MHNN
Nguyễn Phạm Hà Vy
2024-07-28
Lời cảm ơn
Trước tiên, em xin chân thành cảm ơn đến Ban giám hiệu, các thầy cô trong khoa Kinh tế - Luật đã luôn đồng hành, nhiệt tình trong quá trình truyền đạt kiến thức, định hướng, và tạo điều kiện thuận lợi giúp em có thể trải nghiệm và tiếp thu những môn học cần thiết cho việc định hướng nghề nghiệp sắp tới. Và đặc biệt là em rất cảm ơn thầy PGS.TS. Nguyễn Tuấn Duy người thầy dẫn dắt trực tiếp em trong quá trình môn học này. Những lời chỉ dẫn, kinh nghiệm quý báu của thầy đã giúp em hoàn tất bài tiểu luận một cách hoàn thiện nhất có thể. Em vô cùng biết ơn về điều đó.
Bằng tất cả sự cố gắng và sự hiểu biết của mình em sẽ hoàn thành bài tiêu luận này một cách tối ưu nhất trong khả năng của mình. Trong quá trình thực hiện, kết quả khó tránh khỏi những sai lầm, thiếu sót không mong muốn, vì vậy em rất hy vọng được sự góp ý của thầy, để bản thân hoàn thiện hơn nữa trên hành trình và con đường của mình.
Sau tất cả, em xin chân thành tri ân đến mọi người vì đã đồng hành giúp đỡ, hỗ trợ em trong suốt con đường học tập và làm bài tiểu luận.
Kết cấu đề tài
Nội dung bài tiểu luận bao gồm:
Chương 1: Tổng quan các vấn đề nghiên cứu
Chương 2: Tổng quan lý thuyết và dữ liệu nghiên cứu
Chương 3: Thiết kế nghiên cứu
Chương 4: Phân tích dữ liệu
Chương 5: Kết luận và khuyến nghị
CHƯƠNG 1: TỔNG QUAN CÁC VẤN ĐÈ NGHIÊN CỨU
1.1 Lý do chọn đề tài
Việc nhấn mạnh vào việc thiết lập mối quan hệ hữu nghị và bền vững giữa Việt Nam và Ấn Độ, đặc biệt trong năm 2022, khi kỷ niệm 50 năm thiết lập quan hệ ngoại giao giữa hai quốc gia (1972-2022), đã tạo ra nền tảng vững chắc để phân tích sự tương quan giữa thị trường chứng khoán của hai quốc gia này. Phân tích mối quan hệ giữa hai thị trường chứng khoán không chỉ giúp nhận diện sự khác biệt trong cấu trúc và hoạt động của từng thị trường mà còn cung cấp cái nhìn sâu sắc về các xu hướng chung về mối liên hệ giữa chúng. Sự khác biệt và tương quan giữa hai thị trường có thể phản ánh mức độ ảnh hưởng qua lại giữa hai nền kinh tế, từ đó giúp hiểu rõ hơn về tình hình phát triển kinh tế, chính sách và định hướng phát triển tương lai của mỗi quốc gia.
Phân tích mối quan hệ giữa thị trường chứng khoán Việt Nam và Ấn Độ có thể làm rõ các yếu tố tác động lẫn nhau, như ảnh hưởng của chính sách tài chính, tình hình kinh tế vĩ mô, và các sự kiện quốc tế. Hiểu rõ các yếu tố này không chỉ giúp dự đoán xu hướng thị trường mà còn tạo cơ hội cho sự hợp tác và phát triển giữa hai quốc gia. Cụ thể, Việt Nam và Ấn Độ có thể tăng cường phối hợp trong các lĩnh vực đầu tư, thương mại, và tham gia các tổ chức quốc tế, từ đó thúc đẩy sự phát triển bền vững cho cả hai thị trường. Phân tích sự tương quan này cung cấp thông tin quý giá cho các nhà đầu tư và nhà quản lý, đồng thời hỗ trợ việc xây dựng các chính sách và chiến lược hợp tác quốc tế, giúp cả hai quốc gia tận dụng tối đa tiềm năng phát triển chung và củng cố vị thế của mình trên trường quốc tế.
Với sự phát triển đồng thời của Việt Nam và Ấn Độ, cả hai quốc gia đều đang đối mặt với nhiều thách thức và cơ hội trong quá trình tăng trưởng. Do cơ cấu kinh tế của cả hai quốc gia có sự tương đồng đáng kể, em đã quyết định chọn chủ đề “Phân tích mối quan hệ thị trường chứng khoán giữa Việt Nam và Ấn Độ bằng mô hình copula” là cơ hội cho phép chúng ta khám phá các yếu tố ảnh hưởng và đặc điểm riêng biệt của từng thị trường chứng khoán mà còn giúp hiểu rõ hơn về sự tương đồng và khác biệt trong cơ cấu và hoạt động của các thị trường.
1.2 Mục tiêu nghiên cứu
Tình hình chung của thị trường chứng khoán ở các quốc gia rất đa dạng và bị ảnh hưởng bởi nhiều yếu tố khác nhau. Điển hình là các thị trường chứng khoán ở các nền kinh tế phát triển như Mỹ và châu Âu thường có sự ổn định cao hơn, nhưng vẫn bị ảnh hưởng bởi các yếu tố toàn cầu như biến động lãi suất của Fed, chính sách tiền tệ của Ngân hàng Trung ương Châu Âu (ECB), và các sự kiện toàn cầu khác. Những yếu tố này một phần cũng tác động đến các nền kinh tế mới nổi và đang phát triển, như Ấn Độ và Việt Nam, hậu quả là có thể gây ra biến động lớn và khó dự đoán về nhiều mặt trong xã hội. Nổi bật lên khó khăn từ các yếu tố nội địa như tình hình chính trị, chính sách kinh tế và phát triển hạ tầng cũng ảnh hưởng mạnh mẽ đến sự ổn định và chuyển động của các thị trường chứng khoán ở những quốc gia này.
Bài tiểu luận này nhằm tìm hiểu sâu về cấu trúc thị trường chứng khoán của Việt Nam và Ấn Độ bằng cách phân tích và đánh giá tình hình hiện tại của từng thị trường. Mục tiêu là nhận diện cơ cấu cụ thể của ngành, hiểu rõ các chỉ số và sự biến động của chứng khoán, từ đó đưa ra các quyết định nhằm đảm bảo sự ổn định giá cổ phiếu, trái phiếu và các sản phẩm tài chính mới. Nghiên cứu cũng nhằm tạo cơ hội cho các nhà đầu tư nước ngoài nắm bắt cơ hội đầu tư và đánh giá ảnh hưởng của các yếu tố vĩ mô như tăng trưởng GDP, lạm phát và lãi suất. Bài tiểu luận sẽ tổng hợp thông tin dựa trên sự tìm tòi cá nhân, từ đó cung cấp vài thông tin hữu ích hỗ trợ việc đưa ra các quyết định đầu tư hiệu quả.
1.3 Đối tượng và phạm vi nghiên cứu
Đối tượng nghiên cứu: giá đóng cửa của hai quốc gia Ấn Độ và Việt Nam với mục tiêu là nhìn ra được xu hướng vận hành của các yếu tố cấu trúc bên trong và bên ngoài của từng thị trường.
Phạm vi nghiên cứu (Không gian): nghiên cứu nỗ lực phân tích hiệu quả sử dụng vốn của hai quốc trên các sàn chứng khoán.
Phạm vi nghiên cứu (Thời gian): nghiên cứu dồn sức vào giai đoạn hoạt động của trong giai đoạn (2/1/2018-29/12/2023).
Với bộ dữ liệu gồm 1422 quan sát (sau khi thực hiện lọc để thời gian được đồng nhất với nhau).
CHƯƠNG 2: TỔNG QUAN LÝ THUYẾT VÀ DỮ LIỆU NGHIÊN CỨU
2.1 Giới thiệu chung về thị trường chứng khoán
2.1.1 Khái niệm
Thị trường chứng khoán là nền tảng cho các hoạt động giao dịch chứng khoán như cổ phiếu, trái phiếu, và các công cụ tài chính khác. Nó đóng vai trò quan trọng trong nền kinh tế bằng việc cung cấp nguồn vốn cho doanh nghiệp và tạo cơ hội đầu tư cho cá nhân cũng như tổ chức. Chứng khoán cũng là các công cụ tài chính cho phép người đầu tư có quyền sở hữu (như cổ phiếu) hoặc quyền nhận lãi suất từ các tổ chức có uy tín (như trái phiếu).
2.1.2 Vai trò, chức năng
Đóng vai trò quan trọng trong việc cung cấp nguồn vốn cần thiết để hình thành và phát triển các sản phẩm, thiết bị, và cơ sở hạ tầng. Thị trường chứng khoán cũng góp phần xây dựng sự tin tưởng từ các nhà đầu tư thông qua các giao dịch công khai và minh bạch. Bằng cách cung cấp cơ chế định giá rõ ràng trên các sàn giao dịch, thị trường chứng khoán hỗ trợ việc xác định giá trị công ty và các tài sản tài chính. Ngoài ra, thị trường chứng khoán không chỉ tạo cơ hội sinh lợi từ các khoản đầu tư mà còn nâng cao tính thanh khoản dễ dàng trao đổi và xây dựng tính ổn định.
Thị trường chứng khoán phân làm 2 loại chính là sơ cấp và thứ cấp.
Thị trường sơ cấp: là nơi chứng khoán được phát hành lần đầu để các công ty có thể huy động vốn từ các nhà đầu tư công chúng.
Thị trường thứ cấp: là nơi các chứng khoán đã được phát hành trước đó được giao dịch giữa các nhà đầu tư. Thị trường này cung cấp tính thanh khoản và tạo ra cơ hội đầu tư cho các nhà đầu tư cá nhân và tổ chức.
Bài tiểu luận tập trung vào giá đóng cửa khi việc theo dõi giá đóng cửa giúp các nhà đầu tư tổng kết các hiệu suất của chứng khoán và đưa ra quyết định đầu tư dựa trên các mô hình phân tích kỹ thuật.
2.2 Sự ảnh hưởng của giá đóng cửa trong phân tích thị trường
2.2.1 Khái niệm
Giá đóng cửa là mức giá ghi nhận tại thời điểm kết thúc phiên giao dịch trên sàn chứng khoán. Đây là giá được sử dụng làm điểm tham chiếu cho ngày giao dịch tiếp theo và thường được áp dụng trong phân tích kỹ thuật để dự đoán xu hướng giá trong tương lai. Được xem là mức giá ổn định nhất, tiêu chí các chuyên gia đưa ra các các chỉ thị hay hỗ trợ cần thiết.
2.2.2 Mức ảnh hưởng
Xác định xu hướng: phân tích xu hướng dài hạn bằng các mô hình như đường trung bình động và chỉ báo MACD (Moving Average Convergence Divergence) giúp đưa ra tín hiệu mua hoặc bán. Kèm theo nhận định Christoffersen và Langlois giúp nhìn vào những yếu tố chung của thị trường để ra quyết định quan trọng.
Tạo ra mô hình nến: sử dụng các mô hình nến như Doji, Hammer, hoặc Engulfing giúp dự đoán các biến động giá trong tương lai dựa trên sự thay đổi trong giá đóng cửa.
Quyết định đầu tư: dựa vào hiệu suất để xác định các cơ hội sinh lợi, lập kế hoạch đầu tư, và áp dụng các mức giá phù hợp nhằm giảm thiểu rủi ro. Hong et al đã nghiên cứu về việc đầu tư vào cổ phiếu và cung cấp những kiến thức hữu ích giúp các nhà đầu tư tránh khỏi sự thất vọng. Nền tảng của lý thuyết danh mục đầu tư hiện đại đã được Markowitz đề cập vào năm 1952
Điều chỉnh thanh khoản và ổn định thị trường: mối quan hệ tác động lẫn nhau tạo sự tin tưởng từ phía đầu tư và giúp tránh các biến động đột ngột của thị trường.
2.3 Tổng quan thị trường chứng khoán Việt Nam
Với hai sàn giao dịch chứng khoán chính là Sở Giao dịch Chứng khoán TP.HCM (HOSE) và Sở Giao dịch Chứng khoán Hà Nội (HNX). HOSE là sàn giao dịch lớn nhất, trong khi HNX chủ yếu giao dịch các cổ phiếu nhỏ hơn và trái phiếu. Dù đã có sự phát triển đáng kể, thị trường chứng khoán Việt Nam vẫn đối mặt với nhiều bất ổn, dẫn đến biến động giá cao và thanh khoản chưa đáp ứng đầy đủ nhu cầu thị trường.
Các chỉ số chứng khoán chính ở Việt Nam bao gồm:
VN-Index (VNI): Chỉ số tổng hợp của Sở Giao dịch Chứng khoán TP.HCM (HOSE), phản ánh biến động giá của toàn bộ các cổ phiếu niêm yết trên sàn HOSE.
VN30: Chỉ số đại diện cho 30 cổ phiếu có nguồn vốn lớn nhất và tính thanh khoản cao nhất trên sàn HOSE.
VN100: Chỉ số bao gồm 100 cổ phiếu có nguồn vốn và tính thanh khoản lớn nhất trên sàn HOSE.
HNX-Index: Chỉ số tổng hợp của Sở Giao dịch Chứng khoán Hà Nội (HNX), phản ánh biến động giá của các cổ phiếu niêm yết trên sàn HNX.
HNX30: Chỉ số của 30 cổ phiếu có nguồn vốn lớn và tính thanh khoản cao nhất trên sàn HNX.
2.4 Tổng quan thị trường chứng khoán Ấn Độ
Ấn Độ có hai sàn giao dịch chứng khoán chính là Sàn Giao dịch Chứng khoán Bombay (BSE) và Sàn Giao dịch Chứng khoán Quốc gia (NSE). Với quy mô lớn và sự phát triển mạnh mẽ, cùng với sự tin cậy từ các nhà đầu tư quốc tế, thị trường chứng khoán Ấn Độ nổi bật với Thanh thanh khoản cao và sự ổn định tương đối, mặc dù được xếp trong nhóm thị trường mới nổi.
Các chỉ số chứng khoán quan trọng ở Ấn Độ bao gồm:
Sensex (BSE Sensex): đây là chỉ số chính của Sàn Giao dịch Chứng khoán Bombay (BSE), gồm 30 cổ phiếu lớn và quan trọng nhất trên sàn BSE, phản ánh sự biến động của các công ty hàng đầu tại Ấn Độ.
Nifty 50: là chỉ số chính của Sàn Giao dịch Chứng khoán Quốc gia (NSE), bao gồm 50 cổ phiếu hàng đầu, đại diện cho các công ty lớn trên sàn NSE.
Nifty Next 50: chỉ số này bao gồm 50 cổ phiếu có vốn hóa lớn và thanh khoản cao, đứng sau Nifty 50, phản ánh tình hình của nhóm cổ phiếu lớn thứ hai trên thị trường chứng khoán Ấn Độ.
Nifty Bank: đây là chỉ số của các cổ phiếu ngân hàng lớn trên sàn NSE, thể hiện diễn biến của ngành ngân hàng và tài chính tại Ấn Độ.
2.5 Dữ liệu nghiên cứu
Dữ liệu được thu thập từ hai sàn giao dịch chính là VN30 và Sensex (BSE Sensex) của Việt Nam và Ấn Độ. Phân tích dựa trên độ tương thích của 30 cổ phiếu lớn nhất trên mỗi sàn. Tổng hợp dữ liệu dưới dạng tệp Excel trên trang web Investing.com, nguồn dữ liệu thứ cấp với 1422 quan sát và 3 biến ban đầu.
CHƯƠNG 3: THIẾT KÊ NGHIÊN CỨU
3.1 Mô hình sửa dụng
3.1.1 Mô hình ARMA
Mô hình ARMA (AutoRegressive Moving Average) là một loại mô hình, công cụ để thống kê, phân tích và dự đoán các chuỗi thời gian. Mô hình ARMA gồm 2 yếu tố chính:
AR (AutoRegressive): phần tự hồi quy, thể hiện mối liên hệ giữa các giá trị hiện tại của chuỗi thời gian vào các giá trị trước đó. Được ký hiệu là AR(p), với p là số lượng giá trị trước đó được sử dụng để dự đoán giá trị hiện tại.
