1 Week 5 Chạy mô hình

Ta ước lượng được mô hình hồi quy:

\(STI= 179.04604+7.12368IR-289.77942EXR+0.47924GDP+3.62765CPI+0.05266WTI-0.0497GOLD\)

Dự báo cho chỉ số chứng khoán STI:

library(readxl)
data_MPNN <- read_excel("data MPNN.xlsx", sheet = "Sheet")
library(summarytools)

## Warning: package 'summarytools' was built under R version 4.2.3

descr(data_MPNN)

## Non-numerical variable(s) ignored: DATE

## Descriptive Statistics  
## data_MPNN  
## N: 120  
## 
##                        CPI      EXR      GDP      GOLD       IR      STI      WTI
## ----------------- -------- -------- -------- --------- -------- -------- --------
##              Mean   114.43     1.35   347.90   1434.85     2.07   317.53    65.66
##           Std.Dev     2.05     0.05    33.50    257.13     0.55    25.62    22.24
##               Min   112.62     1.23   307.58   1060.91     0.82   253.63    18.84
##                Q1   113.22     1.33   314.85   1242.20     1.75   303.95    48.42
##            Median   113.78     1.36   344.24   1319.11     2.16   324.95    59.89
##                Q3   114.41     1.38   377.00   1693.55     2.46   335.37    85.05
##               Max   119.52     1.45   396.99   1974.69     3.49   374.45   114.67
##               MAD     0.88     0.04    47.43    196.16     0.51    18.57    20.33
##               IQR     1.19     0.05    62.15    444.13     0.71    31.00    35.84
##                CV     0.02     0.04     0.10      0.18     0.27     0.08     0.34
##          Skewness     1.51    -0.62     0.16      0.63    -0.39    -0.64     0.42
##       SE.Skewness     0.22     0.22     0.22      0.22     0.22     0.22     0.22
##          Kurtosis     1.11    -0.29    -1.58     -1.06     0.11    -0.23    -0.91
##           N.Valid   120.00   120.00   120.00    120.00   120.00   120.00   120.00
##         Pct.Valid   100.00   100.00   100.00    100.00   100.00   100.00   100.00

# Mô phỏng mẫu
I <- rnorm(n= 50, mean = 2.07, sd= sqrt (0.55))
E<- rnorm(n= 50, mean = 1.35, sd= sqrt (0.05))
C<- rnorm(n= 50, mean = 114.43, sd= sqrt (2.05))
G<- rnorm(n= 50, mean = 1434.85, sd= sqrt (257.13))
GD <- rnorm(n= 50, mean = 347.9, sd= sqrt (33.5))
W <- rnorm(n= 50, mean = 65.66, sd= sqrt (22.24))

1.1 Mô phỏng STI

library(readxl)
data_MPNN <- read_excel("data MPNN.xlsx", sheet = "Sheet")
STIb <- 179.04604+7.12368*I-289.779428*E+0.47924*GD+3.62765*C+0.05266*W-0.0497*G
STIb

##  [1] 389.8217 311.5137 227.8859 335.5105 364.1896 354.6732 317.8374 329.0803
##  [9] 308.1639 359.5430 406.9683 327.1258 384.8136 199.0648 288.0183 405.8999
## [17] 300.3425 285.1399 276.3331 253.4919 359.9371 420.7245 335.8520 400.6668
## [25] 331.6588 339.4297 368.8058 263.6177 264.9519 232.1790 266.3354 324.8045
## [33] 185.1306 293.8216 228.1470 285.8353 291.2210 328.1714 352.6715 312.2796
## [41] 330.4391 292.6291 331.7234 272.5783 299.7384 327.6567 299.6163 265.9139
## [49] 213.5287 264.5041

hist(STIb)

1.2 Giair thích kết quả

STIthap<-STIb[STIb<400]
STIthap

##  [1] 389.8217 311.5137 227.8859 335.5105 364.1896 354.6732 317.8374 329.0803
##  [9] 308.1639 359.5430 327.1258 384.8136 199.0648 288.0183 300.3425 285.1399
## [17] 276.3331 253.4919 359.9371 335.8520 331.6588 339.4297 368.8058 263.6177
## [25] 264.9519 232.1790 266.3354 324.8045 185.1306 293.8216 228.1470 285.8353
## [33] 291.2210 328.1714 352.6715 312.2796 330.4391 292.6291 331.7234 272.5783
## [41] 299.7384 327.6567 299.6163 265.9139 213.5287 264.5041

STIvua<-STIb[STIb>=400]
STIvua

## [1] 406.9683 405.8999 420.7245 400.6668

STIcao <- STIb[STIb>400]
STIcao

## [1] 406.9683 405.8999 420.7245 400.6668

table(cut(STIb, breaks = 3))

## 
## (185,264] (264,342] (342,421] 
##         8        30        12

table(cut(STIb, breaks = 3, labels = c('thap','vua','cao')))

## 
## thap  vua  cao 
##    8   30   12

2 Week 4 Xác định mô hình

2.1 Mô hình tổng quát

\(STI=β_0+β_1IR+β_2EXR+β_3GDP+β_4CPI+β_5WTI+β_6GOLD\)

2.2 Mô hình hồi quy

Dùng hàm glm() để xác định mô hình tối ưu:

library(stats)
library(readxl)
data_MPNN <- read_excel("data MPNN.xlsx", sheet = "Sheet")
hoiquy <- glm(STI ~ IR + EXR + GDP + CPI + WTI + GOLD, data =  data_MPNN)
summary(hoiquy)

## 
## Call:
## glm(formula = STI ~ IR + EXR + GDP + CPI + WTI + GOLD, data = data_MPNN)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -30.146  -11.723   -1.629    9.996   41.011  
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  179.04604  213.47161   0.839  0.40339    
## IR             7.12368    6.94883   1.025  0.30748    
## EXR         -289.77942   62.09482  -4.667 8.47e-06 ***
## GDP            0.47924    0.07612   6.296 6.01e-09 ***
## CPI            3.62765    2.32303   1.562  0.12118    
## WTI            0.05226    0.16793   0.311  0.75621    
## GOLD          -0.04970    0.01836  -2.706  0.00785 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for gaussian family taken to be 272.72)
## 
##     Null deviance: 78081  on 119  degrees of freedom
## Residual deviance: 30817  on 113  degrees of freedom
## AIC: 1022.3
## 
## Number of Fisher Scoring iterations: 2

Theo kết quả, ta có mô hình hồi quy tối ưu cho nghiên cứu

\(STI= 179.04604+7.12368IR-289.77942EXR+0.47924GDP+3.62765CPI+0.05266WTI-0.0497GOLD\)

Mô hình có biến phụ thuộc là STI; Các biến giải thích là IR, EXR, GDP, CPI, WTI, GOLD

3 Week 3 Xác định phân phối các biến trong nghiên cứu

3.1 Dữ liệu nghiên cứu

library(readxl)
data_MPNN <- read_excel("data MPNN.xlsx", sheet = "Sheet")
summary (data_MPNN) # Thống kê mô tả các biến

