịch tự động và quản lý rủi ro hiệu quả hơn.

Nội dung chính

Tổng quan nghiên cứu

Thị trường chứng khoán Việt Nam giai đoạn 2006–2013 đã trải qua nhiều chu kỳ tăng trưởng và điều chỉnh mạnh mẽ gắn liền với các biến động kinh tế vĩ mô. Điển hình vào năm 2006, thị trường ghi nhận sự bùng nổ vượt bậc với mức tăng trưởng hơn 60% chỉ trong vòng 6 tháng. Đến năm 2012, quyết định cắt giảm 2% lãi suất huy động của Ngân hàng Nhà nước đã tạo lực đẩy giúp chỉ số VN-Index phục hồi khoảng 30% và HNX-Index tăng 40% từ vùng đáy. Môi trường đầu tư nhiều biến động đòi hỏi các công cụ lượng hóa rủi ro chuẩn xác, trong khi các mô hình kinh tế lượng truyền thống và ARIMA bộc lộ hạn chế lớn do giả định phương sai sai số không đổi theo thời gian.

Nghiên cứu của tác giả Mạc Quốc An tại Trường Đại học Bách Khoa – ĐHQG TP.HCM được thực hiện nhằm đánh giá hiệu quả của họ mô hình GARCH trong việc mô hình hóa và dự báo mức độ biến thiên tỷ suất sinh lợi trên Sở Giao dịch Chứng khoán TP.HCM (HOSE). Đề tài kết hợp phân lớp dữ liệu theo mô hình 3 nhân tố Fama-French để tạo ra 12 tập danh mục đầu tư theo hai phương pháp trọng số cân bằng (EW) và trọng số giá trị (VW). Dữ liệu chuỗi thời gian gồm 84 quan sát theo tháng từ tháng 7/2006 đến tháng 6/2013 của 281 doanh nghiệp niêm yết được sử dụng để kiểm định năng lực dự báo của các mô hình GARCH(1,1), TGARCH(1,1) và EGARCH(1,1). Kết quả nghiên cứu mang ý nghĩa thực tiễn sâu sắc, cung cấp cơ sở định lượng vững chắc giúp nhà đầu tư và các định chế tài chính nhận diện rủi ro, tối ưu hóa danh mục và xây dựng chiến lược phòng ngừa biến động thị trường.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu vận dụng mô hình định giá 3 nhân tố của Fama và French (1992, 1993) làm khung phân lớp danh mục tài sản. Mô hình này giải thích tỷ suất sinh lợi kỳ vọng thông qua 3 yếu tố cốt lõi: rủi ro thị trường, quy mô vốn hóa doanh nghiệp (SMB - Small Minus Big) và tỷ số giá trị sổ sách trên giá trị vốn hóa thị trường (HML - High Minus Low).

Để giải quyết hiện tượng phương sai thay đổi có điều kiện trong chuỗi thời gian tài chính, luận văn áp dụng mô hình ARCH do Robert Engle phát triển năm 1982 và mô hình GARCH(p,q) tổng quát hóa bởi Tim Bollerslev năm 1986. Bên cạnh đó, nhằm đo lường phản ứng bất đối xứng của thị trường trước các cú sốc thông tin, hai mô hình phi tuyến tính được tích hợp: mô hình TGARCH của Zakoian (1990) cùng Glosten, Jaganathan, Runkle (1993) và mô hình logarit phương sai EGARCH của Nelson (1991). Các khái niệm nghiên cứu trọng tâm bao gồm tính dừng của chuỗi dữ liệu, hiện tượng cụm biến động (volatility clustering), hiệu ứng đòn bẩy tài chính và tính bất cân xứng giữa tác động của tin tức tốt so với tin tức xấu.