MA (Moving Average): phần trung bình động, thể hiện sự phụ thuộc của giá trị hiện tại vào các sai số (hoặc nhiễu) từ các giá trị trước đó. Được ký hiệu là MA(q), với q là số lượng sai số trước đó được sử dụng.
Mô hình ARMA kết hợp hai phần trước thành một mô hình duy nhất có dạng:
\(σ_t^2 = ω + α_1ϵ^2_{t-1} +.....+ α_pϵ^2_{t-p} + β_1σ_{t−1}^2 +.....+ β_pσ_{t−p}^2\)
Trong đó:
\(X_t\): là giá trị tại thời điểm t.
\(ϕ_1\), \(ϕ_2\),….\(ϕ_p\): là các tham số của phần tự hồi quy.
\(θ_1\), \(θ_2\),….\(θ_p\): là các tham số của phần trung bình động.
\(ϵ_t\): là sai số tại thời điểm t.
Mô hình ARMA thường được áp dụng khi chuỗi thời gian là stationarity, tức là các thuộc tính thống kê của chuỗi thời gian không thay đổi theo thời gian. Nếu chuỗi thời gian không là stationarity, mô hình ARIMA (AutoRegressive Integrated Moving Average) vẫn có thể được sử dụng để xử lý thêm phần tích hợp.
3.1.2 Mô hình garch/arch
Mô hình GARCH (Generalized Autoregressive Conditional Heteroskedasticity) và ARCH (Autoregressive Conditional Heteroskedasticity) được áp dụng để phân tích và dự đoán sự biến động của phương sai trong chuỗi thời gian tài chính.
GARCH: Mô hình GARCH mở rộng mô hình ARCH bằng cách kết hợp phần tự hồi quy cho phương sai.
Công thức chung của mô hình GARCH(p, q) là:
\(y_t = σ_tϵ_t\)
\(σ_t^2 = ω + α_1ϵ^2_{t-1} +.....+ α_pϵ^2_{t-p} + β_1σ_{t−1}^2 +.....+ β_pσ_{t−p}^2\)
Với \(α_i\) và \(β_j\) là các tham số của mô hình.
=> Mở rộng thêm mô hình tổng quát GARCH-GJR có dạng:
\(σ_t^2 = ω + ∑_{i=1}^pα_iϵ^2_{t-i} + ∑_{j=1}^qβ_jσ_{t−j}^2 + ∑_{k=1}^rβ_jσ_{t−j}^2γ_k Iϵ_{t-k}< 0 ϵ_{t-k}^2\)
Khác biệt bởi thêm các thành phần không đối xứng \(I(ϵ_{t−1}\)<0) là chỉ số cho biết phần dư \(ϵ_{t−1}\) có âm hay không. Nếu \(ϵ_{t−1}\) < 0, chỉ số này bằng 1, ngược lại bằng 0.
Việc thực hiện mô hình có thể giúp nắm được sự biến thiên của thời gian trong chuỗi số liệu nghiên cứu về lĩnh vực tài chính.
3.1.2.1 Các phân phối của mô hình
Trong các mô hình GARCH (Generalized Autoregressive Conditional Heteroskedasticity), phân phối được sử dụng để mô hình hóa các sai số hoặc phần dư của mô hình. Dưới đây là một số phân phối phổ biến thường được sử dụng trong các mô hình GARCH:
Phân phối chuẩn (Normal Distribution): các phần dư được giả định tuân theo phân phối chuẩn, với trung bình bằng 0 và phương sai thay đổi theo thời gian. Đây là lựa chọn dễ sử dụng và thường là mặc định. Ký hiệu: norm.
Phân phối Student’s t (Student’s t Distribution): các phần dư được giả định tuân theo phân phối t của Student, có khả năng điều chỉnh độ lệch và độ phân tán cao hơn so với phân phối chuẩn. Phân phối này có khả năng xử lý các hiện tượng dữ liệu với đuôi nặng hơn so với phân phối chuẩn. Ký hiệu: std.
Phân phối Student’s t đối xứng: đây là biến thể của mô hình GARCH trong đó phân phối của sai số là phân phối Student’s t. Phân phối này giúp mô hình hóa các cú sốc lớn và đuôi nặng trong dữ liệu tài chính tốt hơn so với phân phối chuẩn. Ký hiệu: sstd.
Phân phối GED (Generalized Error Distribution): có khả năng điều chỉnh độ dày của các đuôi. Tham số của GED có thể thay đổi để mô hình hóa các dạng đuôi khác nhau. Được sử dụng trong các mô hình như GARCH-GED, phân phối này phù hợp với các dữ liệu có đuôi nặng hơn hoặc nhẹ hơn so với phân phối chuẩn.
Phân phối GED đối xứng: đây là biến thể của mô hình GARCH trong đó phân phối sai số là phân phối GED. Phân phối này cho phép linh hoạt hơn trong việc mô hình hóa độ dày của các đuôi phân phối, thích hợp cho dữ liệu tài chính với các đặc điểm phân phối không hoàn toàn chuẩn, từ đó cải thiện khả năng dự đoán và mô hình hóa các cú sốc và biến động. Ký hiệu: sged.
3.1.2.2 Lựa chọn mô hình tối ưu
Lựa chọn các bậc phân phối chuẩn (standard distribution family) trong nghiên cứu thường được thực hiện dựa trên các yếu tố sau, như được mô tả bởi các nhà nghiên cứu như Harrison, Rubinfeld và Box, Jenkins cùng các cộng sự của họ:
Đặc điểm của dữ liệu: Nhà nghiên cứu dựa vào hình dạng và phân bố của dữ liệu để chọn phân phối phù hợp nhất từ các phân phối chuẩn.
Mục tiêu phân tích: Tùy thuộc vào mục đích nghiên cứu (dự đoán, phân tích hồi quy, kiểm tra giả thuyết), các phân phối được chọn để phù hợp với các giả định mô hình.
Kiểm định phù hợp: Sử dụng các kiểm định thống kê (như kiểm định Kolmogorov-Smirnov, Shapiro-Wilk) để kiểm tra sự phù hợp của dữ liệu với phân phối chuẩn được chọn, từ đó tìm ra mô hình tối ưu nhất.
Trong bài viết của em, em sẽ thực hiện kiểm tra độ phù hợp của các mô hình với phân phối cụ thể ở bậc (1.1) để tìm ra phân phối phù hợp nhất. Sau đó, em sẽ tiếp tục kiểm tra các bậc còn lại của phân phối (1.2), (2.1), (2.2) để xác định bậc và mô hình tối ưu nhất.
Ngoài ra, các chỉ số thông tin như Akaike (AIC), Bayesian (BIC), Shibata (SIC), và Hannan-Quinn (HQ) là công cụ quan trọng để so sánh và chọn lựa mô hình thống kê. Chúng giúp đánh giá chất lượng của mô hình bằng cách cân nhắc giữa sự phù hợp với dữ liệu và độ phức tạp của mô hình, đồng thời ngăn chặn việc chọn lựa mô hình quá phức tạp.
Dưới đây là mục đích và công thức của từng tiêu chí:
Akaike Information Criterion (AIC):
Mục đích: AIC nhằm đạt được sự cân bằng giữa độ chính xác của mô hình và số lượng tham số. Nó đo lường khả năng mô hình giải thích dữ liệu đồng thời trừng phạt số lượng tham số để tránh overfitting.
Công thức:
\(AIC=−2⋅Log-Likelihood+2k\)
Trong đó: k là số lượng tham số của mô hình.
Bayesian Information Criterion (BIC):
Mục đích: BIC đánh giá sự cân bằng giữa sự phù hợp và độ phức tạp của mô hình, nhưng áp dụng hình phạt nghiêm ngặt hơn cho số lượng tham số so với AIC.
Công thức:
\(BIC=−2⋅Log-Likelihood+k⋅log(n)\)
Trong đó: n là số lượng quan sát.
Shibata Information Criterion (SIC):
Mục đích: SIC, hay còn gọi là Shibata Criterion, là biến thể của BIC với hình phạt điều chỉnh theo kích thước mẫu. Công thức:
\(SIC=−2⋅Log-Likelihood+k.log(n/2)\)
Hannan-Quinn Information Criterion (HQ):
Mục đích: HQ cung cấp một hình phạt trung gian cho số lượng tham số, ít nghiêm ngặt hơn so với BIC nhưng nghiêm ngặt hơn so với AIC.
Công thức:
\(HQ=−2⋅Log-Likelihood+2k⋅log(log(n))\)
Tóm lại, các chỉ số này giúp so sánh và chọn mô hình bằng cách đảm bảo sự cân bằng giữa việc phù hợp với dữ liệu và tránh overfitting. So sánh chung các mô hình với giá trị ở mức thấp nhất trong hầu như các tiêu chí này được coi là lựa chọn tốt hơn.
3.2 Kiểm định
Kiểm định phân phối chuẩn: Jarque-Bera
Để kiểm định phân phối chuẩn sử dụng kiểm định Jarque-Bera trong R, sử dụng hàm “jarque.bera.test()” trong gói “tseries”. Kiểm định Jarque-Bera là một phương pháp thống kê được sử dụng để kiểm tra xem một mẫu dữ liệu có tuân theo phân phối chuẩn hay không. Nó dựa trên việc kiểm tra các đặc trưng thống kê của mẫu dữ liệu, như độ lệch và độ nhọn, để nhận xét về tính chuẩn của phân phối.
Kiểm định tính dừng: Augmented Dickey–Fuller
Kiểm định tính dừng Augmented Dickey-Fuller (ADF) cũng sử dụng gói “tseries” trong R, tương tự như kiểm định phân phối chuẩn Jarque-Bera. Kiểm định ADF nhằm kiểm tra xem một chuỗi thời gian có tính dừng hay không. Hàm adf.test() trong gói tseries sẽ trả về kết quả của kiểm định ADF, bao gồm giá trị thống kê kiểm định và giá trị \(p-value\) có sở bác bỏ giả thiết đặt ra bên dưới.
Kiểm định tương quan chuỗi: Ljung-Box
Trong R, bạn có thể sử dụng hàm Box.test() từ gói stats để thực hiện kiểm định Ljung-Box. Kiểm định Ljung-Box nhằm kiểm tra tính tự tương quan của chuỗi thời gian và xác định xem chuỗi có tồn tại tương quan phụ thuộc không. Kết quả của kiểm định Ljung-Box bao gồm giá trị thống kê kiểm định \((Q statistic)\) và giá trị \(p-value\). Giá trị \(p-value\) thường được so sánh với một mức ý nghĩa cụ thể (ví dụ: 5%) để đưa ra kết luận về sự hiện diện của tương quan với giả thiết đặt ra.
Các kiểm định sự phù hợp của mô hình biên
Các kiểm định sự phù hợp của mô hình biên là các phương pháp thống kê nhằm đánh giá mức độ trùng khớp giữa dữ liệu thực nghiệm và phân phối lý thuyết. Dưới đây là ba kiểm định thực hiện trong bài:
Kiểm định Anderson-Darling: đánh giá sự khác biệt giữa phân phối dữ liệu thực nghiệm và phân phối lý thuyết, với sự nhắm trọng tâm đặc biệt vào các vùng ngoại vi của phân phối. Hàm kiểm định này trong R được ký hiệu là ad.test().
Kiểm định Cramer-von Mises: đo lường mức độ phù hợp giữa phân phối thực nghiệm và phân phối lý thuyết bằng cách tính tổng bình phương của các sai lệch tích lũy giữa hai phân phối. Hàm kiểm định này trong R được ký hiệu là cvm.test().
Kiểm định Kolmogorov-Smirnov: vẫn là nhìn nhận, so sánh phân phối thực nghiệm với phân phối lý thuyết bằng cách đo khoảng cách lớn nhất giữa hai hàm phân phối tích lũy. Hàm kiểm định này trong R được ký hiệu là ks.test().
Các kiểm định này đều cung cấp giá trị \(p-value\) để giúp xác định liệu dữ liệu có tuân theo phân phối lý thuyết hay không, Nếu bị vi phạm, điều này có thể dẫn đến sai lệch trong quá trình phân tích.
3.3 Phương pháp thực nghiệm Copula
Phương pháp copula được xây dựng dựa trên công cụ nhằm định hình mối tương quan và mối quan hệ giữa các biến ngẫu nhiên, đồng thời giúp nhận diện sự không đồng nhất. Tuy nhiên, khi chất lượng dữ liệu không đạt yêu cầu, kết quả có thể bị sai lệch và rủi ro có thể phát sinh. Do đó, phương pháp copula ra đời để tách biệt phần cấu trúc liên kết giữa các biến khỏi phần phân phối của từng biến. Bằng cách này, nó hỗ trợ nghiên cứu mối quan hệ giữa các biến trong các mô hình phức tạp và cải thiện độ chính xác của phân tích trong các tình huống dữ liệu không chuẩn. Trong bài tiêu luận quy trình này sẽ được thực hiện sau khi lấy phần dư từ mô hình GARCH tối ưu.
Sự phụ thuộc đuôi: đo lường mức độ mà hai biến ngẫu nhiên có xu hướng biến động theo cùng một hướng khi các giá trị của chúng ở mức cực trị (rất cao hoặc rất thấp). Trong lĩnh vực tài chính, việc hiểu và phân tích sự phụ thuộc đuôi rất quan trọng để đánh giá các rủi ro cực đoan, chẳng hạn như trong các tình huống khủng hoảng tài chính, khi mà nhiều tài sản có thể giảm giá đồng thời.
Copula là một công cụ thống kê mạnh mẽ, theo Lê Văn Thứ, có khả năng mô hình hóa sự phụ thuộc mà không yêu cầu các chuỗi lợi suất chứng khoán phải tuân theo phân phối chuẩn. Công cụ này cho phép phân tích sự phụ thuộc không đối xứng và sự phụ thuộc ở đuôi, đặc biệt là trong các tình huống khi một trong hai thị trường trải qua cú sốc giảm giá hoặc tăng giá. Andrew G. Wilson và Zoubin Ghahramani cũng cho rằng quá trình copula mô tả sự phụ thuộc bởi nhiều biến ngẫu nhiên, độc lập với phân phối biên của chúng, và có thể dễ dàng xử lý dữ liệu bị thiếu, đặc biệt là có thể mô hình hóa một lớp cấu trúc hiệp phương sai phong phú.
Phương pháp tổng quát có thể giúp xác định các trọng số cần thiết cho việc đầu tư dựa trên phân phối đa biến, tương tự như cách mà Patton đã thực hiện. Việc phân tích và dự đoán nguồn tài sản được thực hiện theo thời gian. Sau nhiều năm, tác giả tiếp tục thực hiện việc phân tích với nguồn dữ liệu tài chính gia tăng; các mô hình đa biến có thể kết hợp các phân phối riêng biệt để hình thành các phân phối chung, từ đó tạo ra sự linh hoạt trong việc chỉ định và ước lượng. Cộng với việc có thể cung cấp cơ sở dự đoán tình hình tài chính, bằng việc sử dụng hàm khối lượng copula có điều kiện cho các thay đổi giá theo kích thước tích tắc nguyên, với các tham số thay đổi theo thời gian. Phân phối biên Skellam cũng có thể được xem xét theo các điểm thời gian quan trọng. Đề cao việc sử dụng phân phối biên rời rạc khi mô hình hóa cấu trúc với sự thay đổi giá ở tần suất cao, đó là một phương pháp hoàn thiện mới được Siem Jan Koopman đề cập.