##       DATE                          STI              IR             EXR       
##  Min.   :2013-01-01 00:00:00   Min.   :253.6   Min.   :0.817   Min.   :1.231  
##  1st Qu.:2015-01-06 18:00:00   1st Qu.:304.1   1st Qu.:1.750   1st Qu.:1.326  
##  Median :2017-07-08 00:00:00   Median :324.9   Median :2.164   Median :1.355  
##  Mean   :2017-07-07 19:12:00   Mean   :317.5   Mean   :2.070   Mean   :1.347  
##  3rd Qu.:2020-01-06 06:00:00   3rd Qu.:335.1   3rd Qu.:2.457   3rd Qu.:1.376  
##  Max.   :2022-01-12 00:00:00   Max.   :374.4   Max.   :3.490   Max.   :1.448  
##       GDP             CPI             WTI              GOLD     
##  Min.   :307.6   Min.   :112.6   Min.   : 18.84   Min.   :1061  
##  1st Qu.:314.9   1st Qu.:113.2   1st Qu.: 48.47   1st Qu.:1243  
##  Median :344.2   Median :113.8   Median : 59.88   Median :1319  
##  Mean   :347.9   Mean   :114.4   Mean   : 65.66   Mean   :1435  
##  3rd Qu.:377.0   3rd Qu.:114.4   3rd Qu.: 84.31   3rd Qu.:1687  
##  Max.   :397.0   Max.   :119.5   Max.   :114.67   Max.   :1975

sd(data_MPNN$STI)

## [1] 25.61524

Biến INDEX có giá trị trung bình là 814.8 và độ lệch chuẩn 2chỉ ra rằng chỉ số giá chứng khoán của Singapore trong giai đoạn gian nghiên cứu có sự biến động không đồng đều.

sd(data_MPNN$IR)

## [1] 0.5534811

Biến lãi suất có giá trị trung bình là 2.164 và độ lệch chuẩn là 0.553. Ngược với biến STI, biến IR không có sự biến động quá lớn

sd(data_MPNN$EXR)

## [1] 0.05104371

Biến tỷ giá hối đoái có giá trị trung bình là 22745 và độ lệch chuẩn là 0.051

sd(data_MPNN$GDP)

## [1] 33.49849

Biến tổng sản phẩm quốc nội có giá trị trung bình là 344.2 và độ lệch chuẩn là 33.49.Tương tự với biến STI

sd(data_MPNN$CPI)

## [1] 2.052424

Biến chỉ số giá tiêu dùng có giá trị trung bình là 113.8 và độ lệch chuẩn là 2.052

sd(data_MPNN$WTI)

## [1] 22.24241

Biến giá dầu có giá trị trung bình là 59.88 và độ lệch chuẩn là 22.24

sd(data_MPNN$GOLD)

## [1] 257.1317

Biến giá vàng có giá trị trung bình là 1319 và độ lệch chuẩn là 257.1317. Kết quả cho thấy giá vàng có sự biến động lớn trong giai đoạn nghiên cứu.

3.2 Xác định phân phối các biến ngẫu nhiên

3.2.1 Kiểm định phân phối cho biến STI

3.2.1.1 Kiểm định phân phối chuẩn

Đồ thị

hist(data_MPNN$STI)

Cặp giả thiết/đối thuyết:

\(H_0\): STI tuân theo phân phối chuẩn

\(H_1\): STI không tuân theo phân phối chuẩn

STIa <- as.data.frame(data_MPNN$STI)
shapiro.test(data_MPNN$STI)

## 
##  Shapiro-Wilk normality test
## 
## data:  data_MPNN$STI
## W = 0.94077, p-value = 4.826e-05

Vì p_value = 4.826e-05 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Vậy chỉ số STI không có phân phối chuẩn.

3.2.1.2 Kiểm định phân phối loga chuẩn

Cặp giả thiết/đối thuyết:

\(H_0\): STI tuân theo phân phối loga chuẩn

\(H_1\): STI không tuân theo phân phối loga chuẩn

ks.test(data_MPNN$STI, y = "plnorm")

## Warning in ks.test.default(data_MPNN$STI, y = "plnorm"): ties should not be
## present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data_MPNN$STI
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\). Vậy chỉ số STI không có phân phối loga chuẩn.

3.2.1.3 Kiểm định phân phối mũ

Cặp giả thiết/đối thuyết:

\(H_0\): STI tuân theo phân phối mũ

\(H_1\): STI không tuân theo phân phối mũ

ks.test(data_MPNN$STI, y = "pexp")

## Warning in ks.test.default(data_MPNN$STI, y = "pexp"): ties should not be
## present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data_MPNN$STI
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\). Vậy chỉ số STI không có phân phối mũ.

3.2.1.4 Kiểm định Shapiro-Wilk

Sử dụng hàm sample() để tạo ra các mẫu ngẫu nhiên từ bộ dữ liệu STI với kích thước mẫu là 8. Sau đó tôi sẽ kiểm tra xem mẫu có tuân theo phân phối chuẩn hay không bằng cách sử dụng phép kiểm định Shapiro-Wilk.

Cặp giả thiết/đối thuyết:

\(H_0\): Mẫu từ biến STI tuân theo phân phối chuẩn

\(H_1\): Mẫu từ biến STI không tuân theo phân phối chuẩn

STI1 <- sample(data_MPNN$STI, 8)
shapiro.test(STI1)

## 
##  Shapiro-Wilk normality test
## 
## data:  STI1
## W = 0.92664, p-value = 0.486

Với p__value > 0.05 nên ta thừa nhận giả thuyết \(H_0\). Nghĩa là các phần tử trong mẫu được lấy một cách ngẫu nhiên từ tập hợp dữ liệu STI có tính chất phân phối tương tự như phân phối chuẩn.

3.2.2 Kiểm định phân phối cho biến IR

3.2.2.1 Kiểm định phân phối chuẩn

Đồ thị

hist(data_MPNN$IR)

Cặp giả thiết/đối thuyết:

\(H_0\): IR tuân theo phân phối chuẩn

\(H_1\): IR không tuân theo phân phối chuẩn

IRa <- as.data.frame(data_MPNN$IR)
shapiro.test(data_MPNN$IR)

## 
##  Shapiro-Wilk normality test
## 
## data:  data_MPNN$IR
## W = 0.9637, p-value = 0.002539

Vì p_value = 0.002539 < 0.05 nên ta bác bỏ giả thuyết \(H_0\) Vậy chỉ số IR không có phân phối chuẩn.

3.2.2.2 Kiểm định phân phối loga chuẩn

Cặp giả thiết/đối thuyết:

\(H_0\): IR tuân theo phân phối loga chuẩn

\(H_1\): IR không tuân theo phân phối loga chuẩn

ks.test(data_MPNN$IR, y = "plnorm")

## Warning in ks.test.default(data_MPNN$IR, y = "plnorm"): ties should not be
## present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data_MPNN$IR
## D = 0.51806, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\). Vậy chỉ số IR không có phân phối loga chuẩn.

3.2.2.3 Kiểm định phân phối mũ

Cặp giả thiết/đối thuyết:

\(H_0\): IR tuân theo phân phối mũ

\(H_1\): IR không tuân theo phân phối mũ

ks.test(data_MPNN$IR, y = "pexp")

## Warning in ks.test.default(data_MPNN$IR, y = "pexp"): ties should not be
## present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data_MPNN$IR
## D = 0.64222, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\). Vậy chỉ số IR không có phân phối mũ.

3.2.2.4 Kiểm định Shapiro-Wilk

Sử dụng hàm sample() để tạo ra các mẫu ngẫu nhiên từ bộ dữ liệu IR với kích thước mẫu là 8. Sau đó tôi sẽ kiểm tra xem mẫu có tuân theo phân phối chuẩn hay không bằng cách sử dụng phép kiểm định Shapiro-Wilk.