Phương pháp nghiên cứu

Cỡ mẫu nghiên cứu được sàng lọc từ 308 doanh nghiệp niêm yết trên sàn HOSE tính đến cuối năm 2012. Sau khi loại bỏ các mã có thời gian niêm yết dưới 2 năm và các doanh nghiệp có năm tài chính không bắt đầu từ tháng 1 đến tháng 12, mẫu nghiên cứu chính thức bao gồm 281 công ty. Quá trình chọn mẫu và phân loại danh mục được tái cân bằng định kỳ mỗi năm một lần vào tháng 6. Cổ phiếu được phân thành 2 nhóm quy mô vốn hóa (Small - S và Big - B) dựa trên giá trị trung vị vốn hóa thị trường (ME) và 3 nhóm tỷ số BE/ME (30% cao nhất - High, 40% trung bình - Medium, 30% thấp nhất - Low), tạo thành 6 tập danh mục cơ sở. Kết hợp hai cơ chế tính tỷ trọng là trọng số cân bằng (Equal Weight - EW) và trọng số giá trị thị trường (Value Weight - VW), tập dữ liệu hình thành 12 chuỗi danh mục với 84 quan sát hàng tháng trong giai đoạn từ tháng 7/2006 đến tháng 6/2013.

Phương pháp phân tích được thực hiện qua các bước chuẩn tắc: kiểm định nghiệm đơn vị mở rộng Dickey-Fuller (ADF) để kiểm tra tính dừng; kiểm định ARCH-LM tại độ trễ bậc 1 với mức ý nghĩa 5% để phát hiện hiện tượng phương sai thay đổi; ước lượng tham số mô hình bằng phương pháp hợp lý cực đại (Maximum Likelihood); và đánh giá xếp hạng mô hình dự báo thông qua ba tiêu chí: tiêu chuẩn thông tin Akaike (AIC), tiêu chuẩn thông tin Schwarz Bayesian (SBC) cùng sai số bình phương trung bình căn bậc hai (RMSE), kết hợp chuẩn đoán phần dư bằng kiểm định Ljung-Box Q và Jarque-Bera.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, kiểm định nghiệm đơn vị ADF khẳng định toàn bộ 12 chuỗi tỷ suất sinh lợi danh mục đều đạt tính dừng ở mức ý nghĩa 1% và 5%, với giá trị thống kê t-Statistic dao động từ -6,89 đến -8,89, cho phép áp dụng quy trình mô hình hóa chuỗi thời gian ARMA-GARCH.

Thứ hai, kiểm định ARCH-LM chỉ ra rằng 11 trên 12 tập danh mục (tương ứng 91,67%) xuất hiện hiện tượng phương sai thay đổi có ý nghĩa thống kê ở mức alpha 0,05. Duy nhất danh mục B/L_VW (doanh nghiệp quy mô lớn, tỷ số BE/ME thấp, tính theo trọng số giá trị) không chịu ảnh hưởng ARCH nên được loại khỏi phân tích GARCH tiếp theo.

Thứ ba, phân tích thống kê mô tả cho thấy danh mục S/L_EW (công ty quy mô nhỏ, BE/ME thấp, trọng số cân bằng) đạt suất sinh lợi trung bình tháng cao nhất là 0,041 (tương đương 4,1%/tháng). Ngược lại, danh mục B/H_VW có độ lệch chuẩn cao nhất, đại diện cho nhóm tài sản có mức độ biến động rủi ro lớn nhất trên thị trường.

Thứ tư, khi so sánh năng lực dự báo, mô hình tuyến tính GARCH(1,1) thể hiện sự vượt trội trên 10 trên 11 danh mục khảo sát, đạt các giá trị AIC, SBC và RMSE thấp nhất (dao động từ -1,11 đến -1,14) và thỏa mãn đồng thời 3 kiểm định chuẩn đoán phần dư. Ngoại lệ duy nhất là danh mục S/L_EW, trong đó mô hình phi tuyến EGARCH(1,1) mang lại hiệu quả dự báo chuẩn xác nhất với các tiêu chí tối ưu toàn diện.

Thảo luận kết quả

Sự thống trị của mô hình GARCH(1,1) tuyến tính đối với hầu hết các nhóm cổ phiếu trên HOSE phản ánh đặc thù thị trường chứng khoán Việt Nam giai đoạn 2006–2013, nơi các cú sốc thông tin tác động tương đối đối xứng lên tâm lý nhà đầu tư. Kết quả này tương đồng với kết luận của Gokcan (2000) trên 7 thị trường chứng khoán mới nổi, khi GARCH(1,1) liên tục cho kết quả tốt hơn EGARCH(1,1) nhờ khả năng loại bỏ độ nhọn của dữ liệu mà không bị sai lệch tham số khi hệ số bất cân xứng không có ý nghĩa thống kê.