3.3.1 Phân loại copula
Khi xây dựng hai copula mới, bao gồm copula t lệch và copula t nhóm, Stefano Demarta và Alexander J. McNeil cho rằng có thể quan sát và khắc phục tính không đồng nhất của các mô hình phụ thuộc liên kết liên quan đến các giá trị cực trị. Đây là cơ sở để phát triển thêm hai copula kế tiếp: copula giá trị cực trị t, là copula giới hạn của cực đại từng thành phần của các vectơ ngẫu nhiên phân phối t; và copula đuôi dưới t, là copula giới hạn của các quan sát hai biến từ phân phối t được điều kiện hóa để nằm dưới một số ngưỡng chung được hạ thấp dần. Những copula này phục vụ cho các vấn đề thực tế khi cần xấp xỉ bằng các copula đơn giản, chẳng hạn như copula Gumbel và copula Clayton. Ngoài ra còn có nhiều loại copula khác được sử dụng nhiều trong các nghiên cứu.
=> Trong bài tiểu luận em sử dụng copula hỗn hợp (Mixed copula) để phân tích cặp dữ liệu.
Copula Hỗn Hợp (Mixed Copula) là một mô hình copula kết hợp nhiều loại copula khác nhau để tận dụng các ưu điểm của từng loại trong việc mô hình hóa sự phụ thuộc giữa các biến. Trong trường hợp cụ thể này, chúng ta sẽ xem xét sự kết hợp với BB8 copula, một loại copula thuộc gia đình BB (Beta copula). Với cấu trúc bất đối xứng,lệch đuôi trên.
Hàm sinh φ(t)
\(φ(t) = -log((1 - (1 - δt)^θ) / (1 - (1 - δ)^θ))\)
dạng cụ thể
\(C(u, v; θ, δ) = (1/θ) * [1 - (1 - [1/(1 - (1 - δ)^θ)] * (1 - (1 - δu)^θ) * (1 - (1 - δv)^θ))^{1/δ)}\)
Với tham số \(θ>1\), \(0<δ<1\).
Hệ số Kendall Tau có dạng:
\(τ = 1 + (4 / (δθ)) * ∫[0,1] (-log((1-tδ)^θ - 1) / ((1-δ)^θ - 1)) * (1-tδ) * (1-(1-tδ)^-θ) dt\)
Hệ số phụ thuộc đuôi \((0,2-2^{1/θ})\)
3.4 Thực nghiệm các nghiên cứu trước đó
Theo tác giả Lê Văn Thứ, việc xây dựng mô hình để phân tích sự phụ thuộc giữa các chuỗi lợi suất của thị trường chứng khoán (TTCK) gặp khó khăn do tính biến động khó lường và khó chính xác. Ông nhận thấy rằng hàm phân phối xác suất của các chuỗi lợi suất thường có đuôi dày, phản ánh các cú sốc trên thị trường tài chính. Ông đã chọn so sánh TTCK Việt Nam với TTCK Mỹ để khắc phục hiện tượng này bằng cách sử dụng phương pháp copula có điều kiện (Copula-GJR-GARCH). Kết quả nghiên cứu cho thấy có một mối quan hệ phụ thuộc giữa thị trường chứng khoán Mỹ và thị trường chứng khoán Việt Nam, nhưng ở mức độ yếu. Hơn nữa, sự phụ thuộc đuôi dưới giữa hai thị trường cũng được phát hiện, nhưng không đáng kể.
Nối tiếp nhận định về sự tồn tại phụ thuộc giữa thị trường chứng khoán (TTCK) Việt Nam và các TTCK Châu Á khác như Trung Quốc, Hồng Kông, Nhật Bản và Singapore, tuy nhiên, mức độ phụ thuộc là thấp và rất yếu. Điều này cho thấy TTCK Việt Nam có vẻ ít nhạy cảm với các cú sốc lan tỏa từ các TTCK phát triển và mới nổi. Để phân tích sâu hơn, mô hình GJR-GARCH với phân phối Student-t bị lệch (Skewed Student-t) được áp dụng để mô hình hóa phân phối biên của các chuỗi lợi suất chứng khoán. Đồng thời, các hàm copula Gaussian, Student-t, Gumbel và Rotated Gumbel được sử dụng để mô tả cấu trúc phụ thuộc đối xứng và bất đối xứng giữa hai thị trường. Đây là bước phân tích được Lê Văn Thứ và cộng sự Trần Thị Ái đề xuất.
Sự phát triển của mô hình phụ thuộc vào các yếu tố ảnh hưởng đến giá cả. Do đó Siem Jan Koopman, chỉ ra việc vận hành mô hình copula là một bước quan trọng trong việc đo lường các chiều hướng xấp xỉ của các chỉ số, thông qua nghiên cứu mô phỏng mở rộng với 10 ngân hàng ở Hoa Kỳ. Điều này chứng minh sự phụ thuộc và sự thay đổi cụ thể theo thời gian, bắt đầu từ mức thấp và tăng dần trong ngày. Dựa trên dự báo mật độ ngoài mẫu trước một bước, chúng tôi nhận thấy rằng mô hình mới của chúng tôi vượt trội hơn các chuẩn mực về sự phụ thuộc trong ngày, so với các mô hình như spline khối, mô hình tương quan cố định hoặc tương quan thực tế trung bình lăn đã nghiên cứu trước đó.
Vấn đề tối ưu hóa danh mục đầu tư luôn thu hút sự quan tâm của các học giả và nhà thực hành. Trong bối cảnh này, việc dự đoán sự phát triển của chuỗi thời gian với các cột mốc quan trọng trong tương lai là một điểm nhấn cần thiết. Tuy nhiên, chủ đề này ít được đề cập trong các nghiên cứu hiện tại. Do đó, Kresta và các cộng sự đã ứng dụng mô hình GARCH-copula. Cụ thể, bài báo giả định rằng nhà đầu tư tối đa hóa tỷ lệ Sharpe, trong khi sự phát triển trong tương lai của chuỗi thời gian được mô phỏng bằng mô hình AR(1)-GARCH(1,1) kết hợp với mô hình copula. Kỹ thuật bootstrapping được sử dụng làm chuẩn mực so sánh. Kết quả thực nghiệm cho thấy mô hình GARCH-copula cung cấp dự đoán chính xác hơn về sự phát triển của chuỗi thời gian tài chính trong tương lai so với phương pháp bootstrapping. Khi nhà đầu tư tối đa hóa tỷ lệ Sharpe, cả sự gia tăng tài sản cuối cùng và mức giảm tối đa đều giảm khi áp dụng mô hình GARCH-copula so với việc sử dụng kỹ thuật bootstrapping.
Ở khía cạnh khác khi phân tích tình hình trước, trong và sau giai đoạn COVID-19 của xung đột Nga-Ukraine từ năm 2018 đến 2023, điều kiện sử dụng mô hình copula theo chuỗi thời gian nhằm nhấn mạnh sự tương tác mạnh mẽ giữa tỷ suất lợi nhuận của hai đồng tiền. Đây là nền tảng để Phan Thị Hằng Nga đề xuất các nhà đầu tư xây dựng chính sách cụ thể trong thời gian tới.
Nhấn mạnh mối tương quan giữa các thị trường chứng khoán Đông Nam Âu với các thị trường phát triển gần như bằng không. Horvath & Petrovski (2013) tập trung vào ba khu vực thị trường chứng khoán: Tây Âu, Trung Âu và Đông Nam Âu. Bằng cách sử dụng mô hình GARCH đa biến trong giai đoạn 2006-2011, nghiên cứu cho thấy một ngoại lệ đối với quy luật này là Croatia, với thị trường chứng khoán của nước này gần đây thể hiện mức độ hội nhập cao hơn vào Tây Âu, nhưng vẫn thấp hơn so với mức độ điển hình của Trung Âu. Giai đoạn khủng hoảng đã ảnh hưởng trực tiếp đến nền kinh tế chung của các quốc gia, đặc biệt là làm thay đổi mức độ hội nhập của thị trường chứng khoán.
CHƯƠNG 4: PHÂN TÍCH DỮ LIỆU
4.1 Lấy dữ liệu
Với nguồn dữ liệu có sẵn từ trang web ta thực hiện các câu lệnh để tải file vào phần mềm Rstudio.
library(PerformanceAnalytics)## Warning: package 'PerformanceAnalytics' was built under R version 4.3.3## Loading required package: xts## Warning: package 'xts' was built under R version 4.3.3## Loading required package: zoo## Warning: package 'zoo' was built under R version 4.3.3##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric##
## Attaching package: 'PerformanceAnalytics'## The following object is masked from 'package:graphics':
##
## legendlibrary(readxl)
data <- read.csv("C:/Users/ICT/Downloads/solieubai.csv")
dulieu <- data[,c(1,3,4)] #lọc còn các dữ liệu chính
dulieu1 <- data[,c(3,4)]
names(dulieu) <- c('date', 'BSESN', 'VNI30') #đổi tên dữ liệu- Nhìn nhận chung về 2 thị trường chứng khoán thông qua 2 biểu đồ
# Giả sử định dạng ngày tháng là DD/MM/YYYY
data$Date <- as.Date(data$Date, format = "%d/%m/%Y")
library(ggplot2)
ggplot(data, aes(x = Date)) +
geom_line(aes(y = Price..BSESN., color = "BSESN")) +
scale_color_manual(values = c("BSESN" = "#F28076")) +
labs(title = "H.1 TTCK Ấn Độ ",
x = "Ngày",
y = "Giá")
library(ggplot2)
ggplot(data, aes(x = Date)) +
geom_line(aes(y = Price..VNI30., color = "VNI30")) +
scale_color_manual(values = c("VNI30" = "green")) +
labs(title = "H.2 TTCK Việt Nam",
x = "Ngày",
y = "Giá") +
theme_minimal()
Theo thống kê:
Việt Nam: thị trường chứng khoán Việt Nam chủ yếu tập trung vào một số ngành chính như bất động sản, ngân hàng và tiêu dùng. Đây là một thị trường còn non trẻ với quy mô nhỏ hơn, tính thanh khoản tầm trung, và thường xuyên chịu sự biến động lớn. Khả năng ổn định của thị trường chủ yếu bị ảnh hưởng bởi các yếu tố nội tại và biến động trong nước.
Ấn Độ: thị trường chứng khoán Ấn Độ có sự đa dạng hơn về ngành nghề, bao gồm công nghệ thông tin, dược phẩm, tiêu dùng, tài chính và nhiều lĩnh vực khác. Đây là một thị trường lớn hơn và ổn định hơn với ưu điểm là có nguồn vốn đầu tư nước ngoài đáng kể.
Thông qua các giai đoạn:
Năm 2018: tại Việt Nam, đây là thời kỳ phát triển vượt bậc với nhiều kỷ lục được thiết lập nhờ vào sự tăng trưởng của các mã chứng khoán lớn như Vinamilk, Vingroup,… Ngược lại, Ấn Độ trải qua một thời kỳ biến động với tăng trưởng không đồng đều và đối mặt với nhiều bất ổn do các chính sách và tình hình kinh tế toàn cầu.
Năm 2019: cả hai quốc gia đều chứng kiến sự tăng trưởng ổn định trong năm này. Tuy nhiên, ở Ấn Độ, có dấu hiệu cải thiện rõ rệt với xu hướng đi lên, trong khi Việt Nam gặp phải những trục trặc và có xu hướng đi xuống về mặt tăng trưởng.
Năm 2020: đây là thời kỳ khủng hoảng chung cho cả hai quốc gia, với sự trì trệ và khủng hoảng kinh tế toàn cầu do tác động của đại dịch COVID-19.
Năm 2021-2022: cho thấy thời kỳ phục hồi mạnh mẽ cho cả hai quốc gia, đặc biệt là Việt Nam, nhờ vào các chính sách hỗ trợ phục hồi kinh tế. Mặc dù có sự tăng trưởng đáng kể nhưng vẫn có sự ảnh hưởng từ lạm phát và biến động giá cả.
Năm 2023: cả hai quốc gia đều bước vào giai đoạn ổn định hơn. Trong khi Ấn Độ duy trì sự tăng trưởng ổn định, Việt Nam lại đối mặt với sự giảm sút trong mức độ tăng trưởng, mặc dù các biến động trong nền kinh tế vẫn mang tính ổn định.
Tổng quan: thị trường chứng khoán Việt Nam có sự tăng trưởng nhanh chóng trong một số giai đoạn nhưng không ổn định. Trong khi đó, thị trường chứng khoán Ấn Độ không chỉ có khả năng phục hồi tốt mà còn duy trì sự tăng trưởng ổn định hơn.
4.2 Thống kê mô tả
summary(dulieu1)## Price..BSESN. Price..VNI30.
## Min. :25981 Min. : 610.8
## 1st Qu.:37192 1st Qu.: 894.9
## Median :47659 Median :1046.8
## Mean :47852 Mean :1081.7
## 3rd Qu.:58962 3rd Qu.:1226.9
## Max. :72410 Max. :1572.5Mức giá đóng cửa của sàn chứng khoán Ấn Độ dao động trong khoảng từ 25981 đến 72410, với giá trị trung bình là 47852. Đi kèm liên tiếp các chỉ số trung vị là 47659, phân vị 25% là 37192 và phân vị 75% là 58962.
Mức giá đóng cửa của sàn chứng khoán Việt Nam dao động từ 610.8 đến 1572.5, với giá trị trung bình là 1081.7. đi kèm liên tiếp các chỉ số trung vị là 1046.8, phân vị 25% là 894.9 và phân vị 75% là 1226.9.
=> Cả hai chỉ số đều cho thấy mức giá phân bổ trong khoảng rộng; tuy nhiên, phạm vi giá trị của chỉ số Ấn Độ lớn hơn so với chỉ số Việt Nam, phản ánh sự biến động giá diễn ra mạnh mẽ hơn ở Ấn Độ. Trung vị của cả chỉ số Ấn Độ và Việt Nam gần bằng giá trị trung bình, cho thấy phân phối của chúng gần như đối xứng. Tuy nhiên, sự hiện diện của các giá trị ngoại lệ lớn hơn đã ảnh hưởng đến cả hai chỉ số, dẫn đến sự dao động mạnh trong giá trị tiền tệ.
4.3 Ma trận tương quan
res <- cor(dulieu1)
res## Price..BSESN. Price..VNI30.
## Price..BSESN. 1.0000000 0.6630954
## Price..VNI30. 0.6630954 1.0000000Hệ số tương quan 0.663 cho thấy có sự tương quan dương giữa chỉ số BSESN (Ấn Độ) và VNI30 (Việt Nam), nghĩa là khi một chỉ số thay đổi, có khả năng cao rằng chỉ số kia cũng sẽ di chuyển theo cùng hướng. Mặc dù mức độ tương quan không cực kỳ mạnh mẽ (gần 1.00), nhưng vẫn đáng kể. Phần không tương thích còn lại cho thấy sự liên kết giữa hai chỉ số có thể là bị ảnh hưởng của các yếu tố kinh tế toàn cầu hoặc khu vực đối với cả hai thị trường.
- Trực tiếp kết nối các hệ số tương quan.
Cách biểu hiện dưới dạng cụ thể và hình ảnh
library(corrplot)## Warning: package 'corrplot' was built under R version 4.3.3## corrplot 0.92 loadedcorrplot(res, type = "upper", order = "hclust",
tl.col = "red", tl.srt = 45) 
Tương tự như thông số và biểu hiện trên, nhưng ở dạng hình có màu sắc thay đổi theo mật độ tương quan.
library("PerformanceAnalytics")
chart.Correlation(dulieu1, histogram=TRUE, pch=19) + title(main="H.4: Khái quát về độ tương quan", side = 3, line = 1, adj = 0)## Warning in par(usr): argument 1 does not name a graphical parameter## Warning in title(main = "H.4: Khái quát về độ tương quan", side = 3, : "side"
## is not a graphical parameter
## integer(0)Trực quan hóa dữ liệu với 4 phần được đặt thể hiện các khía cạnh cụ thể cấu trúc H.4:
Phân phối của biến BSESN (Ấn Độ): được thể hiện qua biểu đồ hình cột, cho thấy tần suất xuất hiện của các giá trị khác nhau. Biểu đồ này không đồng đều, với sự xuất hiện của đường cong mật độ cho thấy phân phối của biến BSESN có dạng hơi lệch phải (right-skewed). Điều này có nghĩa là có một số ít giá trị lớn kéo dài đuôi phân phối về phía bên phải.
