GIỚI THIỆU
Mục tiêu nghiên cứu và câu hỏi nghiên cứu
Nghiên cứu này nhằm làm rõ mối quan hệ giữa biến động thị trường chứng khoán và các yếu tố kinh tế vĩ mô như chỉ số sản xuất công nghiệp, chỉ số giá tiêu dùng, lãi suất, cung tiền và tỷ giá hối đoái tại các nước mới nổi.
Nhằm làm rõ mục tiêu nghiên cứu của mình, nội dung của đề tài sẽ tập trung trả lời cho câu hỏi nghiên cứu:
Sự biến động trong các yếu tố kinh tế vĩ mô như chỉ số sản xuất công nghiệp, chỉ số giá tiêu dùng, tỷ giá hối đoái, cung tiền và lãi suất có tác động qua lại với thị trường chứng khoán Các yếu tố này không chỉ ảnh hưởng đến diễn biến của thị trường chứng khoán mà còn bị tác động bởi những biến động từ thị trường này.
Phạm vi nghiên cứu
Bài viết nghiên cứu các yếu tố kinh tế vĩ mô cơ bản như chỉ số sản xuất công nghiệp, chỉ số giá tiêu dùng, cung tiền, lãi suất và tỷ giá hối đoái ở các nước thị trường mới nổi, bao gồm Việt Nam, Hàn Quốc, Thái Lan và Hungary Đề tài lựa chọn những quốc gia có thị trường chứng khoán và cơ chế vận hành kinh tế tương đồng với Việt Nam, nhằm phân tích các mục tiêu kinh tế và sự phát triển của các thị trường này.
Về thời gian đề tài thu thập và xử lý dữ liệu theo tháng từ tháng 1 năm 2008 đến tháng 12 năm 2013.
Phương pháp nghiên cứu
Để đáp ứng yêu cầu nội dung và giải quyết các câu hỏi nghiên cứu, bài nghiên cứu áp dụng phương pháp định lượng thông qua mô hình GARCH và VAR, sử dụng phần mềm Eviews 6.0 để phân tích dữ liệu.
Đóng góp của đề tài
Nghiên cứu dựa trên mô hình GARCH đã cung cấp thêm bằng chứng thực nghiệm về mối quan hệ giữa biến động thị trường chứng khoán và biến động kinh tế vĩ mô Kết quả này không chỉ làm sáng tỏ mối liên hệ quan trọng mà còn đưa ra các gợi ý chính sách hữu ích cho các quốc gia, bao gồm Việt Nam, trong nỗ lực ổn định thị trường chứng khoán nhằm thúc đẩy tăng trưởng và phát triển kinh tế.
Kết cấu của đề tài
Nhằm trả lời cho các vấn đề nghiên cứu của mình, đề tài chia bố cục bài viết làm 5 chương:
TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC ĐÂY
PHƯƠNG PHÁP NGHIÊN CỨU
Cơ sở dữ liệu
Tất cả nguồn dữ liệu nghiên cứu của đề tài được thu thập theo tháng từ tháng
1 năm 2008 đến tháng 12 năm 2013, tất cả được thống kê theo bảng sau: Bảng 3.1.Dữ liệu nghiên cứu
Chỉ số sản xuất công nghiệp 2008-2013 IMF
Chỉ số giá tiêu dùng (20050) 2008-2013 IMF
Như đã nêu trong phần trên, phần này đề tài tiến hành mô tả lại dữ liêu nghiên cứu Tất cả được thống kê trong bảng sau:
Bảng 3.2 Mô tả và đo lường các biến nghiên cứu
Biến Mô tả Cách đo lường
RS Tỷ suất sinh lợi thị trường RS = ln(P t /P t-1 ) ln: logarit cơ số e
Pt: giá đóng cửa thời điểm t
Chỉ số sản xuất công nghiệp (IP) được tính bằng logarit cơ số e của chỉ số sản xuất công nghiệp, trong khi chỉ số giá tiêu dùng (CPI) được xác định qua logarit cơ số e của chỉ số giá tiêu dùng.
