chia mẫu làm hai giai đoạn: từ 02/01/2013 đến 28/11/2014: dùng để ước lượng chọn mô hình, còn từ 01/12/2014 đến 31/12/2014: Dự báo hậu nghiệm Đề tài chỉ dựa vào dữ liệu chuỗi thời gian t
MỤC TIÊU NGHIÊN CỨU
Mục tiêu nghiên cứu của luận văn là:
Mô hình ARMA – GARCH là công cụ quan trọng trong phân tích dữ liệu thời gian, giúp hệ thống hóa cơ sở lý luận và ứng dụng hiệu quả trong việc dự báo biến động của chuỗi thời gian Việc áp dụng các mô hình này không chỉ nâng cao khả năng dự đoán mà còn cung cấp cái nhìn sâu sắc về tính biến động của dữ liệu.
Mô hình ARMA - GARCH được ứng dụng để phân tích và dự báo giá cũng như rủi ro của chỉ số Vn-index và Hn-index Việc sử dụng chuỗi thời gian trong dự báo giá cổ phiếu và các chỉ số thị trường đang trở nên phổ biến trên toàn cầu Phương pháp này có ưu điểm là chỉ cần dữ liệu theo chuỗi thời gian, làm cho nó phù hợp với dự báo thị trường chứng khoán Tuy nhiên, nhược điểm lớn nhất là khả năng dự báo xu thế dài hạn của thị trường không hiệu quả.
Mô hình chuỗi thời gian phổ biến nhất là ARIMA và phương pháp Box-Jenkins, được nghiên cứu bởi George Box và Gwilym Jenkins vào năm 1976 Phương pháp Box-Jenkins bao gồm bốn bước quan trọng: nhận dạng mô hình thử nghiệm, ước lượng, kiểm định bằng chẩn đoán, và dự báo Kỹ thuật ARIMA không dựa trên các phương trình cụ thể mà tập trung vào phân tích tính chất ngẫu nhiên của chuỗi thời gian, cho phép giải thích hành vi dựa trên dữ liệu trong quá khứ.
Mô hình ARIMA thường được xem là mô hình phi lý thuyết do không dựa trên bất kỳ lý thuyết kinh tế nào Ba yếu tố ngẫu nhiên trong mô hình này đóng vai trò quan trọng trong việc phân tích và dự đoán dữ liệu thời gian.
Theo Harry Markowitz, rủi ro cổ phiếu được đo bằng phương sai hoặc độ lệch chuẩn của tỷ suất sinh lời Các chuỗi dữ liệu chứng khoán thường trải qua giai đoạn dao động cao và thấp, chịu ảnh hưởng của tin tức tốt xấu và hành vi đám đông của nhà đầu tư Do đó, giả định phương sai không đổi theo thời gian không còn phù hợp với dữ liệu thời gian Mô hình phương sai có điều kiện, đặc biệt là GARCH, được sử dụng phổ biến trong tài chính để dự báo rủi ro và phù hợp với dữ liệu chuỗi thời gian ngắn như giá cổ phiếu Mô hình này giúp dự đoán độ giao động của suất sinh lời cổ phiếu theo thời gian.
Mô hình ARMA - GARCH đã chứng minh hiệu quả trong việc dự báo chuỗi thời gian, giúp nhà đầu tư có cái nhìn sâu sắc về biến động thị trường Dựa trên kết quả dự báo, các khuyến cáo được đưa ra nhằm tối ưu hóa chiến lược đầu tư Nhà đầu tư nên cân nhắc sử dụng mô hình này để cải thiện quyết định đầu tư, đồng thời theo dõi thường xuyên để điều chỉnh kịp thời khi có sự thay đổi trong dữ liệu.
CÂU HỎI NGHIÊN CỨU
Trong các mô hình ARMA (p,q) hay GARCH(p,q) xây dựng được, mô hình nào phù hợp để phân tích dự báo giá & rủi ro chỉ số Vnindex & Hn-index nhất?
Nhà đầu tư nên chú ý đến vấn đề gì trong đầu tư khi sử dụng mô hình ARMA GARCH?
Đối tượng nghiên cứu của luận văn tập trung vào thị trường cổ phiếu niêm yết tại Việt Nam, với dữ liệu phân tích từ ngày 02/01/2013 đến 31/12/2014 Các chỉ số VN và HN từ Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh và Sở Giao dịch Chứng khoán Hà Nội được sử dụng, phản ánh giá đóng cửa hàng ngày của thị trường Những chỉ số này sẽ được điều chỉnh khi có sự kiện như chia tách cổ phiếu, chia cổ tức hoặc sáp nhập, với tổng cộng 497 quan sát trong nghiên cứu.
Bài viết chia thành hai giai đoạn: từ 02/01/2013 đến 28/11/2014 để ước lượng và chọn mô hình, và từ 01/12/2014 đến 31/12/2014 để dự báo hậu nghiệm Nghiên cứu dựa trên dữ liệu chuỗi thời gian tài chính quá khứ của chỉ số Vnindex và Hn-index, áp dụng phương pháp BJ để xây dựng mô hình ARIMA phù hợp nhằm dự báo chỉ số Vnindex trong ngắn hạn Từ mô hình này, bài viết đưa ra các khuyến cáo cho các nhà hoạch định chính sách và nhà đầu tư về việc mở rộng ứng dụng mô hình Tuy nhiên, đề tài không tập trung vào việc tìm hiểu tính phổ biến của mô hình ARMA – GARCH trong dự báo chỉ số Vnindex.
Dữ liệu trong bài viết được thu thập từ website https://www.hsx.vn và http://www.hnx.vn, tập trung phân tích chuỗi thời gian trong quá khứ của Vn-Index và Hn-Index.
Tôi giới hạn nghiên cứu vào thị trường cổ phiếu niêm yết Việt Nam để đảm bảo đề tài phản ánh chính xác tình hình hiện tại của thị trường, từ đó nâng cao khả năng ứng dụng thực tiễn.
Để xây dựng mô hình ARMA – GARCH, bài nghiên cứu thu thập dữ liệu từ chỉ số VN-Index và HN-Index, được lấy từ Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh Dữ liệu được quan sát theo ngày trong khoảng thời gian từ 02/01/2013 đến 31/12/2014, với tổng số 497 quan sát.
