CÁC MÔ HÌNH NGẪU NHIÊN
Nguyễn Thị Hoàng Yến
20:26:59, 10 - 08 - 2024
LỜI CẢM ƠN
Em xin gửi lời cảm ơn đến PGS.TS Nguyễn Tuấn Duy đã tận tình hướng dẫn trong suốt thời gian học môn Các mô hình ngẫu nhiên cũng như đã nhiệt tình hỗ trợ, giải đáp những thắc mắc của em trong lúc trong quá trình học tập trên lớp.
Do kiến thức còn nhiều hạn chế cùng thời gian tìm hiểu chưa sâu nên bài báo cáo ắt hẳn sẽ còn nhiều thiếu sót. Kính mong nhận được ý kiến nhận xét, góp ý của thầy để bài báo cáo của em hoàn thiện hơn.
Em xin chân thành cảm ơn!
1 Chương 1: TỔNG QUAN CÁC VẤN ĐỀ NGHIÊN CỨU
1.1 Lý do chọn đề tài
Trong bối cảnh nền kinh tế toàn cầu đang trải qua những biến động không ngừng, thị trường chứng khoán không chỉ là nơi tạo ra giá trị gia tăng cho các nhà đầu tư mà còn phản ánh tình hình tổng thể của nền kinh tế. Thị trường chứng khoán là nơi mà tâm lý nhà đầu tư, kỳ vọng về triển vọng kinh tế, và là nơi thu lại lợi nhuận cũng như nơi huy động nguồn vốn để phục vụ cho quá trình hoạt động kinh doanh của các tổ chức tài chính.
Giá đóng cửa của cổ phiếu, một yếu tố thường được xem là đại diện cho giá trị thị trường cuối cùng trong một phiên giao dịch, đóng vai trò vô cùng quan trọng trong việc đánh giá tình hình hoạt động của một thị trường chứng khoán. Nó không chỉ là điểm kết thúc của giao dịch hàng ngày mà còn phản ánh sự tương tác trực tiếp giữa cung và cầu, giữa người mua và người bán, đồng thời là kết quả của các chiến lược giao dịch và tâm lý thị trường trong suốt phiên. Ngoài ra, nó còn là cơ sở để định giá giao dịch cho ngày tiếp theo.
Trong giai đoạn 2021-2023, thị trường chứng khoán toàn cầu đã phải đối mặt với hàng loạt thách thức nghiêm trọng, những đợt sóng lớn trong nền kinh tế toàn cầu sau đại dịch COVID-19, ảnh hưởng mạnh mẽ đến hành vi và kỳ vọng của nhà đầu tư, đặc biệt là đối Việt Nam và Úc. Lạm phát leo thang ở nhiều quốc gia đã làm gia tăng áp lực lên các ngân hàng trung ương trong việc thắt chặt chính sách tiền tệ, từ đó tác động trực tiếp đến chi phí vốn và định giá cổ phiếu. Bên cạnh đó, sự bất ổn địa chính trị, điển hình là căng thẳng giữa các cường quốc Nga và Ukraine (2022), cũng góp phần không nhỏ vào sự biến động của thị trường.
Nghiên cứu về giá đóng cửa của thị trường chứng khoán Úc và Việt Nam trong giai đoạn 2018-2023 sẽ không chỉ cung cấp cái nhìn sâu sắc về xu hướng phát triển và biến động của hai thị trường này mà còn giúp hiểu rõ hơn về cách thức các yếu tố kinh tế vĩ mô và sự kiện quốc tế ảnh hưởng đến các quyết định đầu tư. Đây là cơ hội để phân tích sự khác biệt và tương đồng giữa hai thị trường thuộc các nền kinh tế khác nhau: Úc, một thị trường phát triển, và Việt Nam, một thị trường mới nổi. Những hiểu biết từ nghiên cứu này có thể cung cấp thông tin quý giá cho các nhà đầu tư, nhà hoạch định chính sách và các bên liên quan trong việc đưa ra các quyết định chiến lược và dự đoán xu hướng tương lai của thị trường.
1.2 Mục tiêu nghiên cứu
Mục tiêu tổng quát
Tiến hành một phân tích sâu sắc và toàn diện về các yếu tố ảnh hưởng đến giá đóng cửa của thị trường chứng khoán Úc và Việt Nam (VNIndex) trong giai đoạn 2018-2023. Cụ thể, nghiên cứu sẽ tập trung vào việc xác định các mối liên hệ giữa biến động giá cổ phiếu và các yếu tố kinh tế vĩ mô như lạm phát, lãi suất, tỷ giá hối đoái, và chính sách tiền tệ. Qua đó, nghiên cứu nhằm đưa ra nhận định chính xác về triển vọng phát triển của thị trường chứng khoán trong thời gian tới, đồng thời giúp các nhà đầu tư và các bên liên quan có cái nhìn rõ ràng hơn về cách thức mà các yếu tố kinh tế này tác động lên giá cổ phiếu.
Mục tiêu chi tiết
Phân tích xu hướng biến động giá đóng cửa: Nghiên cứu sẽ phân tích chi tiết sự biến động của giá đóng cửa trên thị trường chứng khoán Úc và VNIndex trong giai đoạn 2018-2023, bao gồm các giai đoạn biến động mạnh và yếu tố tác động.
Xác định và phân tích các yếu tố kinh tế vĩ mô: Nghiên cứu sẽ xác định các yếu tố như lạm phát, lãi suất, tỷ giá hối đoái, và chính sách tiền tệ có ảnh hưởng đến giá đóng cửa, sử dụng các mô hình kinh tế lượng để đánh giá tác động.
So sánh sự phản ứng của thị trường: Nghiên cứu sẽ so sánh cách mà thị trường chứng khoán Úc và VNIndex phản ứng trước các biến động kinh tế và sự kiện chính trị toàn cầu, để hiểu rõ sự khác biệt và tương đồng.
Dự đoán và khuyến nghị cho nhà đầu tư: Từ kết quả phân tích, nghiên cứu sẽ đưa ra các dự đoán về xu hướng giá và đề xuất khuyến nghị chiến lược cho nhà đầu tư, tập trung vào quản lý rủi ro và tối ưu hóa danh mục đầu tư.
1.3 Đối tượng nghiên cứu
Đối tượng nghiên cứu của đề tài này là giá đóng cửa hàng ngày của các chỉ số chứng khoán chính tại hai thị trường: Úc và Việt Nam, trong giai đoạn từ năm 2018 đến năm 2023. Cụ thể, nghiên cứu tập trung vào chỉ số S&P/ASX 200 của thị trường chứng khoán Úc, đại diện cho 200 công ty hàng đầu niêm yết trên sàn giao dịch chứng khoán Úc, và chỉ số VNIndex của Việt Nam, phản ánh hiệu suất của tất cả các công ty niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh.
Giá đóng cửa hàng ngày của hai chỉ số này sẽ được thu thập và phân tích để tìm hiểu các xu hướng, biến động, cũng như các yếu tố tác động đến giá cổ phiếu trong suốt giai đoạn nghiên cứu. Việc lựa chọn hai chỉ số này làm đối tượng nghiên cứu nhằm cung cấp một cái nhìn tổng quát và chính xác về tình hình thị trường chứng khoán tại Úc và Việt Nam, từ đó so sánh và đối chiếu giữa một thị trường phát triển và một thị trường mới nổi.
1.4 Phạm vi nghiên cứu
Không gian nghiên cứu: Thị trường chứng khoán của S&P/ASX 200 (AUS) và Việt Nam – VNIndex (VNI).
Thời gian nghiên cứu: Từ 01/01/2018 đến 29/12/2023.
1.5 Phương pháp nghiên cứu
Trong ngiên cứu này, chúng tôi sử dụng phương pháp copula để phân tích cấu trúc thị trường giữa hai sàn chứng khoán S&P/ASX 200 của Úc và VNIndex của Việt Nam trong giai đoạn 2018 - 2023. Phương pháp này cho phép mô hình hóa và phân tích sự phụ thuộc giữa các biến ngẫu nhiên mà không bị ràng buộc bởi giả định phân phối chuẩn như các phương pháp truyền thống. Qua đó, chúng tôi có thể nắm bắt mối quan hệ phức tạp giữa các chỉ số chứng khoán và đưa ra các kết luận về sự phụ thuộc cũng như các rủi ro liên quan đến biến động giá trên hai thị trường. Quá trình nghiên cứu sẽ bao gồm việc thu thập dữ liệu lịch sử giá đóng cửa của hai chỉ số, ước lượng các tham số copula, và phân tích kết quả để rút ra những kết luận về sự tương quan và các yếu tố ảnh hưởng đến cấu trúc thị trường của hai sàn chứng khoán.
1.6 Kết cấu bài tiểu luận
Chương 1: TỔNG QUAN CÁC VẤN ĐỀ NGHIÊN CỨU
Chương 2: TỔNG QUAN LÝ THUYẾT
Chương 3: PHƯƠNG PHÁP NGHIÊN CỨU
Chương 4: PHÂN TÍCH DỮ LIỆU
Chương 5: KẾT LUẬN VÀ KIẾN NGHỊ
2 Chương 2: TỔNG QUAN LÝ THUYẾT
2.1 Tổng quan thị trường chứng khoán
Thị trường chứng khoán đóng vai trò quan trọng trong việc phát triển kinh tế của một quốc gia, là nơi huy động vốn cho doanh nghiệp và cung cấp kênh đầu tư cho cá nhân và tổ chức. Giai đoạn 2018-2023 chứng kiến nhiều biến động lớn trên thị trường chứng khoán toàn cầu do các yếu tố kinh tế, chính trị và xã hội, đặc biệt là tác động của đại dịch COVID-19 và xung đột giữa Nga và Ukraine.
Đại dịch COVID-19, bùng phát vào cuối năm 2019, đã lan rộng toàn cầu vào năm 2020, gây ra khủng hoảng y tế và suy thoái kinh tế. Các biện pháp giãn cách và phong tỏa nghiêm ngặt đã làm gián đoạn hoạt động kinh doanh, phá vỡ chuỗi cung ứng, và khiến hàng triệu lao động mất việc. Để đối phó, nhiều chính phủ triển khai các gói kích thích kinh tế lớn, bao gồm trợ cấp, hỗ trợ tài chính và giảm lãi suất. Tuy nhiên, những biện pháp này cũng tạo ra sự bất ổn trên thị trường chứng khoán, với sự biến động mạnh vào đầu năm 2021. Khi chương trình tiêm chủng vaccine mở rộng và kinh tế phục hồi, thị trường chứng khoán đã hồi phục vào cuối năm 2021, nhờ vào niềm tin của nhà đầu tư và sự mở cửa trở lại của các nền kinh tế.
Bên cạnh đó, căng thẳng thương mại giữa các cường quốc, đặc biệt là giữa Mỹ và Trung Quốc, đã tạo ra nhiều lo ngại cho các nhà đầu tư, ảnh hưởng tiêu cực đến tâm lý thị trường. Cuộc chiến thương mại này không chỉ liên quan đến các biện pháp thuế quan mà còn bao gồm những vấn đề nhạy cảm về công nghệ và an ninh quốc gia, gây ra sự bất ổn về triển vọng kinh tế toàn cầu. Ngoài ra, các yếu tố địa chính trị khác, chẳng hạn như chiến sự ở Ukraine, đã làm trầm trọng thêm tình hình, khiến giá cả hàng hóa biến động mạnh và gây áp lực lên các thị trường tài chính. Những bất ổn này đã làm tăng nguy cơ thoái vốn và khiến thị trường chứng khoán toàn cầu trở nên đặc biệt biến động, khi nhà đầu tư tìm cách bảo toàn tài sản và giảm thiểu rủi ro.
2.1.1 Thị trường chứng khoán Úc
Thị trường chứng khoán Úc, với chỉ số đại diện S&P/ASX 200, là một trong những thị trường tài chính quan trọng của khu vực châu Á - Thái Bình Dương.
Năm 2021, thị trường chứng khoán Úc đã có một khởi đầu đầy triển vọng. Chỉ số S&P/ASX 200 đã ghi nhận mức tăng trưởng ấn tượng, phản ánh sự hồi phục mạnh mẽ của nền kinh tế sau những tác động nặng nề từ đại dịch COVID-19. Sự phục hồi này được thúc đẩy bởi các gói kích thích kinh tế từ chính phủ và các biện pháp hỗ trợ tiền tệ từ Ngân hàng Trung ương Úc (RBA). Đặc biệt, các ngành công nghiệp quan trọng như khai thác mỏ, tài chính và bất động sản đã có những đóng góp đáng kể vào sự tăng trưởng của thị trường. Khai thác mỏ là một ngành mũi nhọn của Úc, với các mặt hàng như quặng sắt và than đá luôn duy trì được giá trị cao trên thị trường quốc tế. Ngành tài chính, với sự phát triển của các ngân hàng lớn và công ty bảo hiểm, cũng ghi nhận sự tăng trưởng tích cực. Trong khi đó, ngành bất động sản tiếp tục hưởng lợi từ lãi suất thấp và nhu cầu cao về nhà ở, thúc đẩy sự tăng giá cổ phiếu trong lĩnh vực này.
Bước sang năm 2022, thị trường chứng khoán Úc bắt đầu đối mặt với nhiều thách thức lớn. Một trong những yếu tố quan trọng nhất là lạm phát tăng cao, buộc RBA phải thay đổi chính sách tiền tệ từ nới lỏng sang thắt chặt. Cụ thể, RBA đã thực hiện nhiều đợt tăng lãi suất nhằm kiểm soát lạm phát, động thái này đã tạo ra áp lực lớn đối với thị trường chứng khoán. Tăng lãi suất làm giảm khả năng vay vốn của doanh nghiệp và người tiêu dùng, làm suy giảm hoạt động đầu tư và chi tiêu. Điều này trực tiếp ảnh hưởng đến lợi nhuận của các doanh nghiệp niêm yết, khiến giá cổ phiếu của nhiều công ty giảm mạnh. Các ngành khai thác mỏ, tài chính, và bất động sản – vốn là những ngành có đóng góp lớn cho sự tăng trưởng trong năm 2021 – bắt đầu cảm nhận rõ ràng sức ép từ chính sách tiền tệ thắt chặt.
Giai đoạn 2018-2023 là một thời kỳ đầy biến động đối với thị trường chứng khoán Úc. Sau sự khởi sắc trong năm 2021, thị trường đã phải đối mặt với nhiều thách thức lớn từ năm 2022 do lạm phát cao và chính sách tiền tệ thắt chặt. Các ngành công nghiệp quan trọng như khai thác mỏ, tài chính, và bất động sản chịu ảnh hưởng nặng nề, trong khi ngành công nghệ và chăm sóc sức khỏe lại ghi nhận sự tăng trưởng trong một số thời điểm nhất định.
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_excel("C:/NV/CMHNN/cmhnn/T.xlsx",2)
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 zoolibrary(ggplot2)## Warning: package 'ggplot2' was built under R version 4.3.3library(tidyverse)## Warning: package 'lubridate' was built under R version 4.3.3## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ lubridate 1.9.3 ✔ tibble 3.2.1
## ✔ purrr 1.0.2 ✔ tidyr 1.3.0## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::first() masks xts::first()
## ✖ dplyr::lag() masks stats::lag()
## ✖ dplyr::last() masks xts::last()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(dplyr)
as.Date(data$Date, format="%d/%m/%Y")## [1] "2023-12-29" "2023-12-28" "2023-12-27" "2023-12-22" "2023-12-21"
## [6] "2023-12-20" "2023-12-19" "2023-12-18" "2023-12-15" "2023-12-14"
## [11] "2023-12-13" "2023-12-12" "2023-12-11" "2023-12-08" "2023-12-07"
## [16] "2023-12-06" "2023-12-05" "2023-12-04" "2023-12-01" "2023-11-30"
## [21] "2023-11-29" "2023-11-28" "2023-11-27" "2023-11-24" "2023-11-23"
## [26] "2023-11-22" "2023-11-21" "2023-11-20" "2023-11-17" "2023-11-16"
## [31] "2023-11-15" "2023-11-14" "2023-11-13" "2023-11-10" "2023-11-09"
## [36] "2023-11-08" "2023-11-07" "2023-11-06" "2023-11-03" "2023-11-02"
## [41] "2023-11-01" "2023-10-31" "2023-10-30" "2023-10-27" "2023-10-26"
## [46] "2023-10-25" "2023-10-24" "2023-10-23" "2023-10-20" "2023-10-19"
## [51] "2023-10-18" "2023-10-17" "2023-10-16" "2023-10-13" "2023-10-12"
## [56] "2023-10-11" "2023-10-10" "2023-10-09" "2023-10-06" "2023-10-05"
## [61] "2023-10-04" "2023-10-03" "2023-10-02" "2023-09-29" "2023-09-28"
## [66] "2023-09-27" "2023-09-26" "2023-09-25" "2023-09-22" "2023-09-21"
## [71] "2023-09-20" "2023-09-19" "2023-09-18" "2023-09-15" "2023-09-14"
## [76] "2023-09-13" "2023-09-12" "2023-09-11" "2023-09-08" "2023-09-07"
## [81] "2023-09-06" "2023-09-05" "2023-08-31" "2023-08-30" "2023-08-29"
## [86] "2023-08-28" "2023-08-25" "2023-08-24" "2023-08-23" "2023-08-22"
## [91] "2023-08-21" "2023-08-18" "2023-08-17" "2023-08-16" "2023-08-15"
## [96] "2023-08-14" "2023-08-11" "2023-08-10" "2023-08-09" "2023-08-08"
## [101] "2023-08-07" "2023-08-04" "2023-08-03" "2023-08-02" "2023-08-01"
## [106] "2023-07-31" "2023-07-28" "2023-07-27" "2023-07-26" "2023-07-25"
## [111] "2023-07-24" "2023-07-21" "2023-07-20" "2023-07-19" "2023-07-18"
## [116] "2023-07-17" "2023-07-14" "2023-07-13" "2023-07-12" "2023-07-11"
## [121] "2023-07-10" "2023-07-07" "2023-07-06" "2023-07-05" "2023-07-04"
## [126] "2023-07-03" "2023-06-30" "2023-06-29" "2023-06-28" "2023-06-27"
## [131] "2023-06-26" "2023-06-23" "2023-06-22" "2023-06-21" "2023-06-20"
## [136] "2023-06-19" "2023-06-16" "2023-06-15" "2023-06-14" "2023-06-13"
## [141] "2023-06-12" "2023-06-09" "2023-06-08" "2023-06-07" "2023-06-06"
## [146] "2023-06-05" "2023-06-02" "2023-06-01" "2023-05-31" "2023-05-30"
## [151] "2023-05-29" "2023-05-26" "2023-05-25" "2023-05-24" "2023-05-23"
## [156] "2023-05-22" "2023-05-19" "2023-05-18" "2023-05-17" "2023-05-16"
## [161] "2023-05-15" "2023-05-12" "2023-05-11" "2023-05-10" "2023-05-09"
## [166] "2023-05-08" "2023-05-05" "2023-05-04" "2023-04-28" "2023-04-27"
## [171] "2023-04-26" "2023-04-25" "2023-04-24" "2023-04-21" "2023-04-20"
## [176] "2023-04-19" "2023-04-18" "2023-04-17" "2023-04-14" "2023-04-13"
## [181] "2023-04-12" "2023-04-11" "2023-04-10" "2023-04-06" "2023-04-05"
## [186] "2023-04-04" "2023-04-03" "2023-03-31" "2023-03-30" "2023-03-29"
## [191] "2023-03-28" "2023-03-27" "2023-03-24" "2023-03-23" "2023-03-22"
## [196] "2023-03-21" "2023-03-20" "2023-03-17" "2023-03-16" "2023-03-15"
## [201] "2023-03-14" "2023-03-13" "2023-03-10" "2023-03-09" "2023-03-08"
## [206] "2023-03-07" "2023-03-06" "2023-03-03" "2023-03-02" "2023-03-01"
## [211] "2023-02-28" "2023-02-27" "2023-02-24" "2023-02-23" "2023-02-22"
## [216] "2023-02-21" "2023-02-20" "2023-02-17" "2023-02-16" "2023-02-15"
## [221] "2023-02-14" "2023-02-13" "2023-02-10" "2023-02-09" "2023-02-08"
## [226] "2023-02-07" "2023-02-06" "2023-02-03" "2023-02-02" "2023-02-01"
## [231] "2023-01-31" "2023-01-30" "2023-01-27" "2023-01-19" "2023-01-18"
## [236] "2023-01-17" "2023-01-16" "2023-01-13" "2023-01-12" "2023-01-11"
## [241] "2023-01-10" "2023-01-09" "2023-01-06" "2023-01-05" "2023-01-04"
## [246] "2023-01-03" "2022-12-30" "2022-12-29" "2022-12-28" "2022-12-23"
## [251] "2022-12-22" "2022-12-21" "2022-12-20" "2022-12-19" "2022-12-16"
## [256] "2022-12-15" "2022-12-14" "2022-12-13" "2022-12-12" "2022-12-09"
## [261] "2022-12-08" "2022-12-07" "2022-12-06" "2022-12-05" "2022-12-02"
## [266] "2022-12-01" "2022-11-30" "2022-11-29" "2022-11-28" "2022-11-25"
## [271] "2022-11-24" "2022-11-23" "2022-11-22" "2022-11-21" "2022-11-18"
## [276] "2022-11-17" "2022-11-16" "2022-11-15" "2022-11-14" "2022-11-11"
## [281] "2022-11-10" "2022-11-09" "2022-11-08" "2022-11-07" "2022-11-04"
## [286] "2022-11-03" "2022-11-02" "2022-11-01" "2022-10-31" "2022-10-28"
## [291] "2022-10-27" "2022-10-26" "2022-10-25" "2022-10-24" "2022-10-21"
## [296] "2022-10-20" "2022-10-19" "2022-10-18" "2022-10-17" "2022-10-14"
## [301] "2022-10-13" "2022-10-12" "2022-10-11" "2022-10-10" "2022-10-07"
## [306] "2022-10-06" "2022-10-05" "2022-10-04" "2022-10-03" "2022-09-30"
## [311] "2022-09-29" "2022-09-28" "2022-09-27" "2022-09-26" "2022-09-23"
## [316] "2022-09-22" "2022-09-21" "2022-09-20" "2022-09-19" "2022-09-16"
## [321] "2022-09-15" "2022-09-14" "2022-09-13" "2022-09-12" "2022-09-09"
## [326] "2022-09-08" "2022-09-07" "2022-09-06" "2022-09-05" "2022-08-31"
## [331] "2022-08-30" "2022-08-29" "2022-08-26" "2022-08-25" "2022-08-24"
## [336] "2022-08-23" "2022-08-22" "2022-08-19" "2022-08-18" "2022-08-17"
## [341] "2022-08-16" "2022-08-15" "2022-08-12" "2022-08-11" "2022-08-10"
## [346] "2022-08-09" "2022-08-08" "2022-08-05" "2022-08-04" "2022-08-03"
## [351] "2022-08-02" "2022-08-01" "2022-07-29" "2022-07-28" "2022-07-27"
## [356] "2022-07-26" "2022-07-25" "2022-07-22" "2022-07-21" "2022-07-20"
## [361] "2022-07-19" "2022-07-18" "2022-07-15" "2022-07-14" "2022-07-13"
## [366] "2022-07-12" "2022-07-11" "2022-07-08" "2022-07-07" "2022-07-06"
## [371] "2022-07-05" "2022-07-04" "2022-07-01" "2022-06-30" "2022-06-29"
## [376] "2022-06-28" "2022-06-27" "2022-06-24" "2022-06-23" "2022-06-22"
## [381] "2022-06-21" "2022-06-20" "2022-06-17" "2022-06-16" "2022-06-15"
## [386] "2022-06-14" "2022-06-13" "2022-06-10" "2022-06-09" "2022-06-08"
## [391] "2022-06-07" "2022-06-06" "2022-06-03" "2022-06-02" "2022-06-01"
## [396] "2022-05-31" "2022-05-30" "2022-05-27" "2022-05-26" "2022-05-25"
## [401] "2022-05-24" "2022-05-23" "2022-05-20" "2022-05-19" "2022-05-18"
## [406] "2022-05-17" "2022-05-16" "2022-05-13" "2022-05-12" "2022-05-11"
## [411] "2022-05-10" "2022-05-09" "2022-05-06" "2022-05-05" "2022-05-04"
## [416] "2022-04-29" "2022-04-28" "2022-04-27" "2022-04-26" "2022-04-25"
## [421] "2022-04-22" "2022-04-21" "2022-04-20" "2022-04-19" "2022-04-18"
## [426] "2022-04-14" "2022-04-13" "2022-04-12" "2022-04-08" "2022-04-07"
## [431] "2022-04-06" "2022-04-05" "2022-04-04" "2022-04-01" "2022-03-31"
## [436] "2022-03-30" "2022-03-29" "2022-03-28" "2022-03-25" "2022-03-24"
## [441] "2022-03-23" "2022-03-22" "2022-03-21" "2022-03-18" "2022-03-17"
## [446] "2022-03-16" "2022-03-15" "2022-03-14" "2022-03-11" "2022-03-10"
## [451] "2022-03-09" "2022-03-08" "2022-03-07" "2022-03-04" "2022-03-03"
## [456] "2022-03-02" "2022-03-01" "2022-02-28" "2022-02-25" "2022-02-24"
## [461] "2022-02-23" "2022-02-22" "2022-02-21" "2022-02-18" "2022-02-17"
## [466] "2022-02-16" "2022-02-15" "2022-02-14" "2022-02-11" "2022-02-10"
## [471] "2022-02-09" "2022-02-08" "2022-02-07" "2022-01-28" "2022-01-27"
## [476] "2022-01-26" "2022-01-25" "2022-01-24" "2022-01-21" "2022-01-20"
## [481] "2022-01-19" "2022-01-18" "2022-01-17" "2022-01-14" "2022-01-13"
## [486] "2022-01-12" "2022-01-11" "2022-01-10" "2022-01-07" "2022-01-06"
## [491] "2022-01-05" "2022-01-04" "2021-12-31" "2021-12-30" "2021-12-29"
## [496] "2021-12-28" "2021-12-24" "2021-12-23" "2021-12-22" "2021-12-21"
## [501] "2021-12-20" "2021-12-17" "2021-12-16" "2021-12-15" "2021-12-14"
## [506] "2021-12-13" "2021-12-10" "2021-12-09" "2021-12-08" "2021-12-07"
## [511] "2021-12-06" "2021-12-03" "2021-12-02" "2021-12-01" "2021-11-30"
## [516] "2021-11-29" "2021-11-26" "2021-11-25" "2021-11-24" "2021-11-23"
## [521] "2021-11-22" "2021-11-19" "2021-11-18" "2021-11-17" "2021-11-16"
## [526] "2021-11-15" "2021-11-12" "2021-11-11" "2021-11-10" "2021-11-09"
## [531] "2021-11-08" "2021-11-05" "2021-11-04" "2021-11-03" "2021-11-02"
## [536] "2021-11-01" "2021-10-29" "2021-10-28" "2021-10-27" "2021-10-26"
## [541] "2021-10-25" "2021-10-22" "2021-10-21" "2021-10-20" "2021-10-19"
## [546] "2021-10-18" "2021-10-15" "2021-10-14" "2021-10-13" "2021-10-12"
## [551] "2021-10-11" "2021-10-08" "2021-10-07" "2021-10-06" "2021-10-05"
## [556] "2021-10-04" "2021-10-01" "2021-09-30" "2021-09-29" "2021-09-28"
## [561] "2021-09-27" "2021-09-24" "2021-09-23" "2021-09-22" "2021-09-21"
## [566] "2021-09-20" "2021-09-17" "2021-09-16" "2021-09-15" "2021-09-14"
## [571] "2021-09-13" "2021-09-10" "2021-09-09" "2021-09-08" "2021-09-07"
## [576] "2021-09-06" "2021-09-01" "2021-08-31" "2021-08-30" "2021-08-27"
## [581] "2021-08-26" "2021-08-25" "2021-08-24" "2021-08-23" "2021-08-20"
## [586] "2021-08-19" "2021-08-18" "2021-08-17" "2021-08-16" "2021-08-13"
## [591] "2021-08-12" "2021-08-11" "2021-08-10" "2021-08-09" "2021-08-06"
## [596] "2021-08-05" "2021-08-04" "2021-08-03" "2021-08-02" "2021-07-30"
## [601] "2021-07-29" "2021-07-28" "2021-07-27" "2021-07-26" "2021-07-23"
## [606] "2021-07-22" "2021-07-21" "2021-07-20" "2021-07-19" "2021-07-16"
## [611] "2021-07-15" "2021-07-14" "2021-07-13" "2021-07-12" "2021-07-09"
## [616] "2021-07-08" "2021-07-07" "2021-07-06" "2021-07-05" "2021-07-02"
## [621] "2021-07-01" "2021-06-30" "2021-06-29" "2021-06-28" "2021-06-25"
## [626] "2021-06-24" "2021-06-23" "2021-06-22" "2021-06-21" "2021-06-18"
## [631] "2021-06-17" "2021-06-16" "2021-06-15" "2021-06-14" "2021-06-11"
## [636] "2021-06-10" "2021-06-09" "2021-06-08" "2021-06-07" "2021-06-04"
## [641] "2021-06-03" "2021-06-02" "2021-06-01" "2021-05-31" "2021-05-28"
## [646] "2021-05-27" "2021-05-26" "2021-05-25" "2021-05-24" "2021-05-21"
## [651] "2021-05-20" "2021-05-19" "2021-05-18" "2021-05-17" "2021-05-14"
## [656] "2021-05-13" "2021-05-12" "2021-05-11" "2021-05-10" "2021-05-07"
## [661] "2021-05-06" "2021-05-05" "2021-05-04" "2021-04-29" "2021-04-28"
## [666] "2021-04-27" "2021-04-26" "2021-04-23" "2021-04-22" "2021-04-20"
## [671] "2021-04-19" "2021-04-16" "2021-04-15" "2021-04-14" "2021-04-13"
## [676] "2021-04-12" "2021-04-09" "2021-04-08" "2021-04-07" "2021-04-06"
## [681] "2021-04-05" "2021-04-01" "2021-03-31" "2021-03-30" "2021-03-29"
## [686] "2021-03-26" "2021-03-25" "2021-03-24" "2021-03-23" "2021-03-22"
## [691] "2021-03-19" "2021-03-18" "2021-03-17" "2021-03-16" "2021-03-15"
## [696] "2021-03-12" "2021-03-11" "2021-03-10" "2021-03-09" "2021-03-08"
## [701] "2021-03-05" "2021-03-04" "2021-03-03" "2021-03-02" "2021-03-01"
## [706] "2021-02-26" "2021-02-25" "2021-02-24" "2021-02-23" "2021-02-22"
## [711] "2021-02-19" "2021-02-18" "2021-02-17" "2021-02-09" "2021-02-08"
## [716] "2021-02-05" "2021-02-04" "2021-02-03" "2021-02-02" "2021-02-01"
## [721] "2021-01-29" "2021-01-28" "2021-01-27" "2021-01-26" "2021-01-25"
## [726] "2021-01-22" "2021-01-21" "2021-01-20" "2021-01-19" "2021-01-18"
## [731] "2021-01-15" "2021-01-14" "2021-01-13" "2021-01-12" "2021-01-11"
## [736] "2021-01-08" "2021-01-07" "2021-01-06" "2021-01-05" "2021-01-04"
## [741] "2020-12-31" "2020-12-30" "2020-12-29" "2020-12-28" "2020-12-24"
## [746] "2020-12-23" "2020-12-22" "2020-12-21" "2020-12-18" "2020-12-17"
## [751] "2020-12-16" "2020-12-15" "2020-12-14" "2020-12-11" "2020-12-10"
## [756] "2020-12-09" "2020-12-08" "2020-12-07" "2020-12-04" "2020-12-03"
## [761] "2020-12-02" "2020-12-01" "2020-11-30" "2020-11-27" "2020-11-26"
## [766] "2020-11-25" "2020-11-24" "2020-11-23" "2020-11-20" "2020-11-19"
## [771] "2020-11-18" "2020-11-17" "2020-11-16" "2020-11-13" "2020-11-12"
## [776] "2020-11-11" "2020-11-10" "2020-11-09" "2020-11-06" "2020-11-05"
## [781] "2020-11-04" "2020-11-03" "2020-11-02" "2020-10-30" "2020-10-29"
## [786] "2020-10-28" "2020-10-27" "2020-10-26" "2020-10-23" "2020-10-22"
## [791] "2020-10-21" "2020-10-20" "2020-10-19" "2020-10-16" "2020-10-15"
## [796] "2020-10-14" "2020-10-13" "2020-10-12" "2020-10-09" "2020-10-08"
## [801] "2020-10-07" "2020-10-06" "2020-10-05" "2020-10-02" "2020-10-01"
## [806] "2020-09-30" "2020-09-29" "2020-09-28" "2020-09-25" "2020-09-24"
## [811] "2020-09-23" "2020-09-22" "2020-09-21" "2020-09-18" "2020-09-17"
## [816] "2020-09-16" "2020-09-15" "2020-09-14" "2020-09-11" "2020-09-10"
## [821] "2020-09-09" "2020-09-08" "2020-09-07" "2020-09-04" "2020-09-03"
## [826] "2020-09-01" "2020-08-31" "2020-08-28" "2020-08-27" "2020-08-26"
## [831] "2020-08-25" "2020-08-24" "2020-08-21" "2020-08-20" "2020-08-19"
## [836] "2020-08-18" "2020-08-17" "2020-08-14" "2020-08-13" "2020-08-12"
## [841] "2020-08-11" "2020-08-10" "2020-08-07" "2020-08-06" "2020-08-05"
## [846] "2020-08-04" "2020-08-03" "2020-07-31" "2020-07-30" "2020-07-29"
## [851] "2020-07-28" "2020-07-27" "2020-07-24" "2020-07-23" "2020-07-22"
## [856] "2020-07-21" "2020-07-20" "2020-07-17" "2020-07-16" "2020-07-15"
## [861] "2020-07-14" "2020-07-13" "2020-07-10" "2020-07-09" "2020-07-08"
## [866] "2020-07-07" "2020-07-06" "2020-07-03" "2020-07-02" "2020-07-01"
## [871] "2020-06-30" "2020-06-29" "2020-06-26" "2020-06-25" "2020-06-24"
## [876] "2020-06-23" "2020-06-22" "2020-06-19" "2020-06-18" "2020-06-17"
## [881] "2020-06-16" "2020-06-15" "2020-06-12" "2020-06-11" "2020-06-10"
## [886] "2020-06-09" "2020-06-08" "2020-06-05" "2020-06-04" "2020-06-03"
## [891] "2020-06-02" "2020-06-01" "2020-05-29" "2020-05-28" "2020-05-27"
## [896] "2020-05-26" "2020-05-25" "2020-05-22" "2020-05-21" "2020-05-20"
## [901] "2020-05-19" "2020-05-18" "2020-05-15" "2020-05-14" "2020-05-13"
## [906] "2020-05-12" "2020-05-11" "2020-05-08" "2020-05-07" "2020-05-06"
## [911] "2020-05-05" "2020-05-04" "2020-04-29" "2020-04-28" "2020-04-27"
## [916] "2020-04-24" "2020-04-23" "2020-04-22" "2020-04-21" "2020-04-20"
## [921] "2020-04-17" "2020-04-16" "2020-04-15" "2020-04-14" "2020-04-13"
## [926] "2020-04-09" "2020-04-08" "2020-04-07" "2020-04-06" "2020-04-03"
## [931] "2020-04-01" "2020-03-31" "2020-03-30" "2020-03-27" "2020-03-26"
## [936] "2020-03-25" "2020-03-24" "2020-03-23" "2020-03-20" "2020-03-19"
## [941] "2020-03-18" "2020-03-17" "2020-03-16" "2020-03-13" "2020-03-12"
## [946] "2020-03-11" "2020-03-10" "2020-03-09" "2020-03-06" "2020-03-05"
## [951] "2020-03-04" "2020-03-03" "2020-03-02" "2020-02-28" "2020-02-27"
## [956] "2020-02-26" "2020-02-25" "2020-02-24" "2020-02-21" "2020-02-20"
## [961] "2020-02-19" "2020-02-18" "2020-02-17" "2020-02-14" "2020-02-13"
## [966] "2020-02-12" "2020-02-11" "2020-02-10" "2020-02-07" "2020-02-06"
## [971] "2020-02-05" "2020-02-04" "2020-02-03" "2020-01-31" "2020-01-30"
## [976] "2020-01-22" "2020-01-21" "2020-01-20" "2020-01-17" "2020-01-16"
## [981] "2020-01-15" "2020-01-14" "2020-01-13" "2020-01-10" "2020-01-09"
## [986] "2020-01-08" "2020-01-07" "2020-01-06" "2020-01-03" "2020-01-02"
## [991] "2019-12-31" "2019-12-30" "2019-12-27" "2019-12-26" "2019-12-24"
## [996] "2019-12-23" "2019-12-20" "2019-12-19" "2019-12-18" "2019-12-17"
## [1001] "2019-12-16" "2019-12-13" "2019-12-12" "2019-12-11" "2019-12-10"
## [1006] "2019-12-09" "2019-12-06" "2019-12-05" "2019-12-04" "2019-12-03"
## [1011] "2019-12-02" "2019-11-29" "2019-11-28" "2019-11-27" "2019-11-26"
## [1016] "2019-11-25" "2019-11-22" "2019-11-21" "2019-11-20" "2019-11-19"
## [1021] "2019-11-18" "2019-11-15" "2019-11-14" "2019-11-13" "2019-11-12"
## [1026] "2019-11-11" "2019-11-08" "2019-11-07" "2019-11-06" "2019-11-05"
## [1031] "2019-11-04" "2019-11-01" "2019-10-31" "2019-10-30" "2019-10-29"
## [1036] "2019-10-28" "2019-10-25" "2019-10-24" "2019-10-23" "2019-10-22"
## [1041] "2019-10-21" "2019-10-18" "2019-10-17" "2019-10-16" "2019-10-15"
## [1046] "2019-10-14" "2019-10-11" "2019-10-10" "2019-10-09" "2019-10-08"
## [1051] "2019-10-07" "2019-10-04" "2019-10-03" "2019-10-02" "2019-10-01"
## [1056] "2019-09-30" "2019-09-27" "2019-09-26" "2019-09-25" "2019-09-24"
## [1061] "2019-09-23" "2019-09-20" "2019-09-19" "2019-09-18" "2019-09-17"
## [1066] "2019-09-16" "2019-09-13" "2019-09-12" "2019-09-11" "2019-09-10"
## [1071] "2019-09-09" "2019-09-06" "2019-09-05" "2019-09-04" "2019-09-03"
## [1076] "2019-08-30" "2019-08-29" "2019-08-28" "2019-08-27" "2019-08-26"
## [1081] "2019-08-23" "2019-08-22" "2019-08-21" "2019-08-20" "2019-08-19"
## [1086] "2019-08-16" "2019-08-15" "2019-08-14" "2019-08-13" "2019-08-12"
## [1091] "2019-08-09" "2019-08-08" "2019-08-07" "2019-08-06" "2019-08-05"
## [1096] "2019-08-02" "2019-08-01" "2019-07-31" "2019-07-30" "2019-07-29"
## [1101] "2019-07-26" "2019-07-25" "2019-07-24" "2019-07-23" "2019-07-22"
## [1106] "2019-07-19" "2019-07-18" "2019-07-17" "2019-07-16" "2019-07-15"
## [1111] "2019-07-12" "2019-07-11" "2019-07-10" "2019-07-09" "2019-07-08"
## [1116] "2019-07-05" "2019-07-04" "2019-07-03" "2019-07-02" "2019-07-01"
## [1121] "2019-06-28" "2019-06-27" "2019-06-26" "2019-06-25" "2019-06-24"
## [1126] "2019-06-21" "2019-06-20" "2019-06-19" "2019-06-18" "2019-06-17"
## [1131] "2019-06-14" "2019-06-13" "2019-06-12" "2019-06-11" "2019-06-10"
## [1136] "2019-06-07" "2019-06-06" "2019-06-05" "2019-06-04" "2019-06-03"
## [1141] "2019-05-31" "2019-05-30" "2019-05-29" "2019-05-28" "2019-05-27"
## [1146] "2019-05-24" "2019-05-23" "2019-05-22" "2019-05-21" "2019-05-20"
## [1151] "2019-05-17" "2019-05-16" "2019-05-15" "2019-05-14" "2019-05-13"
## [1156] "2019-05-10" "2019-05-09" "2019-05-08" "2019-05-07" "2019-05-06"
## [1161] "2019-05-03" "2019-05-02" "2019-04-26" "2019-04-25" "2019-04-24"
## [1166] "2019-04-23" "2019-04-22" "2019-04-18" "2019-04-17" "2019-04-16"
## [1171] "2019-04-12" "2019-04-11" "2019-04-10" "2019-04-09" "2019-04-08"
## [1176] "2019-04-05" "2019-04-04" "2019-04-03" "2019-04-02" "2019-04-01"
## [1181] "2019-03-29" "2019-03-28" "2019-03-27" "2019-03-26" "2019-03-25"
## [1186] "2019-03-22" "2019-03-21" "2019-03-20" "2019-03-19" "2019-03-18"
## [1191] "2019-03-15" "2019-03-14" "2019-03-13" "2019-03-12" "2019-03-11"
## [1196] "2019-03-08" "2019-03-07" "2019-03-06" "2019-03-05" "2019-03-04"
## [1201] "2019-03-01" "2019-02-28" "2019-02-27" "2019-02-26" "2019-02-25"
## [1206] "2019-02-22" "2019-02-21" "2019-02-20" "2019-02-19" "2019-02-18"
## [1211] "2019-02-15" "2019-02-14" "2019-02-13" "2019-02-12" "2019-02-11"
## [1216] "2019-02-01" "2019-01-31" "2019-01-30" "2019-01-29" "2019-01-28"
## [1221] "2019-01-25" "2019-01-24" "2019-01-23" "2019-01-22" "2019-01-21"
## [1226] "2019-01-18" "2019-01-17" "2019-01-16" "2019-01-15" "2019-01-14"
## [1231] "2019-01-11" "2019-01-10" "2019-01-09" "2019-01-08" "2019-01-07"
## [1236] "2019-01-04" "2019-01-03" "2019-01-02" "2018-12-28" "2018-12-27"
## [1241] "2018-12-26" "2018-12-24" "2018-12-21" "2018-12-20" "2018-12-19"
## [1246] "2018-12-18" "2018-12-17" "2018-12-14" "2018-12-13" "2018-12-12"
## [1251] "2018-12-11" "2018-12-10" "2018-12-07" "2018-12-06" "2018-12-05"
## [1256] "2018-12-04" "2018-12-03" "2018-11-30" "2018-11-29" "2018-11-28"
## [1261] "2018-11-27" "2018-11-26" "2018-11-23" "2018-11-22" "2018-11-21"
## [1266] "2018-11-20" "2018-11-19" "2018-11-16" "2018-11-15" "2018-11-14"
## [1271] "2018-11-13" "2018-11-12" "2018-11-09" "2018-11-08" "2018-11-07"
## [1276] "2018-11-06" "2018-11-05" "2018-11-02" "2018-11-01" "2018-10-31"
## [1281] "2018-10-30" "2018-10-29" "2018-10-26" "2018-10-25" "2018-10-24"
## [1286] "2018-10-23" "2018-10-22" "2018-10-19" "2018-10-18" "2018-10-17"
## [1291] "2018-10-16" "2018-10-15" "2018-10-12" "2018-10-11" "2018-10-10"
## [1296] "2018-10-09" "2018-10-08" "2018-10-05" "2018-10-04" "2018-10-03"
## [1301] "2018-10-02" "2018-10-01" "2018-09-28" "2018-09-27" "2018-09-26"
## [1306] "2018-09-25" "2018-09-24" "2018-09-21" "2018-09-20" "2018-09-19"
## [1311] "2018-09-18" "2018-09-17" "2018-09-14" "2018-09-13" "2018-09-12"
## [1316] "2018-09-11" "2018-09-10" "2018-09-07" "2018-09-06" "2018-09-05"
## [1321] "2018-09-04" "2018-08-31" "2018-08-30" "2018-08-29" "2018-08-28"
## [1326] "2018-08-27" "2018-08-24" "2018-08-23" "2018-08-22" "2018-08-21"
## [1331] "2018-08-20" "2018-08-17" "2018-08-16" "2018-08-15" "2018-08-14"
## [1336] "2018-08-13" "2018-08-10" "2018-08-09" "2018-08-08" "2018-08-07"
## [1341] "2018-08-06" "2018-08-03" "2018-08-02" "2018-08-01" "2018-07-31"
## [1346] "2018-07-30" "2018-07-27" "2018-07-26" "2018-07-25" "2018-07-24"
## [1351] "2018-07-23" "2018-07-20" "2018-07-19" "2018-07-18" "2018-07-17"
## [1356] "2018-07-16" "2018-07-13" "2018-07-12" "2018-07-11" "2018-07-10"
## [1361] "2018-07-09" "2018-07-06" "2018-07-05" "2018-07-04" "2018-07-03"
## [1366] "2018-07-02" "2018-06-29" "2018-06-28" "2018-06-27" "2018-06-26"
## [1371] "2018-06-25" "2018-06-22" "2018-06-21" "2018-06-20" "2018-06-19"
## [1376] "2018-06-18" "2018-06-15" "2018-06-14" "2018-06-13" "2018-06-12"
## [1381] "2018-06-11" "2018-06-08" "2018-06-07" "2018-06-06" "2018-06-05"
## [1386] "2018-06-04" "2018-06-01" "2018-05-31" "2018-05-30" "2018-05-29"
## [1391] "2018-05-28" "2018-05-25" "2018-05-24" "2018-05-23" "2018-05-22"
## [1396] "2018-05-21" "2018-05-18" "2018-05-17" "2018-05-16" "2018-05-15"
## [1401] "2018-05-14" "2018-05-11" "2018-05-10" "2018-05-09" "2018-05-08"
## [1406] "2018-05-07" "2018-05-04" "2018-05-03" "2018-05-02" "2018-04-27"
## [1411] "2018-04-26" "2018-04-24" "2018-04-23" "2018-04-20" "2018-04-19"
## [1416] "2018-04-18" "2018-04-17" "2018-04-16" "2018-04-13" "2018-04-12"
## [1421] "2018-04-11" "2018-04-10" "2018-04-09" "2018-04-06" "2018-04-05"
## [1426] "2018-04-04" "2018-04-03" "2018-04-02" "2018-03-29" "2018-03-28"
## [1431] "2018-03-27" "2018-03-26" "2018-03-23" "2018-03-22" "2018-03-21"
## [1436] "2018-03-20" "2018-03-19" "2018-03-16" "2018-03-15" "2018-03-14"
## [1441] "2018-03-13" "2018-03-12" "2018-03-09" "2018-03-08" "2018-03-07"
## [1446] "2018-03-06" "2018-03-05" "2018-03-02" "2018-03-01" "2018-02-28"
## [1451] "2018-02-27" "2018-02-26" "2018-02-23" "2018-02-22" "2018-02-21"
## [1456] "2018-02-13" "2018-02-12" "2018-02-09" "2018-02-08" "2018-02-07"
## [1461] "2018-02-06" "2018-02-05" "2018-02-02" "2018-02-01" "2018-01-31"
## [1466] "2018-01-30" "2018-01-29" "2018-01-26" "2018-01-25" "2018-01-23"
## [1471] "2018-01-22" "2018-01-19" "2018-01-18" "2018-01-17" "2018-01-16"
## [1476] "2018-01-15" "2018-01-12" "2018-01-11" "2018-01-10" "2018-01-09"
## [1481] "2018-01-08" "2018-01-05" "2018-01-04" "2018-01-03" "2018-01-02"ggplot(data, aes(x=data$Date))+geom_line(aes(y=data$AUS,color='blue'))+scale_color_manual(values=c('AUS'='F28076'))+labs(title="Hình 2.1: Thị trường chứng khoán Úc (AUS)",x="Ngày", y="Giá")## Warning: Use of `data$AUS` is discouraged.
## ℹ Use `AUS` instead.## Warning: Use of `data$Date` is discouraged.
## ℹ Use `Date` instead.## Warning: No shared levels found between `names(values)` of the manual scale and the
## data's colour values.
## No shared levels found between `names(values)` of the manual scale and the
## data's colour values.
Trong giai đoạn từ 2018 đến 2023, giá đóng cửa của thị trường chứng
