Đề tài Áp dụng các công cụ toán tài chính vào quản lý rủi ro và ứng dụng cho thị trường chứng khoán Việt Nam

ng vai trò hết sức quan trọng bởi chúng là những yếu tố căn bản trong việc xây dựng và duy trì một thị trường vốn ổn định. CHƯƠNG 2: MỘT SỐ MÔ HÌNH TOÁN VÀ CHỈ BÁO KỸ THUẬT ỨNG DỤNG TRONG NGHIỆP VỤ QUẢN LÝ RỦI RO CHO THỊ TRƯỜNG CHỨNG KHOÁN 2.1 MỘT SỐ DẠNG CỦA MÔ HÌNH GARCH Trong một vài thập kỷ trước, các nhà nghiên cứu đã tập trung sự chú ý vào mô hình dự báo độ biến động (rủi ro) do vai trò quan trọng của nó trong thị trường tài chính. Các nhà quản lý danh mục đầu tư, những người buôn bán quyền chọn và những nhà tạo lập thị trường quan tâm đến mức độ chính xác của những dự báo này. Với vai trò đó, nó là một thành phần quan trọng cho tối ưu hóa danh mục đầu tư, xác định giá và quản lý rủi ro. Mặc dù độ biến động (rủi ro) có ý nghĩa quan trọng nhưng người ta không quan sát trực tiếp được do đó vẫn cần phải có các phương pháp ước tính nó. Khi phân tích rủi ro người ta thấy có 3 đặc trưng cơ bản: Tồn tại quan hệ bầy đàn Rủi ro biến động theo một cơ chế liên tục theo thời gian, ít khi có bước nhảy lớn. Rủi ro không phân kỳ đến vô cùng, nó hội tụ nên là một chuỗi dừng. Đã có rất nhiều công trình nghiên cứu về vấn đề này, nhiều mô hình được đưa ra nhưng thành công nhất phải kể đến mô hình GARCH (Generalized Autoregressive Conditional Heteroscedasticity) của Bollerslev (năm 1986). Mô hình này đã được ông đã phát triển thành công từ ý tưởng của Engle trong mô hình ARCH (năm 1982). Từ đó đến nay, mô hình GARCH rất được ưa chuộng và được phổ biến rộng rãi do khả năng của nó trong việc dự báo độ biến động cho các chuỗi thời gian trong tài chính. 2.1.1 Mô hình ARCH (Autoregressive Conditional Heteroscedasticity) Mô hình này được Engle đưa ra năm 1982. Tư tưởng cơ bản của nó là: Lợi suất của tài sản trung bình () không tương quan chuỗi. có thể mô tả bằng một hàm bậc hai của các giá trị trễ. Mô hình ARCH tổng quát (ARCH(m)): : Biến ngẫu nhiên độc lập có cùng 1 phân bố và , Thông thường người ta hay dùng có phân bố chuẩn hóa hoặc phân bố T được chuẩn hóa. Nếu cú sốc càng lớn ( càng lớn) thì khi đó cũng có xu hướng là lớn tức là xác suất xảy ra sự biến động lớn là lớn hơn xác suất xảy ra các biến động nhỏ. Một số tính chất của ARCH(1): - với ~ iid (phân bố độc lập giống nhau) , > mà ta lại có - Mô men cấp 4 của chuỗi Ut với các giả thiết nói ở trên cho biết thông thường chuỗi lợi suất có hệ số bất đối xứng lớn hơn 3 (lệch phải). - Trong trường hợp ta xét mô hình tổng quát ARCH(m) thì 2 tính chất nói ở trên vẫn được đảm bảo nhưng tính phức tạp tăng lên. Một số nhược điểm của mô hình ARCH: - Do phương sai là một hàm tuyến tính của U2 có nghĩa là tất cả các yếu tố nhiễu đều có ảnh hưởng dương đến phương sai do đó mà bất kể các nhiễu âm hay dương đều có ảnh hưởng dương đến phương sai. Các cú sốc lớn về mặt trị tuyệt đối sẽ có xu hướng dẫn đến các cú sốc lớn hơn, điều này không phải lúc nào cũng đúng trong thực tế. Trên thị có lúc có những cú sốc dương và những cú sốc âm. - Mô hình ARCH chỉ cho biết cơ chế biến đổi của phương sai (rủi ro) thông qua độ dài của các yếu tố trễ nhưng mô hình không giải thích được vì sao có cơ chế như vậy. - Thông thường mô hình ARCH dự báo phương sai cao so với giá trị thực. - Đối với ARCH(1) hệ số 0 ≤ α1 và trong trường hợp mô men cấp 4 mà hữu hạn thì khi đó 0 ≤ α1 <. Điều kiện này đối với các mô hình ARCH bậc cao rất khó được thể hiện. Dự báo: Giả sử ở thời điểm h: Thời điểm h + 1: Thời điểm h + 2: Quá trình dự báo theo công thức đệ quy: 2.1.2 Mô hình GARCH (Generalized Autoregressive Conditional Heteroscedasticity) Mô hình GARCH tổng quát (GARCH(m,s)): với ~ iid (phân bố độc lập giống nhau) ; ; Ta có : Điều kiện đối với tổng của & đảm bảo phương sai không điều kiện hữu hạn (đảm bảo chuỗi hội tụ) Mô hình trên trở thành mô hình ARMA đối với ; : có phân bố iid đây là phương sai không điều kiện dùng để tính giá của quyền chọn trong trường hợp dài hạn. Mô hình GARCH(1,1): đây là mô hình thường được dùng nhất do mô hình ước lượng khá đơn giản mà khả năng dự báo vẫn cao. với ~ iid (phân bố độc lập giống nhau) ; ; Điều kiện t ≥ 2, lấy với e là phần dư khi ước lượng mô hình. Thông thường mô hình GARCH là mô hình dùng cho ngắn hạn nên nó chỉ dự báo tốt trong ngắn hạn do đó phải thường xuyên tính lại. 2.1.3 Mô hình IGARCH (Integrated Autoregressive Conditional Heteroscedasticity) Mô hình IGARCH tổng quát: với ~ iid (phân bố độc lập giống nhau) Nếu thì có nghiệm đơn vị. Trong trường hợp có nghiệm đơn vị chúng ta nói có mô hình IGARCH. Mô hình IGARCH (1,1): với ~ iid (phân bố độc lập giống nhau) Đặc điểm của mô hình IGARCH: Do phương sai không điều kiện được tính bằng mà trong mô hình IGARCH cho nên mô hình này không có phương sai không điều kiện do đó cũng không có phương sai không điều kiện. Điều này dẫn đến khó giải thích hành vi của chuỗi . Về mặt lý thuyết trong mô hình IGARCH có thể rủi ro dịch chuyển không thường xuyên hoặc dịch chuyển có bước nhảy. Vì vậy cần phải xem xét từng trường hợp cụ thể để tìm ra nguyên nhân. Dự báo: Vậy là 1 hàm tuyến tính của . Nếu = 0 thì liên quan đến giá trị của phần rủi ro. 2.1.4 Mô hình GARCH – M Trong tài chính, lợi suất của một tài sản có thể phụ thuộc vào độ rủi ro của tài sản này. Bình thường rủi ro càng lớn thì lợi suất yêu cầu đối với tài sản đó càng cao. Do đó, người ta đã tìm cách đưa độ rủi ro vào phương trình ước lượng lợi suất. Các giả thiết của mô hình: Mô hình GARCH – M mô tả lợi suất phụ thuộc vào rủi ro với ~ iid (phân bố độc lập giống nhau) Trong đó thì: và c là các hằng số c là tham số bù rủi ro c > 0 : Lợi suất phụ thuộc thuận với rủi ro c < 0 : Lợi suất phụ thuộc nghịch với rủi ro Mô hình GARCH – M ngụ ý rằng chuỗi có tương quan chuỗi. Tự tương quan này có thể do hai lý do: Do chuỗi gây ra. Do 1 cú shock thông qua gây ra. Dạng khác của mô hình GARCH – M: với ~ iid (phân bố độc lập giống nhau) 2.1.5 Mô hình TGARCH Mô hình TGARCH, EGARCH và Component là những mô hình thuộc lớp mô hình ARCH không đối xứng. Lớp mô hình này do Engle và Nelson đưa ra năm 1993. Đặc trưng của nó là mô tả tác động những