TỔNG QUAN VỀ CHỨNG KHOÁN VÀ THỊ TRƯỜNG CHỨNG KHOÁN
Khái niệm
Theo Điều 6 của Luật Chứng khoán 2006, chứng khoán được định nghĩa 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 có thể được thể hiện dưới dạng chứng chỉ, bút toán ghi sổ hoặc dữ liệu điện tử, và bao gồm nhiều loại khác nhau.
Cổ phiếu, trái phiếu, chứng chỉ quỹ
Quyền mua cổ phần, chứng quyền, quyền chọn mua, quyền chọn bán, hợp đồng tương lai, nhóm chứng khoán hoặc chỉ số chứng khoán.
Đặc điểm chứng khoán
Tất cả các loại chứng khoán đều bao gồm các đặc điểm chung như sau:
❖ Tính thanh khoản: đó là khả năng chuyển đổi nhanh sang tiền mặt
Rủi ro trong đầu tư được định nghĩa là sự sai biệt giữa thu nhập thực tế và mức sinh lợi kỳ vọng Rủi ro này có thể chia thành hai loại: rủi ro hệ thống, bao gồm các yếu tố thị trường như lạm phát, lãi suất và tỷ giá, và rủi ro phi hệ thống, liên quan đến các vấn đề nội tại của chính doanh nghiệp.
❖ Tính sinh lợi: cổ tức và lãi vốn
Phân loại chứng khoán
❖ Chứng chỉ quỹ đầu tư
II/ TỔNG QUAN VỀ THỊ TRƯỜNG CHỨNG KHOÁN
Khái niệm thị trường chứng khoán
Theo Điều 6 của Luật Chứng khoán 2006, 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 có thể được thể hiện dưới dạng chứng chỉ, bút toán ghi sổ hoặc dữ liệu điện tử, bao gồm nhiều loại khác nhau.
Cổ phiếu, trái phiếu, chứng chỉ quỹ
Quyền mua cổ phần, chứng quyền, quyền chọn mua, quyền chọn bán, hợp đồng tương lai, nhóm chứng khoán hoặc chỉ số chứng khoán
Tất cả các loại chứng khoán đều bao gồm các đặc điểm chung như sau:
❖ Tính thanh khoản: đó là khả năng chuyển đổi nhanh sang tiền mặt
Tính rủi ro trong đầu tư được xác định bởi sự sai biệt giữa thu nhập thực tế và mức sinh lợi kỳ vọng Rủi ro hệ thống bao gồm các yếu tố thị trường như lạm phát, lãi suất và tỷ giá, trong khi rủi ro phi hệ thống liên quan đến những vấn đề nội tại của chính doanh nghiệp.
❖ Tính sinh lợi: cổ tức và lãi vốn
❖ Chứng chỉ quỹ đầu tư
II/ TỔNG QUAN VỀ THỊ TRƯỜNG CHỨNG KHOÁN
1 Khái niệm thị trường chứng khoán Để thực hiện quá trình sản xuất, chúng ta cần phải có các yếu tố: lao động, vốn, đất đai, khoa học kỹ thuật Trong đó vốn ngày càng đóng một vai trò - quan trọng, nhưng để có một lượng vốn lớn thì không một cá nhân nào có thể đảm nhiệm được Trong khi đó những người có cơ hội đầu tư sinh lãi thì thiếu vốn còn những người có vốn thì lại ít có cơ hội đầu tư Thực tế đó đòi hỏi cần phải có những tổ chức trung gian nối liền giữa người thừa vốn và những người thiếu vốn Hệ thống ngân hàng ra đời đã đáp ứng được phần nào yêu cầu đó Tuy nhiên, để thu hút được các nguồn tiền nhàn rỗi trong xã hội và biến nó trở thành nguồn vốn kinh doanh, để đầu tư vào trong quá sản xuất thì thị trường chứng khoán đã ra đời Thị trường chứng khoán đó là nơi giao dịch các loại chứng khoán theo các mục đích khác nhau của các chủ thể tham gia vào thị trường chứng khoán.
Vai trò của thị trường chứng khoán trong phát triển kinh tế
Thị trường chứng khoán đóng vai trò quan trọng trong việc phát triển nền kinh tế, như đã được chứng minh qua sự phát triển kinh tế của nhiều quốc gia trên thế giới.
Thị trường chứng khoán đóng vai trò quan trọng trong việc tạo ra các công cụ thanh khoản cao, giúp tích tụ, tập trung và phân phối vốn hiệu quả, đồng thời điều chỉnh thời hạn của vốn để đáp ứng nhu cầu phát triển kinh tế.
Yếu tố thông tin đóng vai trò quan trọng trong việc cạnh tranh trên thị trường, giúp phân phối vốn hiệu quả Trên thị trường chứng khoán, thông tin được cập nhật liên tục và nhanh chóng truyền tải đến tất cả nhà đầu tư, tạo điều kiện cho họ phân tích và định giá các chứng khoán một cách chính xác.
Thị trường chứng khoán đóng vai trò quan trọng trong việc tạo ra sự cạnh tranh hiệu quả trên thị trường tài chính, giúp các công ty huy động vốn và tăng cường vốn tự có Điều này không chỉ giúp họ tránh được các khoản vay có chi phí cao mà còn giảm sự kiểm soát của các ngân hàng thương mại Hơn nữa, thị trường chứng khoán còn thúc đẩy tính cạnh tranh giữa các công ty niêm yết, đồng thời đảm bảo phân bổ hiệu quả các nguồn lực cả trong nước và quốc tế.
Thị trường chứng khoán đóng vai trò quan trọng trong việc tái phân phối công bằng, giúp giảm bớt sự tập trung quyền lực kinh tế của các tập đoàn Điều này không chỉ tăng cường sự giám sát của xã hội đối với quá trình phân phối mà còn tạo ra môi trường cạnh tranh công bằng hơn Nhờ đó, thị trường chứng khoán thúc đẩy phát triển kinh tế hiệu quả, góp phần xây dựng một xã hội công bằng và dân chủ.
Thị trường chứng khoán giúp tách biệt sở hữu và quản lý doanh nghiệp, đáp ứng nhu cầu quản lý chuyên trách khi quy mô doanh nghiệp mở rộng Nó tạo điều kiện cho việc tiết kiệm vốn và chất xám, thúc đẩy quá trình cổ phần hóa doanh nghiệp nhà nước, giảm thiểu tiêu cực trong quản lý và hài hòa lợi ích giữa chủ sở hữu, nhà quản lý và nhân viên.
Việc quốc tế hóa thị trường chứng khoán mang lại hiệu quả rõ rệt, như tăng tính thanh khoản và cạnh tranh, giúp các công ty huy động vốn rẻ hơn và thu hút đầu tư nước ngoài Điều này không chỉ nâng cao khả năng cạnh tranh quốc tế mà còn mở rộng cơ hội kinh doanh cho doanh nghiệp trong nước, với Hàn Quốc, Singapore, Thái Lan và Malaysia là những ví dụ điển hình Tuy nhiên, cần chú ý đến các tác động tiêu cực có thể xảy ra, bao gồm tăng cung tiền quá mức, áp lực lạm phát và hiện tượng chảy máu vốn.
➢ Thứ năm , thị trường chứng khoán cũng tạo điều kiện để tái cấu trúc nền kinh tế
Thị trường chứng khoán không chỉ mang lại những lợi ích tích cực mà còn tồn tại những tác động tiêu cực như đầu cơ, xung đột quyền lực và bong bóng giá, gây thiệt hại cho cổ đông thiểu số Các hiện tượng như mua bán nội gián và thao túng thị trường có thể làm nản lòng nhà đầu tư, ảnh hưởng xấu đến tiết kiệm và đầu tư Do đó, nhiệm vụ của các nhà quản lý thị trường là giảm thiểu những tác động tiêu cực này để bảo vệ quyền lợi của nhà đầu tư và đảm bảo tính hiệu quả của thị trường.
Thị trường chứng khoán đóng vai trò quan trọng trong nền kinh tế, nhưng để phát huy hiệu quả, cần có sự tham gia tích cực từ các chủ thể và sự quản lý, điều tiết hợp lý từ nhà nước.
Phân loại thị trường chứng khoán
❖ Phân loại theo cơ chế luân chuyển vốn
Thị trường chứng khoán là nơi diễn ra lần đầu việc phát hành chứng khoán ra công chúng, giúp các tổ chức huy động vốn bằng cách bán chứng khoán cho nhà đầu tư Tại đây, tài chính được chu chuyển trực tiếp, đưa các khoản tiền nhàn rỗi từ dân chúng vào quá trình đầu tư, chuyển đổi từ nguồn vốn ngắn hạn sang nguồn vốn dài hạn.
Thị trường sơ cấp đóng vai trò quan trọng trong việc huy động vốn cho đầu tư, cung cấp nguồn vốn có thời gian sử dụng phù hợp với nhu cầu của các khoản đầu tư Điều này không chỉ đáp ứng kịp thời các yêu cầu tài chính mà còn góp phần tăng cường vốn đầu tư cho nền kinh tế.
Có hai phương pháp phát hành chứng khoán trên thị trường này là: phát hành riêng lẻ và phát hành công chúng
Thị trường chứng khoán bao gồm cả giao dịch của thị trường sơ cấp và thị trường thứ cấp Thị trường thứ cấp là nơi diễn ra các giao dịch chứng khoán đã được phát hành, giúp phát triển thị trường sơ cấp và tăng cường khả năng huy động vốn cho các tổ chức phát hành.
❖ Phân loại theo hình thức tổ chức giao dịch
3) Thị trường tập trung thông qua sở giao dịch chứng khoán (hay còn gọi là sàn giao dịch) -
4) Thị trường phi tập trung
Thị trường OTC, hay còn gọi là thị trường phi tập trung, cho phép các hoạt động mua bán và trao đổi chứng khoán diễn ra ở bất kỳ đâu Hiện nay, thị trường này đã có những địa điểm giao dịch cụ thể và cũng có thể giao dịch tập trung qua sàn giao dịch, như sàn UPCOM dành cho các cổ phiếu chưa niêm yết tại Việt Nam.
❖ Phân loại theo hàng hóa của thị trường
5) Thị trường trái phiếu( bond market)
Là thị trường phát hành trái phiếu mới và mua đi bán lại trái phiếu cũ
6) Thị trường cổ phiếu( the stock market)
Thị trường chứng khoán là nơi phát hành cổ phiếu mới và thực hiện giao dịch cổ phiếu cũ Hoạt động trong lĩnh vực này bao gồm cả đầu tư và kinh doanh chứng khoán, tạo cơ hội cho các nhà đầu tư tham gia vào các giao dịch tài chính.
Thị trường chứng khoán là nơi thực hiện giao dịch mua bán theo giá thỏa thuận tại thời điểm ký hợp đồng, nhưng việc thanh toán và giao nhận chứng khoán sẽ diễn ra sau một khoảng thời gian nhất định Chức năng chính của thị trường này là huy động và gia tăng nguồn vốn cho các hoạt động kinh tế.