MS Cung tiền Logarit cơ số e của cung tiền nước nghiên cứu EXC Tỷ giá hối đoái song phương
Logarit cơ số e của tỷ giá song phương của nước nghiên cứu so với đôla Mỹ
R Lãi suất Logarit cơ số e của lãi suất cho vay kỳ hạn 1 năm (%)
Nghiên cứu này tập trung vào các quốc gia thị trường mới nổi, bao gồm Việt Nam, Hàn Quốc, Thái Lan và Hungary.
Nghiên cứu của Zakaria và Shamsuddin (2012) cùng với các nghiên cứu trước đó nhằm phân tích mối quan hệ giữa thị trường chứng khoán và các yếu tố kinh tế vĩ mô như chỉ số sản xuất công nghiệp, chỉ số giá tiêu dùng, tỷ giá hối đoái, lãi suất và cung tiền Để thực hiện điều này, mô hình VAR được áp dụng nhằm xem xét sự tương tác giữa biến động trên thị trường chứng khoán và các yếu tố vĩ mô của các quốc gia trong nghiên cứu.
V_RSt và V_Mt đại diện cho những biến động có điều kiện trong thị trường chứng khoán và các yếu tố vĩ mô liên quan, được ước lượng thông qua các mô hình GARCH Trong đó, μit biểu thị sai số trong mô hình.
Để khắc phục những hạn chế của các mô hình nghiên cứu trước đây với giả định phương sai không đổi theo thời gian, mô hình ARCH do Engle phát triển vào năm 1982 cho rằng phương sai của các số hạng nhiễu tại thời điểm t phụ thuộc vào các số hạng nhiễu bình phương ở các giai đoạn trước Mô hình tổng quát mà Engle đề xuất đã mở ra hướng đi mới trong việc phân tích biến động tài chính.
Theo công thức đã nêu, biến động mạnh trong thị trường xảy ra cách đây q ngày sẽ làm tăng phương sai có điều kiện của ngày hôm nay Tuy nhiên, vì mức biến động được thể hiện dưới dạng bình phương, nên không thể phân biệt được giữa tác động âm và tác động dương Trong đó, X đại diện cho giá trị của các biến nghiên cứu, còn Y là đại lượng dự báo của X theo phương pháp đã trình bày.
Một ý tưởng quan trọng từ Bollerslev (1986) là nên thêm các biến trễ của phương sai có điều kiện vào phương trình phương sai theo dạng tự hồi quy Việc này trở nên cần thiết, đặc biệt khi các ảnh hưởng của ARCH có quá nhiều độ trễ, có thể làm giảm đáng kể bậc tự do trong mô hình, ảnh hưởng đến kết quả ước lượng, nhất là với chuỗi thời gian ngắn Do đó, mô hình GARCH trở nên hiệu quả hơn trong những trường hợp này Mô hình GARCH (p,q) tổng quát hóa mô hình ARCH, với phương trình phương sai được viết lại, trong đó độ lớn của các tham số α và β đóng vai trò quan trọng trong việc xác định bất ổn của độ lệch chuẩn.
Hệ số α phản ánh sự nhạy cảm của độ lệch chuẩn với biến động của thị trường, trong khi hệ số β đánh giá mức độ bền vững của độ lệch chuẩn và tác động của cú sốc lên nó Khi tổng α và β nhỏ hơn 1, độ lệch chuẩn sẽ hội tụ về giá trị dài hạn, đồng nghĩa với việc εt có tính dừng (Stationary).
Các dạng mô hình GARCH
Mô hình GARCH (1,1) là một trong những mô hình phổ biến nhất trong phân tích chuỗi thời gian, nhờ vào sự đơn giản trong ước lượng và độ chính xác tương đối cao trong dự báo Tuy nhiên, mô hình này thường chỉ được áp dụng cho các dự báo ngắn hạn Phương trình phương sai của mô hình GARCH (1,1) có dạng cụ thể, giúp nắm bắt sự biến động của dữ liệu hiệu quả.
