Luận án Bất ổn tài chính và khu vực kinh tế thực: Trường hợp các nước đang phát triển khu vực ASEAN

rvey of financial stress indexes. Federal Reserve Bank of St. Louis Review, 94(5), 369-397. Knight Frank, H. (1921). Risk, uncertainty and profit. книга. Koop, G., Pesaran, M., Potter, S. (1996). “Impulse Response Analysis in Nonlinear Multivariate Models,” Journal of Econometrics, 74, 119- 148. Kumar, M. S., & Persaud, A. (2002). Pure contagion and investors’ shifting risk appetite: analytical issues and empirical evidence. International Finance, 5(3), 401–436. Lall, M. S., Cardarelli, M. R., & Elekdag, S. (2009). Financial stress, downturns, and recoveries (No. 9-100). International Monetary Fund. Lee, M., Park, D., Abdon, A., & Estrada, G. (2013). Economic impact of Eurozone sovereign debt crisis on developing Asia. In Global Banking, Financial Markets and Crises. Emerald Group Publishing Limited. Liang, N. (2013). Systemic risk monitoring and financial stability. Journal of Money, Credit and Banking, 45(s1), 129-135. Lo, M. C., & Zivot, E. (2001). Threshold cointegration and nonlinear adjustment to the law of one price. Macroeconomic Dynamics, 5(4), 533-576. Louzis, D. P., & Vouldis, A. T. (2013). A financial systemic stress index for Greece. Luttrell, D., Atkinson, T., & Rosenblum, H. (2013). Assessing the costs and consequences of the 2007–09 financial crisis and its aftermath. Economic Letter, 8(7), 1-4. Magkonis, G., & Tsopanakis, A. (2014). Exploring the effects of financial and fiscal vulnerabilities on G7 economies: evidence from SVAR analysis. Journal of International Financial Markets, Institutions and Money, 32, 343-367. 180 Masson, P.R. (1999). Multiple equilibria, contagion, and the emerging market crises. International Monetary Fund. McLeod, A. and W. Li (1983). Diagnostic checking arma time series models using squared- residual autocorrelations. Journal of time series analysis 4, 269–273. Meltzer, A. H. (1982) ‘Rational Expectations, Risk, Uncertainty, and Market Reactions’, in P. Wachtel (ed.) Crises in the Economic and Financial Structure, Lexington, MA: Lexington Messrs. Miyazaki và cộng sự (2012). Vietnam: 2012 Article IV Consultation. IMF Country Report No.12/165 Minsky H P. (1977), “A Theory of Systemic Fragility” in Altman E I and Sametz A W ed, Financial Crises, Wiley, New York. Minsky, H. P. (1982). Debt deflation processes in today’s institutional environment. PSL Quarterly Review, 35(143). Minsky, H. P. (1986). “Stabilizing an Unstable Economy: The Lessons for Industry, Finance and Government.” Hyman P. Minsky Archive, 144. Available at: Mishkin, F. S. (1997). The causes and propagation of financial instability: Lessons for policymakers. Maintaining financial stability in a global economy, 55-96. Mishkin, Frederic S. 1991. “Asymmetric Information and Financial Crises: A Historical Perspective,” in R.G. Hubbard, ed., Financial Markets and Financial Crises. Chicago: University of Chicago Press Mittnik, S., & Semmler, W. (2013). The real consequences of financial stress. Journal of Economic Dynamics and Control, 37(8), 1479-1499. Mittnik, S., & Semmler, W. (2018). Overleveraging, financial fragility, and the banking–macro link: Theory and empirical evidence. Macroeconomic Dynamics, 22(1), 4-32. Moore, J., & Kiyotaki, N. (1997). Credit cycles. Journal of Political Economy, 105(2). Nguyễn Thanh Cai (2021). Tạp chí Thị trường Tài chính Tiền tệ số 13 năm 2021 Nguyen, H. H. (2020). Impact of foreign direct investment and international trade on economic growth: Empirical study in Vietnam. The Journal of Asian Finance, Economics and Business, 7(3), 323-331. OECD (2013). Southeast Asian Economic Outlook 2013: With Perspectives on China and India. Oecd. Oet, M. V., Bianco, T., Gramlich, D., & Ong, S. J. (2012). Financial stress index: A lens for supervising the financial system. FRB of Cleveland Policy Discussion Paper, (12-37). Pan, W. (2001). Akaike's information criterion in generalized estimating equations. Biometrics, 57(1), 120-125. 181 Park, D., Ramayandi, A., & Shin, K. (2013). Why did Asian countries fare better during the global financial crisis than during the Asian financial crisis. Responding to Financial Crisis: Lessons from Asia Then, the United States and Europe Now, 103-139. Pastor, Lubos, and Pietro Veronesi. 