Cặp giả thiết/đối thuyết:

\(H_0\): Mẫu từ biến STI tuân theo phân phối chuẩn

\(H_1\): Mẫu từ biến STI không tuân theo phân phối chuẩn

IR1 <- sample(data_MPNN$IR, 8)
shapiro.test(IR1)

## 
##  Shapiro-Wilk normality test
## 
## data:  IR1
## W = 0.95088, p-value = 0.7201

Với p__value > 0.05 nên ta thừa nhận giả thuyết \(H_0\). Nghĩa là các phần tử trong mẫu được lấy một cách ngẫu nhiên từ tập hợp dữ liệu IR có tính chất phân phối tương tự như phân phối chuẩn.

3.2.3 Kiểm định phân phối cho biến EXR

3.2.3.1 Kiểm định phân phối chuẩn

Đồ thị

hist(data_MPNN$EXR)

Cặp giả thiết/đối thuyết:

\(H_0\): EXR tuân theo phân phối chuẩn

\(H_1\): EXR không tuân theo phân phối chuẩn

EXRa <- as.data.frame(data_MPNN$EXR)
shapiro.test(data_MPNN$EXR)

## 
##  Shapiro-Wilk normality test
## 
## data:  data_MPNN$EXR
## W = 0.93346, p-value = 1.593e-05

Vì p_value = 1.593e-05 < 0.05 nên ta bác bỏ giả thuyết H0. Vậy chỉ số EXR không có phân phối chuẩn.

3.2.3.2 Kiểm định phân phối loga chuẩn

Cặp giả thiết/đối thuyết:

\(H_0\): EXR tuân theo phân phối loga chuẩn

\(H_1\): EXR không tuân theo phân phối loga chuẩn

ks.test(data_MPNN$EXR, y = "plnorm")

## Warning in ks.test.default(data_MPNN$EXR, y = "plnorm"): ties should not be
## present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data_MPNN$EXR
## D = 0.58232, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\). Vậy chỉ số EXR không có phân phối loga chuẩn.

3.2.3.3 Kiểm định phân phối mũ

Cặp giả thiết/đối thuyết:

\(H_0\): EXR tuân theo phân phối mũ

\(H_1\): EXR không tuân theo phân phối mũ

ks.test(data_MPNN$EXR, y = "pexp")

## Warning in ks.test.default(data_MPNN$EXR, y = "pexp"): ties should not be
## present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data_MPNN$EXR
## D = 0.708, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\). Vậy chỉ số EXR không có phân phối mũ.

3.2.3.4 Kiểm định Shapiro-Wilk

Sử dụng hàm sample() để tạo ra các mẫu ngẫu nhiên từ bộ dữ liệu EXR với kích thước mẫu là 4. Sau đó tôi sẽ kiểm tra xem mẫu có tuân theo phân phối chuẩn hay không bằng cách sử dụng phép kiểm định Shapiro-Wilk.

Cặp giả thiết/đối thuyết:

\(H_0\): Mẫu từ biến EXR tuân theo phân phối chuẩn

\(H_1\): Mẫu từ biến EXR không tuân theo phân phối chuẩn

EXR1 <- sample(data_MPNN$EXR, 4)
shapiro.test(EXR1)

## 
##  Shapiro-Wilk normality test
## 
## data:  EXR1
## W = 0.97663, p-value = 0.882

Với p__value > 0.05 nên ta thừa nhận giả thuyết \(H_0\). Nghĩa là các phần tử trong mẫu được lấy một cách ngẫu nhiên từ tập hợp dữ liệu EXR có tính chất phân phối tương tự như phân phối chuẩn.

3.2.4 Kiểm định phân phối chuẩn cho biến GDP

3.2.4.1 Kiểm định phân phối chuẩn

Đồ thị

hist(data_MPNN$GDP)

Cặp giả thiết/đối thuyết:

\(H_0\): GDP tuân theo phân phối chuẩn

\(H_1\): GDP không tuân theo phân phối chuẩn

GDPa <- as.data.frame(data_MPNN$GDP)
shapiro.test(data_MPNN$GDP)

## 
##  Shapiro-Wilk normality test
## 
## data:  data_MPNN$GDP
## W = 0.85605, p-value = 1.946e-09

Vì p_value = 1.946e-09 < 0.05 nên ta bác bỏ giả thuyết H0. Vậy chỉ số GDP không có phân phối chuẩn.

3.2.4.2 Kiểm định phân phối loga chuẩn

Cặp giả thiết/đối thuyết:

\(H_0\): GDP tuân theo phân phối loga chuẩn

\(H_1\): GDP không tuân theo phân phối loga chuẩn

ks.test(data_MPNN$GDP, y = "plnorm")

## Warning in ks.test.default(data_MPNN$GDP, y = "plnorm"): ties should not be
## present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data_MPNN$GDP
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\). Vậy chỉ số GDP không có phân phối loga chuẩn.

3.2.4.3 Kiểm định phân phối mũ

Cặp giả thiết/đối thuyết:

\(H_0\): GDP tuân theo phân phối mũ

\(H_1\): GDP không tuân theo phân phối mũ

ks.test(data_MPNN$GDP, y = "pexp")

## Warning in ks.test.default(data_MPNN$GDP, y = "pexp"): ties should not be
## present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data_MPNN$GDP
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\). Vậy chỉ số EXR không có phân phối mũ.

3.2.4.4 Kiểm định Shapiro-Wilk

Sử dụng hàm sample() để tạo ra các mẫu ngẫu nhiên từ bộ dữ liệu GDP với kích thước mẫu là 4. Sau đó tôi sẽ kiểm tra xem mẫu có tuân theo phân phối chuẩn hay không bằng cách sử dụng phép kiểm định Shapiro-Wilk.

Cặp giả thiết/đối thuyết:

\(H_0\): Mẫu từ biến GDP tuân theo phân phối chuẩn

\(H_1\): Mẫu từ biến GDP không tuân theo phân phối chuẩn

GDP1 <- sample(data_MPNN$GDP, 4)
shapiro.test(GDP1)

## 
##  Shapiro-Wilk normality test
## 
## data:  GDP1
## W = 0.62978, p-value = 0.001241

Với p__value > 0.05 nên ta thừa nhận giả thuyết \(H_0\). Nghĩa là các phần tử trong mẫu được lấy một cách ngẫu nhiên từ tập hợp dữ liệu GDP có tính chất phân phối tương tự như phân phối chuẩn.

3.2.5 Kiểm định phân phối chuẩn cho biến CPI

3.2.5.1 Kiểm định phân phối chuẩn

Đồ thị

hist(data_MPNN$CPI)

Cặp giả thiết/đối thuyết:

\(H_0\): CPI tuân theo phân phối chuẩn

\(H_1\): CPI không tuân theo phân phối chuẩn

CPIa <- as.data.frame(data_MPNN$CPI)
shapiro.test(data_MPNN$CPI)

## 
##  Shapiro-Wilk normality test
## 
## data:  data_MPNN$CPI
## W = 0.74444, p-value = 3.622e-13

Vì p_value = 3.622e-13 < 0.05 nên ta bác bỏ giả thuyết H0. Vậy chỉ số CPI không có phân phối chuẩn.