Mô hình GARCH ở giá trị trung bình (GARCH-M) cho phép giá trị trung bình có điều kiện phụ thuộc vào phương sai có điều kiện, phản ánh hành vi của nhà đầu tư sợ rủi ro, người này thường yêu cầu mức phí bù rủi ro cao hơn khi nắm giữ tài sản rủi ro Điều này có nghĩa là khi rủi ro tăng, phí bù rủi ro cũng sẽ tăng theo Phương trình phương sai của mô hình GARCH-M (p,q) được thiết lập để mô tả mối quan hệ này.
Mô hình TGARCH được phát triển bởi Zakoian (1990), Glosen và cộng sự
Mô hình được đề xuất vào năm 1993 nhằm phân tích sự bất đối xứng giữa cú sốc âm và cú sốc dương, đồng thời kiểm định tính hiệu quả của thị trường Các tác giả đã đưa vào phương trình phương sai một biến giả dt, với giá trị dt bằng 1 khi εt0 Nếu hệ số của biến giả này có ý nghĩa thống kê, điều đó cho thấy sự khác biệt trong các loại cú sốc Phương trình phương sai trong mô hình được thể hiện rõ ràng qua cách tiếp cận này.
Trong nghiên cứu này, chúng tôi chỉ tập trung vào các mô hình GARCH đã được đề cập trước đó, cùng với bậc tương ứng của chúng, mặc dù còn nhiều mô hình GARCH khác có thể được xem xét.
Một số dạng mô hình GARCH đơn giản trong nghiên cứu thực nghiệm
Trong đó: , Y là đại lượng đại diện cho các biến nghiên cứu (các biến số kinh tế vĩ mô, tỷ suất sinh lợi thị trường chứng khoán)
Trong đó: , Y là đại lượng đại diện cho các biến nghiên cứu (Các biến số kinh tế vĩ mô, tỷ suất sinh lợi thị trường chứng khoán)
Một số dạng khác của phương trình phương sai của mô hình GARCH cũng được sử dụng là
Tác động của tin tức tốt và tin tức xấu lên phương sai có sự khác biệt rõ rệt, đặc biệt khi xét đến ý nghĩa thống kê Trong nghiên cứu này, Y được sử dụng để đại diện cho các biến nghiên cứu, bao gồm các biến số kinh tế vĩ mô và tỷ suất sinh lợi của thị trường chứng khoán.
Đề tài của nghiên cứu đã tiến hành thực hiện lại các mô hình nghiên cứu nhằm mục đích trả lời cho các câu hỏi nghiên cứu đã được đặt ra.
Mô hình VAR, lần đầu tiên được giới thiệu bởi Sims vào năm 1980, đã cách mạng hóa cách tiếp cận phân tích kinh tế bằng cách phân loại tất cả các biến trong mô hình thành biến nội sinh, thay vì chỉ phân chia thành biến nội sinh và ngoại sinh như các mô hình truyền thống trước đó Phương pháp này đặc biệt hữu ích trong việc đánh giá tác động của các biến vĩ mô đối với thị trường chứng khoán.
Phương pháp kiểm định mô hình
3.3.1 Thống kê mô tả các biến nghiên cứu
Trong phần này, đề tài tiến hành thống kê mô tả dữ liệu nghiên cứu thông qua các chỉ tiêu chính như giá trị trung bình, giá trị lớn nhất, giá trị nhỏ nhất, skewness, kurtosis và kiểm định Jarque-Bera để xác định xem chuỗi dữ liệu có phân phối chuẩn hay không Chỉ số skewness được sử dụng để đánh giá mức độ phân tán của dữ liệu so với giá trị trung bình, trong khi kurtosis đánh giá mức độ phân tán so với độ lệch chuẩn Những phân tích này cung cấp cái nhìn ban đầu về chuỗi dữ liệu, tạo cơ sở cho các phân tích dữ liệu tiếp theo trong đề tài.
Trong nghiên cứu thực nghiệm với dữ liệu chuỗi thời gian, các biến đưa vào mô hình thường phải là chuỗi dừng Một chuỗi thời gian được coi là dừng khi trung bình và phương sai của nó không thay đổi theo thời gian, và hiệp phương sai giữa hai thời điểm chỉ phụ thuộc vào khoảng cách hay độ trễ thời gian, không phụ thuộc vào thời điểm cụ thể.