Dữ liệu nghiên cứu khi được tổng hợp qua bảng so sánh tiêu chí AIC, SBC, RMSE và biểu đồ phân dư bình phương cho thấy việc phân loại danh mục theo trọng số giá trị (VW) giúp triệt tiêu bớt nhiễu động ngẫu nhiên của các cổ phiếu riêng lẻ. Trong khi đó, việc áp dụng trọng số cân bằng (EW) trên nhóm cổ phiếu vốn hóa nhỏ (S/L_EW) làm bộc lộ rõ nét hiệu ứng bất cân xứng thông tin, khiến mô hình EGARCH(1,1) phát huy tối đa ưu thế mô hình hóa cấu trúc phương sai biến thiên.

Đề xuất và khuyến nghị

1. Ứng dụng mô hình GARCH(1,1) vào hệ thống quản trị rủi ro tự động: Các công ty chứng khoán và quỹ đầu tư cần tích hợp thuật toán ước lượng phương sai GARCH(1,1) vào hệ thống tính toán giá trị chịu rủi ro (Value at Risk - VaR) định kỳ hàng ngày và hàng tháng trong giai đoạn 2024–2025, hướng tới mục tiêu nâng cao độ chính xác dự báo rủi ro danh mục lên trên 90%.
2. Tái cơ cấu tỷ trọng danh mục đầu tư theo quy mô và định giá tài sản: Nhà đầu tư tổ chức nên chủ động phân bổ từ 25% đến 35% nguồn vốn vào nhóm cổ phiếu quy mô nhỏ có định giá hấp dẫn (danh mục S/L_EW) nhằm tối ưu hóa tỷ suất sinh lợi mục tiêu 4,1%/tháng, đồng thời sử dụng mô hình EGARCH(1,1) để thiết lập các ngưỡng chặn biến động giá phi tuyến.
3. Xây dựng chỉ báo cảnh báo sớm biến động hệ thống: Sở Giao dịch Chứng khoán TP.HCM (HOSE) và Ủy ban Chứng khoán Nhà nước cần thiết lập khung giám sát rủi ro thị trường trong vòng 6 đến 12 tháng, ứng dụng kiểm định ARCH-LM định kỳ để nhận diện sớm các giai đoạn tích tụ biến động khi lãi suất điều hành biến động từ 1% đến 2%.
4. Nâng cấp mô hình định lượng với hàm phân phối sai số mở rộng: Các chuyên viên phân tích định lượng cần triển khai các nghiên cứu mở rộng trong vòng 12 tháng tới, kết hợp họ mô hình GARCH với các phân phối sai số đuôi dày như phân phối Student-t và GED, nhằm giảm thiểu sai số RMSE xuống dưới mức 0,05 khi định giá các sản phẩm phái sinh và chứng quyền.

Đối tượng nên tham khảo luận văn

1. Chuyên gia phân tích định lượng (Quant Analysts) và nhà quản lý quỹ: Khai thác quy trình phân lớp 12 danh mục theo Fama-French kết hợp mô hình GARCH(1,1) để xây dựng chiến lược phân bổ tài sản tối ưu và kiểm soát độ biến động danh mục đầu tư thực tế.
2. Nhà đầu tư cá nhân và tổ chức giao dịch trên sàn HOSE: Nắm bắt quy luật tương quan giữa chu kỳ điều chỉnh lãi suất (như giai đoạn tăng trưởng trên 60% khi lãi suất hạ về vùng 9%) và mức độ biến thiên giá để xác định điểm tái cân bằng danh mục hiệu quả.
3. Cơ quan quản lý thị trường và cơ quan hoạch định chính sách: Tham khảo bằng chứng thực nghiệm về phản ứng của thị trường trước các cú sốc lãi suất 2% để xây dựng các công cụ can thiệp thị trường kịp thời và ổn định thanh khoản hệ thống.
4. Giảng viên, học viên cao học và nhà nghiên cứu kinh tế lượng tài chính: Sử dụng công trình làm tài liệu tham khảo chuẩn mực về phương pháp luận chuỗi thời gian, từ quy trình kiểm định nghiệm đơn vị ADF, kiểm định ARCH-LM đến kỹ thuật chuẩn đoán phần dư và so sánh mô hình theo AIC, SBC, RMSE.