2008. “Learning in Financial Markets,” University of Chicago Business School, Working Paper No. 08-28. Paul Baker (2015). VIETNAM’S INTERNATIONAL TRADE PERFORMANCE. International Trade and Economics Series Philippon, T., & Véron, N. (2008). Financing Europe's fast movers (No. 9). Phillips, P. C., & Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75(2), 335-346. Pirounakis, N.G. (1997). Aspects of the ‘Real’ Economy. In: The Greek Economy. Palgrave Macmillan, London. https://doi.org/10.1057/9780230374867_9. Pixley, J (2004) Emotions in Finance: Distrust and Uncertainty in Global Markets. Cambridge: Cambridge University Press. Polat, O., & Ozkan, I. (2019). Transmission mechanisms of financial stress into economic activity in Turkey. Journal of Policy Modeling, 41(2), 395-415. Pomerleano, M. (2009). What is the impact of the global financial crisis on the banking system in East Asia? (No. 146). ADBI Working Paper. Prieto, E., Eickmeier, S., & Marcellino, M. (2016). Time variation in macro‐financial linkages. Journal of Applied Econometrics, 31(7), 1215-1233. Rillo, A. D. (2018). ASEAN financial integration: opportunities, risks, and challenges. Public Policy Review, 14(5), 901-924. Sandahl, J. F., Holmfeldt, M., Rydén, A., & Strömqvist, M. (2011). An index of financial stress for Sweden. S v ER ig ESR ik S bank, 2. Sarno, L., G. Valente and M. E. Wohar (2003): “Exchange Rate Dynamics under Different Nominal Regimes”, CEPR Discussion Paper No. 3983, July Schinasi, G.J., 2004. Defining Financial Stability (IMF Working Paper No. 04/187). International Monetary Fund. Schumpeter, Joseph A. 1934. The theory of economic development; an inquiry into profits, capital, credit, interest, and the business cycle. Translated by Redvers Opie. Cambridge, MA: Harvard University Press Shafer J R. (1986), “Managing Crises in the Emerging Financial Landscape”, OECD Economic Studies, 8: 56- 77. Shapiro, M. D., Gordon, R. J., & Summers, L. H. (1989). Assessing the Federal Reserve's measures of capacity and utilization. Brookings Papers on Economic Activity, 1989(1), 181- 241. 182 Silvestrini, A., & Zaghini, A. (2015). Financial shocks and the real economy in a nonlinear world From theory to estimation. Slingenberg, J. W., & De Haan, J. (2011). Forecasting financial stress. Stein, J. L. (2012). The diversity of debt crises in Europe. In Stochastic Optimal Control and the US Financial Debt Crisis (pp. 133-154). Springer, Boston, MA. Stona, F., Morais, I. A., & Triches, D. (2018). Economic dynamics during periods of financial stress: Evidences from Brazil. International Review of Economics & Finance, 55, 130-144. Tien, N. H., & Anh, D. B. H. (2019). The Role of International Trade Policy in Boosting Economic Growth of Vietnam.“. International journal of commerce and Management Research, 5(3), 107-112. Tng, B. H., & Kwek, K. T. (2015). Financial stress, economic activity and monetary policy in the ASEAN-5 economies. Applied Economics, 47(48), 5169-5185. Tobin, J. (1975). “Keynesian Models of Recession and Depression.” American Economic Review 65(2): 195–202. Tobin, J. (1980). Asset Accumulation and Economic Activity. Chicago: University of Chicago Press. Tong, H. (1983), Threshold Models in Non-linear Time Series Analysis, New York: Springer– Verlag. Toporowski, J., & Michell, J. (Eds.). (2012). Handbook of critical issues in finance. Edward Elgar Publishing. Tsay, R.S. (1998), “Testing and Modelling Multivariate Threshold Models,” Journal of the American Statistical Association, 93, 1188–1202. Tuckett, D and Taffler, R (2008) ‘Phantastic Objects and the Financial Market’s Sense of Reality: A Psychoanalytic Contribution to the Understanding of Stock Market Instability’, International Journal of Psychoanalysis 89 (2): 389-412. Tudela, M., & Young, G. (2003). A Merton-model approach to assessing the default risk of UK public companies. UBGSTCQG Việt Nam (2018). BÁO CÁO TÓM TẮT TỔNG QUAN THỊ TRƯỜNG TÀI CHÍNH VIỆT NAM NĂM 2018 Veblen, T. (1965). The Theory of Business Enterprise. 1904. AM Kelley, bookseller. von Mises, L. (1971). The Theory of Money and Credit. New Haven, CT: Yale University Press Vũ Mai Chi và Trần Anh Quý (2018). Tình hình xử lý nợ xấu tại Việt Nam qua các giai đoạn - các vấn đề cần quan tâm và khuyến nghị. Tạp Chí Ngân Hàng. Số 21 tháng 11/2018 Wenjie, C., Mrkaic, M., & Nabar, M. (2018). Lasting Effects: The Global Economic Recovery 10 Years After the Crisis. International Monetary Fund. Wicksell, K. (1936). Interest and prices. Ludwig von Mises Institute. 183 Worldbank (2005). Indonesia : Economic and Social Update, October 2005. https://openknowledge.worldbank.org/handle/10986/2193 Yiu, M. S., Ho, W. Y. A., & Jin, L. (2010). A measure of financial stress in Hong Kong financial market–the financial stress index. Hong Kong Monetary Authority Research Note, 2, 2010. Zeng, F., Huang, W. C., & Hueng, J. (2016). On Chinese government’s stock market rescue efforts in 2015. Modern Economy, 7(4), 411-418. Zigraiova, D., & Jakubik, P. (2015). Systemic event prediction by an aggregate early warning system: An application to the Czech Republic. Economic Systems, 39(4), 553-576. 