tin tức trong thị trường chứng khoán đối với lợi suất của một tài sản, trong đó phân biệt ảnh hưởng của những tin tốt và những tin xấu. Mô hình TGARCH tổng quát: với ~ iid (phân bố độc lập giống nhau) Trong đó: nếu tin tức là bình thường hoặc tốt và nếu ngược lại tương đương nếu và nếu Ta có : Có thể thay bằng một ngày nào đó cuối tuần (M) để xem ảnh hưởng của hiệu ứng cuối tuần. Mô hình TGARCH (1,1): với ~ iid (phân bố độc lập giống nhau) Trong đó: nếu tin tức là bình thường hoặc tốt và nếu ngược lại tương đương nếu và nếu Khi đó : Nếu => tức là không ảnh hưởng đến phương sai. Ngược lại nếu khi đó ảnh hưởng tổng cộng của là thì ảnh hưởng dương đến phương sai, do đó khi gọi là có hiệu ứng đòn bẩy. khi đó người ta nói rằng ảnh hưởng của các cú shock là bất đối xứng. Dự báo: Nếu giả thiết có phân bố đối xứng thì sẽ có ½ giá trị của và phần còn lại bằng 0 (do đó có ½ e có giá trị dương và ½ e có giá trị âm). Tuy nhiên chúng ta không biết chắc có phân bố đối xứng hay không. Vì vậy trong dự báo người ta lấy giá trị d = 1/2 đối với tất cả các giá trị quan sát của mẫu. 2.1.6 Mô hình EGARCH (Exponential Autoregressive Conditional Heteroscedasticity) Các giả thiết của mô hình: với ~ iid (phân bố độc lập giống nhau) là biến ngẫu nhiên được chuẩn hóa Trong mô hình trên thì có dạng mũ và có ảnh hưởng không có tính chất đối xứng của U đối với phương sai. Giả thiết H0: γ = 0 H1: γ > 0 Nếu γ > 0 thì: nếu . Ngược lại thì không biết âm hay dương mà phụ thuộc vào độ lớn của . Như vậy ta vẫn phân biệt được ảnh hưởng của U âm hay U dương. Năm 1991 Nelson đã đưa ra mô hình EGARCH như sau: với ~ iid (phân bố độc lập giống nhau) là kỳ vọng của biến 2.1.7 Mô hình Component với ~ iid (phân bố độc lập giống nhau) (1) Phương trình (1) thể hiện chênh lệch giữa phương sai không điều kiện và phương sai có điều kiện. (2) Phương trình (2) là phương trình ước lượng phương sai trong dài hạn là ước lượng của trong dài hạn nhưng không phải là một hằng số mà vẫn có thể thay đổi theo thời gian. : chênh lệch giữa ngắn hạn và dài hạn. 2.2 MỘT SỐ CHỈ BÁO KỸ THUẬT 2.2.1 Trung bình trượt – Moving Average 2.2.1.1 Ý nghĩa chỉ số Trung bình trượt là chỉ số giá trung bình của một loại chứng khoán trong một khoảng thời gian nhất định. Nó là một chỉ số tổng quát nêu lên cách thức làm trơn dữ liệu và sử dụng để xác nhận xu hướng giá. Khoảng thời gian lựa chọn cho mỗi số trung bình trượt phụ thuộc vào đối tượng phân tích, khoảng thời gian phổ biến nhất thường được sử dụng là 5/10, 10/25, 9, 20, 50, 100 và 200 đơn vị thời gian. Các thị trường tương lai thường sử dụng các số trung bình trượt ngắn hạn, ví dụ như 9 và 18 đơn vị thời gian; trong khi đó đối với các khoản đầu tư dài hạn thì các thời kỳ có 100/200/500 đơn vị thời gian được sử dụng rất phổ biến để tính trung bình trượt. Số trung bình trượt sẽ có ý nghĩa hơn nếu kết hợp với việc phân tích chu kỳ giao dịch của đối tượng phân tích. Nhân tố cốt yếu trong việc tính toán Trung bình trượt đó là việc xác định khoảng thời gian để tính toán. Giá trị Trung bình trượt phổ biến nhất là Trung bình trượt của 39 tuần (hay 200 ngày). Giá trị Trung bình trượt này khá hữu hiệu trong việc xác định các chu kỳ của thị trường. Điều quan trọng là độ dài khoảng thời gian tính Trung bình trượt phải phù hợp với chu kỳ thị trường mà bạn muốn theo đuổi. Ví dụ, nếu bạn cho rằng một loại chứng khoán nào đó cứ 50 ngày lại đạt được giá cao nhất trong chu kỳ đó thì khoảng thời gian lý tưởng để tính Trung bình trượt là 26 ngày. Việc tính toán này sử dụng công thức : Trong đó: m là độ dài khoảng thời gian tính trung bình trượt, T là chu kỳ của loại chứng khoán nghiên cứu. Trung bình trượt có nhiều loại khác nhau trong đó phổ biến nhất là Trung bình trượt giản đơn (Simple Moving Average - SMA) và Trung bình trượt số mũ (Exponential Moving Average - EMA). Tất cả các số trung bình trượt đều được sử dụng để phát hiện xu hướng giá và xác định các dấu hiệu mua bán. 2.2.1.2 Công thức tính Trung bình trượt giản đơn - SMA của một loại chứng khoán được tính bằng cách cộng giá đóng cửa của nó trong khoảng thời gian nhất định (khoảng thời gian này có thể tính bằng ngày, tuần, tháng) rồi chia tổng tìm được cho tổng các đơn vị tính trong khoảng thời gian trên. Trong những ngày tiếp theo giá cách xa thời điểm hiện tại nhất (giá cũ nhất) sẽ bị loại ra và giá hiện tại sẽ thay thế giá cũ đó để tính trung bình trượt, chính vì thế mà số trung bình sẽ “trượt” hàng ngày. SMA được tính theo công thức sau: Trong đó: P là giá đóng cửa của loại chứng khoán, m là số đơn vị thời gian trong thời kỳ tính SMA. Trung bình trượt số mũ - EMA cũng có cách tính tương tự như cách tính Trung bình trượt giản đơn. Tuy nhiên EMA đặt trọng số lớn nhất vào giá hiện tại và nhẹ nhất vào giá cũ. EMA của một loại chứng khoán được tính bằng cách cộng một phần giá ngày hôm nay với giá trị SMA ngày hôm qua của chính loại chứng khoán đó. SMA coi giá của tất cả các đơn vị trong khoảng thời gian cần tính có vai trò như nhau, trong khi đó EMA coi những mức giá gần nhất với hiện tại có vai trò lớn hơn so với các mức giá trước đó. Ví dụ để tính một EMA 9% của cổ phiếu SAV, ta lấy giá ngày hôm nay nhân với 9% và lấy SMA của ngày hôm qua nhân với 91%, sau đó cộng hai kết quả tìm được với nhau. EMAi(9%) = (Giá đóng cửa ngày i * 0.09) + (SMA ngày i-1 * 0.91) Trọng số trong công thức trên được tính như sau: trong đó t là tỷ trọng và m là số thời kỳ trễ 2.2.1.3. Ứng dụng thực tế a. Xu hướng thị trường Việc sử dụng Trung bình trượt chỉ có ý nghĩa khi đặt nó trong mối quan hệ với giá thực của loại chứng khoán. Điều này có nghĩa là Trung bình trượt và giá thực của chứng khoán phải được vẽ trên cùng một biểu đồ với cùng độ phân chia trên trục Ox. Vị trí của đường Trung bình trượt có thể được sử dụng để chỉ ra xu hướng của thị trường. Nếu đường giá ở phía trên đường trung bình trượt và đường trung bình trượt chuyển động đi lên thì thị trường ở trạng thái giá xuống; Nếu đường giá ở phía dưới đường trung bình trượt và đường trung bình trượt chuyển động đi xuống thì thị trường ở trạng thái giá lên. b. Dấu hiệu mua/bán Như trên đã trình bày, dấu hiệu mua vào