Luận văn thạc sĩ về mô hình hóa lợi suất đầu tư vào thị trường chứng khoán Việt Nam - Trường Đại ...

• Tác giả: Hoàng Thị Thu Hà
• Người hướng dẫn: PGS TS Nguyễn Trọng Hoài
• Trường học: Trường Đại Học Kinh Tế Thành Phố Hồ Chí Minh
• Chuyên ngành: Kinh Tế Phát Triển
• Đề tài: Mô Hình Hóa Tính Biến Thiên Lợi Suất Đầu Tư Vào Thị Trường Chứng Khoán Việt Nam
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: ĐẶT VẤN ĐỀ
• 1.1. Mục tiêu nghiên cứu
• 1.2. Câu hỏi nghiên cứu
• 1.2.1. Câu hỏi nghiên cứu tổng quát
• 1.2.2. Câu hỏi nghiên cứu cụ thể
• 1.3. Đóng góp của nghiên cứu
• 1.4. Phạm vi nghiên cứu
• 1.5. Cấu trúc của bài nghiên cứu
• 2. CHƯƠNG 2: TỔNG QUAN LÝ THUYẾT VỀ CÁC MÔ HÌNH DỰ BÁO TÍNH BIẾN THIÊN LỢI SUẤT CHỨNG KHOÁN
• 2.1. Lý thuyết liên quan
• 2.2. Tính dai dẳng (persistence)
• 2.3. Tác động đòn bẩy (leverage effect)
• 2.4. Các mô hình GARCH và mô hình thay đổi tình trạng ARCH Markov
• 2.4.1. Mô hình GARCH (p, q) của Engle (1982) và Bollerslev (1986)
• 2.4.2. Mô hình SWARCH-L (K, q) của Hamilton và Susmel (1994)
• 2.4.2.1. Chỉ định mô hình SWARCH-L (K, q)
• 2.4.2.2. Ước lượng mô hình SWARCH-L (K, q)
• 2.4.2.3. Đo lường tính dai dẳng bằng mô hình ARCH –L (q) và SWARCH-L (K, q)
• 2.4.2.4. Dự báo tính biến thiên với mô hình SWARCH-L (K, q)
• 2.5. Các nghiên cứu liên quan
• 2.6. Khung phân tích đề nghị cho nghiên cứu
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Thống kê mô tả, kiểm định tính dừng và kiểm định tương quan chuỗi
• 3.2. Phương pháp nghiên cứu
• 3.2.1. Mô hình trung bình cho phân phối thường, phân phối t và GED
• 3.2.2. Phương pháp khám phá khả năng mô hình hóa tính biến thiên lợi suất đầu tư chứng khoán Việt Nam bằng mô hình thay đổi tình trạng Markov SWARCH trong mối quan hệ với các tình trạng thị trường
• 3.2.3. Mô hình Markov SWARCH (p, q) và Markov SWARCH-L (p, q)
• 3.2.4. Kiểm định tính thay đổi tình trạng
• 3.2.5. Bằng chứng của mối liên hệ giữa tính biến thiên và thị trường
• 3.3. Phương pháp tìm ra bằng chứng phi tuyến trong chuỗi lợi suất đầu tư chứng khoán Việt Nam
• 3.4. Phương pháp lựa chọn mô hình có khả năng dự báo tốt nhất tính biến thiên lợi suất của thị trường chứng khoán Việt Nam
• 3.4.1. Mô hình hóa tính biến thiên bằng mô hình GARCH (p, q) và GARCH-L (p, q) với phân phối thường
• 3.4.2. Mô hình hóa tính biến thiên bằng mô hình GARCH (p, q) và GARCH-L (p, q) với t
• 3.4.3. Mô hình hóa tính biến thiên bằng mô hình GARCH (p, q) và GARCH-L (p, q) với phân phối GED
• 3.4.4. Phương pháp đánh giá khả năng dự báo của mô hình Markov SWARCH với các mô hình cạnh tranh GARCH (p, q) và GARCH-L (p, q) với phân phối thường, phân phối t và phân phối GED
• 3.4.5. Phương pháp nhận diện tác động đòn bẩy
• 3.5. Giả thuyết nghiên cứu
• 3.6. Dữ liệu nghiên cứu
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
• 4.1. Thống kê mô tả và kiểm tra tính dừng
• 4.2. Kết quả của các mô hình
• 4.2.1. Kết quả ước lượng và lựa chọn mô hình tối ưu
• 4.2.2. Mô hình hóa bằng mô hình Markov SWARCH và liên kết các tình trạng với các sự kiện thực
• 4.3. Bằng chứng về tính phi tuyến trong tính biến thiên lợi suất của thị trường chứng khoán Việt Nam
• 4.4. Mô hình Markov SWARCH có thực hiện dự báo tốt hơn so với các mô hình GARCH
• 4.5. Bằng chứng về sự có mặt của tác động đòn bẩy trong tính biến thiên lợi suất của thị trường chứng khoán Việt Nam
• 4.6. Phân tích kết quả nghiên cứu của mô hình Gaussian SWARCH (2, 7)
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. Kết quả nghiên cứu
• 5.2. Ý nghĩa của nghiên cứu và gợi ý chính sách
• 5.3. Giới hạn của nghiên cứu
• 5.4. Hướng nghiên cứu tiếp theo
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng Quan Mô Hình Hóa Lợi Suất Đầu Tư Chứng Khoán VN