184 PHỤ LỤC 1 ĐO LƯỜNG CHỈ SỐ BẤT ỔN TÀI CHÍNH Phụ Lục 1.1 Lược khảo các chỉ số đo lường bất ổn tài chính riêng lẻ 1. Thị trường tiền tệ Chỉ số TED spread (Hakkio và Keeton, 2009; Hollo và cộng sự, 2012; Cardarelli và Elekdag, 2009; Aboura và Roye, 2017). TED spread được tính bằng chênh lệch giữa lãi suất liên ngân hàng và lợi suất tín phiếu kho bạc cùng kỳ hạn, thông thường là 3 tháng. Lãi suất liên ngân hàng là chi phí vay mượn ngắn hạn của các ngân hàng với nhau. Lãi suất này thường cao hơn lợi suất tín phiếu kho bạc cùng kỳ hạn. Điều này là do những lo ngại về khả năng khoản vay không được hoàn trả (rủi ro vỡ nợ) hoặc phát sinh nhu cầu vốn không dự tính trong khi khoản vay chưa đến hạn (rủi ro thanh khoản). Nếu ngân hàng khó xác định được độ tín nhiệm của ngân hàng đi vay thì vấn đề lựa chọn ngược tăng lên, đẩy TED Spread tăng. Vì thế theo Hakkio và Keeton (2009), TED Spread phản ánh ba đặc điểm của bất ổn tài chính đó là: flight to quality, flight to liquidity, và thông tin bất cân xứng. Trên thị trường liên ngân hàng, bất ổn cũng được đo lường bằng chỉ số biến động. Biến động lãi suất liên ngân hàng được đo lường bằng mức thay đổi lãi suất liên ngân hàng (Hollo và cộng sự, 2012; Huotari, 2015), cụ thể dựa trên giá trị bình quân theo các tỷ lệ thay đổi ngày của lãi suất liện ngân hàng. Nghiên cứu của Chadwick và Ozturk (2019) dựa vào mô hình GARCH. Oet và cộng sự (2012) sử dụng chỉ số phản ánh chi phí phí vay mượn liên ngân hàng, trong đó đo lường chênh lệch giữa lãi suất liên ngân hàng hàng 3 tháng và lãi suất mục tiêu của FED, phản ánh phần bù rủi ro của ngân hàng khi cho vay các ngân hàng khác. Chỉ số này tăng lên cho thấy rủi ro vỡ nợ tăng lên. Cũng phản ánh về rủi ro vỡ nợ, Hakkio và Keeton (2009) sử dụng chỉ số Chênh lệch hoán đổi lãi suất (Credit swap spread). Trong hợp đồng hoán đổi lãi suất, một bên đồng ý trả khoản thanh toán theo lãi suất cố định để đổi lấy khoản thanh toán theo lãi suất thả nổi. Lãi suất thả nổi thường dựa vào lãi suất ngắn hạn liên ngân hàng. Lãi suất cố định dựa trên lợi suất tín phiếu khi bạc. Chênh lệch hoán đổi lãi suất trong trường hợp này là chênh lệch giữa lãi suất thả nổi và lãi suất cố định. Chỉ số này dương bởi hai nguyên nhân. Thứ nhất lãi suất liên ngân hàng lớn hơn lợi suất tín phiếu kho bạc cùng kỳ hạn vì ngân hàng cho vay liên ngân hàng phải gánh chịu rủi ro vỡ nợ và rủi ro thanh khoản. Thứ hai, nhà đầu tư thực hiện khoản thanh toán theo lãi suất thả nổi để đổi lấy khoản thanh toán theo lãi suất cố định chỉ khi họ kiếm được mức sinh lời cao hơn khoản thanh toán 185 theo lãi suất cố định này. Do đó, chỉ số này tăng lên cho thấy hai đặc điểm của bất ổn tài chính, đó là flight to quality (do lo ngại rủi ro vỡ nợ trên thị trường liên ngân hàng đẩy lãi suất tăng lên) và flight to liquidity (lo ngại về nhu cầu vốn phát sinh khi hợp đồng hoán đổi chưa đến hạn hay rủi ro thanh khoản đẩy lãi suất liên ngân hàng tăng lên). Trên thị trường nợ ngắn hạn chính phủ, bất ổn được đo lường bằng chênh lệch lợi suất tín phiếu kho bạc ngắn hạn. Chênh lệch lợi suất tín phiếu kho bạc được đo lường bằng chênh lệch lợi suất giữa tín phiếu kho bạc Mỹ và tín phiếu kho bạc của nước sở tại. Chỉ số này được dùng để đo lường sự rủi ro vỡ nợ trên thị trường nợ chính phủ. Nếu khả năng vỡ nợ của chính phủ bằng 0, theo lý thuyết ngang bằng lãi suất (CIP) thì chênh lệch lợi suất tín phiếu kho bạc cũng bằng 0 (Illing & Liu, 2006). Chênh lệch này có xu hướng rộng ra khi sự không chắc chắn trên thị trường nợ chính phủ tăng lên và chính phủ gặp khó khăn trong huy động vốn là những dấu hiệu cho thấy thị trường đang bất ổn. Illing và Liu (2006) đo lường chỉ số này bằng chênh lệch giữa lợi suất tín phiếu kho bạc kỳ hạn 90 ngày giữa Canada và Mỹ để tổng hợp vào chỉ số FSI cho Canada. Tương tự, nghiên cứu Oet và cộng sự (2012) về chỉ số FSI của Anh cũng sử dụng lợi suất tín phiếu kho bạc giữa Anh và Mỹ và điều chỉnh thêm rủi ro hối đoái bằng tỷ giá hối đoái kỳ hạn và giao ngay giữa hai nước. Để đo lường rủi ro thanh khoản trên thị trường này, Illing và Liu (2006) sử dụng chỉ số Bid-offer Spread của tín phiếu kho bạc. Bid-offer Spread của tín phiếu kho bạc là một thước đo về rủi ro thanh khoản trên thị trường nợ ngắn hạn chính phủ. Trên thị trường tài chính, Bid-offer spread là chênh lệch giữa giá cao nhất mà người mua sẵn sàng trả và giá thấp nhất mà người bán sẵn sáng chấp nhận đối với một loại tài sản tài chính. Bid-offer spread là thước đo về tình hình cung cầu đối với tài sản. “Bid” phản ánh cầu và “offer” phản ánh cung đối với tài sản. Sự biến động hai loại giá này phản ánh sự thay đổi cung cầu. Do vậy Bid-offer spread một loại tài sản phản ánh tình hình thanh khoản trên thị trường của tài sản đó. Spread càng rộng cho thấy rủi ro thanh khoản tăng. Ở thị trường nợ ngắn hạn khu vực doanh nghiệp, Illing và Liu (2006) đo lường bất ổn bằng chỉ số chênh lệch lãi suất giữa thương phiếu tổ chức tài chính và tín phiếu kho bạc. Trong nghiên cứu thực nghiệm, chỉ số này được sử dụng làm thước đo cho sự gián đoạn chức năng trung gian tín dụng ngắn hạn hay tình trạng thắt chặt tín dụng. Chênh lệnh rộng ra khi có sự không chắc chắn trên thị trường đẩy chi phí thông tin tăng lên. Mặc dù rủi ro vỡ nợ đối với loại thương phiếu của khu vực doanh nghiêp là rất thấp trong thời kỳ suy thoái, các nhà đầu 186 tư có xu hướng chuyển sang các loại chứng khoán chính phủ vì tính thanh khoản cao đẩy chỉ số chênh lệch cao lên. 2. Thị trường trái phiếu Các nghiên cứu thực nghiệm sử dụng các thước đo khác nhau để đo lường bất ổn tài chính trên thị trường trái phiếu. Các thước đo được sử dụng