khoán Úc đã trải qua những biến động đáng kể. Giá đóng cửa của thị
trường chứng khoán Úc từ 2018 đến 2023 cho thấy một xu hướng tổng thể ổn
định với sự biến động đáng kể trong các năm bị ảnh hưởng bởi các yếu tố
toàn cầu như đại dịch COVID-19. Mặc dù có sự giảm sút trong giai đoạn
khủng hoảng, thị trường đã nhanh chóng phục hồi và duy trì sự tăng
trưởng ổn định trong các năm sau đó. Điều này phản ánh sự ổn định tương
đối của nền kinh tế Úc và khả năng thích ứng của thị trường chứng khoán
đối với các biến động toàn cầu.
2.1.2 Thị trường chứng khoán Việt Nam
Thị trường chứng khoán Việt Nam, đại diện bởi chỉ số VNIndex, đã trải qua nhiều biến động đáng chú ý trong giai đoạn 2018-2023. Giai đoạn này bao gồm những thành tựu đáng kể trong năm 2021, nhưng sau đó là sự suy yếu do ảnh hưởng từ các yếu tố kinh tế vĩ mô và địa chính trị.
Năm 2021 là một năm đầy ấn tượng đối với thị trường chứng khoán Việt Nam. Chỉ số VNIndex đã ghi nhận mức tăng trưởng vượt bậc, đạt đỉnh cao lịch sử, phản ánh niềm tin của nhà đầu tư vào tiềm năng phục hồi của nền kinh tế sau những khó khăn do đại dịch COVID-19. Sự tăng trưởng này được hỗ trợ bởi các chính sách kinh tế nới lỏng và gói kích thích tài chính của Chính phủ nhằm thúc đẩy hoạt động kinh doanh và tiêu dùng. Các ngành công nghiệp chính như ngân hàng, bất động sản, và sản xuất đã đóng vai trò quan trọng trong việc kéo thị trường đi lên. Ngành ngân hàng hưởng lợi từ nhu cầu vay vốn tăng cao và lãi suất thấp, trong khi ngành bất động sản tiếp tục tăng trưởng nhờ vào nhu cầu mạnh mẽ về nhà ở và các dự án đầu tư cơ sở hạ tầng. Ngành sản xuất cũng có sự phục hồi mạnh mẽ khi các hoạt động xuất khẩu và sản xuất trong nước dần trở lại bình thường.
Mặc dù khởi sắc vào năm 2021, thị trường chứng khoán Việt Nam đã bắt đầu suy yếu từ năm 2022, khi phải đối mặt với nhiều thách thức từ cả bên trong và bên ngoài. Những yếu tố ngoại vi như sự biến động trên thị trường tài chính toàn cầu và chính sách tiền tệ của các nền kinh tế lớn đã tác động không nhỏ đến niềm tin của nhà đầu tư. Chính phủ Việt Nam, để đối phó với những khó khăn kinh tế do đại dịch, đã thực hiện nhiều chính sách kích thích kinh tế và duy trì chính sách tiền tệ nới lỏng. Tuy nhiên, các biện pháp này cũng dẫn đến một số hệ quả tiêu cực. Lạm phát gia tăng và tình trạng nợ xấu trong hệ thống ngân hàng đã trở thành những yếu tố rủi ro lớn, ảnh hưởng đến sự ổn định của thị trường chứng khoán.
Giai đoạn 2018-2023 là một thời kỳ đầy biến động đối với thị trường chứng khoán Việt Nam. Sau sự tăng trưởng vượt bậc trong năm 2021, thị trường đã phải đối mặt với nhiều thách thức lớn từ năm 2022, bao gồm áp lực lạm phát, rủi ro nợ xấu, và những tác động tiêu cực từ thị trường quốc tế. Nhìn chung, thị trường chứng khoán Việt Nam đã trải qua những thăng trầm đáng kể, phản ánh những khó khăn và cơ hội mà nền kinh tế đang phải đối mặt trong bối cảnh toàn cầu phức tạp.
ggplot(data, aes(x=data$Date))+geom_line(aes(y=data$VNI,color='gray'))+scale_color_manual(values=c('VNI'='F28076'))+labs(title="Hình 2.1: Thị trường chứng khoán Việt Nam (VNI)",x="Ngày", y="Giá")## Warning: Use of `data$VNI` is discouraged.
## ℹ Use `VNI` instead.## Warning: Use of `data$Date` is discouraged.
## ℹ Use `Date` instead.## Warning: No shared levels found between `names(values)` of the manual scale and the
## data's colour values.
## No shared levels found between `names(values)` of the manual scale and the
## data's colour values.
Tổng quan, giá đóng cửa của thị trường chứng khoán Việt Nam (VNI) trong giai đoạn từ 2018 đến 2023 phản ánh một sự tăng trưởng nhanh chóng nhưng không ổn định. Thị trường chứng khoán đã chứng kiến sự bùng nổ và suy giảm, theo sau là một giai đoạn phục hồi mạnh mẽ và sau đó là sự ổn định hơn. Các yếu tố nội tại và biến động trong nước đã ảnh hưởng lớn đến sự biến động của giá đóng cửa, cho thấy thị trường chứng khoán Việt Nam còn non trẻ và dễ bị ảnh hưởng bởi các yếu tố bên ngoài.
2.2 Cơ sở lý thuyết
2.2.1 Thị trường chứng khoán
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 là các công cụ tài chính cho phép người sở hữu quyền sở hữu (như cổ phiếu) hoặc quyền nhận lãi suất từ các tổ chức có uy tín (như trái phiếu)
2.2.2 Vai trò, chức năng của thị trường chứng khoán
Thị trường chứng khoán 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.
====
3 Chương 3: THIẾT KẾ NGHIÊN CỨU
3.1 Xây dựng mô hình nghiên cứu
Trong nghiên cứu khoa học, đặc biệt là trong lĩnh vực kinh tế và tài chính, việc phân tích dữ liệu chuỗi thời gian và đo lường rủi ro là rất quan trọng. Các mô hình ARMA, mô hình GJR-GARCH và mô hình Copula đã được phát triển và ứng dụng rộng rãi để giải quyết các vấn đề này. Mỗi mô hình cung cấp một cách tiếp cận độc đáo để xử lý và phân tích dữ liệu, đồng thời có những ứng dụng và ưu điểm riêng.
Mô hình ARMA
Mô hình ARMA (AutoRegressive Moving Average) là một mô hình thống kê được sử dụng để phân tích và dự đoán chuỗi thời gian. Mô hình này kết hợp hai thành phần chính: thành phần hồi quy tự động (AR) và thành phần trung bình động (MA).
Mô hình tự hồi quy AR (AutoRegressive) dùng để mô hình hóa mối quan hệ giữa giá trị hiện tại của chuỗi thời gian với các giá trị trước đó.
Mô hình trung bình động MA (Moving Average) dùng để mô hình hóa mối quan hệ giữa giá trị hiện tại của chuỗi thời gian với các sai số ngẫu nhiên trước đó.
Mô hình ARMA rất hữu ích trong việc dự đoán giá trị tương lai của chuỗi thời gian dựa trên các giá trị trước đó và sai số ngẫu nhiên. Nó thường được sử dụng trong các nghiên cứu dự đoán tài chính, dự đoán doanh số bán hàng, và phân tích dữ liệu kinh tế.
Mô hình GJR-GARCH
Mô hình GJR-GARCH (Glosten-Jagannathan-Runkle GARCH) là một biến thể của mô hình GARCH (Generalized Autoregressive Conditional Heteroskedasticity) được phát triển để giải quyết một số hạn chế của mô hình GARCH truyền thống. Mô hình này được phát triển bởi Glosten, Jagannathan và Runkle và bao gồm một yếu tố bổ sung để điều chỉnh cho sự bất đối xứng trong biến động thị trường. Mô hình GARCH(p, q) dùng để mô hình hóa sự biến động của chuỗi thời gian với điều kiện bất đối xứng.
Mô hình GJR-GARCH rất hữu ích trong việc mô hình hóa sự biến động tài chính và đo lường rủi ro. Nó cho phép các nhà nghiên cứu phân tích sự biến động không đồng đều và sự phản ứng của thị trường đối với các cú sốc tài chính. Điều này rất quan trọng trong việc dự đoán các rủi ro tài chính và xây dựng các chiến lược đầu tư.
Mô hình Copula
Mô hình Copula là một công cụ thống kê mạnh mẽ được sử dụng để mô hình hóa mối quan hệ phụ thuộc giữa các biến ngẫu nhiên. Mô hình này cho phép các nhà nghiên cứu kết hợp các phân phối marginal (phân phối biên) với một hàm copula để mô hình hóa sự phụ thuộc giữa các biến.
Hàm copula C(u_1,u_2,…,u_d) mô tả mối quan hệ phụ thuộc giữa các biến ngẫu nhiên X_1,X_2,…,X_d. Nó kết hợp các phân phối marginal F_i (x) để tạo ra phân phối chung của các biến.
Mô hình Copula đặc biệt hữu ích trong việc phân tích rủi ro và đánh giá mối quan hệ phụ thuộc giữa các tài sản tài chính. Nó cho phép các nhà nghiên cứu hiểu rõ hơn về mối quan hệ giữa các biến ngẫu nhiên, đặc biệt là trong các tình huống mà các phân phối marginal không độc lập với nhau. Điều này rất quan trọng trong quản lý rủi ro tài chính và định giá tài sản.
3.2 Dữ liệu nghiên cứu
Trong bài nghiên cứu này, tác giả tập trung và xoay quanh phân tích giá đóng cửa của thị trường chứng khoán của hai quốc gia, cụ thể là ÚC – S&P/ASX 200 (AUS) và Việt Nam – VNInDex (VNI). Đây được xem là những thước đo quan trọng cho thấy năng lực kinh tế và khả năng tài chính của mỗi quốc gia trong nền kinh tế toàn cầu. Chuỗi dữ liệu này được thu thập và tổng hợp từ nguồn thông tin chính thống, đáng tin cậy từ trang web www.investing.com trong giai đoạn từ đầu năm 2018 đến cuối năm 2023.
Dưới đây là thông tin về giá đóng cửa vào 10 ngày cuối cùng trong năm 2023 của hai thị trường chứng khoán Úc (AUS) và Việt Nam - VNIndex (VNI).
Bảng 3.1: Giá đóng của của 10 ngày cuối tháng 12 năm 2023 của 2 TTCK AUS và VNI
library(PerformanceAnalytics)
library(readxl)
data <- read_excel("C:/NV/CMHNN/cmhnn/T.xlsx",2)
data <- data[,1:3]
mydata <- data[,c(2:3)]
head(data,10)## # A tibble: 10 × 3
## Date AUS VNI
## <dttm> <dbl> <dbl>
## 1 2023-12-29 00:00:00 7614 1130.
## 2 2023-12-28 00:00:00 7636 1129.
## 3 2023-12-27 00:00:00 7579 1122.
## 4 2023-12-22 00:00:00 7515 1103.
## 5 2023-12-21 00:00:00 7518 1102.
## 6 2023-12-20 00:00:00 7559 1101.
## 7 2023-12-19 00:00:00 7481 1096.
## 8 2023-12-18 00:00:00 7416 1092.
## 9 2023-12-15 00:00:00 7429 1102.
## 10 2023-12-14 00:00:00 7373 1110.Nguồn: Kết quả xử lý dữ liệu từ phần mềm Rstudio
3.3 Công cụ phân tích dữ liệu
Dữ liệu được tác giả sử dụng thuộc dạng dữ liệu chuỗi thời gian (timeseries). Bài nghiên cứu sử dụng phần mềm Rstudio để phân tích bộ dữ liệu này. Rstudio là những công cụ được các nhà phân tích tài chính áp dụng rộng rãi nhất trong việc phân tích và dự đoán tình hình tài chính của các tổ chức, doanh nghiệp lớn nhỏ. Trong nghiên cứu này, tác giả đã sử dụng hai công cụ này để hỗ trợ tính toán và thực hiện các bài toán kiểm định thống kê hồi quy của các biến chỉ số được đưa vào bài nghiên cứu.
3.4 Phương pháp nghiên cứu
Trong lĩnh vực tài chính và kinh tế, việc mô hình hóa sự phụ thuộc giữa các biến số là một nhiệm vụ quan trọng và đầy thách thức. Các phương pháp truyền thống như mô hình hồi quy tuyến tính, thường dựa trên giả định về phân phối chuẩn của dữ liệu, nhưng giả định này không phải lúc nào cũng phản ánh đúng mối quan hệ thực tế giữa các biến số. Phương pháp copula nổi lên như một công cụ mạnh mẽ để giải quyết vấn đề này, phương pháp này bắt nguồn từ lý thuyết xác suất và thống kê, với nền tảng là định lý Sklar (1959), được đặt theo tên của nhà toán học người Pháp Maurice René Fréchet, người đầu tiên đề xuất khái niệm này vào năm 1951. Nó cho phép mô hình hóa sự phụ thuộc giữa các biến ngẫu nhiên mà không cần ràng buộc bởi giả định về phân phối biên của chúng.
3.5 Các kiểm định sử dụng
3.5.1 Các kiểm định mô hình
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
Tương tư với kiểm định phân phối chuẩn: Jarque-Bera thì kiểm định tính dừng: Augmented Dickey–Fuller (viết tắt: ADF) cũng sử dụng gói tseries. Kiểm định ADF được sử dụng để kiểm tra xem một chuỗi thời gian có tính dừng hay không. Giả thiết H0 là chuỗi thời gian không có tính dừng.
Hàm adf.test() sẽ trả về kết quả của kiểm định ADF, bao gồm giá trị của thống kê kiểm định và giá trị p-value. Nếu p-value nhỏ hơn một mức ý nghĩa đã chọn (chẳng hạn như 5%), bạn có thể bác bỏ giả thuyết rằng chuỗi thời gian không có tính dừng.
Kiểm định tương quan chuỗi: Ljung-Box
Trong R, bạn có thể sử dụng hàm Box.test() trong gói stats để thực hiện kiểm định tương quan chuỗi Ljung-Box. Kiểm định Ljung-Box được sử dụng để kiểm tra tính tương quan tự do của một chuỗi thời gian và xác định xem chuỗi có phụ thuộc tương quan không gian hay không. Giả thiết H_0là không có tương quan chuỗi Ljung-Box.
Kết quả của kiểm định Ljung-Box sẽ bao gồm giá trị của thống kê kiểm định (Q statistic) và giá trị p-value. Giá trị p-value thường được so sánh với một mức ý nghĩa nhất định (ví dụ: 5%) để xác định xem có sự tồn tại của tương quan không gian trong chuỗi thời gian hay không. Nếu giá trị p-value nhỏ hơn mức ý nghĩa, ta có thể kết luận rằng có sự tồn tại của tương quan không gian trong chuỗi thời gian.
3.5.2 Các kiểm định lựa chọn mô hình biên
Kiểm định Anderson-Darling (AD)
Kiểm định Anderson-Darling là một phương pháp kiểm định sự phù hợp (goodness-of-fit) được sử dụng rộng rãi để đánh giá xem liệu một mẫu dữ liệu có tuân theo một phân phối xác định trước hay không. Kiểm định này là một mở rộng của kiểm định Kolmogorov-Smirnov, nhưng nhấn mạnh nhiều hơn vào các giá trị cực trị ở cả hai đuôi của phân phối. Kiểm định Anderson-Darling dựa trên hàm phân phối tích lũy (CDF) của mẫu và so sánh nó với CDF của phân phối mục tiêu. Phương pháp này đặc biệt nhạy cảm với các biến động ở phần đuôi của phân phối, do đó nó thường được ưa chuộng trong các tình huống mà sự phù hợp ở các đuôi là quan trọng, chẳng hạn như trong tài chính hay khoa học khí hậu.
Kiểm định Cramer-von Mises (CvM)
Kiểm định Cramer-von Mises là một kiểm định không tham số khác nhằm đo lường sự khác biệt giữa hàm phân phối tích lũy của mẫu và phân phối lý thuyết. Kiểm định này ít nhạy cảm với các giá trị cực trị hơn so với kiểm định Anderson-Darling, và do đó, thường được sử dụng trong các trường hợp mà sự phù hợp tổng thể là quan trọng. Kiểm định này phù hợp cho việc đánh giá sự phù hợp tổng thể mà không quá chú trọng vào các phần đuôi của phân phối. Nó thường được sử dụng trong các lĩnh vực như sinh học, khoa học xã hội, và các nghiên cứu khác nơi mà tính nhất quán tổng thể quan trọng hơn so với các biến động cực trị.
Kiểm định Kolmogorov-Smirnov (KS)
Kiểm định Kolmogorov-Smirnov (KS) là một trong những kiểm định không tham số phổ biến nhất để đánh giá sự phù hợp của một mẫu với một phân phối. KS đo lường khoảng cách lớn nhất giữa hàm phân phối tích lũy thực nghiệm của mẫu và CDF của phân phối lý thuyết. Kiểm định KS có ưu điểm là đơn giản và dễ thực hiện, nhưng nó có nhược điểm là nhạy cảm với các điểm khác biệt ở trung tâm phân phối hơn là ở các đuôi. KS được sử dụng rộng rãi trong nhiều lĩnh vực như kinh tế học, tài chính, vật lý và khoa học máy tính, nơi việc kiểm tra sự phù hợp với một phân phối chuẩn là quan trọng.
4 Chương 4: PHÂN TÍCH DỮ LIỆU
4.1 Thống kê mô tả
Bảng 4.1 : Thống kê mô tả các chuỗi lợi suất giai đoạn 2018 - 2023
library(PerformanceAnalytics)
library(readxl)
data <- read_excel("C:/NV/CMHNN/cmhnn/T.xlsx",2)
data <- data[,1:3]
mydata <- data[,c(2:3)]
print(summary(mydata))## AUS VNI
## Min. :4492 Min. : 659.2
## 1st Qu.:6151 1st Qu.: 962.3
## Median :6737 Median :1048.4
## Mean :6641 Mean :1090.5
## 3rd Qu.:7127 3rd Qu.:1203.3
## Max. :7636 Max. :1528.6Nguồn: Kết quả xử lý dữ liệu từ phần mềm Rstudio
BiếN động của chuỗi lợi suất chứng khoán tại thị trường chứng khoán S&P/AXS 200 của Úc (AUS) và VNIndex của việt Nam (VNI) trong giai đoạn 2018 - 2023 được trình bày trong bảng thống kê mô tả trong Bảng 4.1. Dựa trên kết quả, ta có thể nhận thấy những đặc điểm khác biệt cũng như sự tương đồng trong diễn biến của hai thị trường này.
Về chỉ số lợi suất, thị trường chứng khoán Úc có giá trị thấp nhất là 4492 điểm, cao hơn so với mức tối thiểu của thị trường chứng khoán Việt Nam là 659,2 điểm. Điều này cho thấy rằng, trong giai đoạn được phân tích, thị trường Úc duy trì một mức sàn cao hơn, phản ánh sự ổn định hơn trong bối cảnh thị trường so với Việt Nam. Về chỉ số lợi suất tối đa, thị trường chứng khoán Úc đạt mức cao nhất là 7636 điểm, trong khi VNI đạt mức tối đa là 1528,6 điểm. Mức tối đa của VNI thể hiện tiềm năng tăng trưởng mạnh mẽ của thị trường này trong những giai đoạn thuận lợi.
Về các chỉ số phần tư, lợi suất của AUS có phân bố gần nhau hơn, với 1st Qu. (tứ phân vị thứ nhất) là 6,151 điểm và 3rd Qu. (tứ phân vị thứ ba) là 7,127 điểm. Ngược lại, thị trường Việt Nam cho thấy một sự phân tán rộng hơn với 1st Qu. là 962,3 điểm và 3rd Qu. là 1,203,3 điểm. Sự phân tán này có thể ngụ ý rằng thị trường VNI có biên độ dao động lớn hơn, có thể liên quan đến mức độ biến động và tính thanh khoản khác nhau của hai thị trường.
Xét về giá trị trung vị (Median) và trung bình (Mean) của Úc (6737 và 6641) cũng cao hơn so với Việt Nam (1048.4 và 1090.5). Có thể thấy sự chênh lệch giữa trung vị và trung bình của Úc nhỏ hơn, ngụ ý rằng phân bố lợi suất của Úc ít bị ảnh hưởng bởi các giá trị ngoại lai hơn so với Việt Nam. Như vậy, thị trường Úc có xu hướng cung cấp lợi suất ổn định và cao hơn, trong khi thị trường Việt Nam có sự biến động lớn hơn nhưng cũng có tiềm năng tăng trưởng.
Tóm lại, qua bảng số liệu, chúng ta có thể thấy rằng thị trường chứng khoán Việt Nam (VNI) có mức độ biến động lớn hơn so với thị trường Úc (AUS). Mặc dù AUS thể hiện sự ổn định hơn, VNI lại có tiềm năng tăng trưởng mạnh mẽ, nhưng cũng đi kèm với những rủi ro cao hơn. Những điểm này cần được nhà đầu tư cân nhắc kỹ lưỡng khi đưa ra quyết định đầu tư. Thị trường Úc, với quy mô lớn hơn và sự đa dạng của các cổ phiếu niêm yết, chứng kiến sự biến động mạnh mẽ hơn của lợi suất. Ngược lại, thị trường Việt Nam, với quy mô nhỏ hơn và sự tập trung vào một số ngành công nghiệp nhất định, có xu hướng ổn định hơn. Những khác biệt này có thể giải thích bởi các yếu tố như quy mô nền kinh tế, chính sách kinh tế, và cấu trúc thị trường của mỗi quốc gia.
4.2 Ma trận tương quan
Các hệ số tương quan giữa chuỗi lợi suất chứng khoán S&P/AXS 200 của Úc (AUS) và VNIndex của Việt Nam (VNI) được trình bày trong bảng . Các hệ số tương quan đều có giá trị dương và có ý nghĩa thống kê ở mức ý nghĩa 5%. Dùng lệnh res() để hiển thị hệ số tương quan giữa các cặp biến. Sau đó dùng round() để làm tròn đến chữ số thập phân thứ 2.
Bảng 4.2: Ma trận hệ số tương quan
res <- cor(mydata)
round(res, 2)## AUS VNI
## AUS 1.00 0.74
## VNI 0.74 1.00Nguồn: Kết quả xử lý dữ liệu từ phần mềm Rstudio
Dựa trên ma trận hệ số tương quan giữa lợi suất của thị trường chứng khoán Úc (AUS) và Việt Nam (VNI), ta có thể nhận xét rằng hai chuỗi lợi suất này có mối quan hệ tương đối chặt chẽ với nhau, với hệ số tương quan là 0.74. Hệ số này cho thấy rằng khi lợi suất của thị trường Úc tăng hoặc giảm, lợi suất của thị trường Việt Nam cũng có xu hướng di chuyển theo cùng một chiều với một mức độ khá cao. Mặc dù hệ số tương quan 0.74 chưa đạt tới mức tuyệt đối 1.00, nó vẫn thể hiện một mức độ tương quan cao, điều này có thể xuất phát từ các yếu tố kinh tế toàn cầu ảnh hưởng chung đến cả hai thị trường hoặc từ sự tương đồng trong cách mà các nhà đầu tư phản ứng trước các sự kiện kinh tế hoặc chính trị. Ta cũng có thể thấy mối tương quna giữa hai TTCK này qua các biểu đồ dưới đây:
library(corrplot)## Warning: package 'corrplot' was built under R version 4.3.3## corrplot 0.92 loadedcorrplot(res, type = "upper", order = "hclust",
tl.col = "black", tl.srt = 45)
Biểu đồ 1: Biểu đồ ma trận hệ số tương quan giữa AUS và VNI
Biểu đồ tương quan (correlation plot) giúp chúng ta có thể sự tương quan của thị trường chứng khoán Úc và thị trường chứng khoán Việt Nam. Dựa vừa mô hình thì chúng ta thấy cả 2 thị trường này có sự tương quan chặt chẽ với nhau, nhìn chung thì hệ số hồi quy dương, hai thị trường này có mối tương quan mạnh ở mức khá cao.
chart.Correlation(mydata, histogram=TRUE, pch=19)## Warning in par(usr): argument 1 does not name a graphical parameter
Biểu đồ 2: Biểu đồ ma trận hệ số tương quan giữa AUS và VNI
Một số nhận xét:
Phân phối của biến AUS (S%P/AXS 200 của Úc): 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 AUS 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 0.74 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 cũng 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.
Tuy nhiên, do hệ số tương quan chưa đạt mức 1.00, cũng có thể nhận định rằng vẫn có những khác biệt đáng kể trong cách các yếu tố đặc thù của từng thị trường tác động đến lợi suất của chúng. Điều này có nghĩa là mặc dù có mối liên hệ chặt chẽ, mỗi thị trường vẫn mang những đặc điểm riêng biệt, phản ánh những điều kiện kinh tế và chính trị khác nhau của hai quốc gia.
4.3 Các kiểm định mô hình
Để đảm bảo tính chính xác trong việc phân tích dữ liệu và ngăn ngừa tình trạng lỗi do không dừng, tác giả đã thực hiện bước điều chỉnh bổ sung cho bộ dữ liệu. Cụ thể, tác giả sử dụng hàm diff() để tính sai phân của các biến đại diện cho thị trường chứng khoán của hai quốc gia, Úc và Việt Nam. Việc áp dụng hàm diff() giúp xác định sự thay đổi liên tục giữa các khoảng thời gian, từ đó giúp làm rõ hơn sự biến động của dữ liệu và cải thiện chất lượng phân tích.
Sau khi thực hiện điều chỉnh, bộ dữ liệu sẽ chứa hai biến mới, phản ánh sự thay đổi trong các chỉ số của thị trường chứng khoán. Để nghiên cứu sâu hơn về các biến này, tác giả thực hiện các bước trực quan hóa dữ liệu thông qua việc sử dụng các biểu đồ phù hợp. Quá trình trực quan hóa không chỉ giúp đánh giá sơ bộ các chỉ số mà còn đóng vai trò quan trọng trong việc làm mịn dữ liệu. Điều này sẽ hỗ trợ chúng tôi trong việc phân tích chi tiết và đưa ra các kết luận chính xác hơn về sự biến động của thị trường chứng khoán của hai quốc gia.
4.3.1 Kiểm định phân phối chuẩn: Jarque-Bera
Chuỗi lợi suất AUS
library(tseries)
data <- read_excel("C:/NV/CMHNN/cmhnn/T.xlsx",2)
# kiểm định cho chỉ số AUS
Var1 <- diff(data$AUS)
# Kiểm định phân phối chuẩn cho AUS
print(jarque.bera.test(Var1))##
## Jarque Bera Test
##
## data: Var1
## X-squared = 4288.3, df = 2, p-value < 2.2e-16Đặt giả thiết:
H_0: Dữ liệu không tuân theo phân phối chuẩn.
H_1: Dữ liệu tuân theo phân phối chuẩn.
Kết quả của kiểm định ở mức ý nghĩa 5%, ta có giá trị X-squared = 4288.3 và p_value= 2.2e-16 < 0.05 nên bác bỏ giả thiết H_0. Kết luận rằng dữ liệu tuân theo phân phối chuẩn.
Chuỗi lợi suất VNI
# kiểm định cho chỉ số VNI
Var2 <- diff(data$VNI)
# Kiểm định phân phối chuẩn cho VNI
print(jarque.bera.test(Var2))##
## Jarque Bera Test
##
## data: Var2
## X-squared = 1006.5, df = 2, p-value < 2.2e-16Đặt giả thiết:
H_0: Dữ liệu không tuân theo phân phối chuẩn.
H_1: Dữ liệu tuân theo phân phối chuẩn.
Kết quả của kiểm định ở mức ý nghĩa 5%, ta có giá trị X-squared = 1006.5 và p_value= 2.2e-16 < 0.05 nên cũng tiến hành bác bỏ giả thiết H_0. Kết luận rằng dữ liệu tuân theo phân phối chuẩn.
4.3.2 Kiểm định tính dừng: Augmented Dickey–Fuller
Chuỗi lợi suất AUS
# KIEM DINH DUNG AUS
print(adf.test(Var1))## Warning in adf.test(Var1): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: Var1
## Dickey-Fuller = -10.518, Lag order = 11, p-value = 0.01
## alternative hypothesis: stationaryĐặt giả thiết:
H_0: Chuỗi thời gian không có tính dừng.
H_1: Chuỗi thời gian có tính dừng.
Từ kết quả kiểm định với mức ý nghĩa 5%, ta có giá trị của thống kê kiểm định về tính dừng là Dickey-Fuller = -10.518 và giá trị p-value = 0.01 < 0.05, nên ta bác bỏ giả thiết H_0 . Kết luận rằng chuỗi thời gian có tính dừng.
Chuỗi lợi suất VNI
# KIEM DINH DUNG VNI
print(adf.test(Var2))## Warning in adf.test(Var2): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: Var2
## Dickey-Fuller = -11.442, Lag order = 11, p-value = 0.01
## alternative hypothesis: stationaryĐặt giả thiết:
H_0: Chuỗi thời gian không có tính dừng.
H_1: Chuỗi thời gian có tính dừng.
Từ kết quả kiểm định với mức ý nghĩa 5%, ta có giá trị của thống kê kiểm định về tính dừng là Dickey-Fuller = -11.442 và giá trị p-value = 0.01 < 0.05, nên ta bác bỏ giả thiết H_0 . Kết luận rằng chuỗi thời gian có tính dừng.
4.3.3 Kiểm định tương quan chuỗi: Ljung-Box
Chuỗi lợi suất AUS
library(stats)
result1 <- Box.test(Var1, lag = 10, type = "Ljung-Box")
print(result1)##
## Box-Ljung test
##
## data: Var1
## X-squared = 54.505, df = 10, p-value = 3.906e-08Đặt giả thiết:
H_0: Không có tương quan chuỗi Ljung-Box.
H_1: Có tương quan chuỗi Ljung-Box.
Với mức ý nghĩa 5%, ta có giá trị của thống kê kiểm định X-squared = 54.505 và giá trị p-value = 3.906e-08 < 0.05, bác bỏ giả thiết không có sự tự tương quan, chấp nhận giả thiết có sự tương quan.
Chuỗi lợi suất VNI
result2 <- Box.test(Var2, lag = 10, type = "Ljung-Box")
print(result2)##
## Box-Ljung test
##
## data: Var2
## X-squared = 10.889, df = 10, p-value = 0.3663Đặt giả thiết:
H_0: Không có tương quan chuỗi Ljung-Box.
H_1: Có tương quan chuỗi Ljung-Box.
Với mức ý nghĩa 5%, ta có giá trị của thống kê kiểm định X-squared = 10.889 và giá trị p-value = 0.3663 > 0.05, bác bỏ giả thiết H_1 có sự tự tương quan, chấp nhận giả thiết H_0. Kết luận chuỗi lợi suất VNI không có sự tương quan.
4.4 Kết quả ước lượng mức độ phản ứng của TTCK Việt Nam đối với TTCK Úc
Trong phần này, tác giả tập trung xác định mức độ phụ thuộc và cấu trúc phụ thuộc giữa hai thị trường để chỉ ra mức độ phản ứng của TTCK Việt Nam đối với biến động của TTCK Úc trong toàn giai đoạn nghiên cứu.
4.4.1 Các dạng mô hình GJR-GARCH cho hai mã chứng khoán
4.4.1.1 Mã chứng khoán AUS
GJR-GARCH(11)AUS
- GJR-GARCH(11)AUS với phân phối chuẩn
require(forecast)## Loading required package: forecast## Warning: package 'forecast' was built under R version 4.3.3require(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:purrr':
##
## reduce## The following object is masked from 'package:stats':
##
## sigmaAUS11n.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "norm")
print(AUS11n <- ugarchfit(spec = AUS11n.spec, diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,1)
## Mean Model : ARFIMA(1,0,0)
## Distribution : norm
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -3.963862 1.326714 -2.98773 0.002811
## ar1 -0.055804 0.027140 -2.05616 0.039767
## omega 106.291164 33.371576 3.18508 0.001447
## alpha1 0.008237 0.012333 0.66789 0.504204
## beta1 0.887617 0.021429 41.42103 0.000000
## gamma1 0.188633 0.029537 6.38628 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -3.963862 1.281020 -3.09430 0.001973
## ar1 -0.055804 0.029511 -1.89099 0.058626
## omega 106.291164 52.729466 2.01578 0.043823
## alpha1 0.008237 0.018382 0.44811 0.654073
## beta1 0.887617 0.033209 26.72811 0.000000
## gamma1 0.188633 0.040506 4.65693 0.000003
##
## LogLikelihood : -8142.802
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.982
## Bayes 11.004
## Shibata 10.982
## Hannan-Quinn 10.990
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.1394 0.7089
## Lag[2*(p+q)+(p+q)-1][2] 0.1567 0.9996
## Lag[4*(p+q)+(p+q)-1][5] 0.9283 0.9570
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.512 0.2188
## Lag[2*(p+q)+(p+q)-1][5] 2.036 0.6101
## Lag[4*(p+q)+(p+q)-1][9] 3.244 0.7181
## d.o.f=2
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 0.006929 0.500 2.000 0.9337
## ARCH Lag[5] 1.349438 1.440 1.667 0.6328
## ARCH Lag[7] 2.170930 2.315 1.543 0.6811
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 1.6236
## Individual Statistics:
## mu 0.1157
## ar1 0.3124
## omega 0.4161
## alpha1 0.3517
## beta1 0.3946
## gamma1 0.1538
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 1.49 1.68 2.12
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.06607 0.9473
## Negative Sign Bias 0.76361 0.4452
## Positive Sign Bias 0.96052 0.3370
## Joint Effect 1.50603 0.6809
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 41.18 0.0022871
## 2 30 61.77 0.0003703
## 3 40 64.14 0.0068042
## 4 50 76.31 0.0075087
##
##
## Elapsed time : 0.5424659- GJR-GARCH(11)AUS với phân phối Student t
AUS11t.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "std")
print(AUS11t <- ugarchfit(spec = AUS11t.spec,diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,1)
## Mean Model : ARFIMA(1,0,0)
## Distribution : std
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -5.236905 1.240935 -4.2201 0.000024
## ar1 -0.056683 0.026132 -2.1691 0.030073
## omega 98.887944 40.538539 2.4394 0.014713
## alpha1 0.016916 0.016726 1.0114 0.311844
## beta1 0.878758 0.027042 32.4966 0.000000
## gamma1 0.206652 0.036736 5.6254 0.000000
## shape 6.621235 1.069177 6.1928 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -5.236905 1.145314 -4.57246 0.000005
## ar1 -0.056683 0.026916 -2.10594 0.035210
## omega 98.887944 56.012930 1.76545 0.077488
## alpha1 0.016916 0.022146 0.76385 0.444956
## beta1 0.878758 0.038638 22.74336 0.000000
## gamma1 0.206652 0.042882 4.81914 0.000001
## shape 6.621235 1.084208 6.10698 0.000000
##
## LogLikelihood : -8111.99
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.942
## Bayes 10.967
## Shibata 10.942
## Hannan-Quinn 10.951
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.09210 0.7615
## Lag[2*(p+q)+(p+q)-1][2] 0.09546 0.9999
## Lag[4*(p+q)+(p+q)-1][5] 0.78865 0.9734
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.9128 0.3394
## Lag[2*(p+q)+(p+q)-1][5] 1.9800 0.6232
## Lag[4*(p+q)+(p+q)-1][9] 3.9251 0.6016
## d.o.f=2
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 0.1457 0.500 2.000 0.7026
## ARCH Lag[5] 2.3155 1.440 1.667 0.4056
## ARCH Lag[7] 3.5809 2.315 1.543 0.4110
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 2.7467
## Individual Statistics:
## mu 0.1358
## ar1 0.4027
## omega 0.9390
## alpha1 0.7969
## beta1 0.9275
## gamma1 0.5380
## shape 0.8903
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 1.69 1.9 2.35
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.01193 0.9905
## Negative Sign Bias 0.39385 0.6937
## Positive Sign Bias 0.47119 0.6376
## Joint Effect 0.37879 0.9446
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 18.86 0.466034
## 2 30 50.89 0.007226
## 3 40 46.24 0.198038
## 4 50 51.04 0.393388
##
##
## Elapsed time : 0.9537871- GJR-GARCH(11)AUS với phân phối Student’s t đối xứng
AUS11st.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "sstd")
print(AUS11st <- ugarchfit(spec = AUS11st.spec,diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,1)
## Mean Model : ARFIMA(1,0,0)
## Distribution : sstd
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -3.794583 1.319545 -2.87567 0.004032
## ar1 -0.050729 0.025638 -1.97865 0.047855
## omega 91.154548 38.125757 2.39089 0.016808
## alpha1 0.008577 0.015485 0.55388 0.579662
## beta1 0.890606 0.026299 33.86431 0.000000
## gamma1 0.190226 0.033457 5.68565 0.000000
## skew 1.141078 0.043051 26.50556 0.000000
## shape 6.743857 1.094111 6.16378 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -3.794583 1.269275 -2.98957 0.002794
## ar1 -0.050729 0.026850 -1.88936 0.058843
## omega 91.154548 54.803612 1.66329 0.096253
## alpha1 0.008577 0.021637 0.39639 0.691813
## beta1 0.890606 0.039220 22.70824 0.000000
## gamma1 0.190226 0.040845 4.65721 0.000003
## skew 1.141078 0.047516 24.01447 0.000000
## shape 6.743857 1.154687 5.84042 0.000000
##
## LogLikelihood : -8105.878
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.935
## Bayes 10.964
## Shibata 10.935
## Hannan-Quinn 10.946
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.2652 0.6066
## Lag[2*(p+q)+(p+q)-1][2] 0.2757 0.9958
## Lag[4*(p+q)+(p+q)-1][5] 1.0210 0.9436
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.413 0.2346
## Lag[2*(p+q)+(p+q)-1][5] 2.035 0.6103
## Lag[4*(p+q)+(p+q)-1][9] 3.402 0.6912
## d.o.f=2
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 0.03017 0.500 2.000 0.8621
## ARCH Lag[5] 1.54895 1.440 1.667 0.5795
## ARCH Lag[7] 2.45830 2.315 1.543 0.6210
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 2.6907
## Individual Statistics:
## mu 0.14045
## ar1 0.39766
## omega 0.95448
## alpha1 0.75809
## beta1 0.88103
## gamma1 0.55794
## skew 0.04781
## shape 0.74066
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 1.89 2.11 2.59