Gọi chỉ số Vn-index & Hn-index tại thời điểm t là Pt, khi đó lợi tức của Vnindex
Hệ số HN-index trong khoảng thời gian từ t1 đến t được tính bằng công thức rt = log Pt – log Pt-1 Bằng cách sử dụng chuỗi chỉ số Vn-index và Hn-index, chúng ta có thể dự báo các chỉ số này trong tương lai cùng với chuỗi rt để đánh giá rủi ro Để mô tả dữ liệu, chúng ta sử dụng đồ thị hàm mật độ và thực hiện kiểm định Jargue-Bera Thống kê JB là công cụ phổ biến trong phân tích dữ liệu trước khi lựa chọn mô hình và kiểm định phần dư trong phân tích hồi quy.
5.4 Vận dụng phương pháp BJ trong ước lượng và kiểm định mô hình
Để nhận diện mô hình ARMA(p,q), cần xác định các giá trị thích hợp cho p và q dựa trên đồ thị SACF và SPACF SACF là hàm tự tương quan mẫu, trong khi SPACF là hàm tự tương quan mẫu riêng phần Để xác định độ trễ p, hệ số tự tương quan sẽ nhanh chóng tiến gần đến không, trong khi hệ số tự tương quan riêng phần sẽ khác không một cách có ý nghĩa thống kê cho đến độ trễ p và sau đó sẽ bằng không Đối với độ trễ q, hệ số tự tương quan có xu hướng khác không cho đến độ trễ q và sẽ bằng không ngay sau đó, trong khi hệ số tự tương quan sẽ nhanh chóng tiến gần đến không.
Để ước lượng các thông số của mô hình ARMA(p,q) và GARCH, các tham số 𝜑 và 𝛿 trong mô hình ARMA(p,q) được xác định bằng phương pháp bình phương bé nhất, trong khi các thông số của mô hình GARCH được ước lượng thông qua các phương pháp khác.
5.4.3 Kiểm tra chuẩn đoán mô hình
Sau khi xác định phương trình cho mô hình ARMA, bước tiếp theo là kiểm tra xem số hạng u có phải là nhiễu trắng hay không Nếu có nhiều hơn một mô hình phù hợp, mô hình với tiêu chuẩn AIC (Akaike Information Criterion) nhỏ nhất và chỉ số Log likelihood lớn nhất sẽ được ưu tiên lựa chọn.
Trước khi ước lượng các mô hình GARCH(p,q), việc kiểm tra sự tồn tại của ảnh hưởng ARCH là rất quan trọng Nếu phần dư bình phương có sự tương quan, điều này cho thấy mô hình có hiệu ứng ARCH, từ đó cần tiến hành ước lượng GARCH.
5.4.4 Dự báo: Sử dụng mô hình vừa thiết kế để dự báo điểm và khoảng tin cậy cho chuỗi
Vn-index & Hn-index tại khoảng thời gian từ ngày ngày 02/01/2014 – 31/12/2014 bằng
6 phần mềm eview với độ tin cậy là 95% và k=1.96 như sau:
Dự báo điểm Vn-index & Hn-index
Dự báo phương sai của chuỗi ht+1
Khoảng tin cậy Vn-indexf − k*se(Vn-index) < Vn-indexf < Vn-indexf + k*se(Vn-index)
Sai số dự báo là chỉ số quan trọng giúp đánh giá mức độ chính xác của giá trị dự báo so với giá trị thực tế Thực tế, sai số dự báo được tính bằng cách đo lường sự chênh lệch giữa giá trị thực tế và giá trị dự báo tương ứng.
6 NHỮNG ĐIỂM MỚI CỦA ĐỀ TÀI
Tuy còn nhiều hạn chế nhưng đề tài cũng có những điểm mới sau:
Mô hình dự báo phân tích thị trường cổ phiếu niêm yết tại Việt Nam hiện nay có thể trở thành công cụ hữu ích cho nhà đầu tư, giúp họ đưa ra quyết định thông minh hơn trong việc đầu tư.
Mô hình ARIMA, ARCH/GARCH là những công cụ quan trọng trong phân tích chuỗi thời gian, và việc áp dụng chúng cần lưu ý một số điểm quan trọng Trước hết, việc lựa chọn tham số phù hợp cho mô hình ARIMA là rất cần thiết để đảm bảo tính chính xác của dự báo Thứ hai, mô hình ARCH/GARCH giúp phân tích và dự đoán biến động trong dữ liệu tài chính, đặc biệt là khi có sự hiện diện của tính không ổn định Ngoài ra, cần mở rộng cách ứng dụng các mô hình này sang các lĩnh vực chưa được đề cập trước đây, như dự đoán xu hướng tiêu dùng hoặc phân tích rủi ro trong đầu tư Việc tích hợp các mô hình này với công nghệ mới như học máy cũng có thể mang lại những kết quả khả quan hơn trong nghiên cứu.
7 TỔNG QUAN VỀ CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN ĐẾN ĐẾN TÀI TRONG NƯỚC VÀ THẾ GIỚI
Kể từ khi cuốn sách "Phân tích chuỗi thời gian: Dự báo và kiểm soát" được xuất bản vào năm 1970, một kỷ nguyên mới trong công cụ dự báo đã ra đời, đặc biệt trong lĩnh vực phân tích dữ liệu chuỗi thời gian Trong đó, phương pháp ARIMA đã trở thành một trong những phương pháp luận nổi bật và có ảnh hưởng sâu rộng.
Tại hội nghị quốc tế IEEE từ ngày 03 đến ngày 06 tháng 6 năm 1996 diễn ra tại
Hai học giả Jung-Hua Wang và Jia-Yann Leu từ trường đại học đại dương quốc gia Đài Loan đã công bố kết quả dự báo xu hướng chỉ số giá TSEWSI của thị trường chứng khoán Đài Loan trong trung hạn bằng mô hình ARIMA (1, 2, 1) Kết quả cho thấy dự báo cho thị trường chứng khoán Đài Loan trong 6 tuần tới đạt độ chính xác chấp nhận được, vượt trội hơn so với các mô hình dự báo khác.