Hiệp phương sai : Co var Y Y t , t k g k
Tính dừng là khái niệm quan trọng trong thống kê, yêu cầu chuỗi dữ liệu phải dừng để đảm bảo độ chính xác trong ước lượng tham số và kiểm định giả thuyết Nếu không kiểm tra tính dừng, các phương pháp phân tích như OLS có thể dẫn đến kết quả sai lệch, theo Granger và Newbold (1977) Cụ thể, nếu có biến độc lập cùng xu thế với biến phụ thuộc, các hệ số ước lượng có thể có ý nghĩa thống kê cao nhưng thực chất không phản ánh mối tương quan thực sự Để kiểm tra tính dừng, bài viết sẽ sử dụng kiểm định Augmented Dickey Fuller (ADF), một công cụ phổ biến theo Gujarati (2003) Chi tiết xem thêm phụ lục 1.
3.3.3 Sử dụng mô hình GARCH ước lượng biến động các biến nghiên cứu
Bài viết này tiếp tục mô tả và phân tích chuỗi dữ liệu nghiên cứu sử dụng mô hình GARCH với phần mềm Eviews 6.0, nhằm ước lượng sự biến động của các biến nghiên cứu Các mô hình được áp dụng bao gồm GARCH, GARCH-M và TGARCH, dựa trên nền tảng nghiên cứu của Zakaria và Shamsuddin (2012) và kế thừa từ các nghiên cứu trước đó.
Trong nghiên cứu này, chúng tôi sẽ xác định mô hình tốt nhất bằng cách sử dụng các tiêu chuẩn SBC, AIC và HQ, cùng với sai số dự báo RMSE Theo Nguyễn Trọng Hoài và cộng sự (2013), các tiêu chuẩn này cần được tối ưu hóa, nghĩa là giá trị của chúng càng nhỏ càng tốt.
3.3.4 Xác định độ trễ tối ưu cho mô hình VAR
Trong mô hình VAR, tất cả các biến nghiên cứu đều là biến nội sinh và phụ thuộc vào độ trễ của chính nó Việc ước lượng quá nhiều tham số (2n² hệ số) yêu cầu thực hiện kiểm định để xác định độ trễ tối ưu là rất cần thiết Để lựa chọn độ trễ tối ưu, chúng tôi sẽ sử dụng một số tiêu chí đã được thiết lập sẵn trong phần mềm Eviews 6.0, bao gồm AIC, LR và PPE.
3.3.5 Kiểm định nhân quả Granger
Trong phần này, đề tài sẽ thực hiện kiểm định nhân quả Granger để đánh giá mối quan hệ nhân quả giữa các biến trong mô hình Kiểm định này giúp trả lời câu hỏi liệu sự thay đổi trong biến X có gây ra sự thay đổi trong biến Y và ngược lại hay không.
Ta có các trường hợp sau:
Nếu biến X không có ý nghĩa thống kê, thì sự biến động của nó không phải là nguyên nhân gây ra sự biến động của biến khác.
Nếu không có ý nghĩa thống kê, nhưng khác không và có ý nghĩa thống kê thì biến X chịu sự tác động bởi sự thay đổi của biến Y
Nếu và đều có ý nghĩa thống kê thì X và Y tác động qua lại lẫn nhau Nếu và đều không có ý nghĩa thống kê thì X và Y độc lập với nhau
3.3.6 Kiểm tra tính ổn định của mô hình
Kiểm tra tính ổn định của mô hình là cần thiết để xác định xem mô hình hiện tại có ổn định hay không Nếu mô hình không ổn định, các kết quả ước lượng, đặc biệt là sai số chuẩn của hàm phản ứng đẩy IRF, sẽ không có giá trị Để đánh giá tính ổn định của mô hình VAR, bài nghiên cứu áp dụng các phương pháp kiểm định phù hợp.