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.06302 0.9498
## Negative Sign Bias 0.70559 0.4806
## Positive Sign Bias 0.76979 0.4415
## Joint Effect 1.09741 0.7777
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 8.911 0.9749
## 2 30 19.558 0.9061
## 3 40 30.178 0.8435
## 4 50 42.887 0.7181
##
##
## Elapsed time : 1.47304- GJR-GARCH(11)AUS với phân phối Generalized Error Distributtion (GED)
AUS11g.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "ged")
print(AUS11g <- ugarchfit(spec = AUS11g.spec,diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,1)
## Mean Model : ARFIMA(1,0,0)
## Distribution : ged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -5.427477 1.250847 -4.33904 0.000014
## ar1 -0.068362 0.026076 -2.62161 0.008752
## omega 103.814396 38.254697 2.71377 0.006652
## alpha1 0.014379 0.015492 0.92812 0.353345
## beta1 0.880634 0.025618 34.37494 0.000000
## gamma1 0.203854 0.036946 5.51760 0.000000
## shape 1.411223 0.069411 20.33152 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -5.427477 1.181875 -4.5923 0.000004
## ar1 -0.068362 0.027149 -2.5181 0.011801
## omega 103.814396 50.184981 2.0686 0.038580
## alpha1 0.014379 0.019098 0.7529 0.451511
## beta1 0.880634 0.034033 25.8760 0.000000
## gamma1 0.203854 0.043700 4.6649 0.000003
## shape 1.411223 0.079904 17.6614 0.000000
##
## LogLikelihood : -8116.885
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.949
## Bayes 10.974
## Shibata 10.949
## Hannan-Quinn 10.958
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.00927 0.9233
## Lag[2*(p+q)+(p+q)-1][2] 0.01280 1.0000
## Lag[4*(p+q)+(p+q)-1][5] 0.73422 0.9786
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.171 0.2792
## Lag[2*(p+q)+(p+q)-1][5] 2.066 0.6028
## Lag[4*(p+q)+(p+q)-1][9] 3.813 0.6206
## d.o.f=2
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 0.07755 0.500 2.000 0.7806
## ARCH Lag[5] 2.05188 1.440 1.667 0.4599
## ARCH Lag[7] 3.20807 2.315 1.543 0.4752
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 2.7138
## Individual Statistics:
## mu 0.0906
## ar1 0.3438
## omega 0.6228
## alpha1 0.5117
## beta1 0.5781
## gamma1 0.2352
## shape 0.5549
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 1.69 1.9 2.35
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.1617 0.8716
## Negative Sign Bias 0.3796 0.7043
## Positive Sign Bias 0.7134 0.4757
## Joint Effect 0.6541 0.8840
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 23.84 0.20222
## 2 30 48.55 0.01289
## 3 40 53.25 0.06374
## 4 50 62.90 0.08760
##
##
## Elapsed time : 1.113803- GJR-GARCH(11)AUS với phân phối Generalized Error Distributtion đối xứng
AUS11sg.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "sged")
print(AUS11sg <- ugarchfit(spec = AUS11sg.spec,diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,1)
## Mean Model : ARFIMA(1,0,0)
## Distribution : sged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -3.957830 1.253484 -3.15746 0.001591
## ar1 -0.063492 0.023920 -2.65435 0.007946
## omega 100.111014 37.076051 2.70015 0.006931
## alpha1 0.007343 0.014510 0.50605 0.612819
## beta1 0.890877 0.025081 35.51937 0.000000
## gamma1 0.185068 0.032998 5.60839 0.000000
## skew 1.132946 0.038778 29.21582 0.000000
## shape 1.406118 0.068448 20.54289 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -3.957830 1.122797 -3.52497 0.000424
## ar1 -0.063492 0.024420 -2.59998 0.009323
## omega 100.111014 50.104132 1.99806 0.045710
## alpha1 0.007343 0.018608 0.39461 0.693132
## beta1 0.890877 0.033872 26.30101 0.000000
## gamma1 0.185068 0.039626 4.67037 0.000003
## skew 1.132946 0.047386 23.90876 0.000000
## shape 1.406118 0.080295 17.51194 0.000000
##
## LogLikelihood : -8110.535
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.941
## Bayes 10.970
## Shibata 10.941
## Hannan-Quinn 10.952
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.008287 0.9275
## Lag[2*(p+q)+(p+q)-1][2] 0.021069 1.0000
## Lag[4*(p+q)+(p+q)-1][5] 0.800471 0.9722
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.655 0.1982
## Lag[2*(p+q)+(p+q)-1][5] 2.162 0.5807
## Lag[4*(p+q)+(p+q)-1][9] 3.331 0.7032
## d.o.f=2
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 0.002683 0.500 2.000 0.9587
## ARCH Lag[5] 1.306190 1.440 1.667 0.6447
## ARCH Lag[7] 2.102210 2.315 1.543 0.6957
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 2.6717
## Individual Statistics:
## mu 0.10297
## ar1 0.35434
## omega 0.66746
## alpha1 0.56361
## beta1 0.61107
## gamma1 0.31518
## skew 0.05258
## shape 0.38341
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 1.89 2.11 2.59
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.09842 0.9216
## Negative Sign Bias 0.73960 0.4597
## Positive Sign Bias 1.01266 0.3114
## Joint Effect 1.57267 0.6656
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 20.93 0.3405
## 2 30 33.30 0.2656
## 3 40 41.07 0.3801
## 4 50 50.50 0.4140
##
##
## Elapsed time : 2.463742Tương tự, ta cũng sẽ chạy các phân phối cho GJR-GARCH(12), GJR-GARCH(21), GJR-GARCH(22) của mã chứng khoán Úc.
GJR-GARCH(12)AUS
#GJR-GARCH(11)AUS với phân phối chuẩn
AUS12n.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "norm")
print(AUS12n <- ugarchfit(spec = AUS12n.spec, data = diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,2)
## Mean Model : ARFIMA(1,0,0)
## Distribution : norm
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -3.958366 1.327100 -2.982719 0.002857
## ar1 -0.055724 0.027232 -2.046251 0.040732
## omega 106.842367 43.064213 2.481001 0.013101
## alpha1 0.008414 0.013473 0.624489 0.532306
## beta1 0.887276 0.275704 3.218223 0.001290
## beta2 0.000003 0.245345 0.000012 0.999990
## gamma1 0.188590 0.051779 3.642185 0.000270
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -3.958366 1.282959 -3.085341 0.002033
## ar1 -0.055724 0.029407 -1.894930 0.058102
## omega 106.842367 61.428260 1.739303 0.081981
## alpha1 0.008414 0.021365 0.393821 0.693713
## beta1 0.887276 0.270738 3.277247 0.001048
## beta2 0.000003 0.233346 0.000013 0.999990
## gamma1 0.188590 0.050795 3.712740 0.000205
##
## LogLikelihood : -8142.923
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.984
## Bayes 11.009
## Shibata 10.984
## Hannan-Quinn 10.993
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.1447 0.7036
## Lag[2*(p+q)+(p+q)-1][2] 0.1624 0.9995
## Lag[4*(p+q)+(p+q)-1][5] 0.9430 0.9550
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.503 0.2202
## Lag[2*(p+q)+(p+q)-1][8] 3.013 0.6831
## Lag[4*(p+q)+(p+q)-1][14] 4.592 0.8181
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.5178 0.500 2.000 0.4718
## ARCH Lag[6] 2.5148 1.461 1.711 0.3875
## ARCH Lag[8] 2.6762 2.368 1.583 0.6056
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 1.7314
## Individual Statistics:
## mu 0.1162
## ar1 0.3132
## omega 0.4169
## alpha1 0.3516
## beta1 0.3950
## beta2 0.4110
## gamma1 0.1541
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 1.69 1.9 2.35
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.06798 0.9458
## Negative Sign Bias 0.76188 0.4463
## Positive Sign Bias 0.95850 0.3380
## Joint Effect 1.49964 0.6824
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 41.77 0.0019046
## 2 30 62.46 0.0003027
## 3 40 65.87 0.0045644
## 4 50 77.73 0.0055716
##
##
## Elapsed time : 0.534302#GJR-GARCH(11)AUS với phân phối Student t
AUS12t.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "std")
print(AUS12t <- ugarchfit(spec = AUS12t.spec, data = diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,2)
## Mean Model : ARFIMA(1,0,0)
## Distribution : std
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -5.251680 1.242411 -4.2270 0.000024
## ar1 -0.055809 0.026344 -2.1185 0.034134
## omega 135.000306 55.302703 2.4411 0.014642
## alpha1 0.022164 0.020648 1.0734 0.283079
## beta1 0.425712 0.212886 1.9997 0.045531
## beta2 0.408301 0.196672 2.0761 0.037889
## gamma1 0.285644 0.060516 4.7202 0.000002
## shape 6.563429 1.046911 6.2693 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -5.251680 1.144919 -4.58694 0.000004
## ar1 -0.055809 0.026716 -2.08899 0.036709
## omega 135.000306 71.341571 1.89231 0.058450
## alpha1 0.022164 0.025343 0.87456 0.381815
## beta1 0.425712 0.203751 2.08938 0.036674
## beta2 0.408301 0.193851 2.10626 0.035181
## gamma1 0.285644 0.065130 4.38579 0.000012
## shape 6.563429 1.049947 6.25120 0.000000
##
## LogLikelihood : -8111.488
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.943
## Bayes 10.971
## Shibata 10.943
## Hannan-Quinn 10.953
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.0730 0.7870
## Lag[2*(p+q)+(p+q)-1][2] 0.0745 1.0000
## Lag[4*(p+q)+(p+q)-1][5] 0.7534 0.9768
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.2862 0.5927
## Lag[2*(p+q)+(p+q)-1][8] 2.4388 0.7866
## Lag[4*(p+q)+(p+q)-1][14] 4.2247 0.8580
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.6903 0.500 2.000 0.4061
## ARCH Lag[6] 3.3675 1.461 1.711 0.2575
## ARCH Lag[8] 3.5664 2.368 1.583 0.4433
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 2.7278
## Individual Statistics:
## mu 0.1405
## ar1 0.3752
## omega 0.8972
## alpha1 0.6998
## beta1 0.8747
## beta2 0.9022
## gamma1 0.5972
## shape 0.8843
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 1.89 2.11 2.59
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.06847 0.9454
## Negative Sign Bias 0.18829 0.8507
## Positive Sign Bias 0.39320 0.6942
## Joint Effect 0.43183 0.9336
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 21.77 0.29594
## 2 30 47.78 0.01549
## 3 40 48.18 0.14870
## 4 50 65.06 0.06200
##
##
## Elapsed time : 1.028876#GJR-GARCH(12)AUS với phân phối Student's t đối xứng
AUS12st.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "sstd")
print(AUS12st <- ugarchfit(spec = AUS12st.spec, data = diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,2)
## Mean Model : ARFIMA(1,0,0)
## Distribution : sstd
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -3.773261 1.322464 -2.8532 0.004328
## ar1 -0.052343 0.025736 -2.0338 0.041968
## omega 124.030504 51.971628 2.3865 0.017009
## alpha1 0.011050 0.019331 0.5716 0.567593
## beta1 0.437354 0.218361 2.0029 0.045189
## beta2 0.412819 0.203697 2.0266 0.042700
## gamma1 0.262520 0.055374 4.7409 0.000002
## skew 1.141189 0.043183 26.4269 0.000000
## shape 6.682283 1.073987 6.2219 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -3.773261 1.273531 -2.96283 0.003048
## ar1 -0.052343 0.026404 -1.98238 0.047437
## omega 124.030504 69.710494 1.77922 0.075203
## alpha1 0.011050 0.025275 0.43719 0.661973
## beta1 0.437354 0.205144 2.13194 0.033012
## beta2 0.412819 0.198635 2.07828 0.037684
## gamma1 0.262520 0.060811 4.31699 0.000016
## skew 1.141189 0.047771 23.88870 0.000000
## shape 6.682283 1.122912 5.95085 0.000000
##
## LogLikelihood : -8105.412
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.936
## Bayes 10.968
## Shibata 10.936
## Hannan-Quinn 10.948
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.1602 0.6889
## Lag[2*(p+q)+(p+q)-1][2] 0.1667 0.9994
## Lag[4*(p+q)+(p+q)-1][5] 0.9025 0.9603
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.7233 0.3951
## Lag[2*(p+q)+(p+q)-1][8] 2.1998 0.8271
## Lag[4*(p+q)+(p+q)-1][14] 3.7472 0.9031
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.3856 0.500 2.000 0.5346
## ARCH Lag[6] 2.3988 1.461 1.711 0.4090
## ARCH Lag[8] 2.5587 2.368 1.583 0.6288
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 2.7058
## Individual Statistics:
## mu 0.14402
## ar1 0.37604
## omega 0.91424
## alpha1 0.66246
## beta1 0.82813
## beta2 0.84750
## gamma1 0.60427
## skew 0.05015
## shape 0.74039
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.1 2.32 2.82
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.04728 0.9623
## Negative Sign Bias 0.08402 0.9330
## Positive Sign Bias 0.80046 0.4236
## Joint Effect 0.93159 0.8178
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 10.39 0.9426
## 2 30 24.33 0.7126
## 3 40 24.57 0.9653
## 4 50 37.36 0.8879
##
##
## Elapsed time : 2.313808#GJR-GARCH(12)AUS với phân phối Generalized Error Distributtion (GED)
AUS12g.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "ged")
print(AUS12g <- ugarchfit(spec = AUS12g.spec, data = diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,2)
## Mean Model : ARFIMA(1,0,0)
## Distribution : ged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -5.441529 1.268426 -4.2900 0.000018
## ar1 -0.067292 0.027531 -2.4442 0.014517
## omega 135.955458 52.981885 2.5661 0.010286
## alpha1 0.020254 0.019135 1.0585 0.289830
## beta1 0.480591 0.293878 1.6353 0.101978
## beta2 0.359591 0.268460 1.3395 0.180421
## gamma1 0.273385 0.069788 3.9174 0.000090
## shape 1.408094 0.069051 20.3921 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -5.441529 1.207626 -4.50597 0.000007
## ar1 -0.067292 0.029463 -2.28395 0.022375
## omega 135.955458 63.717374 2.13373 0.032865
## alpha1 0.020254 0.022091 0.91685 0.359219
## beta1 0.480591 0.317475 1.51379 0.130079
## beta2 0.359591 0.294238 1.22211 0.221666
## gamma1 0.273385 0.076175 3.58892 0.000332
## shape 1.408094 0.079002 17.82347 0.000000
##
## LogLikelihood : -8116.7
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.950
## Bayes 10.978
## Shibata 10.950
## Hannan-Quinn 10.960
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.01244 0.9112
## Lag[2*(p+q)+(p+q)-1][2] 0.01382 1.0000
## Lag[4*(p+q)+(p+q)-1][5] 0.71518 0.9802
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.4465 0.5040
## Lag[2*(p+q)+(p+q)-1][8] 2.4926 0.7772
## Lag[4*(p+q)+(p+q)-1][14] 4.2152 0.8590
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.7072 0.500 2.000 0.4004
## ARCH Lag[6] 3.2735 1.461 1.711 0.2696
## ARCH Lag[8] 3.4680 2.368 1.583 0.4598
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 2.7454
## Individual Statistics:
## mu 0.09322
## ar1 0.32526
## omega 0.58734
## alpha1 0.43410
## beta1 0.51517
## beta2 0.54075
## gamma1 0.23408
## shape 0.55708
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 1.89 2.11 2.59
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.1475 0.8827
## Negative Sign Bias 0.1920 0.8478
## Positive Sign Bias 0.5974 0.5504
## Joint Effect 0.4998 0.9189
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 25.97 0.130942
## 2 30 54.05 0.003196
## 3 40 56.05 0.037700
## 4 50 70.04 0.025847
##
##
## Elapsed time : 1.933913#GJR-GARCH(12)AUS với phân phối Generalized Error Distributtion đối xứng
AUS12sg.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "sged")
print(AUS12sg <- ugarchfit(spec = AUS12sg.spec, data = diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,2)
## Mean Model : ARFIMA(1,0,0)
## Distribution : sged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -3.959479 1.319288 -3.00122 0.002689
## ar1 -0.064056 0.025746 -2.48803 0.012845
## omega 130.292136 47.749464 2.72866 0.006359
## alpha1 0.010924 0.018302 0.59691 0.550567
## beta1 0.486009 0.120605 4.02976 0.000056
## beta2 0.367661 0.110487 3.32764 0.000876
## gamma1 0.248704 0.039851 6.24084 0.000000
## skew 1.133516 0.039317 28.83015 0.000000
## shape 1.403335 0.067997 20.63834 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -3.959479 1.276727 -3.10127 0.001927
## ar1 -0.064056 0.027971 -2.29008 0.022017
## omega 130.292136 66.830869 1.94958 0.051226
## alpha1 0.010924 0.023023 0.47449 0.635148
## beta1 0.486009 0.058153 8.35737 0.000000
## beta2 0.367661 0.051127 7.19107 0.000000
## gamma1 0.248704 0.053083 4.68523 0.000003
## skew 1.133516 0.049840 22.74311 0.000000
## shape 1.403335 0.079425 17.66871 0.000000
##
## LogLikelihood : -8110.328
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.942
## Bayes 10.975
## Shibata 10.942
## Hannan-Quinn 10.954
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.000377 0.9845
## Lag[2*(p+q)+(p+q)-1][2] 0.008040 1.0000
## Lag[4*(p+q)+(p+q)-1][5] 0.769630 0.9753
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.8698 0.3510
## Lag[2*(p+q)+(p+q)-1][8] 2.2391 0.8206
## Lag[4*(p+q)+(p+q)-1][14] 3.7337 0.9042
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.3809 0.500 2.000 0.5371
## ARCH Lag[6] 2.2347 1.461 1.711 0.4412
## ARCH Lag[8] 2.4060 2.368 1.583 0.6594
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 2.7715
## Individual Statistics:
## mu 0.10442
## ar1 0.34174
## omega 0.64494
## alpha1 0.48310
## beta1 0.55318
## beta2 0.57096
## gamma1 0.30984
## skew 0.05167
## shape 0.38913
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.1 2.32 2.82
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.09092 0.9276
## Negative Sign Bias 0.14988 0.8809
## Positive Sign Bias 0.95089 0.3418
## Joint Effect 1.07717 0.7826
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 22.55 0.25775
## 2 30 46.04 0.02325
## 3 40 46.78 0.18329
## 4 50 44.44 0.65842
##
##
## Elapsed time : 4.448505GJR-GARCH(21)AUS
#GJR-GARCH(21)AUS với phân phối chuẩn
AUS21n.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "norm")
print(AUS21n <- ugarchfit(spec = AUS21n.spec, data = diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,1)
## Mean Model : ARFIMA(1,0,0)
## Distribution : norm
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -3.959399 1.324796 -2.988686 0.002802
## ar1 -0.057465 0.027610 -2.081338 0.037403
## omega 109.841099 38.992204 2.817002 0.004847
## alpha1 0.008794 0.018542 0.474253 0.635320
## alpha2 0.000000 0.022948 0.000001 1.000000
## beta1 0.884361 0.026520 33.347259 0.000000
## gamma1 0.161748 0.059655 2.711406 0.006700
## gamma2 0.031263 0.062040 0.503912 0.614323
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -3.959399 1.282386 -3.08752 0.002018
## ar1 -0.057465 0.031456 -1.82683 0.067725
## omega 109.841099 67.425181 1.62908 0.103296
## alpha1 0.008794 0.023211 0.37885 0.704796
## alpha2 0.000000 0.038571 0.00000 1.000000
## beta1 0.884361 0.047698 18.54069 0.000000
## gamma1 0.161748 0.063930 2.53008 0.011404
## gamma2 0.031263 0.063529 0.49210 0.622648
##
## LogLikelihood : -8142.8
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.985
## Bayes 11.013
## Shibata 10.985
## Hannan-Quinn 10.996
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.1228 0.7261
## Lag[2*(p+q)+(p+q)-1][2] 0.1408 0.9997
## Lag[4*(p+q)+(p+q)-1][5] 0.9294 0.9568
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.760 0.1847
## Lag[2*(p+q)+(p+q)-1][8] 3.362 0.6191
## Lag[4*(p+q)+(p+q)-1][14] 4.957 0.7749
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.5913 0.500 2.000 0.4419
## ARCH Lag[6] 2.6568 1.461 1.711 0.3625
## ARCH Lag[8] 2.8286 2.368 1.583 0.5760
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 2.3691
## Individual Statistics:
## mu 0.1171
## ar1 0.3234
## omega 0.4226
## alpha1 0.3595
## alpha2 0.2559
## beta1 0.4063
## gamma1 0.1582
## gamma2 0.1452
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 1.89 2.11 2.59
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.06427 0.9488
## Negative Sign Bias 1.00240 0.3163
## Positive Sign Bias 0.93568 0.3496
## Joint Effect 1.92408 0.5883
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 41.23 0.0022495
## 2 30 61.89 0.0003574
## 3 40 65.70 0.0047407
## 4 50 79.81 0.0035435
##
##
## Elapsed time : 0.765542#GJR-GARCH(21)AUS với phân phối Student t
AUS21t.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "std")
print(AUS21t <- ugarchfit(spec = AUS21t.spec, data =diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,1)
## Mean Model : ARFIMA(1,0,0)
## Distribution : std
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -5.228211 1.241377 -4.211621 0.000025
## ar1 -0.056354 0.026387 -2.135648 0.032708
## omega 97.605083 44.445357 2.196069 0.028087
## alpha1 0.016761 0.026983 0.621146 0.534504
## alpha2 0.000000 0.031155 0.000002 0.999998
## beta1 0.879942 0.032186 27.339614 0.000000
## gamma1 0.216168 0.080200 2.695366 0.007031
## gamma2 -0.011573 0.080395 -0.143956 0.885535
## shape 6.605235 1.089410 6.063130 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -5.228211 1.143242 -4.573143 0.000005
## ar1 -0.056354 0.027156 -2.075230 0.037965
## omega 97.605083 67.758076 1.440494 0.149728
## alpha1 0.016761 0.027029 0.620097 0.535194
## alpha2 0.000000 0.043190 0.000001 0.999999
## beta1 0.879942 0.052465 16.772028 0.000000
## gamma1 0.216168 0.071286 3.032385 0.002426
## gamma2 -0.011573 0.071342 -0.162222 0.871131
## shape 6.605235 1.107161 5.965919 0.000000
##
## LogLikelihood : -8112.037
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.945
## Bayes 10.977
## Shibata 10.945
## Hannan-Quinn 10.957
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.09375 0.7595
## Lag[2*(p+q)+(p+q)-1][2] 0.09709 0.9999
## Lag[4*(p+q)+(p+q)-1][5] 0.79703 0.9725
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.864 0.3526
## Lag[2*(p+q)+(p+q)-1][8] 3.446 0.6039
## Lag[4*(p+q)+(p+q)-1][14] 5.441 0.7132
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.9797 0.500 2.000 0.3223
## ARCH Lag[6] 3.9119 1.461 1.711 0.1968
## ARCH Lag[8] 4.1993 2.368 1.583 0.3468
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 3.2742
## Individual Statistics:
## mu 0.1375
## ar1 0.3997
## omega 0.9420
## alpha1 0.8008
## alpha2 0.7238
## beta1 0.9251
## gamma1 0.5462
## gamma2 0.4961
## shape 0.8852
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.1 2.32 2.82
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.01195 0.9905
## Negative Sign Bias 0.32044 0.7487
## Positive Sign Bias 0.47977 0.6315
## Joint Effect 0.34277 0.9518
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 19.61 0.418265
## 2 30 53.84 0.003372
## 3 40 45.33 0.224983
## 4 50 51.65 0.370768
##
##
## Elapsed time : 1.479019#GJR-GARCH(21)AUS với phân phối Student's t đối xứng
AUS21st.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "sstd")
print(AUS21st <- ugarchfit(spec = AUS21st.spec, data = diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,1)
## Mean Model : ARFIMA(1,0,0)
## Distribution : sstd
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -3.780879 1.321981 -2.86001 0.004236
## ar1 -0.050824 0.025657 -1.98087 0.047605
## omega 90.505534 42.798785 2.11468 0.034458
## alpha1 0.008522 0.026193 0.32536 0.744911
## alpha2 0.000000 0.029899 0.00000 1.000000
## beta1 0.891679 0.031790 28.04867 0.000000
## gamma1 0.204502 0.074380 2.74943 0.005970
## gamma2 -0.016269 0.075545 -0.21535 0.829493
## skew 1.141766 0.043114 26.48247 0.000000
## shape 6.712197 1.116891 6.00972 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -3.780879 1.268776 -2.97994 0.002883
## ar1 -0.050824 0.026937 -1.88675 0.059193
## omega 90.505534 68.730680 1.31681 0.187901
## alpha1 0.008522 0.027199 0.31332 0.754040
## alpha2 0.000000 0.042211 0.00000 1.000000
## beta1 0.891679 0.054436 16.38025 0.000000
## gamma1 0.204502 0.064968 3.14773 0.001645
## gamma2 -0.016269 0.067457 -0.24117 0.809422
## skew 1.141766 0.047533 24.02042 0.000000
## shape 6.712197 1.178016 5.69788 0.000000
##
## LogLikelihood : -8105.885
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.938
## Bayes 10.974
## Shibata 10.938
## Hannan-Quinn 10.951
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.2508 0.6165
## Lag[2*(p+q)+(p+q)-1][2] 0.2610 0.9966
## Lag[4*(p+q)+(p+q)-1][5] 1.0117 0.9451
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.298 0.2547
## Lag[2*(p+q)+(p+q)-1][8] 2.970 0.6909
## Lag[4*(p+q)+(p+q)-1][14] 4.625 0.8143
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.5728 0.500 2.000 0.4492
## ARCH Lag[6] 2.7470 1.461 1.711 0.3474
## ARCH Lag[8] 2.9218 2.368 1.583 0.5582
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 3.2347
## Individual Statistics:
## mu 0.14196
## ar1 0.39171
## omega 0.94221
## alpha1 0.74962
## alpha2 0.67729
## beta1 0.86690
## gamma1 0.55337
## gamma2 0.51322
## skew 0.04808
## shape 0.73642
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.29 2.54 3.05
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.05724 0.9544
## Negative Sign Bias 0.58271 0.5602
## Positive Sign Bias 0.78674 0.4316
## Joint Effect 0.98941 0.8038
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 8.237 0.9841
## 2 30 18.830 0.9256
## 3 40 27.536 0.9155
## 4 50 37.698 0.8800
##
##
## Elapsed time : 2.44983#GJR-GARCH(21)AUS với phân phối Generalized Error Distributtion (GED)
AUS21g.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "ged")
print(AUS21g <- ugarchfit(spec = AUS21g.spec, data = diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,1)
## Mean Model : ARFIMA(1,0,0)
## Distribution : ged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -5.414396 1.279074 -4.233058 0.000023
## ar1 -0.068721 0.027420 -2.506287 0.012201
## omega 103.919918 42.614792 2.438588 0.014745
## alpha1 0.014498 0.023777 0.609771 0.542014
## alpha2 0.000000 0.028553 0.000000 1.000000
## beta1 0.880209 0.030887 28.497402 0.000000
## gamma1 0.197224 0.078554 2.510677 0.012050
## gamma2 0.007187 0.079527 0.090375 0.927990
## shape 1.410988 0.070471 20.022121 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -5.414396 1.230293 -4.40090 0.000011
## ar1 -0.068721 0.030103 -2.28286 0.022439
## omega 103.919918 61.042646 1.70242 0.088678
## alpha1 0.014498 0.023508 0.61675 0.537403
## alpha2 0.000000 0.038831 0.00000 1.000000
## beta1 0.880209 0.046916 18.76144 0.000000
## gamma1 0.197224 0.069614 2.83309 0.004610
## gamma2 0.007187 0.068856 0.10438 0.916868
## shape 1.410988 0.080622 17.50132 0.000000
##
## LogLikelihood : -8116.952
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.951
## Bayes 10.984
## Shibata 10.951
## Hannan-Quinn 10.963
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.009904 0.9207
## Lag[2*(p+q)+(p+q)-1][2] 0.013514 1.0000
## Lag[4*(p+q)+(p+q)-1][5] 0.745550 0.9775
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.218 0.2697
## Lag[2*(p+q)+(p+q)-1][8] 3.558 0.5837
## Lag[4*(p+q)+(p+q)-1][14] 5.412 0.7170
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.9239 0.500 2.000 0.3364
## ARCH Lag[6] 3.6680 1.461 1.711 0.2221
## ARCH Lag[8] 3.9179 2.368 1.583 0.3876
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 3.3963
## Individual Statistics:
## mu 0.09053
## ar1 0.34535
## omega 0.62893
## alpha1 0.51511
## alpha2 0.41191
## beta1 0.58062
## gamma1 0.23749
## gamma2 0.21235
## shape 0.55190
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.1 2.32 2.82
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.1634 0.8703
## Negative Sign Bias 0.4269 0.6695
## Positive Sign Bias 0.7084 0.4788
## Joint Effect 0.6895 0.8757
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 22.36 0.266651
## 2 30 50.73 0.007526
## 3 40 53.41 0.061906
## 4 50 62.02 0.100201
##
##
## Elapsed time : 2.164924#GJR-GARCH(21)AUSvới phân phối Generalized Error Distributtion đối xứng
AUS21sg.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "sged")
print(AUS21sg <- ugarchfit(spec = AUS21sg.spec, data = diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,1)
## Mean Model : ARFIMA(1,0,0)
## Distribution : sged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -3.953989 1.225378 -3.226750 0.001252
## ar1 -0.063537 0.023515 -2.702020 0.006892
## omega 100.461792 39.962095 2.513927 0.011940
## alpha1 0.007515 0.027965 0.268723 0.788143
## alpha2 0.000001 0.033420 0.000026 0.999979
## beta1 0.890687 0.028264 31.512598 0.000000
## gamma1 0.187115 0.069150 2.705921 0.006812
## gamma2 -0.002269 0.070292 -0.032279 0.974249
## skew 1.133246 0.038681 29.297183 0.000000
## shape 1.405344 0.070133 20.038413 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -3.953989 1.091473 -3.622619 0.000292
## ar1 -0.063537 0.024562 -2.586781 0.009688
## omega 100.461792 57.063685 1.760521 0.078320
## alpha1 0.007515 0.038028 0.197614 0.843347
## alpha2 0.000001 0.053470 0.000016 0.999987
## beta1 0.890687 0.042512 20.951660 0.000000
## gamma1 0.187115 0.059985 3.119339 0.001813
## gamma2 -0.002269 0.058309 -0.038913 0.968960
## skew 1.133246 0.047081 24.070204 0.000000
## shape 1.405344 0.081917 17.155673 0.000000
##
## LogLikelihood : -8110.576
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.944
## Bayes 10.980
## Shibata 10.944
## Hannan-Quinn 10.957
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.008354 0.9272
## Lag[2*(p+q)+(p+q)-1][2] 0.021269 1.0000
## Lag[4*(p+q)+(p+q)-1][5] 0.808880 0.9713
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.626 0.2023
## Lag[2*(p+q)+(p+q)-1][8] 3.085 0.6699
## Lag[4*(p+q)+(p+q)-1][14] 4.620 0.8149
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.5058 0.500 2.000 0.4770
## ARCH Lag[6] 2.4352 1.461 1.711 0.4022
## ARCH Lag[8] 2.5899 2.368 1.583 0.6226
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 3.4517
## Individual Statistics:
## mu 0.10309
## ar1 0.35246
## omega 0.66683
## alpha1 0.56242
## alpha2 0.45143
## beta1 0.60864
## gamma1 0.31463
## gamma2 0.29177
## skew 0.05301
## shape 0.38210
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.29 2.54 3.05
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.1021 0.9187
## Negative Sign Bias 0.7172 0.4734
## Positive Sign Bias 1.0123 0.3116
## Joint Effect 1.5391 0.6733
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 20.45 0.3681
## 2 30 32.82 0.2851
## 3 40 42.90 0.3076
## 4 50 48.01 0.5133
##
##
## Elapsed time : 3.82225GJR-GARCH(22)AUS
#GJR-GARCH(22)AUS với phân phối chuẩn
AUS22n.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "norm")
print(AUS22n <- ugarchfit(spec = AUS22n.spec, data = diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,2)
## Mean Model : ARFIMA(1,0,0)
## Distribution : norm
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -4.004701 1.324978 -3.022467 0.002507
## ar1 -0.056748 0.027848 -2.037815 0.041568
## omega 169.497115 106.111130 1.597355 0.110187
## alpha1 0.016916 0.018676 0.905778 0.365053
## alpha2 0.000000 0.034989 0.000001 0.999999
## beta1 0.282739 0.555020 0.509422 0.610457
## beta2 0.535466 0.468729 1.142379 0.253296
## gamma1 0.200535 0.059303 3.381557 0.000721
## gamma2 0.097991 0.135762 0.721786 0.470426
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -4.004701 1.283120 -3.12107 0.001802
## ar1 -0.056748 0.031860 -1.78121 0.074879
## omega 169.497115 209.998571 0.80714 0.419589
## alpha1 0.016916 0.024917 0.67892 0.497187
## alpha2 0.000000 0.074146 0.00000 1.000000
## beta1 0.282739 0.846641 0.33395 0.738414
## beta2 0.535466 0.667159 0.80261 0.422202
## gamma1 0.200535 0.075869 2.64318 0.008213
## gamma2 0.097991 0.204678 0.47876 0.632112
##
## LogLikelihood : -8142.458
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.986
## Bayes 11.018
## Shibata 10.986
## Hannan-Quinn 10.998
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.1205 0.7285
## Lag[2*(p+q)+(p+q)-1][2] 0.1365 0.9998
## Lag[4*(p+q)+(p+q)-1][5] 0.8962 0.9611
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.7761 0.3783
## Lag[2*(p+q)+(p+q)-1][11] 3.0924 0.8576
## Lag[4*(p+q)+(p+q)-1][19] 5.4553 0.9129
## d.o.f=4
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[5] 1.665 0.500 2.000 0.1969
## ARCH Lag[7] 2.497 1.473 1.746 0.4041
## ARCH Lag[9] 2.703 2.402 1.619 0.6213
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 2.541
## Individual Statistics:
## mu 0.1103
## ar1 0.3041
## omega 0.4034
## alpha1 0.2940
## alpha2 0.3556
## beta1 0.3838
## beta2 0.4004
## gamma1 0.1774
## gamma2 0.1176
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.1 2.32 2.82
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.06604 0.9474
## Negative Sign Bias 0.54465 0.5861
## Positive Sign Bias 0.73274 0.4638
## Joint Effect 0.83363 0.8414
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 40.93 0.0024638
## 2 30 61.49 0.0004022
## 3 40 69.37 0.0019631
## 4 50 71.19 0.0208451
##
##
## Elapsed time : 0.8668599#GJR-GARCH(22)AUS với phân phối Student t
AUS22t.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "std")
print(AUS22t <- ugarchfit(spec = AUS22t.spec, data = diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,2)
## Mean Model : ARFIMA(1,0,0)
## Distribution : std
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -5.239429 1.241336 -4.22080 0.000024