3.2.5.2 Kiểm định phân phối loga chuẩn

Cặp giả thiết/đối thuyết:

\(H_0\): CPI tuân theo phân phối loga chuẩn

\(H_1\): CPI không tuân theo phân phối loga chuẩn

ks.test(data_MPNN$CPI, y = "plnorm")

## Warning in ks.test.default(data_MPNN$CPI, y = "plnorm"): ties should not be
## present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data_MPNN$CPI
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\). Vậy chỉ số CPI không có phân phối loga chuẩn.

3.2.5.3 Kiểm định phân phối mũ

Cặp giả thiết/đối thuyết:

\(H_0\): CPI tuân theo phân phối mũ

\(H_1\): CPI không tuân theo phân phối mũ

ks.test(data_MPNN$CPI, y = "pexp")

## Warning in ks.test.default(data_MPNN$CPI, y = "pexp"): ties should not be
## present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data_MPNN$CPI
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\). Vậy chỉ số CPI không có phân phối mũ.

3.2.5.4 Kiểm định Shapiro-Wilk

Sử dụng hàm sample() để tạo ra các mẫu ngẫu nhiên từ bộ dữ liệu CPI với kích thước mẫu là 4. Sau đó tôi sẽ kiểm tra xem mẫu có tuân theo phân phối chuẩn hay không bằng cách sử dụng phép kiểm định Shapiro-Wilk.

Cặp giả thiết/đối thuyết:

\(H_0\): Mẫu từ biến CPI tuân theo phân phối chuẩn

\(H_1\): Mẫu từ biến CPI không tuân theo phân phối chuẩn

CPI1 <- sample(data_MPNN$CPI, 4)
shapiro.test(CPI1)

## 
##  Shapiro-Wilk normality test
## 
## data:  CPI1
## W = 0.99346, p-value = 0.9745

3.2.6 Kiểm định phân phối chuẩn cho biến WTI

3.2.6.1 Kiểm định phân phối chuẩn

Đồ thị

hist(data_MPNN$WTI)

Cặp giả thiết/đối thuyết:

\(H_0\): WTI tuân theo phân phối chuẩn

\(H_1\): WTI không tuân theo phân phối chuẩn

WTIa <- as.data.frame(data_MPNN$WTI)
shapiro.test(data_MPNN$WTI)

## 
##  Shapiro-Wilk normality test
## 
## data:  data_MPNN$WTI
## W = 0.93684, p-value = 2.637e-05

Vì p_value = 2.637e-05 < 0.05 nên ta bác bỏ giả thuyết H0. Vậy chỉ số WTI không có phân phối chuẩn.

3.2.6.2 Kiểm định phân phối loga chuẩn

Cặp giả thiết/đối thuyết:

\(H_0\): WTI tuân theo phân phối loga chuẩn

\(H_1\): WTI không tuân theo phân phối loga chuẩn

ks.test(data_MPNN$WTI, y = "plnorm")

## Warning in ks.test.default(data_MPNN$WTI, y = "plnorm"): ties should not be
## present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data_MPNN$WTI
## D = 0.99834, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\). Vậy chỉ số WTI không có phân phối loga chuẩn.

3.2.6.3 Kiểm định phân phối mũ

Cặp giả thiết/đối thuyết:

\(H_0\): WTI tuân theo phân phối mũ

\(H_1\): WTI không tuân theo phân phối mũ

ks.test(data_MPNN$WTI, y = "pexp")

## Warning in ks.test.default(data_MPNN$WTI, y = "pexp"): ties should not be
## present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data_MPNN$WTI
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\). Vậy chỉ số EXR không có phân phối mũ.

3.2.6.4 Kiểm định Shapiro-Wilk

Sử dụng hàm sample() để tạo ra các mẫu ngẫu nhiên từ bộ dữ liệu WTI với kích thước mẫu là 4. Sau đó tôi sẽ kiểm tra xem mẫu có tuân theo phân phối chuẩn hay không bằng cách sử dụng phép kiểm định Shapiro-Wilk.

Cặp giả thiết/đối thuyết:

\(H_0\): Mẫu từ biến WTI tuân theo phân phối chuẩn

\(H_1\): Mẫu từ biến WTI không tuân theo phân phối chuẩn

WTI1 <- sample(data_MPNN$WTI, 4)
shapiro.test(WTI1)

## 
##  Shapiro-Wilk normality test
## 
## data:  WTI1
## W = 0.95212, p-value = 0.7294

3.2.7 Kiểm định phân phối cho biến GOLD

3.2.7.1 Kiểm định phân phối chuẩn

Đồ thị

hist(data_MPNN$GOLD)

Cặp giả thiết/đối thuyết:

\(H_0\): GOLD tuân theo phân phối chuẩn

\(H_1\): GOLD không tuân theo phân phối chuẩn

GLDa <- as.data.frame(data_MPNN$GOLD)
shapiro.test(data_MPNN$GOLD)

## 
##  Shapiro-Wilk normality test
## 
## data:  data_MPNN$GOLD
## W = 0.87788, p-value = 1.692e-08

Vì p_value = 1.692e-08 < 0.05 nên ta bác bỏ giả thuyết H0. Vậy chỉ số CPI không có phân phối chuẩn.

3.2.7.2 Kiểm định phân phối loga chuẩn

Cặp giả thiết/đối thuyết:

\(H_0\): GOLD tuân theo phân phối loga chuẩn

\(H_1\): GOLD không tuân theo phân phối loga chuẩn

ks.test(data_MPNN$GOLD, y = "plnorm")

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data_MPNN$GOLD
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\). Vậy chỉ số GOLD không có phân phối loga chuẩn.

3.2.7.3 Kiểm định phân phối mũ

Cặp giả thiết/đối thuyết:

\(H_0\): GOLD tuân theo phân phối mũ

\(H_1\): GOLD không tuân theo phân phối mũ

ks.test(data_MPNN$GOLD, y = "pexp")

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  data_MPNN$GOLD
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\). Vậy chỉ số GOLD không có phân phối mũ.

3.2.7.4 Kiểm định Shapiro-Wilk

Sử dụng hàm sample() để tạo ra các mẫu ngẫu nhiên từ bộ dữ liệu GOLD với kích thước mẫu là 4. Sau đó tôi sẽ kiểm tra xem mẫu có tuân theo phân phối chuẩn hay không bằng cách sử dụng phép kiểm định Shapiro-Wilk.

Cặp giả thiết/đối thuyết:

\(H_0\): Mẫu từ biến GOLD tuân theo phân phối chuẩn

\(H_1\): Mẫu từ biến GOLD không tuân theo phân phối chuẩn

GOLD1 <- sample(data_MPNN$GOLD, 4)
shapiro.test(GOLD1)

## 
##  Shapiro-Wilk normality test
## 
## data:  GOLD1
## W = 0.94887, p-value = 0.7091

Với p__value > 0.05 nên ta thừa nhận giả thuyết \(H_0\). Nghĩa là các phần tử trong mẫu được lấy một cách ngẫu nhiên từ tập hợp dữ liệu GOLD có tính chất phân phối tương tự như phân phối chuẩn.

4 Week 2 Mô phỏng sự tác động của các nhân tố kinh tế vĩ mô đến thị trường chứng khoán Singapore

4.1 Tổng quan về thị trường chứng khoán

4.1.1 Thị trường chứng khoán

Thị trường chứng khoán là nơi mua, bán chứng khoán. Căn cứ vào việc mua, bán chứng khoán lần đầu hay mua bán lại, thị trường chứng khoán được chia làm hai bộ phận: thị trường sơ cấp và thị trường thứ cấp. Thị trường chứng khoán sơ cấp là nơi chứng khoán được người phát hành chứng khoán bán cho tổ chức, cá nhân. Thị trường chứng khoán thứ cấp là nơi diễn ra việc mua, bán lại chứng khoán. Hình thức tổ chức của thị trường chứng khoán thứ cấp là Trung tâm giao dịch chứng khoán (sở giao dịch chứng khoán).