được xác định khi đường Trung bình trượt chuyển động đi xuống và đường giá ở phía dưới. Tuy nhiên chỉ chú trọng mỗi dấu hiệu này trong giao dịch có thể dẫn đến sự thua lỗ nghiêm trọng khi giá thị trường dao động mạnh. Để hạn chế rủi ro này các nhà phân tích sử dụng phương pháp sự đảo chiều của hai đường trung bình trượt để chỉ ra dấu hiệu mua bán. Cặp đường trung bình trượt đặc trưng là đường ngắn hạn 5/10 và đường dài hạn 15/35. Ngoài ra hai đường trung bình trượt 9/10 và 10/25 đặc biệt phổ biến với các nhà phân tích. Dấu hiệu mua, bán được xác định như sau: Dấu hiệu mua vào: Đường trung bình trượt ngắn hạn chuyển động từ dưới lên cắt đường trung bình trượt dài hạn, và nếu giá đang ở phía trên điểm giao nhau của hai đường trung bình trượt thì đó là dấu hiệu mua vào; Dấu hiệu bán ra: Đường trung bình trượt ngắn hạn chuyển động từ trên xuống cắt đường trung bình trượt dài hạn, và nếu giá ở phía dưới điểm giao nhau của hai đường trung bình trượt thì đó là dấu hiệu bán ra. Điểm giao nhau này đặc biệt có ý nghĩa hơn khi hai đường trung bình chuyển động cùng hướng. Nếu cả hai đường trung bình cùng chuyển động lên trên thì điểm giao nhau được gọi là điểm Vàng. Nếu cả hai đường trung bình cùng chuyển động xuống thì điểm giao nhau được gọi là điểm Chết. Việc xây dựng đường Trung bình trượt không có ý định giúp bạn có thể mua chính xác vào lúc thấp nhất hay bán chính xác vào lúc cao nhất mà nó chỉ giúp bạn theo cùng xu hướng với giá thị trường của loại chứng khoán đấy bằng cách mua ngay sau khi giá xuống thấp nhất và bán ngay sau khi giá đạt tới mức cao nhất. 2.2.2 Chỉ số biến động chênh lệch hội tụ trung bình trượt – Moving Average Convergence Divergence (MACD) 2.2.2.1 Ý nghĩa chỉ số MACD là chỉ số kỹ thuật theo dõi sự biến động của xu hướng và chỉ ra hướng biến động xu hướng của giá chứng khoán. Khởi đầu, chỉ số này được thiết kế để quan sát chu kỳ biến động đối với 26 và 13 tuần. Sự dao động quanh đường 0 của 2 đường trung bình trượt mũ MACD nhanh và MACD chậm thể hiện dấu hiệu mua quá mức và bán quá mức để nhà đầu tư quyết định mua và bán chứng khoán. 2.2.2.2 Công thức tính a. Đường MACD nhanh Là chênh lệch giữa trung bình trượt mũ ngắn hạn và trung bình trượt mũ dài hạn của giá tương ứng với các chu kỳ 12 (hoặc 13) và 26 phiên của EMA thông thường. MACD nhanh = EMA(26) – EMA(12) hoặc MACD nhanh = EMA(26) – EMA(13) b. Đường MACD chậm: Là chuyển động trung bình trượt mũ của đường EMA với hệ số làm trơn tương ứng với chu kỳ 9 phiên. MACD chậm = EMA( 9) 2.2.2.3 Ứng dụng thực tế a. Dấu hiệu bán ra – mua vào: Dấu hiệu bán ra: Khi đường MACD nhanh chuyển động từ trên xuống dưới và cắt đường MACD chậm và cả hai đều có giá trị dương. Giao điểm này trên đường 0 và càng cách xa điểm 0 thì dấu hiệu bán ra càng được khẳng định. Không xác định dấu hiệu nếu giao điểm có giá trị âm. Dấu hiệu mua vào: Khi đường MACD nhanh chuyển động từ dưới lên trên, cắt đường MACD chậm và cả hai đều có giá trị âm. Giao điểm này dưới đường 0 và càng cách xa điểm 0 thì dấu hiệu mua vào càng được khẳng định. Không xác định dấu hiệu nếu giao điểm có giá trị dương. b. Xác định xu thế thị trường: Trên cơ sở chênh lệch giữa 2 đường MACD nhanh và MACD chậm, xác định được đường “forest line”. Đây là một công cụ kỹ thuật quan trọng để dự đoán xu thế thị trường. Các giá liên tiếp cao nhất (hoặc thấp nhất ) của thị trường tương ứng với các điểm cao nhất ( hoặc thấp nhất ) của MACD. Sự khác biệt giữa MACD và giá cả thị trường được coi là dấu hiệu cho sự biến động đảo chiều của chứng khoán. 2.2.3 Chỉ số sức mạnh tương đối – Relative Strength Index (RSI) 2.2.3.1 Ý nghĩa chỉ số RSI là một chỉ số động lượng đo sức mạnh tương đối của một chứng khoán nhất định hoặc của cả thị trường. Nó được đo theo thang độ từ 0 đến 100 và lấy 2 đường 30 và 70 làm 2 đường chỉ báo kỹ thuật. RSI là công cụ dùng để so sánh một cách tương đối với chính các giá quá khứ của nó. Nó không dùng để so sánh với các công cụ khác. 2.2.3.2 Công thức tính RSI = 100- [100/(1+RS)] Thuật toán cơ bản: Tổng của giá đóng cửa lên trong n ngày RS = ___________________________________________________________ Tổng của giá đóng cửa xuống trong n ngày đó Số phiên thông thường được sử dụng rộng rãi là n = 14 ngày, số phiên khác thường được sử dụng là 9 và 21 ngày. Sử dụng trung bình trượt:            Trung bình của giá đóng cửa lên trong n ngày RS = ___________________________________________________________________ Trung bình của giá đóng cửa xuống trong n ngày đó 2.2.3.3 Ứng dụng thực tế Với việc biến động của chỉ số từ 0 – 100 sẽ tạo ra một đồ thị mô phỏng các biến động giá của cổ phiếu trên thị trường. Để sử dụng vào việc phân tích chỉ số này, người ta sử dụng 2 đường thẳng gọi là đường chặn trên và đường chặn dưới phản ánh mức độ mua bán quá mức của cổ phiếu. Tuỳ từng xu hướng thị trường đang lên hay đang xuống và tuỳ thuộc vào kinh nghiệm phân tích của từng thị trường, người phân tích có thể lựa chọn 2 đường chặn này ở mức 80 và 20 hoặc 60 và 40. Đối với thị trường Việt Nam, chúng ta sẽ lấy 2 đường chặn này ở mức 30 và 70. Điểm mua quá mức, điểm bán quá mức (overbought/oversold condition): Nếu RSI đạt đến mức 70/80 ta nói chứng khoán này đã đạt đến mức mua quá mức. Tại mức này, nhà đầu tư cần thận trọng khi đặt lệnh mua. Nếu RSI rơi xuống dưới mức 30/20 thì chứng khoán được coi là ở mức bán quá mức. Tại thời điểm này nhà đầu tư cần có những quyết định thận trọng khi đặt lệnh bán. Đỉnh/đáy (top/bottom): RSI ở mức 80/70 được coi là đỉnh điểm và giá của chứng khoán sẽ giảm sau khi đạt được mức đỉnh này. Ngược lại, 20/30 được coi là điểm đáy RSI, sau điểm này thì giá chứng khoán sẽ hồi phục trở lại. Cần lưu ý rằng, việc phân tích chỉ số RSI chỉ là một trong những dấu hiệu chứng tỏ mức đỉnh hoặc mức đáy, cần kết hợp với việc phân tích các chỉ số khác. Các dấu hiệu nhận biết (pattern) xu hướng điển hình như đầu-vai, đỉnh-đáy, pennants được thể hiện rõ hơn ở biểu đồ RSI hơn là biểu đồ giá. Sự khác biệt (divergence) giữa RSI và biến động giá chứng khoán thường được xem như một dấu hiệu rõ ràng chứng tỏ sắp có một sự biến động đảo chiều của chứng khoán.   