## ar1 -0.056605 0.026532 -2.13344 0.032889
## omega 144.161448 75.686052 1.90473 0.056815
## alpha1 0.022943 0.025316 0.90627 0.364792
## alpha2 0.000000 0.030538 0.00000 1.000000
## beta1 0.338043 0.308794 1.09472 0.273640
## beta2 0.484166 0.263764 1.83561 0.066416
## gamma1 0.261995 0.074418 3.52057 0.000431
## gamma2 0.045700 0.101070 0.45216 0.651150
## shape 6.602559 1.065957 6.19402 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -5.239429 1.145235 -4.57498 0.000005
## ar1 -0.056605 0.027303 -2.07321 0.038153
## omega 144.161448 109.293116 1.31903 0.187157
## alpha1 0.022943 0.027822 0.82464 0.409576
## alpha2 0.000000 0.043495 0.00000 1.000000
## beta1 0.338043 0.246490 1.37143 0.170242
## beta2 0.484166 0.181056 2.67413 0.007492
## gamma1 0.261995 0.074165 3.53259 0.000412
## gamma2 0.045700 0.080912 0.56481 0.572204
## shape 6.602559 1.069494 6.17354 0.000000
##
## LogLikelihood : -8111.368
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.945
## Bayes 10.981
## Shibata 10.945
## Hannan-Quinn 10.959
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.06844 0.7936
## Lag[2*(p+q)+(p+q)-1][2] 0.07027 1.0000
## Lag[4*(p+q)+(p+q)-1][5] 0.75432 0.9767
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.3343 0.5631
## Lag[2*(p+q)+(p+q)-1][11] 3.4551 0.8108
## Lag[4*(p+q)+(p+q)-1][19] 5.9189 0.8801
## d.o.f=4
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[5] 2.345 0.500 2.000 0.1257
## ARCH Lag[7] 3.315 1.473 1.746 0.2763
## ARCH Lag[9] 3.671 2.402 1.619 0.4486
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 3.264
## Individual Statistics:
## mu 0.1429
## ar1 0.3810
## omega 0.9109
## alpha1 0.6921
## alpha2 0.9369
## beta1 0.8957
## beta2 0.9211
## gamma1 0.6216
## gamma2 0.4517
## shape 0.8780
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.29 2.54 3.05
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.05642 0.9550
## Negative Sign Bias 0.04655 0.9629
## Positive Sign Bias 0.36509 0.7151
## Joint Effect 0.26026 0.9673
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 19.10 0.45046
## 2 30 46.61 0.02040
## 3 40 44.52 0.25072
## 4 50 66.47 0.04888
##
##
## Elapsed time : 1.653934#GJR-GARCH(22)AUS với phân phối Student's t đối xứng
AUS22st.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "sstd")
print(AUS22st <- ugarchfit(spec = AUS22st.spec, data = diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,2)
## Mean Model : ARFIMA(1,0,0)
## Distribution : sstd
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -3.775938 1.320904 -2.858600 0.004255
## ar1 -0.052188 0.025816 -2.021571 0.043221
## omega 132.264403 73.335504 1.803552 0.071302
## alpha1 0.011317 0.024148 0.468649 0.639321
## alpha2 0.000000 0.029522 0.000001 0.999999
## beta1 0.355602 0.324598 1.095515 0.273291
## beta2 0.484287 0.279875 1.730369 0.083564
## gamma1 0.243000 0.068400 3.552651 0.000381
## gamma2 0.038646 0.098359 0.392912 0.694385
## skew 1.140956 0.043186 26.419607 0.000000
## shape 6.711686 1.089772 6.158800 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -3.775938 1.272981 -2.966216 0.003015
## ar1 -0.052188 0.027141 -1.922864 0.054497
## omega 132.264403 114.071423 1.159488 0.246257
## alpha1 0.011317 0.028069 0.403170 0.686823
## alpha2 0.000000 0.045773 0.000001 1.000000
## beta1 0.355602 0.294995 1.205451 0.228029
## beta2 0.484287 0.220449 2.196824 0.028033
## gamma1 0.243000 0.066741 3.640929 0.000272
## gamma2 0.038646 0.088169 0.438320 0.661154
## skew 1.140956 0.047755 23.892029 0.000000
## shape 6.711686 1.135028 5.913236 0.000000
##
## LogLikelihood : -8105.312
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.938
## Bayes 10.978
## Shibata 10.938
## Hannan-Quinn 10.953
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.1757 0.6751
## Lag[2*(p+q)+(p+q)-1][2] 0.1824 0.9992
## Lag[4*(p+q)+(p+q)-1][5] 0.9215 0.9579
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.8181 0.3657
## Lag[2*(p+q)+(p+q)-1][11] 3.0933 0.8575
## Lag[4*(p+q)+(p+q)-1][19] 5.4061 0.9161
## d.o.f=4
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[5] 1.817 0.500 2.000 0.1777
## ARCH Lag[7] 2.516 1.473 1.746 0.4007
## ARCH Lag[9] 2.790 2.402 1.619 0.6047
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 3.1497
## Individual Statistics:
## mu 0.1454
## ar1 0.3802
## omega 0.9255
## alpha1 0.6527
## alpha2 0.8372
## beta1 0.8405
## beta2 0.8593
## gamma1 0.6174
## gamma2 0.4870
## skew 0.0495
## shape 0.7364
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.49 2.75 3.27
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.04412 0.9648
## Negative Sign Bias 0.22445 0.8224
## Positive Sign Bias 0.77396 0.4391
## Joint Effect 0.81620 0.8456
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 10.91 0.9270
## 2 30 22.15 0.8141
## 3 40 25.00 0.9599
## 4 50 34.87 0.9363
##
##
## Elapsed time : 2.61226#GJR-GARCH(22)AUS với phân phối Generalized Error Distributtion (GED)
AUS22g.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "ged")
print(AUS22g <- ugarchfit(spec = AUS22g.spec, data = diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,2)
## Mean Model : ARFIMA(1,0,0)
## Distribution : ged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -5.442424 1.250302 -4.352889 0.000013
## ar1 -0.068031 0.026908 -2.528279 0.011462
## omega 151.321080 74.157422 2.040539 0.041297
## alpha1 0.021873 0.022841 0.957628 0.338251
## alpha2 0.000000 0.029887 0.000015 0.999988
## beta1 0.314475 0.355492 0.884619 0.376362
## beta2 0.504587 0.304882 1.655024 0.097920
## gamma1 0.241687 0.073698 3.279443 0.001040
## gamma2 0.073170 0.110757 0.660639 0.508844
## shape 1.411039 0.069701 20.244063 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -5.442424 1.181660 -4.605744 0.000004
## ar1 -0.068031 0.028684 -2.371748 0.017704
## omega 151.321080 95.786839 1.579769 0.114160
## alpha1 0.021873 0.024064 0.908951 0.363376
## alpha2 0.000000 0.040648 0.000011 0.999991
## beta1 0.314475 0.237432 1.324487 0.185341
## beta2 0.504587 0.173866 2.902159 0.003706
## gamma1 0.241687 0.073574 3.284971 0.001020
## gamma2 0.073170 0.084765 0.863217 0.388018
## shape 1.411039 0.079694 17.705648 0.000000
##
## LogLikelihood : -8116.435
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.952
## Bayes 10.988
## Shibata 10.952
## Hannan-Quinn 10.965
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.01291 0.9095
## Lag[2*(p+q)+(p+q)-1][2] 0.01448 1.0000
## Lag[4*(p+q)+(p+q)-1][5] 0.71881 0.9799
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.5082 0.4759
## Lag[2*(p+q)+(p+q)-1][11] 3.5400 0.7992
## Lag[4*(p+q)+(p+q)-1][19] 5.9149 0.8804
## d.o.f=4
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[5] 2.215 0.500 2.000 0.1367
## ARCH Lag[7] 3.231 1.473 1.746 0.2875
## ARCH Lag[9] 3.552 2.402 1.619 0.4681
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 3.2488
## Individual Statistics:
## mu 0.09415
## ar1 0.34305
## omega 0.59204
## alpha1 0.41311
## alpha2 0.50860
## beta1 0.51700
## beta2 0.54071
## gamma1 0.23835
## gamma2 0.15355
## shape 0.53544
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.29 2.54 3.05
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.159449 0.8733
## Negative Sign Bias 0.004532 0.9964
## Positive Sign Bias 0.532548 0.5944
## Joint Effect 0.300495 0.9599
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 25.41 0.14758
## 2 30 47.50 0.01657
## 3 40 53.63 0.05953
## 4 50 68.09 0.03686
##
##
## Elapsed time : 1.960817#GJR-GARCH(22)AUS với phân phối Generalized Error Distributtion đối xứng
AUS22sg.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "sged")
print(AUS22sg <- ugarchfit(spec = AUS22sg.spec, data = diff(data$AUS)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,2)
## Mean Model : ARFIMA(1,0,0)
## Distribution : sged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -3.974382 1.394840 -2.84935 0.004381
## ar1 -0.064083 0.026968 -2.37629 0.017488
## omega 149.833552 46.862071 3.19733 0.001387
## alpha1 0.012761 0.021790 0.58563 0.558122
## alpha2 0.000000 0.021697 0.00000 1.000000
## beta1 0.340597 0.213059 1.59860 0.109909
## beta2 0.493158 0.166161 2.96796 0.002998
## gamma1 0.223687 0.067264 3.32549 0.000883
## gamma2 0.056698 0.040001 1.41743 0.156358
## skew 1.132207 0.039451 28.69942 0.000000
## shape 1.405580 0.068579 20.49585 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -3.974382 1.410945 -2.81682 0.004850
## ar1 -0.064083 0.030431 -2.10583 0.035219
## omega 149.833552 77.779670 1.92639 0.054056
## alpha1 0.012761 0.024504 0.52079 0.602514
## alpha2 0.000000 0.026798 0.00000 1.000000
## beta1 0.340597 0.162934 2.09039 0.036582
## beta2 0.493158 0.196819 2.50564 0.012223
## gamma1 0.223687 0.071023 3.14948 0.001636
## gamma2 0.056698 0.070448 0.80483 0.420920
## skew 1.132207 0.049124 23.04806 0.000000
## shape 1.405580 0.079622 17.65317 0.000000
##
## LogLikelihood : -8110.142
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.945
## Bayes 10.984
## Shibata 10.945
## Hannan-Quinn 10.960
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.002204 0.9626
## Lag[2*(p+q)+(p+q)-1][2] 0.010978 1.0000
## Lag[4*(p+q)+(p+q)-1][5] 0.775466 0.9747
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.902 0.3422
## Lag[2*(p+q)+(p+q)-1][11] 3.062 0.8613
## Lag[4*(p+q)+(p+q)-1][19] 5.321 0.9214
## d.o.f=4
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[5] 1.656 0.500 2.000 0.1982
## ARCH Lag[7] 2.366 1.473 1.746 0.4286
## ARCH Lag[9] 2.576 2.402 1.619 0.6459
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 3.1942
## Individual Statistics:
## mu 0.1040
## ar1 0.3449
## omega 0.6454
## alpha1 0.4694
## alpha2 0.5368
## beta1 0.5705
## beta2 0.5875
## gamma1 0.3263
## gamma2 0.2546
## skew 0.0535
## shape 0.3860
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.49 2.75 3.27
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.09156 0.9271
## Negative Sign Bias 0.33256 0.7395
## Positive Sign Bias 0.88437 0.3766
## Joint Effect 0.93677 0.8165
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 22.33 0.2679
## 2 30 36.94 0.1477
## 3 40 42.85 0.3096
## 4 50 43.16 0.7080
##
##
## Elapsed time : 4.5022564.4.1.2 Mã chứng khoán VNI
GJR-GARCH(11)VNI
- GJR-GARCH(11)VNI với phân phối chuẩn
print(VNI.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"))##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(1,1)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : norm
## Includes Skew : FALSE
## Includes Shape : FALSE
## Includes Lambda : FALSEprint(VNI.garch11n.fit <- ugarchfit(spec = VNI.garch11n.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,1)
## Mean Model : ARFIMA(2,0,2)
## Distribution : norm
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -1.001399 0.325194 -3.0794 0.002074
## ar1 1.055526 0.025445 41.4826 0.000000
## ar2 -0.135265 0.029407 -4.5998 0.000004
## ma1 -0.979126 0.007625 -128.4108 0.000000
## ma2 0.075420 0.003124 24.1407 0.000000
## omega 3.875257 1.397863 2.7723 0.005567
## alpha1 0.042824 0.014604 2.9324 0.003364
## beta1 0.845254 0.023721 35.6328 0.000000
## gamma1 0.221845 0.033764 6.5704 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -1.001399 0.323971 -3.0910 0.001995
## ar1 1.055526 0.024249 43.5285 0.000000
## ar2 -0.135265 0.025835 -5.2357 0.000000
## ma1 -0.979126 0.006817 -143.6380 0.000000
## ma2 0.075420 0.004763 15.8351 0.000000
## omega 3.875257 2.308683 1.6786 0.093238
## alpha1 0.042824 0.020815 2.0573 0.039657
## beta1 0.845254 0.039667 21.3085 0.000000
## gamma1 0.221845 0.042206 5.2563 0.000000
##
## LogLikelihood : -5782.958
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.8059
## Bayes 7.8380
## Shibata 7.8058
## Hannan-Quinn 7.8179
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.749 0.1860
## Lag[2*(p+q)+(p+q)-1][11] 5.611 0.7341
## Lag[4*(p+q)+(p+q)-1][19] 9.545 0.5454
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.1473 0.7011
## Lag[2*(p+q)+(p+q)-1][5] 1.2516 0.8006
## Lag[4*(p+q)+(p+q)-1][9] 2.1579 0.8853
## d.o.f=2
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 0.007141 0.500 2.000 0.9327
## ARCH Lag[5] 0.246966 1.440 1.667 0.9540
## ARCH Lag[7] 0.815886 2.315 1.543 0.9415
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 3.9574
## Individual Statistics:
## mu 0.08891
## ar1 0.05157
## ar2 0.05311
## ma1 0.05463
## ma2 0.06484
## omega 0.38328
## alpha1 0.81163
## beta1 0.97748
## gamma1 1.25276
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.1 2.32 2.82
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.6915 0.4894
## Negative Sign Bias 1.3204 0.1869
## Positive Sign Bias 0.1384 0.8900
## Joint Effect 5.8866 0.1173
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 82.25 7.580e-10
## 2 30 113.72 5.582e-12
## 3 40 122.25 1.614e-10
## 4 50 134.94 5.803e-10
##
##
## Elapsed time : 0.6231821- GJR-GARCH(11)VNI với phân phối Student t
print(VNI.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")) ##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(1,1)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : std
## Includes Skew : FALSE
## Includes Shape : TRUE
## Includes Lambda : FALSEprint(VNI.garch11t.fit <- ugarchfit(spec = VNI.garch11t.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,1)
## Mean Model : ARFIMA(2,0,2)
## Distribution : std
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -1.489621 0.328642 -4.53266 0.000006
## ar1 0.976269 0.376543 2.59271 0.009522
## ar2 -0.089516 0.256316 -0.34924 0.726907
## ma1 -0.912492 0.375671 -2.42896 0.015142
## ma2 0.046632 0.247400 0.18849 0.850493
## omega 5.241004 2.180213 2.40390 0.016221
## alpha1 0.046186 0.019915 2.31914 0.020387
## beta1 0.832614 0.035538 23.42867 0.000000
## gamma1 0.240400 0.047490 5.06212 0.000000
## shape 5.013476 0.618825 8.10160 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -1.489621 0.362163 -4.11313 0.000039
## ar1 0.976269 0.244298 3.99622 0.000064
## ar2 -0.089516 0.101165 -0.88486 0.376233
## ma1 -0.912492 0.243217 -3.75176 0.000176
## ma2 0.046632 0.115176 0.40488 0.685568
## omega 5.241004 2.917759 1.79624 0.072456
## alpha1 0.046186 0.021716 2.12682 0.033435
## beta1 0.832614 0.047840 17.40431 0.000000
## gamma1 0.240400 0.051857 4.63587 0.000004
## shape 5.013476 0.541702 9.25504 0.000000
##
## LogLikelihood : -5736.932
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.7452
## Bayes 7.7809
## Shibata 7.7451
## Hannan-Quinn 7.7585
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.8597 0.3538
## Lag[2*(p+q)+(p+q)-1][11] 4.7663 0.9851
## Lag[4*(p+q)+(p+q)-1][19] 8.5481 0.7125
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.08461 0.7711
## Lag[2*(p+q)+(p+q)-1][5] 1.13801 0.8277
## Lag[4*(p+q)+(p+q)-1][9] 1.87389 0.9195
## d.o.f=2
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 0.008182 0.500 2.000 0.9279
## ARCH Lag[5] 0.140889 1.440 1.667 0.9787
## ARCH Lag[7] 0.560339 2.315 1.543 0.9726
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 4.5708
## Individual Statistics:
## mu 0.2440
## ar1 0.1046
## ar2 0.1099
## ma1 0.1113
## ma2 0.1289
## omega 0.2813
## alpha1 0.9006
## beta1 0.9020
## gamma1 1.0614
## shape 0.1733
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.29 2.54 3.05
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.990618 0.32203
## Negative Sign Bias 1.124110 0.26115
## Positive Sign Bias 0.001245 0.99901
## Joint Effect 6.263348 0.09948 *
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 35.95 0.01072
## 2 30 44.34 0.03405
## 3 40 61.77 0.01156
## 4 50 70.99 0.02166
##
##
## Elapsed time : 1.341379- GJR-GARCH(11)VNI với phân phối Student’s t đối xứng
print(VNI.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")) ##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(1,1)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : sstd
## Includes Skew : TRUE
## Includes Shape : TRUE
## Includes Lambda : FALSEprint(VNI.garch11st.fit <- ugarchfit(spec = VNI.garch11st.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,1)
## Mean Model : ARFIMA(2,0,2)
## Distribution : sstd
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -1.283767 0.593307 -2.1637e+00 0.030484
## ar1 1.303208 0.006174 2.1108e+02 0.000000
## ar2 -0.310087 0.005760 -5.3837e+01 0.000000
## ma1 -1.236889 0.000012 -1.0507e+05 0.000000
## ma2 0.246865 0.000651 3.7937e+02 0.000000
## omega 4.183981 1.799177 2.3255e+00 0.020045
## alpha1 0.039662 0.019117 2.0747e+00 0.038012
## beta1 0.855726 0.030859 2.7730e+01 0.000000
## gamma1 0.199017 0.043170 4.6101e+00 0.000004
## skew 1.101958 0.037505 2.9382e+01 0.000000
## shape 5.169781 0.670430 7.7111e+00 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -1.283767 0.710868 -1.8059e+00 0.070932
## ar1 1.303208 0.003541 3.6805e+02 0.000000
## ar2 -0.310087 0.002178 -1.4234e+02 0.000000
## ma1 -1.236889 0.000005 -2.4457e+05 0.000000
## ma2 0.246865 0.000781 3.1606e+02 0.000000
## omega 4.183981 2.274550 1.8395e+00 0.065845
## alpha1 0.039662 0.021766 1.8222e+00 0.068418
## beta1 0.855726 0.039283 2.1784e+01 0.000000
## gamma1 0.199017 0.051296 3.8798e+00 0.000105
## skew 1.101958 0.035499 3.1042e+01 0.000000
## shape 5.169781 0.580014 8.9132e+00 0.000000
##
## LogLikelihood : -5732.584
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.7407
## Bayes 7.7800
## Shibata 7.7406
## Hannan-Quinn 7.7553
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.026 0.3111
## Lag[2*(p+q)+(p+q)-1][11] 4.432 0.9977
## Lag[4*(p+q)+(p+q)-1][19] 8.133 0.7755
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.517 0.4721
## Lag[2*(p+q)+(p+q)-1][5] 2.305 0.5484
## Lag[4*(p+q)+(p+q)-1][9] 3.053 0.7503
## d.o.f=2
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 0.005887 0.500 2.000 0.9388
## ARCH Lag[5] 0.064516 1.440 1.667 0.9929
## ARCH Lag[7] 0.425628 2.315 1.543 0.9846
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 4.2065
## Individual Statistics:
## mu 0.1586
## ar1 0.1766
## ar2 0.1726
## ma1 0.1724
## ma2 0.1694
## omega 0.3025
## alpha1 0.8529
## beta1 0.8117
## gamma1 0.9148
## skew 0.1467
## shape 0.1653
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.49 2.75 3.27
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.8002 0.42373
## Negative Sign Bias 1.6689 0.09535 *
## Positive Sign Bias 0.2019 0.84004
## Joint Effect 7.8127 0.05005 *
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 24.63 0.17325
## 2 30 43.53 0.04061
## 3 40 56.92 0.03183
## 4 50 60.61 0.12358
##
##
## Elapsed time : 1.811374- GJR-GARCH(11)VNI với phân phối Generalized Error Distributtion (GED)
print(VNI.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")) ##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(1,1)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : ged
## Includes Skew : FALSE
## Includes Shape : TRUE
## Includes Lambda : FALSEprint(VNI.garch11g.fit <- ugarchfit(spec = VNI.garch11g.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,1)
## Mean Model : ARFIMA(2,0,2)
## Distribution : ged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -1.355970 0.198135 -6.8437 0.000000
## ar1 -0.509530 0.018120 -28.1193 0.000000
## ar2 0.402675 0.019716 20.4235 0.000000
## ma1 0.555333 0.018544 29.9467 0.000000
## ma2 -0.347754 0.018363 -18.9373 0.000000
## omega 4.747414 2.000278 2.3734 0.017626
## alpha1 0.048106 0.019709 2.4409 0.014652
## beta1 0.835109 0.033609 24.8481 0.000000
## gamma1 0.231569 0.045517 5.0875 0.000000
## shape 1.182602 0.058962 20.0570 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -1.355970 0.169099 -8.0188 0.000000
## ar1 -0.509530 0.010354 -49.2090 0.000000
## ar2 0.402675 0.009346 43.0863 0.000000
## ma1 0.555333 0.010196 54.4650 0.000000
## ma2 -0.347754 0.006995 -49.7177 0.000000
## omega 4.747414 2.400634 1.9776 0.047978
## alpha1 0.048106 0.020022 2.4027 0.016276
## beta1 0.835109 0.040668 20.5347 0.000000
## gamma1 0.231569 0.045114 5.1329 0.000000
## shape 1.182602 0.058890 20.0816 0.000000
##
## LogLikelihood : -5726.417
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.7310
## Bayes 7.7668
## Shibata 7.7309
## Hannan-Quinn 7.7443
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.06844 0.7936
## Lag[2*(p+q)+(p+q)-1][11] 1.80631 1.0000
## Lag[4*(p+q)+(p+q)-1][19] 4.84158 0.9957
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.0518 0.8200
## Lag[2*(p+q)+(p+q)-1][5] 1.2566 0.7994
## Lag[4*(p+q)+(p+q)-1][9] 2.0205 0.9025
## d.o.f=2
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 0.05406 0.500 2.000 0.8161
## ARCH Lag[5] 0.20486 1.440 1.667 0.9643
## ARCH Lag[7] 0.65192 2.315 1.543 0.9626
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 4.0967
## Individual Statistics:
## mu 0.3020
## ar1 0.2577
## ar2 0.3284
## ma1 0.2296
## ma2 0.2876
## omega 0.3050
## alpha1 0.8302
## beta1 0.9135
## gamma1 1.1162
## shape 0.1132
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.29 2.54 3.05
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 1.27542 0.20236
## Negative Sign Bias 0.86181 0.38893
## Positive Sign Bias 0.07886 0.93715
## Joint Effect 6.39839 0.09376 *
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 26.19 0.12502
## 2 30 39.45 0.09334
## 3 40 56.00 0.03810
## 4 50 61.62 0.10649
##
##
## Elapsed time : 1.469581- GJR-GARCH(11)VNI với phân phối Generalized Error Distributtion đối xứng
print(VNI.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")) ##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(1,1)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : sged
## Includes Skew : TRUE
## Includes Shape : TRUE
## Includes Lambda : FALSEprint(VNI.garch11sg.fit <- ugarchfit(spec = VNI.garch11sg.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,1)
## Mean Model : ARFIMA(2,0,2)
## Distribution : sged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -0.962731 0.431508 -2.2311 0.025676
## ar1 1.325239 0.038289 34.6119 0.000000
## ar2 -0.373033 0.037429 -9.9665 0.000000
## ma1 -1.272404 0.000451 -2822.0895 0.000000
## ma2 0.330122 0.000579 570.5548 0.000000
## omega 3.729637 1.976020 1.8874 0.059100
## alpha1 0.038254 0.019096 2.0032 0.045152
## beta1 0.859673 0.035033 24.5388 0.000000
## gamma1 0.192238 0.042745 4.4974 0.000007
## skew 1.083935 0.013489 80.3580 0.000000
## shape 1.201073 0.059481 20.1925 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -0.962731 0.709779 -1.3564 0.174978
## ar1 1.325239 0.076302 17.3682 0.000000
## ar2 -0.373033 0.074181 -5.0287 0.000000
## ma1 -1.272404 0.000784 -1622.2555 0.000000
## ma2 0.330122 0.000334 988.7741 0.000000
## omega 3.729637 3.531156 1.0562 0.290873
## alpha1 0.038254 0.029836 1.2821 0.199801
## beta1 0.859673 0.068691 12.5151 0.000000
## gamma1 0.192238 0.060434 3.1810 0.001468
## skew 1.083935 0.050307 21.5465 0.000000
## shape 1.201073 0.061115 19.6528 0.000000
##
## LogLikelihood : -5722.943
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.7277
## Bayes 7.7670
## Shibata 7.7276
## Hannan-Quinn 7.7423
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.279 0.5974
## Lag[2*(p+q)+(p+q)-1][11] 3.872 1.0000
## Lag[4*(p+q)+(p+q)-1][19] 7.629 0.8425
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.5527 0.4572
## Lag[2*(p+q)+(p+q)-1][5] 2.1993 0.5721
## Lag[4*(p+q)+(p+q)-1][9] 2.9721 0.7636
## d.o.f=2
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 6.970e-06 0.500 2.000 0.9979
## ARCH Lag[5] 6.776e-02 1.440 1.667 0.9924
## ARCH Lag[7] 4.409e-01 2.315 1.543 0.9834
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 3.1248
## Individual Statistics:
## mu 0.15204
## ar1 0.02172
## ar2 0.02044
## ma1 0.02035
## ma2 0.01872
## omega 0.31884
## alpha1 0.80914
## beta1 0.81972
## gamma1 0.95400
## skew 0.13007
## shape 0.15999
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.49 2.75 3.27
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.6988 0.48476
## Negative Sign Bias 1.6207 0.10529
## Positive Sign Bias 0.1806 0.85667
## Joint Effect 6.8690 0.07619 *
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 17.83 0.5336
## 2 30 32.62 0.2934
## 3 40 40.47 0.4051
## 4 50 40.93 0.7870
##
##
## Elapsed time : 4.695994Tương tự, ta cũng sẽ chạy các phân phối cho GJR-GARCH(12), GJR-GARCH(21), GJR-GARCH(22) của mã chứng khoán Việt Nam (VNI).
GJR-GARCH(12)VNI
#GJR-GARCH(12)VNI với phân phối chuẩn
print(VNI.garch12n.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 2)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "norm"))##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(1,2)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : norm
## Includes Skew : FALSE
## Includes Shape : FALSE
## Includes Lambda : FALSEprint(VNI.garch12n.fit <- ugarchfit(spec = VNI.garch12n.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,2)
## Mean Model : ARFIMA(2,0,2)
## Distribution : norm
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -0.988676 0.083316 -11.86665 0.000000
## ar1 1.025189 0.433684 2.36391 0.018083
## ar2 -0.110083 0.187129 -0.58827 0.556349
## ma1 -0.942263 0.423684 -2.22398 0.026150
## ma2 0.045028 0.302282 0.14896 0.881585
## omega 4.513676 1.614383 2.79591 0.005175
## alpha1 0.047003 0.015822 2.97066 0.002972
## beta1 0.554459 0.189919 2.91946 0.003506
## beta2 0.262659 0.172207 1.52526 0.127196
## gamma1 0.269756 0.047280 5.70554 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -0.988676 1.933659 -0.511298 0.609142
## ar1 1.025189 2.694126 0.380528 0.703554
## ar2 -0.110083 1.200615 -0.091689 0.926945
## ma1 -0.942263 2.630389 -0.358222 0.720177
## ma2 0.045028 1.877314 0.023985 0.980864
## omega 4.513676 4.161356 1.084665 0.278070
## alpha1 0.047003 0.043088 1.090870 0.275330
## beta1 0.554459 0.324549 1.708399 0.087562
## beta2 0.262659 0.246462 1.065718 0.286551
## gamma1 0.269756 0.081415 3.313341 0.000922
##
## LogLikelihood : -5781.941
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.8059
## Bayes 7.8416
## Shibata 7.8058
## Hannan-Quinn 7.8192
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 2.176 0.1401
## Lag[2*(p+q)+(p+q)-1][11] 5.902 0.5518
## Lag[4*(p+q)+(p+q)-1][19] 9.846 0.4942
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.009632 0.9218
## Lag[2*(p+q)+(p+q)-1][8] 2.450279 0.7846
## Lag[4*(p+q)+(p+q)-1][14] 5.142379 0.7517
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.07289 0.500 2.000 0.7872
## ARCH Lag[6] 0.24467 1.461 1.711 0.9586
## ARCH Lag[8] 1.16523 2.368 1.583 0.8986
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 4.2312
## Individual Statistics:
## mu 0.09187
## ar1 0.04877
## ar2 0.05148
## ma1 0.05225
## ma2 0.06573
## omega 0.40816
## alpha1 0.84024
## beta1 1.02012
## beta2 0.99931
## gamma1 1.29994
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.29 2.54 3.05
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.7046 0.4812
## Negative Sign Bias 0.8377 0.4023
## Positive Sign Bias 0.1443 0.8853
## Joint Effect 3.6082 0.3070
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 79.77 2.034e-09
## 2 30 108.87 3.552e-11
## 3 40 119.13 4.823e-10
## 4 50 137.70 2.324e-10
##
##
## Elapsed time : 0.8296709#GJR-GARCH(12)VNI với phân phối Student t
print(VNI.garch12t.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 2)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "std")) ##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(1,2)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : std
## Includes Skew : FALSE
## Includes Shape : TRUE
## Includes Lambda : FALSEprint(VNI.garch12t.fit <- ugarchfit(spec = VNI.garch12t.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,2)
## Mean Model : ARFIMA(2,0,2)
## Distribution : std
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -1.488855 0.344020 -4.327813 0.000015
## ar1 0.963673 1.084786 0.888353 0.374351
## ar2 -0.074328 0.737290 -0.100813 0.919699
## ma1 -0.897312 1.082928 -0.828598 0.407332
## ma2 0.028657 0.683732 0.041913 0.966568
## omega 6.076241 2.675567 2.271011 0.023146
## alpha1 0.051038 0.023005 2.218536 0.026518
## beta1 0.592586 0.223861 2.647121 0.008118
## beta2 0.212585 0.193743 1.097250 0.272532
## gamma1 0.285582 0.064613 4.419899 0.000010
## shape 5.039909 0.625944 8.051697 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -1.488855 0.408734 -3.642604 0.000270
## ar1 0.963673 1.505943 0.639913 0.522229
## ar2 -0.074328 0.947243 -0.078468 0.937456
## ma1 -0.897312 1.503844 -0.596679 0.550722
## ma2 0.028657 0.862063 0.033242 0.973481
## omega 6.076241 3.556892 1.708301 0.087581
## alpha1 0.051038 0.024767 2.060714 0.039330
## beta1 0.592586 0.215389 2.751242 0.005937
## beta2 0.212585 0.173334 1.226444 0.220031
## gamma1 0.285582 0.066474 4.296120 0.000017
## shape 5.039909 0.545747 9.234886 0.000000
##
## LogLikelihood : -5736.337
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.7457
## Bayes 7.7850
## Shibata 7.7456
## Hannan-Quinn 7.7604
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.8916 0.3451
## Lag[2*(p+q)+(p+q)-1][11] 4.6613 0.9913
## Lag[4*(p+q)+(p+q)-1][19] 8.4312 0.7308
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 3.856e-05 0.9950
## Lag[2*(p+q)+(p+q)-1][8] 2.057e+00 0.8500
## Lag[4*(p+q)+(p+q)-1][14] 4.678e+00 0.8082
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.01736 0.500 2.000 0.8952
## ARCH Lag[6] 0.11013 1.461 1.711 0.9865
## ARCH Lag[8] 0.93442 2.368 1.583 0.9337
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 4.7394
## Individual Statistics:
## mu 0.2494
## ar1 0.1068
## ar2 0.1106
## ma1 0.1140
## ma2 0.1295
## omega 0.2803
## alpha1 0.9009
## beta1 0.9046
## beta2 0.9031
## gamma1 1.0945
## shape 0.1706
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.49 2.75 3.27
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 1.01654 0.3095
## Negative Sign Bias 0.67019 0.5028
## Positive Sign Bias 0.03942 0.9686
## Joint Effect 4.26373 0.2344
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 31.39 0.0365579
## 2 30 41.27 0.0652207
## 3 40 74.76 0.0004954
## 4 50 77.46 0.0059005
##
##
## Elapsed time : 1.066414#GJR-GARCH(12)VNI với phân phối Student's t đối xứng
print(VNI.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")) ##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(1,2)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : sstd
## Includes Skew : TRUE
## Includes Shape : TRUE
## Includes Lambda : FALSEprint(VNI.garch12st.fit <- ugarchfit(spec = VNI.garch12st.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,2)
## Mean Model : ARFIMA(2,0,2)
## Distribution : sstd
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -1.093255 0.341637 -3.2000 0.001374
## ar1 1.114305 0.024662 45.1826 0.000000
## ar2 -0.179916 0.032763 -5.4915 0.000000
## ma1 -1.045619 0.005390 -194.0093 0.000000
## ma2 0.124391 0.021358 5.8242 0.000000
## omega 4.963339 2.293185 2.1644 0.030435
## alpha1 0.043632 0.021152 2.0628 0.039133
## beta1 0.605288 0.234896 2.5768 0.009971
## beta2 0.223739 0.206473 1.0836 0.278531
## gamma1 0.242773 0.057234 4.2418 0.000022
## skew 1.101516 0.037005 29.7670 0.000000
## shape 5.237778 0.689062 7.6013 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -1.093255 0.354026 -3.0881 0.002015
## ar1 1.114305 0.023728 46.9620 0.000000
## ar2 -0.179916 0.022118 -8.1343 0.000000
## ma1 -1.045619 0.006251 -167.2697 0.000000
## ma2 0.124391 0.002608 47.7005 0.000000
## omega 4.963339 2.940515 1.6879 0.091428
## alpha1 0.043632 0.023278 1.8744 0.060873
## beta1 0.605288 0.219589 2.7565 0.005843
## beta2 0.223739 0.182399 1.2266 0.219955
## gamma1 0.242773 0.058480 4.1514 0.000033
## skew 1.101516 0.033909 32.4841 0.000000
## shape 5.237778 0.596446 8.7817 0.000000
##
## LogLikelihood : -5732.246
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.7416
## Bayes 7.7844
## Shibata 7.7414
## Hannan-Quinn 7.7576
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.084 0.2979
## Lag[2*(p+q)+(p+q)-1][11] 4.591 0.9940
## Lag[4*(p+q)+(p+q)-1][19] 8.399 0.7358
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.1697 0.6804
## Lag[2*(p+q)+(p+q)-1][8] 2.8860 0.7064
## Lag[4*(p+q)+(p+q)-1][14] 5.4641 0.7102
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.005185 0.500 2.000 0.9426
## ARCH Lag[6] 0.032310 1.461 1.711 0.9977
## ARCH Lag[8] 0.763676 2.368 1.583 0.9558
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 4.3084
## Individual Statistics:
## mu 0.21650
## ar1 0.07083
## ar2 0.06657
## ma1 0.07558
## ma2 0.07688
## omega 0.29415
## alpha1 0.85037
## beta1 0.81262
## beta2 0.80788
## gamma1 0.94282
## skew 0.16158
## shape 0.16187
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.69 2.96 3.51
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.8584 0.3908
## Negative Sign Bias 1.1793 0.2384
## Positive Sign Bias 0.1872 0.8515
## Joint Effect 5.2634 0.1535
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 27.00 0.10472
## 2 30 49.03 0.01146
## 3 40 50.99 0.09466
## 4 50 71.53 0.01955
##
##
## Elapsed time : 2.249423#GJR-GARCH(12)VNI với phân phối Generalized Error Distributtion (GED)
print(VNI.garch12g.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 2)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "ged"))##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(1,2)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : ged