Việc tìm ra mô hình dự báo tính biến thiên lợi suất đầu tư chứng khoán tốt là vô cùng cần thiết. Nó cung cấp công cụ ra quyết định cho việc phân bổ danh mục đầu tư, đặc biệt trong thị trường non trẻ như thị trường chứng khoán Việt Nam. Mức độ biến thiên của lợi suất đầu tư ở thị trường này đã có lúc dao động rất mạnh, gây khó khăn cho việc dự báo lợi suất chứng khoán. Một cái nhìn tổng quan về chuỗi lợi suất từ khi thị trường thành lập đến 6/9/2013 cho thấy nhiều quan sát vượt quá hai đến ba lần độ lệch chuẩn. Điều này hàm ý rằng chuỗi có dấu hiệu chệch khỏi phân phối chuẩn. Do đó, cần nghiên cứu các loại phân phối khác để mô tả đặc tính của chuỗi một cách chính xác hơn. Việc tìm ra mô hình có khả năng mô hình hóa tốt một chuỗi có quá nhiều biến thiên là một thách thức lớn. Các mô hình hiện tại đang cố gắng mô hình hóa và dự báo tính biến thiên đều vấp phải một số hạn chế: Thứ nhất, khả năng giải thích tính biến thiên song song với các sự kiện thực tế. Thứ hai, việc phân loại các quan sát được cho là quá khác biệt so với các quan sát còn lại của mẫu hoặc các quyết định nhằm loại bỏ quan sát khác biệt ra khỏi mẫu. Các mô hình GARCH với các phân phối nền tảng từ phân phối chuẩn đến phân phối t hay phân phối sai số tổng quát (GED) được xem là mô hình có nhiều ưu điểm trong việc mô hình hóa, không may tính dai dẳng cao thường là đặc trưng của các mô hình GARCH. Tác động đòn bẩy cũng là một trong những hiện tượng nhận được sự quan tâm của nhiều nghiên cứu về lợi suất chứng khoán. Hiểu và nhận diện được tác động đòn bẩy sẽ giúp việc mô hình hóa tính biến thiên được chính xác hơn và một khi tính biến thiên này được mô hình hóa tốt, nó sẽ trở thành công cụ tin cậy trong việc định giá tài sản, quản lý rủi ro và phân bổ danh mục đầu tư.

1.1. Phân tích thống kê lợi suất đầu tư chứng khoán Việt Nam

Phân tích thống kê lợi suất đầu tư chứng khoán trong giai đoạn từ khi thị trường chứng khoán Việt Nam hình thành đến năm 2013 cho thấy sự biến động lớn và tần suất xuất hiện các giá trị ngoại lệ cao. Điều này đòi hỏi việc lựa chọn mô hình phù hợp để giải thích và dự báo lợi suất chứng khoán một cách hiệu quả, vượt qua những hạn chế của các mô hình truyền thống.

1.2. Hạn chế của các mô hình GARCH truyền thống

Các mô hình GARCH, mặc dù được sử dụng rộng rãi trong mô hình hóa lợi suất chứng khoán, thường gặp phải hạn chế về tính dai dẳng cao và khả năng giải thích các sự kiện thực tế ảnh hưởng đến thị trường. Do đó, cần tìm kiếm các phương pháp tiếp cận mới để cải thiện khả năng dự báo lợi suất chứng khoán.