nhiều nhất là chỉ số chênh lệch lợi suất trái phiếu, biến động lợi suất trái phiếu, và đường cong lợi suất đảo ngược (hay còn gọi là Term spread) . Chênh lệch lợi suất trái phiếu Chênh lệch lợi suất trái phiếu phản ánh sự khác biệt về lợi suất giữa trái phiếu không có rủi ro và trái phiếu rủi ro. Chênh lệch này rộng ra khi nhận định về tổn thất hay rủi ro vỡ nợ trong tương lai tăng lên hoặc khi sự không chắc chắn tăng lên dẫn đến niềm tin bị suy giảm. Đây đều là dấu hiệu của bất ổn tài chính trên thị trường trái phiếu (Illing và Liu, 2006). Khi căng thẳng trên thị trường trái phiếu tăng lên, nhu cầu đối với các loại trái phiếu an toàn và thanh khoản hơn tăng đẩy giá trái phiếu tăng và lợi suất giảm. Chênh lệch lợi suất trái phiếu do vậy tăng lên. Đối với khu vực chính phủ, chênh lệch lợi suất trái phiếu được đo lường bằng chênh lệch về lợi suất giữa trái phiếu chính phủ nước sở tại so với trái phiếu chỉnh phủ nước tham chiếu, chủ yếu là trái phiếu chính phủ Mỹ (Hollo và cộng sự, 2012; Louzis và Vouldis, 2013; Park và Mercado, 2014) hoặc so với trái phiếu chính phủ của một nước có nền kinh tế mạnh và ổn định như Đức (Huotari, 2015). Đối với khu vực nợ công ty, chỉ số được đo bằng chênh lệch về lợi suất giữa trái phiếu công ty và trái phiếu chính phủ củng kỳ hạn, thông thường là 7 hoặc 10 năm (Illing và Liu, 2006; Cardarelli và Elekdag, 2009; Hollo và cộng sự, 2012; Chatterjee và cộng sự, 2017; Aboura và Roye, 2017). Các nghiên cứu về chỉ số căng thẳng tài chính của Mỹ, do các thị trường tài chính phát triển sâu, số lượng các chỉ số riêng lẻ được sử dụng nhiều hơn. Hakkio và Keeton (2009) đo lường bất ổn thị trường trái phiếu Mỹ ở khu vực công ty bằng nhóm các chỉ số như : Off-the- run/Off-the-run 10-year Treasury spread, Aaa/10-year Treasury spread, Baa/Aaa spread, High-yield bond/Baa spread. Off-the-run/Off-the-run 10-year Treasury spread là chênh lệch lợi suất trái phiếu kho bạc Mỹ giữa thị trường Off-the-run và On-the-run. On-the-run là thị trường trái phiếu phát hành mới nhất, còn Off-the-run thì trái phiếu phát hành trước đó. Do qui mô thị trường Off-the-run hẹp hơn On-the-run, nhà đầu tư trái phiếu Off-the-run chịu 187 rủi ro cao hơn khi bán ra để đáp ứng nhu cầu thanh khoản. Lợi suất trái phiếu Off-the-run luôn cao hơn trái phiếu thị trường On-the-run. Off-the-run/Off-the-run 10-year Treasury spread tăng lên do vậy là dấu hiệu co thấy rủi ro thanh khoản. Tương tự, Baa/Aaa spread, chỉ số đo lường chênh lệch lợi suất giữa trái phiếu được xếp hạng Aaa và trái phiếu kho bạc Mỹ, cũng là một thước đo về rủi ro thanh khoản do trái phiếu Aaa được xem là ít thanh khoản hơn. Trái phiếu Baa xếp hạng thấp nhất trong bảng xếp hạng của Moody’s. Trong thời kỳ kinh tế phát triển, chênh lệch lợi suất giữa trái phiếu Baa và Aaa nhỏ do rủi ro vỡ nợ cua các công ty phát hành trái phiếu Baa được xem là không đáng kể. Nhưng khi nhà đầu tư quan ngại về tình trạng kinh tế thì sẽ gắn khả năng vỡ nợ vào các công ty nhóm Baa, đẩy Baa/Aaa spread lên cao. Do vậy, chỉ số Baa/Aaa là một thước đo về rủi ro vỡ nợ trên thị trường trái phiếu công ty. Tương tự, chỉ số High-yield bond/Baa spread không chỉ phản ánh rủi ro vỡ nợ mà còn đo lường căng thẳng về thanh khoản do qui mô thị trường của trái phiếu High-yield hẹp hơp so với Baa. Balakrishnan và cộng sự (2011) sử dụng chỉ số JPMorgan EMBI Global speads để phản ánh căng thẳng trên thị trường trái phiếu của nhóm các nước thị trường mới nổi. Chỉ số EMBI Global speads đo lường chênh lệch giữa EMBI Index của các nước thị trường mới nổi và trái phiếu kho bạc Mỹ kỳ hạn 10 năm. Trong đó EMBI là chỉ số đo lường suất sinh lời tham chiếu của thị trường trái phiếu, bao gồm trái phiếu chính phủ và công ty, được các thị trường mới nổi phát hành bằng đồng USD trên thị trường quốc tế. Đây là chỉ số do ngân hàng JPMorgan xuất bản. Biến động lợi suất trái phiếu Sự biến động suất sinh lời trái phiếu được đo lường chủ yếu bằng hai phương pháp, một là giá trị tổng bình phương các độ lệch của lợi suất trái phiếu (Hollo và cộng sự, 2012; Louzis và Vouldis, 2013; Chatterjee và cộng sự, 2017) và hai là mô hình GARCH (1,1) với biến lợi suất trái phiếu (Chadwick và Ozturk, 2019). Đường cong lợi suất đảo ngược Đường cong lợi suất đảo ngược được các nghiên cứu về chỉ số FSI sử dụng làm chỉ số đo lường bất ổn tài chính ở các khu vực khác nhau của hệ thống tài chính. Để phản ánh bất ổn trên thị trường nợ, Illing và Liu (2006) đo lường chỉ số bằng chênh lệch giữa lợi suất trái phiếu chính phủ Canada kỳ hạn 5-10 năm trừ cho lãi suất hối phiếu thương mại kỳ hạn 90 ngày. Trong đó, lợi suất trái phiếu chính phủ dài hạn được xem là lãi suất cân bằng. Khi lãi suất ngắn hạn cao hơn lãi suất cân bằng, căng thẳng tài chính xảy ra đối với các chủ thể đi 188 vay nợ do chi phí vay nợ ngắn hạn tăng lên cao hơn mức cân bằng. Cardarelli và Elekdag (2009) đo lường bằng bằng lợi suất chứng khoán chính phủ tương ứng kỳ hạn 10 năm và 3 tháng và phản ánh trên bất ổn khu vực ngân hàng. Tương tự, Oet và cộng sự (2012) và Chatterjee và cộng sự (2017) đo lường