4.1.2 Chỉ số giá chứng khoán

Chỉ số giá chứng khoán là chỉ báo giá cổ phiếu phản ánh xu hướng phát triển của thị trường cổ phiếu, thể hiện xu hướng thay đổi của giá cổ phiếu và tình hình giao dịch trên thị trường. Đơn giản, chỉ số giá chứng khoán là giá bình quân cổ phiếu tại một ngày nhất định so với ngày gốc.

4.1.3 Vấn đề cần mô phỏng:

Trong thời điểm nền kinh tế thị trường hiện đại, thị trường chứng khoán đã trở thành một trong những nơi phổ biến cho việc đầu tư tài chính. Đến thời điểm hiện tại, thị trường chứng khoán Đông Nam Á có sự “sáng sủa” hơn các thị trường khác trên thế giới do nhiều nền kinh tế trong khu vực này đã mở cửa trở lại sau đại dịch Covid-19, chào đón một lượng lớn khách du lịch quay trở lại, trong đó Singapore là quốc gia có tốc độ phục hồi kinh tế nhanh chóng và ổn định bậc nhất trong khu vực. Vì vậy, tôi chọn “Mô phỏng sự tác động của các nhân tố kinh tế vĩ mô đến thị trường chứng khoán Singapore” với mục đích tìm hiểu về sự biến động của thị trường chứng khoán Singapore.

4.2 Bộ dữ liệu:

library(readxl)
data_MPNN <- read_excel("C:/RRR/data MPNN.xlsx", sheet = "Sheet")
print.data.frame(data_MPNN)