II. Thách Thức Mô Hình Hóa Tính Biến Thiên Lợi Suất Chứng Khoán

Mô hình hóa tính biến thiên lợi suất đầu tư chứng khoán đối mặt với nhiều thách thức. Các mô hình hiện tại thường gặp khó khăn trong việc giải thích tính biến thiên song song với các sự kiện kinh tế, chính trị và xã hội có tác động đến thị trường. Ví dụ, các biến động lớn do khủng hoảng tài chính toàn cầu hoặc các chính sách điều hành kinh tế vĩ mô thường không được phản ánh đầy đủ trong các mô hình truyền thống. Việc phân loại các quan sát được cho là quá khác biệt so với các quan sát còn lại của mẫu cũng là một vấn đề. Một số nghiên cứu thường loại bỏ các giá trị ngoại lệ, nhưng điều này có thể dẫn đến việc mất thông tin quan trọng và làm sai lệch kết quả. Theo Hamilton và Susmel (1994), đặc tính dai dẳng cao của các mô hình GARCH mâu thuẫn với kết quả dự báo không được khả quan của chúng, thậm chí khả năng dự báo của các mô hình này còn kém hiệu quả hơn hẳn so với mô hình phương sai cố định. Lamoureux và Lastrapes (1990) cho rằng việc bỏ qua sự thay đổi cấu trúc có thể có trong các mô hình GARCH làm chệch tăng hệ số đo lường tính dai dẳng và làm giảm ý nghĩa thực tế của mô hình. Ý tưởng của việc mô hình hóa một chuỗi nào đó có tính đến sự thay đổi tình trạng không nhằm mục đích dự báo một cách chính xác hoàn hảo một sự kiện có ảnh hưởng vì mô hình này chỉ xem xét bản thân sự thay đổi này là một biến ngẫu nhiên chịu sự chi phối của quy luật xác suất. Hay nói cách khác, nhà nghiên cứu sẽ dựa vào cái quan sát được và cố gắng lượng hóa xác suất cho một tình trạng nào đó có thể xảy ra trong tương lai.

2.1. Ảnh hưởng của các yếu tố kinh tế vĩ mô

Các yếu tố kinh tế vĩ mô như lạm phát, lãi suất, tỷ giá hối đoái và tăng trưởng kinh tế có ảnh hưởng đáng kể đến lợi suất đầu tư chứng khoán. Việc tích hợp các yếu tố này vào mô hình hóa là một thách thức, đòi hỏi sự hiểu biết sâu sắc về mối quan hệ giữa thị trường chứng khoán và nền kinh tế.

2.2. Xử lý các giá trị ngoại lệ và biến động bất thường

Các giá trị ngoại lệ và biến động bất thường có thể làm sai lệch kết quả mô hình hóa lợi suất chứng khoán. Cần có các phương pháp xử lý hiệu quả để giảm thiểu ảnh hưởng của các yếu tố này và đảm bảo tính chính xác của mô hình.

2.3. Vấn đề tính dai dẳng trong mô hình GARCH

Tính dai dẳng cao trong các mô hình GARCH có thể dẫn đến dự báo không chính xác về tính biến thiên lợi suất chứng khoán. Cần tìm kiếm các phương pháp giảm thiểu tính dai dẳng và cải thiện khả năng dự báo của mô hình.

III. Phương Pháp SWARCH Mô Hình Hóa Tính Biến Thiên Thị Trường VN

Mô hình SWARCH (Switching Autoregressive Conditional Heteroskedasticity) là một phương pháp hiệu quả để mô hình hóa tính biến thiên trong bối cảnh thị trường có sự thay đổi trạng thái. Mô hình này cho phép phân tích lợi suất chứng khoán theo các giai đoạn khác nhau, ví dụ như giai đoạn thị trường ổn định, giai đoạn tăng trưởng và giai đoạn khủng hoảng. Theo Hamilton (1989), có một chuỗi không quan sát được (chuỗi Markov) có xác suất chuyển đổi không đổi qua thời gian và chuỗi đó có ảnh hưởng đến chuỗi thời gian được quan tâm. Điều đáng nói là nhà nghiên cứu cũng cần lưu ý thêm rằng ảnh hưởng này chỉ là một trong số rất nhiều các nhân tố chi phối đến chuỗi đó, kết quả là hoàn toàn có thể xảy ra trường hợp một giai đoạn được phân loại vào giai đoạn có biến thiên cao ngay cả khi chỉ số được quan sát ở mức thấp và vừa phải hoặc ngược lại. Ví dụ trong khi các nghiên cứu khác về lợi suất chứng khoán tại Hoa Kỳ xem cú sốc tháng 10 năm 1987 là trường hợp đặc biệt và nhiều tác giả đã đặt biến giả nhằm loại quan sát nói trên. Kết quả của Hamilton và Susmel (1994) cho thấy các quan sát này chỉ được phân loại vào loại quan sát có quá nhiều sự khác biệt khi và chỉ khi mô hình SWARCH có số tình trạng được mở rộng lên đến 4, tuy nhiên, các tham số của mô hình này lại không có độ tin cậy cao – một bằng chứng rất mạnh của việc không ủng hộ sự áp đặt chủ quan của nhà nghiên cứu vào phân tích các chuỗi ngẫu nhiên, bởi chính sự chủ quan đó có thể tiềm ẩn những hậu quả làm cho việc phân tích không nhất quán với đặc tính của chuỗi hay nói cách khác giai đoạn đó hoàn toàn có thể được xử lý công bằng như những giai đoạn khác của chuỗi. Việc sử dụng mô hình SWARCH giúp nhà nghiên cứu có thể đánh giá hiệu quả của một thủ tục hoạt động hoặc một quy định.