trên thị trường trái phiếu. Ngoài ra các chỉ số trên, bất ổn trên thị trường trái phiếu còn được các nghiên cứu đo lường bằng một số chỉ số khác như Credit default swap (CDS), xác suất vỡ nợ (DP). Credit default swap (CDS) Credit default swap (CDS) là một hợp đồng tài chính phái sinh trên thị trường sơ cấp trong đó cung cấp sự đảm bảo đối với các sự kiện về tín dụng như vỡ nợ hay phá sản của người phát hành nợ, bao gồm chính phủ và các công ty. Đây là một dạng hợp đồng bảo hiểm trên thị trường tài chính. Chẳng hạn, nhà đầu tư đang nắm giữ trái phiếu của Ford và lo ngại về khả năng vỡ nợ của Ford. Nhà đầu tư có thể bảo hiểm cho trái phiếu Ford đang nắm giữ bằng hợp đồng CDS và trả phí bảo hiểm. Nếu Ford không vỡ nợ, nhà đầu tư mất phí. Trường hợp ngược lại, hợp đồng CDS cho phép nhà đầu tư được đền bù. Thông thường, các CDS có kỳ hạn từ 1 đến 10 năm troong đó tập trung nhiều nhất là 5 năm. Thị trường CDS có vai trò quan trọng đối với thị trường nợ, trong đó CDS spread được xem là thước đo phản ánh độ tín nhiệm của các chủ thể phát hành nợ - bao gồm chính phủ và công ty. Bởi CDS phản ánh xác suất vỡ nợ của các chủ thể phát hành nợ. Trong giai đoạn căng thẳng trên thị trường tài chính, sự biến động của CDS cũng tác động đến việc đánh giá lại về rủi ro trên các thị trường khác. Trong giai đoạn khủng hoảng nợ châu âu, CDS đối với thị trường nợ chính phủ Châu Âu, Mỹ, Nhật Bản tăng mạnh dẫn đến xác suất vỡ nợ được xác định ít liên quan đến yếu tố kinh tế nền tản của các nước. Sau khủng hoảng tài chính ở Mỹ năm 2008 hầu hết các nước phát triển đều lên kế hoạch củng cố hệ thống tài chính bằng các biện pháp giải cứu các ngân hàng yếu đã đẩy rủi ro từ khu vực ngân hàng sang khu vực chính phủ. Điều này tác động đến việc đánh giá lại rủi ro vỡ nợ của khu vực chính phủ dẫn đến giá CDS của các nước này vọt lên cao (Terzi và Ulucay, 2011). Aboura, S., & van Roye, B. (2017) sử dụng CDS đôi với chủ thể phát hành nợ là chính phủ và công ty. Chỉ số CDS công ty được tính bằng giá trị bình quân có trọng số của CDS kỳ hạn 10 năm của các công ty lớn của Pháp, trong đó trọng số dựa vào giá trị vốn hóa. Đối với CDS chính phủ, nghiên cứu dựa vào premium của CDS trái phiếu chính phủ kỳ hạn 1 năm. Phân tích CCA (Contingent Claim Analysis) 189 Phương pháp CCA thường được sử dụng để đo lường rủi ro vỡ nợ của công ty. Dựa trên thông tin trong bảng cân đối và các công cụ rủi ro, phương pháp CCA xây dựng bảng cân đối theo giá trị thị trường để đo lường xác suất vỡ nợ. Vốn cổ phần của công ty được xem là trái quyền đối với tài sản công ty. Đây là một trái quyền tùy biến vì giá trị vốn của công ty phụ thuộc vào giá trị tổng tài sản và giá trị không vỡ nợ của nợ công ty ở một thời điểm cụ thể. Vốn cổ phần của công ty được xem là một quyền chọn gọi (call option) được viết theo công thức: E = max[A − DB, 0], trong đó A là tài sản công ty và DB là default barrier (gọi là điểm vỡ nợ). Khi công ty tạo ra đủ tiền mặt để đáp ứng nghĩa vụ nợ hiện tại (A>=DB) thì giá trị vốn cổ phần công ty bằng chênh lệch giữa giá trị tài sản và giá trị nghĩa vụ nợ hiện tại (hay DB). Khi giá trị tài sản công ty không đảm bảo hết nghĩa vụ nợ hiện tại (A<= DB), giá trị vốn cổ phần công ty bằng 0. Công ty được xem là vỡ nợ khi giá trị tài sản xuống thấp hơn điểm vỡ nợ (DB). Chênh lệch giữa giá trị tài sản và điểm DB, được đo bằng biến động giá tài sản, là khoảng cách vỡ nợ DD (distance-to-distress). Diện tích của phân phối xác suất trong đó giá trị rơi xuống dưới điểm DB là xác suất vỡ nợ. Vốn cổ phần công ty theo giá thị trường được đo lường bằng công thức quyền chọn gọi của Black và Scholes (1973) và Merton (1974): E = AN(d1) − DBe −rtN(d2) Trong đó A là tài sản, DB là điểm vỡ nợ, d1 = [ln ( A DB ) + (r + 0.5xσA 2 )T] σA√T⁄ ; d2 = d1 − σA√T , r là lãi suất phi rủi ro. T là thời gian đáo hạn của DB; N(d) là hàm phân phối xác suất tích lũy đối với biến chuẩn hóa, A là độ lệch chuẩn của giá trị tài sản. Biến động giá trị vốn cổ phần được đo lường bằng mô hình định giá trái phiếu của Merton (1974): σE = AσAN(d1) E Khoảng cách vỡ nợ (DD) được xác định theo công thức: DD = ln ( A DB) + (r − 0.5 × σA 2 )T σA√T Xác suất vỡ nợ được xác định theo công thức: N(-DD). Với giả định là phân phối chuẩn, 190 Nghiên cứu của Cevik, Dibooglu và Kutan (2013) đối với nhóm các nước chuyển dịch sử dụng phương pháp phân tích CCA để đo lường rủi ro vỡ nợ khu vực nợ chính phủ. Để tính xác suất vỡ nợ, bảng cân đối tài sản của khu vực chính phủ được xác định. Trong đó, tài sản bao gồm dự trự ngoại hối, tài sản tài chính ròng (giá trị chiết khấu của thặng dư ngân sách), giá trị độc quyền của việc phát hành tiền, và những tài sản ít đảm bảo khác. Về phía tài sản nợ của chính phủ, nợ nước ngoài được xem là hạng mục nợ. Nợ trong nước và cơ sở tiền được xem là thành phần vốn, do đó được xem là trái quyền tùy chọn đối với giá trị còn lại của tài sản khu vực chính phủ. 3. Thị trường cổ phiếu Bất ổn trên thị trường cổ phiếu làm suy giảm nguồn vốn của các công ty cũng như mức sinh lợi của nhà đầu tư. Nghiêm trọng hơn, bất