8) Thị trường giao dịch kỳ hạn
Thị trường chứng khoán theo giá thỏa thuận cho phép mua bán dựa trên hợp đồng, với việc thanh toán và giao nhận chứng khoán diễn ra sau một khoảng thời gian nhất định, thường là 30 hoặc 60 ngày sau khi ký kết.
9) Thị trường giao dịch tương lai
Giống như thị trường giao dịch chứng khoán kỳ hạn, nhưng điểm khác biệt là các hợp đồng mua bán đã được tiêu chuẩn hóa về nội dung và điều kiện thực hiện Để đảm bảo hợp đồng, các bên tham gia phải thực hiện việc đặt cọc thông qua quy chế ký quỹ.
Các chủ thể tham gia vào thị trường chứng khoán
Cơ quan quản lý và vận hành thị trường
Thị trường chứng khoán bao gồm các cơ quan quản lý nhà nước và sở giao dịch chứng khoán, trong đó các cơ quan quản lý nhà nước có trách nhiệm tổ chức và giám sát hoạt động của thị trường Sở giao dịch chứng khoán đóng vai trò quan trọng trong việc vận hành thị trường thông qua nhiều bộ phận khác nhau, đảm bảo việc ban hành và giám sát thực hiện các quy định liên quan đến giao dịch và phát hành chứng khoán.
Các tổ chức phát hành
Các tổ chức phát hành là những đơn vị huy động vốn qua thị trường chứng khoán, cung cấp hàng hóa cho thị trường này Các tổ chức phát hành bao gồm chính phủ, chính quyền địa phương (với trái phiếu chính phủ và trái phiếu công trình) và các công ty (thông qua việc phát hành cổ phiếu và trái phiếu công ty).
Các nhà đầu tư trên thị trường chứng khoán là những người có vốn nhàn rỗi và nhu cầu mua bán, trao đổi chứng khoán nhằm kiếm lời Họ tham gia đầu tư với nhiều mục đích, bao gồm hưởng lợi tức, lãi suất, chênh lệch giá chứng khoán, và nắm quyền quản lý tổ chức phát hành Đối tượng nhà đầu tư có thể là cá nhân hoặc tổ chức.
Các định chế trung gian
Các công ty chứng khoán, công ty quản lý quỹ và ngân hàng thương mại đóng vai trò trung gian quan trọng trong giao dịch chứng khoán trên thị trường Các công ty chứng khoán thực hiện các nghiệp vụ như bảo lãnh phát hành, môi giới, tư vấn và lưu ký chứng khoán Công ty quản lý quỹ chịu trách nhiệm quản lý một hoặc nhiều quỹ đầu tư Ngân hàng thương mại, khi được phép, cung cấp dịch vụ bảo quản chứng khoán, thu hồi vốn và làm đại lý phát hành chứng khoán.
Thị trường chứng khoán hoạt động đồng bộ nhờ sự tham gia của nhiều tổ chức khác nhau, bao gồm tổ chức lưu ký và thanh toán bù trừ, hiệp hội các nhà kinh doanh chứng khoán, cùng với các công ty đánh giá hệ số tín nhiệm.
NHỮNG LÝ THUYẾT PHỤ TRỢ CHO QUÁ TRÌNH DỰ BÁO GIÁ CỔ PHIẾU
Quá trình giá cổ phiếu
Giá cổ phiếu chịu ảnh hưởng từ nhiều yếu tố vi mô và vĩ mô, bao gồm cả diễn biến thị trường trong quá khứ, hiện tại và tương lai Nhiều yếu tố này mang tính ngẫu nhiên, vì vậy giá cổ phiếu có thể được xem như một quá trình ngẫu nhiên tuân theo các quy luật nhất định.
Trước hết ta sẽ phân tích một số đặc điểm của quá trình giá cổ phiếu
Ký hiệu S đại diện cho giá cổ phiếu tại thời điểm t, được xem như một quá trình ngẫu nhiên trong không gian xác suất (- , P, F), trong đó F là tập hợp thông tin mà các nhà đầu tư có thể tiếp cận Bộ lọc {F t } tại thời điểm t tương ứng với {St} và chứa thông tin về diễn biến của St đến thời điểm đó Chúng ta giả định rằng quá trình giá {St} tương thích với bộ lọc {F t }.
❖ Đặc điểm giá cổ phiếu
Qua theo dõi và phân tích diễn biến giá cổ phiếu ta có thể thấy giá cổ phiếu có một số đặc điểm cơ bản sau:
Giá cổ phiếu tại bất kỳ thời điểm nào đều dương và hữu hạn
Xét về dài hạn, giá cổ phiếu có xu thế tăng do có sự tăng trưởng về cổ tức và thu nhập của công ty phát hành
Trong khoảng thời gian ngắn với điều kiện hoạt động bình thường của thị trường, giá cổ phiếu thay đổi tương đối nhỏ
Nếu xét trong khoảng thời gian dài mức độ dao động của giá sẽ lớn hơn so với khoảng thời gian ngắn.
Quỹ đạo giá cổ phiếu
Xét quá trình biến động giá cổ phiếu {St}, chúng ta phân tích hàm St() theo thời gian t Đồ thị của hàm này trên hệ trục tọa độ [Giá, Thời gian] được gọi là một biểu đồ giá cổ phiếu.
“quỹ đạo giá” Như vậy một quỹ đạo giá cổ phiếu là một “biểu hiện thực tế”,
Quá trình {St} được "hiện thực hóa" thông qua sự kiện ngẫu nhiên , dẫn đến việc hình thành vô số quỹ đạo giá do tính chất ngẫu nhiên của {St}.
Về mặt trực quan hình học, mỗi quỹ đạo giá là một đường gấp khúc (hoặc đường cong) liên tục (do St là hữu hạn với mọi t)
❖ Quỹ đạo giá thực tế
Tại thời điểm t, chúng ta đã có thông tin về tập dữ liệu {F t} và chuỗi giá {Sn} với n ≤ t Việc cập nhật giá theo từng thời điểm và biểu diễn chuỗi giá {Sn} trên hệ trục tọa độ [Giá, Thời gian] cho phép chúng ta xác định một quỹ đạo giá cụ thể, được gọi là quỹ đạo giá thực tế, quỹ đạo thực nghiệm hoặc quỹ đạo quá khứ, tính đến thời điểm khảo sát t.
❖ Một số đặc điểm quỹ đạo giá cổ phiếu
Từ các đặc điểm của giá cổ phiếu ta suy ra đặc điểm của quỹ đạo giá Ký hiệu
St, St+ t : giá cổ phiếu tại thời điểm t, t+t và biến động giá trong khoảng thời gian [t, t+t] là: St = St+t – St
Quỹ đạo giá không cắt trục hoành
Với mọi t, nếu t nhỏ thì S t nhỏ
Tại thời điểm t bất kì, ký hiệu S tb t là mức giá giá trung bình của cổ phiếu khi đó S tb t > S0 với S0 là mức giá đầu kỳ.
Khoảng cách giữa 2 quỹ đạo giá sẽ tăng theo t.
CÁC PHƯƠNG PHÁP PHÂN TÍCH CỔ PHIẾU
Có hai phương pháp phân tích cổ phiếu phổ biến: phân tích cơ bản (Fundamental Analysis) và phân tích kỹ thuật (Technical Analysis), mỗi phương pháp có cách tiếp cận riêng đối với giá cổ phiếu.
Phân tích cơ bản là phương pháp tìm hiểu và phát hiện quy luật diễn biến giá cổ phiếu thông qua mối quan hệ giữa các yếu tố đặc trưng của hoạt động công ty niêm yết, ảnh hưởng đến thu nhập kỳ vọng của cổ phiếu Các yếu tố này thường được đo lường bằng các chỉ số tài chính cơ bản, được công bố định kỳ trong báo cáo tài chính của công ty Việc định dạng đúng mối quan hệ giữa các chỉ tiêu cơ bản và giá cổ phiếu là rất quan trọng trong phân tích cơ bản.
t+t sẽ xác định được mức giá “chuẩn”, mức giá hợp lý phù hợp với quy - luật
Phân tích kỹ thuật là phương pháp nghiên cứu độc lập về giá cổ phiếu và quá trình diễn biến của nó Ở cấp độ cơ bản, phân tích này dựa vào hai chỉ tiêu chính: giá và khối lượng giao dịch trong quá khứ Những thông tin này được sử dụng để thực hiện phân tích thống kê, nhằm phát hiện các quy luật diễn biến giá cổ phiếu và dự đoán xu hướng ngắn hạn, từ đó đưa ra khuyến nghị cho nhà đầu tư.
Các phương pháp thống kê chính thường được áp dụng bao gồm phương pháp trung bình trượt và thống kê mô tả, giúp vẽ biểu đồ và định dạng đường giá cổ phiếu, cùng với các đặc trưng và tín hiệu hướng dẫn nhà đầu tư điều chỉnh vị thế Gần đây, phân tích kỹ thuật đã được nâng cao, xem xét giá cổ phiếu và diễn biến của nó như một quá trình ngẫu nhiên, sử dụng công cụ Giải tích ngẫu nhiên để hỗ trợ phân tích.
Kinh tế lượng được sử dụng để phân tích, kiểm chứng và ước lượng diễn biến giá cả Trong khi đó, phân tích kỹ thuật tập trung vào giá cổ phiếu mà không xem xét các yếu tố cơ bản ảnh hưởng đến giá, sử dụng các phương pháp mang tính chất kỹ thuật, do đó được gọi là phân tích kỹ thuật.
CHUỖI THỜI GIAN
1 Chuỗi thời gian là gì
Chuỗi thời gian là một biến số với các giá trị được quan sát theo trình tự thời gian Ví dụ, trong chuỗi thời gian Y, Yt đại diện cho giá trị quan sát tại thời kỳ t.
Chỉ tiêu cơ bản của công ty
Thu nhập của cổ phiếu
Phân tích chuỗi thời gian là nghiên cứu hành vi và mẫu hình của một biến số trong quá khứ, từ đó sử dụng thông tin này để dự đoán những thay đổi trong tương lai.
2 Thành phần của chuỗi thời gian
Theo các phương pháp truyền thống, nói chung chuỗi thời gian gồm các thành phần sau đây:
+ Thành phần xu thế (Trend component) – T
+ Yếu tố mùa vụ (Seasonality) – S
+ Yếu tố có tính chất chu kỳ (Cyclical) – C
+ Thành phần bất quy tắc (Irregular) – I
Gọi Yt là giá trị của chuỗi tại thời điểm t, người ta có thể có các mô hình sau:
Mô hình cộng: Yt = Tt + St + Ct + It
Mô hình nhân: Yt = Tt St Ct It
Mô hình nhân thường được ưa chuộng hơn trong phân tích dữ liệu Tuy nhiên, nhiều chuỗi dữ liệu vẫn áp dụng mô hình cộng để tách biệt các yếu tố Mô hình cộng thích hợp khi các yếu tố chu kỳ và thời vụ không ảnh hưởng đến mức chung của chuỗi Ngược lại, nếu yếu tố thời vụ phụ thuộc vào xu thế và chu kỳ, mô hình nhân sẽ là lựa chọn tốt hơn.