Một điểm dữ liệu đặc biệt: với giá trị 0.66 thể hiện ma trận tương quan đã được đề cập trước đó. Ba dấu sao chỉ mức độ tin cậy cao về ý nghĩa thống kê.
Quan hệ giữa hai biến: được thể hiện qua biểu đồ tán xạ (scatterplot), cho phép đánh giá sự liên kết giữa chúng. Biểu đồ cho thấy mối quan hệ tích cực giữa hai biến, tức là khi giá trị của một biến tăng, giá trị của biến kia cũng có xu hướng tăng theo. Tuy nhiên, mối quan hệ này không hoàn toàn tuyến tính và có nhiều điểm dữ liệu phân tán xung quanh đường hồi quy. Điều này cho thấy sự biến động hoặc sự hiện diện của yếu tố khác ảnh hưởng đến mối quan hệ giữa hai biến.
Phân phối của biến VN130 (Việt Nam): khá tương đồng về tần suất và mức độ phân phối so với BSESN (Ấn Độ) dể dàng thấy phân phối bị lệch sang phải.
# Cụ thể biểu đồ tán xạ (scatterplot)
library(ggplot2)
ggplot(data, aes(x = Price..BSESN., y = Price..VNI30.)) +
geom_point(aes(color = Year), alpha = 0.6) + # Sử dụng color = Year nếu có cột Year trong dữ liệu
geom_smooth(method = "lm", se = FALSE, color = "red") +
labs(title = "H.5 Biểu đồ tán xạ giữa 2 quốc gia",
x = "Chỉ số BSESN",
y = "Chỉ số VNI30") +
theme_minimal()## `geom_smooth()` using formula = 'y ~ x'
Cụ thể về mối tương quan giữa các chỉ số chứng khoán của hai quốc gia, mức độ tương quan dương được thể hiện rõ trong H.5. Đường thẳng màu đỏ đại diện cho đường hồi quy, phản ánh xu hướng chung giữa hai chỉ số và nhấn mạnh mối quan hệ tổng quát giữa chúng. Độ phân tán của các điểm dữ liệu quanh đường hồi quy màu đỏ khá lớn, cho thấy dữ liệu có mức độ biến động đáng kể hoặc bị ảnh hưởng bởi nhiều yếu tố bên ngoài. Sự biến động này càng rõ rệt qua từng năm, như được thể hiện trong phần chú thích với các màu sắc khác nhau.
Điều này cho thấy các yếu tố tác động có thể ảnh hưởng đến mối quan hệ giữa hai chỉ số và cần được xem xét kỹ lưỡng trong các quy trình phân tích tiếp theo. Phần màu sắc xanh dương trên biểu đồ đại diện cho mật độ mức giá đóng cửa của VNI30 (Việt Nam), cho thấy rằng mức giá này thường thấp hơn so với chỉ số BSESN của Ấn Độ. Sự khác biệt về mức giá giữa hai thị trường có thể do chênh lệch về đồng tiền, với VNI30 thường có giá đóng cửa thấp hơn và ít biến động hơn so với BSESN.
# Cụ thể biểu đồ tán xạ (scatterplot)
library(ggplot2)
ggplot(data, aes(x = Price..BSESN., y = Price..VNI30.)) +
geom_point(aes(color = "Phân tán"), alpha = 0.7) +
geom_smooth(method = "lm", se = FALSE, color = "red") +
labs(title = "H.6 Biểu đồ phân tán cụ thể qua các giai đoạn",
x = "Chỉ số BSESN",
y = "Chỉ số VNI30") +
theme_minimal() +
facet_wrap(~Year) +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) ## `geom_smooth()` using formula = 'y ~ x'
Nhận thấy sự khác biệt qua các giai đoạn phân tích của hai mã chứng khoán thông qua các biến động và số liệu trên H.6, chúng ta có cái nhìn trực quan về sự tương đồng. Biểu đồ này cho thấy mức độ tương đồng rõ ràng so với các biểu đồ trước, thể hiện mối quan hệ qua các năm khá ổn định (hầu hết dao động xung quanh đường xu hướng), ngoại trừ năm 2019. Trong năm 2019, có sự trì trệ rõ rệt và biến động mật độ giao động ít hơn hẳn các năm khác với độ dốc dẹt hơn. Kèm theo đó là sự tụt dốc nhanh vào năm 2020 với hệ số thấp nhất. Điều này trùng hợp với khoảng thời gian khủng hoảng kinh tế do dịch bệnh toàn cầu COVID-19, khi các mã chứng khoán chịu ảnh hưởng nặng nề. Tình trạng thị trường chứng khoán trong giai đoạn khó khăn này đã và đang ảnh hưởng trực tiếp đến cả hai thị trường quốc gia.
pairs(~ BSESN + VNI30, data = dulieu, col = "lightsalmon",
main = "H.7 Biểu đồ phân tán thể hiện mối quan hệ 2 quốc gia")
Với H.7, có bốn thành phần: hai cặp chính thể hiện độ tương quan giữa các chỉ số giá chứng khoán và hai cặp còn lại hiển thị tên của hai chỉ số. Khi phân tách sự phân tán, biểu đồ so sánh giá cổ phiếu giữa các quốc gia cho thấy sự tương quan dương giữa hai chỉ số. Cụ thể, độ dốc của đám mây điểm cho thấy mức độ chặt chẽ của mối quan hệ này. Trong đó, hình phía trên bên phải có độ phân tán rộng hơn (đuôi phải nặng hơn), trong khi hình còn lại có độ dốc khá dẹt hơn khi nhìn sơ bộ.
4.3 Thực hiện kiểm định
Điều chỉnh thêm cho bộ dữ liệu để tránh tình trạng không dừng ta sẽ lấy sai phân của biến đại diện cho TTCK của hai quốc gia Việt Nam và Ấn Độ bởi hàm diff()
Sự xuất hiện của hai biến mới trong bộ dữ liệu đã được thực nghiệm nhằm nghiên cứu quá trình tiếp theo. Các biến này em sẽ trực quan hóa thông qua các biểu đồ để đánh giá sơ bộ chỉ số của chúng, cũng như để thực hiện việc làm mịn dữ liệu một cách cụ thể.
Var1 <- diff(dulieu$BSESN)
Var2 <- diff(dulieu$VNI30)
dulieu$Var1 <- c(NA, Var1)
dulieu$Var2 <- c(NA, Var2)
dulieu <- na.omit(dulieu)
dulieu$date <- as.Date(dulieu$date, format = "%d/%m/%Y")
library(ggplot2)
ggplot(dulieu, aes(x = date)) +
geom_line(aes(y = Var1, color = "BSESN"), size = 1.2) + # Đổi tên màu sắc cho phù hợp
labs(title = "H.8 Chênh lệch giá của Ấn Độ",
x = "Ngày",
y = "Sự thay đổi giá") +
scale_color_manual(values = c("BSESN" = "yellow")) + # Chọn màu sắc đẹp hơn
theme_bw(base_size = 14) + # Tăng kích thước font chữ
theme(legend.position = "top", # Đặt vị trí của legend ở trên cùng
plot.title = element_text(hjust = 0.5, size = 16), # Căn giữa tiêu đề và thay đổi kích thước font
axis.title = element_text(size = 14), # Thay đổi kích thước font của nhãn trục
axis.text = element_text(size = 12))## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
ggplot(dulieu, aes(x = date)) +
geom_line(aes(y = Var2, color = "VNI30"), size = 1.2) + # Đổi tên màu sắc cho phù hợp +
labs(title = "H.9 Chênh lệch giá của của Việt Nam",
x = "Ngày",
y = "Sự thay đổi giá") +
scale_color_manual(values = c("VNI30" = "skyblue")) + # Chọn màu sắc đẹp hơn
theme_bw(base_size = 14) + # Tăng kích thước font chữ
theme(legend.position = "top", # Đặt vị trí của legend ở trên cùng
plot.title = element_text(hjust = 0.5, size = 16), # Căn giữa tiêu đề và thay đổi kích thước font
axis.title = element_text(size = 14), # Thay đổi kích thước font của nhãn trục
axis.text = element_text(size = 12))
Biểu đồ cho thấy rằng độ biến động của thị trường chứng khoán Việt Nam (VNI30) thấp hơn so với thị trường chứng khoán Ấn Độ (BSESN). Điều này có thể do sự khác biệt về đồng tiền và các yếu tố kinh tế vĩ mô.
Cụ thể, thị trường chứng khoán Ấn Độ, dù có sự biến động cao hơn, vẫn duy trì tính ổn định tổng thể nhờ vào cấu trúc thị trường và sức mạnh kinh tế. Ngược lại, thị trường chứng khoán Việt Nam, với biến động thấp hơn, cho thấy tính ổn định ngắn hạn nhưng không tránh khỏi những rủi ro nội tại và sự thiếu đa dạng ngành nghề.
Tóm lại, sự khác biệt trong độ biến động giữa hai thị trường phản ánh sự ảnh hưởng của cơ cấu thị trường, chính sách kinh tế và biến động đồng tiền.
- Kiểm định phân phối chuẩn: Jarque-Bera
Với giả thiết:
\(H_0\): dữ liệu tuân theo phân phối chuẩn.
\(H_1\): dữ liệu không tuân theo phân phối chuẩn.
- Với quốc gia Ấn Độ
library(tseries)## Warning: package 'tseries' was built under R version 4.3.3## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zooad <- jarque.bera.test(Var1)
print(ad)##
## Jarque Bera Test
##
## data: Var1
## X-squared = 2477.2, df = 2, p-value < 2.2e-16Với kết quả trên ta dể dàng thấy \(X-squared = 2477.2\), \(p-value\) bé hơn mức ý nghĩa 5% bác bỏ giả thiết \(H_0\), cho rằng dữ liệu không tuân theo phân phối chuẩn.
- Với quốc gia Việt Nam
library(tseries)
vn <- jarque.bera.test(Var2)
print(vn)##
## Jarque Bera Test
##
## data: Var2
## X-squared = 982.09, df = 2, p-value < 2.2e-16Tương tự ở trên với \(X-squared = 982.09, p-value < 5%\) chỉ số gá Việt Nam cũng đủ cơ sở bác bỏ \(H_0\), cho rằng dữ liệu không tuân theo phân phối chuẩn.
=> Với hai dữ liệu không tuân theo phân phối chuẩn, điều này thường gặp trong các dữ liệu tài chính, nơi phân phối thường có đuôi nặng. Sự không tuân theo phân phối chuẩn có thể gây ra các vấn đề liên quan đến nhiều biến động và lệch phân phối trong dữ liệu thực tế. Mặc dù dữ liệu thực tế thường bị lệch phân phối, các mô hình phân tích vẫn có thể hoạt động hiệu quả và không bị ảnh hưởng nhiều nếu được điều chỉnh phù hợp. Đặc biệt, các mô hình GARCH với phân phối t của Student hoặc GED có thể cải thiện khả năng mô hình hóa các đặc điểm đặc thù và các cú sốc trên thị trường.
- Kiểm định tính dừng: Augmented Dickey–Fuller
Với giả thiết:
\(H_0\): chuỗi thời gian có chứa một gốc đơn (unit root), tức là chuỗi không dừng.
\(H_1\): chuỗi thời gian không chứa gốc đơn, tức là chuỗi dừng.
- Với quốc gia Ấn Độ
adf.test(Var1)## Warning in adf.test(Var1): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: Var1
## Dickey-Fuller = -10.088, Lag order = 11, p-value = 0.01
## alternative hypothesis: stationaryprint(adf.test(Var1))## Warning in adf.test(Var1): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: Var1
## Dickey-Fuller = -10.088, Lag order = 11, p-value = 0.01
## alternative hypothesis: stationaryVới kết quả trên ta dể dàng thấy \(Dickey-Fuller = -10.088, p-value < 5%\), hoàn toàn đủ cở sở để bác bỏ giả thiết \(H_0\), cho rằng mô hình có chuỗi thời gian không chứa gốc đơn, tức là có chuỗi dừng.
2 Với quốc gia Việt Nam
adf.test(Var2)## Warning in adf.test(Var2): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: Var2
## Dickey-Fuller = -11.069, Lag order = 11, p-value = 0.01
## alternative hypothesis: stationaryprint(adf.test(Var2))## Warning in adf.test(Var2): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: Var2
## Dickey-Fuller = -11.069, Lag order = 11, p-value = 0.01
## alternative hypothesis: stationaryTương tự ở trên nhận thấy \(Dickey-Fuller = -11.069 với p-value < 5%\), đủ cơ sở để bác bỏ giả thuyết \(H_0\), cho rằng mô hình có chuỗi thời gian không chứa gốc đơn, tức là có chuỗi dừng.
- Kiểm định tương quan chuỗi: Ljung-Box
Với giả thiết:
\(H_0\): các phần dư không có tự tương quan.
\(H_1\): các phần dư có tự tương quan.
- Với quốc gia Ấn Độ
library(forecast)## Warning: package 'forecast' was built under R version 4.3.3result1 <- Box.test(Var1, lag = 4, type = "Ljung-Box")
print(result1)##
## Box-Ljung test
##
## data: Var1
## X-squared = 3.0617, df = 4, p-value = 0.5476Với kết quả trên ta dể dàng thấy \(X-squared = 3.0617, p-value < 5%\), chấp nhận \(H_0\), chuỗi thời gian là không có tự tương quan, có độ thích hợp để chạy mô hình.
- Với quốc gia Việt Nam
library(stats)
result2 <- Box.test(Var2, lag = 10, type = "Ljung-Box")
print(result2)##
## Box-Ljung test
##
## data: Var2
## X-squared = 13.238, df = 10, p-value = 0.2107Tương tự ở trên nhận thấy \(X-squared = 13.238, p-value < 5%\), chấp nhận \(H_0\), chuỗi thời gian là không có tự tương quan, có độ thích hợp để chạy mô hình.
4.4 Thực nghiệm với mô hình ARMA
4.4.1 Với quốc gia Ấn độ
require(forecast)
require(rugarch)## Loading required package: rugarch## Warning: package 'rugarch' was built under R version 4.3.3## Loading required package: parallel##
## Attaching package: 'rugarch'## The following object is masked from 'package:stats':
##
## sigmaautoarfima(Var1, ar.max = 2, ma.max = 2, criterion = "AIC", method = "full")## $fit
##
## *----------------------------------*
## * ARFIMA Model Fit *
## *----------------------------------*
## Mean Model : ARFIMA(0,0,0)
## Distribution : norm
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu 27.111 13.2332 2.0487 0.040487
## sigma 498.839 9.3618 53.2844 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu 27.111 14.05 1.9297 0.05365
## sigma 498.839 36.23 13.7686 0.00000
##
## LogLikelihood : -10843.5
##
## Information Criteria
## ------------------------------------
##
## Akaike 15.265
## Bayes 15.272
## Shibata 15.265
## Hannan-Quinn 15.267
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.1406 0.7076
## Lag[2*(p+q)+(p+q)-1][2] 0.1469 0.8879
## Lag[4*(p+q)+(p+q)-1][5] 3.4279 0.3344
##
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 39.79 2.821e-10
## Lag[2*(p+q)+(p+q)-1][2] 97.49 0.000e+00
## Lag[4*(p+q)+(p+q)-1][5] 188.78 0.000e+00
##
##
## ARCH LM Tests
## ------------------------------------
## Statistic DoF P-Value
## ARCH Lag[2] 135.8 2 0
## ARCH Lag[5] 188.7 5 0
## ARCH Lag[10] 279.4 10 0
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 1.6635
## Individual Statistics:
## mu 0.1283
## sigma 1.3422
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 0.61 0.749 1.07
## Individual Statistic: 0.35 0.47 0.75
##
##
## Elapsed time : 0.06736207
##
##
## $rank.matrix
## ar1 ar2 ma1 ma2 im arf AIC converged
## 1 0 0 0 0 1 0 15.26461 1
## 2 1 0 0 0 1 0 15.26592 1
## 3 0 0 1 0 1 0 15.26592 1
## 4 0 1 0 0 1 0 15.26601 1
## 5 0 0 0 1 1 0 15.26601 1
## 6 0 1 1 0 1 0 15.26732 1
## 7 0 0 1 1 1 0 15.26732 1
## 8 1 1 0 0 1 0 15.26732 1
## 9 1 0 0 1 1 0 15.26732 1
## 10 1 0 1 0 1 0 15.26733 1
## 11 1 0 0 0 0 0 15.26738 1
## 12 0 0 1 0 0 0 15.26738 1
## 13 0 1 0 1 1 0 15.26742 1
## 14 0 1 0 0 0 0 15.26751 1
## 15 0 0 0 1 0 0 15.26752 1
## 16 1 1 1 0 1 0 15.26872 1
## 17 0 1 1 1 1 0 15.26872 1
## 18 1 0 1 1 1 0 15.26872 1
## 19 1 1 0 1 1 0 15.26872 1
## 20 0 1 1 0 0 0 15.26876 1
## 21 1 1 0 0 0 0 15.26876 1
## 22 0 0 1 1 0 0 15.26876 1
## 23 1 0 0 1 0 0 15.26876 1
## 24 1 0 1 0 0 0 15.26879 1
## 25 0 1 0 1 0 0 15.26892 1
## 26 1 1 1 1 1 0 15.27013 1
## 27 1 1 1 0 0 0 15.27016 1
## 28 1 0 1 1 0 0 15.27016 1
## 29 0 1 1 1 0 0 15.27016 1
## 30 1 1 0 1 0 0 15.27017 1
## 31 1 1 1 1 0 0 15.27157 14.4.2 Với quốc gia Việt Nam
autoarfima(dulieu[,5], ar.max = 2, ma.max = 2, criterion = "AIC", method = "full")## $fit
##
## *----------------------------------*
## * ARFIMA Model Fit *
## *----------------------------------*
## Mean Model : ARFIMA(2,0,2)
## Distribution : norm
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## ar1 -0.93090 0.125695 -7.4060 0
## ar2 -0.93507 0.021007 -44.5134 0
## ma1 0.93968 0.094394 9.9548 0
## ma2 0.96726 0.003375 286.5762 0
## sigma 15.24300 0.356634 42.7413 0
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## ar1 -0.93090 0.660914 -1.4085 0.158982
## ar2 -0.93507 0.099595 -9.3887 0.000000
## ma1 0.93968 0.496770 1.8916 0.058548
## ma2 0.96726 0.017148 56.4079 0.000000
## sigma 15.24300 1.550106 9.8335 0.000000
##
## LogLikelihood : -5887.293
##
## Information Criteria
## ------------------------------------
##
## Akaike 8.2932
## Bayes 8.3117
## Shibata 8.2931
## Hannan-Quinn 8.3001
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.4108 0.5216
## Lag[2*(p+q)+(p+q)-1][11] 4.0371 0.9999
## Lag[4*(p+q)+(p+q)-1][19] 8.3270 0.7468
##
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 63.35 1.776e-15
## Lag[2*(p+q)+(p+q)-1][2] 75.81 0.000e+00
## Lag[4*(p+q)+(p+q)-1][5] 138.02 0.000e+00
##
##
## ARCH LM Tests
## ------------------------------------
## Statistic DoF P-Value
## ARCH Lag[2] 74.56 2 1.11e-16
## ARCH Lag[5] 139.59 5 0.00e+00
## ARCH Lag[10] 164.75 10 0.00e+00
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 2.4894
## Individual Statistics:
## ar1 0.05171
## ar2 0.27456
## ma1 0.07993
## ma2 0.35168
## sigma 2.11546
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 1.28 1.47 1.88
## Individual Statistic: 0.35 0.47 0.75
##
##
## Elapsed time : 0.2323821
##
##
## $rank.matrix
## ar1 ar2 ma1 ma2 im arf AIC converged
## 1 1 1 1 1 0 0 8.293165 1
## 2 1 1 1 1 1 0 8.294533 1
## 3 1 0 0 0 0 0 8.297012 1
## 4 0 0 1 0 0 0 8.297020 1
## 5 0 1 0 0 0 0 8.297434 1
## 6 0 0 0 1 0 0 8.297437 1
## 7 0 1 1 1 0 0 8.297460 1
## 8 0 0 0 0 1 0 8.297463 1
## 9 1 1 0 1 0 0 8.297567 1
## 10 0 1 0 1 0 0 8.297974 1
## 11 1 0 1 0 0 0 8.298233 1
## 12 0 0 1 1 0 0 8.298348 1
## 13 0 1 1 0 0 0 8.298366 1
## 14 1 1 0 0 0 0 8.298371 1
## 15 1 0 0 0 1 0 8.298380 1
## 16 0 0 1 0 1 0 8.298388 1
## 17 1 0 0 1 0 0 8.298468 1
## 18 0 1 0 0 1 0 8.298801 1
## 19 0 0 0 1 1 0 8.298805 1
## 20 0 1 1 1 1 0 8.298827 1
## 21 1 1 0 1 1 0 8.298934 1
## 22 0 1 0 1 1 0 8.299340 1
## 23 1 0 1 0 1 0 8.299603 1
## 24 1 1 1 0 0 0 8.299670 1
## 25 0 0 1 1 1 0 8.299717 1
## 26 0 1 1 0 1 0 8.299734 1
## 27 1 1 0 0 1 0 8.299740 1
## 28 1 0 1 1 0 0 8.299759 1
## 29 1 0 0 1 1 0 8.299836 1
## 30 1 1 1 0 1 0 8.301038 1
## 31 1 0 1 1 1 0 8.301128 1Tổng quan mô hình Ấn Độ:
Đối với thị trường chứng khoán Ấn Độ, mô hình tối ưu là ARFIMA(0,0,0), mô hình đơn giản nhất, với các chỉ số đều có ý nghĩa thống kê với giá trị p dưới 10%, kèm theo các chỉ số ước lượng tương ứng \(σ(sigma)\) = 498.98, và \(c(mu)\) = 26.92.
Trong trường hợp, mô hình ARFIMA(0,0,0) có thể được đơn giản hóa thành mô hình ARMA(0,0), tức là mô hình trắng (white noise), không có phần tự hồi quy (AR) hay phần trung bình di động (MA) trong mô hình của bạn. Vì vậy, không có tham số 𝜙 và 𝜃 trong mô hình ARMA(0,0), chỉ có tham số \(μ\) và 𝜎.
\(X_1\) = 26.92 + \(ϵ_t\)
Tổng quát mô hình Việt Nam:
Đối với thị trường chứng khoán Việt Nam, mô hình phù hợp hơn là ARFIMA(2,0,2), với hầu như tất cả các chỉ số thể hiện mức độ phù hợp khá cao của mô hình. Cụ thể, các tham số có ý nghĩa thống kê và tầm quan trọng mạnh nhất có giá trị \(p-value\) dưới 1% là \(ϕ_2(ar2)\) = 0.93507, \(θ_2(ma2)\) = 0.96726 và độ lệch chuẩn của tham số \(σ(sigma)\) = 15.24300 . Kế tiếp, với mức ý nghĩa \(p-value\) dưới 10% là \(θ_1\)(ma1) = 0.93968. Tuy nhiên, với chỉ số \(ϕ_1(ar1)\) \(p-value\) vượt mức 10% , dù có sự biến động là đáng kể nhưng nó vẫn không có ý nghĩa thông kê, không ảnh hưởng nhiều đến mô hình.
\(X_2\) = -0.93090\(X_{t-1}\) −0.93507\(X_{t-2}\) + 0.93968\(ϵ_{t-1}\) + 0.96726\(ϵ_{t-2}\) + \(ϵ_t\)
4.5 Thực nghiệm các mô hình GJR-GARCH
4.5.1 Với quốc gia Ấn Độ
- GJR-GARCH(11) với phân phối chuẩn
BSESN.garch11n.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model
= list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "norm")
BSESN.garch11n.fit <- ugarchfit(spec = BSESN.garch11n.spec, data = Var1)- GJR-GARCH(11) với phân phối Student t
BSESN.garch11t.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model
= list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "std")
BSESN.garch11t.fit <- ugarchfit(spec = BSESN.garch11t.spec, data = Var1)- GJR-GARCH(11) với phân phối Student’s t đối xứng
BSESN.garch11st.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)),
mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "sstd")
BSESN.garch11st.fit <- ugarchfit(spec = BSESN.garch11st.spec, data = Var1)- GJR-GARCH(11) với phân phối Generalized Error Distribution (GED)
BSESN.garch11g.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model
= list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "ged")
BSESN.garch11g.fit <- ugarchfit(spec = BSESN.garch11g.spec, data = Var1)- GJR-GARCH(11) với phân phối Generalized Error Distribution đối xứng
BSESN.garch11sg.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)),
mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "sged")
BSESN.garch11sg.fit <- ugarchfit(spec = BSESN.garch11sg.spec, data = Var1)4.5.1.1 Lựa chọn mô hình phù hợp bậc 1,1
BSESN.list11 <- list(garch11n = BSESN.garch11n.fit, garch11t = BSESN.garch11t.fit, garch11st = BSESN.garch11st.fit,
garch11g = BSESN.garch11g.fit, garch11sg = BSESN.garch11sg.fit)
BSESN.info.mat11 <- sapply(BSESN.list11, infocriteria)
BSESN.info.mat11## garch11n garch11t garch11st garch11g garch11sg
## [1,] 14.97724 14.94520 14.93741 14.95291 14.95002
## [2,] 15.01055 14.98221 14.97812 14.98992 14.99073
## [3,] 14.97716 14.94511 14.93729 14.95281 14.94990
## [4,] 14.98969 14.95903 14.95261 14.96673 14.96523BSESN.inds11 <- which(BSESN.info.mat11 == min(BSESN.info.mat11), arr.ind = TRUE)
model.BSESN11 <- colnames(BSESN.info.mat11)[BSESN.inds11[, 2]]
model.BSESN11## [1] "garch11st"Sau khi hoàn tất việc ước lượng các mô hình GJR-GARCH(11) với các phân phối khác nhau, các chỉ số thông tin Akaike (AIC), Bayesian (BIC), Shibata (SIC), và Hannan-Quinn (HQ) đã được so sánh. Kết quả cho thấy mô hình GJR-GARCH(11) với phân phối Student’s t là mô hình tối ưu nhất với tất cả các chỉ số đều thấp nhất. Trong các bước tiếp theo, em thực hiện kiểm tra các bậc khác của cùng phân phối để xem xét sự biến động hoặc tìm ra mô hình tối ưu hơn.
4.5.1.2 Mở rộng thêm các bậc khác của phân phối
- GJR-GARCH(12) với phân phối Student’s t đối xứng
BSESN.garch12st.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 2)),
mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "sstd")
BSESN.garch12st.fit <- ugarchfit(spec = BSESN.garch12st.spec, data = Var1)- GJR-GARCH(21) với phân phối Student’s t đối xứng
BSESN.garch21st.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 1)),
mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "sstd")
BSESN.garch21st.fit <- ugarchfit(spec = BSESN.garch21st.spec, data = Var1)- GJR-GARCH(22) với phân phối Student’s t đối xứng
BSESN.garch22st.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 2)),
mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "sstd")
BSESN.garch22st.fit <- ugarchfit(spec = BSESN.garch22st.spec, data = Var1)4.5.1.3 Lựa chọn mô hình với các bậc của độ phân phối phân phối Student’s t đối xứng
BSESN.list <- list(garch11st = BSESN.garch11st.fit, garch12st = BSESN.garch12st.fit, garch21st = BSESN.garch21st.fit,
garch22st = BSESN.garch22st.fit)
BSESN.info.mat <- sapply(BSESN.list, infocriteria)
BSESN.info.mat## garch11st garch12st garch21st garch22st
## [1,] 14.93741 14.94523 14.94635 14.93687
## [2,] 14.97812 14.98964 14.99446 14.98869
## [3,] 14.93729 14.94509 14.94619 14.93668
## [4,] 14.95261 14.96182 14.96432 14.95623BSESN.inds <- which(BSESN.info.mat == min(BSESN.info.mat), arr.ind = TRUE)
model.BSESN <- colnames(BSESN.info.mat)[BSESN.inds[, 2]]
model.BSESN## [1] "garch22st"Kết quả cuối cùng ở TTCK Ấn Độ, mô hình phối với bậc (2,2) của phân phối Student’s t đối xứng là tối ưu nhất, với các chỉ số so sách là thấp nhất.
4.5.2 Với quốc gia Việt Nam
- GJR-GARCH(11) với phân phối chuẩn
VNI30.garch11n.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model
= list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "norm")
VNI30.garch11n.fit <- ugarchfit(spec = VNI30.garch11n.spec, data = Var2)- GJR-GARCH(11) với phân phối Student t
VNI30.garch11t.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model
= list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "std")
VNI30.garch11t.fit <- ugarchfit(spec = VNI30.garch11t.spec, data = Var2)- GJR-GARCH(11) với phân phối Student’s t đối xứng
VNI30.garch11st.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)),
mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "sstd")
VNI30.garch11st.fit <- ugarchfit(spec = VNI30.garch11st.spec, data = Var2)- GJR-GARCH(11) với phân phối Generalized Error Distribution (GED)
VNI30.garch11g.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model
= list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "ged")
VNI30.garch11g.fit <- ugarchfit(spec = VNI30.garch11g.spec, data = Var2)- GJR-GARCH(11) với phân phối Generalized Error Distribution đối xứng
VNI30.garch11sg.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)),
mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "sged")
VNI30.garch11sg.fit <- ugarchfit(spec = VNI30.garch11sg.spec, data = Var2)4.5.2.1 Lựa chọn mô hình phù hợp bậc (1,1)
VNI30.list11 <- list(garch11n = VNI30.garch11n.fit, garch11t = VNI30.garch11t.fit, garch11st = VNI30.garch11st.fit,
garch11g = VNI30.garch11g.fit, garch11sg = VNI30.garch11sg.fit)
VNI30.info.mat11 <- sapply(VNI30.list11, infocriteria)
VNI30.info.mat11 ## garch11n garch11t garch11st garch11g garch11sg
## [1,] 8.032456 7.922886 7.912425 7.913867 7.905299
## [2,] 8.065765 7.959896 7.953136 7.950876 7.946010
## [3,] 8.032376 7.922788 7.912307 7.913768 7.905180
## [4,] 8.044898 7.936711 7.927633 7.927691 7.920506VNI30.inds11 <- which(VNI30.info.mat11 == min(VNI30.info.mat11), arr.ind = TRUE)
model.VNI3011 <- colnames(VNI30.info.mat11)[VNI30.inds11[, 2]]
model.VNI3011## [1] "garch11sg"Tương tự cách làm ở trên với bậc (1,1) ở trường hợp này thì mô hình tối ưu nằm ỏ phân phối Generalized Error Distribution đối xứng ở mức tác động thấp nhất.