ổn có thể lan sang các thị trường tài chính khác và kích hoạt khủng hoảng hệ thống. Trong hầu hết các nghiên cứu đều định nghĩa về khủng hoảng thị trường cổ phiếu là giảm mạnh chỉ số giá của cả thị trường. Sự giảm xuống nhanh chóng của thị trường cho thấy tổn thất kỳ vọng cũng như rủi ro hay sự không chắc chắn về suất sinh lời của các công ty trên thị trường cao hơn (illing và Liu, 2006). Chỉ số đo lường sự đi xuống của thị trường Để đo lường sự đi xuống của thị trường, các nghiên cứu thường tập trung vào hai chỉ số, đó là suất sinh lời thị trường cổ phiếu và CMAX. Suất sinh lời được đo lường bằng tỷ lệ thay đổi của chỉ số giá thị trường cổ phiếu và nhân với (-1) để chỉ số tăng lên báo hiệu bất ổn tăng (Balakrishnan và cộng sự, 2011; Elekdag và cộng sự, 2009). Hầu hết các nghiên cứu về chỉ số căng thẳng tài chính đều đưa chỉ số biến động thị trường cổ phiếu để đo lường bất ổn tài chính trên thị trường cổ phiếu. Các nghiên cứu đưa ra nhiều thước đo khác nhau. Một trong thước đo được sử dụng nhiều nhất là chỉ số CMAX (Hollo và cộng sự, 2012; Oet và cộng sự, 2012; Huotari, 2015; Chatterjee và cộng sự, 2017; Yao và cộng sự, 2020). Khủng hoảng trên thị trường cổ phiếu được xem là tình trạng giảm mạnh và đột ngột của chỉ số giá thị trường cổ phiếu. Do vậy, CMAX là một chỉ số phản ánh khủng hoảng được xây dựng bới Patel và Sarkar (1998) đáp ứng được tính chất này. Chỉ số so sánh giá trị hiện tại của một biến với giá trị lớn nhất của biến đó trong khoảng thời gian T trước đó, thông thường là từ 1 đến 2 năm. Biến động giá thị trường cổ phiếu, chỉ số CMAX được xác định bằng công thức sau: 𝐶𝑀𝐴𝑋 = 1 − 𝑥𝑡 max[𝑥 ∈ (𝑥𝑡−𝑗|𝑗 = 0,1, 𝑇)]⁄ 191 Với T là khoảng thời gian tính toán (thường 1 – 2 năm), xt là chỉ số giá thị trường cổ phiếu ở thời kỳ thứ t (thường là theo tháng). CMAX là chỉ số mô tả phần tăng lên của sự biến động chỉ số giá thị trường cổ phiếu. Giá càng giảm thì chỉ số CMAX càng tăng gần bằng 1 (Zouaoui và cộng sự, 2011). Biến động chỉ số giá thị trường cổ phiếu Biến động trên thị trường cổ phiếu xảy ra trong điều kiện sự không chắc chắn về chính sách quản lý vĩ mô, tăng trưởng cũng như lạm phát ( Engle và cộng sự, 2013). Khi sự không chắc chắn tăng lên, sự biến động giá cổ phiếu không còn dựa vào khả năng thực của công ty phát hành, điều kiện nền tảng của kinh tế vĩ mô nữa. Điều này đẩy sự biến động giá lên cao, là một dấu hiệu cho thấy bất ổn tài chính. Các nghiên cứu thực nghiệm đo lường mức độ biến động giá trên thị trường cổ phiếu mô hình GARCH(1,1) đối với biến suất sinh lời thị trường (Balakrishnan và cộng sự, 2011; Cevik, Dibooglu và Kutan, 2013; Ishrakieh, Dagher và Hariri, 2020). Mặc dù có nhiều mô hình đo lường độ biến động của suất sinh lời của tài sản, mô hình GARCH(1,1) được các nghiên cứu thực nghiệm đánh giá là một mô hình có thể đưa ra dự báo tốt về biến động của giá tài sản (Andersen và Bollerslev, 1998). Hệ số Beta của thị trường cổ phiếu trong nước là một thước đo về biến động thị trường cổ phiếu (Cevik,Dibooglu và Kenc, 2013). Beta thị trường cổ phiếu phản ánh tương quan giữa biến động thị trường trong nước so với thị trường cổ phiếu thế giới. Biến động của thị trường trong nước nếu cao hơn so với thế giới cho thấy sự biến động mạnh và bất thường của thị trường trong nước. Đây là một dấu hiệu cho thấy bất ổn của thị trường. Hệ số được xác định từ mô hình định giá tài sản vốn CAPM: Với rW là tỷ lệ thay đổi của chỉ số chứng khoán khu vực (thế giới), rD là tỷ lệ thay đổi chỉ số thị trường cổ phiếu nội địa. Một số nghiên cứu khác đo lường bằng phương pháp thống kê đơn giản hơn như: giá trị độ lệch chuẩn của chỉ số giá thị trường cổ phiếu (Sandahl và cộng sự, 2011), bình quân (hoặc tổng) theo tháng của các log suất sinh lời thị trường theo ngày (Hollo và cộng sự, 2012; Huotari, 2015). 𝛽 = 𝑐𝑜𝑣(𝑟𝑡 𝑊𝑟𝑡 𝐷) 𝑣𝑎𝑟(𝑟𝑡 𝑊) 192 Hakkio và Keeton (2009) sử dụng chỉ số VIX để phản ánh mức biến động kỳ vọng của chỉ số giá chứng khoán thị trường Mỹ P&S 500. Chỉ số VIX, viết tắt của CBOE Volatility Index, được giới thiệu trên sàn giao dịch quyền chọn Chicago, được xác định từ giá quyền chọn đối với chỉ số S&P 500. Đây được xem là chỉ số phản ánh kỳ vọng của thị trường về sự biến động của chỉ số P&S 500 trong vòng một tháng tới. Do vậy, theo đặc điểm của bất ổn tài chính, chỉ số VIX tăng lên cho thấy sự không chắc chắn về các giá trị nền tảng và về hành vi của các nhà đầu tư khác. Tương quan về suất sinh lời giữa cổ phiếu và trái phiếu Các nghiên cứu đo lường tương quan suất sinh lời cổ phiếu và trái phiếu bằng phương pháp khác nhau. Hakkio và Keeton (2009) đo lường chỉ số tương quan bằng suất sinh lời theo ngày của trái phiếu kho bạc Mỹ kỳ hạn 2 năm và chỉ số P&S 500 theo phương pháp trung bình trượt trong khoảng thời gian 3 tháng. 