Theo lý thuyết AR Roots Graph, một mô hình được coi là ổn định khi tất cả các nghiệm có modulus nhỏ hơn 1 và không có nghiệm nào nằm ngoài vòng tròn nghiệm đơn vị Ngược lại, nếu có bất kỳ nghiệm nào nằm ngoài vòng tròn nghiệm đơn vị, mô hình sẽ được xem là không ổn định.
3.3.7 Hàm phản ứng đẩy (Impulse response function-IRF) và kỹ thuật phân rã phương sai (Variance decomposition)
Hàm phản ứng đẩy (IRF):
Hàm phản ứng đẩy là một chức năng quan trọng phát sinh từ mô hình VAR
Nó cho phép xác định hiệu ứng theo thời gian của cú sốc của một biến nội sinh nào đó đối với các biến khác trong mô hình
Mặc dù hàm phản ứng đẩy cho thấy ảnh hưởng của cú sốc đến các biến còn lại, nhưng điều này chưa đủ vì có thể sự tác động truyền dẫn từ một biến đến biến khác rất nhỏ, trong khi một biến khác lại có ảnh hưởng lớn hơn Do đó, trong phân tích, các nhà kinh tế thường sử dụng kỹ thuật phân rã phương sai để xác định mức độ ảnh hưởng của một biến đến biến số nghiên cứu, và kỹ thuật này cũng được áp dụng trong đề tài.
PHÂN TÍCH DỮ LIỆU VÀ KẾT QUẢ NGHIÊN CỨU
Thống kê mô tả
Với dữ liệu được thu thập theo tháng từ tháng 1 năm 2008 đến tháng 12 năm
Năm 2013, đề tài nghiên cứu tập trung vào ba quốc gia thị trường mới nổi: Hàn Quốc, Thái Lan và Hungary, cùng với Việt Nam Mục tiêu của nghiên cứu là mô tả dữ liệu của các quốc gia này theo các tiêu chí như giá trị lớn nhất, giá trị nhỏ nhất, giá trị trung bình, sai số chuẩn, độ lệch (Skewness) và độ nhọn (Kurtosis), nhằm cung cấp cái nhìn tổng quan về chuỗi dữ liệu Dữ liệu nghiên cứu sẽ được trình bày thông qua các bảng minh họa.
Bảng 4.1 Thống kê mô tả các biến nghiên cứu của Việt Nam
Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0
Bảng 4.2 Thống kê mô tả các biến nghiên cứu của Hàn Quốc
Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0
CPI EXC IP MS R RS
CPI EXC IP MS R RS
Bảng 4.3 Thống kê mô tả các biến nghiên cứu của Thái Lan
Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0
Bảng 4.4 Thống kê mô tả các biến nghiên cứu của Hungari
Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 cho thấy rằng dữ liệu nghiên cứu của các nước không có phân phối chuẩn, dựa trên các chỉ tiêu Skewness, Kurtosis và kiểm định Jarque-Bera Cụ thể, các biến trong chuỗi dữ liệu nghiên cứu của Việt Nam có đặc điểm lệch trái và nhọn với hệ số Skewness âm và Kurtosis dương, ngoại trừ lãi suất Tương tự, dữ liệu của Hungary cũng cho thấy sự phân phối tương tự, với phần lớn dữ liệu tập trung bên phía phải Đối với Hàn Quốc, hệ số Skewness của các biến như CPI, IP và MS cũng được ghi nhận.
RS là âm trong khi đó EXC và R là dương, ngoài ra Kurtosis là dương điều
CPI EXC IP MS R RS
CPI EXC IP MS R RS
Observations 72 72 72 72 72 72 liệu tập trung của chuỗi CPI, IP, MS tập trung bên phía phải của phân phối trong khi đó ngược lại EXC và RS thì phần lớn chuỗi dữ liệu lại tập trung bên phía trái của phân phối Tương tự cho trường hợp của Thái Lan thì IP, R, RS thì phần lớn chuỗi dữ liệu tập trung bên phía phải của phân phối trong khi đó các biến EXC, MS, CPI thì phần lớn chuỗi dữ liệu tập trung bên phía trái của phân phối.