Câu hỏi thường gặp

1. Tại sao mô hình GARCH(1,1) lại vượt trội hơn các mô hình phi tuyến TGARCH và EGARCH trên sàn HOSE? Phân tích thực nghiệm trên 11 danh mục chỉ ra rằng dữ liệu thị trường Việt Nam có độ lệch không quá lớn và tham số bất cân xứng không đạt mức ý nghĩa thống kê 5%. GARCH(1,1) với cấu trúc tham số tinh gọn giúp tối thiểu hóa chỉ số AIC (-1,131) và hạn chế hiện tượng quá khớp dữ liệu (overfitting) so với các mô hình phức tạp.

2. Quy trình phân chia 12 tập danh mục theo mô hình 3 nhân tố Fama-French được tiến hành như thế nào? Mẫu 281 cổ phiếu được phân loại định kỳ vào tháng 6 hàng năm thành 2 nhóm quy mô vốn hóa (50% Small, 50% Big dựa trên trung vị ME) và 3 nhóm tỷ số BE/ME (30% cao nhất, 40% trung bình, 30% thấp nhất), tạo ra 6 nhóm cơ sở. Mỗi nhóm sau đó được tính toán theo 2 phương thức trọng số EW và VW để hình thành 12 chuỗi danh mục.

3. Các tiêu chí định lượng nào đóng vai trò quyết định trong việc xếp hạng mô hình dự báo? Nghiên cứu sử dụng kết hợp bộ ba tiêu chí: tiêu chuẩn thông tin Akaike (AIC), tiêu chuẩn thông tin Schwarz Bayesian (SBC) và sai số bình phương trung bình căn bậc hai (RMSE). Mô hình tối ưu phải đạt giá trị nhỏ nhất ở các tiêu chí này và đồng thời vượt qua các kiểm định chuẩn đoán phần dư về tính nhiễu trắng và phân phối chuẩn.

4. Vì sao danh mục cổ phiếu quy mô nhỏ, tỷ số BE/ME thấp (S/L_EW) lại phù hợp nhất với mô hình EGARCH(1,1)? Danh mục S/L_EW tập hợp các cổ phiếu tăng trưởng vốn hóa nhỏ có suất sinh lợi trung bình tháng đạt đỉnh 0,041 (4,1%) và tính biến động cao. Hàm logarit phương sai trong EGARCH(1,1) giúp phản ánh chính xác các cú sốc thông tin mạnh mà không đòi hỏi ràng buộc phi âm đối với các hệ số ước lượng.

5. Luận văn có những giới hạn nghiên cứu nào và hướng mở rộng tiếp theo là gì? Đề tài khảo sát 281 cổ phiếu trên sàn HOSE với dữ liệu theo tháng và giả định sai số phân phối chuẩn. Các nghiên cứu tiếp theo có thể mở rộng tần suất dữ liệu theo ngày trên sàn HNX và UPCoM, đồng thời tích hợp các phân phối sai số phi chuẩn như Student-t hoặc GED để tăng cường độ chuẩn xác dự báo.

Kết luận

• Luận văn đã xác nhận sự hiện diện của hiệu ứng phương sai thay đổi có điều kiện trên 11/12 tập danh mục phân loại theo mô hình 3 nhân tố Fama-French trên sàn HOSE giai đoạn 2006–2013.
• Khẳng định mô hình tuyến tính GARCH(1,1) đạt hiệu quả dự báo vượt trội nhất trên 10/11 danh mục dựa trên các tiêu chuẩn tối ưu AIC, SBC và sai số RMSE.
• Xác định danh mục cổ phiếu vốn hóa nhỏ có tỷ số BE/ME thấp (S/L_EW) mang lại suất sinh lợi cao nhất 4,1%/tháng và tương thích tối ưu với mô hình phi tuyến EGARCH(1,1).
• Cung cấp quy trình nghiên cứu thực nghiệm hoàn chỉnh từ kiểm định nghiệm đơn vị ADF, kiểm định ARCH-LM đến chuẩn đoán phần dư phục vụ phân tích chuỗi thời gian tài chính.
• Thiết lập lộ trình ứng dụng thực tế trong vòng 6 đến 12 tháng tới giúp các tổ chức tài chính hoàn thiện hệ thống đo lường giá trị chịu rủi ro và quản trị danh mục đầu tư.