2.2.4 Đường Bollinger Band 2.2.4.1 Ý nghĩa chỉ số Các đường Bollinger Band cũng tương tự như các đường bao trung bình trượt (MA envelopes), chúng được xây dựng trên cơ sở đường trung bình trượt (MA), do vậy chúng đều có ý nghĩa là đưa ra dự báo về xu hướng biến động giá trong tương lai dựa vào những số liệu thu thập được trong quá khứ. Điểm khác biệt giữa đường Bollinger Band và đường bao trung bình trượt là: Các đường Bollinger Band phía trên (Upper Band - UB) và các đường Bollinger Band phía dưới (Lower Band - LB) được hình thành bằng cách nối các điểm phía trên và phía dưới cách đường trung bình trượt (hay đường MB) một khoảng cách bằng D lần độ lệch chuẩn. Trong khi đó các đường bao trung bình trượt được hình thành bằng cách nối các điểm phía trên và phía dưới cách đường trung bình trượt một khoảng bằng x% (x là số cố định do người phân tích lựa chọn). Vì độ lệch chuẩn là thước đo của mức độ biến động giá nên đường Bollinger Band sẽ thay đổi khi giá chứng khoán biến động. Khoảng cách giữa đường UB và LB sẽ nới rộng khi thị trường biến động và thu hẹp trong giai đoạn ổn định của thị trường. 2.2.4.2 Công thức tính Đường Bollinger nằm giữa (Middle Band - MB) MB = P(j): Giá đóng cửa phiên giao dịch thứ j UB = MB + LB = MB - Đường MB là đường cơ sở để xây dựng nên các đường UB và LB. Công thức Middle Band trên được tính toán tương tự như công thức tính trung bình trượt giản đơn (SMA). Vì có rất nhiều cách tính số trung bình trượt khác nhau như trung bình trượt mũ (EMA), trung bình trượt trọng số (Weighted MA) … nên cũng có rất nhiều cách tính Middle Band. Tuy nhiên, các nhà phân tích nên dùng công thức tính trung bình trượt giản đơn (như công thức trên) để xây dựng các đường Bollinger Band. Ông Bollinger gợi ý nên dùng n=20 và D=2% sẽ cho những kết quả tính toán đáng tin cậy. Trong quá trình xây dựng và ứng dụng các đường Bollinger Band, nếu sử dụng n ≤10 thì các đường này sẽ cho kết quả không chính xác. 2.2.4.3 Ứng dụng thực tế Dựa vào đồ thị các đường Bollinger Band (BB), nhà phân tích có thể dự báo khả năng biến động của giá chứng khoán trong tương lai, cụ thể như sau: Khi khoảng cách 2 đường LB và UB thu hẹp thì nhiều khả năng giá chứng khoán ít biến động trong thời gian tới. Khi khoảng cách 2 đường LB và UB nới rộng thì nhiều khả năng giá chứng khoán sẽ biến động. Sau một giai đoạn, khoảng cách các đường BB thu hẹp (thị trường ít biến động), nhiều khả năng sẽ xuất hiện một xu hướng biến động mạnh về giá. Khi đường giá vượt ra khỏi đường UB hoặc LB, nhiều khả năng xu thế hiện tại của thị trường sẽ tiếp diễn trong thời gian tới. Khi đường giá chạm một biên thì có xu thế chạm biên còn lại. Khi xuất hiện các điểm cực đại (hoặc cực tiểu) vượt lên trên đường UB (hoặc xuống phía dưới đường LB) và tiếp đó xuất hiện các điểm cực đại (hoặc cực tiểu) nằm giữa 2 đường UB và LB thì nhiều khả năng đường giá sẽ biến động ngược lại với xu thế hiện thời (hình vẽ) A: Các điểm cực đại B: Các điểm cực tiểu           : xu thế giá CHƯƠNG 3: ÁP DỤNG MÔ HÌNH PHÂN TÍCH RỦI RO VÀO THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM 3.1 SỐ LIỆU Nguồn số liệu được sử dụng để phân tích trong chuyên đề này là chuỗi chỉ số Vn-Index từ khi thị trường chứng khoán Việt Nam bắt đầu giao dịch ngày 28/07/2000 đến 21/05/2007 tương đương 1536 quan sát. Chuỗi lợi suất được tính theo công thức: Trong đó: là chỉ số VnI thời điểm t-1 là chỉ số VnI thời điểm t Các số liệu chỉ số VnI được cập nhật theo ngày nên trong khoá luận này lợi suất của VnI cũng được tính theo ngày. Bảng 3.1 Một vài mô tả thống kê chuỗi lợi suất VnI Mean Median Maximum Minimum Std. Dev. Skewness RVNI 0.001694 0.000272 0.068826 -0.073700 0.016760 -0.197430 Kurtosis Jarque-Bera Probability Sum Sum Sq. Dev. Observations RVNI 6.999071 1033.232 0.000000 2.602279 0.431167 1536 Ta thấy, giá trị trung bình của lợi suất là khá nhỏ khoảng 0,1694% chứng tỏ mức lợi suất trung bình của thị trường không cao. Độ lệch chuẩn thể hiện độ biến động xung quanh giá trị trung bình là 0.016760. Hệ số nhọn Kurtosis là 6.999071 cao hơn giá trị của phân bố chuẩn chứng tỏ khá nhọn. Hệ số bất đối xứng Skewness là -0.197430 nhỏ hơn 3 (giá trị của phân bố chuẩn) nên phân bố của chuỗi lợi suất này là lệch trái. Kiểm định tính dừng của chuỗi lợi suất VnI Ta sẽ dùng kiểm định nghiệm đơn vị Dickey – Fuller (DF) để kiểm định tính dừng của chuỗi rvni. Từ đồ thị của rvni (đồ thị 3.1) ta thấy chuỗi không có xu thế và hệ số chặn nên dùng kiểm định DF không có xu thế và hệ số chặn. Đồ thị 3.1 Lợi suất của VnI Bảng 3.2: Kiểm định Dickey - Fuller của chuỗi VnI ADF Test Statistic -26.61611 1% Critical Value* -2.5671 5% Critical Value -1.9396 10% Critical Value -1.6157 *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(RVNI) Method: Least Squares Date: 06/11/07 Time: 13:31 Sample(adjusted): 2 1536 Included observations: 1535 after adjusting endpoints Ho: Chuỗi không dừng H1: Chuỗi dừng Ta có |τ qs| = 26.61611 > |τ α| nên bác bỏ giả thiết Ho Vậy kiểm định nghiệm đơn vị cho ta kết luận chuỗi lợi suất của VnI là dừng. ƯỚC LƯỢNG GIÁ TRỊ VÀ LỰA CHỌN MÔ HÌNH 3.2.1 Ước lượng mô hình Từ chuỗi lợi suất của VnI ta vẽ lược đồ tương quan (phụ lục 1). Ở phụ lục này cũng trình bày khoảng tin cậy 95% cho các hệ số tương ứng. Nhận thấy ở đây có AR(1), AR(2), AR(4), AR(5), AR(12), AR(14). Dùng OLS ước lượng mô hình: Dependent Variable: RVNI Method: Least Squares Date: 06/11/07 Time: 13:57 Sample(adjusted): 15 1536 Included observations: 1522 after adjusting endpoints Convergence achieved after 3 iterations Variable Coefficient Std. Error t-Statistic Prob. C 0.001637 0.000804 2.036824 0.0418 AR(1) 0.382900 0.025422 15.06191 0.0000 AR(2) -0.085199 0.025218 -3.378528 0.0007 AR(4) 0.077550 0.025245 3.071905 0.0022 AR(5) 0.096634 0.025446 3.797575 0.0002 AR(12) -0.055733 0.023741 -2.347550 0.0190 AR(14) 0.094883 0.023623 4.016562 0.0001 R-squared 0.168793 Mean dependent var 0.001616 Adjusted R-squared 0.165501 S.D. dependent var 0.016781 S.E. of regression 0.015330 Akaike info criterion -5.513478 Sum squared resid 0.356018 Schwarz criterion -5.488974 Log likelihood 4202.757 F-statistic 51.27506 Durbin-Watson stat 2.030571 Prob(F-statistic) 0.000000 Trong mô hình này tất cả các hệ số đều chấp nhận khác 0 có ý nghĩa thống kê (giá trị Prob tương ứng đều < 0.05) Ta ghi lại phần dư của mô hình và vẽ lược đồ tương quan của phần dư bình phương để xem bậc của mô hình ARCH là bao nhiêu (phụ lục 2). Phụ lục 2 cho ta gợi ý về bậc của ARCH là 6. Từ gợi ý này và dựa vào các mô hình GARCH (chương 2 phần 1) và phần mềm Eview, sử dụng chuỗi số liệu lợi suất của VnI ta ước lượng được các mô hình ARCH(5), GARCH(1,2), GARCH – M(1,2) (lợi suất phụ thuộc vào ), GARCH – M(1,2) (lợi suất phụ thuộc vào ), EGARCH(2,2), Component là phù hợp với các giả thiết tương ứng của từng mô hình (phụ lục 3). 