3 Chuỗi thời gian dừng và không dừng
Khái niệm: Chuỗi Yt được gọi là dừng nếu kỳ vọng, phương sai và hiệp phương sai không đổi theo thời gian
Về mặt toán học, chuỗi Yt được gọi là dừng nếu:
Hệ số tương quan giữa Yt và Yt-k, được biểu diễn bằng công thức Cov(Yt,Yt-k) = E[(Yt - μ)(Yt-k - μ)], chỉ phụ thuộc vào khoảng thời gian k giữa các điểm t và (t+k), mà không phụ thuộc vào thời điểm t Nếu một chuỗi thời gian không đáp ứng đồng thời cả ba điều kiện đã nêu, thì chuỗi đó được coi là không dừng.
❖ Khái niệm về nhiễu trắng(White noise)
Xét phương trình: Yt = ut
Trong mô hình hồi quy cổ điển, ut là yếu tố ngẫu nhiên với đặc điểm trung bình bằng 0, phương sai không đổi và hiệp phương sai bằng 0 Khi đó, ut được gọi là nhiễu trắng (White noise).
❖ Khái niệm về bước ngẫu nhiên(Random walk)
Trong đó : ut là nhiễu trắng thì Yt được gọi là bước ngẫu nhiên
Nếu đưa thêm vào mô hình bước ngẫu nhiên một hằng số thì Yt được gọi là bước ngẫu nhiên có bụi (random walk with driff):
4 Kiểm định tính dừng của chuỗi thời gian
Có nhiều phương pháp để kiểm định tính dừng của một chuỗi, nhưng trong bài báo cáo này, tác giả sẽ tập trung vào phương pháp kiểm định tính dừng thông qua kiểm định nghiệm đơn vị (unit root test).
Xét mô hình sau đây:
Yt = Yt-1 + ut ( ut - nhiễu trắng) (*)
Khi =1, Yt trở thành một bước ngẫu nhiên, dẫn đến việc Yt là một chuỗi không dừng Để kiểm tra tính dừng của chuỗi, chúng ta cần thực hiện kiểm định với cặp giả thuyết: H0: =1 và H1: 1.
Yt = Yt – Yt-1 = (-1)Yt-1 + ut
Giả thiết H0 tương đương với H0: δ=0, và để kiểm định tính dừng trong cả hai trường hợp này, tiêu chuẩn T (Student – Test) không thể áp dụng, ngay cả khi mẫu lớn Dickey – Fuller đã đề xuất tiêu chuẩn kiểm định cho vấn đề này.
Để ước lượng mô hình, ta tính giá trị = / se ( ) với phân bố DF Nếu giá trị này thỏa mãn điều kiện = /se( ) > , ta sẽ bác bỏ giả thuyết không Ho, cho thấy chuỗi dữ liệu là chuỗi dừng.
MỘT SỐ PHƯƠNG PHÁP DỰ BÁO GIÁ CỔ PHIẾU
I/ MÔ HÌNH CÂY NHỊ PHÂN
1 Giả thiết của mô hình
Giá cổ phiếu tại thời điểm t = 0 được ký hiệu là Cho S0, đánh dấu bắt đầu của chu kỳ khảo sát Chu kỳ khảo sát [0,T] được phân chia thành n khoảng thời gian, mỗi khoảng có độ dài nhỏ là Δt.
Ký hiệu S1, S2,…, Sn là giá cổ phiếu tại các thời điểm t, 2t,…, nt
Giả thiết về quy luật diễn biến giá cổ phiếu (động thái giá):
Tại các thời điểm tiếp theo có hai khả năng có thể xảy ra đối với giá cổ phiếu:
▪ Với xác suất p (p > 0), giá sẽ tăng theo hệ số u (u > 1)
▪ Với xác suất (1- p), giá sẽ giảm theo hệ số d (0 < d < 1) và diễn biến xảy ra tại các thời điểm độc lập với nhau
Ta sẽ gọi quy luật trên là “quy luật nhị phân” với xác suất p
2 Các lớp mô hình cây nhị phân
Với n =1,2, ta có mô hình cây nhị phân của giá cổ phiếu n – giai đoạn tương ứng
2.1 Mô hình cây nhị phân một giai đoạn
Với giá cổ phiếu đầu chu kỳ là S0 ta có:
Ta có minh họa động thái giá : t=0 t 2t (n-1)t nt=T
Hình1 : Động thái giá đối với mô hình cây một giai đoạn -
2.2 Mô hình cây nhị phân hai giai đoạn
Với giá cổ phiếu đầu chu kỳ là S0 ta có:
Theo quy luật nhị phân ta có:
Suy ra động thái giá cổ phiếu theo mô hình cây nhị phân hai giai đoạn:
S duS xác suâ t p p d S xác suâ t p
Ta sẽ minh họa động thái giá bằng hình vẽ như sau:
Hình 2: Động thái giá đối với mô hình cây hai giai đoạn
Với mô hình cây nhị phân hai giai đoạn, giá cổ phiếu có 4 quỹ đạo tương ứng với 4 nhánh của đồ thị “cây” trên hình 2 d 2 S 0
2.3 Mô hình cây nhị phân n giai đoạn -
Một cách tổng quát ta có mô hình cây nhị phân n giai đoạn đối với giá cổ phiếu sau:
Phân phối xác suất của Sn có dạng:
Mức giá (u i d (n-i) S0) ứng với trường hợp: trong n giai đoạn, giá cổ phiếu có i giai đoạn tăng và (n-i) giai đoạn giảm
Phân phối xác suất của Sn có thể được hiểu là kết quả của n phép thử Bernoulli với hai kết cục: giá tăng và giá giảm Do đó, nó thuộc lớp phân bố nhị thức B(n, p), với các giá trị khả dĩ là u i d (n-i) S0, trong đó i chạy từ 0 đến n.
3 Ước lượng các tham số của mô hình
Mô hình có 3 tham số: u,d và p Để có thể mô phỏng quỹ đạo giá ta cần ước lượng các tham số này
3.1 Ước lượng đơn giản từ số liệu giá cổ phiếu trên thị trường
Ta có thể ước lượng các tham số u, d và p của mô hình cây nhị phân theo cách đơn giản sau:
▪ Thu thập số liệu về giá đóng cửa mỗi phiên giao dịch của cổ phiếu trong một chu kỳ (thường lấy số liệu của một năm gần nhất)
▪ Chọn ngẫu nhiên một số chu kỳ con trong chu kỳ trên
Để phân tích xu hướng giá cổ phiếu, ta cần tính số phiên giao dịch có giá tăng và tỷ lệ của chúng so với tổng số phiên trong chu kỳ Xác suất giá cổ phiếu tăng sau mỗi phiên, ký hiệu là p, được ước lượng bằng cách tính trung bình các tỷ lệ này.
▪ Tính tỷ lệ tăng, giảm giá trung bình ứng với các chu kỳ con: gu, gd và ước lượng: u = (1+gu), d = (1 – gd) (3.4)
3.2 Ước lượng từ các tham số của lợi suất cổ phiếu -
Nếu chúng ta có thể ước lượng lợi suất kỳ vọng () và phương sai ( 2) của cổ phiếu, thì hai tham số này sẽ giúp ước lượng các tham số của mô hình cây nhị phân.
Trong bài toán này, chúng ta có ba ẩn số là u, d và p, nhưng chỉ có hai phương trình để giải Do đó, để tìm nghiệm, ta có thể gán giá trị tùy ý cho một trong ba ẩn số, miễn là nó thỏa mãn các điều kiện: u > 1, 1 > d > 0, và 1 > p > 0.
Cox – Ross – Rubinstein đưa ra các lời giải xấp xỉ sau: o u = e t , d= 1/u và e r t d p u d
= − ( r là lãi suất phi rủi ro) o u = e 1/ n ,d = 1/u và 1 1 1/
MÔ HÌNH PHỤC HỒI TRUNG BÌNH
1.1 Dạng liên tục của mô hình
Quá trình loga giá cổ phiếu {Xt} được mô tả bởi phương trình vi phân ngẫu nhiên: dX = (X − X dt) + dW, trong đó X, và là các hằng số Quá trình này được gọi là "quá trình phục hồi trung bình", với X là mức giá trị cân bằng, đại diện cho độ dao động và là tốc độ phục hồi của quá trình.
1.2 Dạng rời rạc của mô hình
Ta có dạng rời rạc của mô hình sẽ là:
1.3 Các dạng mở rộng của quá trình
2 Kiểm định và ước lượng các tham số của mô hình phục hồi trung bình
2.1 Kiểm định mô hình Để kiểm chứng quá trình {LnXt} có theo mô hình phục hồi trung bình ta thực hiện:
▪ Lập mô hình kinh tế lượng:
▪ Ước lượng và kiểm định giả thuyết: H0: = 0; H1: < 0
Dùng kiểm định Dickey-Fuller (Kiểm định “Nghiệm đơn vị”) để kiểm định cặp giả thiết trên
Nếu chấp nhận giả thuyết H0, thì chuỗi {Xt} được coi là một bước ngẫu nhiên và không phải là quá trình phục hồi trung bình Ngược lại, nếu bác bỏ giả thuyết H0, chuỗi {Xt} sẽ được xác định là quá trình phục hồi trung bình.
Nếu loga giá cổ phiếu {Xt} tuân theo mô hình phục hồi trung bình, thì quá trình giá {St} sẽ được xem là một quá trình dừng AR(1) theo cách gọi trong kinh tế lượng.
2.2 Ước lượng các tham số của quá trình -
Sau khi ước lượng mô hình kinh tế lượng (3.7) tương ứng với mô hình phục hồi trung bình, ta có thể tính các ước lượng:
Mô hình ARIMA
1 Quá trình tự hồi quy (AR – Autoregressive Process)
➢ Quá trình tự hồi quy bậc 1:
➢ Quá trình tự hồi quy bậc p:
( trong đó ut là nhiễu trắng) Điều kiện để quá trình AR(p) hội tụ là : -1 < i < 1 ( i=1,2…p)
2 Quá trình trung bình trượt (MA – Moving Average)
Quá trình MA(q) là quá trình có dạng:
(trong đó u là nhiễu trắng) Điều kiện để chuỗi MA(q) là chuỗi dừng là : -1< i < 1 (i=1,2,…q)
3 Quá trình trung bình trượt và tự hồi quy ARMA (AutoRegressive and Moving Average)
Cơ chế sản sinh ra Y không chỉ phụ thuộc vào AR hoặc MA mà còn là sự kết hợp của cả hai yếu tố này Khi kết hợp, chúng ta hình thành quá trình trung bình trượt và tự hồi quy.
Yt là quá trình ARMA(1,1) nếu Y có thể biểu diễn dưới dạng:
Tổng quát, Yt là quá trình ARMA(p,q) nếu Yt có thể biểu diễn dưới dạng:
4 Quá trình trung bình trượt, đồng liên kết, tự hồi quy ARIMA (Auto Regressive Intergrated Moving Average)
Khi chuỗi Yt có liên kết bậc d, việc áp dụng mô hình ARMA(p,q) cho chuỗi sai phân bậc d sẽ dẫn đến quá trình ARIMA(p,d,q) Trong đó, p đại diện cho bậc tự hồi quy, d là số lần lấy sai phân của chuỗi Yt để tạo ra một chuỗi dừng, và q là bậc trung bình trượt Cả p và q đều là bậc tương ứng của chuỗi dừng.