Kiểm định tính dừng
Trong phần này, bài viết sẽ áp dụng kiểm định nghiệm đơn vị để xác định tính dừng của chuỗi dữ liệu nghiên cứu Nếu chuỗi dữ liệu không dừng, kỹ thuật lấy sai phân sẽ được sử dụng để chuyển đổi nó thành dữ liệu dừng Thông tin chi tiết về quy trình kiểm định có thể được tìm thấy trong phụ lục 2.
Bảng 4.5 Kiểm định tính dừng các biến của Việt Nam
Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 cho thấy rằng các chuỗi dữ liệu nghiên cứu ở Việt Nam đều dừng ở sai phân bậc 1, ngoại trừ hai biến EXC và RS, vốn dừng ở chuỗi gốc.
Bảng 4.6 Kiểm định tính dừng các biến của Hàn Quốc
Biến CPI IP MS EXC R RS
Biến CPI IP MS EXC R RS
Kết quả kiểm định cho thấy các biến nghiên cứu của Hàn Quốc dừng ở chuỗi gốc ngoại trừ CPI và R là dừng ở sai phân bậc 1
Bảng 4.7 Kiểm định tính dừng các biến của Thái Lan
Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 cho thấy rằng các biến nghiên cứu của Thái Lan đều dừng ở chuỗi gốc, ngoại trừ biến EXC và R, mà dừng ở sai phân bậc 1.
Bảng 4.8 Kiểm định tính dừng các biến của Hungari
Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 cho thấy các biến nghiên cứu của Hungary đều dừng ở sai phân bậc 1, ngoại trừ chỉ số CPI dừng ở sai phân bậc 2 và RS dừng ở chuỗi gốc.
Ước lượng độ biến động của thị trường chứng khoán và các biến
4.3.1.Ước lượng độ biến động của thị trường chứng khoán
Trong phần này, đề tài tiến hành hành ước lượng độ biến động của thị trường
Biến CPI IP MS EXC R RS
Biến CPI IP MS EXC R RS
Bài viết xem xét lược đồ tương quan để xác định dạng chuỗi dữ liệu nghiên cứu là MA (Moving Average) hay AR (Auto Regression) Sau đó, tiến hành ước lượng các mô hình GARCH và đánh giá các điều kiện tồn tại cũng như các tiêu chí AIC, SBC, HQ và RSME để lựa chọn mô hình phù hợp diễn tả biến động của thị trường chứng khoán Kết quả cho thấy mô hình AR(1)-GARCH(1,1) phù hợp cho thị trường chứng khoán Việt Nam và Hàn Quốc, trong khi thị trường chứng khoán Thái Lan phù hợp với mô hình MA(1) MA(3) MA(4) MA(6)-GARCH(1,1), và thị trường chứng khoán Hungary với mô hình MA(1)-GARCH(1,1) Chi tiết các ước lượng được trình bày trong phụ lục 3.
Bảng 4.9 Kết quả ước lượng độ biến động của thị trường chứng khoán
Việt Nam Hàn Quốc Thái Lan Hungari
MA(1) MA(3) MA(4) MA(6)- GARCH(1,1)
0.4291 (0.0000) Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0
Dựa trên các mô hình đã chọn, đề tài tiến hành kiểm định phần dư của mô hình, cho thấy phần dư của các mô hình là dừng Kết quả này được tổng hợp trong bảng dưới đây, với phần dư của mỗi mô hình được ký hiệu là E_tên biến_tên nước nghiên cứu Để biết thêm chi tiết, vui lòng tham khảo phụ lục 4.
Bảng 4.10 Kết quả kiểm định tính dừng của phần dư_ ước lượng độ biến động thị trường chứng khoán
Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 cho thấy phần dư của các mô hình đều dừng lại, điều này chứng tỏ rằng mô hình GARCH được chọn là phù hợp.
4.3.2 Ước lượng độ biến động của các biến số kinh tế vĩ mô
Quy trình ước lượng các biến số kinh tế vĩ mô được thực hiện tương tự như ước lượng sự biến động của thị trường chứng khoán Kết quả ước lượng phương trình phương sai của các biến số này đã được tổng hợp trong bảng dưới đây.