3.2.2 Lựa chọn mô hình Từ các mô hình ước lượng được ở phụ lục 3, ta ghi lại phần dư. Bằng kiểm định nghiệm đơn vị ta xác nhận các chuỗi phần dư này đều là các chuỗi dừng (nhiễu trắng) (phụ lục 4). Như vậy, các mô hình ước lượng trong phần này đều chấp nhận được. Tuy nhiên việc lựa chọn mô hình thích hợp nhất để dự báo độ biến động quả là không đơn giản. Trong chuyên đề này ta sẽ xem xét việc lựa chọn mô hình bằng kiểm định Box – Pierce. Ta đặt: rt*2 : Lợi suất chuẩn hoá bình phương : Giá trị ước lượng của phương sai có điều kiện trong mô hình Garch. Dùng kiểm định Box – Pierce để kiểm định tự tương quan. Q(n) = T ~ Trong đó: T là kích thước mẫu, p là độ dài của trễ φ(n): là hệ số tự tương quan thứ n của lợi suất chuẩn hoá bình phương. Nếu mô hình nào không có tự tương quan thì mô hình đó đặc biệt tốt. Từ các mô hình ước lượng được ở phụ lục 1 ta có tương ứng cho từng mô hình. Dùng bảng tính excel ta tính được các chỉ số sau: cho mỗi mô hình. Bảng 3.3 Các giá trị φ, Q tương ứng với từng mô hình trong phụ lục 3. ARCH(5) GARCH(1,2) GARCH-M1(1,2) GARCH-M2(1,2) EGARCH(2,2) COMPONENT φ(1) 0.195734 0.247237 0.231146 0.238109 0.257417 0.227166 φ(2) 0.180262 0.217337 0.203978 0.211208 0.221488 0.202021 φ(3) 0.15628 0.177524 0.171682 0.174565 0.20537 0.187753 φ(4) 0.134539 0.16089 0.151727 0.155947 0.182719 0.168352 φ(5) 0.122143 0.160269 0.153194 0.156444 0.185653 0.171203 φ(6) 0.17068 0.188499 0.186842 0.189662 0.228743 0.217359 Q1 58.84708 93.88984 82.06615 87.08459 101.7806 79.264 Q2 108.7586 166.4435 145.9748 155.6037 177.1319 141.9519 Q3 146.2729 214.8503 191.2481 202.41 241.9155 196.0975 Q4 174.0758 254.6107 226.6087 239.7647 293.1965 239.6315 Q5 196.9912 294.0648 262.6563 277.3581 346.1379 284.6522 Q6 459.1549 583.5998 549.6462 568.6796 697.4869 618.5155 Ho: Không tồn tại hiện tượng tự tương quan H1 : Tồn tại hiện tượng tự tương quan Nếu Q > bác bỏ Ho chấp nhận H1 với mức sai lầm α % Tra bảng có . Ta thấy, các mô hình đều bác bỏ giả thiết Ho(không tồn tại hiện tượng tự tương quan) và chấp nhận giả thiết H1 với mức sai lầm 5%. Như vậy, việc lựa chọn mô hình thông qua kiểm định Box-Pierce không mang lại kết quả như mong đợi. Tiếp theo, chúng ta sẽ sử dụng tổng bình phương các phần dư sau khi ước lượng các mô hình GARCH để lựa chọn. Tiêu chí để lựa chọn là tổng bình phương các phần dư nhỏ nhất. Bảng 3.4: Tổng bình phương các phần dư của các mô hình GARCH ARCH(5) GARCH(1,2) GARCH-M1 GARCH-M2 EGARCH(2,2) COMPONENT 0.368993 0.364243 0.368368 0.371774 0.361958 0.364320 Nhìn vào bảng trên ta có thể thấy mô hình EGARCH(2,2) có tổng bình phương các phần dư là nhỏ nhất nên trong đề tài này chúng ta sử dụng nó cho các phần sau. 3.2.3 Một số phân tích Từ mô hình lựa chọn được ta vẽ đồ thị phương sai và so sánh nó với đồ thị của chuỗi Vn-Index. Đồ thị 3.2: Phương sai mô hình EGARCH(2,2) Đồ thị 3.3: Chuỗi Vn-Index Từ 2 đồ thị trên ta thấy có sự tương thích giữa chúng, khi giá có xu hướng tăng thì rủi ro (phương sai) cũng có xu hướng tăng và ngược lại khi giá khá bình ổn thì rủi ro cũng ít biến động. Một điều thú vị khi quan sát 2 đồ thị này là dường như thị trường có xu hướng điều chỉnh khi phương sai vượt quá 0.001. Điều này cũng phù hợp với thời gian đưa ra các cảnh báo của các cơ quan liên quan hay các tổ chức tài chính lớn đối với nhà đầu tư trên thị trường chứng khoán Việt Nam. Thời gian này khi tham gia vào thị trường các nhà đầu tư cần thận trọng với những quyết định của mình. Theo kết quả cho thấy, sự dao động của phương sai trong khoảng từ 0.0002 đến 0.0008 là phù hợp và đảm bảo cho sự ổn định của thị trường chứng khoán mới phát triển như Việt Nam. Trong thời gian vừa qua câu hỏi mà nhiều người đặt ra là chỉ số chứng khoán tổng hợp Vn-Index lên tới đâu và sụt tới đâu? Nhiều nhà dự báo cho rằng Vn-Index có thể điều chỉnh giảm sâu xuống mức 800 điểm do trong lịch sử đã có đợt điều chỉnh giảm từ đỉnh 571.04 điểm xuống 130.9 điểm. Tuy nhiên, theo cá nhân tôi thì điều này rất khó xảy ra vì: Thứ nhất: Mức độ vượt ngưỡng của phương sai trong giai đoạn này không cao (sau khi vượt ngưỡng có xu hướng quay lại ngay mức dao động ổn định). Thứ 2: Tuyên bố sẽ hạn chế can thiệp sâu vào thị trường bằng các biện pháp hành chính của UBCKNN và chủ trương để cho thị trường tự điều chỉnh đã có những tác động rất tích cực đến phía nhà đầu tư (cả tổ chức và cá nhân). Thứ 3: Các nhà đầu tư trên thị trường đã có nhiều kiến thức về chứng khoán hơn để tự bảo vệ cho mình trong cuộc chơi. Chính những điều đó đã làm cho đợt điều chỉnh giảm lần này có tốc độ chậm hơn và mức độ giảm thấp hơn. Từ mô hình ước lượng được ta dự báo cho phương sai của các quan sát tiếp theo qua công thức: Kết quả dự báo = 0.000326 = 0.000798 = 0.000874 với t = 1536 Dựa vào xu hướng biến động của phương sai ta có thể dự đoán xu hướng thị trường thời gian tới thông qua mô hình ước lượng sau: Dependent Variable: VNI Method: Least Squares Date: 06/03/07 Time: 15:14 Sample(adjusted): 15 1536 Included observations: 1522 after adjusting endpoints Variable Coefficient Std. Error t-Statistic Prob. T 0.001334 0.000631 2.112883 0.0348 D1 1.585246 0.882991 1.795314 0.0728 D2 8.667241 3.216283 2.694800 0.0071 D2PS 0.967894 0.318692 3.037081 0.0024 PSEGA22 -983.5330 561.7430 -1.750859 0.0802 D2VNI 0.003508 0.001809 1.938817 0.0527 VNI(-1) 1.340811 0.025349 52.89491 0.0000 VNI(-2) -0.518622 0.040674 -12.75084 0.0000 VNI(-3) 0.175337 0.025334 6.920907 