3.1. Ưu điểm của mô hình SWARCH so với GARCH

Mô hình SWARCH có khả năng mô tả sự thay đổi trạng thái của thị trường tốt hơn so với các mô hình GARCH truyền thống. Điều này giúp cải thiện khả năng dự báo lợi suất chứng khoán và đưa ra các quyết định đầu tư chính xác hơn.

3.2. Ứng dụng chuỗi Markov trong mô hình SWARCH

Việc sử dụng chuỗi Markov trong mô hình SWARCH cho phép xác định các trạng thái khác nhau của thị trường và xác suất chuyển đổi giữa các trạng thái này. Điều này cung cấp thông tin quan trọng cho việc phân tích lợi suất chứng khoán và quản lý rủi ro.

3.3. Phân tích các giai đoạn thị trường khác nhau

Mô hình SWARCH cho phép phân tích lợi suất chứng khoán trong các giai đoạn thị trường khác nhau, ví dụ như giai đoạn thị trường ổn định, giai đoạn tăng trưởng và giai đoạn khủng hoảng. Điều này giúp hiểu rõ hơn về động lực của thị trường và đưa ra các quyết định đầu tư phù hợp.

IV. Ứng Dụng Dự Báo Lợi Suất Chứng Khoán VN bằng SWARCH

Mô hình SWARCH có thể được ứng dụng để dự báo lợi suất chứng khoán tại thị trường Việt Nam. Việc xác định các trạng thái khác nhau của thị trường và xác suất chuyển đổi giữa các trạng thái này sẽ giúp nhà đầu tư đưa ra các quyết định đầu tư thông minh hơn.Ví dụ, trước ngày 1/3/2002, Sở giao dịch chứng khoán Tp HCM được tổ chức hai ngày một lần, khi quy định hoạt động mỗi ngày có hiệu lực thì liệu tính biến thiên thay đổi như thế nào trong tương quan với lợi suất trung bình trước và sau quy định, từ đó nhà chức trách có thể đánh giá hiệu quả của sự thay đổi này. Ngoài ra, việc mô hình hóa tính biến thiên hiệu quả còn có ý nghĩa đối với các quy định về tự do hóa tài chính, chẳng hạn, việc đánh giá mức độ biến thiên trước và sau ngày 1/8/2003 khi nhà đầu tư nước ngoài được phép mua tối đa 30% giá trị cổ phiếu của công ty cổ phần hoặc trước và sau quyết định 238/2005/QĐ-TTg nới rộng phạm vi các nhà đầu tư nước ngoài mua tối đa 49% giá trị cổ phiếu niêm yết. Việc này không chỉ giúp các nhà hoạch định chính sách đưa ra các quyết định phù hợp mà còn giúp các nhà đầu tư đánh giá rủi ro và điều chỉnh danh mục đầu tư của họ. Đặc biệt, việc phân tích rủi ro và lợi nhuận trong các giai đoạn thị trường khác nhau là rất quan trọng để đưa ra các quyết định đầu tư sáng suốt.

4.1. Xác định các trạng thái thị trường Việt Nam

Việc xác định các trạng thái thị trường chứng khoán Việt Nam, ví dụ như thị trường tăng trưởng, thị trường đi ngang và thị trường suy giảm, là bước quan trọng trong việc ứng dụng mô hình SWARCH để dự báo lợi suất chứng khoán.

4.2. Dự báo lợi suất chứng khoán dựa trên trạng thái thị trường

Mô hình SWARCH cho phép dự báo lợi suất chứng khoán dựa trên trạng thái hiện tại của thị trường và xác suất chuyển đổi sang các trạng thái khác. Điều này giúp nhà đầu tư đưa ra các quyết định đầu tư phù hợp với tình hình thị trường.

4.3. Ứng dụng trong quản lý rủi ro và điều chỉnh danh mục

Kết quả dự báo lợi suất chứng khoán từ mô hình SWARCH có thể được sử dụng để quản lý rủi ro và điều chỉnh danh mục đầu tư. Điều này giúp nhà đầu tư giảm thiểu rủi ro và tối đa hóa lợi nhuận.