4. Khu vực ngân hàng Hệ số Beta khu vực ngân hàng Hệ số Beta khu vực ngân hàng được tính bằng tỷ lệ giữa hiệp phương sai suất sinh lời cổ phiếu ngân hàng và thị trường với phương sai của suất sinh lời toàn thị trường, phản ánh tương quan biến động suất sinh lời cổ phiếu khu vực ngân hàng so với biến động suất sinh lời của toàn thị trường. Khi thị trường biến động, các cổ phiếu trên thị trường bị tác động với mức độ khác nhau. Mức động biến động cổ phiếu ngân hàng trước biến động của toàn thị trường cho biết mức đóng góp rủi ro của khu vực vào rủi ro hay bất ổn của toàn hệ thống tài chính (De Jonghe, 2010). Khi biến động lợi suất ngân hàng cao hơn thị trường, hệ số Beta ngân hàng lớn hơn 1 cho thấy mức độ biến động khu vực ngân hàng cao, phản ánh đặc điểm của bất ổn tài chính đó là sự không chắc chắn về các giá trị nền tảng. Để sử dụng hệ số Beta đo lường bất ổn khu vực ngân hàng, Hollo và cộng sự (2006) gán thêm hai điều kiện đối với hệ số: i/ Beta lớn . Một là hệ số Beta phải lớn hơn 1 và ii/ suất sinh lời khu vực ngân hàng thấp hơn của toàn thị trường. Bởi vì Beta ngân hàng cũng tăng cao khi tin tức tốt về ngân hàng xảy ra đồng thời với toàn bộ thị trường đang trong thời kỳ giá lên, còn được gọi là Bull-market. Hai điều kiện gán cho hệ số Beta ngân hàng cho thấy được kỳ vọng tương lai về suất sinh lời ngân hàng sẽ tiếp tục thấp hơn của cả thị trường. Đây là dấu hiệu cho thấy căng thẳng đang leo thang khu vực ngân hàng. Elekdag và cộng sự (2009) chỉ ghi nhận giá trị của hệ số Beta ngân hàng khi suất sinh lời của khu vực âm, những 193 trường hợp còn lại được gán cho giá trị 0. Bởi vì những giai đoạn căng thằng tài chính cho thấy chỉ số giá cổ phiếu sẽ rớt mạnh so với giá toàn thị trường. Các chỉ số biến động của khu vực ngân hàng khác Một số phương pháp khác được sử dụng để đo lường biến động khu vực ngân hàng. Cụ thể như mô hình GARCH dùng để đo biến động của suất sinh lời đặc thù của khu vực ngân hàng (Chadwick và Ozturk, 2019; Louzis và Vouldis, 2013). Giá trị phương sai của phần dư trong mô hình GARCH(1,1) với biến suất sinh lời cổ phiếu khu vực ngân hàng được xác định là rủi ro đặc thù này. Do tính chất phương sai thay đổi trong mô hình, mức độ biến động của phương sai càng lớn cho thấy mức độ căng thẳng tài chính xảy ra chỉ riêng khu vực ngân hàng tăng lên. Hollo và cộng sự (2012) đo lường biến động của suất sinh lời đặc thù khu vực ngân hàng bằng mô hình hồi qui OLS. Trong đó các suất sinh lời đặc thù được rút ra từ các phần dư của hồi qui OLS suất sinh cổ phiếu ngân hàng đối với suất sinh lời toàn bộ thị trường bằng phương pháp rolling-window trong thời đoạn 2 năm. Độ biến động sau đó được tính bằng trị bình quân của giá trị tuyệt đối các suất sinh lời đặc thù theo ngày, hoặc độ lệch chuẩn hay độ phân tán bằng giá trị interquartile range (Hakkio và Keeton, 2009). Tương tự như thị trường cổ phiếu, các nghiên cứu cũng sử dụng chỉ số CMAX hay suất sinh lời cổ phiếu để đo lường bất ổn khu vực ngân hàng (Huotari, 2015; Chatterjee và cộng sự, 2017; Aboura và Roye, 2017). Một số khác sử dụng chỉ số CDS các ngân hàng lớn hay thước đo về xác suất vỡ nợ khu vực ngân hàng (Cevik, Dibooglu và Kenc, 2013). Các chỉ số dựa trên dữ liệu kế toán Louzis và Vouldis (2013) sử dụng các chỉ số Deposit Gap, Loan Gap, và lợi nhuận biên để mô tả căng thẳng của hệ thống ngân hàng Hy Lạp. Deposit Gap và Loan Gap được đo bằng thành phần có tính chu kỳ của tổng tiền gửi ngân hàng được ước tính bằng phương pháp Hodrick-Prescott filter của Hodrick và Prescott (1997). Thành phần Gap mô tả sự mất cân bằng trong tăng trưởng tiền gửi. Giá trị của Gap âm cho biết mức tăng trưởng đang nằm dưới mức xu hướng bình thường. Deposit Gap âm cho thấy ngân hàng đang chịu áp lực về thanh khoản và việc thanh lý tài sản với giá thấp có thể làm xói mòn bảng tổng kết tài sản của ngân hàng (Reinhart and Rogoff 2009). Còn Loan Gap âm cho thấy dấu hiệu ngân hàng muốn thu hẹp tín dụng do vấn đề thanh khoản, hoặc nhu cầu tín dụng của nền kinh tế giảm xuống. 194 Dựa vào dữ liệu kế toán, Cevik, Dibooglu và Kutan(2013) xây dựng chỉ số BSF (Banking Sector Fragility) của Kibritcioglu (2003) đo lường bất ổn khu vực ngân hàng của các nước đang chuyển dịch. Chỉ số được tính toán từ dữ liệu của hạng mục tài sản và nợ của bảng tổng kết tài sản ngân hàng gồm tổng tiền gửi (DEP), tín dụng nội địa đối với khu vực tư nhân (CPS), và tổng nợ nước ngoài ngắn hạn (FL). Chênh lệch giữa tài sản và nợ là giá trị tài sản ròng, là vốn còn lại của ngân hàng sau khi thực hiện các nghĩa vụ nợ. Khi giá trị tài sản ròng chuyển sang âm, ngân hàng bị vỡ nợ. Do vậy, sự biến động trong giá trị tài sản và nợ của ngân hàng có nguy cơ rủi ro cao. Các rủi ro ngân hàng có nguy cơ bao gồm rủi ro tín dụng, rủi ro thanh khoản và rủi ro tỷ giá hối đoái. Do vậy, biến động chỉ số phản ánh thay đổi rủi ro khu vực ngân hàng. Chênh lệch lợi suất khu vực ngân hàng Một số nghiên cứu còn sử dụng chỉ số đo lường chênh lệch lợi suất giữa cổ phiếu khu vực ngân hàng với trái phiếu chính phủ cùng kỳ hạn, thông thường 10 năm để phản ánh rủi ro về lợi nhuận của ngân hàng trong trung và dài hạn, như nghiên cứu của Oet và cộng sự (2012); Yao và cộng sự (2020). 