PHƯƠNGPHÁPNGHIÊNCỨU
Để xây dựng mô hình ARMA – GARCH, bài nghiên cứu thu thập chỉ số Vn-index và HN-index từ Sở giao dịch chứng khoán thành phố Hồ Chí Minh, với dữ liệu được quan sát theo ngày trong khoảng thời gian từ 02/01/2013 đến 31/12/2014, tổng cộng 497 quan sát.
Gọi chỉ số Vn-index & Hn-index tại thời điểm t là Pt, khi đó lợi tức của Vnindex
HN-index trong khoảng thời gian từ t1 đến t được tính bằng rt = log Pt – log Pt-1 Bằng cách sử dụng chuỗi chỉ số Vn-index và Hn-index, chúng ta có thể dự báo các chỉ số này trong tương lai cùng với chuỗi rt để đánh giá rủi ro Để mô tả dữ liệu, chúng ta sử dụng đồ thị hàm mật độ và kiểm định Jargue-Bera Thống kê JB là công cụ phổ biến trong phân tích dữ liệu trước khi lựa chọn mô hình và kiểm định phần dư trong phân tích hồi quy.
5.4 Vận dụng phương pháp BJ trong ước lượng và kiểm định mô hình
Nhận diện mô hình ARMA(p,q) liên quan đến việc xác định các giá trị thích hợp của p và q dựa trên đồ thị SACF và SPACF SACF là hàm tự tương quan mẫu, trong khi SPACF là hàm tự tương quan mẫu riêng phần Để xác định độ trễ p, hệ số tự tương quan sẽ nhanh chóng tiến gần về không, trong khi hệ số tự tương quan riêng phần vẫn khác không cho đến độ trễ p và sau đó trở về không Đối với độ trễ q, hệ số tự tương quan sẽ khác không cho đến độ trễ q và sau đó bằng không, trong khi hệ số tự tương quan sẽ nhanh chóng tiến gần về không ngay lập tức.
Để ước lượng các thông số của mô hình ARMA(p,q) và GARCH, các thông số 𝜑 và 𝛿 của mô hình ARMA(p,q) được xác định thông qua phương pháp bình phương bé nhất Trong khi đó, các thông số của mô hình GARCH được xác định bằng phương pháp khác.
5.4.3 Kiểm tra chuẩn đoán mô hình
Sau khi xác định phương trình cho mô hình ARMA, bước tiếp theo là kiểm tra xem số hạng u có phải là nhiễu trắng hay không Nếu có nhiều hơn một mô hình hợp lệ, mô hình với tiêu chuẩn AIC nhỏ nhất và chỉ số Log likelihood lớn nhất sẽ được ưu tiên lựa chọn.
Trước khi ước lượng các mô hình GARCH(p,q), việc kiểm định ảnh hưởng ARCH là rất quan trọng Nếu phần dư bình phương có tương quan, điều này cho thấy sự tồn tại của hiệu ứng ARCH, và chúng ta có thể tiến hành ước lượng mô hình GARCH.
5.4.4 Dự báo: Sử dụng mô hình vừa thiết kế để dự báo điểm và khoảng tin cậy cho chuỗi
Vn-index & Hn-index tại khoảng thời gian từ ngày ngày 02/01/2014 – 31/12/2014 bằng
6 phần mềm eview với độ tin cậy là 95% và k=1.96 như sau:
Dự báo điểm Vn-index & Hn-index
Dự báo phương sai của chuỗi ht+1
Khoảng tin cậy Vn-indexf − k*se(Vn-index) < Vn-indexf < Vn-indexf + k*se(Vn-index)
Sai số dự báo là thước đo cho thấy mức độ gần gũi giữa giá trị dự báo và giá trị thực tế Thực tế, sai số dự báo được xác định bằng cách tính chênh lệch giữa các giá trị thực tế và giá trị dự báo tương ứng.
NHỮNGĐIỂMMỚICỦAĐỀTÀI
Tuy còn nhiều hạn chế nhưng đề tài cũng có những điểm mới sau:
Mô hình dự báo phân tích thị trường cổ phiếu niêm yết tại Việt Nam hiện nay có thể trở thành công cụ hữu ích cho nhà đầu tư Việc áp dụng mô hình này sẽ giúp các nhà đầu tư đưa ra quyết định chính xác hơn trong bối cảnh thị trường biến động.
Mô hình ARIMA, ARCH/GARCH là những công cụ quan trọng trong phân tích chuỗi thời gian, tuy nhiên, khi áp dụng chúng, cần lưu ý một số điểm quan trọng như việc lựa chọn tham số phù hợp và kiểm tra tính ổn định của mô hình Bên cạnh đó, có thể mở rộng ứng dụng của các mô hình này bằng cách kết hợp với các kỹ thuật học máy hoặc khai thác dữ liệu lớn, điều này chưa được đề cập nhiều trong các nghiên cứu trước đây Việc nghiên cứu sâu hơn về các phương pháp mở rộng này sẽ giúp nâng cao độ chính xác và hiệu quả trong dự đoán các biến động tài chính.
TỔNG QUAN VỀ CÁC CÔNG TRÌNH NGHIÊN CỨU
Kể từ khi xuất bản cuốn sách "Phân tích chuỗi thời gian: Dự báo và kiểm soát" vào năm 1970, lĩnh vực dự báo đã bước vào một kỷ nguyên mới, đặc biệt trong phân tích dữ liệu chuỗi thời gian Phương pháp luận ARIMA đã trở thành một trong những công cụ dự báo phổ biến và có ảnh hưởng nhất trong lĩnh vực này.
Tại hội nghị quốc tế IEEE từ ngày 03 đến ngày 06 tháng 6 năm 1996 diễn ra tại
Hai học giả Jung-Hua Wang và Jia-Yann Leu từ trường đại học đại dương quốc gia Đài Loan đã công bố kết quả dự báo xu hướng chỉ số giá TSEWSI của thị trường chứng khoán Đài Loan trong trung hạn bằng mô hình ARIMA (1, 2, 1) Kết quả cho thấy khả năng dự báo cho thị trường chứng khoán Đài Loan trong 6 tuần tới đạt độ chính xác chấp nhận được và vượt trội hơn so với các mô hình dự báo khác.