Hãy vận dụng ngay mô hình GARCH(1,1) và phương pháp phân lớp danh mục Fama-French vào chiến lược đầu tư để nâng cao năng lực kiểm soát rủi ro và tối ưu hóa hiệu quả sinh lợi trên thị trường chứng khoán.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TONG QUAN - GIỚI THIEU DE ÁN 1.1Giới thiệu đề tài Thị trường chứng khoán (TTCK) ở Việt Nam trong những năm gan đây đã trải qua rất nhiều giai đoạn phát triển, với những biến động và điều chỉnh mạnh mẽ. Đặc biệt giai đoạn năm 2006, được xem là giai đoạn phát triển đột pha, với mức tăng trưởng hon 60% chỉ trong vòng 06 tháng. Năm 2007 là thời gian đầu tiên ghi nhận sự bùng phát của chỉ số VN-Index (VNI), trùng với chu ky lãi suất được kéo giảm về vùng 9%. Vào năm 2009, lãi suất huy động và cho vay giảm đáng kể, tạo nên chu kỳ phục hồi thị trường cổ phiếu kéo dài trong 08 tháng.

Qua đó ta cũng thay được một quy luật là mỗi khi lãi suất hạ thì chứng khoán lại tăng. Trong năm 2012, lãi suất hạ lần đầu tiên vào tháng 03/2012, lúc đó chỉ số VNI phục hồi khoảng 30% so với đáy, còn chỉ số HNX phục hồi khoảng 40%. Vào thời điểm tháng 06/2012, Ngân hang Nhà nước làm một cú sốc với lãi suất huy động giảm 2%, nhưng TTCK vẫn phản ứng rất chậm. Nhìn chung ta thấy hoạt động của TTCK thường có xu hướng lên rất nhanh, hoặc giảm mạnh và sau đó đi vào thời ky điều chỉnh.

Qua đó ta thay hoạt động tài chính ở Việt Nam chứa đựng nhiều yếu tố rủi ro. Do đó các nhà đầu tư, nha lập kế hoạch kinh doanh cần nhiều thông tin dự báo chính xác dé hạn chế rủi ro trong đầu tư. Dự báo là tập hợp các công cụ giúp ta có thé phán đoán các sự kiện có thé xảy ra trong tương lai. Đối với mô hình dự báo chuỗi thời gian, dựa vào xu hướng vận động trong quá khứ và hiện tại, từ đó ta sẽ tiến hành những dự báo cho tương lai.

Đối với những mô hình cô điển, các bién trễ được sử dụng theo một cách không có hệ thong, nén chua khai thác được nhiều tính chất động của chuỗi dữ liệu. Van dé quan trong trong dự báo chuỗi thời gian là thiết lập mô hình hiệu quả để dự báo tốt nhất xu hướng vận động của chuỗi thời gian. Mô hình ARIMA là một phương pháp phổ biến dùng để phân tích chuôi thời gian có độ nhạy cao, nó mô hình hóa gân như tât cả các dao động của chuỗi HV: Mạc Quốc Ân 1 Khoá luận tốt nghiệp GVHD: TS. Dương Như Hùng thời gian ban dau, có tong trọng số các nhiễu ngẫu nhiên hiện hành và nhiễu ngẫu nhiên có độ trễ, nên kết quả dự báo chính xác hơn nhiều so với các mô hình truyền thống trước đây.

Mặt khác, các mô hình kinh tế lượng cô điển và ARIMA đều giả định là phương sai của sai số là không đổi theo thời gian. Đối với các chuỗi dữ liệu vẻ tài chính nói chung, hay chứng khoán nói riêng déu chịu ảnh hưởng bởi nhưng tin tức tốt và xấu, nên có xu hướng dao động cao vào một số giai đoạn theo sau một số giai đoạn ít bién động. Nhóm các mô hình GARCH khắc phục được nhược điểm này. Tập mô hình GARCH xem xét các dữ liệu vói phương sai của nó phụ thuộc vào các giá tri phương sai trong quá khứ, để từ đó ước lượng mức độ rủi ro trong một giai đoạn nhất định nào đó.