##           DATE    STI    IR    EXR    GDP    CPI    WTI    GOLD
## 1   2013-01-01 325.58 1.422 1.2365 307.58 112.66  97.49 1662.99
## 2   2013-01-02 324.95 1.520 1.2384 307.58 112.66  92.05 1579.76
## 3   2013-01-03 329.05 1.539 1.2402 307.58 112.66  97.23 1596.17
## 4   2013-01-04 337.47 1.367 1.2310 307.58 112.66  93.46 1476.60
## 5   2013-01-05 326.25 1.793 1.2638 307.58 112.66  91.97 1386.40
## 6   2013-01-06 311.89 2.550 1.2678 307.58 112.66  96.56 1233.14
## 7   2013-01-07 323.64 2.475 1.2703 307.58 112.66 105.03 1322.49
## 8   2013-01-08 304.24 2.680 1.2743 307.58 112.66 107.65 1395.69
## 9   2013-01-09 318.59 2.352 1.2552 307.58 112.66 102.33 1326.94
## 10  2013-01-10 326.20 2.151 1.2414 307.58 112.66  96.38 1323.19
## 11  2013-01-11 323.73 2.398 1.2545 307.58 112.66  92.72 1251.99
## 12  2013-01-12 320.89 2.547 1.2630 307.58 112.66  98.42 1204.94
## 13  2014-01-01 303.66 2.463 1.2763 314.85 113.81  97.49 1243.19
## 14  2014-01-02 310.57 2.458 1.2672 314.85 113.81 102.59 1325.79
## 15  2014-01-03 315.94 2.500 1.2573 314.85 113.81 101.58 1283.64
## 16  2014-01-04 325.04 2.420 1.2535 314.85 113.81  99.74 1291.29
## 17  2014-01-05 329.20 2.235 1.2534 314.85 113.81 102.71 1250.69
## 18  2014-01-06 327.14 2.321 1.2462 314.85 113.81 105.37 1327.19
## 19  2014-01-07 339.90 2.457 1.2477 314.85 113.81  98.17 1282.09
## 20  2014-01-08 333.29 2.275 1.2483 314.85 113.81  95.96 1287.07
## 21  2014-01-09 326.43 2.474 1.2756 314.85 113.81  91.16 1208.74
## 22  2014-01-10 325.12 2.292 1.2863 314.85 113.81  80.54 1173.92
## 23  2014-01-11 333.68 2.264 1.3041 314.85 113.81  66.15 1167.04
## 24  2014-01-12 335.91 2.292 1.3254 314.85 113.81  53.27 1183.55
## 25  2015-01-01 336.39 1.882 1.3530 308.00 113.22  48.24 1282.80
## 26  2015-01-02 337.48 2.234 1.3627 308.00 113.22  49.76 1212.55
## 27  2015-01-03 340.81 2.274 1.3716 308.00 113.22  47.60 1183.10
## 28  2015-01-04 348.30 2.245 1.3230 308.00 113.22  59.63 1183.85
## 29  2015-01-05 334.83 2.420 1.3475 308.00 113.22  60.30 1189.75
## 30  2015-01-06 329.35 2.687 1.3471 308.00 113.22  59.47 1172.20
## 31  2015-01-07 316.78 2.630 1.3716 308.00 113.22  47.12 1095.40
## 32  2015-01-08 287.39 2.848 1.4110 308.00 113.22  49.20 1134.10
## 33  2015-01-09 277.06 2.545 1.4220 308.00 113.22  45.09 1114.60
## 34  2015-01-10 297.78 2.457 1.4005 308.00 113.22  46.59 1142.00
## 35  2015-01-11 283.38 2.512 1.4102 308.00 113.22  41.65 1064.02
## 36  2015-01-12 286.11 2.598 1.4175 308.00 113.22  37.04 1060.91
## 37  2016-01-01 260.78 2.243 1.4239 318.83 112.62  33.62 1117.64
## 38  2016-01-02 266.34 2.276 1.4064 318.83 112.62  33.75 1237.76
## 39  2016-01-03 285.01 1.839 1.3480 318.83 112.62  38.34 1231.95
## 40  2016-01-04 283.73 2.006 1.3436 318.83 112.62  45.92 1293.36
## 41  2016-01-05 276.73 2.238 1.3772 318.83 112.62  49.10 1214.69
## 42  2016-01-06 281.46 1.910 1.3468 318.83 112.62  48.33 1321.78
## 43  2016-01-07 281.67 1.806 1.3393 318.83 112.62  41.60 1350.59
## 44  2016-01-08 276.73 1.804 1.3622 318.83 112.62  44.70 1308.45
## 45  2016-01-09 281.49 1.775 1.3623 318.83 112.62  48.24 1315.80
## 46  2016-01-10 275.89 1.884 1.3905 318.83 112.62  46.86 1277.28
## 47  2016-01-11 288.93 2.285 1.4332 318.83 112.62  49.44 1172.70
## 48  2016-01-12 285.74 2.478 1.4478 318.83 112.62  53.72 1151.46
## 49  2017-01-01 301.55 2.301 1.4097 343.19 113.27  52.81 1210.51
## 50  2017-01-02 307.18 2.306 1.4029 343.19 113.27  54.01 1248.52
## 51  2017-01-03 313.82 2.245 1.3967 343.19 113.27  50.60 1248.63
## 52  2017-01-04 313.36 2.124 1.3965 343.19 113.27  49.33 1267.65
## 53  2017-01-05 317.80 2.072 1.3831 343.19 113.27  48.32 1268.09
## 54  2017-01-06 319.63 2.063 1.3760 343.19 113.27  46.04 1241.20
## 55  2017-01-07 330.78 2.095 1.3545 343.19 113.27  50.17 1269.05
## 56  2017-01-08 325.53 2.078 1.3556 343.19 113.27  47.23 1321.60
## 57  2017-01-09 321.96 2.153 1.3572 343.19 113.27  51.67 1279.10
## 58  2017-01-10 339.31 2.156 1.3625 343.19 113.27  54.38 1271.20
## 59  2017-01-11 347.93 2.133 1.3484 343.19 113.27  57.40 1274.36
## 60  2017-01-12 347.58 2.005 1.3373 343.19 113.27  60.42 1302.45
## 61  2018-01-01 363.15 2.199 1.3117 377.00 113.76  64.73 1344.70
## 62  2018-01-02 361.26 2.391 1.3246 377.00 113.76  61.64 1317.66
## 63  2018-01-03 354.22 2.293 1.3107 377.00 113.76  64.94 1324.00
## 64  2018-01-04 374.45 2.612 1.3258 377.00 113.76  68.57 1314.95
## 65  2018-01-05 353.39 2.583 1.3374 377.00 113.76  67.04 1297.92
## 66  2018-01-06 333.57 2.535 1.3626 377.00 113.76  74.15 1252.25
## 67  2018-01-07 336.21 2.450 1.3609 377.00 113.76  68.76 1223.41
## 68  2018-01-08 327.96 2.378 1.3719 377.00 113.76  69.80 1200.71
## 69  2018-01-09 333.74 2.513 1.3663 377.00 113.76  73.25 1191.69
## 70  2018-01-10 308.68 2.512 1.3854 377.00 113.76  65.31 1214.14
## 71  2018-01-11 314.78 2.355 1.3719 377.00 113.76  50.93 1221.88
## 72  2018-01-12 308.65 2.041 1.3627 377.00 113.76  45.41 1282.73
## 73  2019-01-01 321.37 2.148 1.3452 375.47 114.41  53.79 1320.56
## 74  2019-01-02 321.72 2.257 1.3519 375.47 114.41  57.22 1312.66
## 75  2019-01-03 324.85 2.078 1.3555 375.47 114.41  60.14 1291.90
## 76  2019-01-04 344.69 2.172 1.3598 375.47 114.41  63.91 1283.35
## 77  2019-01-05 314.08 2.087 1.3734 375.47 114.41  53.50 1305.25
## 78  2019-01-06 339.96 2.000 1.3522 375.47 114.41  58.47 1409.10
## 79  2019-01-07 338.99 1.915 1.3735 375.47 114.41  58.58 1413.55
## 80  2019-01-08 321.89 1.753 1.3870 375.47 114.41  55.10 1519.85
## 81  2019-01-09 324.95 1.739 1.3818 375.47 114.41  54.07 1472.00
## 82  2019-01-10 336.30 1.775 1.3602 375.47 114.41  54.18 1513.16
## 83  2019-01-11 332.28 1.738 1.3672 375.47 114.41  55.17 1463.90
## 84  2019-01-12 336.67 1.740 1.3444 375.47 114.41  61.06 1517.01
## 85  2020-01-01 330.59 1.605 1.3648 345.30 114.20  51.56 1589.81
## 86  2020-01-02 314.46 1.385 1.3929 345.30 114.20  44.76 1584.74
## 87  2020-01-03 256.51 1.293 1.4215 345.30 114.20  20.48 1571.05
## 88  2020-01-04 275.32 0.903 1.4107 345.30 114.20  18.84 1680.09
## 89  2020-01-05 266.42 0.825 1.4115 345.30 114.20  35.49 1726.30
## 90  2020-01-06 272.99 0.899 1.3931 345.30 114.20  39.27 1780.67
## 91  2020-01-07 267.41 0.849 1.3743 345.30 114.20  40.27 1974.69
## 92  2020-01-08 268.05 1.019 1.3601 345.30 114.20  42.61 1969.75
## 93  2020-01-09 261.44 0.865 1.3652 345.30 114.20  40.22 1885.44
## 94  2020-01-10 253.63 0.817 1.3660 345.30 114.20  35.79 1877.95
## 95  2020-01-11 293.38 0.875 1.3414 345.30 114.20  45.34 1777.02
## 96  2020-01-12 296.70 0.842 1.3209 345.30 114.20  48.52 1896.49
## 97  2021-01-01 300.83 0.998 1.3288 396.99 116.83  52.20 1846.09
## 98  2021-01-02 308.21 1.329 1.3315 396.99 116.83  61.50 1733.49
## 99  2021-01-03 326.16 1.731 1.3446 396.99 116.83  59.16 1707.01
## 100 2021-01-04 333.31 1.599 1.3301 396.99 116.83  63.58 1768.59
## 101 2021-01-05 327.24 1.482 1.3212 396.99 116.83  66.32 1906.36
## 102 2021-01-06 323.11 1.576 1.3451 396.99 116.83  73.47 1769.80
## 103 2021-01-07 329.40 1.307 1.3539 396.99 116.83  73.95 1813.58
## 104 2021-01-08 318.35 1.412 1.3447 396.99 116.83  68.50 1813.43
## 105 2021-01-09 321.87 1.595 1.3572 396.99 116.83  75.03 1756.66
## 106 2021-01-10 331.43 1.843 1.3488 396.99 116.83  83.57 1782.81
## 107 2021-01-11 316.19 1.704 1.3641 396.99 116.83  66.18 1773.78
## 108 2021-01-12 326.69 1.667 1.3490 396.99 116.83  75.21 1828.39
## 109 2022-01-01 338.61 1.773 1.3512 391.80 119.52  88.15 1796.47
## 110 2022-01-02 337.97 1.895 1.3546 391.80 119.52  95.72 1907.90
## 111 2022-01-03 359.01 2.332 1.3548 391.80 119.52 100.28 1937.23
## 112 2022-01-04 355.11 2.519 1.3835 391.80 119.52 104.69 1896.40
## 113 2022-01-05 339.33 2.725 1.3693 391.80 119.52 114.67 1837.09
## 114 2022-01-06 325.47 2.963 1.3898 391.80 119.52 105.76 1806.89
## 115 2022-01-07 337.43 2.654 1.3804 391.80 119.52  98.62 1765.22
## 116 2022-01-08 338.15 2.982 1.3969 391.80 119.52  89.55 1710.70
## 117 2022-01-09 328.15 3.490 1.4348 391.80 119.52  79.49 1659.67
## 118 2022-01-10 325.93 3.420 1.4158 391.80 119.52  86.53 1633.12
## 119 2022-01-11 346.22 3.072 1.3613 391.80 119.52  80.56 1768.45
## 120 2022-01-12 339.91 3.092 1.3398 391.80 119.52  80.47 1824.40

Bộ dữ liệu gồm 7 biến và 120 quan sát về chỉ số giá chứng khoán của Singapore và các nhân tố kinh tế vĩ mô ảnh hưởng đến sự biến động của chỉ số này trong khoảng thời gian từ 01/2013 đến 12/2022.