Vào tháng 6 năm 2010, giáo sư Emenike Kalu O tại khoa Tài chính Ngân hàng, trường đại học Nigeria, bang Enugu, đã phát triển mô hình ARIMA (1,1,1) để dự báo thị trường cổ phiếu Nigeria từ tháng 1 năm 1985 đến tháng 12 năm 2009 Kết quả cho thấy mô hình ARIMA phù hợp với thực tế giai đoạn 1985-2008, nhưng lại không chính xác trong bối cảnh khủng hoảng kinh tế toàn cầu năm 2009 Điều này chỉ ra rằng khủng hoảng đã làm suy yếu mối tương quan giữa hiện tại và quá khứ, dẫn đến sự sai lệch trong dự báo của mô hình ARIMA khi gặp cú sốc lớn Nghiên cứu này nhấn mạnh rằng mô hình ARIMA không phải lúc nào cũng chính xác và hiệu quả dự báo phụ thuộc vào giai đoạn lấy mẫu của chuỗi dữ liệu, với thông tin tác động khác nhau trong mỗi thời kỳ.
Mô hình ARCH/GARCH, mặc dù xuất hiện từ thập niên 90, nhưng chỉ thực sự trở nên phổ biến trong khoảng một thập kỷ qua Hiện nay, các nghiên cứu về ARCH/GARCH đang trong quá trình phát triển mạnh mẽ, đặc biệt là trong việc phân tích rủi ro Trong lĩnh vực chứng khoán, có nhiều tác phẩm ứng dụng nổi bật đã được thực hiện.
Trong bài viết “Ứng dụng mô hình GARCH để dự báo sự biến động của thị trường chứng khoán” Malaysia, các học giả từ trường đại học Putra đã phân tích dữ liệu chỉ số giá từ Sở giao dịch chứng khoán Kuala Lumpur để dự báo rủi ro thị trường Năm 2006, các giáo sư từ đại học Wollongong, Úc, đã công bố nghiên cứu về mối quan hệ giữa thị trường chứng khoán Thái Lan và các thị trường khác, sử dụng mô hình GARCH-M với dữ liệu từ tháng 01/1988 đến 12/2004 Hơn nữa, vào năm 2007, các nhà nghiên cứu Đài Loan đã áp dụng mô hình GARCH để phân tích vấn đề thao túng giá và thông tin bất cân xứng trên thị trường chứng khoán, đồng thời chứng minh rằng giảm phát kỳ vọng là nguyên nhân gây ra sự biến động của thị trường trong giai đoạn khủng hoảng kinh tế 1997-1998, trong khi phần bù rủi ro vẫn không thay đổi.
Mô hình GARCH được sử dụng để phân tích rủi ro trong các cơ hội đầu tư quốc tế, theo nghiên cứu của Marius Matei tại Viện nghiên cứu kinh tế quốc gia Tây Ban Nha năm 2010 Hongyu Pan và Zhichao Zhang (2006) đã đánh giá hiệu suất của mô hình GARCH trên chuỗi chỉ số Composite của thị trường chứng khoán Shanghai và chỉ số Component của thị trường chứng khoán Shenzhen từ tháng 01/2000 đến 12/2004, với giả định sai số có phân phối chuẩn, Student’s-t và Student’s-t chệch Kết quả nghiên cứu cho thấy mô hình GARCH với phân phối Student’s-t được ủng hộ hơn cho cả hai chỉ số Shanghai và Shenzhen.
Trong lĩnh vực nghiên cứu khoa học tại Việt Nam, một số công trình đáng chú ý bao gồm luận văn của Nguyễn Ngọc Thiệp tại Đại học Quốc gia Hà Nội, trong đó trình bày các phương pháp khai phá dữ liệu tài chính và chứng khoán thông qua mô hình ARIMA và các lý thuyết cơ bản về chuỗi thời gian Nhà nghiên cứu Nguyên Chương từ Trường Đại học Kinh tế Đà Nẵng cũng đã ứng dụng mô hình ARIMA để dự báo lạm phát Hơn nữa, nhóm tác giả Bùi Quang Trung, Nguyễn Quang Minh Nhi, Lê Văn Hiếu và Nguyễn Hồ Diệu Uy tại Trường Đại học Kinh tế Đà Nẵng đã sử dụng mô hình ARIMA để dự báo Vn-Index Cuối cùng, luận văn “Rủi ro trong đầu tư cổ phiếu trên thị trường chứng khoán Việt Nam” của Hồ Thị Huyền Trang đã phân tích các rủi ro tiềm ẩn khi đầu tư vào cổ phiếu.
CK Việt Nam, đồng thời đưa ra các giải pháp nhằm hạn chế các rủi ro đó
Mô hình ARIMA và ARCH/GARCH đã được áp dụng trong nghiên cứu thị trường chứng khoán Việt Nam, nhưng độ chính xác của kết quả phụ thuộc vào tính chất dữ liệu Do đó, bài viết này nhằm kiểm tra khả năng ứng dụng của các mô hình này trong việc phân tích và dự báo giá cũng như rủi ro của thị trường, tập trung vào hai chỉ số Vn-Index và Hn-Index Kết quả ước lượng từ mô hình sẽ được sử dụng để đưa ra khuyến nghị và đề xuất mở rộng mô hình, nhằm nâng cao hiệu quả áp dụng trong thực tiễn.
KẾTCẤUĐỀTÀI
Luận văn được trình bày thành ba chương:
CÁC PHƯƠNG PHÁP DỰ BÁO GIÁ & RỦI ROTỔNG
KHÁINIỆMCHỈSỐGIÁ,TỶSUẤTSINHLỢI,RỦIROTHỊTRƯỜNG, CHUỖI THỜI GIAN TRONG TÀI CHÍNH
Chỉ số giá cổ phiếu phản ánh giá chứng khoán trung bình hiện tại so với giá trung bình của thời kỳ gốc Tại Việt Nam, hai chỉ số chứng khoán chủ yếu là VnIndex và Hn-Index, cả hai đều được tính toán theo phương pháp bình quân gia quyền Công thức tính các chỉ số này rất quan trọng để theo dõi biến động thị trường.