Từ khi những mô hình GARCH được xuất bản, đã có rất nhiều nghiên cứu về tính dao động của thị trường chứng khoán ứng dụng tập mô hình này. Hầu hết các nhà nghiên cứu đều đồng ý rằng, tính dao động đều có thể dự báo được ở nhiều thị trường chứng khoán. Mỗi mô hình sẽ dự báo độ dao động theo những cách khác nhau. nhưng trong đó mô hình GARCH được sử dụng phổ biến nhất, do loại bỏ được độ nhọn của tập dữ liệu một cách hiệu quả (Theo Gockan, 2000).

Bên cạnh độ nhọn, chuỗi dữ liệu còn có thé bị ảnh hưởng bởi độ nghiêng rất nghiêm trọng, mô hình GARCH tuyến tính sẽ không hiệu quả, khi đó tập mô hình GARCH không tuyến tính (EGARCH, TGARCH) sẽ được áp dung (Theo Chong, Ahmad and Abdullah, 1999). Qua những ưu điểm của tập mô hình GARCH được phân tích ở trên, đồng thời những dụng của GARCH đối với TTCK Việt Nam vẫn còn hạn chế, dé hiểu rõ hơn tính bién động của thị trường chứng khoán và các mô hình có khả năng dự báo mức độ dao động của chuỗi thời gian, người viết đã chọn đề tài: “Hiệu quả của mô hình GARCH trong việc dự báo mức độ biến thiên của thị trường chứng khoán Việt Nam”. Đây là tập mô hình dự báo rủi ro xác định thông qua một tiếp cận ước lượng các hệ số theo các thành phần của phương sai theo thời gian và các độ trễ của nó dựa trên phương pháp HV: Mạc Quốc An 2 Khoa luận tốt nghiệp GVHD: TS. Dương Như Hùng maximum likelihood.

Qua đó chúng tôi có thé dự báo rủi ro các chuỗi thời gian kinh tế và tài chính, từ đó cung cấp thông tin cho các quyết định dau tư, kinh doanh hay quản tri ruil ro.2Muc tiéu dé tai Mục tiêu của dé tài là: e Hiện ở Việt Nam chưa thay nghiên cứu nao đánh giá hiệu quả của mô hình GARCH băng cách phân tập danh mục theo mô hình 3 nhân tố Fama French. Bài viết kiểm định lại việc phân tập danh mục theo đặc điểm của mô hình 3 nhân tô Fama French, từ đó sẽ áp dụng mô hình GARCH vào việc dự báo mức độ biến thiên của tập danh mục. e Phan tích TTCK VN (trên sàn Hose), dựa vào mô hình Fama French 3 nhân tố, theo quy mô công ty (ME) và tỷ số BE/ME để chia tập dữ liệu thu được thành 6 loại danh mục theo trọng số cân bằng (Equal weight, EW): S/H_EW, S/M_EW, S/L_EW, B/H_EW, B/M_EW, B/L_EW. Mặt khác, dé xem xét sự ảnh hưởng của quy mô công ty (ME) lên suất sinh lợi, chúng tôi áp dụng trọng số giá trị (value weight, VW) dé tao ra 6 tap danh muc: S/H_VW, S/M_VW, S/L_VW, B/H_VW, B/M_VW, B/L_VW.

Từ đó chúng tôi có 12 tập danh mục cua các nhóm nay dùng dé dự báo tính dao động của thị trường chứng khoán e Phân tích chuỗi dữ liệu của 12 tập danh mục trên. e Du báo mức độ biến thiên dựa vào tập mô hình GARCH HV: Mạc Quốc An 3 Khoa luận tốt nghiệp GVHD: TS. Dương Như Hùng e Đánh giá chất lượng giữa các mô hình thông qua các tiêu chí: RMSE (Root Mean Square Error), AIC, SBC. Nên chon mô hình nao có tiêu chí có giá tri nhỏ hơn so với các mô hình khác.

e Cung cap những thông tin dự báo tương đối chính xác với những mức độ tin cậy khác nhau, làm cơ sơ để chọn tập danh mục đầu tư, quản tri rủi ro tài chính một cách hiệu quả.3Phạm vi nghiên cứu Nguôn dữ liệu lay từ trang WEB của các công ty chứng khoán (http://cafef.vn/, http://cophieu68. Số liệu được lây từ tháng 12/2005 đến tháng 06/2013). Dựa trên báo cáo thường niên của sở giao dịch chứng khoán TP.HCM(sàn Hose), chúng tôi biết được số công ty niêm yết trong từng năm, và số công ty hiện tại trên sàn là 308. Do dữ liệu được yêu câu là phải hiện diện trên sàn it nhất 2 năm, năm tài chính bat đầu từ tháng | và kết thúc tháng 12, chúng tôi chọn ra 281 công ty dé phân tích trong vòng 6 năm (2006-2012).