AR(p) là trường hợp đặc biệt của ARIMA(p,d,q), khi d=0 và q=0
MA(q) là một trường hợp đặc biệt của mô hình ARIMA(p,d,q) khi d=0 và p=0 Mô hình ARIMA(1,1,1) chỉ ra rằng chuỗi Yt có sai phân bậc 1 là chuỗi dừng, và chuỗi sai phân dừng này có thể được biểu diễn dưới dạng ARMA(1,1).
5 Phương pháp Box - Jenkins Để có thể sử dụng phương pháp Box – Jenkins, trước hết chúng ta phải làm dừng chuỗi, tiếp đó phải tìm được các giá trị p, q
Phương pháp Box – Jenkins bao gồm các bước sau đây:
Bước 1: Định dạng mô hình Tìm ra được các giá trị d, p, q
Bước 2: Ước lượng mô hình
Bước 3 trong quy trình phân tích là kiểm định giả thiết, nơi cần chọn mô hình phù hợp nhất với dữ liệu hiện có Kiểm định đơn giản nhất là xác định tính dừng của các phần tử; nếu phần dư có tính dừng, mô hình sẽ được chấp nhận Quá trình này, được gọi là BJ, là một quá trình lặp lại cho đến khi tìm được mô hình thỏa đáng.
Mô hình ARIMA được ưa chuộng trong việc dự báo, đặc biệt là trong ngắn hạn, vì nó mang lại những dự báo thực tế hơn so với các mô hình kinh tế lượng truyền thống.
5.1 Định dạng Định dạng mô hình tức là chúng ta phải tìm ra các giá trị p, d và q Công việc này rất khó khăn cả về lý thuyết lẫn thực hành Để tìm được d, chúng ta phải dùng kiểm định JB, kiểm định nghiệm đơn vị DF hoặc ADF Từ chuỗi dừng nhận được, ta phải tìm các giá trị p và q, hay nói cách khác đi chúng ta phải định dạng mô hình ARIMA Có rất nhiều phương pháp để tìm được p và q Không có phương pháp nào có ưu thế tuyệt đối Người ta dùng nhiều phương pháp để so sánh chọn ra các giá trị p và q thích hợp Quá trình tìm ra p và q là một “nghệ thuật” đòi hỏi phải có những kinh nghiệm nhất định
➢ Lược đồ tương quan và tự tương quan riêng
Lược đồ ACF và PACF được vẽ theo độ dài của trễ, cùng với đường phân giải 95% tính bằng ±(1,96/ n) cho hệ số tự tương quan (ACF) và hệ số tự tương quan riêng (PACF) Qua lược đồ này, ta có thể xác định các hệ số tự tương quan nào khác không, từ đó đưa ra những suy đoán về các tham số p và q của quá trình AR(p) và MA(q).
kk đo mức độ kết hợp giữa Yt và Yt-k sau khi đã loại bỏ ảnh hưởng của
Yt-1,… Yt-k+1 ,do đó nếu kk = 0 với k > p và i (i=1,2…) giảm theo hàm mũ hoặc theo hình sin thì ta có quá trình AR(p)
Nếu k (k=1,2…) giảm dần theo hàm mũ hoặc theo hình sin với k=0(k> q), thì ta có quá trình MA(q)
Các quá trình có bậc cao hơn cần phải thử và kết hợp với các phương trình định dạng khác, sau đó là kiểm định
Khi lựa chọn một mô hình phù hợp, có nhiều tiêu chuẩn cần xem xét, hầu hết trong số đó dựa trên lược đồ tương quan Điều này có nghĩa là d được xác định trước, và nhiệm vụ chính là chọn lựa p và q một cách thích hợp.
Khi đó p1 và q1 là các giá trị thích hợp của p và q
Schwarz(1978) đưa ra một tiêu chuẩn tương tự:
Trong hai tiêu chuẩn trên thì các tập P và Q đều chưa biết Hannan chỉ ra rằng nếu p0 và q0 là các giá trị đúng thì p1p0 , q1q0
Sau khi định dạng mô hình, chúng ta xác định bậc d của sai phân cần thiết để chuyển đổi chuỗi xuất phát thành chuỗi dừng Với chuỗi dừng này, các giá trị p và q cũng đã được biết Do đó, chúng ta áp dụng phương pháp bình phương nhỏ nhất (OLS) để ước lượng mô hình ARIMA.
5.3 Kiểm định tính thích hợp của mô hình
Để xác định liệu mô hình đã chọn có phù hợp với dữ liệu thực tế hay không, chúng ta cần kiểm tra tính dừng của các phần dư Nếu mô hình là thích hợp, các yếu tố ngẫu nhiên sẽ phải là nhiễu trắng Kết quả ước lượng từ mô hình ARIMA sẽ cung cấp các phần dư, và chúng ta có thể sử dụng kiểm định Dickey-Fuller để xác định xem các phần dư này có phải là nhiễu trắng hay không.
Nếu et không phải là nhiễu trắng, cần phải định dạng lại mô hình cho đến khi đạt được một mô hình phù hợp Như vậy, phương pháp Box – Jenkins thực chất là một quy trình lặp đi lặp lại.
Sau khi xác định được một mô hình ARIMA(1,1,0) phù hợp, chúng ta sẽ tiến hành sử dụng mô hình này để thực hiện dự báo Mô hình này cho phép chúng ta dự đoán các giá trị tương lai dựa trên dữ liệu lịch sử.
ˆ ˆ −1 , t= 1,2…n dự báo cho thời kí tiếp theo: n f n Y
1 ở đây ta kì vọng en+1 = 0
Chúng ta có thể dự báo giá trị của Y trong các thời kỳ tiếp theo, tuy nhiên sai số sẽ tăng lên khi khoảng thời gian dự báo kéo dài Đặc biệt, trong mô hình tổng quát, nếu giá trị q lớn, chúng ta chỉ có thể dự báo cho một vài thời kỳ tiếp theo.
MÔ HÌNH ARCH/GARCH
In 1982, Engle introduced the ARCH model, which stands for Autoregressive Conditional Heteroscedastic Model This was the first model to provide a theoretical foundation for risk modeling, with its fundamental idea centered on capturing the volatility of returns over time.
Các cú sốc (hay các “news”) ut của một loại tài sản không tương quan chuỗi, nhưng phụ thuộc
Sự phụ thuộc của ut có thể được mô tả bằng hàm bậc 2 của các giá trị trễ r t = t + u t , - u t = t t ,
+ t là biến ngẫu nhiên độc lập có cùng phân bố (i.d.d) và E( t )=0, Var( t)=1
Theo phương trình (4.1), các cú sốc lớn trong quá khứ có thể dẫn đến phương sai có điều kiện lớn đối với ut Điều này cho thấy, theo mô hình ARCH, các cú sốc lớn thường xuất phát từ những cú sốc lớn trước đó Đặc điểm này phản ánh tính chất bầy đàn của độ rủi ro.
Năm 1986, Bollerslev đã mở rộng mô hình ARCH, và đặt tên là mô hình ARCH tổng quát(GARCH)
Mô hình có dạng như sau: r t = t + u t , u t = t t ,
+ t là các biến ngẫu nhiên độc lập, cùng phân bố (i.d.d)
Nếu m > s thì i = 0 với i >s Nếu m < s thì αi = 0 với i > m
Các điều kiện trên đảm bảo cho phương sai không điều kiện và phương sai có điều kiện luôn dương
Phương trình (4.2) được gọi là mô hình ARCH tổng quát, ký hiệu là -
GARCH(m,s) Trong đó, có m là độ dài của trễ đối với u t 2 , s là độ dài của trễ ứng với t 2
Trong trường hợp khi s=0 thì mô hình GARCH(m,0) sẽ trở thành mô hình ARCH(m)
Chúng ta đặt t = u t 2 − t 2 , từ đó t 2 = u t 2 − t ; t 2 − 1 = u t 2 − 1 − t − 1 ,…
Phương trình (4.2) được viết lại:
Tuy nhiên, biến độc lập không phải là điều kiện cần thiết cho sự phân bố chung Phương trình (1) thể hiện dạng ARMA đối với u t 2, cho thấy rằng GARCH có thể được xem như một dạng ARMA cho u t 2.
Phương sai không điều kiện được rút ra từ mô hình là:
với các giả thiết đã nêu ở trên thì 2 không điều kiện >0
❖ Điểm mạnh, yếu của mô hình GARCH
Từ phương trình t 2 thì ta có thể thấy: u t 2 − 1 hoặc t 2 − 1 hoặc đồng thời cả u t 2 − 1 và
t lớn sẽ dẫn đến t 2 lớn Điều này có nghĩa là u t 2 − 1 lớn có xu hướng dẫn đến
2 u t lớn, hành vi này chính là hành vi bầy đàn trong các chuỗi tài chính theo thời gian
Hệ số nhọn của u trong mô hình lớn hơn 3 cho thấy hàm mật độ của u phẳng hơn so với hàm mật độ trong phân bố chuẩn, điều này dẫn đến việc dự báo trở nên khó chính xác hơn.
❖ Dự báo phương sai từ mô hình GARCH Để đơn giản ta xét mô hình GARCH(1,1)
Dự bão tĩnh được thực hiện như sau: Giả sử ta đã dự báo phương sai có điều kiện đến thời kì h, ta dự báo tiếp cho thời kỳ (h+1)
Trong đó: u h , h 2 đã biết ở thời kỳ h Đặt h 2 (1) = h 2 + 1
Tương tự ta cũng có: h 2 (3) = 0 + 1 u h 2 + 2 + 1 h 2 ( 2 ) ; …
Với dự báo tĩnh, ta chỉ có thể dự báo đến thời kì (n+1)
Dự báo động có lợi thế là dự báo cho thời kỳ ngoài mẫu dài hơn Dự báo này được thực hiện như sau:
Mặt khác do u t = t t , nên ta có thể viết lại phương trình trên như sau:
Giá trị ban đầu của σ² được đề xuất bởi Bollerslev (1986) là giá trị trung bình bình phương của phần dư từ phương trình trung bình Theo Tsay, giá trị này đóng vai trò quan trọng trong việc phân tích và dự đoán biến động tài chính.
Phương sai không điều kiện có thể được lấy là 0 hoặc một giá trị cụ thể Phần mềm Eviews sử dụng công thức san mũ để xác định giá trị ban đầu của phương sai.
Trong đó e là phần dư từ phương trình trung bình và
Dự báo phương sai có điều kiện sẽ hội tụ đến phương sai không điều kiện khi độ dài dự báo tăng lên
Xét phương trình phương sai được viết dưới dạng: j t j s j t i t i i s m i t u u −
Nếu u t 2 có nghiệm đơn vị, tức là ( )
=1, thì mô hình được gọi là mô hình GARCH tích hợp hay IGARCH
Mô hình GARCH-M mô tả lợi suất của một loại cổ phiếu phụ thuộc và chính độ rủi ro của nó
Mô hình GARCH-M(m,s) có dạng : r t = t + c t 2 + u t , u t = t t ,
Trong đó: c là hằng số và được gọi là phần bù rủi ro Nếu c > 0 thì khi độ rủi ro tăng thì lợi suất cũng sẽ tăng theo
Một dạng khác của phần bù rủi ro là: r t = t + c t + u t , hoặc r t = t + c ln( t 2 ) + u t
❖ Mô hình GARCH không đối xứng
Các mô hình ARCH/GARCH đã trình bày trước đó chưa xem xét yếu tố bất đối xứng trong biến động Do đó, các mô hình bất đối xứng đã được phát triển để khắc phục hạn chế này.