P1i: Giá hiện hành của cổ phiếu i
Q1i: Khối lượng đang lưu hành của cổ phiếu i
P0i: Giá của cổ phiếu i thời kì gốc
Q0i: Khối lượng của cổ phiếu i tại thời kì gốc
Chỉ số giá cổ phiếu là một phong vũ biểu quan trọng phản ánh tình hình hoạt động của thị trường chứng khoán, đồng thời là cơ sở để đánh giá hiệu quả của nền kinh tế.
1.1.2Suất sinh lời của thị trường
Suất sinh lời của thị trường là yếu tố quan trọng để đánh giá mức độ hấp dẫn khi đầu tư Tương tự như suất sinh lời của cổ phiếu, suất sinh lời của thị trường được tính dựa trên chuỗi dữ liệu chỉ số giá Công thức tính tỷ suất sinh lời của thị trường giúp nhà đầu tư có cái nhìn rõ ràng hơn về tiềm năng lợi nhuận.
Tỷ suất sinh lời dựa trên nguyên tắc lãi kép với số ghép lãi vô hạn thường chính xác hơn so với việc tính toán sinh lợi theo nguyên tắc số kỳ ghép lãi rời rạc, do hoạt động đầu tư và tái đầu tư diễn ra liên tục.
1.1.3Rủi ro của thị trường cổ phiếu
1.1.3.1Khái niệm về rủi ro
Rủi ro là những kết cục không mong đợi có thể xảy ra trong tương lai, và được định nghĩa khác nhau tùy theo lĩnh vực nghiên cứu Trong quản trị rủi ro, "Hiểm họa" (Hazard) chỉ sự kiện có khả năng gây thiệt hại, trong khi "Rủi ro" (Risk) thể hiện xác suất xảy ra của sự kiện đó Rủi ro chỉ xuất hiện khi có sự không chắc chắn về mất mát, nghĩa là nếu kết cục mất mát là chắc chắn, thì không được coi là rủi ro Một mất mát không chắc chắn có thể xảy ra hoặc không, nhưng vẫn tiềm ẩn khả năng gây thiệt hại cho người ra quyết định.
Trong lĩnh vực tài chính, rủi ro đại diện cho mức độ biến động và bất ổn trong giao dịch và đầu tư Rủi ro tài chính xảy ra khi có sự thay đổi không lường trước được về giá trị tài sản hoặc khoản nợ, ảnh hưởng đến tổ chức tài chính và nhà đầu tư trong hoạt động của thị trường.
1.1.3.2Phân loại rủi ro: Có nhiều cách phân loại rủi ro, ở đây ta chia rủi ro thành 2 loại: rủi ro hệ thống và rủi ro phi hệ thống
Rủi ro hệ thống ảnh hưởng đến toàn bộ hoặc hầu hết các chứng khoán, thường xuất phát từ sự bất ổn của môi trường kinh tế Các yếu tố như sụt giảm GDP, biến động lãi suất và thay đổi tốc độ lạm phát đều góp phần tạo ra loại rủi ro này.
Rủi ro thị trường là một trong những yếu tố chính của rủi ro hệ thống, phát sinh từ phản ứng của các nhà đầu tư đối với các hiện tượng trên thị trường Những đợt sụt giảm đầu tiên thường tạo ra nỗi sợ hãi cho các nhà đầu tư, dẫn đến việc họ rút vốn ồ ạt Hành động này tạo ra một phản ứng dây chuyền, khiến giá chứng khoán giảm xuống dưới giá trị cơ sở.
Rủi ro lãi suất là tình trạng giá chứng khoán biến động do sự dao động của lãi suất thị trường Mối quan hệ giữa lãi suất và giá chứng khoán là tỷ lệ nghịch; khi lãi suất thị trường tăng, nhà đầu tư thường bán chứng khoán để gửi tiền vào ngân hàng, dẫn đến giá chứng khoán giảm, và ngược lại.
Rủi ro sức mua là một yếu tố rủi ro hệ thống quan trọng, liên quan đến ảnh hưởng của lạm phát đối với các khoản đầu tư Lợi tức thực tế của chứng khoán được xác định bằng cách lấy lợi tức danh nghĩa trừ đi mức lạm phát, điều này cho thấy tầm quan trọng của việc xem xét lạm phát khi đánh giá hiệu suất đầu tư.
Rủi ro phi hệ thống
Rủi ro phi hệ thống là loại rủi ro ảnh hưởng đến một loại tài sản hoặc nhóm tài sản cụ thể, chỉ liên quan đến một loại chứng khoán nhất định Hai loại rủi ro phi hệ thống chính bao gồm rủi ro kinh doanh và rủi ro tài chính.
Trong kinh doanh, khi định mức thực tế không đạt kế hoạch, đó được gọi là rủi ro kinh doanh, ví dụ như lợi nhuận năm tài chính thấp hơn dự kiến Rủi ro kinh doanh bao gồm yếu tố bên ngoài và nội tại của công ty Rủi ro nội tại phát sinh trong quá trình hoạt động của công ty, trong khi rủi ro bên ngoài là những tác động nằm ngoài tầm kiểm soát, ảnh hưởng đến tình hình hoạt động, chẳng hạn như chi phí vay, thuế và chu kỳ kinh doanh.
Rủi ro tài chính xuất phát từ đòn bẩy tài chính và cấu trúc nợ của công ty, dẫn đến nghĩa vụ trả nợ và lãi suất Nếu công ty không vay nợ, rủi ro tài chính có thể được giảm thiểu Nhà đầu tư phải đối mặt với nhiều loại rủi ro khi đầu tư trên thị trường chứng khoán, nhưng nghiên cứu này chỉ tập trung vào một số khía cạnh cụ thể.