V. Kết Quả Nghiên Cứu Mô Hình Gaussian SWARCH 2 7 Hiệu Quả

Nghiên cứu chỉ ra rằng mô hình Gaussian SWARCH (2, 7) là mô hình đem lại khả năng dự báo tốt nhất cho thị trường chứng khoán Việt Nam. Tính biến thiên ngày hôm nay có giá trị dự báo lên đến 90 ngày giao dịch sau đó, mức độ xáo trộn của tính biến thiên tại điểm gãy thay đổi đến 12 lần, tuy nhiên, tác động đòn bẩy chưa thực sự rõ nét tại thị trường chứng khoán Việt Nam. Như vậy, mô hình này có thể giúp nhà đầu tư đưa ra các quyết định đầu tư dựa trên phân tích lợi suất chứng khoán trong tương lai. Điều này nhấn mạnh tầm quan trọng của việc sử dụng các mô hình phức tạp để mô hình hóa thị trường chứng khoán, đặc biệt là trong một thị trường mới nổi như Việt Nam.

5.1. Khả năng dự báo của mô hình Gaussian SWARCH 2 7

Mô hình Gaussian SWARCH (2,7) có khả năng dự báo lợi suất chứng khoán tốt hơn so với các mô hình khác, đặc biệt trong việc dự báo biến động trong ngắn hạn.

5.2. Tác động đòn bẩy tại thị trường chứng khoán Việt Nam

Nghiên cứu cho thấy tác động đòn bẩy chưa thực sự rõ nét tại thị trường chứng khoán Việt Nam, điều này có thể do đặc điểm riêng của thị trường và hành vi của nhà đầu tư.

5.3. Giá trị thực tiễn của mô hình Gaussian SWARCH 2 7

Mô hình Gaussian SWARCH (2,7) có giá trị thực tiễn trong việc giúp nhà đầu tư đưa ra các quyết định đầu tư thông minh hơn và quản lý rủi ro hiệu quả hơn.

VI. Kết Luận Hướng Nghiên Cứu Tiếp Theo về Lợi Suất VN

Việc tìm ra mô hình thích hợp trong việc mô hình hóa tính biến thiên của một chuỗi tài chính có vai trò quan trọng đối với các nhà đầu tư và hoạch định chính sách. Nghiên cứu đã chứng minh được sự có mặt của chuỗi Markov trong chuỗi biến thiên lợi suất đầu tư vào thị trường chứng khoán Việt Nam và khả năng giải thích bằng sự kiện thực. Các nghiên cứu tiếp theo có thể tập trung vào việc tích hợp các yếu tố kinh tế vĩ mô và chính trị vào mô hình để cải thiện khả năng dự báo. Ngoài ra, việc nghiên cứu các mô hình phức tạp hơn, chẳng hạn như các mô hình sử dụng trí tuệ nhân tạo và học máy, cũng có thể mang lại những kết quả hứa hẹn. Việc tiếp tục nghiên cứu và phát triển các mô hình phân tích lợi suất chứng khoán sẽ giúp nhà đầu tư và các nhà hoạch định chính sách đưa ra các quyết định sáng suốt hơn và góp phần vào sự phát triển bền vững của thị trường chứng khoán Việt Nam.

6.1. Tích hợp các yếu tố kinh tế vĩ mô và chính trị

Các nghiên cứu tiếp theo có thể tập trung vào việc tích hợp các yếu tố kinh tế vĩ mô và chính trị vào mô hình để cải thiện khả năng dự báo lợi suất chứng khoán.

6.2. Sử dụng trí tuệ nhân tạo và học máy

Việc nghiên cứu các mô hình phức tạp hơn, chẳng hạn như các mô hình sử dụng trí tuệ nhân tạo và học máy, cũng có thể mang lại những kết quả hứa hẹn trong việc mô hình hóa lợi suất chứng khoán.

6.3. Góp phần vào sự phát triển bền vững của thị trường

Việc tiếp tục nghiên cứu và phát triển các mô hình phân tích lợi suất chứng khoán sẽ giúp nhà đầu tư và các nhà hoạch định chính sách đưa ra các quyết định sáng suốt hơn và góp phần vào sự phát triển bền vững của thị trường chứng khoán Việt Nam.

Nội dung chính

Tổng quan nghiên cứu

Thị trường chứng khoán Việt Nam từ khi thành lập đến ngày 6/9/2013 đã trải qua nhiều biến động mạnh với lợi suất đầu tư có lúc dao động vượt quá hai đến ba lần độ lệch chuẩn trung bình. Cụ thể, chỉ số VN-Index trong giai đoạn này có trung bình lợi suất hàng ngày khoảng 0.067% với phương sai 3.27, đồng thời chuỗi lợi suất thể hiện đặc tính phân phối có đuôi dày hơn phân phối chuẩn (leptokurtosis) với độ nhọn 3.14 và độ méo âm -0.136, cho thấy sự lệch trái và biến động không đồng đều. Những đặc điểm này đặt ra thách thức lớn trong việc mô hình hóa và dự báo tính biến thiên lợi suất, đặc biệt trên một thị trường non trẻ như Việt Nam.