Trên thị trường chứng khoán, độ dao động thường gia tăng mạnh mẽ khi giá giảm so với khi giá tăng Ngoài ra, khi sự thay đổi của giá đạt đến một ngưỡng nhất định, động thái của độ dao động cũng có sự thay đổi Điều này được mô tả qua các mô hình EGARCH của Nelson (1991) và TGARCH của Rabemananjara và Zakoian (1993), cùng với nhiều mô hình khác.
Mô hình TGARCH(1,1) có dạng:
Trong đó: dt là biến giả, dt=1 nếu ut0
Dạng tổng quát của mô hình TGARCH(m,s)
Với: + dt-i =1 nếu ut-i 0
+ αj,j, và j là các tham số k0hông âm, thỏa mãn các giả thiết của mô hình GARCH
Trong mô hình TGARCH, tác động của tin tức tốt (ut > 0) và tin tức xấu (ut < 0) đến phương sai có điều kiện là khác nhau Cụ thể, tin tức tốt có ảnh hưởng được biểu thị bằng hệ số αj, trong khi tin tức xấu có ảnh hưởng được thể hiện qua hệ số γj.
Nếu > 0 thì hiệu ứng đòn bẩy tồn tại, nếu < 0 thì có ảnh hưởng của các tin tức là bất đối xứng
Mô hình EGARCH(1,1) được định dạng: ln( t 2 ) 1
Mô hình EGARCH khắc phục hạn chế của các mô hình GARCH trước đó bằng cách không yêu cầu các hệ số của phương trình phương sai phải không âm, nhờ vào dạng mũ của phương trình Điều này đảm bảo rằng phương sai luôn dương Hơn nữa, EGARCH có khả năng phân biệt ảnh hưởng giữa các cú sốc âm và cú sốc dương, cho phép kiểm định hiệu ứng đòn bẩy thông qua cặp giả thuyết.
Kiểm định giả thiết về ảnh hưởng bất đối xứng bằng cặp giả thiết:
❖ Mô hình hợp phần GARCH(Component ARCH Model) r t = t + u t u t = t t
Mô hình Component có dạng:
Phương trình (**) mô tả thành phần dài hạn qt, với qt hội tụ đến ở tốc độ Khi nằm trong khoảng 0,99 đến 1, qt sẽ hội tụ đến rất chậm Trong khi đó, phương trình (*) thể hiện mức chênh lệch nhất thời, t 2 − q t, và thành phần này hội tụ đến 0 với tốc độ (α+) Phương trình (*) được gọi là phương trình tức thời, còn phương trình (**) được xem là phương trình vĩnh cửu hay thành phần dài hạn.
Phương trình hợp phần GARCH bất đối xứng là mô hình kết hợp giữa mô hình hợp phần GARCH với mô hình bất đối xứng TGARCH
Trong đó, d là biến giả dt-1 = 0 nếu ut-1 > 0, dt-1 = 1 nếu ut-1 < 0
Nếu > 0 thì có ảnh hưởng đòn bẩy nhất thời đối với phương sai có điều kiện
2 Quy trình ước lượng và dự báo
Bước 1: Kiểm định tính dừng của chuỗi lợi suất cổ phiếu
Bước 2: Ước lượng mô hình ARMA thích hợp cho chuỗi lợi suất cổ phiếu dựa vào lược đồ tương quan Từ đó thu được phần dư ut và ut 2
Bước 3: Xác định bậc m,s của mô hình GARCH
Việc xác định các tham số m và s thực chất là tìm kiếm mô hình ARMA cho bình phương phần dư ut^2 đã thu được ở bước 2, trong đó ACF cung cấp giá trị cho m, còn PACF sẽ cho giá trị cho s.
Bước 4: kiểm tra các điều kiện về hệ số của mô hình GARCH
Bước 5: Dự báo phương sai cho các thời kỳ tiếp theo từ mô hình đã thu được Một điểm thú vị từ các kết quả thực nghiệm là mô hình GARCH(1,1) chỉ cần ước lượng ba tham số nhưng thường thể hiện khả năng vượt trội hơn so với các mô hình ARCH/GARCH với các bước trễ m, s lớn trong việc mô tả động thái của phương sai có điều kiện.
❖ Dự báo lợi suất của cổ phiếu từ mô hình GARCH
DỰ BÁO GIÁ CỔ PHIẾU BẰNG PHẦM MỀM METASTOCK
Lý thuyết Dow là nền tảng cho nghiên cứu kỹ thuật trên thị trường, tập trung vào biến động của chính thị trường thay vì dựa vào các thống kê doanh nghiệp như phân tích cơ bản Charles H Dow, người sáng lập lý thuyết này, không ngờ rằng nó sẽ trở thành công cụ dự đoán thị trường chứng khoán hay hướng dẫn cho nhà đầu tư Ông mong muốn lý thuyết của mình là thước đo cho biến động chung của thị trường Dow cũng thành lập công ty Dow-Jones, nổi tiếng với việc phát triển chỉ số bình quân thị trường chứng khoán Các nguyên lý cơ bản của học thuyết đã được ông trình bày trong một bài nghiên cứu cho Tạp Chí Phố Wall trước khi ông qua đời.
Năm 1902, William P Hamilton, người kế nhiệm của ông, đã đảm nhận vai trò biên tập cho tờ nhật báo và tiếp tục nghiên cứu lý thuyết này Sau 27 năm cống hiến cho việc nghiên cứu và viết bài, ông đã tổ chức và cấu trúc lại lý thuyết thành Lý thuyết Dow như chúng ta biết ngày nay.
Có thể tóm tắt Lý thuyết Dow qua 9 nguyên lý quan trọng như sau:
1) Chỉ số bình quân thị trường phản ánh tất cả
2) Ba xu thế của thị trường
Thị trường chứng khoán đề cập đến giá cả và sự biến động của các loại chứng khoán, tạo ra các xu hướng giá khác nhau Trong đó, xu hướng cấp 1, hay còn gọi là xu hướng chính, là yếu tố quan trọng nhất cần lưu ý.
Xu thế cấp 1, hay còn gọi là xu thế chính, giống như thủy triều trong đại dương, đại diện cho xu hướng giá chứng khoán dài hạn Xu thế này thường kéo dài từ vài tháng đến vài năm, phản ánh sự biến động lớn trong thị trường tài chính.
Xu thế cấp 2, hay còn gọi là xu thế trung gian, giống như các đợt sóng, xảy ra khi giá chứng khoán tạm thời đi lệch khỏi xu thế chính Hiện tượng này thường diễn ra trong một khoảng thời gian ngắn và sẽ tự điều chỉnh trở lại khi có sự can thiệp hoặc thay đổi trong thị trường.
Xu thế cấp 3 (các dao động ngắn hạn) giống như những gợn sóng Đây là - các dao động hằng ngày của giá chứng khoán
3) Thị trường con bò tót – Bull Market (thị trường tăng giá)
4) Thị trường con gấu – Bear Market (thị trường giảm giá)
Hai đường chỉ số bình quân của thị trường cần phải cùng xác nhận xu thế của thị trường Đây là một trong những câu hỏi thường gặp và cũng là một trong những khía cạnh khó giải thích nhất trong hệ thống nguyên lý của lý thuyết Dow.
6) Khối lượng giao dịch đi kèm với xu thế thị trường
Đường ngang có thể thay thế cho các xu thế cấp 2 trong thị trường, theo Lý thuyết Dow Đây là những chuyển động ngang thể hiện giai đoạn giá biến động rất ít Khi mức giá vượt ra ngoài phạm vi của mô hình đường ngang, đó sẽ là dấu hiệu rõ ràng cho sự hình thành của thị trường lên hoặc xuống, tùy thuộc vào hướng của sự dao động.
8) Chỉ sử dụng giá đóng cửa để nghiên cứu
Một xu thế cần được giả định là vẫn tiếp tục cho đến khi có dấu hiệu rõ ràng về sự đảo chiều của xu thế đó.
2 Lý thuyết sóng ELLIOT VÀ dãy FIBONACCI
2.1 Dãy FIBONACCI Đây là dãy số do nhà toán học người Ý Leonardo Fibonacci (1175 –
1250) phát minh ra Bắt đầu là số 0 và 1, sau đó những số tiếp theo được tạo ra bằng cách cộng 2 số phía trước Dãy số có dạng như sau :
Chuỗi số Fibonacci bắt đầu với 0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144 cho thấy một điều kỳ diệu: khi chia số lớn cho số nhỏ hơn 1 bậc, ví dụ 89/55, ta nhận được tỉ lệ khoảng 1.618 Ngược lại, khi chia số nhỏ cho số lớn hơn 1 bậc, như 21/34, tỉ lệ là 0.618 Hơn nữa, nếu chia số nhỏ hơn cho số lớn hơn 2 bậc, như 13/34, ta có kết quả 0.382.
Tất cả các con số thuộc dãy Fibonacci và các con số như 0,618 và
Tỷ lệ vàng 1,618, hay còn gọi là tỷ lệ thần thánh, xuất hiện phổ biến trong tự nhiên, cơ thể con người, vũ trụ và kiến trúc Đặc biệt, đối với các nhà đầu tư chứng khoán, con số này có sức ảnh hưởng mạnh mẽ trong thị trường tài chính, đặc biệt là trong những biến động giá cả.
2.2 Lý thuyết về sóng ELLIOT
Nguyên tắc sóng Elliott, được phát triển bởi Ralph Nelson Elliott (1871-1948), là một công cụ phân tích kỹ thuật quan trọng cho các nhà giao dịch chứng khoán nhằm phân tích xu hướng giá trên thị trường tài chính Theo Elliott, sự biến động giá tạo ra các cơn sóng, trong đó một chu kỳ sóng cơ bản bao gồm 5 sóng chủ và 3 sóng điều chỉnh Trong 5 sóng chủ, sóng 1, 3 và 5 được gọi là sóng chủ và động, trong khi sóng 2 và 4 là sóng chủ và điều chỉnh Ba sóng điều chỉnh được ký hiệu là sóng A, B và C.
Hình 3: Hình ảnh minh họa sóng Elliot
Mỗi con sóng lớn đều chứa các sóng nhỏ bên trong, tuân theo quy luật của lý thuyết Elliot Một đợt sóng chủ hoàn chỉnh bao gồm 89 sóng, trong khi đợt sóng điều chỉnh hoàn chỉnh có 55 sóng Độ lớn và thời gian của sóng sẽ được phân loại theo thứ tự nhất định.