4.5.2.2 Mở rộng thêm các bậc khác
- GJR-GARCH(12) với phân phối Generalized Error Distribution đối xứng
VNI30.garch12sg.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 2)),
mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "sged")
VNI30.garch12sg.fit <- ugarchfit(spec = VNI30.garch12sg.spec, data = Var2)- GJR-GARCH(21) với phân phối Generalized Error Distribution đối xứng
VNI30.garch21sg.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 1)),
mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "sged")
VNI30.garch21sg.fit <- ugarchfit(spec = VNI30.garch21sg.spec, data = Var2)- GJR-GARCH(22) với phân phối Generalized Error Distribution đối xứng
VNI30.garch22sg.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 2)),
mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "sged")
VNI30.garch22sg.fit <- ugarchfit(spec = VNI30.garch22sg.spec, data = Var2)4.5.2.3 Lựa chọn mô hình với các bậc của độ phân phối phân phối Generalized Error Distribution đối xứng
VNI30.list <- list(garch11sg = VNI30.garch11sg.fit, garch12sg = VNI30.garch12sg.fit, garch21sg = VNI30.garch21sg.fit,
garch22sg = VNI30.garch22sg.fit)
VNI30.info.mat <- sapply(VNI30.list, infocriteria)
VNI30.info.mat## garch11sg garch12sg garch21sg garch22sg
## [1,] 7.905299 7.903039 7.896028 7.898352
## [2,] 7.946010 7.947451 7.944141 7.950166
## [3,] 7.905180 7.902898 7.895863 7.898160
## [4,] 7.920506 7.919629 7.914000 7.917707VNI30.inds <- which(VNI30.info.mat == min(VNI30.info.mat), arr.ind = TRUE)
model.VNI30 <- colnames(VNI30.info.mat)[VNI30.inds[, 2]]
model.VNI30## [1] "garch21sg"Đến cuối cùng TTCK Việt Nam, sau khi nâng lên các bậc khác của phân phối tối ưu thì nhận thấy bậc (2,1) là tối ưu nhất trong các bậc phân phối Generalized Error Distribution đối xứng.
4.5.3 Tổng quan kết quả hai quốc gia với mô hình GJR-GARCH
print(BSESN.garch22st.fit)##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,2)
## Mean Model : ARFIMA(2,0,2)
## Distribution : sstd
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu 28.995513 10.609953 2.73286 0.006279
## ar1 -0.485690 1.281466 -0.37901 0.704680
## ar2 -0.524802 0.234088 -2.24190 0.024968
## ma1 0.563320 1.281282 0.43965 0.660188
## ma2 0.553252 0.200090 2.76501 0.005692
## omega 2278.522086 887.580331 2.56712 0.010255
## alpha1 0.033027 0.029853 1.10630 0.268598
## alpha2 0.000000 0.031417 0.00000 1.000000
## beta1 0.920504 0.035031 26.27694 0.000000
## beta2 0.000000 0.031186 0.00000 1.000000
## gamma1 0.288889 0.087691 3.29441 0.000986
## gamma2 -0.210815 0.085969 -2.45221 0.014198
## skew 0.874886 0.035888 24.37835 0.000000
## shape 7.625188 1.373633 5.55111 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu 28.995513 10.515224 2.757479 0.005825
## ar1 -0.485690 4.703496 -0.103261 0.917755
## ar2 -0.524802 0.476835 -1.100594 0.271073
## ma1 0.563320 4.704902 0.119731 0.904697
## ma2 0.553252 0.220129 2.513306 0.011961
## omega 2278.522086 812.462388 2.804465 0.005040
## alpha1 0.033027 0.022978 1.437283 0.150638
## alpha2 0.000000 0.030893 0.000000 1.000000
## beta1 0.920504 0.011334 81.212874 0.000000
## beta2 0.000000 0.008437 0.000002 0.999999
## gamma1 0.288889 0.088674 3.257879 0.001122
## gamma2 -0.210815 0.093215 -2.261606 0.023722
## skew 0.874886 0.045480 19.236859 0.000000
## shape 7.625188 1.318788 5.781965 0.000000
##
## LogLikelihood : -10598.65
##
## Information Criteria
## ------------------------------------
##
## Akaike 14.937
## Bayes 14.989
## Shibata 14.937
## Hannan-Quinn 14.956
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.4797 0.4886
## Lag[2*(p+q)+(p+q)-1][11] 1.6093 1.0000
## Lag[4*(p+q)+(p+q)-1][19] 4.5909 0.9975
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.3927 0.5309
## Lag[2*(p+q)+(p+q)-1][11] 4.6873 0.6284
## Lag[4*(p+q)+(p+q)-1][19] 12.9918 0.1947
## d.o.f=4
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[5] 0.7297 0.500 2.000 0.3930
## ARCH Lag[7] 1.3066 1.473 1.746 0.6732
## ARCH Lag[9] 5.6755 2.402 1.619 0.2018
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 4.5409
## Individual Statistics:
## mu 0.59597
## ar1 0.45398
## ar2 0.03650
## ma1 0.40185
## ma2 0.03598
## omega 0.84208
## alpha1 0.61947
## alpha2 0.64808
## beta1 0.90984
## beta2 0.96195
## gamma1 0.24822
## gamma2 0.24442
## skew 0.19251
## shape 0.14372
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 3.08 3.34 3.9
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 1.5387 0.1241
## Negative Sign Bias 1.5476 0.1219
## Positive Sign Bias 0.2049 0.8377
## Joint Effect 3.4424 0.3283
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 18.65 0.4796
## 2 30 31.31 0.3510
## 3 40 44.64 0.2466
## 4 50 51.03 0.3939
##
##
## Elapsed time : 1.099263print(VNI30.garch21sg.fit)##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,1)
## Mean Model : ARFIMA(2,0,2)
## Distribution : sged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu 0.327701 0.139197 2.3542 0.018561
## ar1 -0.505302 0.005319 -94.9937 0.000000
## ar2 -0.985494 0.001506 -654.4430 0.000000
## ma1 0.514377 0.001964 261.8992 0.000000
## ma2 1.000081 0.000141 7117.8283 0.000000
## omega 2.551805 0.830722 3.0718 0.002128
## alpha1 0.000000 0.007403 0.0000 1.000000
## alpha2 0.091681 0.017249 5.3150 0.000000
## beta1 0.896938 0.013755 65.2105 0.000000
## gamma1 0.238090 0.036918 6.4491 0.000000
## gamma2 -0.233329 0.033945 -6.8737 0.000000
## skew 0.871513 0.019362 45.0116 0.000000
## shape 1.164629 0.058097 20.0462 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu 0.327701 0.077238 4.2428 0.000022
## ar1 -0.505302 0.008287 -60.9721 0.000000
## ar2 -0.985494 0.004193 -235.0398 0.000000
## ma1 0.514377 0.002528 203.4426 0.000000
## ma2 1.000081 0.000178 5617.6498 0.000000
## omega 2.551805 0.725933 3.5152 0.000439
## alpha1 0.000000 0.001658 0.0000 1.000000
## alpha2 0.091681 0.011065 8.2857 0.000000
## beta1 0.896938 0.009935 90.2775 0.000000
## gamma1 0.238090 0.016094 14.7941 0.000000
## gamma2 -0.233329 0.016625 -14.0352 0.000000
## skew 0.871513 0.014943 58.3223 0.000000
## shape 1.164629 0.060976 19.0998 0.000000
##
## LogLikelihood : -5597.128
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.8960
## Bayes 7.9441
## Shibata 7.8959
## Hannan-Quinn 7.9140
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 4.454 3.483e-02
## Lag[2*(p+q)+(p+q)-1][11] 9.508 2.970e-07
## Lag[4*(p+q)+(p+q)-1][19] 11.743 2.203e-01
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.130 0.2878
## Lag[2*(p+q)+(p+q)-1][8] 4.363 0.4467
## Lag[4*(p+q)+(p+q)-1][14] 9.615 0.2283
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.4939 0.500 2.000 0.4822
## ARCH Lag[6] 4.0007 1.461 1.711 0.1882
## ARCH Lag[8] 5.0324 2.368 1.583 0.2454
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 2.5757
## Individual Statistics:
## mu 0.20902
## ar1 0.10717
## ar2 0.12078
## ma1 0.15258
## ma2 0.05117
## omega 0.48041
## alpha1 0.27479
## alpha2 0.27345
## beta1 0.23384
## gamma1 0.15330
## gamma2 0.16778
## skew 0.11120
## shape 0.10703
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.89 3.15 3.69
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.7158 0.4742
## Negative Sign Bias 1.1206 0.2627
## Positive Sign Bias 1.3446 0.1790
## Joint Effect 4.5504 0.2078
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 24.22 0.1878
## 2 30 34.86 0.2093
## 3 40 41.10 0.3788
## 4 50 53.70 0.2990
##
##
## Elapsed time : 7.582892Vớ mã số chứng khoán BSESN (Ấn Độ) các chỉ số trong bảng đều được kiểm tra. Trong đó có 3 hệ số \(α_1\), \(α_2\) và \(β_2\) có giá trị p-value không đạt yêu cầu thống kê, vì vậy không có ảnh hưởng đáng kể đến mô hình. Các chỉ số còn lại đều có ý nghĩa thống kê với mức \(p-value\) dưới 10%.
Mô hình GJR-GARCH tối ưu của Ấn Độ
\(σ_t^2\) = 2278.522086 + 0.033027\(ϵ^2_{t-1}\) + 0.920504\(σ_{t−1}^2\) + 0.288889\(I(ϵ_{t−1}\)<0) \(ϵ_{t−1}^2\) − 0.210815\(I(ϵ_{t−1}\)<0) \(ϵ_{t−2}^2\)
Với mã số chứng khoán VNI30 (Việt Nam) mô hình không bao gồm chỉ số \(β_2\), và chỉ số \(α_1\) không có ý nghĩa thống kê với p-value không đạt mức thống kê cho phép. Tuy nhiên, các chỉ số còn lại cho thấy độ tương tác tốt với ý nghĩa thống kê dưới 1%.
Mô hình GJR-GARCH tối ưu của Việt Nam
\(σ_t^2\) = 2.551805 + 0.091681\(ϵ^2_{t-2}\) + 0.896938\(σ_{t−1}^2\) + 0.238090\(I(ϵ_{t−1}\)<0) \(ϵ_{t−1}^2\) -0.233329\(I(ϵ_{t−1}\)<0) \(ϵ_{t−2}^2\)
4.5.4 Kiểm định độ phụ hợp mô hình biên
Đây là phương pháp lựa chọn Phân Phối Biên: chọn phân phối biên phù hợp cho các biến 𝑢 và 𝑣 Ví dụ, nếu các biến theo phân phối chuẩn, bạn có thể chọn phân phối chuẩn cho biên.
Bằng cách ước lượng tham số để đoán tham chung thông qua các kiểm định Anderson-Darling, Cramer-von Mises, Kolmogorov-Smirnov.
Cách dự đoán phân phối chung
Tính Toán CDF Chung: Sử dụng copula để tính toán hàm phân phối tích lũy (CDF) chung của 𝑢 và 𝑣. Giả sử:𝐶(𝑢,𝑣) là hàm phân phối tích lũy của copula, phân phối chung được tính như sau:
\(𝐹_{u,v} =𝐶(𝐹_u(𝑢), 𝐹_v(𝑣))\)
Trong đó:
- \(𝐹_u\)(𝑢), \(𝐹_v\)(𝑣) là các hàm phân phối tích lũy (CDF) của 𝑢 và 𝑣 tương ứng.
4.5.4.1 Trích dẫn chuỗi phần dư
- Trích dẫn chuỗi phần dư u(BSESN)
BSESN.res <- residuals(BSESN.garch22st.fit)/sigma(BSESN.garch22st.fit)
fitdist(distribution = "sstd", BSESN.res, control = list())## $pars
## mu sigma skew shape
## -0.007111191 0.998466988 0.872344279 7.702904495
##
## $convergence
## [1] 0
##
## $values
## [1] 2115.212 1981.783 1981.783
##
## $lagrange
## [1] 0
##
## $hessian
## [,1] [,2] [,3] [,4]
## [1,] 1627.450049 328.04018 -332.883602 2.8098031
## [2,] 328.040179 2132.54104 165.819447 18.3678708
## [3,] -332.883602 165.81945 1019.254454 1.3584329
## [4,] 2.809803 18.36787 1.358433 0.6685363
##
## $ineqx0
## NULL
##
## $nfuneval
## [1] 137
##
## $outer.iter
## [1] 2
##
## $elapsed
## Time difference of 0.193507 secs
##
## $vscale
## [1] 1 1 1 1 1u <- pdist(distribution = "sstd", q = BSESN.res, mu = -0.007111191 , sigma = 0.998466988, skew =
0.872344279, shape = 7.702904495)- Trích xuất chuỗi phần dư v(VNI)
VNI30.res <- residuals(VNI30.garch21sg.fit)/sigma(VNI30.garch21sg.fit)
fitdist(distribution = "sged", VNI30.res, control = list())## $pars
## mu sigma skew shape
## -0.0153144 1.0038209 0.8629356 1.1664864
##
## $convergence
## [1] 0
##
## $values
## [1] 2039.124 1951.896 1951.896
##
## $lagrange
## [1] 0
##
## $hessian
## [,1] [,2] [,3] [,4]
## [1,] 2297.5373 514.9585 -1637.06743 74.76080
## [2,] 514.9585 1771.8086 -242.89764 258.65468
## [3,] -1637.0674 -242.8976 3358.94843 -28.08031
## [4,] 74.7608 258.6547 -28.08031 336.65336
##
## $ineqx0
## NULL
##
## $nfuneval
## [1] 101
##
## $outer.iter
## [1] 2
##
## $elapsed
## Time difference of 0.308022 secs
##
## $vscale
## [1] 1 1 1 1 1v <- pdist(distribution = "sged", q = VNI30.res, mu = -0.0153144 , sigma = 1.0038209, skew =
0.8629356, shape = 1.1664864)4.5.4.2 Các kiểm định sự phù hợp của mô hình biên
Giả thiết đặt ra:
\(H_0\): dữ liệu tuân theo phân phối lý thuyết.
\(H_1\): dữ liệu không tuân theo phân phối lý thuyết
#Kiểm định Anderson-Darling
library(nortest)
ad.test(u)##
## Anderson-Darling normality test
##
## data: u
## A = 18.034, p-value < 2.2e-16ad.test(v)##
## Anderson-Darling normality test
##
## data: v
## A = 16.155, p-value < 2.2e-16Với việc kiểm định 2 chuỗi dư u,v có thể đưa ra nhận định là vì \(p-value\) < 5% nên bác bỏ giả thiết \(H_0\) chập nhận \(H_1\), dữ liệu không theo phân phối lý thuyết.
#Kiểm định Cramer-von Mises
cvm.test(u)## Warning in cvm.test(u): p-value is smaller than 7.37e-10, cannot be computed
## more accurately##
## Cramer-von Mises normality test
##
## data: u
## W = 2.5932, p-value = 7.37e-10cvm.test(v)## Warning in cvm.test(v): p-value is smaller than 7.37e-10, cannot be computed
## more accurately##
## Cramer-von Mises normality test
##
## data: v
## W = 2.1153, p-value = 7.37e-10Giống như kiểm định Anderson-Darling việc kiểm định tính phân phối của 2 chuỗi dư u,v có thể đưa ra nhận định bác bỏ giả thiết \(H_0\) và chấp nhận \(H_1\) là vì \(p-value < 5%\), dữ liệu không theo phân phối lý thuyết.
#Kiểm định Kolmogorov-Smirnov
ks.test(u, y = "punif")##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: u
## D = 0.015418, p-value = 0.8882
## alternative hypothesis: two-sidedks.test(v, y = "punif")##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: v
## D = 0.018502, p-value = 0.7155
## alternative hypothesis: two-sidedKhác với những kiểm định trên, ở kiểm định này ta thấy mức \(p-value > 5%\) cụ thể là 0.8882 với \(u\) và \(v\) là 0.7155. Vì vậy với kiểm định này số liệu chấp nhận \(H_0\) và cho rằng dữ liệu tuân theo phân phối lý thuyết.
=> Sự khác nhau giữa ba kiểm định cho thấy rằng kiểm định Kolmogorov-Smirnov (KS) ưu tiên sự khác biệt tối đa giữa CDF quan sát và CDF lý thuyết, trong khi hai kiểm định còn lại, Anderson-Darling (AD) và Cramér-von Mises (CvM), tập trung vào sự khác biệt ở các vùng đuôi và phân phối tổng thể của dữ liệu. Điều này có thể chỉ ra rằng mặc dù phân phối tổng thể không có sự khác biệt đáng kể theo kiểm định KS, nhưng có thể có sự khác biệt rõ rệt ở các vùng đuôi hoặc trong phân phối tổng thể mà AD và CvM phát hiện ra. Nên chạy copula BB8 là hợp lý trong trường hợp dãy dữ liệu của bài nghiên cứu.