Mục tiêu nghiên cứu là lựa chọn mô hình có khả năng dự báo tốt nhất tính biến thiên lợi suất của thị trường chứng khoán Việt Nam, tập trung vào việc áp dụng mô hình chuỗi Markov thay đổi tình trạng SWARCH và so sánh với các mô hình GARCH truyền thống. Phạm vi nghiên cứu sử dụng dữ liệu chỉ số VN-Index hàng ngày từ 31/7/2000 đến 6/9/2013, với tổng số quan sát là 3106 ngày giao dịch. Nghiên cứu có ý nghĩa quan trọng trong việc cung cấp công cụ dự báo biến động lợi suất, hỗ trợ nhà đầu tư và các nhà hoạch định chính sách trong việc phân bổ danh mục đầu tư, quản lý rủi ro và đánh giá hiệu quả các chính sách tài chính.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết chính: tính dai dẳng (persistence) và tác động đòn bẩy (leverage effect). Tính dai dẳng phản ánh khả năng thông tin hiện tại ảnh hưởng lâu dài đến phương sai điều kiện của lợi suất, ảnh hưởng đến hiệu quả của giá chứng khoán trong phản ánh thông tin và phân bổ nguồn vốn. Tác động đòn bẩy mô tả mối quan hệ nghịch biến giữa lợi suất và biến động, khi lợi suất giảm thường đi kèm với biến động tăng, do chi phí cố định và đòn bẩy tài chính.

Mô hình GARCH (p, q) của Engle (1982) và Bollerslev (1986) được sử dụng để mô hình hóa tính biến thiên với các phân phối nền tảng gồm phân phối chuẩn, phân phối t và phân phối sai số tổng quát (GED). Tuy nhiên, các mô hình GARCH truyền thống thường gặp hạn chế về tính dai dẳng cao và khả năng dự báo kém. Do đó, mô hình SWARCH-L (K, q) của Hamilton và Susmel (1994) được áp dụng nhằm mô hình hóa sự thay đổi tình trạng Markov trong tính biến thiên, giúp giảm tính dai dẳng giả tạo và giải thích các giai đoạn biến động khác nhau dựa trên các sự kiện thực tế.

Các khái niệm chính bao gồm: chuỗi Markov, mô hình GARCH và SWARCH, tính dai dẳng, tác động đòn bẩy, và phân phối nền tảng (Gaussian, t, GED).

Phương pháp nghiên cứu

Dữ liệu nghiên cứu là chỉ số VN-Index hàng ngày từ 31/7/2000 đến 6/9/2013, tổng cộng 3106 quan sát, lấy từ website Sở Giao dịch Chứng khoán TP.HCM. Phương pháp phân tích bao gồm:

• Thống kê mô tả, kiểm định tính dừng bằng kiểm định Dickey-Fuller mở rộng (ADF), kiểm định tương quan chuỗi bằng kiểm định Ljung-Box.
• Mô hình trung bình AR(1) được sử dụng cho phương trình trung bình lợi suất.
• Ước lượng các mô hình GARCH (p, q) và GARCH-L (p, q) với các phân phối chuẩn, t và GED.
• Ước lượng mô hình SWARCH và SWARCH-L với số tình trạng K=2, độ trễ q từ 1 đến 7.
• Kiểm định sự thay đổi tình trạng bằng kiểm định tỉ số khả năng (LR test) và kiểm định tăng cường theo Wolfe.
• Đánh giá khả năng dự báo của các mô hình dựa trên tiêu chuẩn log-likelihood, AIC, BIC và các hàm thiệt hại MAE, LE², |LE|.
• Kiểm định tác động đòn bẩy thông qua ý nghĩa thống kê của tham số đại diện.
• Timeline nghiên cứu tập trung vào giai đoạn 2000-2013, với phân tích chi tiết các sự kiện thị trường và chính sách tài chính ảnh hưởng đến biến động.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Chuỗi lợi suất có đặc tính phân phối không chuẩn và dừng: Kiểm định ADF cho thấy chuỗi lợi suất VN-Index dừng với thống kê t = -24.21 (p-value < 0.01). Chuỗi có độ nhọn 3.14 và độ méo -0.136, chứng tỏ phân phối có đuôi dày và lệch trái.