Sau đó, chúng tôi phân chia tập danh mục theo mô hình Fama French 3 nhân tô, môi năm sẽ cân băng tập danh mục lại | lân. Tập mô hình nghiên cứu bao gồm: GARCH, TGARCH, EGARCH.4Phương pháp thực hiện Từ quy trình thực hiện dự báo chung, chúng tôi sẽ thực hiện các bước sau đối với đề tài này: e Thu thập dữ liệu, phân tập danh mục dựa theo mô hình Fama French 3 nhân HV: Mạc Quốc An 4 Khoa luận tốt nghiệp GVHD: TS. Dương Như Hùng e Phan tích dữ liệu: những đặc tính của chuỗi dữ liệu e Kiểm nghiệm tính dừng của chuỗi dữ liệu: sử dụng giản đồ tự tương quan (thong ké t, thong ké Q) va kiém dinh nghiém don vi (thong ké tau (t) cua Dickey- Fuller). Nếu chuỗi không dừng thi sẽ tiến hành những biện pháp khử dé chuỗi có tính dừng.

e Kiém định ảnh hưởng ARCH. e Phan tích chất lượng giữa các mô hình đối với tập dữ liệu ở trên. e Xép hạng và đánh giá từng loại mô hình ứng với từng chuỗi dữ liệu ở trên e Duara những nhận định, đánh giá, cung cấp thông tin cho quản trị rủi ro, cách chọn tập danh mục đầu tư.5Y nghĩa thực tiễn của dé tài Giá trị thực tiễn của dé tài là mô hình hóa được sự bién động của một số mã ngành chứng khoán được phân loại danh mục theo mô hình Fama French 3 nhân tô. Xác định được mô hình ứng với tập danh mục nào có chất lượng dự báo tốt, ưu khuyết điểm giữa các mô hình.

Từ đó cho chúng tôi biết mô hình nào sẽ có chất lượng dự báo tốt nhất đôi với tính chat của từng tập danh mục. Qua đó sẽ giúp các nhà dau tư, nhà quản lý có thể dự báo và nhận dạng các yếu t6 rủi ro trong tương lai của một số mã ngành chứng khoán một cách khác chính xác, từ đó sẽ có những kế hoạch kinh doanh, lựa chọn tập danh mục đâu tư, quản trỊ rủi ro một cách thích hợp. HV: Mạc Quốc An ° Khoá luận tốt nghiệp GVHD: TS. Dương Như Hùng CHUONG 2: CƠ SỞ LÝ THUYET Chương 2 sẽ trình bày các lý thuyết làm cơ sở cho việc nghiên cứu đề tài.

Các lý thuyết bao gôm: ảnh hưởng của phương sai thay đối, tập mô hình ARCH, các tiêu chí để đánh giá chất lượng của việc dự báo.1Các phương pháp xác định ảnh hưởng phương sai thay doi 2.1 Giới thiệu phương sai thay đổi (heteroskedasticity) Trong mô hình hồi quy tuyến tính cô điển, các yếu tố nhiễu u; xuất hiện trong hàm hồi quy tong thé có phương sai không đổi (homoscedasticity): var,)=ơ?. Đối với phương sai thay đổi, phương sai của các yếu tô nhiễu thay đối theo thứ tự của biến quan sát (heteroskedasticity): var(u,) = ơ7 0 x, X, X, 0 X X, X, x 0 x & & “ Dit liệu với phương sai không đôi Dit liệu với phương sai thay đôi tăng — Dữ liệu với phương sai thay đôi giảm Hình 2.1: Ví dụ phương sai không đổi và thay đổi (Nguồn: Asteriou, D., 2007) HV: Mạc Quốc An 6 Khoa luận tốt nghiệp GVHD: TS. Dương Như Hùng 2.2 Hậu quả của phương sai thay đối (Gujarati, 2004) e Nếu tiếp tục sử dụng các thủ tục kiểm định thông thường, mặc dù có phương sai thay đối, những kết luận hay suy diễn thông kê có thé dẫn ta tới sai lầm.