14 cứu rủi ro thị trường Hơn nữa, luận án chủ yếu nghiên cứu dưới góc độ các mô hình đo lường rủi ro
Theo Harry Markowitz, rủi ro cổ phiếu được đo lường bởi phương sai hoặc độ lệch chuẩn của chuỗi dữ liệu tỷ suất sinh lời cổ phiếu
Phương sai (σ²) và độ lệch chuẩn (σ) là hai chỉ số quan trọng để đo lường rủi ro của thị trường cổ phiếu niêm yết Việt Nam, được đại diện bởi Hn-Index và Vn-Index Rủi ro này được xác định thông qua chuỗi dữ liệu tỷ suất sinh lời của thị trường Cần lưu ý rằng công thức tính không phân biệt giữa rủi ro hệ thống và phi hệ thống, nhưng điều này không ảnh hưởng đến mục tiêu nghiên cứu Đề tài tập trung vào phân tích và dự báo giá cũng như rủi ro cho thị trường cổ phiếu niêm yết Việt Nam thông qua mô phỏng và phân tích biến động của dữ liệu giá và suất sinh lợi.
1.1.3.3Tổng quan về mô hình đo lường rủi ro
Từ những năm 1938, Macaulay đã tiên phong trong việc phát triển phương pháp đánh giá rủi ro lãi suất trái phiếu, mở ra nhiều phương pháp đánh giá rủi ro tài chính theo thời gian Phương pháp này cho phép tính toán kỳ hạn hoàn vốn trung bình của trái phiếu, góp phần quan trọng trong việc quản lý rủi ro tài chính.
MÔ HÌNH ARIMA (AUTOREGRESSIVE INTEGRATED MOVING AVERAGE)
Kinh tế lượng truyền thống chủ yếu tập trung vào lý thuyết kinh tế và nghiên cứu các mối quan hệ tại cùng một thời điểm, mà không phân tích trạng thái động hoặc cấu trúc thời gian của dữ liệu Phân tích chuỗi thời gian khai thác cấu trúc động của dữ liệu nhằm rút trích thông tin quá khứ để tìm kiếm xu hướng vận động Mô hình có sai số dự báo nhỏ nhất được coi là tốt nhất Phương pháp Box-Jenkins (BJ) với mô hình ARIMA đã mở ra một hướng mới trong dự báo Đề tài này sẽ nghiên cứu phương pháp BJ để lựa chọn mô hình dự báo cho chỉ số giá Vn-index và Hn-index.
Qui trình 4 bước của Box-Jenkins :
Tính AFC và PAFC từ dữ liệu, kiểm tra chuổi có dừng không?, nếu dừng qua bước thứ ba còn không bắt đầu bước hai
Để tính toán AFC và PAFC, trước tiên cần lấy log và thực hiện sai phân bậc nhất Nếu dữ liệu dừng lại, bạn có thể chuyển sang bước ba Nếu không, tiếp tục thực hiện sai phân cho đến khi dữ liệu dừng lại, tuy nhiên, thường chỉ cần thực hiện sai phân hai lần.
Phân tích giản đồ tương quan chọn mô hình Ước lượng mô hình dự kiến
Kiểm tra xác định mô hình tốt nhất
Nếu có gì thay đổi trong mô hình gốc, hãy quay laị bước bốn
Sau khi lựa chọn mô hình dự báo, cần so sánh kết quả dự báo với dữ liệu thực tế Điều này giúp kiểm tra xem kết quả có đáp ứng các điều kiện của mô hình hay không.
Khái niệm tính dừng rất quan trọng trong phân tích chuỗi thời gian Một chuỗi thời gian dừng có đặc điểm sau:
Dữ liệu dao động xung quanh một giá trị trung bình cố định trong dài hạn,
Dữ liệu có giá trị phương sai xác định không thay đổi theo thời gian,
Dữ liệu có một giản đồ tương quan với các hệ số tự tương quan sẽ giảm dần khi độ trễ tăng lên
Độ trễ trong chuỗi thời gian, ký hiệu là Yt-k, đề cập đến việc cần có k khoảng thời gian để thu thập đủ dữ liệu cho chuỗi Yt Việc sử dụng chuỗi thời gian có độ trễ dẫn đến việc mất biến quan sát, và khi độ trễ tăng, số lượng biến quan sát bị mất cũng tăng theo Điều này có ảnh hưởng đáng kể đến việc lựa chọn mô hình phân tích Đặc điểm của một chuỗi thời gian được coi là dừng có thể được diễn đạt bằng ngôn ngữ thống kê.
E(Yt) là một hằng số cho tất cả cỏc thời điểm t: E(Yt) = à
Var(Yt) là một hằng số cho tất cả cỏc thời điểm t: Var(Yt) = E(Yt - à) 2 = σ 2
Cov(Yt,Yt-k) là một hằng số không thay đổi cho mọi thời điểm t và k khác 0, cho thấy hiệp phương sai giữa Yt và Yt-k chỉ phụ thuộc vào khoảng thời gian k giữa t và tk, mà không phụ thuộc vào giá trị cụ thể của t Ví dụ, Cov(Y12,Y7) = Cov(Y13,Y8) = Cov(Y28,Y23), điều này cho thấy Cov(Yt,Yt-6) luôn không đổi, trong khi Cov(Yt,Yt-6) có thể khác với Cov(Yt,Yt-5).
Cov(Yt,Yt-k) = γk= E[(Yt - à)(Yt-k - à)]
Khi di chuyển lùi giá trị gốc của Y từ Yt sang Yt-k, nếu Yt là một chuỗi dừng, thì các chỉ số thống kê như giá trị trung bình, phương sai và hiệp phương sai của Yt-k sẽ tương đương với các chỉ số này của Yt.
Một chuỗi thời gian dừng có đặc điểm là trung bình và phương sai không thay đổi theo thời gian, trong khi hiệp phương sai giữa hai thời đoạn chỉ phụ thuộc vào khoảng cách và độ trễ thời gian giữa chúng, không phụ thuộc vào thời điểm cụ thể mà đồng phương sai được tính.