4.2.1 Có 6 biến đầu vào gồm:

IR (Interest Rate): Lãi suất là chi phí mà mà người đi vay phải trả để có được cơ hội sử dụng vồn (Devereur và Yetman, 2002), được xác định bởi nguồn cung và nhu cầu sử dụng vốn. Khi lãi suất giảm sẽ tác động tích cực đến chỉ số giá cổ phiếu. Bởi vì khi giá vốn rẻ hơn so với trước sẽ giúp các công ty dễ huy động nguồn vốn để thực hiện các dự án đầu tư, cũng như giảm chi phí cho các công ty sử dụng đòn bẩy tài chính lớn từ đó sẽ làm cải thiện lợi nhuận của công ty và làm tăng giá cổ phiếu công ty. Ngược lại, khi lãi suất tăng có tác động tiêu cực đến hoạt động chung của nền kinh tế nói chung và thị trường chứng khoán nói riêng, vì làm cho khả năng tiếp cận vốn của doanh nghiệp trở nên khó khăn hơn, giảm giá trị của thu nhập cổ tức trong tương lai sẽ khiến các nhà đầu tư ngại đầu tư vào cổ phiếu mà thay vào đó họ sẽ đầu tư gửi tiết kiệm, mua trái phiếu sẽ là các kênh đem lại lợi nhuận cao hơn vơi rủi ro thấp hơn. Từ đó ảnh hưởng đến hoạt động sản xuất kinh doanh của công ty và các chứng khoán đó trở nên kém hấp dẫn hơn trên thị trường.
EXR (Exchange Rate): Tỷ giá hối đoái là tỷ lệ trao đổi từ tiền của quốc gia này sang đồng tiền của quốc gia khác. Tỷ giá hối đoái là một biến số quan trọng, tác động đến dự cân bằng của cán cân thương mại và cán cân thanh toán, do đó tác động đến sản lượng, việc làm cũng như sự cân bằng của nền kinh tế nói chung. Biến động tỷ giá hối đoái có tác động tới thị trường chứng khoán khi có các nguồn vốn nước ngoài được đầu tư vào thị trường chứng khoán. Biến động mạnh của tỷ giá hối đoái sẽ khiến các nhà đầu tư nước ngoài rút khỏi thị trường sẽ làm giá chứng khoán giảm. . Sự tăng lên về giá của những tài sản trong nước làm cho những nhà đầu tư gia tăng nhu cầu của họ về tiền tệ, điều này lại làm cho lãi suất gia tăng. Một hoạt động khác cũng làm cho mối quan hệ giữa giá chứng khoán và tỷ giá là ngược chiều là khi có sự gia tăng đầu tư trong khối đầu tư nước ngoài vào tài sản trong nước cũng làm gia tăng giá chứng khoán. Điều này cũng là nguyên nhân của sự đánh giá cao đồng tiền trong nước.
GDP (Gross Domestic Product): Tổng sản phẩm quốc nội là tổng giá trị hàng hóa và dịch vụ cuối cùng được sản xuất xảy ra trong phạm vi lãnh thổ một nước trong một thời kỳ nhất định, thường là một năm. GDP được tính dựa trên tiêu dùng cuối cùng của hộ dân cư, chính phủ, tổng đầu tư và chênh lệch xuất nhập khẩu hàng hóa và dịch vụ. Chính vì vậy, sự tăng trưởng GDP sẽ giúp chỉ ra được tỷ lệ có việc làm và thu nhập của người dân đang tăng lên dẫn đến nhu cầu tiêu dùng hàng hóa tăng theo, thúc đẩy sản xuất, tăng doanh thu và lợi nhuận của doanh nghiệp, qua đó làm gia tăng sự phát triển của nền kinh tế nói chung và thị trường chứng khoán nói riêng. Về cơ bản, GDP là thước đo đánh giá sức mạnh và quy mô của một nền kinh tế. Vì vậy việc kỳ vọng tốc độ tăng trưởng GDP thấp hay cao sẽ có ảnh hưởng đến tâm lý cũng như hiệu suất đầu tư trên thị trường chứng khoán của quốc gia đó xét trong dài hạn sẽ thấy được ảnh hưởng rõ rệt. Một sự thay đổi đáng kể trong GDP, dù tiêu cực hay tích cực, thường sẽ phản ánh trên thị trường chứng khoán.
CPI (Consumer Price Index): Chỉ số giá tiêu dùng là sự tăng mức giá chung một cách liên tục của hàng hóa, dịch vụ theo thời gian và sự mất giá trị của một loại tiền tệ nào đó, đồng thời phản ảnh sự suy giảm sức mua trên một đơn vị tiền tệ. Lạm phát cao luôn là dấu hiệu cho thấy nền kinh tế đang nóng, báo hiệu sự tăng trưởng kém bền vững vì làm tăng chi phí đi vay, tăng chi phí đầu vào (nguyên vật liệu, lao động) và giảm chất lượng cuộc sống của người dân do mọi chi phí tăng, đồng thời ảnh hưởng đến lợi nhuận của công ty cũng gián tiếp gây áp lực làm giảm giá cổ phiếu.
WTI: giá dầu có tác động trực tiếp đến thị trường chứng khoán trên toàn thế giới nói chung và Singapore nói riêng. Giá dầu tăng ảnh hưởng đến các biến số kinh tế vĩ mô như chi phí sản xuất, quyết định của nhà đầu tư, lợi nhuận của khối doanh nghiệp, các biến số kinh tế vĩ mô như lạm phát, thu nhập quốc dân, …Huang và cộng sự (1996) cho rằng thay đổi giá dầu có tác động đến giá chứng khoán là do ảnh hưởng của biến động giá dầu được giải thích chủ yếu bằng những lập luận dựa trên mô hình định giá theo phương pháp chiết khấu dòng tiền. Vì dầu là nguồn tài nguyên chính của nền kinh tế nên giá dầu cao sẽ làm mức giá chung cao, lãi suất thực tăng gây tác động đến mức lợi nhuận nhà đầu tư kỳ vọng đầu tư vào các công ty tăng tương ứng, khiến giá chứng khoán giảm.
GOLD: Sự biến động của giá vàng luôn có ảnh hưởng tích cực hay tiêu cực đến nền kinh tế, cụ thể là thị trường chứng khoán. Cơ sở để giải thích cho mối tương quan này là khi giá vàng tăng, nhà đầu tư sẽ rút vốn để đầu tư vào thị trường vàng thay vì đầu tư vào cổ phiếu do tỷ suất sinh lợi trên thị trường vàng cao hơn. Do đó, cầu về cổ phiếu sẽ giảm, làm giảm giá của cổ phiếu. Vàng sở hữu các tính chất tương tự như chứng khoán ở chỗ nó là một sự lưu trữ giá trị, phương tiện trao đổi và là một đơn vị thanh toán (Goodman, 1956; Solt and Swanson, 1981). Vàng đóng vai trò là một kim loại quý với các tính chất giúp đa dạng hóa danh mục đầu tư một cách đáng kể (Ciner, 2001).Khác với các tài sản khác, vàng là tài sản có tính thanh khoản cao.

4.2.2 Có một biến đầu ra:

STI: là một chỉ số thị trường chứng khoán của Singapore. STI là viết tắt của Straits Times Index. Chỉ số này được tính dựa trên giá cả của 30 công ty niêm yết lớn nhất và thanh khoản nhất trên Sở giao dịch chứng khoán Singapore (Singapore Exchange - SGX). STI Index là chỉ số chủ lực của thị trường chứng khoán Singapore và được sử dụng để đánh giá tình hình kinh tế và tài chính của quốc gia.