Bảng 4.11 Ước lượng sự biến động của các biến số kinh tế vĩ mô của Việt Nam
Biến E_RS_Việt Nam E_RS_Hàn Quốc E_RS_Thái Lan E_RS_Hungari Giá trị thống kê t -3.8703 -3.8431 -2.7987 -7.6549 t-1% -3.5402 -3.5285 -3.5285 -3.5256 t-5% -2.9092 -2.9042 -2.9042 -2.9030 t-10% -2.5922 -2.5896 -2.5896 -2.5889
Kết quả Dừng Dừng Dừng Dừng
Kết quả ước lượng cho thấy rằng tin tức tốt và tin tức xấu có tác động khác nhau đến sự biến động của các biến IP, MS, EXC và R, với hệ số β3 trong phương trình phương sai có ý nghĩa thống kê.
Đề tài cũng thực hiện kiểm định phần dư của các mô hình đã chọn, và kết quả cho thấy phần dư của các mô hình là dừng Kết quả này được tổng hợp trong bảng dưới đây, với phần dư được ký hiệu là E_tên biến Để biết thêm chi tiết, vui lòng tham khảo phụ lục 3.
Bảng 4.12 Kết quả kiểm định tính dừng phần dư_ sự biến động các biến số kinh tế vĩ mô Việt Nam
Biến E_CPI E_IP E_EXC E_MS E_R
Kết quả Dừng Dừng Dừng Dừng Dừng
Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 cho thấy các phần dư của các biến là dừng, điều này chứng tỏ rằng việc lựa chọn mô hình GARCH là hợp lý.
Bảng 4.13 Ước lượng độ biến động các biến số kinh tế vĩ mô của Hàn Quốc
0.046942 (0.6773) Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0
Đề tài cũng kiểm định tính dừng của phần dư từ mô hình đã chọn, với kết quả cho thấy phần dư của các mô hình đều đạt tính dừng (ký hiệu là E_tên biến) Tất cả các kết quả này được tổng hợp trong bảng dưới đây.
Bảng 4.14 Kết quả kiểm định tính dừng phần dư_ sự biến động các biến số kinh tế vĩ mô Hàn Quốc
Biến E_CPI E_IP E_EXC E_MS E_R
Kết quả Dừng Dừng Dừng Dừng Dừng
Nguồn: Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 Kết quả phần dư dừng cho thấy các dạng mô hình GARCH đươc chọn là phù hợp
Bảng 4.15 Ước lượng độ biến động các biến số kinh tế vĩ mô của Thái Lan
Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 cho thấy sự biến động của chỉ số CPI (Chỉ số Giá tiêu dùng) có sự khác biệt đáng kể khi có tin tức tốt và tin tức xấu Cụ thể, hệ số β3 có ý nghĩa thống kê ở mức 1%, cho thấy có mối quan hệ đáng kể giữa tin tức và biến động của chỉ số CPI.
Đề tài cũng tiến hành kiểm định phần dư của các biến kinh tế vĩ mô được ước lượng qua các mô hình đã chọn Kết quả cho thấy phần dư của các mô hình đều dừng lại, ký hiệu là E_tên biến.
Bảng 4.16 Kết quả kiểm định tính dừng phần dư_ sự biến động các biến số kinh tế vĩ mô Thái Lan
Biến E_CPI E_IP E_EXC E_MS E_R
Kết quả Dừng Dừng Dừng Dừng Dừng
Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 cho thấy các mô hình GACRH được chọn để đo lường độ biến động là phù hợp, dựa trên phân dư dừng.
Bảng 4.17 Ước lượng độ biến động các biến số kinh tế vĩ mô của Hungari
AR(1) AR(2) AR(8) AR(12)- TGARCH(1,1)
Kết quả phân tích dữ liệu từ phần mềm Eviews 6.0 cho thấy sự biến động của các biến IP, MS, và EXC khác nhau khi có tin tức tốt và xấu Đề tài cũng thực hiện kiểm định phần dư của mô hình đã chọn để ước lượng sự biến động của các biến số kinh tế vĩ mô.