## Includes Skew : FALSE
## Includes Shape : TRUE
## Includes Lambda : FALSEprint(VNI.garch12g.fit <- ugarchfit(spec = VNI.garch12g.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,2)
## Mean Model : ARFIMA(2,0,2)
## Distribution : ged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -1.346605 0.183086 -7.35505 0.000000
## ar1 -0.539629 0.018052 -29.89301 0.000000
## ar2 0.374650 0.019128 19.58662 0.000000
## ma1 0.586543 0.018683 31.39522 0.000000
## ma2 -0.319299 0.018059 -17.68086 0.000000
## omega 5.347162 2.388973 2.23827 0.025204
## alpha1 0.052678 0.022389 2.35287 0.018629
## beta1 0.623660 0.238645 2.61334 0.008966
## beta2 0.188993 0.210097 0.89955 0.368359
## gamma1 0.267337 0.061613 4.33898 0.000014
## shape 1.184275 0.059079 20.04561 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -1.346605 0.148383 -9.0752 0.000000
## ar1 -0.539629 0.009729 -55.4675 0.000000
## ar2 0.374650 0.008232 45.5121 0.000000
## ma1 0.586543 0.009863 59.4676 0.000000
## ma2 -0.319299 0.006524 -48.9436 0.000000
## omega 5.347162 2.857064 1.8716 0.061268
## alpha1 0.052678 0.022191 2.3739 0.017604
## beta1 0.623660 0.210556 2.9620 0.003057
## beta2 0.188993 0.175649 1.0760 0.281941
## gamma1 0.267337 0.058409 4.5770 0.000005
## shape 1.184275 0.058939 20.0931 0.000000
##
## LogLikelihood : -5726.006
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.7318
## Bayes 7.7711
## Shibata 7.7317
## Hannan-Quinn 7.7465
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.06001 0.8065
## Lag[2*(p+q)+(p+q)-1][11] 1.74015 1.0000
## Lag[4*(p+q)+(p+q)-1][19] 4.75396 0.9965
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.0004041 0.9840
## Lag[2*(p+q)+(p+q)-1][8] 2.2211728 0.8235
## Lag[4*(p+q)+(p+q)-1][14] 4.7825902 0.7959
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.04125 0.500 2.000 0.8391
## ARCH Lag[6] 0.11332 1.461 1.711 0.9859
## ARCH Lag[8] 1.01854 2.368 1.583 0.9216
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 4.2713
## Individual Statistics:
## mu 0.3105
## ar1 0.2456
## ar2 0.3192
## ma1 0.2202
## ma2 0.2811
## omega 0.3074
## alpha1 0.8414
## beta1 0.9259
## beta2 0.9186
## gamma1 1.1453
## shape 0.1142
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.49 2.75 3.27
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 1.6658 0.09596 *
## Negative Sign Bias 0.2900 0.77188
## Positive Sign Bias 0.2116 0.83248
## Joint Effect 5.9360 0.11476
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 24.33 0.18384
## 2 30 31.77 0.33014
## 3 40 56.92 0.03183
## 4 50 63.04 0.08578
##
##
## Elapsed time : 1.517866#GJR-GARCH(12)VNI với phân phối Generalized Error Distributtion đối xứng
print(VNI.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"))##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(1,2)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : sged
## Includes Skew : TRUE
## Includes Shape : TRUE
## Includes Lambda : FALSEprint(VNI.garch12sg.fit <- ugarchfit(spec = VNI.garch12sg.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,2)
## Mean Model : ARFIMA(2,0,2)
## Distribution : sged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -0.959039 0.404797 -2.3692 0.017827
## ar1 1.286972 0.099581 12.9239 0.000000
## ar2 -0.339623 0.096275 -3.5276 0.000419
## ma1 -1.232430 0.001263 -975.7695 0.000000
## ma2 0.295853 0.000411 719.4653 0.000000
## omega 4.355478 1.878459 2.3186 0.020414
## alpha1 0.043052 0.020610 2.0888 0.036723
## beta1 0.610145 0.065932 9.2541 0.000000
## beta2 0.224801 0.024062 9.3424 0.000000
## gamma1 0.230197 0.050531 4.5556 0.000005
## skew 1.083842 0.087536 12.3817 0.000000
## shape 1.203870 0.061928 19.4398 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -0.959039 0.793484 -1.20864 0.226800
## ar1 1.286972 0.502891 2.55915 0.010493
## ar2 -0.339623 0.487183 -0.69712 0.485731
## ma1 -1.232430 0.006523 -188.94536 0.000000
## ma2 0.295853 0.000494 598.87443 0.000000
## omega 4.355478 4.006558 1.08709 0.276998
## alpha1 0.043052 0.040027 1.07556 0.282125
## beta1 0.610145 0.133806 4.55994 0.000005
## beta2 0.224801 0.245212 0.91676 0.359266
## gamma1 0.230197 0.140582 1.63745 0.101536
## skew 1.083842 0.431875 2.50962 0.012086
## shape 1.203870 0.094420 12.75016 0.000000
##
## LogLikelihood : -5722.42
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.7283
## Bayes 7.7712
## Shibata 7.7282
## Hannan-Quinn 7.7443
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.2797 0.5969
## Lag[2*(p+q)+(p+q)-1][11] 3.7487 1.0000
## Lag[4*(p+q)+(p+q)-1][19] 7.4915 0.8587
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.1852 0.6669
## Lag[2*(p+q)+(p+q)-1][8] 2.9749 0.6901
## Lag[4*(p+q)+(p+q)-1][14] 5.5466 0.6994
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.01514 0.500 2.000 0.9021
## ARCH Lag[6] 0.04787 1.461 1.711 0.9959
## ARCH Lag[8] 0.84938 2.368 1.583 0.9452
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 3.3711
## Individual Statistics:
## mu 0.16343
## ar1 0.02040
## ar2 0.01897
## ma1 0.01995
## ma2 0.01870
## omega 0.32911
## alpha1 0.82035
## beta1 0.84149
## beta2 0.83099
## gamma1 0.99156
## skew 0.13991
## shape 0.16313
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.69 2.96 3.51
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.7034 0.4819
## Negative Sign Bias 1.1648 0.2443
## Positive Sign Bias 0.1233 0.9019
## Joint Effect 4.4762 0.2144
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 17.48 0.5572
## 2 30 37.79 0.1270
## 3 40 40.74 0.3936
## 4 50 48.08 0.5106
##
##
## Elapsed time : 4.152996GJR-GARCH(21)VNI
#GJR-GARCH(21)VNI với phân phối chuẩn
print(VNI.garch21n.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 1)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "norm"))##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(2,1)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : norm
## Includes Skew : FALSE
## Includes Shape : FALSE
## Includes Lambda : FALSEprint(VNI.garch21n.fit <- ugarchfit(spec = VNI.garch21n.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,1)
## Mean Model : ARFIMA(2,0,2)
## Distribution : norm
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -0.979286 0.290604 -3.36983 0.000752
## ar1 -0.939343 0.021709 -43.26985 0.000000
## ar2 -0.016168 0.026881 -0.60148 0.547520
## ma1 1.026677 0.018151 56.56452 0.000000
## ma2 0.120754 0.009063 13.32314 0.000000
## omega 3.639699 1.675840 2.17186 0.029866
## alpha1 0.033750 0.022630 1.49141 0.135854
## alpha2 0.009672 0.027365 0.35344 0.723760
## beta1 0.852750 0.033529 25.43303 0.000000
## gamma1 0.319016 0.071096 4.48711 0.000007
## gamma2 -0.113360 0.073132 -1.55007 0.121125
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -0.979286 0.295657 -3.31223 0.000926
## ar1 -0.939343 0.033823 -27.77258 0.000000
## ar2 -0.016168 0.027005 -0.59872 0.549359
## ma1 1.026677 0.023689 43.34032 0.000000
## ma2 0.120754 0.018550 6.50975 0.000000
## omega 3.639699 3.100550 1.17389 0.240440
## alpha1 0.033750 0.033237 1.01544 0.309898
## alpha2 0.009672 0.048952 0.19758 0.843378
## beta1 0.852750 0.062745 13.59073 0.000000
## gamma1 0.319016 0.088485 3.60532 0.000312
## gamma2 -0.113360 0.094920 -1.19426 0.232374
##
## LogLikelihood : -5779.019
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.8033
## Bayes 7.8426
## Shibata 7.8032
## Hannan-Quinn 7.8179
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 2.382 0.1227
## Lag[2*(p+q)+(p+q)-1][11] 3.550 1.0000
## Lag[4*(p+q)+(p+q)-1][19] 7.194 0.8902
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.09463 0.7584
## Lag[2*(p+q)+(p+q)-1][8] 2.15060 0.8351
## Lag[4*(p+q)+(p+q)-1][14] 4.74242 0.8007
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.1108 0.500 2.000 0.7392
## ARCH Lag[6] 0.2563 1.461 1.711 0.9558
## ARCH Lag[8] 1.3852 2.368 1.583 0.8607
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 4.13
## Individual Statistics:
## mu 0.08879
## ar1 0.08102
## ar2 0.06778
## ma1 0.07081
## ma2 0.05424
## omega 0.36100
## alpha1 0.79557
## alpha2 0.90346
## beta1 0.90853
## gamma1 1.25526
## gamma2 1.24159
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.49 2.75 3.27
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 1.0017 0.3167
## Negative Sign Bias 0.5025 0.6154
## Positive Sign Bias 0.1797 0.8574
## Joint Effect 3.0853 0.3787
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 78.05 4.025e-09
## 2 30 103.25 2.934e-10
## 3 40 118.91 5.199e-10
## 4 50 137.02 2.907e-10
##
##
## Elapsed time : 1.20636#GJR-GARCH(21)VNI với phân phối Student t
print(VNI.garch21t.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 1)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "std")) ##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(2,1)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : std
## Includes Skew : FALSE
## Includes Shape : TRUE
## Includes Lambda : FALSEprint(VNI.garch21t.fit <- ugarchfit(spec = VNI.garch21t.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,1)
## Mean Model : ARFIMA(2,0,2)
## Distribution : std
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -1.513775 0.312802 -4.83940 0.000001
## ar1 1.027743 0.022889 44.90203 0.000000
## ar2 -0.112843 0.030272 -3.72769 0.000193
## ma1 -0.957055 0.009038 -105.88708 0.000000
## ma2 0.058226 0.003440 16.92366 0.000000
## omega 4.733133 2.262605 2.09190 0.036448
## alpha1 0.033036 0.028177 1.17247 0.241010
## alpha2 0.011692 0.033663 0.34732 0.728352
## beta1 0.847702 0.041887 20.23791 0.000000
## gamma1 0.379200 0.101221 3.74624 0.000180
## gamma2 -0.166059 0.101447 -1.63690 0.101651
## shape 5.007076 0.620512 8.06926 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -1.513775 0.320982 -4.71608 0.000002
## ar1 1.027743 0.025001 41.10847 0.000000
## ar2 -0.112843 0.022952 -4.91652 0.000001
## ma1 -0.957055 0.010822 -88.43767 0.000000
## ma2 0.058226 0.007665 7.59654 0.000000
## omega 4.733133 3.035233 1.55940 0.118902
## alpha1 0.033036 0.026888 1.22867 0.219195
## alpha2 0.011692 0.040166 0.29108 0.770988
## beta1 0.847702 0.056432 15.02175 0.000000
## gamma1 0.379200 0.105080 3.60867 0.000308
## gamma2 -0.166059 0.106436 -1.56018 0.118717
## shape 5.007076 0.544090 9.20266 0.000000
##
## LogLikelihood : -5735.285
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.7457
## Bayes 7.7885
## Shibata 7.7455
## Hannan-Quinn 7.7616
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.8226 0.3644
## Lag[2*(p+q)+(p+q)-1][11] 4.4919 0.9967
## Lag[4*(p+q)+(p+q)-1][19] 8.1945 0.7666
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.1419 0.7064
## Lag[2*(p+q)+(p+q)-1][8] 1.6292 0.9114
## Lag[4*(p+q)+(p+q)-1][14] 3.8816 0.8912
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.02607 0.500 2.000 0.8717
## ARCH Lag[6] 0.10170 1.461 1.711 0.9879
## ARCH Lag[8] 1.05564 2.368 1.583 0.9160
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 4.7101
## Individual Statistics:
## mu 0.2695
## ar1 0.1159
## ar2 0.1090
## ma1 0.1222
## ma2 0.1239
## omega 0.2595
## alpha1 0.8685
## alpha2 0.9819
## beta1 0.8124
## gamma1 1.0119
## gamma2 0.9679
## shape 0.1702
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.69 2.96 3.51
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 1.15460 0.2484
## Negative Sign Bias 0.04936 0.9606
## Positive Sign Bias 0.42364 0.6719
## Joint Effect 2.11546 0.5488
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 29.23 0.0623849
## 2 30 40.87 0.0707531
## 3 40 78.53 0.0001795
## 4 50 72.74 0.0154589
##
##
## Elapsed time : 1.790641#GJR-GARCH(21)VNI với phân phối Student's t đối xứng
print(VNI.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")) ##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(2,1)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : sstd
## Includes Skew : TRUE
## Includes Shape : TRUE
## Includes Lambda : FALSEprint(VNI.garch21st.fit <- ugarchfit(spec = VNI.garch21st.spec, data =diff(data$VNI)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,1)
## Mean Model : ARFIMA(2,0,2)
## Distribution : sstd
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -1.308005 0.641539 -2.0389e+00 0.041464
## ar1 1.265285 0.008140 1.5545e+02 0.000000
## ar2 -0.272692 0.007780 -3.5048e+01 0.000000
## ma1 -1.194864 0.000009 -1.3615e+05 0.000000
## ma2 0.205500 0.000687 2.9908e+02 0.000000
## omega 3.822838 1.806124 2.1166e+00 0.034294
## alpha1 0.027864 0.027123 1.0273e+00 0.304275
## alpha2 0.011209 0.031631 3.5437e-01 0.723060
## beta1 0.867281 0.034322 2.5269e+01 0.000000
## gamma1 0.327827 0.093560 3.5039e+00 0.000458
## gamma2 -0.149809 0.090838 -1.6492e+00 0.099110
## skew 1.100905 0.038659 2.8477e+01 0.000000
## shape 5.164526 0.673253 7.6710e+00 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -1.308005 0.829077 -1.5777e+00 0.114643
## ar1 1.265285 0.005970 2.1193e+02 0.000000
## ar2 -0.272692 0.005070 -5.3785e+01 0.000000
## ma1 -1.194864 0.000012 -9.9650e+04 0.000000
## ma2 0.205500 0.000870 2.3626e+02 0.000000
## omega 3.822838 2.300237 1.6619e+00 0.096526
## alpha1 0.027864 0.026325 1.0584e+00 0.289852
## alpha2 0.011209 0.037700 2.9733e-01 0.766218
## beta1 0.867281 0.044168 1.9636e+01 0.000000
## gamma1 0.327827 0.103009 3.1825e+00 0.001460
## gamma2 -0.149809 0.093166 -1.6080e+00 0.107842
## skew 1.100905 0.038268 2.8768e+01 0.000000
## shape 5.164526 0.581387 8.8831e+00 0.000000
##
## LogLikelihood : -5730.978
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.7412
## Bayes 7.7877
## Shibata 7.7411
## Hannan-Quinn 7.7585
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.8628 0.3530
## Lag[2*(p+q)+(p+q)-1][11] 4.1128 0.9998
## Lag[4*(p+q)+(p+q)-1][19] 7.7394 0.8289
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.5124 0.4741
## Lag[2*(p+q)+(p+q)-1][8] 2.7208 0.7365
## Lag[4*(p+q)+(p+q)-1][14] 5.0022 0.7692
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.009214 0.500 2.000 0.9235
## ARCH Lag[6] 0.033637 1.461 1.711 0.9975
## ARCH Lag[8] 0.888495 2.368 1.583 0.9400
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 4.3165
## Individual Statistics:
## mu 0.1832
## ar1 0.2095
## ar2 0.2056
## ma1 0.2058
## ma2 0.2035
## omega 0.2865
## alpha1 0.8111
## alpha2 0.9098
## beta1 0.7238
## gamma1 0.8561
## gamma2 0.8342
## skew 0.1490
## shape 0.1630
##
## 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 1.0187 0.3085
## Negative Sign Bias 0.4648 0.6421
## Positive Sign Bias 0.6188 0.5362
## Joint Effect 2.5133 0.4729
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 22.79 0.24661
## 2 30 38.04 0.12156
## 3 40 57.89 0.02621
## 4 50 74.42 0.01106
##
##
## Elapsed time : 2.650607#GJR-GARCH(21)VNI với phân phối Generalized Error Distributtion (GED)
print(VNI.garch21g.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 1)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "ged"))##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(2,1)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : ged
## Includes Skew : FALSE
## Includes Shape : TRUE
## Includes Lambda : FALSEprint(VNI.garch21g.fit <- ugarchfit(spec = VNI.garch21g.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,1)
## Mean Model : ARFIMA(2,0,2)
## Distribution : ged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -1.398281 0.274727 -5.08971 0.000000
## ar1 1.197487 0.009697 123.48795 0.000000
## ar2 -0.254926 0.008574 -29.73110 0.000000
## ma1 -1.141134 0.001257 -907.60453 0.000000
## ma2 0.208133 0.000677 307.32721 0.000000
## omega 4.142201 2.062351 2.00848 0.044592
## alpha1 0.035660 0.028769 1.23953 0.215150
## alpha2 0.007309 0.033553 0.21784 0.827552
## beta1 0.853318 0.039666 21.51252 0.000000
## gamma1 0.342758 0.094173 3.63965 0.000273
## gamma2 -0.137332 0.095841 -1.43293 0.151879
## shape 1.184199 0.058431 20.26651 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -1.398281 0.285754 -4.89330 0.000001
## ar1 1.197487 0.004706 254.43474 0.000000
## ar2 -0.254926 0.003701 -68.88732 0.000000
## ma1 -1.141134 0.000487 -2341.55727 0.000000
## ma2 0.208133 0.000256 812.91764 0.000000
## omega 4.142201 2.541925 1.62955 0.103196
## alpha1 0.035660 0.028599 1.24686 0.212447
## alpha2 0.007309 0.039506 0.18502 0.853213
## beta1 0.853318 0.049166 17.35595 0.000000
## gamma1 0.342758 0.090686 3.77962 0.000157
## gamma2 -0.137332 0.092120 -1.49080 0.136013
## shape 1.184199 0.057703 20.52240 0.000000
##
## LogLikelihood : -5725.633
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.7327
## Bayes 7.7755
## Shibata 7.7325
## Hannan-Quinn 7.7486
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.1885 0.6641
## Lag[2*(p+q)+(p+q)-1][11] 3.5905 1.0000
## Lag[4*(p+q)+(p+q)-1][19] 7.1483 0.8947
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.1093 0.7410
## Lag[2*(p+q)+(p+q)-1][8] 1.7493 0.8955
## Lag[4*(p+q)+(p+q)-1][14] 4.0725 0.8733
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.03915 0.500 2.000 0.8432
## ARCH Lag[6] 0.12013 1.461 1.711 0.9847
## ARCH Lag[8] 1.12102 2.368 1.583 0.9058
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 3.6757
## Individual Statistics:
## mu 0.30034
## ar1 0.06116
## ar2 0.05432
## ma1 0.06251
## ma2 0.05645
## omega 0.29125
## alpha1 0.82455
## alpha2 0.93906
## beta1 0.84177
## gamma1 1.05592
## gamma2 1.03466
## shape 0.14038
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.69 2.96 3.51
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 1.0485 0.2946
## Negative Sign Bias 0.1618 0.8715
## Positive Sign Bias 0.3026 0.7623
## Joint Effect 2.0827 0.5554
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 19.07 0.45218
## 2 30 36.70 0.15403
## 3 40 51.36 0.08879
## 4 50 62.97 0.08668
##
##
## Elapsed time : 2.232872#GJR-GARCH(21)VNI với phân phối Generalized Error Distributtion đối xứng
print(VNI.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")) ##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(2,1)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : sged
## Includes Skew : TRUE
## Includes Shape : TRUE
## Includes Lambda : FALSEprint(VNI.garch21sg.fit <- ugarchfit(spec = VNI.garch21sg.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * 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 -0.963913 0.285708 -3.37377 0.000741
## ar1 1.252175 0.038809 32.26492 0.000000
## ar2 -0.306369 0.037650 -8.13720 0.000000
## ma1 -1.196192 0.000399 -2995.03323 0.000000
## ma2 0.261276 0.000262 995.89337 0.000000
## omega 3.328172 1.437119 2.31586 0.020566
## alpha1 0.029290 0.018875 1.55177 0.120717
## alpha2 0.007373 0.019627 0.37565 0.707181
## beta1 0.872490 0.026257 33.22937 0.000000
## gamma1 0.297319 0.061744 4.81534 0.000001
## gamma2 -0.126555 0.060770 -2.08251 0.037296
## skew 1.085800 0.007927 136.96819 0.000000
## shape 1.204315 0.059403 20.27352 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -0.963913 0.324603 -2.96951 0.002983
## ar1 1.252175 0.071543 17.50230 0.000000
## ar2 -0.306369 0.068611 -4.46533 0.000008
## ma1 -1.196192 0.000533 -2245.10260 0.000000
## ma2 0.261276 0.000432 605.04471 0.000000
## omega 3.328172 1.525827 2.18122 0.029167
## alpha1 0.029290 0.013643 2.14687 0.031803
## alpha2 0.007373 0.014918 0.49423 0.621147
## beta1 0.872490 0.027958 31.20726 0.000000
## gamma1 0.297319 0.052505 5.66266 0.000000
## gamma2 -0.126555 0.041838 -3.02489 0.002487
## skew 1.085800 0.042496 25.55037 0.000000
## shape 1.204315 0.061322 19.63916 0.000000
##
## LogLikelihood : -5721.711
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.7287
## Bayes 7.7752
## Shibata 7.7286
## Hannan-Quinn 7.7460
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.1997 0.6549
## Lag[2*(p+q)+(p+q)-1][11] 3.6604 1.0000
## Lag[4*(p+q)+(p+q)-1][19] 7.3598 0.8732
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.4832 0.4870
## Lag[2*(p+q)+(p+q)-1][8] 2.7029 0.7397
## Lag[4*(p+q)+(p+q)-1][14] 5.0089 0.7684
## d.o.f=3
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[4] 0.01902 0.500 2.000 0.8903
## ARCH Lag[6] 0.04038 1.461 1.711 0.9968
## ARCH Lag[8] 0.92753 2.368 1.583 0.9347
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 3.2892
## Individual Statistics:
## mu 0.17216
## ar1 0.02305
## ar2 0.02159
## ma1 0.02279
## ma2 0.02206
## omega 0.31527
## alpha1 0.80231
## alpha2 0.90450
## beta1 0.76473
## gamma1 0.92722
## gamma2 0.92990
## skew 0.13700
## shape 0.16658
##
## 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 0.8405 0.4008
## Negative Sign Bias 0.6006 0.5482
## Positive Sign Bias 0.5077 0.6117
## Joint Effect 2.2948 0.5135
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 13.87 0.7912
## 2 30 37.02 0.1456
## 3 40 40.69 0.3959
## 4 50 45.38 0.6207
##
##
## Elapsed time : 6.647997GJR-GARCH(22)VNI
#GJR-GARCH(22)VNI với phân phối chuẩn
print(VNI.garch22n.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 2)), mean.model
= list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "norm"))##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(2,2)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : norm
## Includes Skew : FALSE
## Includes Shape : FALSE
## Includes Lambda : FALSEprint(VNI.garch22n.fit <- ugarchfit(spec = VNI.garch22n.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,2)
## Mean Model : ARFIMA(2,0,2)
## Distribution : norm
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -1.001977 0.318372 -3.14719 0.001648
## ar1 1.037220 0.025431 40.78641 0.000000
## ar2 -0.115695 0.030232 -3.82691 0.000130
## ma1 -0.951535 0.007953 -119.64229 0.000000
## ma2 0.045539 0.004998 9.11191 0.000000
## omega 3.663978 2.081941 1.75988 0.078427
## alpha1 0.035093 0.020995 1.67151 0.094621
## alpha2 0.006578 0.017069 0.38535 0.699977
## beta1 0.790628 0.326538 2.42124 0.015467
## beta2 0.060271 0.255936 0.23549 0.813825
## gamma1 0.312110 0.056805 5.49440 0.000000
## gamma2 -0.099250 0.077050 -1.28812 0.197705
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -1.001977 0.367068 -2.72968 0.006340
## ar1 1.037220 0.026198 39.59208 0.000000
## ar2 -0.115695 0.027060 -4.27545 0.000019
## ma1 -0.951535 0.006485 -146.72301 0.000000
## ma2 0.045539 0.004137 11.00663 0.000000
## omega 3.663978 3.831243 0.95634 0.338900
## alpha1 0.035093 0.031911 1.09970 0.271461
## alpha2 0.006578 0.048777 0.13485 0.892732
## beta1 0.790628 0.695960 1.13603 0.255946
## beta2 0.060271 0.580636 0.10380 0.917326
## gamma1 0.312110 0.091017 3.42914 0.000606
## gamma2 -0.099250 0.204575 -0.48515 0.627568
##
## LogLikelihood : -5781.379
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.8078
## Bayes 7.8507
## Shibata 7.8077
## Hannan-Quinn 7.8238
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 2.234 0.1350
## Lag[2*(p+q)+(p+q)-1][11] 5.969 0.5070
## Lag[4*(p+q)+(p+q)-1][19] 9.842 0.4947
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.1354 0.7129
## Lag[2*(p+q)+(p+q)-1][11] 3.2226 0.8414
## Lag[4*(p+q)+(p+q)-1][19] 6.2378 0.8543
## d.o.f=4
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[5] 0.09718 0.500 2.000 0.7552
## ARCH Lag[7] 0.81310 1.473 1.746 0.8100
## ARCH Lag[9] 1.68108 2.402 1.619 0.8192
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 4.1836
## Individual Statistics:
## mu 0.08357
## ar1 0.04781
## ar2 0.04733
## ma1 0.05030
## ma2 0.05744
## omega 0.39368
## alpha1 0.83848
## alpha2 0.94729
## beta1 0.96492
## beta2 0.94771
## gamma1 1.26502
## gamma2 1.27910
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.69 2.96 3.51
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.7939 0.4274
## Negative Sign Bias 0.5494 0.5828
## Positive Sign Bias 0.1393 0.8892
## Joint Effect 2.3668 0.4998
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 81.69 9.502e-10
## 2 30 106.16 9.872e-11
## 3 40 119.94 3.638e-10
## 4 50 131.03 2.084e-09
##
##
## Elapsed time : 1.218065#GJR-GARCH(22)VNI với phân phối Student t
print(VNI.garch22t.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 2)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "std"))##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(2,2)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : std
## Includes Skew : FALSE
## Includes Shape : TRUE
## Includes Lambda : FALSEprint(VNI.garch22t.fit <- ugarchfit(spec = VNI.garch22t.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,2)
## Mean Model : ARFIMA(2,0,2)
## Distribution : std
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -1.513812 0.310817 -4.870430 0.000001
## ar1 1.028608 0.021778 47.230467 0.000000
## ar2 -0.113599 0.028689 -3.959676 0.000075
## ma1 -0.957972 0.008625 -111.064846 0.000000
## ma2 0.059023 0.003026 19.505699 0.000000
## omega 4.735281 4.157898 1.138864 0.254760
## alpha1 0.033065 0.027400 1.206737 0.227533
## alpha2 0.011691 0.029063 0.402270 0.687486
## beta1 0.847648 0.478690 1.770765 0.076600
## beta2 0.000002 0.363460 0.000005 0.999996
## gamma1 0.379125 0.015902 23.841429 0.000000
## gamma2 -0.165937 0.184111 -0.901290 0.367434
## shape 5.007107 0.578643 8.653192 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -1.513812 0.344092 -4.399440 0.000011
## ar1 1.028608 0.027777 37.030738 0.000000
## ar2 -0.113599 0.027649 -4.108685 0.000040
## ma1 -0.957972 0.010306 -92.954353 0.000000
## ma2 0.059023 0.007427 7.946674 0.000000
## omega 4.735281 8.884891 0.532959 0.594062
## alpha1 0.033065 0.028515 1.159542 0.246235
## alpha2 0.011691 0.083367 0.140239 0.888471
## beta1 0.847648 1.068482 0.793320 0.427591
## beta2 0.000002 0.839484 0.000002 0.999998
## gamma1 0.379125 0.195086 1.943373 0.051971
## gamma2 -0.165937 0.430625 -0.385341 0.699985
## shape 5.007107 0.769681 6.505434 0.000000
##
## LogLikelihood : -5735.285
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.7470
## Bayes 7.7935
## Shibata 7.7469
## Hannan-Quinn 7.7643
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.8195 0.3653
## Lag[2*(p+q)+(p+q)-1][11] 4.4873 0.9968
## Lag[4*(p+q)+(p+q)-1][19] 8.1896 0.7673
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.1413 0.7070
## Lag[2*(p+q)+(p+q)-1][11] 2.7018 0.9017
## Lag[4*(p+q)+(p+q)-1][19] 5.6265 0.9015
## d.o.f=4
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[5] 0.06813 0.500 2.000 0.7941
## ARCH Lag[7] 0.60821 1.473 1.746 0.8676
## ARCH Lag[9] 1.50650 2.402 1.619 0.8509
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 4.8666
## Individual Statistics:
## mu 0.2696
## ar1 0.1161
## ar2 0.1093
## ma1 0.1224
## ma2 0.1242
## omega 0.2595
## alpha1 0.8676
## alpha2 0.9812
## beta1 0.8120
## beta2 0.8002
## gamma1 1.0109
## gamma2 0.9669
## shape 0.1703
##
## 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 1.15485 0.2483
## Negative Sign Bias 0.04912 0.9608
## Positive Sign Bias 0.42300 0.6724
## Joint Effect 2.11648 0.5486
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 29.18 0.0631971
## 2 30 40.70 0.0730750
## 3 40 79.07 0.0001548
## 4 50 71.46 0.0198019
##
##
## Elapsed time : 1.745207#GJR-GARCH(22)VNI với phân phối Student's t đối xứng
print(VNI.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")) ##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(2,2)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : sstd
## Includes Skew : TRUE
## Includes Shape : TRUE
## Includes Lambda : FALSEprint(VNI.garch22st.fit <- ugarchfit(spec = VNI.garch22st.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * 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 -1.123824 0.342022 -3.2858e+00 0.001017
## ar1 1.151193 0.021523 5.3486e+01 0.000000
## ar2 -0.201034 0.019736 -1.0186e+01 0.000000
## ma1 -1.080393 0.000072 -1.5030e+04 0.000000
## ma2 0.140603 0.000822 1.7114e+02 0.000000
## omega 3.840181 6.757188 5.6831e-01 0.569824
## alpha1 0.027403 0.022501 1.2178e+00 0.223285
## alpha2 0.011026 0.067509 1.6332e-01 0.870265
## beta1 0.867155 0.941783 9.2076e-01 0.357176
## beta2 0.000001 0.755376 2.0000e-06 0.999998
## gamma1 0.328937 0.137662 2.3894e+00 0.016874
## gamma2 -0.149440 0.328537 -4.5487e-01 0.649206
## skew 1.101201 0.036854 2.9880e+01 0.000000
## shape 5.196493 0.543332 9.5641e+00 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -1.123824 0.447017 -2.5141e+00 0.011935
## ar1 1.151193 0.053358 2.1575e+01 0.000000
## ar2 -0.201034 0.063039 -3.1890e+00 0.001427
## ma1 -1.080393 0.000137 -7.9005e+03 0.000000
## ma2 0.140603 0.003775 3.7249e+01 0.000000
## omega 3.840181 27.926179 1.3751e-01 0.890626
## alpha1 0.027403 0.062637 4.3748e-01 0.661761
## alpha2 0.011026 0.292272 3.7724e-02 0.969908
## beta1 0.867155 3.933810 2.2044e-01 0.825531
## beta2 0.000001 3.176127 0.0000e+00 1.000000
## gamma1 0.328937 0.643808 5.1092e-01 0.609405
## gamma2 -0.149440 1.384406 -1.0794e-01 0.914039
## skew 1.101201 0.035590 3.0942e+01 0.000000
## shape 5.196493 1.882000 2.7612e+00 0.005760
##
## LogLikelihood : -5731.229
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.7429
## Bayes 7.7929
## Shibata 7.7427
## Hannan-Quinn 7.7615
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.9064 0.3411
## Lag[2*(p+q)+(p+q)-1][11] 4.3386 0.9988
## Lag[4*(p+q)+(p+q)-1][19] 8.0640 0.7853
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.5269 0.4679
## Lag[2*(p+q)+(p+q)-1][11] 3.7137 0.7747
## Lag[4*(p+q)+(p+q)-1][19] 6.4919 0.8319
## d.o.f=4
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[5] 0.0082 0.500 2.000 0.9278
## ARCH Lag[7] 0.4792 1.473 1.746 0.9028
## ARCH Lag[9] 1.3955 2.402 1.619 0.8702
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 4.3823
## Individual Statistics:
## mu 0.23296
## ar1 0.08837
## ar2 0.08167
## ma1 0.08907
## ma2 0.08633
## omega 0.27810
## alpha1 0.81098
## alpha2 0.90738
## beta1 0.71903
## beta2 0.70844
## gamma1 0.85392
## gamma2 0.83661
## skew 0.16069
## shape 0.16180
##
## 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 0.9164 0.3596
## Negative Sign Bias 0.5368 0.5915
## Positive Sign Bias 0.5927 0.5534
## Joint Effect 2.3568 0.5017
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 20.23 0.3808
## 2 30 36.34 0.1640
## 3 40 46.89 0.1804
## 4 50 56.50 0.2152
##
##
## Elapsed time : 2.654445#GJR-GARCH(22)VNI với phân phối Generalized Error Distributtion (GED)
print(VNI.garch22g.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 2)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "ged")) ##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(2,2)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : ged
## Includes Skew : FALSE
## Includes Shape : TRUE
## Includes Lambda : FALSEprint(VNI.garch22g.fit <- ugarchfit(spec = VNI.garch22g.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,2)
## Mean Model : ARFIMA(2,0,2)
## Distribution : ged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -1.397881 0.272410 -5.131525 0.00000
## ar1 1.196681 0.009746 122.790583 0.00000
## ar2 -0.254304 0.008558 -29.713828 0.00000
## ma1 -1.140292 0.001350 -844.542175 0.00000
## ma2 0.207503 0.000841 246.711604 0.00000
## omega 4.141260 4.359756 0.949883 0.34217
## alpha1 0.035669 0.026624 1.339719 0.18034
## alpha2 0.007298 0.040121 0.181907 0.85566
## beta1 0.853321 0.569785 1.497620 0.13423
## beta2 0.000002 0.444291 0.000005 1.00000
## gamma1 0.342754 0.053001 6.466952 0.00000
## gamma2 -0.137334 0.176688 -0.777270 0.43700
## shape 1.184193 0.058320 20.304972 0.00000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -1.397881 0.291849 -4.7897e+00 0.000002
## ar1 1.196681 0.004731 2.5295e+02 0.000000
## ar2 -0.254304 0.004003 -6.3524e+01 0.000000
## ma1 -1.140292 0.000558 -2.0438e+03 0.000000
## ma2 0.207503 0.001022 2.0298e+02 0.000000
## omega 4.141260 8.962486 4.6207e-01 0.644034
## alpha1 0.035669 0.032773 1.0884e+00 0.276439
## alpha2 0.007298 0.096503 7.5628e-02 0.939715
## beta1 0.853321 1.238574 6.8895e-01 0.490852
## beta2 0.000002 0.992287 2.0000e-06 0.999998
## gamma1 0.342754 0.151091 2.2685e+00 0.023297
## gamma2 -0.137334 0.408834 -3.3592e-01 0.736934
## shape 1.184193 0.058982 2.0077e+01 0.000000
##
## LogLikelihood : -5725.633
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.7340
## Bayes 7.7805
## Shibata 7.7339
## Hannan-Quinn 7.7513
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.1896 0.6632
## Lag[2*(p+q)+(p+q)-1][11] 3.5923 1.0000
## Lag[4*(p+q)+(p+q)-1][19] 7.1505 0.8945
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.109 0.7413
## Lag[2*(p+q)+(p+q)-1][11] 2.856 0.8852
## Lag[4*(p+q)+(p+q)-1][19] 5.784 0.8902
## d.o.f=4
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[5] 0.07371 0.500 2.000 0.7860