5 Week 1

5.1 Hàm phân phối chuẩn

## 1.Phân phối chiều cao ở phụ nữ Việt Nam với trung bình 156.2cm và độ lệch chuẩn 4.6 cm. 
 height <- seq(130, 200, 1)
 plot(height, dnorm(height, 156.2, 4.6))

  type="1"
  ylab="f(height)"
   xlab="height"
   main="Phân phối chiều cao ở phụ nữ Việt Nam với trung bình 156.2cm và độ lệch chuẩn 4.6 cm."

5.2 Phân phối chuẩn tích lũy

## 1.Xác suất phụ nữ Việt Nam bằng hoặc thấp hơn mức chiều cao trung bình
pnorm(156.2, 156.2, 4.6)

## [1] 0.5

## 2.Xác suất phụ nữ Việt Nam bằng hoặc cao hơn mức chiều cao trung bình  
1-pnorm(156.2, 156.2, 4.6)

## [1] 0.5

5.3 Phân phối nhị thức

## 1. giả sử lớp học có 40% là học sinh nữ, xác suất p=0.4. Lấy mẫu từ lớp học này, mỗi mấu có 40 đối tượng, phương án chọn mẫu được lặp lại 100 lần
bin <- rbinom(100, 40, 0.4)
bin #"lần đầu có 18 hs nữ, lần 2 có 22, lần 3 có 20"

##   [1] 16 19 17 18 16 20 15 19 13 18 17 15 14 17 19 16 14 22 15 21 19 14 11 18 17
##  [26] 20 23 17 16 14 13 15 18 19 19 17 18 17 12 17 16 17 19 19 19 17 13 17 19 18
##  [51] 15 15 17 17 19 18 27 16 12 14 19 18 17 21 15 19 14 14 15 13 11 14 19 17 18
##  [76] 19 12 20 17 20 22 14 17 16 17 17 20 16 15 16 12 17 15 19 13 12 16 19 14 16

## 2. Biểu đồ
hist(bin,
     xlab="Number of girl students",
     ylab="Number of samples",
     main="distribution of girls students")

mean(bin)#Trung bình số học sinh nữ

## [1] 16.74

## 3. giả sử lớp học có 10 người, có 4 nứ sinh và 6 nam sinh. Xác suất để chọn ngẫu nhiên 3 bạn trong đó có nữ sinh
dbinom(2, 4, 0.6)

## [1] 0.3456

5.4 Phân phối Poisson

## 1. Ví dụ: trung bình 120 phút có 6 học sinh đến thư viện mượn sách
pois <- rpois(120, lambda=6)
pois

##   [1]  5  4  7  8  3  5  9  5  5  9  8  4  6  3  6  9  8  3  5  8  6  7 12  7  6
##  [26]  4  3  9  5  4  7  6  2  5  5  9  5  5 11  3  6  7  5  6  3  6 10 11  7  2
##  [51]  5  5  3  9  6  7  7  1  7  0  6  9  3  5  5  7  4  6  7  8  3  7  2  5  8
##  [76]  5  9  5 12  4  6  7  4  3 13  3  7  5  9  7  5  8  4  9  4  6  4  2 10  8
## [101]  4  4  9  7  2  4  5  6  7  5  5  2  5  8  1  3  6  3  6  6

## 2. Biểu đồ mật độ phân phối
hist(pois,
     xlab="pois",
     ylab="tần số",
     main="Mật độ phân phối")

mean(bin)

## [1] 16.74

## 3. Xác suất trong 120 phút không có học sinh nào đến mượn sách
dpois(0, 6)

## [1] 0.002478752

5.5 Phân phối hình học

# **Phân phối hình học
## 1. Trong một trò chơi, các ứng viên được trao một giải thưởng nếu anh ta ném một chiếc vòng vào chiếc mắc từ một khoảng cách nhất định. Theo như quan sát chỉ có 30% ứng viên làm được điều này. Nếu một người bình thường có 5 lượt ném, xác suất anh ta giành được giải thưởng là bao nhiêu nếu anh ta đã ném trượt 4 lần? p=0,3. gọi x=4 là số lần đã ném trượt trước khi thành công
geom <- dgeom(4, 0.3)
## 2. Biểu đồ
plot(0:4, dgeom(0:4, 0.3), type = "h")

MPNN th1

Xuân Huyền

2023-07-09 (23h35)

1 Week 5 Chạy mô hình

1.1 Mô phỏng STI

1.2 Giair thích kết quả

2 Week 4 Xác định mô hình

2.1 Mô hình tổng quát

2.2 Mô hình hồi quy

3 Week 3 Xác định phân phối các biến trong nghiên cứu

3.1 Dữ liệu nghiên cứu

3.2 Xác định phân phối các biến ngẫu nhiên

3.2.1 Kiểm định phân phối cho biến STI

3.2.1.1 Kiểm định phân phối chuẩn

3.2.1.2 Kiểm định phân phối loga chuẩn

3.2.1.3 Kiểm định phân phối mũ

3.2.1.4 Kiểm định Shapiro-Wilk

3.2.2 Kiểm định phân phối cho biến IR

3.2.2.1 Kiểm định phân phối chuẩn

3.2.2.2 Kiểm định phân phối loga chuẩn

3.2.2.3 Kiểm định phân phối mũ

3.2.2.4 Kiểm định Shapiro-Wilk

3.2.3 Kiểm định phân phối cho biến EXR

3.2.3.1 Kiểm định phân phối chuẩn

3.2.3.2 Kiểm định phân phối loga chuẩn

3.2.3.3 Kiểm định phân phối mũ

3.2.3.4 Kiểm định Shapiro-Wilk

3.2.4 Kiểm định phân phối chuẩn cho biến GDP

3.2.4.1 Kiểm định phân phối chuẩn

3.2.4.2 Kiểm định phân phối loga chuẩn

3.2.4.3 Kiểm định phân phối mũ

3.2.4.4 Kiểm định Shapiro-Wilk

3.2.5 Kiểm định phân phối chuẩn cho biến CPI

3.2.5.1 Kiểm định phân phối chuẩn

3.2.5.2 Kiểm định phân phối loga chuẩn

3.2.5.3 Kiểm định phân phối mũ

3.2.5.4 Kiểm định Shapiro-Wilk

3.2.6 Kiểm định phân phối chuẩn cho biến WTI

3.2.6.1 Kiểm định phân phối chuẩn

3.2.6.2 Kiểm định phân phối loga chuẩn

3.2.6.3 Kiểm định phân phối mũ

3.2.6.4 Kiểm định Shapiro-Wilk

3.2.7 Kiểm định phân phối cho biến GOLD

3.2.7.1 Kiểm định phân phối chuẩn

3.2.7.2 Kiểm định phân phối loga chuẩn

3.2.7.3 Kiểm định phân phối mũ

3.2.7.4 Kiểm định Shapiro-Wilk

4 Week 2 Mô phỏng sự tác động của các nhân tố kinh tế vĩ mô đến thị trường chứng khoán Singapore

4.1 Tổng quan về thị trường chứng khoán

4.1.1 Thị trường chứng khoán

4.1.2 Chỉ số giá chứng khoán

4.1.3 Vấn đề cần mô phỏng:

4.2 Bộ dữ liệu:

4.2.1 Có 6 biến đầu vào gồm:

4.2.2 Có một biến đầu ra:

5 Week 1

5.1 Hàm phân phối chuẩn

5.2 Phân phối chuẩn tích lũy

5.3 Phân phối nhị thức

5.4 Phân phối Poisson

5.5 Phân phối hình học