0.0000 R-squared 0.998757 Mean dependent var 315.1974 Adjusted R-squared 0.998750 S.D. dependent var 217.6876 S.E. of regression 7.695792 Akaike info criterion 6.925120 Sum squared resid 89607.75 Schwarz criterion 6.956625 Log likelihood -5261.016 Durbin-Watson stat 1.989621 Trong đó: T: là biến xu thế, D1: là biến giả bằng 1 ứng với thời kỳ từ tháng 7 năm 2000 đến hết tháng 3 năm 2001 và bằng 0 với những quan sát còn lại. D2: là biến giả bằng 1 ứng với các quan sát từ tháng 11 đến hết tháng 3 (đây chính là thời gian kết thúc năm tài chính của các công ty). D2PS: là biến D2 nhân với phương sai ước lượng từ mô hình EGARCH(2,2). VNI: là chuỗi chỉ số Vn-Index. VNI(-1): là chuỗi chỉ số Vn-Index trễ 1 thời kỳ. PSEGA22: là phương sai ước lượng từ mô hình egarch(2,2) D2PS: là biến giả D2 nhân với phương sai ước lượng từ mô hình egarch(2.2) Từ kết quả dự báo phương sai ta sẽ dự báo chỉ số thị trường trong thời gian tới. Vnit+1db = 1064.68 Vnit+2db = 1061.48 Vnit+3db = 1059.38 với t = 1536 Kết quả chỉ số thị trường các phiên 1537,1538,1539 tương ứng Vni1537tt = 1054.69 Vni1538tt = 1040.99 Vni1539tt = 1058.79 Vậy, chỉ số dự báo khá sát so với thực tế diễn biến trên thị trường chứng tỏ mô hình ước lượng khá phù hợp. Nhưng cũng cần lưu ý, việc áp dụng mô hình Garch nào cho tính toán và phân tích không phải là cố định mà tuỳ từng thời kỳ xác định mô hình cho phù hợp. Do vậy ta cần thiết phải cập nhật số liệu tính toán thường xuyên. 3.3 ỨNG DỤNG CÁC CHỈ BÁO KỸ THUẬT Trong phần này ta sẽ sử dụng phần mềm Metastock để vẽ các chỉ báo kỹ thuật. Bây giờ chúng ta sẽ lần lượt đi xem xét từng chỉ báo theo chiều xắp xếp của các cửa sổ Chỉ báo MACD: Đường MACD trong hình là đường nét liền và đường tín hiệu là nét đứt. Ta thấy rằng cứ khi đường MACD cắt đường tín hiệu từ dưới lên trên thì xu hướng thị trường trong thời gian tới là tăng giá. Đặc biệt, sau khi cắt 2 đường này càng tách xa nhau thì dấu hiệu càng được khẳng định. Ngược lại khi đường MACD cắt đường tín hiệu từ trên xuống dưới và hai đường càng tách xa nhau thì dấu hiệu thị trường có xu hướng giảm giá trong thời gian tới càng được khẳng định. Tuy nhiên dấu hiệu này thường trễ hơn một vài phiên so với thị trường nên nó thường được sử dụng cho dài hạn. Chỉ báo RSI Chỉ báo này cho ta biết mức độ quan tâm của các nhà đầu tư đối với thị trường chứng khoán. Hai đường chỉ báo kỹ thuật ở đây là 30 và 70. Khi đường RSI cắt từ dưới lên trên đường 70 chứng tỏ nhà đầu tư đang rất quan tâm đến thị trường và thị trường đang có xu hướng “nóng lên”. Ngược lại, khi đường RSI cắt đường giới hạn 30 từ trên xuống dưới chứng tỏ nhà đầu tư ít quan tâm đến thị trường và thị trường có xu hướng đóng băng. Điều này ta có thể thấy trên đồ thị, khi RSI đi xuống dưới đường 30 thì cũng tương ứng với giai đoạn từ tháng 2 đến tháng 10 năm 2003, chỉ số chứng khoán hầu như không thay đổi và nhiều nhà đầu tư tỏ ra chán nản sau một đợt điều chỉnh giảm sâu. Chỉ báo đường trung bình trượt Chúng ta sẽ sử dụng đường trung bình trượt ngắn hạn MA(10) (đường nét đứt dài) và đường trung bình trượt dài hạn MA(25) (đường nét đứt ngắn), còn đường giá là đường nét liền. Qua đồ thị và thực tế cho thấy sự giao nhau giữa đường giá và đường trung bình trượt ngắn hạn cho ta nhiều tín hiệu khá chính xác. Khi đường giá cắt đường ngắn hạn từ dưới lên trên đó là dấu hiệu thị trường lên giá và dấu hiệu này càng được khẳng định khi đường giá cắt tiếp đường trung bình trượt dài hạn cũng với hướng đó. Ngược lại khi đường giá cắt đường ngắn hạn từ trên xuống dưới thì đó là dấu hiệu của đợt xuống giá, dấu hiệu này càng được khẳng định khi đường giá cắt tiếp đường trung bình trượt dài hạn. Chỉ báo dòng tiền đầu tư (MFI) Chỉ báo này cho biết lượng tiền đổ vào thị trường ở mức nào, nhiều hay ít. Hai đường giới hạn ở đây là 20 và 80. Khi MFI vượt qua đường 80 từ dưới lên chứng tỏ lượng tiền đổ vào thị trường quá nhiều hay giá đang quá cao cần điều chỉnh giảm và khi MFI xuống qua đường 20 chứng tỏ lượng tiền đầu tư quá ít hay giá đang quá thấp cần điều chỉnh tăng. Tổng hợp các chỉ báo này với nhau sẽ cho ta nhiều tín hiệu hữu ích. Nó giúp cho nhà đầu tư quản lý được rủi ro tốt hơn khi tham gia vào thị trường chứng khoán và nhận định được xu hướng của thị trường trong tương lai. Tóm lại, ta có thể tổng kết lại các chỉ tiêu đã tính toán trong bảng sau: Các chỉ tiêu Kết luận rút ra Tính toán và ước lượng phương sai Đánh giá rủi ro của thị trường. Dự báo chỉ số thị trường bằng mô hình Nhận định thị trường thời gian tới MACD Xu hướng biến động của chỉ số thị trường RSI Mức độ quan tâm tới thị trường của các nhà đầu tư MA Xác nhận xu hướng giá MFI Mức độ tiền đầu tư vào thị trường Bollinger Band Xu hướng biến động giá KẾT LUẬN Sau gần 7 năm hình thành và phát triển, thị trường chứng khoán Việt Nam dần khẳng định rõ vai trò của mình trong nền kinh tế. Nó đã trở thành một kênh dẫn vốn, đúng hơn, một kênh kích thích tạo vốn và phân phối vốn dài hạn “nguyên chất thị trường”. Đối với một nền kinh tế tăng trưởng nhanh, nhưng còn nghèo của nước ta, sự hiện diện này là rất cần thiết. Về bản chất, TTCK là một thị trường bậc cao, đòi hỏi tính minh bạch, công khai và sự năng động. Việc nhanh chóng định hình nó đóng vai trò là yếu tố thúc đẩy cải cách thể chế kinh tế bên trong, góp phần làm cho nền kinh tế tiến nhanh hơn đến sự minh bạch, công khai, công bằng và linh hoạt hơn. Theo nghĩa đó, việc định vị TTCK không chỉ có nghĩa là thêm vào nền kinh tế đang chuyển đổi của chúng ta một thể chế thị trường mới, mà còn làm thay đổi chất lượng của toàn bộ cấu trúc thể chế kinh tế thị trường hiện có theo hướng đồng bộ hoá và nâng cấp chất lượng. Tuy nhiên, chúng ta cũng cần phải đánh giá thật nghiêm túc và cụ thể thực trạng TTCK Việt Nam, một thị trường đang chứa đựng sự “phấn khích” cao độ. Nhìn tổng thể có thể nhận diện TTCK Việt Nam còn non yếu, trình độ thấp, chưa vững chắc và chứa đựng nhiều rủi ro tiềm ẩn. Sự tăng giá đột biến thường xuyên chứa đựng trong đó yếu tố “ảo”, dẫn tới sự đánh giá không chính xác thực lực thị trường. Bước sang năm 2007, TTCK Việt Nam đang đứng trước cả thời cơ và thách thức. Có đủ cơ sở để dự báo rằng trong năm nay, TTCK nước ta tiếp tục tăng trưởng mạnh. Đà tăng trưởng mạnh của nền kinh tế trong bối cảnh hội nhập kinh tế quốc tế, gia tốc phát triển TTCK đang rất cao, sự bùng nổ của khu vực doanh nghiệp nhìn từ góc độ phát triển TTCK, bao gồm việc đẩy mạnh chương trình cổ phần hoá doanh nghiệp nhà nước, tăng gia tốc “lên sàn” của các công ty cổ phần, sự tăng trưởng nhanh của khu vực doanh nghiệp có vốn đầu tư nước ngoài, sức hấp dẫn ngày càng tăng các nhà đầu tư quốc tế … là những yếu tố đảm bảo cho một triển vọng phát triển tiếp tục rất sáng sủa của TTCK nước ta. Trên những cơ sở đó, với sự thận trọng, vẫn có đủ tự tin để dự báo một tốc độ tăng trưởng cao xét theo chỉ số vốn hoá thị trường và số lượng nhà đầu tư. Nhưng khi cơ hội mở ra càng lớn thì những yếu kém cũng bộc lộ càng rõ do đó cần phải có sự quản lý, giám sát rủi ro một cách đồng bộ và hiệu quả đặc biệt đối với những thị trường mới nổi như nước ta. Xuất phát từ tính cấp thiết đó, tôi đã đặt nghiệp vụ quản lý rủi ro là đối tượng trong phạm vi nghiên cứu của khoá luận này. Những nội dung cơ bản mang tính lý thuyết về hoạt động quản lý rủi ro cùng các công cụ toán tài chính đã được đưa ra trong đề tài này. Do nội dung nghiên cứu trong đề tài là những vấn đề rất phức tạp, bị hạn chế về thời gian và kinh nghiệm thực tế của tôi về lĩnh vực này còn hạn hẹp dường như chưa có cho nên khó tránh khỏi những khiếm khuyết, hạn chế. Tôi xin kính nhận các ý kiến đóng góp, phê bình cùng những chỉ dẫn cụ thể của các thầy cô, cũng như của các bạn cùng lớp. DANH MỤC TÀI LIỆU THAM KHẢO Th.S Lê Thị Mai Linh chủ biên (2003), Giáo trình phân tích và đầu tư chứng khoán, uỷ ban chứng khoán nhà nước, trung tâm nghiên cứu và bồi dưỡng nghiệp vụ chứng khoán, Nxb chính trị quốc gia. Giáo trình kinh tế lượng - trường đại học Kinh tế quốc dân – khoa Toán Kinh tế, Bộ môn điều khiển kinh tế, Nxb Khoa học kỹ thuật. PGS.TS Nguyễn Quang Dong, Bài giảng chuyên đề chuỗi thời gian, khoa Toán Kinh tế, trường đại học Kinh tế quốc dân. PGS.TS Hoàng Đình Tuấn, Bài giảng môn phân tích và định giá tài sản tài chính, khoa Toán Kinh tế, trường đại học Kinh tế quốc dân. Nguyễn Hoàng Nam - Nguyễn Xuân Quyến, Rủi ro tài chính - thực tiễn và phương pháp đánh giá, Nxb Tài Chính. Báo Đầu tư chứng khoán các năm 2006 - 2007, Bản tin của TTGDCK Tp. HCM và Hà Nội. PGS.TS. Nguyễn Văn Nam, PGS.TS. Vương Trọng Nghĩa chủ biên (2002), Giáo trình Thị trường chứng khoán, Nxb Tài Chính, Hà Nội Các Website về chứng khoán: www.bsc.com.vn, www.vietstock.com.vn, www.vse.org.vn, www.hastc.com.vn, www.vcbs.com.vn, .... PHỤ LỤC Phụ lục 1: Lược đồ tương quan của chuỗi rvni Phụ lục 2: Lược đồ tương quan của phần dư bình phương Phụ lục 3: Ước lượng các mô hình GARCH - Mô hình ARCH(5) Dependent Variable: RVNI Method: ML - ARCH (Marquardt) Date: 06/11/07 Time: 14:30 Sample(adjusted): 15 1536 Included observations: 1522 after adjusting endpoints Convergence achieved after 46 iterations Variance backcast: ON Coefficient Std. Error z-Statistic Prob. AR(1) 0.325080 0.025608 12.69425 0.0000 AR(2) -0.156356 0.022774 -6.865588 0.0000 AR(4) 0.077133 0.017721 4.352534 0.0000 AR(12) -0.020541 0.012827 -1.601402 0.1093 AR(14) 0.040848 0.014642 2.789861 0.0053 Variance Equation C 1.32E-05 1.17E-06 11.27886 0.0000 ARCH(1) 0.543397 0.052884 10.27522 0.0000 ARCH(2) 0.260493 0.038886 6.698795 0.0000 ARCH(3) 0.091228 0.031335 2.911368 0.0036 ARCH(4) 0.123582 0.031918 3.871930 0.0001 ARCH(5) 0.177405 0.021327 8.318287 0.0000 R-squared 0.138501 Mean dependent var 0.001616 Adjusted R-squared 0.132799 S.D. dependent var 0.016781 S.E. of regression 0.015627 Akaike info criterion -6.292353 Sum squared resid 0.368993 Schwarz criterion -6.253848 Log likelihood 4799.481 Durbin-Watson stat 1.865834 Kết quả ước lượng này cho thấy lợi suất của VnI phụ thuộc thuận vào lợi suất trễ bậc 1, 4, 14 và phụ thuộc nghịch vào lợi suất trễ bậc 2, 12. Phương sai phụ thuộc vào các yếu tố ngẫu nhiên trễ 1, 2, 3, 4, 5 (các hệ số đều chấp nhận khác 0 ở mức ý nghĩa 5%).Ưu điểm của mô hình này là ước lượng khá đơn giản. Tuy nhiên, mô hình chỉ cho biết phương sai phụ thuộc dương vào các yếu tố ngẫu nhiên trễ nên bất kể nhiễu âm hay dương đều ảnh hưởng dương đến phương sai. Các cú sốc lớn về mặt trị tuyệt đối thường dẫn đến các cú sốc lớn hơn nhưng điều này không phải lúc nào cũng đúng trong thực tế. - Mô hình GARCH(1,1) Dependent Variable: RVNI Method: ML - ARCH (Marquardt) Date: 06/11/07 Time: 14:35 Sample(adjusted): 15 1536 Included observations: 1522 after adjusting endpoints Convergence not achieved after 500 iterations Variance backcast: ON Coefficient Std. Error z-Statistic Prob. AR(1) 0.314342 0.026882 11.69360 0.0000 AR(2) -0.116056 0.028279 -4.103937 0.0000 AR(4) 0.049219 0.028103 1.751345 0.0799 AR(5) 0.054919 0.028455 1.930057 0.0536 AR(14) 0.047839 0.018586 2.573973 0.0101 Variance Equation C 3.43E-06 4.62E-07 7.411529 0.0000 ARCH(1) 0.402442 0.041188 9.770922 0.0000 GARCH(1) 0.422811 0.101174 4.179035 0.0000 GARCH(2) 0.215300 0.079257 2.716480 0.0066 R-squared 0.149591 Mean dependent var 0.001616 Adjusted R-squared 0.145094 S.D. dependent var 0.016781 S.E. of regression 0.015516 Akaike info criterion -6.338821 Sum squared resid 0.364243 Schwarz criterion -6.307316 Log likelihood 4832.842 Durbin-Watson stat 1.871066 Wald Test: Equation: GARCH12 Null Hypothesis: C(7)+C(8)+C(9)=1 F-statistic 3.572116 Probability 0.058948 Chi-square 3.572116 Probability 0.058757 Ho: C(7) + C(8) + C(9) = 1 ~ Ho: Tồn tại mô hình IGARCH(1,1) H1: C(7) + C(8) + C(9) < 1 ~ H1: Không tồn tại mô hình IGARCH(1,1) Với mức ý nghĩa 6% ta chấp nhận giả thiết tồn tại mô hình IGARCH(1,1). Điều này cho thấy chuỗi rvni hội tụ nhanh hay ảnh hưởng của những cú sốc đến rvni là nhanh kết thúc, không kéo dài. Mô hình này cho biết lợi suất phụ thuộc vào lợi suất trễ bậc 1, 2, 4, 5, 14 còn phương sai phụ thuộc vào yếu tố ngẫu nhiên trễ 1 thời kỳ và phương sai trễ 1; 2 thời kỳ. Các yếu tố trễ có mức độ ảnh hưởng giảm dần đến lợi suất, điều này là phù hợp với thực tế. Mô hình GARCH hay được sử dụng do khả năng dự báo khá cao và việc