2. Mô hình GARCH truyền thống không phù hợp: Các mô hình GARCH (1,1) với phân phối Gaussian, t và GED đều có tính dai dẳng vượt quá 1, vi phạm điều kiện dừng, không thể áp dụng hiệu quả cho dữ liệu VN-Index. Điều này đồng nhất với kết quả nghiên cứu trước đó tại Việt Nam.

3. Mô hình Gaussian ARCH (7) là mô hình tốt nhất trong nhóm ARCH: Với AIC = -5246.13 và BIC = -5276.32, mô hình này cho kết quả ước lượng các hệ số có ý nghĩa thống kê ở mức 1%.

4. Mô hình SWARCH-L (2,4) với phân phối Gaussian đạt hiệu quả dự báo tốt nhất: Mô hình này có AIC = -5130, vượt trội so với các mô hình khác. Mô hình Gaussian SWARCH (2,7) cũng cho kết quả tốt với khả năng dự báo tính biến thiên lên đến 90 ngày giao dịch sau, mức độ xáo trộn tại điểm gãy thay đổi đến 12 lần.

5. Tác động đòn bẩy chưa rõ nét tại thị trường Việt Nam: Tham số đại diện cho tác động đòn bẩy trong các mô hình Gaussian ARCH-L và SWARCH-L không có ý nghĩa thống kê ở mức 10%, cho thấy chưa có bằng chứng mạnh về tác động này.

Thảo luận kết quả

Kết quả cho thấy mô hình SWARCH-L với chuỗi Markov chi phối tham số phương sai điều kiện vượt trội hơn các mô hình GARCH truyền thống trong việc mô hình hóa và dự báo tính biến thiên lợi suất chứng khoán Việt Nam. Việc mô hình SWARCH không gặp phải vấn đề tính dai dẳng cao như GARCH giúp cải thiện khả năng dự báo dài hạn, phù hợp với đặc điểm biến động không đồng nhất của thị trường non trẻ.

Sự hiện diện của chuỗi Markov được xác nhận qua kiểm định tỉ số khả năng, đồng thời các tình trạng biến động cao và thấp có thể liên kết với các sự kiện kinh tế, chính sách tài chính như IPO hàng loạt, nới lỏng giới hạn sở hữu nước ngoài, và thay đổi quy định giao dịch. Điều này cho thấy mô hình SWARCH có khả năng giải thích biến động dựa trên các sự kiện thực tế, tăng tính ứng dụng trong quản lý rủi ro và hoạch định chính sách.

Việc không tìm thấy tác động đòn bẩy rõ ràng có thể do thị trường Việt Nam còn non trẻ, cấu trúc tài chính và hành vi nhà đầu tư chưa phát triển như các thị trường phát triển, hoặc do các yếu tố khác như sự can thiệp của nhà nước và tính thanh khoản thị trường.

Dữ liệu và kết quả có thể được trình bày qua các biểu đồ lợi suất và độ lệch chuẩn theo thời gian, bảng so sánh các tiêu chí AIC, BIC của các mô hình, và biểu đồ xác suất làm trơn của mô hình SWARCH thể hiện các tình trạng biến động.

Đề xuất và khuyến nghị

1. Áp dụng mô hình SWARCH-L trong dự báo biến động thị trường: Các công ty chứng khoán và nhà đầu tư nên sử dụng mô hình SWARCH-L (2,4) với phân phối Gaussian để dự báo biến động lợi suất trong khoảng 90 ngày giao dịch, giúp tối ưu hóa phân bổ danh mục và quản lý rủi ro.

2. Tăng cường giám sát và phân tích các sự kiện thị trường: Các cơ quan quản lý cần theo dõi chặt chẽ các sự kiện kinh tế, chính sách tài chính có thể gây biến động lớn, sử dụng mô hình SWARCH để đánh giá tác động và điều chỉnh chính sách kịp thời.

3. Phát triển thị trường và nâng cao nhận thức nhà đầu tư: Để làm rõ hơn tác động đòn bẩy và các yếu tố phi tuyến khác, cần thúc đẩy sự phát triển của thị trường tài chính, tăng cường minh bạch thông tin và giáo dục nhà đầu tư về quản lý rủi ro.

4. Nghiên cứu mở rộng với dữ liệu đa dạng và mô hình nâng cao: Các nghiên cứu tiếp theo nên mở rộng phạm vi dữ liệu, bao gồm các chỉ số khác và các mô hình kết hợp giữa SWARCH và các mô hình phi tuyến khác để nâng cao độ chính xác dự báo.