Đồ thị 1.1 minh họa giá vàng từ tháng 1 năm 2004 đến tháng 5 năm 2009 với xu thế tăng không ngừng, trong khi đồ thị 1.2 thể hiện suất sinh lợi cổ phiếu SAM từ ngày 28 tháng 7 năm 2001 đến ngày 26 tháng 3 năm 2009, cho thấy chuỗi dừng Chuỗi dừng này có dữ liệu hội tụ quanh một giá trị nhất định, trái ngược với xu thế tăng của đồ thị 1.1, nơi trung bình giá tăng theo thời gian Một chuỗi dữ liệu dừng thường có xu hướng trở về giá trị trung bình, với các dao động xung quanh giá trị này đồng nhất.
Một chuỗi thời gian không dừng, theo định nghĩa về chuỗi dừng, sẽ có giá trị trung bình và phương sai thay đổi theo thời gian, hoặc có thể cả hai đều thay đổi.
Chuỗi thời gian dừng lại là yếu tố quan trọng trong phân tích dữ liệu Theo Gujarati (2003), nếu một chuỗi thời gian không dừng, việc nghiên cứu hành vi của nó chỉ giới hạn trong khoảng thời gian cụ thể, không thể khái quát hóa cho các giai đoạn khác Điều này có nghĩa là đặc điểm của chuỗi thời gian trong một giai đoạn không thể áp dụng cho giai đoạn khác Đối với mục đích dự báo, chuỗi thời gian không dừng thường thiếu giá trị thực tiễn, vì dự báo dựa vào giả định rằng xu hướng dữ liệu trong quá khứ và hiện tại sẽ tiếp tục trong tương lai Nếu dữ liệu luôn thay đổi, việc dự đoán tương lai trở nên khó khăn.
Đối với phân tích hồi quy, nếu chuỗi thời gian không dừng, các kết quả của phân tích hồi quy tuyến tính cổ điển sẽ không có giá trị cho việc dự báo, dẫn đến hiện tượng “hồi quy giả mạo” Do đó, điều kiện cơ bản để dự báo một chuỗi thời gian là nó phải có tính dừng Kiểm định tính dừng có thể thực hiện thông qua lược đồ tương quan và kiểm nghiệm đơn vị.
- Dựa trên lược đồ tương quan (Correlogram)
Một cách kiểm định đơn giản tính dừng là dùng hàm tự tương quan (ACF- Autocorrelation Function) ACF với độ trễ k, ký hiệu bằng ρ k , được xác định như sau: k k t t k
Hệ số tương quan ρ là đại lượng không có đơn vị, nằm trong khoảng từ -1 đến +1, tương tự như các hệ số tương quan khác Do cả hiệp phương sai và phương sai được tính bằng cùng một đơn vị đo, nên ρ mang tính trung tính Trong thực tế, chúng ta thường chỉ có số liệu mẫu, vì vậy chỉ số tương quan mẫu được ký hiệu là rk.
Giá trị trung bình của chuỗi Yt được ký hiệu là Y, trong đó k là độ trễ và n là số quan sát mẫu Để kiểm định tính ý nghĩa thống kê của hệ số tương quan, có hai phương pháp chính là thống kê t và Q, với các giả thiết đi kèm.
Barlett đã chỉ ra rằng, trong trường hợp chuỗi là ngẫu nhiên và dừng, các hệ số tương quan ρk sẽ có phân phối xấp xỉ chuẩn với kỳ vọng toán bằng không, phương sai là 1/n và sai số chuẩn là 1/n Điều này cho phép chúng ta xây dựng khoảng tin cậy cho ρ hoặc tính toán giá trị thống kê t ở một mức ý nghĩa xác định Nếu ρ nằm ngoài khoảng tin cậy hoặc giá trị t tính toán lớn hơn giá trị t tra bảng, chúng ta sẽ bác bỏ giả thiết H0 Một chuỗi thời gian được coi là dừng khi hệ số tự tương quan giảm nhanh chóng về 0, thường chỉ sau 2 đến 3 độ trễ.
Các hệ số tương quan ρk (k≥2) thể hiện mức độ kết hợp tuyến tính giữa Yt và Yt-k Tuy nhiên, sự kết hợp này có thể bị ảnh hưởng bởi các biến khác Cụ thể, các biến Yt-1, Yt-2, Yt-k+1 có thể tác động đến mức độ kết hợp giữa Yt và Yt-k.
KHÁI QUÁT DIỄN BIẾN CỦA THỊ TRƯỜNG CỔ PHIẾU NIÊM YẾT VIỆT
49 Đồ thị 3.1 – Diễn biến thị trường giai đoạn từ 02/01/2013 đến 31/12/2014
Thị trường lần đầu tiên phải đối mặt với rủi ro mới do "sự kiện biển Đông", bắt đầu ảnh hưởng từ cuối tháng 4, đúng vào giai đoạn điều chỉnh sau ba tháng tăng trưởng mạnh Trong chỉ 7 phiên giao dịch, VN-Index đã giảm hơn 11%, xuống mức thấp nhất 508,51 điểm, trong khi HNX-Index giảm hơn 13%, còn 68,74 điểm Đây là đợt sụt giảm mạnh nhất liên tục kể từ tháng 8/2012.
Giá dầu thế giới giảm đã tác động mạnh mẽ đến thị trường chứng khoán, dẫn đến việc điều chỉnh giá cổ phiếu dầu khí và ảnh hưởng từ quy mô vốn hóa lớn của các cổ phiếu này Trong khoảng thời gian 15 phiên cuối tháng 11 và đầu tháng 12, VN-Index đã giảm 27,8%, trong khi HNX-Index giảm 6,7% Các cổ phiếu tiêu biểu như GAS giảm 30,4%, PVD giảm 27,8%, và PVS giảm 32,6% Kết thúc năm 2014, VN-Index đạt 545,6 điểm và HNX-Index đạt 83 điểm.
ỨNGDỤNGMÔHÌNHARIMADỰBÁOCHỈSỐVN-INDEX,HN-INDEX
Dữ liệu Vn-Index và Hn-index được thu thập từ trang web hsx.com và hnx.com trong khoảng thời gian từ ngày 02 tháng 01 năm 2013 đến ngày 31 tháng 12 năm 2014 Trong giai đoạn này, thị trường chứng khoán đã trải qua những biến động lên xuống tạo ra các đợt sóng, nhưng mức độ biến động không quá lớn.