• Grant Supercycle: sóng kéo dài nhiều thập kỷ, đôi khi cả thế kỷ
• Supercycle: kéo dài từ vài năm đến vài thập kỷ
• Cycle: kéo dài từ 1 đến vài năm
• Primary: kéo dài từ vài tháng đến vài năm
• Intermediate: kéo dài từ vài tuần đến vài tháng
• Minor: kéo dài trong vài tuần
• Minute: Kéo dài trong vài ngày
• Minuette: Kéo dài trong vài giờ
• Subminutte: Kéo dài trong vài phút
Bây giờ ta sẽ đi phân tích một dãy sóng 5-3 điển hình trong thị trường tăng giá bull-market
Hình 4: Một dãy sóng 5-3 điển hình
Sóng chủ số 1 thường bắt nguồn từ thị trường con gấu, nên khó nhận biết ngay từ đầu Thời điểm này, thông tin cơ bản về các công ty niêm yết vẫn chủ yếu tiêu cực, với kỳ vọng thu nhập giảm so với dự kiến Mặc dù khối lượng giao dịch có tăng nhẹ theo chiều hướng giá tăng, nhưng mức tăng này không đáng kể.
Do đó nhiều nhà phân tích kỹ thuật không nhận ra sự có mặt của đợt sóng số
Sóng chủ số 2 sẽ điều chỉnh sóng 1, với điểm thấp nhất không vượt qua điểm xuất phát của sóng 1 Thị trường hiện tại chưa có dấu hiệu khả quan, đang trong giai đoạn giảm điểm vào cuối sóng 2 để "kiểm tra" mức thấp Những nhà đầu tư theo phái “con gấu” vẫn tin rằng xu hướng giảm giá vẫn tiếp tục Khối lượng giao dịch trong đợt này sẽ thấp hơn so với sóng 1, và giá sẽ điều chỉnh giảm, thường nằm trong khoảng 0.382 đến 0.618 của mức cao nhất của sóng 1.
Sóng chủ số 3 thường là sóng lớn nhất và mạnh mẽ nhất trong xu hướng tăng giá Ở giai đoạn đầu của sóng 3, thị trường vẫn nhận thông tin tiêu cực, khiến nhiều nhà đầu tư không kịp chuẩn bị để mua vào Khi sóng 3 tiến triển, thị trường bắt đầu nhận những thông tin cơ bản tích cực, và các nhà phân tích điều chỉnh kỳ vọng thu nhập Dù có một số đợt điều chỉnh nhỏ, giá trong sóng 3 tăng nhanh chóng Điểm cao nhất của sóng 3 thường vượt qua điểm cao nhất của sóng 1 với tỷ lệ 1,618:1.
DỰ BÁO VỚI MÔ HÌNH CÂY NHỊ PHÂN
Chúng tôi đã thực hiện dự báo giá cổ phiếu SAM dựa trên chuỗi số liệu giá đóng cửa từ ngày 5/1/2009 đến ngày 4/11/2009, với tổng cộng 209 phiên quan sát.
Quá trình ước lượng các tham số của mô hình như sau:
❖ Trường hợp 1 : Ước lượng đơn giản từ quá trình thống kê giá cổ phiếu qua từng phiên
Ta chọn ngẫu nhiên 4 chu kỳ con như sau:
Trong mỗi chu kỳ gồm 209 phiên, chúng ta sẽ thống kê số phiên tăng và giảm giá Từ đó, có thể tính toán tỷ lệ phiên tăng giá, tỷ lệ phiên giảm giá, cùng với tỷ lệ tăng giá trung bình và tỷ lệ giảm giá trung bình cho mỗi chu kỳ.
+ tỷ lệ phiên tăng giá = (số phiên tăng giá)/ tổng số phiên của chu kỳ + tỷ lệ tăng giá = (phiên sau – phiên trước) / phiên trước
Sau khi tính toán ta thu được bảng thống kê như sau: -
Bảng 1: Kết quả thống kê tỷ lệ phiên tăng/giảm của CP SAM
Mẫu tỷ lệ phiên tăng giá tỷ lệ tăng giá TB tỷ lệ giảm giá TB
Từ đó ta ước lượng các tham số:
Ta sẽ thu được bảng dự báo được giá CP SAM như sau: (giá thời điểm gốc dự báo là 34.4 – giá ngày 4/11/2009)
Bảng 2 : Kết quả dự báo giá CP SAM bằng mô hình cây (TH1)
Số phiên dự báo R dự báo P_dự báo Chênh lệch
9/11/2009 32.8 Sau 3phiên 0.00667 34.63 5.58% 10/11/2009 31.8 Sau 4phiên 0.00889 34.71 9.14% 11/11/2009 33 Sau 5phiên 0.01111 34.78 5.40% 12/11/2009 33.4 Sau 6phiên 0.01334 34.86 4.37%
❖ Trường hợp 2: Ta ước lượng các tham số của mô hình cây nhị phân - thông qua các tham số của chính lợi suất cổ phiếu
Chúng tôi tiến hành tìm kiếm các tham số cho lợi suất cổ phiếu SAM dựa trên mẫu quan sát 209 phiên Công thức tính lợi suất được sử dụng là rt+1 = (Pt+1 – Pt)/Pt.
Sử dụng phần mềm Eviews 4.0 cho ta thống kê mô tả cho chuỗi lợi suất SAM như sau:
Series: LS_SAM Sample 2 209 Observations 208
Mean 0.004937 Median 0.003924 Maximum 0.049834 Minimum -0.050000 Std Dev 0.033916 Skewness -0.076136 Kurtosis 1.684068
Từ đó ta có các tham số của lợi suất CP SAM:
Dựa vào công thức xấp xỉ của Cox-Ross-Rubinstein ta sẽ có kết quả các tham số của mô hình như sau:
Với các tham số u, d, p được tính toánnhư trên ta có kết quả ước lượng cho 6
Bảng 3: Kết quả dự báo giá CP SAM bằng mô hình cây (TH2) -
Số phiên dự báo P_thực tế P_dự báo Chênh lệch
Cả hai phương pháp ước lượng đều cho kết quả dự báo khá sát nhau, đặc biệt là trong các phiên dự báo ngắn hạn (1-2 phiên tiếp theo) Ví dụ, vào ngày 6/11/2009, dự báo giá cổ phiếu SAM lần lượt là 34.55 và 34.4, trong khi giá đóng cửa thực tế là 34.5, cho thấy sai số chỉ 0.15% và 0.29%, chứng tỏ độ chính xác cao Tuy nhiên, khi thời gian dự báo kéo dài, sai số bắt đầu gia tăng, làm giảm độ tin cậy của kết quả dự báo Nguyên nhân của hiện tượng này cần được phân tích thêm.
Cách ước lượng tham số của mô hình hiện tại chưa đạt yêu cầu chất lượng, vì việc ước lượng chính xác các tham số này trong thực tế gặp nhiều khó khăn.
Vào ngày hôm sau, giá cổ phiếu có thể tăng, giảm hoặc giữ nguyên, cho thấy rằng mô hình cây nhị phân chỉ với hai khả năng tăng và giảm chưa đủ để phản ánh đầy đủ các tình huống có thể xảy ra.
Theo quan điểm cá nhân, mô hình cây không phù hợp để dự báo trong giai đoạn thị trường có sự lên xuống thất thường do ảnh hưởng của thông tin bên ngoài Mô hình này sẽ hiệu quả hơn trong các giai đoạn thị trường ổn định và ít biến động Bên cạnh đó, giả thiết về thị trường cũng rất quan trọng, bởi vì thị trường chứng khoán nước ta hiện chưa thực sự đạt được trạng thái hiệu quả.
DỰ BÁO VỚI MÔ HÌNH PHỤC HỒI TRUNG BÌNH
1 Kiểm định mô hình Để chứng minh quá trình {Xt } (Xt - loga giá cổ phiếu SAM) có tuân theo mô hình phục hồi trung bình ta đi hồi quy mô hình kinh tế lượng sau:
Chuỗi số liệu ln_sam, với ln_sam = ln(sam), bao gồm 112 quan sát được thu thập từ ngày 1/6/2009 đến ngày 4/11/2009 Qua việc ước lượng và kiểm định nghiệm đơn vị, kết quả thống kê DF đã được xác định.
Bảng 4: Thống kê DF cho chuỗi ln_sam
ADF Test Statistic -2.913238 1% Critical Value* -3.4900
Ta thấy | = -2.913238| > |0.05 = -2.8877| Như vậy, chuỗi ln_sam là chuỗi dừng tại mức ý nghĩa 5% Do vậy chuỗi ln_sam là một quá trình phục hồi trung bình
2 Ước lượng các tham số của mô hình Để ước lượng được chính xác các tham số của mô hình phục hồi trung bình, ta sẽ thêm thành phần MA(1) vào phương trình hồi quy (*) ở trên để mô
Bảng 5 : Kết quả ước lượng mô hình phục hồi trung bình -
Included observations: 111 after adjusting endpoints
Variable Coefficient Std Error t-Statistic Prob
R-squared 0.108958 Mean dependent var 0.001632 Adjusted R-squared 0.092457 S.D dependent var 0.033222 S.E of regression 0.031649 Akaike info criterion -4.041545 Sum squared resid 0.108181 Schwarz criterion -3.968314 Log likelihood 227.3057 F-statistic 6.603206 Durbin-Watson stat 1.964514 Prob(F-statistic) 0.001970
Từ kết quả ước lượng ta có:
+ Giá trị cân bằng: X SAM =
- 0.349484/-0.099628 = 3.5078 + tốc độ phục hồi: SAM = - ln(1-0.099628) = 0.1049
+ Bán thời gian H = ln(2)/-ln(1-099628) = 6.6047
Suy ra mức giá cân bằng của cổ phiếu SAM trong giai đoạn này là : e 3.5078 = 33.3774
Cổ phiếu SAM đang trải qua một giai đoạn phục hồi nhanh chóng với tỷ lệ 0.105, điều này được minh chứng rõ ràng qua hệ số bán thời gian.
Hsam = 6.605 cho thấy giá cổ phiếu SAM thường thay đổi một nửa mức chênh lệch so với giá cân bằng sau khoảng 6 đến 7 phiên giao dịch Tốc độ phục hồi của SAM được đánh giá là khá nhanh, với độ dao động trung bình sau mỗi phiên đạt khoảng 3,33%.
Ngày cuối cùng của chuỗi số liệu là ngày 4/11/2009, giá đóng cửa của -
Giá cổ phiếu SAM hiện tại là 34.4, cao hơn giá cân bằng 1.022, cho thấy xu hướng giá SAM đang hướng về mức cân bằng Dự đoán trong khoảng 6 đến 7 phiên tới, giá SAM sẽ điều chỉnh và có thể đạt mức đóng cửa khoảng 33.8 (nghìn), tương đương với một nửa mức chênh lệch hiện tại.
+ Sau 6 phiên tức là ngày 12/11/2009: mức giá đóng cửa của SAM là 33.4 + Nếu sau 7 phiên tức là ngày 13/11/2009 thì mức giá đóng cửa của SAM là 34
Theo phân tích, sau khoảng 6.7 phiên, giá cổ phiếu SAM trung bình đạt khoảng 33.7, gần sát với dự đoán 33.8 Điều này cho thấy rằng việc ước lượng và dự báo giá cổ phiếu SAM dựa trên mô hình phục hồi trung bình trong giai đoạn này là đáng tin cậy và chính xác.