## ARCH Lag[7] 0.63100 1.473 1.746 0.8613
## ARCH Lag[9] 1.55188 2.402 1.619 0.8428
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 3.7976
## Individual Statistics:
## mu 0.30089
## ar1 0.06173
## ar2 0.05448
## ma1 0.06292
## ma2 0.05667
## omega 0.29130
## alpha1 0.82489
## alpha2 0.93948
## beta1 0.84226
## beta2 0.83043
## gamma1 1.05639
## gamma2 1.03511
## shape 0.14017
##
## 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 1.0482 0.2947
## Negative Sign Bias 0.1618 0.8715
## Positive Sign Bias 0.3020 0.7627
## Joint Effect 2.0822 0.5555
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 19.07 0.45218
## 2 30 36.70 0.15403
## 3 40 51.36 0.08879
## 4 50 62.97 0.08668
##
##
## Elapsed time : 3.301939#GJR-GARCH(22)VNI với phân phối Generalized Error Distributtion đối xứng
print(VNI.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")) ##
## *---------------------------------*
## * GARCH Model Spec *
## *---------------------------------*
##
## Conditional Variance Dynamics
## ------------------------------------
## GARCH Model : gjrGARCH(2,2)
## Variance Targeting : FALSE
##
## Conditional Mean Dynamics
## ------------------------------------
## Mean Model : ARFIMA(2,0,2)
## Include Mean : TRUE
## GARCH-in-Mean : FALSE
##
## Conditional Distribution
## ------------------------------------
## Distribution : sged
## Includes Skew : TRUE
## Includes Shape : TRUE
## Includes Lambda : FALSEprint(VNI.garch22sg.fit <- ugarchfit(spec = VNI.garch22sg.spec, data = diff(data$VNI)))##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(2,2)
## Mean Model : ARFIMA(2,0,2)
## Distribution : sged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -0.965595 0.336987 -2.8654e+00 0.004165
## ar1 1.250717 0.037352 3.3484e+01 0.000000
## ar2 -0.304928 0.036918 -8.2595e+00 0.000000
## ma1 -1.194718 0.000387 -3.0867e+03 0.000000
## ma2 0.259836 0.000253 1.0288e+03 0.000000
## omega 3.330280 3.170213 1.0505e+00 0.293492
## alpha1 0.029276 0.034117 8.5812e-01 0.390824
## alpha2 0.007383 0.071774 1.0286e-01 0.918070
## beta1 0.872459 0.123826 7.0459e+00 0.000000
## beta2 0.000002 0.179014 1.1000e-05 0.999991
## gamma1 0.297437 0.061837 4.8100e+00 0.000002
## gamma2 -0.126605 0.061076 -2.0729e+00 0.038180
## skew 1.085746 0.018508 5.8662e+01 0.000000
## shape 1.204354 0.059341 2.0296e+01 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -0.965595 0.809667 -1.1926e+00 0.233032
## ar1 1.250717 0.079794 1.5674e+01 0.000000
## ar2 -0.304928 0.073271 -4.1617e+00 0.000032
## ma1 -1.194718 0.000537 -2.2249e+03 0.000000
## ma2 0.259836 0.000450 5.7746e+02 0.000000
## omega 3.330280 11.618523 2.8663e-01 0.774392
## alpha1 0.029276 0.112179 2.6098e-01 0.794110
## alpha2 0.007383 0.277784 2.6578e-02 0.978796
## beta1 0.872459 0.448548 1.9451e+00 0.051766
## beta2 0.000002 0.685660 3.0000e-06 0.999998
## gamma1 0.297437 0.063756 4.6652e+00 0.000003
## gamma2 -0.126605 0.044145 -2.8679e+00 0.004132
## skew 1.085746 0.069291 1.5669e+01 0.000000
## shape 1.204354 0.061632 1.9541e+01 0.000000
##
## LogLikelihood : -5721.711
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.7301
## Bayes 7.7801
## Shibata 7.7299
## Hannan-Quinn 7.7487
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.2002 0.6546
## Lag[2*(p+q)+(p+q)-1][11] 3.6611 1.0000
## Lag[4*(p+q)+(p+q)-1][19] 7.3618 0.8730
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.4834 0.4869
## Lag[2*(p+q)+(p+q)-1][11] 3.8355 0.7572
## Lag[4*(p+q)+(p+q)-1][19] 6.5937 0.8226
## d.o.f=4
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[5] 0.006959 0.500 2.000 0.9335
## ARCH Lag[7] 0.460742 1.473 1.746 0.9077
## ARCH Lag[9] 1.478311 2.402 1.619 0.8559
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 3.3135
## Individual Statistics:
## mu 0.17174
## ar1 0.02317
## ar2 0.02182
## ma1 0.02285
## ma2 0.02207
## omega 0.31529
## alpha1 0.80285
## alpha2 0.90477
## beta1 0.76500
## beta2 0.75335
## gamma1 0.92816
## gamma2 0.93085
## skew 0.13728
## shape 0.16661
##
## 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 0.8409 0.4005
## Negative Sign Bias 0.6002 0.5484
## Positive Sign Bias 0.5082 0.6114
## Joint Effect 2.2947 0.5135
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 13.87 0.7912
## 2 30 37.11 0.1436
## 3 40 40.69 0.3959
## 4 50 45.58 0.6125
##
##
## Elapsed time : 8.1982164.4.2 Lựa chọn mô hình GJR-GARCH
Sau khi kết thúc việc xây dựng các mô hình biên (các mô hình GJR-GARCH(11), GJR-GARCH(12), GJR-GARCH(21), GJR-GARCH(22)) với 5 phân phối trên, ta tiến hành lựa chọn 1 mô hình phù hợp nhất đối với mỗi chuỗi Chứng khoán.
4.4.2.1 Lựa chọn mô hình biên phù hợp nhất cho chuỗi AUS
AUS_list <- list(garch11n = AUS11n, garch11t = AUS11t, garch11st = AUS11st, garch11g = AUS11g, garch11sg = AUS11sg, garch12n = AUS12n, garch12t = AUS12t, garch12st = AUS12st, garch12g = AUS12g, garch12sg = AUS12sg, garch21n = AUS21n, garch21t = AUS21t, garch21st = AUS21st, garch21g = AUS21g, garch21sg = AUS21sg, garch22n = AUS22n, garch22t = AUS22t, garch22st = AUS22st, garch22g = AUS22g, garch22sg = AUS22sg)AUS.info.mat <- sapply(AUS_list, infocriteria)
rownames(AUS.info.mat) <- rownames(infocriteria(AUS11n))
print(AUS.info.mat)## garch11n garch11t garch11st garch11g garch11sg garch12n garch12t
## Akaike 10.98221 10.94204 10.93515 10.94863 10.94142 10.98372 10.94271
## Bayes 11.00365 10.96705 10.96373 10.97364 10.97001 11.00874 10.97129
## Shibata 10.98218 10.94199 10.93509 10.94859 10.94136 10.98368 10.94265
## Hannan-Quinn 10.99020 10.95136 10.94580 10.95795 10.95208 10.99305 10.95336
## garch12st garch12g garch12sg garch21n garch21t garch21st garch21g
## Akaike 10.93586 10.94973 10.94249 10.98491 10.94479 10.93785 10.95142
## Bayes 10.96802 10.97832 10.97465 11.01349 10.97695 10.97358 10.98358
## Shibata 10.93579 10.94967 10.94242 10.98485 10.94472 10.93776 10.95134
## Hannan-Quinn 10.94785 10.96038 10.95448 10.99556 10.95678 10.95117 10.96340
## garch21sg garch22n garch22t garch22st garch22g garch22sg
## Akaike 10.94417 10.98579 10.94524 10.93843 10.95207 10.94494
## Bayes 10.97990 11.01795 10.98097 10.97773 10.98780 10.98424
## Shibata 10.94408 10.98572 10.94515 10.93832 10.95198 10.94483
## Hannan-Quinn 10.95749 10.99778 10.95856 10.95308 10.96539 10.95959AUS.inds <- which(AUS.info.mat == min(AUS.info.mat), arr.ind=TRUE)
model.AUS <- colnames(AUS.info.mat)[AUS.inds[,2]]
print(model.AUS)## [1] "garch11st"Kết quả cho thấy mô hình biên phù hợp cho chuỗi AUS là mô hình GJR-GARCH(11) của AUS với phân phối Generalized Error Distributtion đối xứng với tất cả các chỉ số thông tin AIC, BIC, SIC và HQ đều thấp nhất.
4.4.2.2 Lựa chọn mô hình biên phù hợp nhất cho chuỗi VNI
VNI.model.list <- list(garch11n = VNI.garch11n.fit, garch11t = VNI.garch11t.fit, garch11st = VNI.garch11st.fit, garch11g = VNI.garch11g.fit, garch11sg = VNI.garch11sg.fit, garch12n = VNI.garch12n.fit, garch12t = VNI.garch12t.fit, garch12st = VNI.garch12st.fit, garch12g = VNI.garch12g.fit, garch12sg = VNI.garch12sg.fit, garch21n = VNI.garch21n.fit, garch21t = VNI.garch21t.fit, garch21st = VNI.garch21st.fit, garch21g = VNI.garch21g.fit, garch21sg = VNI.garch21sg.fit, garch22n = VNI.garch22n.fit, garch22t = VNI.garch22t.fit, garch22st = VNI.garch22st.fit, garch22g = VNI.garch22g.fit, garch22sg = VNI.garch22sg.fit)VNI.info.mat <- sapply(VNI.model.list, infocriteria)
rownames(VNI.info.mat) <- rownames(infocriteria(VNI.garch11n.fit))
print(VNI.info.mat)## garch11n garch11t garch11st garch11g garch11sg garch12n garch12t
## Akaike 7.805874 7.745192 7.740679 7.731020 7.727686 7.805850 7.745737
## Bayes 7.838032 7.780923 7.779983 7.766751 7.766990 7.841581 7.785041
## Shibata 7.805801 7.745102 7.740570 7.730930 7.727577 7.805760 7.745628
## Hannan-Quinn 7.817860 7.758510 7.755329 7.744338 7.742336 7.819168 7.760387
## garch12st garch12g garch12sg garch21n garch21t garch21st garch21g
## Akaike 7.741572 7.731815 7.728329 7.803260 7.745668 7.741210 7.732658
## Bayes 7.784449 7.771119 7.771206 7.842564 7.788545 7.787661 7.775536
## Shibata 7.741443 7.731706 7.728199 7.803151 7.745538 7.741059 7.732529
## Hannan-Quinn 7.757554 7.746465 7.744310 7.817910 7.761650 7.758524 7.748640
## garch21sg garch22n garch22t garch22st garch22g garch22sg
## Akaike 7.728721 7.807789 7.747015 7.742896 7.734006 7.730069
## Bayes 7.775171 7.850666 7.793466 7.792919 7.780457 7.780092
## Shibata 7.728569 7.807659 7.746864 7.742720 7.733854 7.729893
## Hannan-Quinn 7.746035 7.823770 7.764329 7.761542 7.751320 7.748714VNI.inds <- which(VNI.info.mat == min(VNI.info.mat), arr.ind=TRUE)
model.VNI <- colnames(VNI.info.mat)[VNI.inds[,2]]
print(model.VNI)## [1] "garch11sg"Tương tự với lết quả lựa chọn mô hình biên cho chuỗi AUS thì kết quả lựa chọn mô hình biên phù hợp cho chuỗi VNI cũng cho thấy mô hình GJR-GARCH(11) với phân phối Generalized Error Distributtion đối xứng là phù hợp nhất.
4.4.3 Mô hình ARMA
Mã chứng khoán AUS (S&P/AXS 200)
require(forecast)
require(rugarch)
autoarfima(Var1,ar.max = 2, ma.max = 2, criterion = "AIC", method = "full")## $fit
##
## *----------------------------------*
## * ARFIMA Model Fit *
## *----------------------------------*
## Mean Model : ARFIMA(0,0,2)
## Distribution : norm
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## ma1 -0.142768 0.025887 -5.5151 0.000000
## ma2 0.087712 0.025873 3.3901 0.000699
## sigma 68.446696 1.256377 54.4794 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## ma1 -0.142768 0.058541 -2.4388 0.014737
## ma2 0.087712 0.049892 1.7580 0.078743
## sigma 68.446696 6.266446 10.9227 0.000000
##
## LogLikelihood : -8377.172
##
## Information Criteria
## ------------------------------------
##
## Akaike 11.294
## Bayes 11.305
## Shibata 11.294
## Hannan-Quinn 11.298
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.0004342 0.9834
## Lag[2*(p+q)+(p+q)-1][5] 0.5667146 1.0000
## Lag[4*(p+q)+(p+q)-1][9] 2.9636900 0.8961
##
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 253.6 0
## Lag[2*(p+q)+(p+q)-1][2] 444.8 0
## Lag[4*(p+q)+(p+q)-1][5] 891.9 0
##
##
## ARCH LM Tests
## ------------------------------------
## Statistic DoF P-Value
## ARCH Lag[2] 455.1 2 0
## ARCH Lag[5] 554.8 5 0
## ARCH Lag[10] 574.1 10 0
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 1.3937
## Individual Statistics:
## ma1 0.23226
## ma2 0.02689
## sigma 1.20204
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 0.846 1.01 1.35
## Individual Statistic: 0.35 0.47 0.75
##
##
## Elapsed time : 0.03442788
##
##
## $rank.matrix
## ar1 ar2 ma1 ma2 im arf AIC converged
## 1 0 0 1 1 0 0 11.29403 1
## 2 1 0 0 1 0 0 11.29444 1
## 3 0 1 1 0 0 0 11.29464 1
## 4 0 0 1 1 1 0 11.29512 1
## 5 1 1 0 0 0 0 11.29519 1
## 6 1 0 1 1 0 0 11.29532 1
## 7 1 1 1 0 0 0 11.29533 1
## 8 0 1 1 1 0 0 11.29537 1
## 9 1 1 0 1 0 0 11.29540 1
## 10 1 0 0 1 1 0 11.29552 1
## 11 0 1 1 0 1 0 11.29573 1
## 12 1 1 0 0 1 0 11.29627 1
## 13 1 0 1 1 1 0 11.29642 1
## 14 1 1 1 0 1 0 11.29645 1
## 15 0 1 1 1 1 0 11.29645 1
## 16 1 1 0 1 1 0 11.29649 1
## 17 1 0 1 0 0 0 11.29657 1
## 18 1 1 1 1 0 0 11.29671 1
## 19 1 0 0 0 0 0 11.29741 1
## 20 1 0 1 0 1 0 11.29763 1
## 21 1 1 1 1 1 0 11.29781 1
## 22 1 0 0 0 1 0 11.29846 1
## 23 0 0 1 0 0 0 11.30031 1
## 24 0 0 1 0 1 0 11.30135 1
## 25 0 0 0 1 0 0 11.31301 1
## 26 0 1 0 0 0 0 11.31328 1
## 27 0 0 0 1 1 0 11.31417 1
## 28 0 1 0 1 0 0 11.31427 1
## 29 0 1 0 0 1 0 11.31444 1
## 30 0 1 0 1 1 0 11.31542 1
## 31 0 0 0 0 1 0 11.31963 1Đối với thị trường chứng khoán Úc, mô hình tối ưu là ARFIMA(0,0,2), 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) = 68.446696, và ma1 = -0.142768, ma2 = 0.087712.
Mã chứng khoán VNI (VNIndex)
autoarfima(Var2,ar.max = 2, ma.max = 2, criterion = "AIC", method = "full")## $fit
##
## *----------------------------------*
## * ARFIMA Model Fit *
## *----------------------------------*
## Mean Model : ARFIMA(1,0,0)
## Distribution : norm
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## ar1 0.040513 0.025942 1.5617 0.11836
## sigma 13.966566 0.256364 54.4794 0.00000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## ar1 0.040513 0.027553 1.4703 0.14147
## sigma 13.966566 0.733169 19.0496 0.00000
##
## LogLikelihood : -6018.518
##
## Information Criteria
## ------------------------------------
##
## Akaike 8.1139
## Bayes 8.1211
## Shibata 8.1139
## Hannan-Quinn 8.1166
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.001566 0.9684
## Lag[2*(p+q)+(p+q)-1][2] 0.440204 0.9768
## Lag[4*(p+q)+(p+q)-1][5] 1.280565 0.8964
##
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 55.99 7.294e-14
## Lag[2*(p+q)+(p+q)-1][2] 73.52 0.000e+00
## Lag[4*(p+q)+(p+q)-1][5] 135.35 0.000e+00
##
##
## ARCH LM Tests
## ------------------------------------
## Statistic DoF P-Value
## ARCH Lag[2] 76.45 2 0
## ARCH Lag[5] 123.08 5 0
## ARCH Lag[10] 143.10 10 0
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 1.6569
## Individual Statistics:
## ar1 0.05374
## sigma 1.56622
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 0.61 0.749 1.07
## Individual Statistic: 0.35 0.47 0.75
##
##
## Elapsed time : 0.01271391
##
##
## $rank.matrix
## ar1 ar2 ma1 ma2 im arf AIC converged
## 1 1 0 0 0 0 0 8.113905 1
## 2 0 0 1 0 0 0 8.113984 1
## 3 1 0 1 0 0 0 8.114214 1
## 4 1 1 0 0 0 0 8.114656 1
## 5 1 0 0 1 0 0 8.114683 1
## 6 0 0 1 1 0 0 8.114687 1
## 7 0 1 0 0 0 0 8.114869 1
## 8 0 0 0 1 0 0 8.114897 1
## 9 1 0 0 0 1 0 8.115214 1
## 10 0 0 1 0 1 0 8.115293 1
## 11 0 1 1 0 0 0 8.115396 1
## 12 0 0 0 0 1 0 8.115506 1
## 13 1 0 1 0 1 0 8.115526 1
## 14 0 1 1 1 0 0 8.115543 1
## 15 1 1 0 1 0 0 8.115548 1
## 16 1 1 1 0 0 0 8.115564 1
## 17 0 1 0 1 0 0 8.115769 1
## 18 1 1 0 0 1 0 8.115967 1
## 19 0 1 1 0 1 0 8.115971 1
## 20 1 0 0 1 1 0 8.115993 1
## 21 0 0 1 1 1 0 8.115997 1
## 22 1 0 1 1 0 0 8.116033 1
## 23 0 1 0 0 1 0 8.116176 1
## 24 0 0 0 1 1 0 8.116204 1
## 25 1 1 0 1 1 0 8.116860 1
## 26 1 1 1 0 1 0 8.116875 1
## 27 1 1 1 1 0 0 8.116913 1
## 28 1 0 1 1 1 0 8.117343 1
## 29 0 1 1 1 1 0 8.117358 1
## 30 0 1 0 1 1 0 8.117565 1
## 31 1 1 1 1 1 0 8.118223 1Đối với thị trường chứng khoán Việt Nam, mô hình phù hợp hơn là ARFIMA(1,0,0), 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% và độ lệch chuẩn của tham số σ(sigma) = 13.966566. Tuy nhiên, với chỉ số ϕ1(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.
4.4.4 Ước lượng mô hình phân phối biên cho mỗi chuỗi lợi suất
Để xây dựng mô hình copula và ước lượng các tham số của mô hình copula, bước đầu tiên cần xác định mô hình phân phối biên phù hợp nhất để mô tả chính xác đặc điểm biến động của từng chuỗi lợi suất chứng khoán. Các mô hình phân phối biên của sai số chuẩn hóa của mỗi chuỗi lợi suất là yếu tố đầu vào của copula hai biến.
Mô hình biên tổng quát của các chuỗi lợi suất có dạng:
ARMA(p,q)-GJR-GARCH(r,m)
Xác định bậc p, q trong mô hình trung bình di động ARMA(p,q) căn cứ vào giá trị nhỏ nhất của tiêu chuẩn thông tin AIC được ước tính bằng phương pháp ước lượng hợp lý cực đại (Maximum Likelihood Estimation - MLE). Đây là mô hình xác định độ trễ và bước nhảy tối ưu cho chuỗi dữ liệu. Sự tồn tại của hiệu ứng ARCH được tìm thấy ở tất cả các chuỗi lợi suất bằng cách sử dụng kiểm định Lagrange Multiplier (LM). Mô hình biên phù hợp nhất được xác định dựa vào một tập hợp gồm 20 mô hình biên khác nhau tương ứng với độ trễ p, q và các kết hợp bậc của tham số r, m với bậc tối đa 2; và 5 dạng hàm phân phối biên của chuỗi phần dư cho mỗi chuỗi lợi suất. Các dạng hàm phân phối của các chuỗi phần dư của mỗi chuỗi lợi suất được đưa vào để lựa chọn gồm phân phối chuẩn (Normal), Student-t, Skewed student-t, phân phối lỗi tổng quát GED (Generalized Error Distribution) và phân phối lỗi tổng quát lệch sGED (Skewed Generalized Error Distribution). Mô hình phân phối biên phù hợp nhất cho mỗi chuỗi lợi suất được lựa chọn dựa vào giá trị nhỏ nhất của tiêu chuẩn thông tin AIC, BIC, SIC và HQIC.
print(c(AUS11sg,VNI.garch11sg.fit))## [[1]]
##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,1)
## Mean Model : ARFIMA(1,0,0)
## Distribution : sged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -3.957830 1.253484 -3.15746 0.001591
## ar1 -0.063492 0.023920 -2.65435 0.007946
## omega 100.111014 37.076051 2.70015 0.006931
## alpha1 0.007343 0.014510 0.50605 0.612819
## beta1 0.890877 0.025081 35.51937 0.000000
## gamma1 0.185068 0.032998 5.60839 0.000000
## skew 1.132946 0.038778 29.21582 0.000000
## shape 1.406118 0.068448 20.54289 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -3.957830 1.122797 -3.52497 0.000424
## ar1 -0.063492 0.024420 -2.59998 0.009323
## omega 100.111014 50.104132 1.99806 0.045710
## alpha1 0.007343 0.018608 0.39461 0.693132
## beta1 0.890877 0.033872 26.30101 0.000000
## gamma1 0.185068 0.039626 4.67037 0.000003
## skew 1.132946 0.047386 23.90876 0.000000
## shape 1.406118 0.080295 17.51194 0.000000
##
## LogLikelihood : -8110.535
##
## Information Criteria
## ------------------------------------
##
## Akaike 10.941
## Bayes 10.970
## Shibata 10.941
## Hannan-Quinn 10.952
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.008287 0.9275
## Lag[2*(p+q)+(p+q)-1][2] 0.021069 1.0000
## Lag[4*(p+q)+(p+q)-1][5] 0.800471 0.9722
## d.o.f=1
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.655 0.1982
## Lag[2*(p+q)+(p+q)-1][5] 2.162 0.5807
## Lag[4*(p+q)+(p+q)-1][9] 3.331 0.7032
## d.o.f=2
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 0.002683 0.500 2.000 0.9587
## ARCH Lag[5] 1.306190 1.440 1.667 0.6447
## ARCH Lag[7] 2.102210 2.315 1.543 0.6957
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 2.6717
## Individual Statistics:
## mu 0.10297
## ar1 0.35434
## omega 0.66746
## alpha1 0.56361
## beta1 0.61107
## gamma1 0.31518
## skew 0.05258
## shape 0.38341
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 1.89 2.11 2.59
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.09842 0.9216
## Negative Sign Bias 0.73960 0.4597
## Positive Sign Bias 1.01266 0.3114
## Joint Effect 1.57267 0.6656
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 20.93 0.3405
## 2 30 33.30 0.2656
## 3 40 41.07 0.3801
## 4 50 50.50 0.4140
##
##
## Elapsed time : 2.463742
##
##
## [[2]]
##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,1)
## Mean Model : ARFIMA(2,0,2)
## Distribution : sged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu -0.962731 0.431508 -2.2311 0.025676
## ar1 1.325239 0.038289 34.6119 0.000000
## ar2 -0.373033 0.037429 -9.9665 0.000000
## ma1 -1.272404 0.000451 -2822.0895 0.000000
## ma2 0.330122 0.000579 570.5548 0.000000
## omega 3.729637 1.976020 1.8874 0.059100
## alpha1 0.038254 0.019096 2.0032 0.045152
## beta1 0.859673 0.035033 24.5388 0.000000
## gamma1 0.192238 0.042745 4.4974 0.000007
## skew 1.083935 0.013489 80.3580 0.000000
## shape 1.201073 0.059481 20.1925 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu -0.962731 0.709779 -1.3564 0.174978
## ar1 1.325239 0.076302 17.3682 0.000000
## ar2 -0.373033 0.074181 -5.0287 0.000000
## ma1 -1.272404 0.000784 -1622.2555 0.000000
## ma2 0.330122 0.000334 988.7741 0.000000
## omega 3.729637 3.531156 1.0562 0.290873
## alpha1 0.038254 0.029836 1.2821 0.199801
## beta1 0.859673 0.068691 12.5151 0.000000
## gamma1 0.192238 0.060434 3.1810 0.001468
## skew 1.083935 0.050307 21.5465 0.000000
## shape 1.201073 0.061115 19.6528 0.000000
##
## LogLikelihood : -5722.943
##
## Information Criteria
## ------------------------------------
##
## Akaike 7.7277
## Bayes 7.7670
## Shibata 7.7276
## Hannan-Quinn 7.7423
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.279 0.5974
## Lag[2*(p+q)+(p+q)-1][11] 3.872 1.0000
## Lag[4*(p+q)+(p+q)-1][19] 7.629 0.8425
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.5527 0.4572
## Lag[2*(p+q)+(p+q)-1][5] 2.1993 0.5721
## Lag[4*(p+q)+(p+q)-1][9] 2.9721 0.7636
## d.o.f=2
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 6.970e-06 0.500 2.000 0.9979
## ARCH Lag[5] 6.776e-02 1.440 1.667 0.9924
## ARCH Lag[7] 4.409e-01 2.315 1.543 0.9834
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 3.1248
## Individual Statistics:
## mu 0.15204
## ar1 0.02172
## ar2 0.02044
## ma1 0.02035
## ma2 0.01872
## omega 0.31884
## alpha1 0.80914
## beta1 0.81972
## gamma1 0.95400
## skew 0.13007
## shape 0.15999
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.49 2.75 3.27
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.6988 0.48476
## Negative Sign Bias 1.6207 0.10529
## Positive Sign Bias 0.1806 0.85667
## Joint Effect 6.8690 0.07619 *
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 17.83 0.5336
## 2 30 32.62 0.2934
## 3 40 40.47 0.4051
## 4 50 40.93 0.7870
##
##
## Elapsed time : 4.6959944.4.5 Các kiểm định tính phù hợp của mô hình phân phối biên
Trích xuất chuỗi phần dư u của chuỗi lợi suất AUS
AUS.res <- residuals(AUS11sg)/sigma(AUS11sg)
fitdist(distribution = "sged", AUS.res, control = list())## $pars
## mu sigma skew shape
## 0.01490557 1.00163689 1.13984496 1.40756441
##
## $convergence
## [1] 0
##
## $values
## [1] 2109.075 2076.813 2076.813
##
## $lagrange
## [1] 0
##
## $hessian
## [,1] [,2] [,3] [,4]
## [1,] 1625.31252 -317.7058 -244.65933 -62.07823
## [2,] -317.70579 2183.3052 -120.88582 156.20951
## [3,] -244.65933 -120.8858 612.45335 32.21392
## [4,] -62.07823 156.2095 32.21392 223.53323
##
## $ineqx0
## NULL
##
## $nfuneval
## [1] 82
##
## $outer.iter
## [1] 2
##
## $elapsed
## Time difference of 0.1567192 secs
##
## $vscale
## [1] 1 1 1 1 1u <- pdist(distribution = "sged", q = AUS.res, mu = 0.01490557 , sigma = 1.00163689, skew = 1.13984496, shape = 1.40756441)Trích xuất chuỗi phần dư u của chuỗi lợi suất VNI
VNI.res <- residuals(VNI.garch11sg.fit)/sigma(VNI.garch11sg.fit)
fitdist(distribution = "sged", VNI.res, control = list())## $pars
## mu sigma skew shape
## 0.01684483 1.02488162 1.09661524 1.18323819
##
## $convergence
## [1] 0
##
## $values
## [1] 2142.846 2080.991 2080.991
##
## $lagrange
## [1] 0
##
## $hessian
## [,1] [,2] [,3] [,4]
## [1,] 5186.57209 -582.2387 -4984.74928 -61.71621
## [2,] -582.23865 1821.3040 404.79748 233.40508
## [3,] -4984.74928 404.7975 6845.88715 23.41601
## [4,] -61.71621 233.4051 23.41601 290.58795
##
## $ineqx0
## NULL
##
## $nfuneval
## [1] 113
##
## $outer.iter
## [1] 2
##
## $elapsed
## Time difference of 0.256964 secs
##
## $vscale
## [1] 1 1 1 1 1v = pdist("sged",VNI.res, mu = 0.01684483, sigma = 1.02488162, skew = 1.09661524, shape = 1.18323819)4.4.5.1 Các kiểm định sự phù hợp của mô hình biên
Kiểm định Anderson-Darling
library(nortest)
ad.test(u)##
## Anderson-Darling normality test
##
## data: u
## A = 18.552, p-value < 2.2e-16ad.test(v)##
## Anderson-Darling normality test
##
## data: v
## A = 16.273, p-value < 2.2e-16Kiểm 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 = 2.7069, 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 = 2.1755, p-value = 7.37e-10Kiểm định ks-test
ks.test(u,y= "punif")##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: u
## D = 0.018095, p-value = 0.7161
## alternative hypothesis: two-sidedks.test(v,y="punif")##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: v
## D = 0.012755, p-value = 0.9692
## alternative hypothesis: two-sidedSau khi xác định được mô mình phân phối biên phù hợp cho hai chuỗi lợi suất, để xem xét mối quan hệ phụ thuộc giữa hai chuỗi này, ta trích xuất phần dư ứng với mỗi chuỗi và tiến hành các kiểm định Anderson-Darling (A-D), Cramer-von Mises (Cv-M) và kiểm định Kolmogorov-Smornov (K-S). Và các kiểm định đều cho ra kết quả các phân phối biên u_(it) của mỗi chuỗi lợi suất đều thỏa mãn giả thuyết trên. Điều này cho thấy, các biến u_(it) là các phân phối biên phù hợp của hàm số copula để xem xét mối quan hệ phụ thuộc giữa hai biến này. Trong trường hợp các phân phối biên được xác định không phù hợp sẽ dẫn đến các hàm chuyển đổi xác suất của chúng sẽ không độc lập và không có phân phối đồng nhất trong [0,1]; khi đó, việc áp dụng hàm copula để mô tả mối quan hệ phụ thuộc giữa hai biến sẽ bị sai lệch.
4.4.6 Ước lượng tham số mô hình copula và lựa chọn mô hình copula phù hợp
Sau khi tìm ra được các phân phối biên phù hợp, ta tiến hành vận dụng một số hàm copula họ Elip, copula họ Archimedean và một vài copula hỗn hợp để xác định mức độ phụ thuộc giữa TTCK Việt Nam với TTCK Úc thông qua các tham số copula. Với mỗi họ copula khác nhau, mối quan hệ phụ thuộc giữa hai thị trường sẽ được xem xét trong từng điều kiện thị trường cụ thể. Copula họ Elip (Gauss và Studentt) cho phép mô tả mối quan hệ giữa hai thị trường trong điều kiện thị trường biến động bình thường; trong khi copula họ Archimedean và các copula hỗn hợp cho phép mô tả mức độ phụ thuộc trong điều kiện một trong hai thị trường biến động cực biên. Tham số ước lượng của các hàm copula có điều kiện và hệ số phụ thuộc đuôi thể hiện cấu trúc phụ thuộc giữa TTCK Việt Nam với TTCK Úc được thể hiện trong kết quả dưới đây:
library(VineCopula)## Warning: package 'VineCopula' was built under R version 4.3.3BiCopSelect(u, v, familyset= 1:10, selectioncrit="AIC",indeptest = FALSE, level = 0.05)## Bivariate copula: Survival BB1 (par = 0.2, par2 = 1.06, tau = 0.15)Stu <- BiCopEst(u, v, family = 7, method = "mle", se = T)
summary(Stu)## Family
## ------
## No: 7
## Name: BB1
##
## Parameter(s)
## ------------
## par: 0.07 (SE = 0.04)
## par2: 1.13 (SE = 0.03)
## Dependence measures
## -------------------
## Kendall's tau: 0.14 (empirical = 0.15, p value < 0.01)
## Upper TD: 0.15
## Lower TD: 0
##
## Fit statistics
## --------------
## logLik: 44.7
## AIC: -85.4
## BIC: -74.8Dựa trên kết quả phân tích, có thể thấy rằng sự tương thích giữa thị trường chứng khoán Việt Nam và thị trường chứng khoán Úc trong giai đoạn 2018-2023 không được thể hiện rõ ràng. Các mô hình phân tích cho thấy rằng các yếu tố liên quan đến biến động giá chứng khoán và sự tương quan giữa hai thị trường không cho thấy một mối liên hệ chặt chẽ. Điều này có nghĩa là không có sự phụ thuộc rõ rệt hoặc tương quan mạnh mẽ giữa hai thị trường chứng khoán này.
Tuy nhiên, mặc dù sự tương thích giữa hai thị trường chứng khoán không cao, mối quan hệ kinh tế và thương mại giữa Việt Nam và Úc vẫn đang có xu hướng phát triển. Việt Nam hiện đang duy trì vị trí quan trọng trong danh sách các đối tác thương mại của Úc, với các lĩnh vực thương mại chủ yếu bao gồm xuất khẩu hàng hóa như nông sản, dệt may và sản phẩm công nghệ từ Việt Nam, trong khi Úc chủ yếu xuất khẩu khoáng sản và hàng hóa nông nghiệp sang Việt Nam. Tổng kim ngạch xuất nhập khẩu giữa hai quốc gia đã đạt khoảng 15 tỷ USD vào năm 2023.
Bên cạnh đó, các khoản đầu tư và chính sách hỗ trợ từ Úc cũng đang thúc đẩy sự hợp tác giữa hai nước. Những yếu tố này chỉ ra rằng, mặc dù thị trường chứng khoán của Việt Nam và Úc không có sự đồng nhất cao về mặt biến động và tỷ lệ sinh lời, sự phát triển trong mối quan hệ kinh tế và thương mại giữa hai quốc gia vẫn đang tiếp tục mở rộng và củng cố.
5 Chương 5: KẾT LUẬN VÀ KIẾN NGHỊ
5.1 Kết luận
Mô hình copula được coi là một công cụ mạnh mẽ và được ưa chuộng trong nghiên cứu do khả năng đáng tin cậy, tính linh hoạt, và khả năng áp dụng cho nhiều loại dữ liệu khác nhau. Copula cung cấp sự linh hoạt trong việc phân tích phân phối biên và lựa chọn mô hình phù hợp với dữ liệu thực tế hơn. Khả năng của mô hình này trong việc mô tả các mối quan hệ phụ thuộc phức tạp, bao gồm cả sự phụ thuộc đối xứng và bất đối xứng, vượt xa việc chỉ tính tương quan đơn thuần. Việc áp dụng copula giúp tạo ra các phân phối chính xác cho dữ liệu tài chính, đặc biệt là trong các chuỗi thời gian. Phương pháp này mang lại lợi thế quan trọng trong việc cải thiện độ chính xác của các ước tính, hỗ trợ đáng kể cho quá trình dự đoán và phân tích biến động của thị trường.
5.2 Kiến nghị
Trong bối cảnh hiện nay, Xu hướng trật tự thế giới đa cực đang ngày càng rõ ràng biểu hiện qua các cuộc xung đột về địa chính trị giữa Nga và Ukraine cũng như xung đột gần đây giữa Israel và Hamas. Bên cạnh đó, sự phát triển nhanh chóng của công nghệ số đã tạo ra những thay đổi đáng kể trong trật tự thế giới ngày nay.
Trước tình hình đó, các quốc gia cần giảm bớt mâu thuẫn, tập trung vào phát triển công nghệ và nâng cao năng lực quân sự để thích ứng với biến đổi này. Xây dựng mối quan hệ quốc tế và thúc đẩy hợp tác khu vực là rất quan trọng. Đặc biệt là đối với Việt Nam, nước ta là một nước nhỏ bé và là nước đang phát triển, bên cạnh đó cũng có rất nhiều các nước nước lớn đang dòm ngó đến. Chính vì thế mà nước ta cần đẩy mạnh sự hợp tác hữu nghị với các nước lớn, xây dựng các mối quan cùng hợp tác cùng phát triển. Qua đề tài phân tích cấu trúc thị trường giữa hai sàn chứng khoán S&P/ASX 200 của Úc và VNIndex của Việt Nam trong giai đoạn 2018 – 2023 cho thấy TTCK Việt Nam ít bị ảnh hưởng bởi TTCK Úc. Do đó, duy trì mối quan hệ tốt với các nước trong khu vực và quốc tế là cần thiết, bất kể mức độ tác động của thị trường chứng khoán.
Đối với nhà đầu tư, đa dạng hóa danh mục đầu tư là chiến lược quan trọng để giảm rủi ro và bảo vệ tài sản. Theo dõi xu hướng toàn cầu, đầu tư vào công nghệ và đổi mới, cũng như chú trọng đến yếu tố bền vững và trách nhiệm xã hội, sẽ giúp tạo ra danh mục đầu tư bền vững hơn và khai thác cơ hội mới.
Đối với các bên quản lý, cần tăng cường hợp tác quốc tế, cải thiện hệ thống quản lý rủi ro và khuyến khích đầu tư bền vững. Việc xây dựng các mối quan hệ đối tác vững chắc và thiết lập các chính sách hỗ trợ công nghệ xanh sẽ giúp ổn định nền kinh tế và giảm tác động từ các cú sốc toàn cầu.
Tóm lại, để duy trì sự ổn định và phát triển bền vững trong bối cảnh thế giới đang biến động nhanh chóng, việc áp dụng các chính sách và chiến lược phù hợp là rất quan trọng cho các quốc gia, nhà đầu tư và cơ quan quản lý không chỉ với Việt Nam, là còn đối với các quốc gia trên thế giới, đặc biệt là các quốc gia đang phát triển.
5.3 Hạn chế của đề tài
Mặc dù nghiên cứu đã làm rõ mức độ phản ứng của thị trường chứng khoán Việt Nam đối với biến động của thị trường chứng khoán Úc và các kết quả thu được phù hợp với lý thuyết và các nghiên cứu thực nghiệm trước về mối quan hệ phụ thuộc giữa các thị trường chứng khoán cận biên, mới nổi và các thị trường phát triển, bài báo cáo vẫn còn một số hạn chế do ảnh hưởng của các yếu tố khách quan và chủ quan trong quá trình thực hiện. Cụ thể, nghiên cứu chỉ tập trung vào mối quan hệ phụ thuộc và sự lan tỏa giữa thị trường chứng khoán Việt Nam và thị trường chứng khoán Úc, hai quốc gia có vai trò quan trọng trong thương mại và đầu tư FDI của Việt Nam. Tuy nhiên, nghiên cứu chưa xem xét mối tương quan với các thị trường chứng khoán lớn khác như Ấn Độ và Mỹ, những quốc gia cũng có mối liên kết thương mại và đầu tư đáng kể với Việt Nam.
5.4 Hướng phát triển đề tài
Các đề tài nghiên cứu về các chủ đề tài chính luôn là đề tài nhận được sự chú ý và quan tâm nhiều nhất bởi các tổ chức tài chính và các nhà đầu tư, đặc biệt là các nhà hoạch định các chính sách kinh tế và các nhà đầu tư. Trong quá trình thực hiện đề tài nghiên cứu, tác giả nhận thấy năng lực, kinh nghiệm cũng như kiến thức chuyên môn còn nhiều điểm hạn chế nên không tránh khỏi những thiếu sót. Vì vậy, để giảm thiểu cũng như khắc phục những thiết xót này, tác giả đã đưa ra hai hướng phát triển như sau:
Một là, mở rộng quy mô nghiên cứu: Có thể thu thập thêm dữ liệu với khoảng thời gian nghiên cứu dài hơn để tăng số lượng quan sát hay mở rộng không gian nghiên cứu thêm một số nước nữa để có thể đánh giá, so sánh giữa các nước với nhau, để tác giả có thể có cái nhìn sâu hơn và hiểu rõ hơn về xu hướng, biến động của nền kinh tế và tăng tính thiết thực cho đề tài.
Hai là, sử dụng hàm phân phối copula có điều kiện (CvaR) để đo lường rủi ro danh mục đầu tư sẽ mang lại kết quả đáng tin cậy hơn so với phương pháp giá trị rủi ro VaR truyền thống (Artzner, 1999).
Tóm lại, tác giả sẽ cố gắng khắc phục những điểm còn hạn chế của nghiên cứu cũng như nỗ lực tiến xa hơn trong việc phát triển và mở rộng phạm vi nghiên cứu của mình để có thể đưa ra kết quả có độ chính xác cao hơn và phù hợp với thực tiễn hơn.
6 TÀI LIỆU THAM KHẢO
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.
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.
---
title: "CÁC MÔ HÌNH NGẪU NHIÊN"
author: "Nguyễn Thị Hoàng Yến"
date: "`r format(Sys.time(), '%H:%M:%S, %d - %m - %Y')`"
output:
  html_document: 
    code_download: true
    code_folding: hide
    number_sections: true
    toc_depth: 2
    toc_float: true
    toc: true
  word_document:
     toc: true
     toc_depth: '2'
  pdf_document:
    latex_engine: xelatex
---