3.2.1.2Mẫu quan sát và khung thời gian
Mẫu lấy gồm 473 quan sát đại diện cho 473 chỉ số giá Vn-Index theo ngày trong khoảng thời gian từ 02/01/2014 đến 28/11/2014
3.2.1.3Kiểm tra tính dừng của chuỗi dữ liệu
Bảng 3.1 - Giản đồ tương quan của Vn-Index
Bảng 3.2 - Giản đồ tương quan sai phân bậc một của Vn-Index
Bảng 3.3 - Giản đồ tương quan của Hn-Index
Bảng 3.4 - Giản đồ tương quan sai phân bậc một của Hn-Index
Biểu đồ 3.1, 3.2, 3.3 và 3.4 cùng với kiểm định ADF cho thấy rằng chuỗi Vn-Index và Hn-Index là chuỗi không dừng, trong khi sai phân bậc một của chúng lại là chuỗi dừng Do đó, để thực hiện dự báo, chuỗi dữ liệu sẽ được xử lý qua sai phân bậc một thay vì trực tiếp từ chuỗi Vn-Index và Hn-Index, nghĩa là dự báo sẽ được thực hiện gián tiếp thông qua chuỗi sai phân bậc một của chúng.
Dựa vào quy tắc kinh nghiệm, căn cứ một số đặc điểm của giản đồ tương quan 3.2 và 3.3 sau đây:
+ PACF của chuỗi Vn-Index sau 1 hoặc 2 độ trễ thì nhanh chóng tiến về 0 ngay lập tức trong khi ACF thì có xu hướng giảm dần;
+ ACF, PACF của chuỗi sai phân Vn-Index sau độ thứ 2 trễ thì nhanh chóng bằng
3.2.1.5Ước lượng mô hình: Được tiến hành theo phương pháp luận của Box-Jenkin (1970) Từ lược đồ tự tương quan của chuỗi VN-Index &Hn-index , sau khi chạy thử các bậc khác nhau của mô hình và dựa trên so sánh các tiêu chí trong mô hình ước lượng (Akai, Swarch, HQ, RMSE, Loglikelihood) thì mô hình ARMA được lựa chọn cho Vn-index và Hn-index là : AR(1)
Tham số ước lượng Giá trị Sai số chuẩn P-Value
Bảng -3.5 ước lương tham số mô hình AR(1) Vn-index
Tham số ước lượng Giá trị Sai số chuẩn P-Value
Bảng-3.6 ước lượng tham số AR(1) Hn-index
Kết quả ước lượng cho thấy hệ số ước lượng các bậc AR đều có ý nghĩa thống kê ở mức 5%
Kết quả kiểm định cho thấy rằng sai số của mô hình ARMA có tính dừng và ổn định Thống kê Ljung-Box với 36 bậc tự do có giá trị -33.25899 và -14.56406, nhỏ hơn thống kê Chi bình phương ở mức ý nghĩa 1% là -3.443979 và -3.444039 Điều này chứng tỏ sai số của mô hình ARMA là nhiễu trắng, khẳng định tính phù hợp của mô hình.
3.1.1.6Kết quả dự báo:(phụ luc:3.1)
Dựa vào phương trình ước lượng, chúng tôi tiến hành dự báo cho Vn-index và Hn-index Dự báo điểm cho VnIndex và Hn-index vào ngày 01/12/2014 với mức tin cậy 95% lần lượt là 566.56 và 87.43, trong khi khoản tin cậy được xác định là [638.57; 486.48].
& [64.09; 110.17] Giá trị thực tế ngày 01/12/2014 là 564.9& 87.44 Giá trị này nằm
Mô hình dự báo cho thấy độ tin cậy cao với khoảng tin cậy 54 và giá trị dự báo gần sát thực tế Dự báo cho tháng 12 theo phụ lục (3.1) cho thấy giá trị thực tế nằm trong khoảng tin cậy 95% Điều này chứng tỏ mô hình dự báo là hiệu quả.
Mô hình dự báo chỉ có khả năng dự đoán cho một ngày gần nhất, do đó, nghiên cứu chọn phương pháp dựa trên chỉ số Vn-Index và HN-Index thực tế làm căn cứ để dự báo cho các ngày tiếp theo trong tháng 12/2014 (từ 02/12/2014 đến 31/12/2014) Kết quả dự báo cho thấy giá trị thực tế của tháng 12 dao động xung quanh giá trị trung bình và nằm trong khoảng tin cậy 95% Mô hình đã thể hiện xu hướng của chỉ số Vn-Index và HN-Index trong tương lai, nhưng độ chính xác giảm khi khoảng cách từ giá trị hiện tại tăng lên Do đó, mô hình này phù hợp cho dự báo ngắn hạn, trong khi dự báo dài hạn chỉ mang tính chất tham khảo cho quyết định đầu tư của nhà đầu tư.
Hướng mở rộng mô hình
Trong đó, d t là biến giả có giá trị: t t t u 0 d 1 , u 0 0,
Nếu υj có ý nghĩa thống kê, tin tức tốt và xấu sẽ ảnh hưởng khác nhau đến phương sai Cụ thể, tin tức tốt chỉ tác động với γj, trong khi tin tức xấu tác động với (γj + υj) Nếu υj > 0, có sự bất cân xứng trong tác động giữa tin tức tốt và xấu; ngược lại, nếu υj = 0, tác động của tin tức là cân xứng.
Mô hình ARIMA và GARCH cung cấp kiến thức nền tảng quan trọng trong việc dự báo và phân tích rủi ro dữ liệu tài chính Với khả năng ứng dụng cao, những mô hình này đặc biệt hữu ích trong việc phân tích chuỗi dữ liệu của thị trường chứng khoán.
Mô hình ARIMA và GARCH đã được áp dụng rộng rãi trong lĩnh vực chứng khoán trên toàn cầu kể từ cuối thế kỷ XX, nhờ vào sự phát triển nhanh chóng của công nghệ thông tin Sự hỗ trợ của khoa học công nghệ đã giúp các mô hình này không ngừng mở rộng và nâng cao hiệu quả, mang lại những trải nghiệm quý báu cho nhà đầu tư.