- Sự nhìn nhận sơ bộ về chuổi dư thông qua hình ảnh.
dulieu <- cbind(dulieu, u, v)
library(ggplot2)
ggplot(dulieu, aes(x = u, y = v, color = date)) +
geom_point() + # Điểm dữ liệu với màu sắc phân loại
geom_smooth(method = 'lm', color = 'red', linetype = 'dashed') + # Đường hồi quy với màu đen và kiểu đường gạch
labs(title = "H.10 Biểu đồ phân tán phần dư của 2 quốc gia",
x = "Phần dư của Việt Nam",
y = "Phần dư của Ấn Độ",
color = "Phân loại") + # Thêm chú thích cho màu sắc
theme_minimal()## `geom_smooth()` using formula = 'y ~ x'
H.10: Biểu đồ phân tán cho thấy dữ liệu phân dư dao động gần như trong khoảng 0-1 ở cả hai bộ dữ liệu, trải dài gần như toàn bộ biểu đồ qua các năm, với nhiều điểm dữ liệu đại diện bằng các chấm tròn màu sắc. Đường xu hướng màu đỏ cho thấy độ dốc dương, phản ánh mối quan hệ chung giữa các phân dư dữ liệu, cho thấy chúng có ảnh hưởng tích cực lẫn nhau. Quan sát các phần dư lớn (mức tác động) có thể chỉ ra rằng có những yếu tố khác ngoài mô hình đã được sử dụng để dự đoán đang ảnh hưởng đến kết quả.
library(tidyr)
library(dplyr)##
## ######################### Warning from 'xts' package ##########################
## # #
## # The dplyr lag() function breaks how base R's lag() function is supposed to #
## # work, which breaks lag(my_xts). Calls to lag(my_xts) that you type or #
## # source() into this session won't work correctly. #
## # #
## # Use stats::lag() to make sure you're not using dplyr::lag(), or you can add #
## # conflictRules('dplyr', exclude = 'lag') to your .Rprofile to stop #
## # dplyr from breaking base R's lag() function. #
## # #
## # Code in packages is not affected. It's protected by R's namespace mechanism #
## # Set `options(xts.warn_dplyr_breaks_lag = FALSE)` to suppress this warning. #
## # #
## #################################################################################
## Attaching package: 'dplyr'## The following objects are masked from 'package:xts':
##
## first, last## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, uniondulieu_long <- gather(dulieu, key = "Chung_khoan", value = "Phan_du", u, v)
dulieu_long$Chung_khoan <- factor(dulieu_long$Chung_khoan, labels = c("BSESN", "VNI30"))
ggplot(dulieu_long, aes(x = Chung_khoan, y = Phan_du, fill = Chung_khoan)) +
geom_boxplot(outlier.colour = "red", outlier.size = 2, # Màu sắc và kích thước điểm ngoại lai
color = "black", # Màu viền hộp
alpha = 0.6) + # Độ trong suốt của hộp
geom_jitter(width = 0.2, size = 1, color = "#D8BFD8") + # Điểm dữ liệu bên trong hộp
scale_fill_manual(values = c("BSESN" = "lightblue", "VNI30" = "lightgreen")) + # Màu sắc của các hộp
labs(title = "H.11 Biểu đồ Boxplot phần dư của 2 quốc gia",
x = "Mã chứng khoán",
y = "Phần dư") +
theme_minimal() +
theme(text = element_text(size = 12), # Kích thước chữ
axis.title = element_text(size = 14),
axis.text = element_text(size = 10),
plot.title = element_text(size = 16, face = "bold")) # Kích thước và kiểu chữ tiêu đề
library(ggplot2)
ggplot(dulieu_long, aes(x = Chung_khoan, y = Phan_du, fill = Chung_khoan)) +
geom_violin(alpha = 0.8, color = "black", size = 0.7) + # Độ trong suốt, màu viền và kích thước viền
geom_jitter(width = 0.2, size = 2, color = "pink", alpha = 0.6) + # Điểm dữ liệu bên trong với màu hồng
labs(title = "H.12 Biểu đồ hình hộp phần dư của 2 quốc gia",
x = "Mã chứng khoán",
y = "Phần dư") +
scale_fill_manual(values = c("BSESN" = "blue", "VNI30" = "green")) + # Màu sắc của các hộp
theme_minimal() +
theme(text = element_text(size = 12), # Kích thước chữ
axis.title = element_text(size = 14),
axis.text = element_text(size = 10),
plot.title = element_text(size = 16, face = "bold"), # Kích thước và kiểu chữ tiêu đề
legend.position = "bottom", # Đặt chú thích phía dưới biểu đồ
legend.title = element_blank()) # Xóa tiêu đề chú thích
Khi phân tách dữ liệu của hai quốc gia, chúng ta thấy tỷ lệ chênh lệch giữa chúng rất nhỏ, đặc biệt là trong biểu đồ boxplot, nơi không có sự khác biệt rõ rệt qua các yếu tố tác động. Để nhìn nhận sự khác biệt rõ hơn, chúng ta có thể tham khảo H.12 với biểu đồ hình hộp, nơi thể hiện sự biến động đáng kể. Điều này được xác nhận thêm qua H.10, cho thấy các mô hình dự báo được sử dụng cho hai quốc gia này đã có khả năng bắt được phần lớn biến động của dữ liệu.
Cụ thể, vị trí tứ phân vị Q1 gần bằng 0 và Q3 gần bằng 1 cho thấy tình hình hiện tại có thể đang bị đánh giá thấp, và dữ liệu sẽ khó dự đoán chính xác đối với các giá trị cao bất thường. Ấn Độ vẫn lớn hơn Việt Nam theo đúng bản chất và hình dạng của mình trên biểu đồ. Ngoài ra, các điểm nằm ngoài biểu đồ hình hộp đại diện cho các yếu tố bất thường trong kinh tế của từng quốc gia.
library(plotly)## Warning: package 'plotly' was built under R version 4.3.3##
## Attaching package: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layoutfig <- plot_ly(dulieu_long, x = ~date, y = ~Phan_du, z = ~Chung_khoan,
color = ~Chung_khoan, colors = c("blue", "green"),
type = 'scatter3d', mode = 'markers')
fig <- fig %>%
layout(title = "H.13 Biểu đồ 3D phần dư của VNI30 và BSESN",
scene = list(xaxis = list(title = 'Ngày'),
yaxis = list(title = 'Phần dư'),
zaxis = list(title = 'Mã chứng khoán')))
figH.13 là một đồ thị 3D cho phép dễ dàng nhận diện và bổ sung thêm thông tin vào cùng một hình. Mặc dù trong hình, hai mã chứng khoán đại diện cho hai quốc gia được xếp chồng lên nhau, nhưng việc quan sát và xoay hình từ nhiều góc nhìn khác nhau giúp tăng cường sự trực quan. Đồ thị đáp ứng nhu cầu mở rộng và cung cấp cái nhìn trực quan hơn khi nghiên cứu.
4.5.4.3 Ước lượng tham số copula
library(VineCopula) ## Warning: package 'VineCopula' was built under R version 4.3.3BiCopSelect(u, v, familyset= NA, selectioncrit="AIC",indeptest = FALSE, level = 0.05)## Bivariate copula: Survival BB8 (par = 1.37, par2 = 0.94, tau = 0.13)Rot.BB8 <- BiCopEst(u, v, family = 20, method = "mle", se = T)
summary(Rot.BB8)## Family
## ------
## No: 20
## Name: Survival BB8
##
## Parameter(s)
## ------------
## par: 1.37 (SE = 0.1)
## par2: 0.94 (SE = 0.04)
## Dependence measures
## -------------------
## Kendall's tau: 0.13 (empirical = 0.13, p value < 0.01)
## Upper TD: 0
## Lower TD: 0
##
## Fit statistics
## --------------
## logLik: 35.53
## AIC: -67.06
## BIC: -56.54- Nhận định mô hình copula
Thị trường chứng khoán của mã BSESN đại diện cho Ấn Độ và VNI30 đại diện cho Việt Nam, với mô hình copula xoay 180 độ (H.14), cho thấy sự phù hợp với copula Rotated-BB8, với các hệ số phụ thuộc lần lượt là 1.37 và 0.94. Kết quả rõ ràng cho thấy không có sự phụ thuộc đuôi giữa thị trường chứng khoán Việt Nam và Ấn Độ, có nghĩa là biến động của thị trường chứng khoán Ấn Độ không ảnh hưởng đáng kể đến thị trường chứng khoán Việt Nam, dù là biến động âm hay dương.
Kết quả này hoàn toàn phù hợp với nghiên cứu của Horvath & Petrovski (2013) về mối quan hệ giữa các thị trường chứng khoán Đông Nam Âu và các thị trường phát triển. Điều này trái ngược với nhận định của Phan Thị Hằng Nga về sự đồng biến giữa các quốc gia Nga và Ukraine, cũng như sự ảnh hưởng mạnh mẽ của 10 ngân hàng ở Hoa Kỳ theo Siem Jan Koopman.
Nhận định này cho thấy một quy luật rằng thị trường chứng khoán thường bị ảnh hưởng bởi các yếu tố trong nước và mối quan hệ gần gũi; khi mối quan hệ xa, mức ảnh hưởng sẽ thấp hoặc không đáng kể.
Khi các phần dư của mô hình được giữ nguyên và biểu đồ bề mặt của Copula Rotated-Gumbel được triển khai, chúng ta nhận thấy rằng các chỉ số qua thời gian vẫn dao động ở mức độ lớn và đáng kể. Sự bất thường và tính không đồng nhất của dữ liệu được thể hiện qua các đặc điểm nhấp nhô và gồ ghề của biểu đồ. Điều này tạo ra sự phức tạp và làm cho việc đưa ra nhận định về bộ dữ liệu trở nên khó khăn hơn. Đặc biệt, qua biểu đồ 3D, sự bất thường càng được nhấn mạnh rõ rệt và trực quan theo không gian. Do đó, việc điều chỉnh và làm mịn biểu đồ là cần thiết để tránh các lỗi trong mô hình.
library(copula)## Warning: package 'copula' was built under R version 4.3.3##
## Attaching package: 'copula'## The following object is masked from 'package:VineCopula':
##
## pobslibrary(plotly)
# Tham số hợp lệ cho copula Gumbel
param <- 1.37 # Thay đổi tham số theo yêu cầu của bạn
# Tạo copula Gumbel với tham số hợp lệ
copula <- gumbelCopula(param = param)
# Tạo lưới (grid) cho u và v
u <- seq(0, 1, length.out = 50)
v <- seq(0, 1, length.out = 50)
grid <- expand.grid(u = u, v = v)
# Tính mật độ với copula
density_matrix <- matrix(dCopula(cbind(grid$u, grid$v), copula = copula), nrow = length(u))
# Vẽ đồ thị bề mặt 3D với màu sắc và độ trong suốt
plot_ly(x = u, y = v, z = density_matrix, type = "surface", colorscale = list(c(0, 0.5, 1), c('yellow', 'orange', 'red')), showscale = TRUE) %>%
layout(title = " H.14 Đồ thị bề mặt đã có điều hỉnh của Copula Gumbel 2 quốc gia",
scene = list(
xaxis = list(title = "u"),
yaxis = list(title = "v"),
zaxis = list(title = "Density")))library(copula)
# Tạo dữ liệu mẫu cho đồ thị đồng mức
u <- seq(0, 1, length.out = 50) # Dải giá trị cho u (trong khoảng từ 0 đến 1 cho copula)
v <- seq(0, 1, length.out = 50) # Dải giá trị cho v (trong khoảng từ 0 đến 1 cho copula)
uv_grid <- expand.grid(u = u, v = v)
# Tạo copula Gumbel với tham số hợp lệ
param <- 1.37 # Thay đổi tham số theo yêu cầu
copula <- gumbelCopula(param = param)
# Tính toán mật độ copula cho lưới u, v
Z <- matrix(dCopula(cbind(uv_grid$u, uv_grid$v), copula = copula),
nrow = length(u), ncol = length(v))
# Vẽ đồ thị đồng mức với màu sắc
filled.contour(x = u, # Vector giá trị cho trục x
y = v, # Vector giá trị cho trục y
z = Z, # Ma trận dữ liệu cho trục z
color.palette = terrain.colors, # Bảng màu cho các vùng tô
xlab = "u",
ylab = "v",
main = "H.15 Đồ thị đồng mức của Copula Gumbel",
cex.lab = 0.8, # Điều chỉnh kích thước nhãn trục
cex.main = 1.2) # Điều chỉnh kích thước tiêu đề
Tổng thể của H.15 cung cấp cái nhìn về mật độ theo mức biến động màu sắc của bề mặt từ góc nhìn trực diện từ trên xuống của không gian H.14. Qua H.14, chúng ta có cái nhìn tổng quát về các bề mặt mật độ cụ thể, cho thấy xu hướng giảm dần khi giá trị của 𝑢 tăng từ 0 đến khoảng 0.5. Sau đó, mật độ tăng nhanh khi 𝑢 tiến gần đến 1, điều này có thể gợi ý về sự phân tách hoặc khác biệt rõ rệt giữa các vùng dữ liệu đại diện cho hai quốc gia, cung cấp cái nhìn cụ thể về biến động của thị trường chứng khoán. Dễ dàng nhận thấy rằng bề mặt bị thủng ở hai bên, trong khi bên còn lại có sự khác biệt rõ rệt. Điều này cho thấy rằng TTCK Việt Nam và Ấn Độ dường như không tác động lẫn nhau. Nhận định này cũng tương tự như quan điểm của Lê Văn Thứ khi phân tích mối quan hệ giữa TTCK Việt Nam và Thái Lan.
4.5.4.4 Kết luận tổng quan mối quan hệ TTCK Việt Nam và Ấn Độ
Kết quả phân tích cho thấy không có sự tương thích mạnh mẽ giữa thị trường chứng khoán của Việt Nam và Ấn Độ. Điều này được thể hiện qua các mô hình phân tích phía trên, cho thấy không có sự phụ thuộc đuôi và biến động chênh lệch của đồng tiền giữa hai thị trường. Tuy nhiên, mối quan hệ kinh tế và thương mại giữa hai quốc gia này lại đang phát triển đáng kể. Cụ thể, Việt Nam hiện đứng thứ 18 trong danh sách các đối tác thương mại của Ấn Độ trên toàn cầu và thứ ba trong ASEAN, chỉ sau Thái Lan và Singapore.
Mối quan hệ thương mại giữa hai nước đang gia tăng, với kim ngạch xuất nhập khẩu đạt khoảng 13 tỷ USD vào năm 2023. Việt Nam chủ yếu xuất khẩu các sản phẩm điện tử, dệt may và nông sản sang Ấn Độ, trong khi nhập khẩu từ Ấn Độ chủ yếu là thuốc và máy móc. Bên cạnh đó, các khoản đầu tư từ Ấn Độ vào Việt Nam và các chính sách hỗ trợ cũng đang thúc đẩy sự hợp tác giữa hai quốc gia. Những yếu tố này cho thấy rằng mặc dù thị trường chứng khoán của hai nước không có sự tương thích cao, mối quan hệ kinh tế và thương mại giữa Việt Nam và Ấn Độ vẫn tiếp tục phát triển mạnh mẽ.