![](images/bìa.png){width="685"}

____

**LỜI CẢM ƠN**

Em xin gửi lời cảm ơn đến PGS.TS Nguyễn Tuấn Duy đã tận tình hướng dẫn trong suốt thời gian học môn Các mô hình ngẫu nhiên cũng như đã nhiệt tình hỗ trợ, giải đáp những thắc mắc của em trong lúc trong quá trình học tập trên lớp.

Do kiến thức còn nhiều hạn chế cùng thời gian tìm hiểu chưa sâu nên bài báo cáo ắt hẳn sẽ còn nhiều thiếu sót. Kính mong nhận được ý kiến nhận xét, góp ý của thầy để bài báo cáo của em hoàn thiện hơn.

Em xin chân thành cảm ơn!

____

# Chương 1: TỔNG QUAN CÁC VẤN ĐỀ NGHIÊN CỨU

## Lý do chọn đề tài

Trong bối cảnh nền kinh tế toàn cầu đang trải qua những biến động không ngừng, thị trường chứng khoán không chỉ là nơi tạo ra giá trị gia tăng cho các nhà đầu tư mà còn phản ánh tình hình tổng thể của nền kinh tế. Thị trường chứng khoán là nơi mà tâm lý nhà đầu tư, kỳ vọng về triển vọng kinh tế, và là nơi thu lại lợi nhuận cũng như nơi huy động nguồn vốn để phục vụ cho quá trình hoạt động kinh doanh của các tổ chức tài chính.

Giá đóng cửa của cổ phiếu, một yếu tố thường được xem là đại diện cho giá trị thị trường cuối cùng trong một phiên giao dịch, đóng vai trò vô cùng quan trọng trong việc đánh giá tình hình hoạt động của một thị trường chứng khoán. Nó không chỉ là điểm kết thúc của giao dịch hàng ngày mà còn phản ánh sự tương tác trực tiếp giữa cung và cầu, giữa người mua và người bán, đồng thời là kết quả của các chiến lược giao dịch và tâm lý thị trường trong suốt phiên. Ngoài ra, nó còn là cơ sở để định giá giao dịch cho ngày tiếp theo.

Trong giai đoạn 2021-2023, thị trường chứng khoán toàn cầu đã phải đối mặt với hàng loạt thách thức nghiêm trọng, những đợt sóng lớn trong nền kinh tế toàn cầu sau đại dịch COVID-19, ảnh hưởng mạnh mẽ đến hành vi và kỳ vọng của nhà đầu tư, đặc biệt là đối Việt Nam và Úc. Lạm phát leo thang ở nhiều quốc gia đã làm gia tăng áp lực lên các ngân hàng trung ương trong việc thắt chặt chính sách tiền tệ, từ đó tác động trực tiếp đến chi phí vốn và định giá cổ phiếu. Bên cạnh đó, sự bất ổn địa chính trị, điển hình là căng thẳng giữa các cường quốc Nga và Ukraine (2022), cũng góp phần không nhỏ vào sự biến động của thị trường.

Nghiên cứu về giá đóng cửa của thị trường chứng khoán Úc và Việt Nam trong giai đoạn 2018-2023 sẽ không chỉ cung cấp cái nhìn sâu sắc về xu hướng phát triển và biến động của hai thị trường này mà còn giúp hiểu rõ hơn về cách thức các yếu tố kinh tế vĩ mô và sự kiện quốc tế ảnh hưởng đến các quyết định đầu tư. Đây là cơ hội để phân tích sự khác biệt và tương đồng giữa hai thị trường thuộc các nền kinh tế khác nhau: Úc, một thị trường phát triển, và Việt Nam, một thị trường mới nổi. Những hiểu biết từ nghiên cứu này có thể cung cấp thông tin quý giá cho các nhà đầu tư, nhà hoạch định chính sách và các bên liên quan trong việc đưa ra các quyết định chiến lược và dự đoán xu hướng tương lai của thị trường.

## Mục tiêu nghiên cứu

**Mục tiêu tổng quát**

Tiến hành một phân tích sâu sắc và toàn diện về các yếu tố ảnh hưởng đến giá đóng cửa của thị trường chứng khoán Úc và Việt Nam (VNIndex) trong giai đoạn 2018-2023. Cụ thể, nghiên cứu sẽ tập trung vào việc xác định các mối liên hệ giữa biến động giá cổ phiếu và các yếu tố kinh tế vĩ mô như lạm phát, lãi suất, tỷ giá hối đoái, và chính sách tiền tệ. Qua đó, nghiên cứu nhằm đưa ra nhận định chính xác về triển vọng phát triển của thị trường chứng khoán trong thời gian tới, đồng thời giúp các nhà đầu tư và các bên liên quan có cái nhìn rõ ràng hơn về cách thức mà các yếu tố kinh tế này tác động lên giá cổ phiếu.

**Mục tiêu chi tiết**

-   Phân tích xu hướng biến động giá đóng cửa: Nghiên cứu sẽ phân tích chi tiết sự biến động của giá đóng cửa trên thị trường chứng khoán Úc và VNIndex trong giai đoạn 2018-2023, bao gồm các giai đoạn biến động mạnh và yếu tố tác động.

-   Xác định và phân tích các yếu tố kinh tế vĩ mô: Nghiên cứu sẽ xác định các yếu tố như lạm phát, lãi suất, tỷ giá hối đoái, và chính sách tiền tệ có ảnh hưởng đến giá đóng cửa, sử dụng các mô hình kinh tế lượng để đánh giá tác động.

-   So sánh sự phản ứng của thị trường: Nghiên cứu sẽ so sánh cách mà thị trường chứng khoán Úc và VNIndex phản ứng trước các biến động kinh tế và sự kiện chính trị toàn cầu, để hiểu rõ sự khác biệt và tương đồng.

-   Dự đoán và khuyến nghị cho nhà đầu tư: Từ kết quả phân tích, nghiên cứu sẽ đưa ra các dự đoán về xu hướng giá và đề xuất khuyến nghị chiến lược cho nhà đầu tư, tập trung vào quản lý rủi ro và tối ưu hóa danh mục đầu tư.

## Đối tượng nghiên cứu

Đối tượng nghiên cứu của đề tài này là giá đóng cửa hàng ngày của các chỉ số chứng khoán chính tại hai thị trường: Úc và Việt Nam, trong giai đoạn từ năm 2018 đến năm 2023. Cụ thể, nghiên cứu tập trung vào chỉ số S&P/ASX 200 của thị trường chứng khoán Úc, đại diện cho 200 công ty hàng đầu niêm yết trên sàn giao dịch chứng khoán Úc, và chỉ số VNIndex của Việt Nam, phản ánh hiệu suất của tất cả các công ty niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh.

Giá đóng cửa hàng ngày của hai chỉ số này sẽ được thu thập và phân tích để tìm hiểu các xu hướng, biến động, cũng như các yếu tố tác động đến giá cổ phiếu trong suốt giai đoạn nghiên cứu. Việc lựa chọn hai chỉ số này làm đối tượng nghiên cứu nhằm cung cấp một cái nhìn tổng quát và chính xác về tình hình thị trường chứng khoán tại Úc và Việt Nam, từ đó so sánh và đối chiếu giữa một thị trường phát triển và một thị trường mới nổi.

## Phạm vi nghiên cứu

Không gian nghiên cứu: Thị trường chứng khoán của S&P/ASX 200 (AUS) và Việt Nam – VNIndex (VNI).

Thời gian nghiên cứu: Từ 01/01/2018 đến 29/12/2023.

## Phương pháp nghiên cứu

Trong ngiên cứu này, chúng tôi sử dụng phương pháp copula để phân tích cấu trúc thị trường giữa hai sàn chứng khoán S&P/ASX 200 của Úc và VNIndex của Việt Nam trong giai đoạn 2018 - 2023. Phương pháp này cho phép mô hình hóa và phân tích sự phụ thuộc giữa các biến ngẫu nhiên mà không bị ràng buộc bởi giả định phân phối chuẩn như các phương pháp truyền thống. Qua đó, chúng tôi có thể nắm bắt mối quan hệ phức tạp giữa các chỉ số chứng khoán và đưa ra các kết luận về sự phụ thuộc cũng như các rủi ro liên quan đến biến động giá trên hai thị trường. Quá trình nghiên cứu sẽ bao gồm việc thu thập dữ liệu lịch sử giá đóng cửa của hai chỉ số, ước lượng các tham số copula, và phân tích kết quả để rút ra những kết luận về sự tương quan và các yếu tố ảnh hưởng đến cấu trúc thị trường của hai sàn chứng khoán.

## Kết cấu bài tiểu luận

**Chương 1:** *TỔNG QUAN CÁC VẤN ĐỀ NGHIÊN CỨU*

**Chương 2:** *TỔNG QUAN LÝ THUYẾT*

**Chương 3:** *PHƯƠNG PHÁP NGHIÊN CỨU*

**Chương 4:** *PHÂN TÍCH DỮ LIỆU*

**Chương 5:** *KẾT LUẬN VÀ KIẾN NGHỊ*

____

# Chương 2: TỔNG QUAN LÝ THUYẾT

## Tổng quan thị trường chứng khoán

Thị trường chứng khoán đóng vai trò quan trọng trong việc phát triển kinh tế của một quốc gia, là nơi huy động vốn cho doanh nghiệp và cung cấp kênh đầu tư cho cá nhân và tổ chức. Giai đoạn 2018-2023 chứng kiến nhiều biến động lớn trên thị trường chứng khoán toàn cầu do các yếu tố kinh tế, chính trị và xã hội, đặc biệt là tác động của đại dịch COVID-19 và xung đột giữa Nga và Ukraine.

Đại dịch COVID-19, bùng phát vào cuối năm 2019, đã lan rộng toàn cầu vào năm 2020, gây ra khủng hoảng y tế và suy thoái kinh tế. Các biện pháp giãn cách và phong tỏa nghiêm ngặt đã làm gián đoạn hoạt động kinh doanh, phá vỡ chuỗi cung ứng, và khiến hàng triệu lao động mất việc. Để đối phó, nhiều chính phủ triển khai các gói kích thích kinh tế lớn, bao gồm trợ cấp, hỗ trợ tài chính và giảm lãi suất. Tuy nhiên, những biện pháp này cũng tạo ra sự bất ổn trên thị trường chứng khoán, với sự biến động mạnh vào đầu năm 2021. Khi chương trình tiêm chủng vaccine mở rộng và kinh tế phục hồi, thị trường chứng khoán đã hồi phục vào cuối năm 2021, nhờ vào niềm tin của nhà đầu tư và sự mở cửa trở lại của các nền kinh tế.

Bên cạnh đó, căng thẳng thương mại giữa các cường quốc, đặc biệt là giữa Mỹ và Trung Quốc, đã tạo ra nhiều lo ngại cho các nhà đầu tư, ảnh hưởng tiêu cực đến tâm lý thị trường. Cuộc chiến thương mại này không chỉ liên quan đến các biện pháp thuế quan mà còn bao gồm những vấn đề nhạy cảm về công nghệ và an ninh quốc gia, gây ra sự bất ổn về triển vọng kinh tế toàn cầu. Ngoài ra, các yếu tố địa chính trị khác, chẳng hạn như chiến sự ở Ukraine, đã làm trầm trọng thêm tình hình, khiến giá cả hàng hóa biến động mạnh và gây áp lực lên các thị trường tài chính. Những bất ổn này đã làm tăng nguy cơ thoái vốn và khiến thị trường chứng khoán toàn cầu trở nên đặc biệt biến động, khi nhà đầu tư tìm cách bảo toàn tài sản và giảm thiểu rủi ro.

### Thị trường chứng khoán Úc

Thị trường chứng khoán Úc, với chỉ số đại diện S&P/ASX 200, là một trong những thị trường tài chính quan trọng của khu vực châu Á - Thái Bình Dương.

Năm 2021, thị trường chứng khoán Úc đã có một khởi đầu đầy triển vọng. Chỉ số S&P/ASX 200 đã ghi nhận mức tăng trưởng ấn tượng, phản ánh sự hồi phục mạnh mẽ của nền kinh tế sau những tác động nặng nề từ đại dịch COVID-19. Sự phục hồi này được thúc đẩy bởi các gói kích thích kinh tế từ chính phủ và các biện pháp hỗ trợ tiền tệ từ Ngân hàng Trung ương Úc (RBA). Đặc biệt, các ngành công nghiệp quan trọng như khai thác mỏ, tài chính và bất động sản đã có những đóng góp đáng kể vào sự tăng trưởng của thị trường. Khai thác mỏ là một ngành mũi nhọn của Úc, với các mặt hàng như quặng sắt và than đá luôn duy trì được giá trị cao trên thị trường quốc tế. Ngành tài chính, với sự phát triển của các ngân hàng lớn và công ty bảo hiểm, cũng ghi nhận sự tăng trưởng tích cực. Trong khi đó, ngành bất động sản tiếp tục hưởng lợi từ lãi suất thấp và nhu cầu cao về nhà ở, thúc đẩy sự tăng giá cổ phiếu trong lĩnh vực này.

Bước sang năm 2022, thị trường chứng khoán Úc bắt đầu đối mặt với nhiều thách thức lớn. Một trong những yếu tố quan trọng nhất là lạm phát tăng cao, buộc RBA phải thay đổi chính sách tiền tệ từ nới lỏng sang thắt chặt. Cụ thể, RBA đã thực hiện nhiều đợt tăng lãi suất nhằm kiểm soát lạm phát, động thái này đã tạo ra áp lực lớn đối với thị trường chứng khoán. Tăng lãi suất làm giảm khả năng vay vốn của doanh nghiệp và người tiêu dùng, làm suy giảm hoạt động đầu tư và chi tiêu. Điều này trực tiếp ảnh hưởng đến lợi nhuận của các doanh nghiệp niêm yết, khiến giá cổ phiếu của nhiều công ty giảm mạnh. Các ngành khai thác mỏ, tài chính, và bất động sản – vốn là những ngành có đóng góp lớn cho sự tăng trưởng trong năm 2021 – bắt đầu cảm nhận rõ ràng sức ép từ chính sách tiền tệ thắt chặt.

Giai đoạn 2018-2023 là một thời kỳ đầy biến động đối với thị trường chứng khoán Úc. Sau sự khởi sắc trong năm 2021, thị trường đã phải đối mặt với nhiều thách thức lớn từ năm 2022 do lạm phát cao và chính sách tiền tệ thắt chặt. Các ngành công nghiệp quan trọng như khai thác mỏ, tài chính, và bất động sản chịu ảnh hưởng nặng nề, trong khi ngành công nghệ và chăm sóc sức khỏe lại ghi nhận sự tăng trưởng trong một số thời điểm nhất định.

```{r}
library(PerformanceAnalytics)
library(readxl)
data <- read_excel("C:/NV/CMHNN/cmhnn/T.xlsx",2)
library(tseries)
library(ggplot2)
library(tidyverse)
library(dplyr)
as.Date(data$Date, format="%d/%m/%Y")
ggplot(data, aes(x=data$Date))+geom_line(aes(y=data$AUS,color='blue'))+scale_color_manual(values=c('AUS'='F28076'))+labs(title="Hình 2.1: Thị trường chứng khoán Úc (AUS)",x="Ngày", y="Giá")
```
Trong giai đoạn từ 2018 đến 2023, giá đóng cửa của thị trường chứng khoán Úc đã trải qua những biến động đáng kể. Giá đóng cửa của thị trường chứng khoán Úc từ 2018 đến 2023 cho thấy một xu hướng tổng thể ổn định với sự biến động đáng kể trong các năm bị ảnh hưởng bởi các yếu tố toàn cầu như đại dịch COVID-19. Mặc dù có sự giảm sút trong giai đoạn khủng hoảng, thị trường đã nhanh chóng phục hồi và duy trì sự tăng trưởng ổn định trong các năm sau đó. Điều này phản ánh sự ổn định tương đối của nền kinh tế Úc và khả năng thích ứng của thị trường chứng khoán đối với các biến động toàn cầu.

### Thị trường chứng khoán Việt Nam

Thị trường chứng khoán Việt Nam, đại diện bởi chỉ số VNIndex, đã trải qua nhiều biến động đáng chú ý trong giai đoạn 2018-2023. Giai đoạn này bao gồm những thành tựu đáng kể trong năm 2021, nhưng sau đó là sự suy yếu do ảnh hưởng từ các yếu tố kinh tế vĩ mô và địa chính trị.

Năm 2021 là một năm đầy ấn tượng đối với thị trường chứng khoán Việt Nam. Chỉ số VNIndex đã ghi nhận mức tăng trưởng vượt bậc, đạt đỉnh cao lịch sử, phản ánh niềm tin của nhà đầu tư vào tiềm năng phục hồi của nền kinh tế sau những khó khăn do đại dịch COVID-19. Sự tăng trưởng này được hỗ trợ bởi các chính sách kinh tế nới lỏng và gói kích thích tài chính của Chính phủ nhằm thúc đẩy hoạt động kinh doanh và tiêu dùng. Các ngành công nghiệp chính như ngân hàng, bất động sản, và sản xuất đã đóng vai trò quan trọng trong việc kéo thị trường đi lên. Ngành ngân hàng hưởng lợi từ nhu cầu vay vốn tăng cao và lãi suất thấp, trong khi ngành bất động sản tiếp tục tăng trưởng nhờ vào nhu cầu mạnh mẽ về nhà ở và các dự án đầu tư cơ sở hạ tầng. Ngành sản xuất cũng có sự phục hồi mạnh mẽ khi các hoạt động xuất khẩu và sản xuất trong nước dần trở lại bình thường.

Mặc dù khởi sắc vào năm 2021, thị trường chứng khoán Việt Nam đã bắt đầu suy yếu từ năm 2022, khi phải đối mặt với nhiều thách thức từ cả bên trong và bên ngoài. Những yếu tố ngoại vi như sự biến động trên thị trường tài chính toàn cầu và chính sách tiền tệ của các nền kinh tế lớn đã tác động không nhỏ đến niềm tin của nhà đầu tư. Chính phủ Việt Nam, để đối phó với những khó khăn kinh tế do đại dịch, đã thực hiện nhiều chính sách kích thích kinh tế và duy trì chính sách tiền tệ nới lỏng. Tuy nhiên, các biện pháp này cũng dẫn đến một số hệ quả tiêu cực. Lạm phát gia tăng và tình trạng nợ xấu trong hệ thống ngân hàng đã trở thành những yếu tố rủi ro lớn, ảnh hưởng đến sự ổn định của thị trường chứng khoán.

Giai đoạn 2018-2023 là một thời kỳ đầy biến động đối với thị trường chứng khoán Việt Nam. Sau sự tăng trưởng vượt bậc trong năm 2021, thị trường đã phải đối mặt với nhiều thách thức lớn từ năm 2022, bao gồm áp lực lạm phát, rủi ro nợ xấu, và những tác động tiêu cực từ thị trường quốc tế. Nhìn chung, thị trường chứng khoán Việt Nam đã trải qua những thăng trầm đáng kể, phản ánh những khó khăn và cơ hội mà nền kinh tế đang phải đối mặt trong bối cảnh toàn cầu phức tạp.

```{r}
ggplot(data, aes(x=data$Date))+geom_line(aes(y=data$VNI,color='gray'))+scale_color_manual(values=c('VNI'='F28076'))+labs(title="Hình 2.1: Thị trường chứng khoán Việt Nam (VNI)",x="Ngày", y="Giá")
```

Tổng quan, giá đóng cửa của thị trường chứng khoán Việt Nam (VNI) trong giai đoạn từ 2018 đến 2023 phản ánh một sự tăng trưởng nhanh chóng nhưng không ổn định. Thị trường chứng khoán đã chứng kiến sự bùng nổ và suy giảm, theo sau là một giai đoạn phục hồi mạnh mẽ và sau đó là sự ổn định hơn. Các yếu tố nội tại và biến động trong nước đã ảnh hưởng lớn đến sự biến động của giá đóng cửa, cho thấy thị trường chứng khoán Việt Nam còn non trẻ và dễ bị ảnh hưởng bởi các yếu tố bên ngoài.

## Cơ sở lý thuyết

### Thị trường chứng khoán

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 là các công cụ tài chính cho phép người sở hữu quyền sở hữu (như cổ phiếu) hoặc quyền nhận lãi suất từ các tổ chức có uy tín (như trái phiếu)

### Vai trò, chức năng của thị trường chứng khoán

Thị trường chứng khoán 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.

====

# Chương 3: THIẾT KẾ NGHIÊN CỨU

## Xây dựng mô hình nghiên cứu

Trong nghiên cứu khoa học, đặc biệt là trong lĩnh vực kinh tế và tài chính, việc phân tích dữ liệu chuỗi thời gian và đo lường rủi ro là rất quan trọng. Các mô hình ARMA, mô hình GJR-GARCH và mô hình Copula đã được phát triển và ứng dụng rộng rãi để giải quyết các vấn đề này. Mỗi mô hình cung cấp một cách tiếp cận độc đáo để xử lý và phân tích dữ liệu, đồng thời có những ứng dụng và ưu điểm riêng.

**Mô hình ARMA**

Mô hình ARMA (AutoRegressive Moving Average) là một mô hình thống kê được sử dụng để phân tích và dự đoán chuỗi thời gian. Mô hình này kết hợp hai thành phần chính: thành phần hồi quy tự động (AR) và thành phần trung bình động (MA).

Mô hình tự hồi quy AR (AutoRegressive) dùng để mô hình hóa mối quan hệ giữa giá trị hiện tại của chuỗi thời gian với các giá trị trước đó.

Mô hình trung bình động MA (Moving Average) dùng để mô hình hóa mối quan hệ giữa giá trị hiện tại của chuỗi thời gian với các sai số ngẫu nhiên trước đó.

Mô hình ARMA rất hữu ích trong việc dự đoán giá trị tương lai của chuỗi thời gian dựa trên các giá trị trước đó và sai số ngẫu nhiên. Nó thường được sử dụng trong các nghiên cứu dự đoán tài chính, dự đoán doanh số bán hàng, và phân tích dữ liệu kinh tế.

**Mô hình GJR-GARCH**

Mô hình GJR-GARCH (Glosten-Jagannathan-Runkle GARCH) là một biến thể của mô hình GARCH (Generalized Autoregressive Conditional Heteroskedasticity) được phát triển để giải quyết một số hạn chế của mô hình GARCH truyền thống. Mô hình này được phát triển bởi Glosten, Jagannathan và Runkle và bao gồm một yếu tố bổ sung để điều chỉnh cho sự bất đối xứng trong biến động thị trường. Mô hình GARCH(p, q) dùng để mô hình hóa sự biến động của chuỗi thời gian với điều kiện bất đối xứng. 

Mô hình GJR-GARCH rất hữu ích trong việc mô hình hóa sự biến động tài chính và đo lường rủi ro. Nó cho phép các nhà nghiên cứu phân tích sự biến động không đồng đều và sự phản ứng của thị trường đối với các cú sốc tài chính. Điều này rất quan trọng trong việc dự đoán các rủi ro tài chính và xây dựng các chiến lược đầu tư.

**Mô hình Copula**

Mô hình Copula là một công cụ thống kê mạnh mẽ được sử dụng để mô hình hóa mối quan hệ phụ thuộc giữa các biến ngẫu nhiên. Mô hình này cho phép các nhà nghiên cứu kết hợp các phân phối marginal (phân phối biên) với một hàm copula để mô hình hóa sự phụ thuộc giữa các biến.

Hàm copula C(u_1,u_2,…,u_d) mô tả mối quan hệ phụ thuộc giữa các biến ngẫu nhiên X_1,X_2,…,X_d. Nó kết hợp các phân phối marginal F_i (x) để tạo ra phân phối chung của các biến.

Mô hình Copula đặc biệt hữu ích trong việc phân tích rủi ro và đánh giá mối quan hệ phụ thuộc giữa các tài sản tài chính. Nó cho phép các nhà nghiên cứu hiểu rõ hơn về mối quan hệ giữa các biến ngẫu nhiên, đặc biệt là trong các tình huống mà các phân phối marginal không độc lập với nhau. Điều này rất quan trọng trong quản lý rủi ro tài chính và định giá tài sản.

## Dữ liệu nghiên cứu

Trong bài nghiên cứu này, tác giả tập trung và xoay quanh phân tích giá đóng cửa của thị trường chứng khoán của hai quốc gia, cụ thể là ÚC – S&P/ASX 200 (AUS) và Việt Nam – VNInDex (VNI). Đây được xem là những thước đo quan trọng cho thấy năng lực kinh tế và khả năng tài chính của mỗi quốc gia trong nền kinh tế toàn cầu. Chuỗi dữ liệu này được thu thập và tổng hợp từ nguồn thông tin chính thống, đáng tin cậy từ trang web www.investing.com trong giai đoạn từ đầu năm 2018 đến cuối năm 2023.

Dưới đây là thông tin về giá đóng cửa vào 10 ngày cuối cùng trong năm 2023 của hai thị trường chứng khoán Úc (AUS) và Việt Nam - VNIndex (VNI).

*Bảng 3.1: Giá đóng của của 10 ngày cuối tháng 12 năm 2023 của 2 TTCK AUS và VNI*

```{r}
library(PerformanceAnalytics)
library(readxl)
data <- read_excel("C:/NV/CMHNN/cmhnn/T.xlsx",2)
data <- data[,1:3]
mydata <- data[,c(2:3)]
head(data,10)
```

*Nguồn: Kết quả xử lý dữ liệu từ phần mềm Rstudio*

## Công cụ phân tích dữ liệu

Dữ liệu được tác giả sử dụng thuộc dạng dữ liệu chuỗi thời gian (timeseries). Bài nghiên cứu sử dụng phần mềm Rstudio để phân tích bộ dữ liệu này. Rstudio là những công cụ được các nhà phân tích tài chính áp dụng rộng rãi nhất trong việc phân tích và dự đoán tình hình tài chính của các tổ chức, doanh nghiệp lớn nhỏ. Trong nghiên cứu này, tác giả đã sử dụng hai công cụ này để hỗ trợ tính toán và thực hiện các bài toán kiểm định thống kê hồi quy của các biến chỉ số được đưa vào bài nghiên cứu.

## Phương pháp nghiên cứu

Trong lĩnh vực tài chính và kinh tế, việc mô hình hóa sự phụ thuộc giữa các biến số là một nhiệm vụ quan trọng và đầy thách thức. Các phương pháp truyền thống như mô hình hồi quy tuyến tính, thường dựa trên giả định về phân phối chuẩn của dữ liệu, nhưng giả định này không phải lúc nào cũng phản ánh đúng mối quan hệ thực tế giữa các biến số. Phương pháp copula nổi lên như một công cụ mạnh mẽ để giải quyết vấn đề này, phương pháp này bắt nguồn từ lý thuyết xác suất và thống kê, với nền tảng là định lý Sklar (1959), được đặt theo tên của nhà toán học người Pháp Maurice René Fréchet, người đầu tiên đề xuất khái niệm này vào năm 1951. Nó cho phép mô hình hóa sự phụ thuộc giữa các biến ngẫu nhiên mà không cần ràng buộc bởi giả định về phân phối biên của chúng.

## Các kiểm định sử dụng

### Các kiểm định mô hình

**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**

Tương tư với kiểm định phân phối chuẩn: Jarque-Bera thì kiểm định tính dừng: Augmented Dickey–Fuller (viết tắt: ADF) cũng sử dụng gói *tseries*. Kiểm định ADF được sử dụng để kiểm tra xem một chuỗi thời gian có tính dừng hay không. Giả thiết H0 là chuỗi thời gian không có tính dừng.

Hàm *adf.test()* sẽ trả về kết quả của kiểm định ADF, bao gồm giá trị của thống kê kiểm định và giá trị p-value. Nếu p-value nhỏ hơn một mức ý nghĩa đã chọn (chẳng hạn như 5%), bạn có thể bác bỏ giả thuyết rằng chuỗi thời gian không có tính dừng.

**Kiểm định tương quan chuỗi: Ljung-Box**

Trong R, bạn có thể sử dụng hàm *Box.test()* trong gói **stats** để thực hiện kiểm định tương quan chuỗi Ljung-Box. Kiểm định Ljung-Box được sử dụng để kiểm tra tính tương quan tự do của một chuỗi thời gian và xác định xem chuỗi có phụ thuộc tương quan không gian hay không. Giả thiết H_0là không có tương quan chuỗi Ljung-Box.

Kết quả của kiểm định Ljung-Box sẽ bao gồm giá trị của thống kê kiểm định (Q statistic) và giá trị p-value. Giá trị p-value thường được so sánh với một mức ý nghĩa nhất định (ví dụ: 5%) để xác định xem có sự tồn tại của tương quan không gian trong chuỗi thời gian hay không. Nếu giá trị p-value nhỏ hơn mức ý nghĩa, ta có thể kết luận rằng có sự tồn tại của tương quan không gian trong chuỗi thời gian.

### Các kiểm định lựa chọn mô hình biên

**Kiểm định Anderson-Darling (AD)**

Kiểm định Anderson-Darling là một phương pháp kiểm định sự phù hợp (goodness-of-fit) được sử dụng rộng rãi để đánh giá xem liệu một mẫu dữ liệu có tuân theo một phân phối xác định trước hay không. Kiểm định này là một mở rộng của kiểm định Kolmogorov-Smirnov, nhưng nhấn mạnh nhiều hơn vào các giá trị cực trị ở cả hai đuôi của phân phối. Kiểm định Anderson-Darling dựa trên hàm phân phối tích lũy (CDF) của mẫu và so sánh nó với CDF của phân phối mục tiêu. Phương pháp này đặc biệt nhạy cảm với các biến động ở phần đuôi của phân phối, do đó nó thường được ưa chuộng trong các tình huống mà sự phù hợp ở các đuôi là quan trọng, chẳng hạn như trong tài chính hay khoa học khí hậu.

**Kiểm định Cramer-von Mises (CvM)**

Kiểm định Cramer-von Mises là một kiểm định không tham số khác nhằm đo lường sự khác biệt giữa hàm phân phối tích lũy của mẫu và phân phối lý thuyết. Kiểm định này ít nhạy cảm với các giá trị cực trị hơn so với kiểm định Anderson-Darling, và do đó, thường được sử dụng trong các trường hợp mà sự phù hợp tổng thể là quan trọng. Kiểm định này phù hợp cho việc đánh giá sự phù hợp tổng thể mà không quá chú trọng vào các phần đuôi của phân phối. Nó thường được sử dụng trong các lĩnh vực như sinh học, khoa học xã hội, và các nghiên cứu khác nơi mà tính nhất quán tổng thể quan trọng hơn so với các biến động cực trị.

**Kiểm định Kolmogorov-Smirnov (KS)**

Kiểm định Kolmogorov-Smirnov (KS) là một trong những kiểm định không tham số phổ biến nhất để đánh giá sự phù hợp của một mẫu với một phân phối. KS đo lường khoảng cách lớn nhất giữa hàm phân phối tích lũy thực nghiệm của mẫu và CDF của phân phối lý thuyết. Kiểm định KS có ưu điểm là đơn giản và dễ thực hiện, nhưng nó có nhược điểm là nhạy cảm với các điểm khác biệt ở trung tâm phân phối hơn là ở các đuôi. KS được sử dụng rộng rãi trong nhiều lĩnh vực như kinh tế học, tài chính, vật lý và khoa học máy tính, nơi việc kiểm tra sự phù hợp với một phân phối chuẩn là quan trọng.

___

# Chương 4: PHÂN TÍCH DỮ LIỆU

## Thống kê mô tả

*Bảng 4.1 : Thống kê mô tả các chuỗi lợi suất giai đoạn 2018 - 2023*

```{r}
library(PerformanceAnalytics)
library(readxl)
data <- read_excel("C:/NV/CMHNN/cmhnn/T.xlsx",2)
data <- data[,1:3]
mydata <- data[,c(2:3)]
print(summary(mydata))
```

*Nguồn: Kết quả xử lý dữ liệu từ phần mềm Rstudio*

BiếN động của chuỗi lợi suất chứng khoán tại thị trường chứng khoán S&P/AXS 200 của Úc (AUS) và VNIndex của việt Nam (VNI) trong giai đoạn 2018 - 2023 được trình bày trong bảng thống kê mô tả trong *Bảng 4.1*. Dựa trên kết quả, ta có thể nhận thấy những đặc điểm khác biệt cũng như sự tương đồng trong diễn biến của hai thị trường này.

Về chỉ số lợi suất, thị trường chứng khoán Úc có giá trị thấp nhất là 4492 điểm, cao hơn so với mức tối thiểu của thị trường chứng khoán Việt Nam là 659,2 điểm. Điều này cho thấy rằng, trong giai đoạn được phân tích, thị trường Úc duy trì một mức sàn cao hơn, phản ánh sự ổn định hơn trong bối cảnh thị trường so với Việt Nam. Về chỉ số lợi suất tối đa, thị trường chứng khoán Úc đạt mức cao nhất là 7636 điểm, trong khi VNI đạt mức tối đa là 1528,6 điểm. Mức tối đa của VNI thể hiện tiềm năng tăng trưởng mạnh mẽ của thị trường này trong những giai đoạn thuận lợi.

Về các chỉ số phần tư, lợi suất của AUS có phân bố gần nhau hơn, với 1st Qu. (tứ phân vị thứ nhất) là 6,151 điểm và 3rd Qu. (tứ phân vị thứ ba) là 7,127 điểm. Ngược lại, thị trường Việt Nam cho thấy một sự phân tán rộng hơn với 1st Qu. là 962,3 điểm và 3rd Qu. là 1,203,3 điểm. Sự phân tán này có thể ngụ ý rằng thị trường VNI có biên độ dao động lớn hơn, có thể liên quan đến mức độ biến động và tính thanh khoản khác nhau của hai thị trường.

Xét về giá trị trung vị (Median) và trung bình (Mean) của Úc (6737 và 6641) cũng cao hơn so với Việt Nam (1048.4 và 1090.5). Có thể thấy sự chênh lệch giữa trung vị và trung bình của Úc nhỏ hơn, ngụ ý rằng phân bố lợi suất của Úc ít bị ảnh hưởng bởi các giá trị ngoại lai hơn so với Việt Nam. Như vậy, thị trường Úc có xu hướng cung cấp lợi suất ổn định và cao hơn, trong khi thị trường Việt Nam có sự biến động lớn hơn nhưng cũng có tiềm năng tăng trưởng.