tính toán khá đơn giản. - Mô hình GARCH – M1 Dependent Variable: RVNI Method: ML - ARCH (Marquardt) Date: 06/11/07 Time: 14:43 Sample(adjusted): 15 1536 Included observations: 1522 after adjusting endpoints Convergence achieved after 90 iterations Variance backcast: ON Coefficient Std. Error z-Statistic Prob. SQR(GARCH) 0.175639 0.056410 3.113631 0.0018 C -0.000855 0.000352 -2.431530 0.0150 AR(1) 0.305104 0.027420 11.12707 0.0000 AR(2) -0.122399 0.028613 -4.277730 0.0000 AR(4) 0.048177 0.028205 1.708108 0.0876 AR(5) 0.055818 0.028304 1.972051 0.0486 AR(14) 0.037909 0.019050 1.990036 0.0466 Variance Equation C 3.59E-06 4.69E-07 7.665796 0.0000 ARCH(1) 0.403006 0.042039 9.586397 0.0000 GARCH(1) 0.434343 0.102264 4.247265 0.0000 GARCH(2) 0.200731 0.079971 2.510040 0.0121 R-squared 0.139959 Mean dependent var 0.001616 Adjusted R-squared 0.134267 S.D. dependent var 0.016781 S.E. of regression 0.015614 Akaike info criterion -6.342885 Sum squared resid 0.368368 Schwarz criterion -6.304379 Log likelihood 4837.936 F-statistic 24.58927 Durbin-Watson stat 1.828944 Prob(F-statistic) 0.000000 Mô hình mô tả lợi suất phụ thuộc vào độ biến động σ và các yếu tố trễ, phương sai phụ thuộc vào yếu tố ngẫu nhiên và phương sai trễ. - Mô hình GARCH – M2 Dependent Variable: RVNI Method: ML - ARCH (Marquardt) Date: 06/11/07 Time: 14:59 Sample(adjusted): 15 1536 Included observations: 1522 after adjusting endpoints Convergence not achieved after 500 iterations Variance backcast: ON Coefficient Std. Error z-Statistic Prob. GARCH 3.850770 1.918457 2.007222 0.0447 AR(1) 0.307759 0.027068 11.36967 0.0000 AR(2) -0.114678 0.028249 -4.059547 0.0000 AR(4) 0.050642 0.028018 1.807486 0.0707 AR(5) 0.058330 0.028264 2.063769 0.0390 AR(14) 0.043601 0.018844 2.313828 0.0207 Variance Equation C 3.47E-06 4.58E-07 7.566443 0.0000 ARCH(1) 0.403343 0.041517 9.715046 0.0000 GARCH(1) 0.429709 0.101684 4.225934 0.0000 GARCH(2) 0.206985 0.079360 2.608181 0.0091 R-squared 0.132007 Mean dependent var 0.001616 Adjusted R-squared 0.126840 S.D. dependent var 0.016781 S.E. of regression 0.015681 Akaike info criterion -6.339864 Sum squared resid 0.371774 Schwarz criterion -6.304859 Log likelihood 4834.637 Durbin-Watson stat 1.808279 Trong mô hình này ta thấy lợi suất phụ thuộc khá cao vào rủi ro (3.850770). Nó thể hiện mối quan hệ thuận chiều giữa rủi ro và lợi nhuận, lợi nhuận càng cao thì rủi ro cũng càng cao. Cơ chế biến đổi của phương sai ở đây vẫn phụ thuộc vào yếu tố ngẫu nhiên và phương sai thời kỳ trước đó. - Mô hình EGARCH(2,2) Dependent Variable: RVNI Method: ML - ARCH (Marquardt) Date: 06/11/07 Time: 15:18 Sample(adjusted): 15 1536 Included observations: 1522 after adjusting endpoints Convergence achieved after 56 iterations Variance backcast: ON Coefficient Std. Error z-Statistic Prob. AR(1) 0.333130 0.029606 11.25225 0.0000 AR(2) -0.118940 0.028648 -4.151777 0.0000 AR(4) 0.068639 0.024201 2.836132 0.0046 AR(5) 0.066316 0.021944 3.022123 0.0025 AR(14) 0.048173 0.017884 2.693660 0.0071 Variance Equation C -0.142484 0.036323 -3.922688 0.0001 |RES|/SQR[GARCH](1) 0.674579 0.043861 15.37988 0.0000 RES/SQR[GARCH](1) -0.032344 0.029069 -1.112655 0.2659 |RES|/SQR[GARCH](2) -0.578627 0.040296 -14.35925 0.0000 RES/SQR[GARCH](2) 0.050147 0.030012 1.670877 0.0947 EGARCH(1) 1.599364 0.070852 22.57346 0.0000 EGARCH(2) -0.606890 0.069212 -8.768568 0.0000 R-squared 0.154925 Mean dependent var 0.001616 Adjusted R-squared 0.148769 S.D. dependent var 0.016781 S.E. of regression 0.015482 Akaike info criterion -6.360557 Sum squared resid 0.361958 Schwarz criterion -6.318550 Log likelihood 4852.384 Durbin-Watson stat 1.917091 Mô hình EGARCH cho phép chúng ta phân biệt được ảnh hưởng của những tin tốt và những tin xấu (yếu tố ngẫu nhiên âm hay dương) tác động đến phương sai. Một điều đáng ngạc nhiên là theo kết quả ước lượng trên thì tác động của những tin tốt lớn hơn tác động của những tin xấu (tác động tổng cộng của những tin tốt là 0.113755 trong khi tác động của những tin xấu chỉ là 0.07815). Điều này cho thấy các nhà đầu tư khá tin tưởng vào triển vọng phát triển của thị trường chứng khoán Việt Nam. - Mô hình Component Dependent Variable: RVNI Method: ML - ARCH (Marquardt) Date: 06/11/07 Time: 15:24 Sample(adjusted): 15 1536 Included observations: 1522 after adjusting endpoints Convergence achieved after 52 iterations Variance backcast: ON Coefficient Std. Error z-Statistic Prob. C -0.000172 0.000254 -0.674774 0.4998 AR(1) 0.303189 0.026439 11.46755 0.0000 AR(2) -0.114519 0.026444 -4.330544 0.0000 AR(4) 0.057320 0.025287 2.266726 0.0234 AR(5) 0.065326 0.025400 2.571922 0.0101 AR(14) 0.052871 0.020466 2.583371 0.0098 Variance Equation Perm: C 0.001914 0.000593 3.230113 0.0012 Perm: [Q-C] 0.999144 0.000280 3566.052 0.0000 Perm: [ARCH-GARCH] 0.201678 0.020167 10.00056 0.0000 Tran: [ARCH-Q] 0.224098 0.034191 6.554384 0.0000 Tran: [GARCH-Q] 0.330854 0.092072 3.593435 0.0003 R-squared 0.149411 Mean dependent var 0.001616 Adjusted R-squared 0.143782 S.D. dependent var 0.016781 S.E. of regression 0.015528 Akaike info criterion -6.346907 Sum squared resid 0.364320 Schwarz criterion -6.308402 Log likelihood 4840.997 F-statistic 26.54168 Durbin-Watson stat 1.850492 Prob(F-statistic) 0.000000 Kết quả ước lượng cho thấy, trừ hệ số chặn chấp nhận bằng 0 còn hệ số của các biến khác đều chấp nhận khác 0 ở mức ý nghĩa 5% (giá trị P_value < 5%). Mô hình này cho thấy có sự khác biệt giữa phương sai ngắn hạn và phương sai dài hạn trên thị trường chứng khoán Việt Nam. Sự khác biệt này phụ thuộc thuận vào yếu tố ngẫu nhiên và phương sai trễ một thời kỳ. Phụ lục 4: Kiểm tra tính dừng của các chuỗi phần dư Ước lượng mô hình ARCH(5) ta thu được phần dư pdarch5. Bằng kiểm định Dickey-Fuller kiểm tra tính dừng của chuỗi phần dư. Ta có: Kiểm định nghiệm đơn vị cho ta kết quả: chuỗi pdgarch5 là chuỗi dừng do . Làm tương tự cho các mô hình sau. pdgarch12 Kết quả thu được: pdgarch11 là chuỗi dừng pdgarchm1 chuỗi pdgarchm1 là chuỗi dừng. pdgarchm2 chuỗi pdgarchm2 là chuỗi dừng. pdegarch22 chuỗi pdegarch22 là chuỗi dừng. pdcom chuỗi pdcom là chuỗi dừng