5. Xây dựng hệ thống cảnh báo sớm biến động thị trường: Dựa trên mô hình SWARCH, các tổ chức tài chính và cơ quan quản lý có thể phát triển hệ thống cảnh báo sớm nhằm giảm thiểu rủi ro và ổn định thị trường.

Đối tượng nên tham khảo luận văn

1. Nhà đầu tư cá nhân và tổ chức: Giúp hiểu rõ hơn về đặc tính biến động lợi suất, lựa chọn mô hình dự báo phù hợp để tối ưu hóa danh mục đầu tư và quản lý rủi ro hiệu quả.

2. Các công ty chứng khoán và quỹ đầu tư: Cung cấp công cụ phân tích và dự báo biến động thị trường, hỗ trợ ra quyết định giao dịch và xây dựng chiến lược đầu tư dài hạn.

3. Cơ quan quản lý thị trường chứng khoán: Hỗ trợ đánh giá tác động của các chính sách tài chính, quy định giao dịch và các sự kiện kinh tế đến biến động thị trường, từ đó điều chỉnh chính sách phù hợp.

4. Các nhà nghiên cứu và học giả trong lĩnh vực kinh tế tài chính: Là tài liệu tham khảo quan trọng về ứng dụng mô hình Markov SWARCH trong mô hình hóa biến động tài chính tại thị trường mới nổi, mở ra hướng nghiên cứu tiếp theo về mô hình phi tuyến và dự báo tài chính.

Câu hỏi thường gặp

1. Mô hình SWARCH khác gì so với GARCH truyền thống?
   Mô hình SWARCH cho phép tham số phương sai điều kiện thay đổi theo các tình trạng (regimes) được xác định bởi chuỗi Markov, giúp mô hình hóa biến động không đồng nhất và giảm tính dai dẳng giả tạo, trong khi GARCH giả định tham số cố định trong toàn bộ chuỗi.

2. Tại sao tác động đòn bẩy không rõ ràng ở thị trường Việt Nam?
   Thị trường còn non trẻ, cấu trúc tài chính chưa phát triển đầy đủ, cùng với sự can thiệp của nhà nước và tính thanh khoản thấp có thể làm giảm hoặc che khuất tác động đòn bẩy trong biến động lợi suất.

3. Mô hình SWARCH có thể dự báo biến động trong bao lâu?
   Nghiên cứu cho thấy mô hình Gaussian SWARCH (2,7) có khả năng dự báo tính biến thiên hiệu quả lên đến 90 ngày giao dịch sau, giúp nhà đầu tư và quản lý rủi ro có kế hoạch dài hạn hơn.

4. Dữ liệu nghiên cứu có thể áp dụng cho các chỉ số khác không?
   Phương pháp và mô hình có thể áp dụng cho các chỉ số chứng khoán khác hoặc thị trường tài chính khác, tuy nhiên cần kiểm định tính dừng và đặc tính phân phối của từng chuỗi dữ liệu cụ thể.

5. Làm thế nào để lựa chọn mô hình dự báo tốt nhất?
   Nghiên cứu sử dụng các tiêu chí log-likelihood, AIC, BIC và các hàm thiệt hại MAE, LE², |LE| để đánh giá và lựa chọn mô hình có khả năng dự báo tốt nhất, đồng thời kiểm định sự thay đổi tình trạng và tác động đòn bẩy để đảm bảo tính phù hợp.

Kết luận

• Nghiên cứu xác nhận sự hiện diện của chuỗi Markov trong biến động lợi suất đầu tư chứng khoán Việt Nam, giúp mô hình hóa biến động theo các tình trạng khác nhau gắn liền với các sự kiện thực tế.
• Mô hình Gaussian SWARCH-L (2,4) được lựa chọn là mô hình tối ưu với khả năng dự báo biến động dài hạn lên đến 90 ngày giao dịch.
• Mô hình GARCH truyền thống không phù hợp do tính dai dẳng vượt quá giới hạn dừng, làm giảm hiệu quả dự báo.
• Tác động đòn bẩy chưa được chứng minh rõ ràng tại thị trường Việt Nam trong giai đoạn nghiên cứu.
• Đề xuất áp dụng mô hình SWARCH trong quản lý rủi ro, hoạch định chính sách và phát triển thị trường, đồng thời khuyến nghị nghiên cứu mở rộng với dữ liệu và mô hình đa dạng hơn.

Các nhà đầu tư, công ty chứng khoán và cơ quan quản lý nên áp dụng mô hình SWARCH để nâng cao hiệu quả dự báo và quản lý biến động thị trường. Các nhà nghiên cứu được khuyến khích phát triển thêm các mô hình phi tuyến và mở rộng phạm vi nghiên cứu nhằm nâng cao độ chính xác và ứng dụng thực tiễn.