DỰ BÁO VỚI MÔ HÌNH ARIMA
Số liệu được dùng để xây dựng mô hình ARIMA là chuỗi giá đóng cửa của cổ phiếu SAM từ ngày 5/5/2008 – 4/11/2009 (bao gồm 381 quan sát)
Ta có đồ thị chuỗi giá của cổ phiếu SAM:
Hình 12: Đồ thị chuỗi giá SAM từ ngày 5/5/2008 đến 4/11/2009
Dễ thấy chuỗi giá này không dừng, để chắc chắn hơn cho điều này ta dùng kiểm định nghiệm đơn vị để kiểm tra tính dừng của chuỗi
Bảng 6: Thống kê DF cho chuỗi giá SAM (từ ngày 5/5/2008 đến 4/11/2009) -
ADF Test Statistic -1.117178 1% Critical Value* -3.4496
Từ bảng giá trị thống kê DF ở trên ta thấy : | | < giá trị tuyệt đối của α tại cả
3 mức ý nghĩa Do vậy chuỗi giá SAM là không dừng
Bây giờ, ta sẽ đi kiểm định tính dừng của chuỗi sai phân bậc nhất giá CP SAM Đặt d_sam(t) = sam(t) - sam(t-1)
Ta có đồ thị chuỗi sai phân bậc nhất của SAM như sau:
Hình 13 : Đồ thị chuỗi sai phân bậc nhất của SAM
Bằng cảm quan, ta có thể nhận thấy chuỗi sai phân trên là chuỗi dừng và có thể có trung bình bằng 0
Bảng 7: Kiểm định chuỗi dừng cho chuỗi sai phân bậc nhất của SAM -
ADF Test Statistic -12.98550 1% Critical Value* -2.5710
*MacKinnon critical values for rejection of hypothesis of a unit root
Augmented Dickey-Fuller Test Equation
Included observations: 379 after adjusting endpoints
The analysis reveals a significant negative relationship with the variable D_SAM(-1), showing a coefficient of -0.6161 and a t-statistic of -12.9855, with a p-value of 0.0000, indicating strong statistical significance The model's R-squared value is 0.3085, suggesting that approximately 30.85% of the variance in the dependent variable is explained by the model The adjusted R-squared also stands at 0.3085 The standard deviation of the dependent variable is 0.9570, while the standard error of regression is 0.7958 The Akaike information criterion (AIC) is 2.3837, and the Schwarz criterion (SC) is 2.3941, with a log likelihood of -450.7132 The Durbin-Watson statistic is 1.9452, indicating no significant autocorrelation in the residuals.
| = -12.98550 | > giá trị tuyệt đối của α ở cả 3 mức ý nghĩa, chứng tỏ chuỗi d_sam là chuỗi dừng
Ta xem xét lược đồ tương quan của chuỗi d_sam:
Hình 14 : Lược đồ tương quan của chuỗi d_sam
Từ lược đồ tương quan này thì mô hình ARMA được xác định cho chuỗi sai - phân bậc nhất giá CP SAM có thể có p=1 và p=4
Do vậy ta sẽ lần lượt đi ước lượng các mô hình sau:
Bảng 8 : Kết quả ước lượng mô hình ARMA(1,0) cho chuỗi d_sam
Included observations: 379 after adjusting endpoints
Variable Coefficient Std Error t-Statistic Prob D_SAM(-1) 0.383891 0.047446 8.091123 0.0000 R-squared 0.147624 Mean dependent var 0.000264 Adjusted R-squared 0.147624 S.D dependent var 0.861968 S.E of regression 0.795805 Akaike info criterion 2.383711
Sum squared resid 239.3898 Schwarz criterion 2.394100
Log likelihood -450.7132 Durbin-Watson stat 1.945170
Bảng 9: Kết quả ước lượng mô hình ARMA(4,0) cho chuỗi d_sam
Included observations: 376 after adjusting endpoints
Variable Coefficient Std Error t-Statistic Prob
S.E of regression 0.790300 Akaike info criterion 2.372497
Sum squared resid 233.5908 Schwarz criterion 2.393399
Log likelihood -444.0294 Durbin-Watson stat 1.960570
Cả hai mô hình đều cho kết quả ước lượng tốt và không có khuyết tật Để xác định mô hình tối ưu giữa hai mô hình này, cần dựa vào tiêu chuẩn Akaike và Schwarz Theo lý thuyết, mô hình nào có hai chỉ số này nhỏ hơn so với mô hình kia sẽ được coi là mô hình tốt hơn.
Như vậy mô hình 2 sẽ là mô hình được lựa chọn để dự báo
Bước tiếp theo là kiểm định tính thích hợp của mô hình 2 bằng cách xác định xem phần dư của mô hình có phải là nhiễu trắng hay không Nếu phần dư thực sự là nhiễu trắng, điều này cho thấy mô hình là phù hợp.
Bảng 10: Kiểm định tính dừng của phần dư et
ADF Test Statistic -18.49809 1% Critical Value* -2.5711
*MacKinnon critical values for rejection of hypothesis of a unit root
Augmented Dickey-Fuller Test Equation
Included observations: 375 after adjusting endpoints
Variable Coefficient Std Error t-Statistic Prob
S.E of regression 0.789402 Akaike info criterion 2.367582
Sum squared resid 233.0604 Schwarz criterion 2.378054
Log likelihood -442.9216 Durbin-Watson stat 1.992433
Kết quả ước lượng và thống kê DF cho thấy phần dư et của mô hình 2 là nhiễu trắng, điều này khẳng định tính thích hợp của mô hình.
Và ta có kết quả sau đây được suy ra: sam t – sam t-1 = 0.3746(sam t-1 -sam t-2 - )+0.1402(sam t-4 – sam t-5 )
Hay: samt = 1.3746 samt-1 -03746samt-2 + 0.1402(samt-4 – samt-5)
Từ đó ta có thể dự báo giá đóng cửa CP SAM cho 7 phiên tiếp theo như sau:
Bảng 11: Kết quả dự báo giá CP SAM theo mô hình ARIMA
Ngày P_thực tế P_dự báo
Phương pháp ARIMA nổi bật với khả năng dự báo mà không cần các biến giải thích khác, nhưng chỉ phù hợp cho dự báo ngắn hạn (1-2 chu kỳ tiếp theo) Khi dự báo xa hơn, sai số mô hình tăng lên, làm giảm độ chính xác Ví dụ, dự báo cho 1-2 phiên tiếp theo cho kết quả chấp nhận được, như ngày 6/11/2009, giá dự báo 34.50789 gần trùng khớp với giá thực tế 34.5 Tuy nhiên, khi dự báo đến phiên thứ 3 (ngày 9/11/2009), độ chính xác bắt đầu giảm.
Khi dự báo bằng mô hình ARIMA, kinh nghiệm cho thấy chỉ nên dự báo cho 1-2 chu kỳ ngắn hạn ngoài mẫu Để tiếp tục dự báo cho các chu kỳ tiếp theo, cần cập nhật số liệu hàng ngày và ước lượng một mô hình mới Tuy nhiên, một số chuyên gia có thể điều chỉnh các hệ số của mô hình mà không cần ước lượng lại ngay, giúp tiết kiệm thời gian và công sức, nhưng điều này đòi hỏi kiến thức sâu và kinh nghiệm phong phú.
DỰ BÁO BẰNG MÔ HÌNH GARCH
Số liệu dùng để ước lượng mô hình GARCH trong trường hợp này cũng vẫn là chuỗi giá đóng cửa của CP SAM từ ngày 5/5/2008 – 4/11/2009 (bao gồm 381 quan sát)
Quá trình ước lượng mô hình như sau:
Bước 1: Kiểm định tính dừng của chuỗi lợi suất CP SAM (đặt ls_sam Ln )
Bảng 12: Thống kê DF cho chuỗi ls_sam (5/5/2008 – 4/11/2009)
ADF Test Statistic -12.76631 1% Critical Value* -3.4496
5% Critical Value -2.8694 10% Critical Value -2.5709 Thống kê DF cho ta | = -1276631| > |α | ở các 3 mức ý nghĩa 1%, 5% và 10% Do vậy chuỗi ls_sam là chuỗi dừng
Bước 2: Ước lượng mô hình ARMA cho chuỗi ls_sam
Ta có lược đồ tương quan của chuỗi ls_sam:
Hình 15: Lược đồ tương quan của chuỗi ls_sam(5/5/2008 – 4/11/2009) -
Dựa vào lược đồ tương quan, chúng ta xác định mô hình ARMA cho chuỗi ls_sam là ARMA(1,0) Sau khi ước lượng mô hình ARMA(1,0) cho chuỗi ls_sam (tham khảo phụ lục 5), chúng ta thu được phần dư et từ mô hình Dưới đây là hình ảnh lược đồ tương quan cho chuỗi phần dư et2 thu được từ mô hình ước lượng ARMA(1,0) cho chuỗi ls_sam.
Hình 16: Lược đồ tương quan chuỗi phần dư bình phương et 2
Dựa vào hình ảnh lược đồ tương quan và các giá trị ACF và PACF trên -
Hình 16 thì ta sẽ xác định được bậc của mô hình ARCH và GARCH cho chuỗi ls_sam trong trường hợp này có thể bằng 2
Ta sẽ đi ước lượng mô hình GARCH(2,2) và thu được kết quả như sau:
Bảng 13: Kết quả ước lượng mô hình GARCH(2,2) cho chuỗi ls_sam
Included observations: 379 after adjusting endpoints
Coefficient Std Error z-Statistic Prob LS_SAM(-1) 0.472830 0.048304 9.788684 0.0000
GARCH(2) 0.747099 0.180320 4.143175 0.0000 R-squared 0.140262 Mean dependent var 7.68E-06 Adjusted R-squared 0.126395 S.D dependent var 0.033401 S.E of regression 0.031219 Akaike info criterion -4.235019 Sum squared resid 0.362564 Schwarz criterion -4.162294 Log likelihood 809.5361 F-statistic 10.11501 Durbin-Watson stat 2.032106 Prob(F-statistic) 0.000000
Dễ thấy các hệ số của ARCH(1) và GARCH(1) không khác 0 có ý - nghĩa thống kê Do vậy ta sẽ đi ước lượng mô hình sau đây:
Bảng 14: Kết quả ước lượng mô hình GARCH(1,1) cho chuỗi ls_sam
Included observations: 379 after adjusting endpoints
Coefficient Std Error z-Statistic Prob LS_SAM(-1) 0.469029 0.051582 9.092921 0.0000
ARCH(1) 0.054677 0.030621 1.785624 0.0742 GARCH(1) 0.942967 0.027870 33.83461 0.0000 R-squared 0.139949 Mean dependent var 7.68E-06 Adjusted R-squared 0.130751 S.D dependent var 0.033401 S.E of regression 0.031141 Akaike info criterion -4.232490 Sum squared resid 0.362696 Schwarz criterion -4.180543 Log likelihood 807.0568 F-statistic 15.21453 Durbin-Watson stat 2.023817 Prob(F-statistic) 0.000000
Với mức ý nghĩa α là 8%, tất cả các hệ số trong mô hình đều có ý nghĩa thống kê khác 0 Đặc biệt, các hệ số C, GARCH(1) và ARCH(1) đều lớn hơn 0, đáp ứng đầy đủ các điều kiện của mô hình GARCH.