CHƯƠNG 5: KẾT LUẬN VÀ KHUYẾN NGHỊ
5.1 Kết luận
Việc áp dụng các phương pháp thống kê như ARMA, GARCH, và copula là một quá trình nghiêm ngặt trong nghiên cứu dữ liệu tài chính. Đặc biệt, copula là một mô hình mở rộng và được đánh giá cao trong cộng đồng nghiên cứu nhờ vào độ tin cậy cao, tính đa dạng, và khả năng ứng dụng linh hoạt cho nhiều bộ dữ liệu khác nhau. Điều này cho phép các nhà phân tích có sự linh hoạt hơn trong phân phối biên và lựa chọn mô hình phù hợp với dữ liệu thực tế. Mô hình copula có thể mô tả các mối quan hệ phụ thuộc phức tạp hơn, bao gồm cả sự phụ thuộc đối xứng và bất đối xứng, so với chỉ đơn thuần tính tương quan. Việc sử dụng mô hình copula có thể tạo ra phân phối chính xác cho dữ liệu tài chính, đặc biệt là trong các chuỗi thời gian. Phương pháp này mang lại ưu điểm quan trọng trong việc cải thiện độ chính xác của các ước tính VaR và CVaR, đặc biệt trong các giai đoạn có sự phụ thuộc không đồng đều hoặc khi có các sự kiện cực đoan. Điều này hỗ trợ cụ thể cho quá trình dự đoán và giải thích các biến động của thị trường, như đã được trình bày bởi Patton (2006) và Gordy & Mark (2003).
Hầu hết việc áp dụng copula đều yêu cầu xác định các điều kiện và chỉ số phù hợp (như ARMA-GJR-GARCH Copula) để đảm bảo tính chính xác của nhận định và cung cấp cơ sở và bằng chứng cho sự biến động của thị trường cũng như mối quan hệ cụ thể giữa các cặp dữ liệu. Những mối quan hệ này thường không thể được nhận diện bằng mắt thường hoặc chỉ qua các công cụ thông thường. Trong bài nghiên cứu này, chúng tôi tập trung vào điều kiện copula BB8 và 1422 quan sát trong dữ liệu nghiên cứu đã cho thấy rằng những điều kiện này đáp ứng tốt sự phụ thuộc của bộ dữ liệu từ nhiều góc nhìn, mang lại lợi thế và tỷ suất hợp lý trong việc xác định theo chuỗi thời gian.
Với kết quả phân tích nhận định từ trước, chúng tôi nhận thấy rằng mặc dù hai thị trường chứng khoán có thể đều chịu tác động mạnh mẽ trong thời kỳ khủng hoảng hoặc biến động kinh tế toàn cầu trong giai đoạn 2019-2020, mức độ ảnh hưởng lẫn nhau giữa chúng gần như bằng 0. Điều này có thể được lý giải bởi sự khác biệt về cấu trúc thị trường và cơ cấu đầu tư, cũng như nhu cầu thị trường nội tại, dẫn đến sự biến động riêng biệt giữa hai quốc gia. Các chỉ số kinh tế và tài chính khác biệt, chẳng hạn như lãi suất, tỷ lệ lạm phát và mức độ nợ công, đã góp phần vào việc không có sự đồng biến giữa các thị trường chứng khoán. Thêm vào đó, sự phân tán đầu tư có thể bị ảnh hưởng bởi các yếu tố ngoại giao và chính sách đầu tư riêng biệt của quốc gia.
Việt Nam, với thị trường chứng khoán nhỏ lẻ và ít biến động, gần như khó chịu ảnh hưởng trực tiếp từ các thị trường chứng khoán khác. Tuy nhiên, vấn đề mở rộng ngoại giao không thể bị bỏ qua. Theo số liệu từ Đại sứ quán Ấn Độ, trong năm 2022-2023, thương mại song phương giữa Ấn Độ và Việt Nam đạt 14,7 tỷ USD, tăng 3,98% so với năm trước. Xuất khẩu của Ấn Độ sang Việt Nam đạt 5,91 tỷ USD, trong khi nhập khẩu của Ấn Độ từ Việt Nam lên tới 8,79 tỷ USD. Điều này cho thấy, mặc dù thị trường chứng khoán của hai quốc gia không có sự tương thích lẫn nhau ở mức độ mong muốn, mối quan hệ kinh tế và thương mại vẫn phát triển tích cực. Xu hướng cải thiện trong giai đoạn gần đây cho thấy khả năng thích ứng và hợp tác giữa hai thị trường chứng khoán có thể đang gia tăng, mở ra cơ hội hợp tác và ảnh hưởng tích cực trong tương lai.
5.2 khuyến nghị
Trong bối cảnh biến động quốc tế hiện nay, nhiều quốc gia đang phải đối mặt với các vấn đề nghiêm trọng, từ nội chiến như ở Campuchia và Myanmar, đến các xung đột quốc tế như cuộc xung đột quân sự giữa Nga và Ukraina, và gần đây là xung đột giữa Israel và phong trào Hamas. Tình hình này dẫn đến sự cần thiết phải có các tổ chức quốc tế hành động để ngăn chặn và định hướng lại các vấn đề nếu chúng vượt quá kiểm soát. Cùng với sự phát triển nhanh chóng của công nghệ số, thế giới đang chứng kiến những thay đổi chưa từng có kể từ kỷ nguyên hậu Chiến tranh Lạnh.
Đặc biệt, xu hướng hình thành trật tự thế giới đa cực đang ngày càng rõ ràng. Trong bối cảnh này, các quốc gia cần phải gạt bỏ những mâu thuẫn không cần thiết cả trong nước và quốc tế, đồng thời tập trung vào việc phát triển công nghệ và nâng cao năng lực quân sự để thích ứng với sự biến đổi nhanh chóng của trật tự thế giới hiện nay. Bên cạnh đó, việc xây dựng mối quan hệ quốc tế mới và thúc đẩy hợp tác khu vực là rất quan trọng. Đồng thuận với kết quả phân tích thị trường chứng khoán (TTCK) cho thấy rằng TTCK Việt Nam ít nhạy cảm với biến động của TTCK Ấn Độ, điều này phần nào minh chứng cho xu hướng trật tự thế giới đa cực. Do đó, các quốc gia cần duy trì mối quan hệ tốt với các nước trong khu vực và cả quốc tế, bất kể mức độ tác động của thị trường chứng khoán giữa hai quốc gia này ra sao. Để đáp ứng các xu hướng hiện tại, duy trì sự ổn định và phù hợp với tình hình chung của mỗi quốc gia, các chính sách sau đây có thể được áp dụng:
Đối với Nhà đầu tư:
Việc đa dạng hóa danh mục đầu tư là một chiến lược quan trọng nhằm giảm thiểu rủi ro và bảo vệ tài sản. Bằng cách phân bổ đầu tư vào nhiều thị trường và loại tài sản khác nhau, nhà đầu tư có thể giảm thiểu tác động của biến động trong từng thị trường cụ thể. Chiến lược này giúp giảm thiểu rủi ro từ các cú sốc tài chính hoặc sự thay đổi đột ngột trong điều kiện thị trường, đồng thời tạo ra một danh mục đầu tư cân bằng và bền vững hơn.
Để đảm bảo đầu tư hiệu quả, việc theo dõi xu hướng toàn cầu là rất cần thiết. Nhà đầu tư nên thường xuyên cập nhật thông tin và phân tích tình hình chính trị và kinh tế quốc tế. Sự hiểu biết sâu sắc về các xu hướng toàn cầu giúp dự đoán các diễn biến thị trường và điều chỉnh chiến lược đầu tư kịp thời. Điều này không chỉ giúp nhận diện cơ hội mới mà còn quản lý rủi ro một cách hiệu quả hơn.
Một cách tiếp cận chiến lược là tập trung vào công nghệ và đổi mới, đặc biệt trong bối cảnh thế giới đang chuyển mình nhanh chóng. Các lĩnh vực công nghệ như trí tuệ nhân tạo, blockchain, và công nghệ sinh học đang có tiềm năng tăng trưởng cao và có thể mang lại lợi nhuận đáng kể. Bằng cách đầu tư vào những lĩnh vực này, nhà đầu tư không chỉ khai thác cơ hội mới mà còn góp phần vào sự phát triển và đổi mới toàn cầu.
Cuối cùng, đầu tư vào sự bền vững và trách nhiệm xã hội ngày càng trở nên quan trọng. Việc chú trọng đến các yếu tố môi trường, xã hội và quản trị (ESG) trong quyết định đầu tư không chỉ đáp ứng nhu cầu bảo vệ môi trường mà còn mở ra cơ hội phát triển lâu dài. Đầu tư vào các lĩnh vực này không chỉ tạo ra giá trị kinh tế mà còn góp phần vào sự phát triển bền vững của xã hội và môi trường.
Đối với các bên quản lý:
Trong bối cảnh trật tự thế giới đang thay đổi nhanh chóng, các quốc gia và cơ quan quản lý cần áp dụng các chính sách và chiến lược phù hợp để duy trì sự ổn định và phát triển bền vững. Tăng cường hợp tác quốc tế bằng cách xây dựng và duy trì các kênh đối thoại với các cơ quan quản lý tài chính quốc tế là cần thiết để chia sẻ thông tin và phối hợp hành động hiệu quả. Đồng thời, cải thiện hệ thống quản lý rủi ro thông qua việc phát triển các công cụ và cơ chế đánh giá rủi ro từ các biến động toàn cầu, đặc biệt là từ các xung đột quốc tế, là rất quan trọng. Khuyến khích đầu tư bền vững cũng là một phần quan trọng, với việc tạo ra các chính sách và mở rộng đầu tư vào các dự án với công nghệ xanh để giúp các nền kinh tế ổn định hơn và giảm thiểu tác động của các cú sốc toàn cầu. Với điều kiện tuyên quyết đảm bảo quan hệ đối tác nên được thiết lập ở bốn mức độ: đối tác toàn diện, đối tác chiến lược, đối tác chiến lược toàn diện và đối tác đặc biệt, nhằm tạo nền tảng vững chắc cho sự hợp tác lâu dài và hiệu quả.
Tóm lại, trong bối cảnh trật tự thế giới đang trải qua những biến động nhanh chóng, việc áp dụng các chính sách và chiến lược phù hợp là rất quan trọng để các quốc gia, nhà đầu tư và cơ quan quản lý có thể giữ vững sự ổn định và thúc đẩy nhanh quá trình hoàn thiện.
5.3 Hạn chế của chủ đề
Kết quả phân tích trong khoảng xem xét là hợp lý so với các nghiên cứu trước đây. Mặc dù mức độ phản ứng giữa hai thị trường chứng khoán không hoàn toàn khớp với các dữ liệu lý thuyết, điều này có thể là do phân tích chỉ tập trung vào mức giá đóng cửa của hai thị trường, trong khi còn nhiều yếu tố khác có thể ảnh hưởng, như tỷ suất lợi nhuận và FDI. Thêm vào đó, không gian và thời gian phân tích chưa đánh giá đầy đủ tình hình phát triển và biến động của thị trường chứng khoán của hai quốc gia.
5.4 Hướng phát triển tiếp tiếp theo
Việc khám phá các đặc tính mới lạ của mô hình copula mở ra nhiều cơ hội mới cho việc áp dụng mô hình này trong nhiều lĩnh vực khác nhau. Để khai thác tối đa tiềm năng của mô hình, việc mở rộng ứng dụng và kết hợp với các mô hình khác là rất quan trọng. Bên cạnh việc ứng dụng trong thống kê y tế, khoa học xã hội, và kỹ thuật, mô hình copula còn có thể được áp dụng để phân tích các biến động thời tiết, hiện tượng tự nhiên, và các yếu tố môi trường khác.
Hơn nữa, cần mở rộng phạm vi phân tích về không gian và thời gian (có thể mở rộng phân tích nhiều nhiểu từ 3 trở lên), bao gồm các khu vực địa lý khác nhau và nhiều giai đoạn lịch sử khác nhau, đặc biệt là trong các thời kỳ khủng hoảng hoặc giai đoạn biến động lớn. Việc này không chỉ giúp nắm bắt được sự phụ thuộc và tương tác giữa các yếu tố trong các điều kiện khác nhau, mà còn cung cấp cái nhìn sâu sắc hơn về các xu hướng và mẫu hình toàn cầu.
Ngoài ra, việc kết hợp mô hình copula với các phương pháp phân tích và mô hình khác như các mô hình dự đoán chuỗi thời gian, mô hình học máy, hoặc các mô hình kinh tế học có thể mở rộng khả năng phân tích và dự đoán. Điều này có thể nâng cao khả năng hiểu biết và ứng dụng của mô hình copula trong các bối cảnh kinh tế và môi trường khác nhau, từ đó tạo ra những giải pháp chính xác và hiệu quả hơn cho các vấn đề kinh tế của từng quốc gia và khu vực đang được nghiên cứu.
Tài liệu tham khảo
Hằng, N. P. T. (2024). Nghiên cứu sự phụ thuộc lợi nhuận của tiền kỹ thuật số: tiếp cận phương pháp Copula có điều kiện. Tạp chí Kinh tế và Phát triển, (323), 35-44.
https://vneconomy.vn/nhieu-du-dia-cho-hang-viet-nam-vao-thi-truong-tieu-dung-an-do.htm
T. Á. MỐI QUAN HỆ PHỤ THUỘC GIỮA THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM VÀ THỊ TRƯỜNG CHỨNG KHOÁN MỸ: TIẾP CẬN BẰNG MÔ HÌNH COPULA-GJR-GARCH.
Kết, T. Á. (2022). LÝ THUYẾT COPULA VÀ ỨNG DỤNG TRONG TÀI CHÍNH: XÁC ĐỊNH CẤU TRÚC PHỤ THUỘC GIỮA THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM VÀ THỊ TRƯỜNG CHỨNG KHOÁN CHÂU Á. Tạp chí Khoa học Quản lý và Kinh tế, Trường Đại học Kinh Tế, Đại học Huế, (21).
Akaike, H. (1974). A new look at the statistical model identification. IEEE transactions on automatic control, 19(6), 716-723.
Box, G. E., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: forecasting and control. John Wiley & Sons.
Christoffersen, P., & Langlois, H. (2013). The joint dynamics of equity market factors. Journal of Financial and Quantitative Analysis, 48(5), 1371-1404.
Christoffersen, P., & Langlois, H. (2013). The joint dynamics of equity market factors. Journal of Financial and Quantitative Analysis, 48(5), 1371-1404.
Demarta, S., & McNeil, A. J. (2005). The t copula and related copulas. International statistical review, 73(1), 111-129.
Gordy, M. B. (2003). A risk-factor model foundation for ratings-based bank capital rules. Journal of financial intermediation, 12(3), 199-232.
Hannan, E. J., & Quinn, B. G. (1979). The determination of the order of an autoregression. Journal of the Royal Statistical Society: Series B (Methodological), 41(2), 190-195.
Harrison Jr, D., & Rubinfeld, D. L. (1978). Hedonic housing prices and the demand for clean air. Journal of environmental economics and management, 5(1), 81-102.
Hong, Y., Tu, J., & Zhou, G. (2007). Asymmetries in stock returns: Statistical tests and economic evaluation. The Review of Financial Studies, 20(5), 1547-1581.
Horvath, R., & Petrovski, D. (2013). International stock market integration: Central and South Eastern Europe compared. Economic Systems, 37(1), 81-91.
Koopman, S. J., Lit, R., Lucas, A., & Opschoor, A. (2018). Dynamic discrete copula models for high‐frequency stock price changes. Journal of Applied Econometrics, 33(7), 966-985.
Kresta, A. (2015). Application of GARCH-copula model in portfolio optimization. Financial Assets and Investing, 6(2), 7-20.
Markowitz, HM (Biên tập). (2009). Harry Markowitz: các tác phẩm được chọn (Tập 1). World Scientific.
Patton, A. J. (2004). On the out-of-sample importance of skewness and asymmetric dependence for asset allocation. Journal of financial econometrics, 2(1), 130-168.
Patton, A. J. (2012). A review of copula models for economic time series. Journal of Multivariate Analysis, 110, 4-18.
Shibata, M. (1976). Selection of the best model by criterion for the information matrix. Journal of the American Statistical Association, 71(356), 837-842.
Schwarz, G. (1978). Estimating the dimension of a model. The annals of statistics, 461-464.
Wilson, A. G., & Ghahramani, Z. (2010). Copula processes. Advances in Neural Information Processing Systems, 23.