Tóm lại, qua bảng số liệu, chúng ta có thể thấy rằng thị trường chứng khoán Việt Nam (VNI) có mức độ biến động lớn hơn so với thị trường Úc (AUS). Mặc dù AUS thể hiện sự ổn định hơn, VNI lại có tiềm năng tăng trưởng mạnh mẽ, nhưng cũng đi kèm với những rủi ro cao hơn. Những điểm này cần được nhà đầu tư cân nhắc kỹ lưỡng khi đưa ra quyết định đầu tư. Thị trường Úc, với quy mô lớn hơn và sự đa dạng của các cổ phiếu niêm yết, chứng kiến sự biến động mạnh mẽ hơn của lợi suất. Ngược lại, thị trường Việt Nam, với quy mô nhỏ hơn và sự tập trung vào một số ngành công nghiệp nhất định, có xu hướng ổn định hơn. Những khác biệt này có thể giải thích bởi các yếu tố như quy mô nền kinh tế, chính sách kinh tế, và cấu trúc thị trường của mỗi quốc gia.

## Ma trận tương quan

Các hệ số tương quan giữa chuỗi lợi suất chứng khoán S&P/AXS 200 của Úc (AUS) và VNIndex của Việt Nam (VNI) được trình bày trong bảng . Các hệ số tương quan đều có giá trị dương và có ý nghĩa thống kê ở mức ý nghĩa 5%. Dùng lệnh *res()* để hiển thị hệ số tương quan giữa các cặp biến. Sau đó dùng *round()* để làm tròn đến chữ số thập phân thứ 2.

*Bảng 4.2: Ma trận hệ số tương quan*

```{r}
res <- cor(mydata)
round(res, 2)
```

*Nguồn: Kết quả xử lý dữ liệu từ phần mềm Rstudio*

Dựa trên ma trận hệ số tương quan giữa lợi suất của thị trường chứng khoán Úc (AUS) và Việt Nam (VNI), ta có thể nhận xét rằng hai chuỗi lợi suất này có mối quan hệ tương đối chặt chẽ với nhau, với hệ số tương quan là 0.74. Hệ số này cho thấy rằng khi lợi suất của thị trường Úc tăng hoặc giảm, lợi suất của thị trường Việt Nam cũng có xu hướng di chuyển theo cùng một chiều với một mức độ khá cao. Mặc dù hệ số tương quan 0.74 chưa đạt tới mức tuyệt đối 1.00, nó vẫn thể hiện một mức độ tương quan cao, điều này có thể xuất phát từ các yếu tố kinh tế toàn cầu ảnh hưởng chung đến cả hai thị trường hoặc từ sự tương đồng trong cách mà các nhà đầu tư phản ứng trước các sự kiện kinh tế hoặc chính trị. Ta cũng có thể thấy mối tương quna giữa hai TTCK này qua các biểu đồ dưới đây:

```{r}
library(corrplot)
corrplot(res, type = "upper", order = "hclust", 
         tl.col = "black", tl.srt = 45)
```

***Biểu đồ 1: Biểu đồ ma trận hệ số tương quan giữa AUS và VNI***

Biểu đồ tương quan (correlation plot) giúp chúng ta có thể sự tương quan của thị trường chứng khoán Úc và thị trường chứng khoán Việt Nam. Dựa vừa mô hình thì chúng ta thấy cả 2 thị trường này có sự tương quan chặt chẽ với nhau, nhìn chung thì hệ số hồi quy dương, hai thị trường này có mối tương quan mạnh ở mức khá cao.

```{r}
chart.Correlation(mydata, histogram=TRUE, pch=19)
```

***Biểu đồ 2: Biểu đồ ma trận hệ số tương quan giữa AUS và VNI***

**Một số nhận xét:**

-   Phân phối của biến AUS (S%P/AXS 200 của Úc): 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 AUS 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 0.74 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 cũng 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.

Tuy nhiên, do hệ số tương quan chưa đạt mức 1.00, cũng có thể nhận định rằng vẫn có những khác biệt đáng kể trong cách các yếu tố đặc thù của từng thị trường tác động đến lợi suất của chúng. Điều này có nghĩa là mặc dù có mối liên hệ chặt chẽ, mỗi thị trường vẫn mang những đặc điểm riêng biệt, phản ánh những điều kiện kinh tế và chính trị khác nhau của hai quốc gia.

## Các kiểm định mô hình

Để đảm bảo tính chính xác trong việc phân tích dữ liệu và ngăn ngừa tình trạng lỗi do không dừng, tác giả đã thực hiện bước điều chỉnh bổ sung cho bộ dữ liệu. Cụ thể, tác giả sử dụng hàm diff() để tính sai phân của các biến đại diện cho thị trường chứng khoán của hai quốc gia, Úc và Việt Nam. Việc áp dụng hàm *diff()* giúp xác định sự thay đổi liên tục giữa các khoảng thời gian, từ đó giúp làm rõ hơn sự biến động của dữ liệu và cải thiện chất lượng phân tích.

Sau khi thực hiện điều chỉnh, bộ dữ liệu sẽ chứa hai biến mới, phản ánh sự thay đổi trong các chỉ số của thị trường chứng khoán. Để nghiên cứu sâu hơn về các biến này, tác giả thực hiện các bước trực quan hóa dữ liệu thông qua việc sử dụng các biểu đồ phù hợp. Quá trình trực quan hóa không chỉ giúp đánh giá sơ bộ các chỉ số mà còn đóng vai trò quan trọng trong việc làm mịn dữ liệu. Điều này sẽ hỗ trợ chúng tôi trong việc phân tích chi tiết và đưa ra các kết luận chính xác hơn về sự biến động của thị trường chứng khoán của hai quốc gia.

### Kiểm định phân phối chuẩn: Jarque-Bera

**Chuỗi lợi suất AUS**

```{r}
library(tseries)
data <- read_excel("C:/NV/CMHNN/cmhnn/T.xlsx",2)
# kiểm định cho chỉ số AUS
Var1 <- diff(data$AUS)
# Kiểm định phân phối chuẩn cho AUS
print(jarque.bera.test(Var1))
```

Đặt giả thiết:

H_0: Dữ liệu không tuân theo phân phối chuẩn.

H_1: Dữ liệu tuân theo phân phối chuẩn.

Kết quả của kiểm định ở mức ý nghĩa 5%, ta có giá trị X-squared = 4288.3 và p_value= 2.2e-16 < 0.05 nên bác bỏ giả thiết H_0. Kết luận rằng dữ liệu tuân theo phân phối chuẩn.

**Chuỗi lợi suất VNI**

```{r}
# kiểm định cho chỉ số VNI
Var2 <- diff(data$VNI)
# Kiểm định phân phối chuẩn cho VNI
print(jarque.bera.test(Var2))
```

Đặt giả thiết:

H_0: Dữ liệu không tuân theo phân phối chuẩn.

H_1: Dữ liệu tuân theo phân phối chuẩn.

Kết quả của kiểm định ở mức ý nghĩa 5%, ta có giá trị X-squared = 1006.5 và p_value= 2.2e-16 < 0.05 nên cũng tiến hành bác bỏ giả thiết H_0. Kết luận rằng dữ liệu tuân theo phân phối chuẩn.

### Kiểm định tính dừng: Augmented Dickey–Fuller

**Chuỗi lợi suất AUS**

```{r}
# KIEM DINH DUNG AUS
print(adf.test(Var1))
```

Đặt giả thiết:

H_0: Chuỗi thời gian không có tính dừng.

H_1: Chuỗi thời gian có tính dừng.

Từ kết quả kiểm định với mức ý nghĩa 5%, ta có giá trị của thống kê kiểm định về tính dừng là Dickey-Fuller = -10.518 và giá trị p-value = 0.01 < 0.05, nên ta bác bỏ giả thiết H_0 . Kết luận rằng chuỗi thời gian có tính dừng.

**Chuỗi lợi suất VNI**

```{r}
# KIEM DINH DUNG VNI
print(adf.test(Var2))
```

Đặt giả thiết:

H_0: Chuỗi thời gian không có tính dừng.

H_1: Chuỗi thời gian có tính dừng.

Từ kết quả kiểm định với mức ý nghĩa 5%, ta có giá trị của thống kê kiểm định về tính dừng là Dickey-Fuller = -11.442 và giá trị p-value = 0.01 < 0.05, nên ta bác bỏ giả thiết H_0 . Kết luận rằng chuỗi thời gian có tính dừng.

### Kiểm định tương quan chuỗi: Ljung-Box

**Chuỗi lợi suất AUS**

```{r}
library(stats)
result1 <-  Box.test(Var1, lag = 10, type = "Ljung-Box")
print(result1)
```

Đặt giả thiết:

H_0: Không có tương quan chuỗi Ljung-Box.

H_1: Có tương quan chuỗi Ljung-Box.

Với mức ý nghĩa 5%, ta có giá trị của thống kê kiểm định X-squared = 54.505 và giá trị p-value = 3.906e-08 < 0.05, bác bỏ giả thiết không có sự tự tương quan, chấp nhận giả thiết có sự tương quan.

**Chuỗi lợi suất VNI**

```{r}
result2 <-  Box.test(Var2, lag = 10, type = "Ljung-Box")
print(result2)
```

Đặt giả thiết:

H_0: Không có tương quan chuỗi Ljung-Box.

H_1: Có tương quan chuỗi Ljung-Box.

Với mức ý nghĩa 5%, ta có giá trị của thống kê kiểm định X-squared = 10.889 và giá trị p-value = 0.3663 > 0.05, bác bỏ giả thiết H_1 có sự tự tương quan, chấp nhận giả thiết H_0. Kết luận chuỗi lợi suất VNI không có sự tương quan.

## Kết quả ước lượng mức độ phản ứng của TTCK Việt Nam đối với TTCK Úc

Trong phần này, tác giả tập trung xác định mức độ phụ thuộc và cấu trúc phụ thuộc giữa hai thị trường để chỉ ra mức độ phản ứng của TTCK Việt Nam đối với biến động của TTCK Úc trong toàn giai đoạn nghiên cứu.

### Các dạng mô hình GJR-GARCH cho hai mã chứng khoán

#### Mã chứng khoán AUS

**GJR-GARCH(11)AUS**

- *GJR-GARCH(11)AUS với phân phối chuẩn*

```{r}
require(forecast)
require(rugarch)
AUS11n.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "norm")
print(AUS11n <- ugarchfit(spec = AUS11n.spec, diff(data$AUS)))
```

- *GJR-GARCH(11)AUS với phân phối Student t*

```{r}
AUS11t.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "std")
print(AUS11t <- ugarchfit(spec = AUS11t.spec,diff(data$AUS)))
```

- *GJR-GARCH(11)AUS với phân phối Student's t đối xứng*

```{r}
AUS11st.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "sstd") 
print(AUS11st <- ugarchfit(spec = AUS11st.spec,diff(data$AUS)))
```

- *GJR-GARCH(11)AUS với phân phối Generalized Error Distributtion (GED)*

```{r}
AUS11g.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "ged")
print(AUS11g <- ugarchfit(spec = AUS11g.spec,diff(data$AUS)))
```

- *GJR-GARCH(11)AUS với phân phối Generalized Error Distributtion đối xứng*

```{r}
AUS11sg.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "sged")
print(AUS11sg <- ugarchfit(spec = AUS11sg.spec,diff(data$AUS)))
```

Tương tự, ta cũng sẽ chạy các phân phối cho GJR-GARCH(12), GJR-GARCH(21), GJR-GARCH(22) của mã chứng khoán Úc.

**GJR-GARCH(12)AUS**

```{r}
#GJR-GARCH(11)AUS với phân phối chuẩn
AUS12n.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "norm")
print(AUS12n <- ugarchfit(spec = AUS12n.spec, data = diff(data$AUS)))
#GJR-GARCH(11)AUS với phân phối Student t
AUS12t.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "std")
print(AUS12t <- ugarchfit(spec = AUS12t.spec, data = diff(data$AUS)))
#GJR-GARCH(12)AUS với phân phối Student's t đối xứng
AUS12st.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "sstd")
print(AUS12st <- ugarchfit(spec = AUS12st.spec, data = diff(data$AUS)))
#GJR-GARCH(12)AUS với phân phối Generalized Error Distributtion (GED)
AUS12g.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "ged")
print(AUS12g <- ugarchfit(spec = AUS12g.spec, data = diff(data$AUS)))
#GJR-GARCH(12)AUS với phân phối Generalized Error Distributtion đối xứng
AUS12sg.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "sged")
print(AUS12sg <- ugarchfit(spec = AUS12sg.spec, data = diff(data$AUS)))
```

**GJR-GARCH(21)AUS**

```{r}
#GJR-GARCH(21)AUS với phân phối chuẩn
AUS21n.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "norm")
print(AUS21n <- ugarchfit(spec = AUS21n.spec, data = diff(data$AUS)))
#GJR-GARCH(21)AUS với phân phối Student t
AUS21t.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "std")
print(AUS21t <- ugarchfit(spec = AUS21t.spec, data =diff(data$AUS)))
#GJR-GARCH(21)AUS với phân phối Student's t đối xứng
AUS21st.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "sstd")
print(AUS21st <- ugarchfit(spec = AUS21st.spec, data = diff(data$AUS)))
#GJR-GARCH(21)AUS với phân phối Generalized Error Distributtion (GED)
AUS21g.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "ged")
print(AUS21g <- ugarchfit(spec = AUS21g.spec, data = diff(data$AUS)))
#GJR-GARCH(21)AUSvới phân phối Generalized Error Distributtion đối xứng
AUS21sg.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 1)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "sged")
print(AUS21sg <- ugarchfit(spec = AUS21sg.spec, data = diff(data$AUS)))
```

**GJR-GARCH(22)AUS**

```{r}
#GJR-GARCH(22)AUS với phân phối chuẩn
AUS22n.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "norm")
print(AUS22n <- ugarchfit(spec = AUS22n.spec, data = diff(data$AUS)))
#GJR-GARCH(22)AUS với phân phối Student t
AUS22t.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "std")
print(AUS22t <- ugarchfit(spec = AUS22t.spec, data = diff(data$AUS)))
#GJR-GARCH(22)AUS với phân phối Student's t đối xứng
AUS22st.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "sstd")
print(AUS22st <- ugarchfit(spec = AUS22st.spec, data = diff(data$AUS)))
#GJR-GARCH(22)AUS với phân phối Generalized Error Distributtion (GED)
AUS22g.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "ged")
print(AUS22g <- ugarchfit(spec = AUS22g.spec, data = diff(data$AUS)))
#GJR-GARCH(22)AUS với phân phối Generalized Error Distributtion đối xứng
AUS22sg.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 2)), mean.model = list(armaOrder = c(1, 0), include.mean = TRUE), distribution.model = "sged")
print(AUS22sg <- ugarchfit(spec = AUS22sg.spec, data = diff(data$AUS)))
```

#### Mã chứng khoán VNI

**GJR-GARCH(11)VNI**

- *GJR-GARCH(11)VNI với phân phối chuẩn*

```{r}
print(VNI.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"))
print(VNI.garch11n.fit <- ugarchfit(spec = VNI.garch11n.spec, data = diff(data$VNI)))
```

- *GJR-GARCH(11)VNI với phân phối Student t*

```{r}
print(VNI.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")) 
print(VNI.garch11t.fit <- ugarchfit(spec = VNI.garch11t.spec, data = diff(data$VNI)))
```

- *GJR-GARCH(11)VNI với phân phối Student's t đối xứng*

```{r}
print(VNI.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")) 
print(VNI.garch11st.fit <- ugarchfit(spec = VNI.garch11st.spec, data = diff(data$VNI)))
```

- *GJR-GARCH(11)VNI với phân phối Generalized Error Distributtion (GED)*

```{r}
print(VNI.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")) 
print(VNI.garch11g.fit <- ugarchfit(spec = VNI.garch11g.spec, data = diff(data$VNI)))
```

- *GJR-GARCH(11)VNI với phân phối Generalized Error Distributtion đối xứng*

```{r}
print(VNI.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")) 
print(VNI.garch11sg.fit <- ugarchfit(spec = VNI.garch11sg.spec, data = diff(data$VNI)))
```

Tương tự, ta cũng sẽ chạy các phân phối cho GJR-GARCH(12), GJR-GARCH(21), GJR-GARCH(22) của mã chứng khoán Việt Nam (VNI).

**GJR-GARCH(12)VNI**

```{r}
#GJR-GARCH(12)VNI với phân phối chuẩn
print(VNI.garch12n.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 2)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "norm"))
print(VNI.garch12n.fit <- ugarchfit(spec = VNI.garch12n.spec, data = diff(data$VNI)))
#GJR-GARCH(12)VNI với phân phối Student t
print(VNI.garch12t.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 2)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "std")) 
print(VNI.garch12t.fit <- ugarchfit(spec = VNI.garch12t.spec, data = diff(data$VNI)))
#GJR-GARCH(12)VNI với phân phối Student's t đối xứng
print(VNI.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")) 
print(VNI.garch12st.fit <- ugarchfit(spec = VNI.garch12st.spec, data = diff(data$VNI)))
#GJR-GARCH(12)VNI với phân phối Generalized Error Distributtion (GED)
print(VNI.garch12g.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 2)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "ged"))
print(VNI.garch12g.fit <- ugarchfit(spec = VNI.garch12g.spec, data = diff(data$VNI)))
#GJR-GARCH(12)VNI với phân phối Generalized Error Distributtion đối xứng
print(VNI.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"))
print(VNI.garch12sg.fit <- ugarchfit(spec = VNI.garch12sg.spec, data = diff(data$VNI)))
```

**GJR-GARCH(21)VNI**

```{r}
#GJR-GARCH(21)VNI với phân phối chuẩn
print(VNI.garch21n.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 1)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "norm"))
print(VNI.garch21n.fit <- ugarchfit(spec = VNI.garch21n.spec, data = diff(data$VNI)))
#GJR-GARCH(21)VNI với phân phối Student t
print(VNI.garch21t.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 1)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "std")) 
print(VNI.garch21t.fit <- ugarchfit(spec = VNI.garch21t.spec, data = diff(data$VNI)))
#GJR-GARCH(21)VNI với phân phối Student's t đối xứng
print(VNI.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")) 
print(VNI.garch21st.fit <- ugarchfit(spec = VNI.garch21st.spec, data =diff(data$VNI)))
#GJR-GARCH(21)VNI với phân phối Generalized Error Distributtion (GED)
print(VNI.garch21g.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 1)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "ged"))
print(VNI.garch21g.fit <- ugarchfit(spec = VNI.garch21g.spec, data = diff(data$VNI)))
#GJR-GARCH(21)VNI với phân phối Generalized Error Distributtion đối xứng
print(VNI.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")) 
print(VNI.garch21sg.fit <- ugarchfit(spec = VNI.garch21sg.spec, data = diff(data$VNI)))
```

**GJR-GARCH(22)VNI**

```{r}
#GJR-GARCH(22)VNI với phân phối chuẩn
print(VNI.garch22n.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 2)), mean.model 
= list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "norm"))
print(VNI.garch22n.fit <- ugarchfit(spec = VNI.garch22n.spec, data = diff(data$VNI)))
#GJR-GARCH(22)VNI với phân phối Student t
print(VNI.garch22t.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 2)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "std"))
print(VNI.garch22t.fit <- ugarchfit(spec = VNI.garch22t.spec, data = diff(data$VNI)))
#GJR-GARCH(22)VNI với phân phối Student's t đối xứng
print(VNI.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")) 
print(VNI.garch22st.fit <- ugarchfit(spec = VNI.garch22st.spec, data = diff(data$VNI)))
#GJR-GARCH(22)VNI với phân phối Generalized Error Distributtion (GED)
print(VNI.garch22g.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(2, 2)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "ged")) 
print(VNI.garch22g.fit <- ugarchfit(spec = VNI.garch22g.spec, data = diff(data$VNI)))
#GJR-GARCH(22)VNI với phân phối Generalized Error Distributtion đối xứng
print(VNI.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")) 
print(VNI.garch22sg.fit <- ugarchfit(spec = VNI.garch22sg.spec, data = diff(data$VNI)))
```

### Lựa chọn mô hình GJR-GARCH

Sau khi kết thúc việc xây dựng các mô hình biên (các mô hình GJR-GARCH(11), GJR-GARCH(12), GJR-GARCH(21), GJR-GARCH(22)) với 5 phân phối trên, ta tiến hành lựa chọn 1 mô hình phù hợp nhất đối với mỗi chuỗi Chứng khoán.

#### Lựa chọn mô hình biên phù hợp nhất cho chuỗi AUS

```{r}
AUS_list <- list(garch11n = AUS11n, garch11t = AUS11t, garch11st = AUS11st, garch11g = AUS11g, garch11sg = AUS11sg, garch12n = AUS12n, garch12t = AUS12t, garch12st = AUS12st, garch12g = AUS12g, garch12sg = AUS12sg, garch21n = AUS21n, garch21t = AUS21t, garch21st = AUS21st, garch21g = AUS21g, garch21sg = AUS21sg, garch22n = AUS22n, garch22t = AUS22t, garch22st = AUS22st, garch22g = AUS22g, garch22sg = AUS22sg)
```

```{r}
AUS.info.mat <- sapply(AUS_list, infocriteria)
rownames(AUS.info.mat) <- rownames(infocriteria(AUS11n))
print(AUS.info.mat)
```

```{r}
AUS.inds <- which(AUS.info.mat == min(AUS.info.mat), arr.ind=TRUE)
model.AUS <- colnames(AUS.info.mat)[AUS.inds[,2]]
print(model.AUS)
```

Kết quả cho thấy mô hình biên phù hợp cho chuỗi AUS là mô hình GJR-GARCH(11) của AUS với phân phối Generalized Error Distributtion đối xứng với tất cả các chỉ số thông tin AIC, BIC, SIC và HQ đều thấp nhất.

#### Lựa chọn mô hình biên phù hợp nhất cho chuỗi VNI

```{r}
VNI.model.list <- list(garch11n = VNI.garch11n.fit, garch11t = VNI.garch11t.fit, garch11st = VNI.garch11st.fit, garch11g = VNI.garch11g.fit, garch11sg = VNI.garch11sg.fit, garch12n = VNI.garch12n.fit, garch12t = VNI.garch12t.fit, garch12st = VNI.garch12st.fit, garch12g = VNI.garch12g.fit, garch12sg = VNI.garch12sg.fit, garch21n = VNI.garch21n.fit, garch21t = VNI.garch21t.fit, garch21st = VNI.garch21st.fit, garch21g = VNI.garch21g.fit, garch21sg = VNI.garch21sg.fit, garch22n = VNI.garch22n.fit, garch22t = VNI.garch22t.fit, garch22st = VNI.garch22st.fit, garch22g = VNI.garch22g.fit, garch22sg = VNI.garch22sg.fit)
```

```{r}
VNI.info.mat <- sapply(VNI.model.list, infocriteria)
rownames(VNI.info.mat) <- rownames(infocriteria(VNI.garch11n.fit))
print(VNI.info.mat)
```

```{r}
VNI.inds <- which(VNI.info.mat == min(VNI.info.mat), arr.ind=TRUE)
model.VNI <- colnames(VNI.info.mat)[VNI.inds[,2]]
print(model.VNI)
```

Tương tự với lết quả lựa chọn mô hình biên cho chuỗi AUS thì kết quả lựa chọn mô hình biên phù hợp cho chuỗi VNI cũng cho thấy mô hình GJR-GARCH(11) với phân phối Generalized Error Distributtion đối xứng là phù hợp nhất.

### Mô hình ARMA

**Mã chứng khoán AUS (S&P/AXS 200)**

```{r}
require(forecast)
require(rugarch)
autoarfima(Var1,ar.max = 2, ma.max = 2, criterion = "AIC", method = "full")
```

Đối với thị trường chứng khoán Úc, mô hình tối ưu là ARFIMA(0,0,2), 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) = 68.446696, và ma1 = -0.142768, ma2 = 0.087712.

**Mã chứng khoán VNI (VNIndex)**

```{r}
autoarfima(Var2,ar.max = 2, ma.max = 2, criterion = "AIC", method = "full")
```

Đối với thị trường chứng khoán Việt Nam, mô hình phù hợp hơn là ARFIMA(1,0,0), 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% và độ lệch chuẩn của tham số σ(sigma) = 13.966566. Tuy nhiên, với chỉ số ϕ1(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.
 

### Ước lượng mô hình phân phối biên cho mỗi chuỗi lợi suất

Để xây dựng mô hình copula và ước lượng các tham số của mô hình copula, bước đầu tiên cần xác định mô hình phân phối biên phù hợp nhất để mô tả chính xác đặc điểm biến động của từng chuỗi lợi suất chứng khoán. Các mô hình phân phối biên của sai số chuẩn hóa của mỗi chuỗi lợi suất là yếu tố đầu vào của copula hai biến.

Mô hình biên tổng quát của các chuỗi lợi suất có dạng:

ARMA(p,q)-GJR-GARCH(r,m)

Xác định bậc p, q trong mô hình trung bình di động ARMA(p,q) căn cứ vào giá trị nhỏ nhất của tiêu chuẩn thông tin AIC được ước tính bằng phương pháp ước lượng hợp lý cực đại (Maximum Likelihood Estimation - MLE). Đây là mô hình xác định độ trễ và bước nhảy tối ưu cho chuỗi dữ liệu. Sự tồn tại của hiệu ứng ARCH được tìm thấy ở tất cả các chuỗi lợi suất bằng cách sử dụng kiểm định Lagrange Multiplier (LM). Mô hình biên phù hợp nhất được xác định dựa vào một tập hợp gồm 20 mô hình biên khác nhau tương ứng với độ trễ p, q và các kết hợp bậc của tham số r, m với bậc tối đa 2; và 5 dạng hàm phân phối biên của chuỗi phần dư cho mỗi chuỗi lợi suất. Các dạng hàm phân phối của các chuỗi phần dư của mỗi chuỗi lợi suất được đưa vào để lựa chọn gồm phân phối chuẩn (Normal), Student-t, Skewed student-t, phân phối lỗi tổng quát GED (Generalized Error Distribution) và phân phối lỗi tổng quát lệch sGED (Skewed Generalized Error Distribution). Mô hình phân phối biên phù hợp nhất cho mỗi chuỗi lợi suất được lựa chọn dựa vào giá trị nhỏ nhất của tiêu chuẩn thông tin AIC, BIC, SIC và HQIC.

```{r}
print(c(AUS11sg,VNI.garch11sg.fit))
```

### Các kiểm định tính phù hợp của mô hình phân phối biên

**Trích xuất chuỗi phần dư u của chuỗi lợi suất AUS**

```{r}
AUS.res <- residuals(AUS11sg)/sigma(AUS11sg)
fitdist(distribution = "sged", AUS.res, control = list())
```

```{r}
u <- pdist(distribution = "sged", q = AUS.res, mu = 0.01490557 , sigma = 1.00163689, skew = 1.13984496, shape = 1.40756441)
```

**Trích xuất chuỗi phần dư u của chuỗi lợi suất VNI**

```{r}
VNI.res <- residuals(VNI.garch11sg.fit)/sigma(VNI.garch11sg.fit)
fitdist(distribution = "sged", VNI.res, control = list())
```

```{r}
v = pdist("sged",VNI.res, mu = 0.01684483, sigma = 1.02488162, skew = 1.09661524, shape = 1.18323819)
```

#### Các kiểm định sự phù hợp của mô hình biên

**Kiểm định Anderson-Darling**

```{r}
library(nortest)
ad.test(u)
```

```{r}
ad.test(v)
```

**Kiểm định Cramer-von Mises**

```{r}
cvm.test(u)
```

```{r}
cvm.test(v)
```

**Kiểm định ks-test**

```{r}
ks.test(u,y= "punif")
```

```{r}
ks.test(v,y="punif")
```

Sau khi xác định được mô mình phân phối biên phù hợp cho hai chuỗi lợi suất, để xem xét mối quan hệ phụ thuộc giữa hai chuỗi này, ta trích xuất phần dư ứng với mỗi chuỗi và tiến hành các kiểm định Anderson-Darling (A-D), Cramer-von Mises (Cv-M) và kiểm định Kolmogorov-Smornov (K-S). Và các kiểm định đều cho ra kết quả các phân phối biên u\_(it) của mỗi chuỗi lợi suất đều thỏa mãn giả thuyết trên. Điều này cho thấy, các biến u\_(it) là các phân phối biên phù hợp của hàm số copula để xem xét mối quan hệ phụ thuộc giữa hai biến này. Trong trường hợp các phân phối biên được xác định không phù hợp sẽ dẫn đến các hàm chuyển đổi xác suất của chúng sẽ không độc lập và không có phân phối đồng nhất trong [0,1]; khi đó, việc áp dụng hàm copula để mô tả mối quan hệ phụ thuộc giữa hai biến sẽ bị sai lệch.

### Ước lượng tham số mô hình copula và lựa chọn mô hình copula phù hợp

Sau khi tìm ra được các phân phối biên phù hợp, ta tiến hành vận dụng một số hàm copula họ Elip, copula họ Archimedean và một vài copula hỗn hợp để xác định mức độ phụ thuộc giữa TTCK Việt Nam với TTCK Úc thông qua các tham số copula. Với mỗi họ copula khác nhau, mối quan hệ phụ thuộc giữa hai thị trường sẽ được xem xét trong từng điều kiện thị trường cụ thể. Copula họ Elip (Gauss và Studentt) cho phép mô tả mối quan hệ giữa hai thị trường trong điều kiện thị trường biến động bình thường; trong khi copula họ Archimedean và các copula hỗn hợp cho phép mô tả mức độ phụ thuộc trong điều kiện một trong hai thị trường biến động cực biên. Tham số ước lượng của các hàm copula có điều kiện và hệ số phụ thuộc đuôi thể hiện cấu trúc phụ thuộc giữa TTCK Việt Nam với TTCK Úc được thể hiện trong kết quả dưới đây:

```{r}
library(VineCopula)
BiCopSelect(u, v, familyset= 1:10, selectioncrit="AIC",indeptest = FALSE, level = 0.05)
```

```{r}
Stu <- BiCopEst(u, v, family = 7, method = "mle", se = T)
summary(Stu)
```

Dựa trên kết quả phân tích, có thể thấy rằng sự tương thích giữa thị trường chứng khoán Việt Nam và thị trường chứng khoán Úc trong giai đoạn 2018-2023 không được thể hiện rõ ràng. Các mô hình phân tích cho thấy rằng các yếu tố liên quan đến biến động giá chứng khoán và sự tương quan giữa hai thị trường không cho thấy một mối liên hệ chặt chẽ. Điều này có nghĩa là không có sự phụ thuộc rõ rệt hoặc tương quan mạnh mẽ giữa hai thị trường chứng khoán này.

Tuy nhiên, mặc dù sự tương thích giữa hai thị trường chứng khoán không cao, mối quan hệ kinh tế và thương mại giữa Việt Nam và Úc vẫn đang có xu hướng phát triển. Việt Nam hiện đang duy trì vị trí quan trọng trong danh sách các đối tác thương mại của Úc, với các lĩnh vực thương mại chủ yếu bao gồm xuất khẩu hàng hóa như nông sản, dệt may và sản phẩm công nghệ từ Việt Nam, trong khi Úc chủ yếu xuất khẩu khoáng sản và hàng hóa nông nghiệp sang Việt Nam. Tổng kim ngạch xuất nhập khẩu giữa hai quốc gia đã đạt khoảng 15 tỷ USD vào năm 2023. 

Bên cạnh đó, các khoản đầu tư và chính sách hỗ trợ từ Úc cũng đang thúc đẩy sự hợp tác giữa hai nước. Những yếu tố này chỉ ra rằng, mặc dù thị trường chứng khoán của Việt Nam và Úc không có sự đồng nhất cao về mặt biến động và tỷ lệ sinh lời, sự phát triển trong mối quan hệ kinh tế và thương mại giữa hai quốc gia vẫn đang tiếp tục mở rộng và củng cố.

___

# Chương 5: KẾT LUẬN VÀ KIẾN NGHỊ

## Kết luận

Mô hình copula được coi là một công cụ mạnh mẽ và được ưa chuộng trong nghiên cứu do khả năng đáng tin cậy, tính linh hoạt, và khả năng áp dụng cho nhiều loại dữ liệu khác nhau. Copula cung cấp sự linh hoạt trong việc phân tích phân phối biên và lựa chọn mô hình phù hợp với dữ liệu thực tế hơn. Khả năng của mô hình này trong việc mô tả các mối quan hệ phụ thuộc phức tạp, bao gồm cả sự phụ thuộc đối xứng và bất đối xứng, vượt xa việc chỉ tính tương quan đơn thuần. Việc áp dụng copula giúp tạo ra các phân phối chính xác cho dữ liệu tài chính, đặc biệt là trong các chuỗi thời gian. Phương pháp này mang lại lợi thế quan trọng trong việc cải thiện độ chính xác của các ước tính, hỗ trợ đáng kể cho quá trình dự đoán và phân tích biến động của thị trường.

## Kiến nghị

Trong bối cảnh hiện nay, Xu hướng trật tự thế giới đa cực đang ngày càng rõ ràng biểu hiện qua các cuộc xung đột về địa chính trị giữa Nga và Ukraine cũng như xung đột gần đây giữa Israel và Hamas. Bên cạnh đó, sự phát triển nhanh chóng của công nghệ số đã tạo ra những thay đổi đáng kể trong trật tự thế giới ngày nay.

Trước tình hình đó, các quốc gia cần giảm bớt mâu thuẫn, tập trung vào phát triển công nghệ và nâng cao năng lực quân sự để thích ứng với biến đổi này. Xây dựng mối quan hệ quốc tế và thúc đẩy hợp tác khu vực là rất quan trọng. Đặc biệt là đối với Việt Nam, nước ta là một nước nhỏ bé và là nước đang phát triển, bên cạnh đó cũng có rất nhiều các nước nước lớn đang dòm ngó đến. Chính vì thế mà nước ta cần đẩy mạnh sự hợp tác hữu nghị với các nước lớn, xây dựng các mối quan cùng hợp tác cùng phát triển. Qua đề tài phân tích cấu trúc thị trường giữa hai sàn chứng khoán S&P/ASX 200 của Úc và VNIndex của Việt Nam trong giai đoạn 2018 – 2023 cho thấy TTCK Việt Nam ít bị ảnh hưởng bởi TTCK Úc. Do đó, duy trì mối quan hệ tốt với các nước trong khu vực và quốc tế là cần thiết, bất kể mức độ tác động của thị trường chứng khoán. 

Đối với nhà đầu tư, đa dạng hóa danh mục đầu tư là chiến lược quan trọng để giảm rủi ro và bảo vệ tài sản. Theo dõi xu hướng toàn cầu, đầu tư vào công nghệ và đổi mới, cũng như chú trọng đến yếu tố bền vững và trách nhiệm xã hội, sẽ giúp tạo ra danh mục đầu tư bền vững hơn và khai thác cơ hội mới.

Đối với các bên quản lý, cần tăng cường hợp tác quốc tế, cải thiện hệ thống quản lý rủi ro và khuyến khích đầu tư bền vững. Việc xây dựng các mối quan hệ đối tác vững chắc và thiết lập các chính sách hỗ trợ công nghệ xanh sẽ giúp ổn định nền kinh tế và giảm tác động từ các cú sốc toàn cầu.

Tóm lại, để duy trì sự ổn định và phát triển bền vững trong bối cảnh thế giới đang biến động nhanh chóng, việc áp dụng các chính sách và chiến lược phù hợp là rất quan trọng cho các quốc gia, nhà đầu tư và cơ quan quản lý không chỉ với Việt Nam, là còn đối với các quốc gia trên thế giới, đặc biệt là các quốc gia đang phát triển.


## Hạn chế của đề tài

Mặc dù nghiên cứu đã làm rõ mức độ phản ứng của thị trường chứng khoán Việt Nam đối với biến động của thị trường chứng khoán Úc và các kết quả thu được phù hợp với lý thuyết và các nghiên cứu thực nghiệm trước về mối quan hệ phụ thuộc giữa các thị trường chứng khoán cận biên, mới nổi và các thị trường phát triển, bài báo cáo vẫn còn một số hạn chế do ảnh hưởng của các yếu tố khách quan và chủ quan trong quá trình thực hiện. Cụ thể, nghiên cứu chỉ tập trung vào mối quan hệ phụ thuộc và sự lan tỏa giữa thị trường chứng khoán Việt Nam và thị trường chứng khoán Úc, hai quốc gia có vai trò quan trọng trong thương mại và đầu tư FDI của Việt Nam. Tuy nhiên, nghiên cứu chưa xem xét mối tương quan với các thị trường chứng khoán lớn khác như Ấn Độ và Mỹ, những quốc gia cũng có mối liên kết thương mại và đầu tư đáng kể với Việt Nam.

## Hướng phát triển đề tài

Các đề tài nghiên cứu về các chủ đề tài chính luôn là đề tài nhận được sự chú ý và quan tâm nhiều nhất bởi các tổ chức tài chính và các nhà đầu tư, đặc biệt là các nhà hoạch định các chính sách kinh tế và các nhà đầu tư. Trong quá trình thực hiện đề tài nghiên cứu, tác giả nhận thấy năng lực, kinh nghiệm cũng như kiến thức chuyên môn còn nhiều điểm hạn chế nên không tránh khỏi những thiếu sót. Vì vậy, để giảm thiểu cũng như khắc phục những thiết xót này, tác giả đã đưa ra hai hướng phát triển như sau:

Một là, mở rộng quy mô nghiên cứu: Có thể thu thập thêm dữ liệu với khoảng thời gian nghiên cứu dài hơn để tăng số lượng quan sát hay mở rộng không gian nghiên cứu thêm một số nước nữa để có thể đánh giá, so sánh giữa các nước với nhau, để tác giả có thể có cái nhìn sâu hơn và hiểu rõ hơn về xu hướng, biến động của nền kinh tế và tăng tính thiết thực cho đề tài.

Hai là, sử dụng hàm phân phối copula có điều kiện (CvaR) để đo lường rủi ro danh mục đầu tư sẽ mang lại kết quả đáng tin cậy hơn so với phương pháp giá trị rủi ro VaR truyền thống (Artzner, 1999).

Tóm lại, tác giả sẽ cố gắng khắc phục những điểm còn hạn chế của nghiên cứu cũng như nỗ lực tiến xa hơn trong việc phát triển và mở rộng phạm vi nghiên cứu của mình để có thể đưa ra kết quả có độ chính xác cao hơn và phù hợp với thực tiễn hơn.

___

# TÀI LIỆU THAM KHẢO

1. 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.

2. Horvath, R., & Petrovski, D. (2013). International stock market integration: Central and South Eastern Europe compared. Economic Systems, 37(1), 81-91.

3. 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.

4. Kresta, A. (2015). Application of GARCH-copula model in portfolio optimization. Financial Assets and Investing, 6(2), 7-20.

5. Patton, A. J. (2012). A review of copula models for economic time series. Journal of Multivariate Analysis, 110, 4-18.

6. 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.