Mô hình GARCH(1,1) được chấp nhận trong trường hợp này, vì các ước lượng của các mô hình TGARCH, EGARCH và GARCH-M không có ý nghĩa Kết quả ước lượng cho các mô hình này có thể được tham khảo trong phần phụ lục 6, 7, 8 ở cuối bài.
Ta có các phương trình ước lượng rút ra từ mô hình như sau: r_samt = - 0.003697 + 0.469029r_samt-1 + ut ; ut = tεt (εt là biến i.d.d) -
Kết hợp hai phương trình ban đầu, chúng ta có phương trình dự báo lợi suất cổ phiếu SAM: r_sam t = -0.003697 + 0.469029r_sam t-1 + t ε t, với εt là biến độc lập phân phối đều Quá trình dự báo sẽ được thực hiện dựa trên phương trình này.
+ Sử dụng phần mềm Eviews để dự báo phương sai cho các thời kỳ tiếp theo(từ ngày 5/11/2009) bằng phương pháp động ta có kết quả như sau:
Bảng 15: Kết quả dự báo phương sai theo phương pháp động từ ngày
Ngày Psai_d ( 2 ) Độ dao động -
Do phương trình dự báo có chứa thành phần ngẫu nhiên εt, nên không thể xác định một giá trị ước lượng cố định cho εt Để ước lượng ε, ta có thể sử dụng phương pháp mô phỏng, tạo ra một chuỗi giá trị ngẫu nhiên của ε tại thời kỳ t và sau đó tính giá trị trung bình của chúng.
Về phương diện thực hành ta làm như sau:
Sử dụng chức năng Random Number Generation trong Excel, chúng ta có thể tạo ra một dãy n số ngẫu nhiên với phân phối chuẩn N(0,1) Trong báo cáo này, mỗi thời kỳ dự báo sử dụng 500 quan sát ngẫu nhiên, sau đó cộng lại và tính trung bình Giá trị này có thể được coi là εt, với kết quả chi tiết sẽ được trình bày trong phần phụ lục 9.
Bảng 16: Kết quả dự báo giá CP SAM theo mô hình GARCH(1,1) -
Ngày du bao εt P_du bao P_thực tế
Kết quả dự báo giá cổ phiếu SAM từ mô hình GARCH cho thấy sự không chính xác so với giá đóng cửa thực tế, chủ yếu do yếu tố ngẫu nhiên εt gây ra sai số trong ước lượng Thêm vào đó, phương pháp dự báo động cũng góp phần làm tăng sai số, khi các dự báo cho thời kỳ này được sử dụng để dự báo cho thời kỳ sau, dẫn đến sự gia tăng sai số khi dự báo cho các chu kỳ xa hơn Sự kết hợp của hai yếu tố này đã tạo ra kết quả dự báo không chính xác.
Mô hình GARCH chủ yếu được sử dụng để dự báo độ dao động (σ) thay vì lợi suất tài sản Tuy nhiên, nó vẫn cung cấp cái nhìn mới về mối quan hệ giữa lợi suất và độ rủi ro của tài sản.
SỬ DỤNG PHẦM MỀM METASTOCK ĐỂ DỰ BÁO
Phần mềm Metastock Professional 10.1 sẽ cho ta hình ảnh đồ thị chuỗi giá và khối lượng giao dịch của CP SAM từ ngày 29/9/2008 đến ngày 4/11/2009 như sau:
Hình 17: Chuỗi giá và khối lượng giao dịch của CP SAM (29/9/2008 đến -
Hình 18: Các chỉ báo kĩ thuật cho cổ phiếu SAM : -
Tín hiệu bán xuất hiện ở các chỉ báo RSI, MACD và Stochastic vào ngày 22 & 23/10/2009
Hình 19: Đường xu thế được vẽ cho giá CP SAM -
Từ đồ thị các Hình 18 và Hình 19 ở trên có thể cho ta những nhận xét như sau:
Xu hướng giảm giá đã chính thức xuất hiện từ cuối tháng 10/2009, với mức giá cổ phiếu SAM xuyên thủng đường xu thế tăng giá đã duy trì hơn 3 tháng Điều này cho thấy xu hướng ban đầu không còn hiệu lực, và có khả năng thị trường sẽ chuyển sang xu hướng mới, "thị trường con gấu" Sự thay đổi này cũng được minh chứng qua khối lượng giao dịch và các chỉ báo kỹ thuật liên quan đến cổ phiếu SAM trong những ngày gần đây.
Xu hướng giảm giá bắt đầu khi nhiều nhà đầu tư thực hiện chốt lời, dẫn đến tín hiệu bán ra ở các chỉ báo cho thấy đỉnh của đợt tăng giá Nhận thấy điều này, các nhà đầu tư đã đồng loạt bán ra, khiến khối lượng giao dịch cổ phiếu SAM tăng vọt so với những ngày trước Hệ quả tất yếu của những hành động này là sự tụt giá của cổ phiếu SAM.
Sau khi xu hướng giảm giá được thiết lập và củng cố trong một khoảng thời gian ngắn, có hai phương án có thể xảy ra.
Liệu đây có phải chỉ là một giai đoạn điều chỉnh giảm trong một thời gian ngắn để rồi tiếp tục đi lên của CP SAM hay không?
Hay đây sẽ là một xu hướng giảm giá thực sự của CP SAM ?
Các nhà đầu tư có thể không hài lòng với câu trả lời này, khi mà tất cả các chỉ báo kỹ thuật và tín hiệu tiêu cực từ diễn biến giá đều chỉ ra rằng cổ phiếu SAM đang đối mặt với một xu hướng giảm giá sâu.
+) Thứ nhất, như đã phân tích ở trên thì đường giá đã phá vỡ và đi xuống hẳn bên dưới đường xu thế trong vài phiên trở lại đây
+) Thứ hai, các chỉ báo như:
Chỉ báo sức mạnh tương đối RSI(14) đã giảm xuống dưới mức 50, cho thấy tỷ lệ các phiên tăng giá trong 14 phiên gần đây đang giảm nhanh và thấp hơn tỷ lệ các phiên giảm giá Điều này cho thấy xu hướng đang dần tiến về vùng quá bán.
Chỉ báo MACD cho thấy tín hiệu giảm khi đường MACD cắt đường tín hiệu EMA(9) từ trên xuống và gần chạm vạch 0 với tốc độ nhanh Điều này chỉ ra rằng giá trung bình cổ phiếu SAM trong 12 phiên gần đây đang giảm mạnh, thấp hơn so với trung bình giá của 26 phiên trước đó Khoảng cách giữa đường MACD và đường tín hiệu cũng cho thấy khả năng giá cổ phiếu sẽ tiếp tục giảm trong thời gian tới.
Chỉ báo về dòng tiền MFI cũng đã tiến xuống dưới đường 50 và cho tín - hiệu giống như đường RSI
Không có sự phân kỳ nào xuất hiện ở các chỉ báo RSI, MFI và MACD, điều này càng củng cố thêm nhận định rằng xu thế hiện tại sẽ tiếp tục được duy trì và gia tăng.
Các chỉ báo tài chính chỉ ra xu hướng giảm giá rõ rệt của cổ phiếu SAM trong dài hạn Tuy nhiên, vào ngày 4/11/2009, chỉ báo ngắn hạn Stochastic đã phát tín hiệu mua khi đường %K cắt lên đường %D.
Hình 20: Đồ thị sự giao cắt của đường %K và %D
Có khả năng cổ phiếu SAM sẽ tăng giá trong ngắn hạn, nhưng sẽ trải qua một đợt điều chỉnh trước khi tiếp tục giảm sâu hơn Điều này dễ hiểu khi mà cổ phiếu SAM đã liên tục ghi nhận tình trạng giảm giá trong một thời gian dài.
Dựa vào lý thuyết sóng Elliot và công cụ Fibonacci Retracements, chúng ta có thể dự báo các ngưỡng kháng cự và hỗ trợ cho thời gian tới Bằng cách nối hai điểm giá cao nhất vào ngày 23/10/2009 và điểm giá thấp nhất vào ngày 2/7/2009, chúng ta sẽ xác định được các mức quan trọng trong phân tích thị trường.
Hình 21: Dự báo với Fibonacci Retracements -
Theo lý thuyết sóng Elliot, một kịch bản có thể diễn ra như sau: sau khi giá giảm xuống mức 50%, đây là sóng A trong mô hình 5-3 Sau đó, sẽ xuất hiện sóng điều chỉnh tăng B, với đỉnh sóng đạt tỷ lệ 38.2% (khoảng 36 nghìn) Tuy nhiên, giá sẽ tiếp tục giảm xuống dưới mức sóng A và chạm mức 61.8% (khoảng 32 nghìn), đây chính là sóng C trong mô hình 5-3.
C thúc một chu kỳ sóng 5-3 điển hình, và tiếp theo sóng C thì sẽ là một chu kỳ - mới tiếp diễn
Kịch bản diễn ra vào đầu tháng 11 năm 2009 cho thấy sự biến động của cổ phiếu SAM rất rõ nét Cụ thể, vào ngày 4/11/2009, giá đóng cửa của SAM là 34.4 nghìn đồng (sóng A), sau đó tăng lên 35.5 nghìn đồng vào ngày 5/11/2009 (sóng B) nhưng ngay lập tức giảm xuống dưới mức 34.4 nghìn đồng, chạm mức 31.8 nghìn đồng vào ngày 11/11/2009 (sóng C) Qua đó, ta có thể thấy một chu kỳ sóng 5-3 điển hình kết thúc sau sóng C, mở ra một chu kỳ mới với những biến động tiếp theo.
Hình 22: Kết quả dự báo giá CP SAM bằng Fibonacci Retracements
Có thể nói cả năm phương pháp đã nêu đều được xếp vào trường phái
“phân tích kỹ thuật“, tuy vậy nhưng mỗi phương pháp đều có cho mình những ưu và nhược điểm riêng so với những phương pháp khác
Để đạt được độ chính xác cao trong dự báo với mô hình ARIMA và GARCH, nên chỉ dự báo cho những khoảng thời gian cực ngắn, thường là 1 đến 3 chu kỳ tiếp theo Dự báo cho các chu kỳ xa hơn sẽ dẫn đến sai số tăng cao Để dự báo cho các chu kỳ xa, cần cập nhật thêm số liệu thực vào mẫu quan sát, ước lượng lại mô hình ban đầu và sau đó sử dụng mô hình mới để tiếp tục dự báo.
Mô hình cây nhị phân thường gặp khó khăn trong việc ước lượng chính xác các tham số trong thực tế Tuy nhiên, nếu có thể xác định đúng các tham số này, mô hình sẽ trở nên rất giá trị và hữu ích.
Mô hình phục hồi trung bình chỉ có tính chính xác và ý nghĩa trong những khoảng thời gian nhất định, không phải lúc nào cũng áp dụng được Nó cho phép dự đoán xu hướng tiếp theo của mức giá một cách tương đối.