5. Thị trường ngoại hối Các nghiên cứu chỉ số căng thẳng tài chính (FSI) đo lường tổn thất của nhà đầu tư trên thị trường ngoại hối khi giá trị đồng nội tệ sụt giảm bằng chỉ số CMAX (Illing và Liu, 2006; Huotari, 2015; Chatterjee và cộng sự, 2017). Chỉ số CMAX được tính toán từ giá trị biến động của tỷ giá hối đoái trong đoạn thời gian một năm. Biến động tỷ giá thị trường ngoại hối được đo lường chủ yếu bằng mô hình GARCH(1,1) (Illing và Liu, 2006; Yao và cộng sự, 2020; Chadwick và Ozturk, 2019). Nghiên cứu của Sandahl và cộng sự (2011) sử dụng giá của tài sản phái sinh, cụ thể là tỷ giá hối đoái tương lai. Hollo và cộng sự (2012) sử dụng phương pháp đơn giản hơn bằng bình quân các giá trị log của thay đổi tỷ giá. Đối với các nước duy trì cơ chế tỷ giá có kiểm soát, bất ổn trên thị trường ngoại hối được phản ánh bằng chỉ số EMPI. EMPI (Exchange Market Pressure Index) được Girton và Roper (1977) đề xuất, được tính toán bằng giá trị thay đổi bình quân của tỷ giá hối đoái và dự trữ ngoại hối. Cevik, E. I., Dibooglu, S., & Kutan, A. M. (2013) dựa vào phương pháp của Girton và Roper (1977) bổ sung thêm biến chênh lệch lãi suất qua đêm của nước sở tại với Mỹ. 6. Thị trường bất động sản và thị trường thế chấp 195 Do vậy, một số nghiên cứu ở thị trường tài chính Mỹ và Châu Âu đưa thị trường bất động sản vào khi đánh giá bất ổn tài chính. Oet và cộng sự (2012) đánh giá căng thẳng thị trường bất động sản của Mỹ ở hai mảng thị trường là thị trường bất động sản thương mại và bất động sản nhà ở, tương ứng với hai chỉ số chênh lệch về giá. Chênh lệch chỉ số giá bất động sản thương mại bằng chỉ số giá bất động sản thương mại Mỹ, NCREIF, trừ cho giá trái phiếu chính phủ Mỹ kỳ hạn 20 năm. Tương tự, chênh lệch giá bất động sản nhà ở dựa trên chỉ số S&P/Case-Shiller National Home Price Index của Mỹ. Nguyên cứu của Chatterjee và cộng sự (2017) đối với nước Anh cũng đưa thị trường bất động sản vào chỉ số căng thẳng tài chính vì Anh có liên kết mạnh với thị trường thế chấp của Mỹ trong giai đoạn khủng hoảng 2007-2008 (Taylor, J. B. (2009). Theo đó, bất ổn thị trường bất động sản ở Anh được đo lường bằng chỉ số CMAX của chỉ số giá nhà, được phản ánh theo giá trị thực trong thời gian trượt hai năm, để phản ánh mức tổn thất cao nhất của nhà đầu tư nắm giữ bất động sản. Bên cạnh đó, nghiên cứu còn sử dụng chỉ số HPO, một chỉ số tình trạng bong bóng trên thị trường bất động sản. Chỉ số HPO đo lường mức độ định giá quá mức của thị trường bằng phương pháp hồi qui thu nhập bình quân đầu người và lãi suất dài hạn 10 năm theo chỉ số giá bất động sản. Phần dư được sử dụng để phản ánh mức độ định giá quá mức. Cùng với thị trường bất động sản, bất ổn trên thị trường thế chấp cũng được xem là dấu hiệu dẫn đến khủng hoảng tài chính ở Mỹ. Theo Saunders, Cornett & Erhemjamts (2012), thị trường thế chấp ở Mỹ ban đầu là thị trường cung cấp các khoản vay của các ngân hàng đối với bất động sản và thế chấp từ chính bất động sản đó. Sau đó, các khoản vay thế chấp này được các ngân hàng chứng khoán hóa và bán như các tài sản nợ và dần dần các ngân hàng ít còn liên quan đến khoản vay gốc. Điều này là xói mòn chất lượng tín dụng. Khi giá nhà giảm và lãi suất tăng lên, làn sóng vỡ nợ trên thị trường cho vay thế chấp dưới chuẩn tăng lên. Điều này càng làm mạnh thêm tình trạng rớt giá bất động sản và khủng hoảng bắt đầu. Do vậy, trong các nghiên cứu về bất ổn tài chính của Mỹ, như Hakkio và Keeton (2009) và Oet và cộng sự (2012), các chỉ số chênh lệch để đo lường rủi ro trên thị trường thế chấp Mỹ. Các chỉ số chênh lệch đo lường khoảng cách giữa lợi suất trái phiếu từ các khoản vay thế chấp tài sản và tín phiếu kho bạc Mỹ kỳ hạn 5 năm. 196 Phụ Lục 1.2 Kết quả các chỉ số bất ổn tài chính đơn lẻ của năm nước đang phát triển khu vực ASEAN 1. TRƯỜNG HỢP INDONESIA 197 2. TRƯỜNG HỢP MALAYSIA 198 3. TRƯỜNG HỢP PHILIPPINES 199 4. TRƯỜNG HỢP THÁI LAN 200 5. TRƯỜNG HỢP VIỆT NAM 201 PHỤ LỤC 2 ĐO LƯỜNG GIAI ĐOẠN BẤT ỔN TÀI CHÍNH Phụ Lục 2.1 Kết quả hồi qui mô hình Markov-switching 1. Trường hợp Indonesia 2. Trường hợp Malaysia 3. Trường hợp Philippines 202 4. Trường hợp Thái Lan p21 .1074929 .0480599 .0431714 .2432814 p11 .9608963 .017451 .9081599 .9838877 sigma .3241565 .0177971 .2910861 .360984 _cons .7257708 .060428 12.01 0.000 .6073341 .8442076 State2 _cons -.2569405 .0302213 -8.50 0.000 -.3161732 -.1977078 State1 fsi1 Coef. Std. Err. z P>|z| [95% Conf. Interval] Log likelihood = -83.470013 SBIC = 1.0380 Unconditional probabilities: transition HQIC = 0.9864 Number of states = 2 AIC = 0.9513 Sample: 2005m1 - 2020m6 No. of obs = 186 Markov-switching dynamic regression p32 .1346327 . . . p31 8.65e-06 . . . p22 .8427004 .0493515 .7208645 .9174478 p21 .0846098 .037639 .03443 .1932839 p12 .0792485 .0308304 .0362385 .1645877 p11 .9207515 .0308303 .8354124 .9637614 sigma .2417577 .014586 .2147953 .2721046 _cons .851205 .0712779 11.94 0.000 .7115028 .9909072 State3 _cons .0799135 .0661761 1.21 0.227 -.0497893 .2096163 State2 _cons -.4519068 .0323193 -13.98 0.000 -.5152514 -.3885622 State1 fsi1 Coef. Std. Err. z P>|z| [95% Conf. Interval] ( 1) [p31]_cons = 11.51292 Log likelihood = -52.459504 SBIC = 0.8169 Unconditional probabilities: transition HQIC = 0.7241 Number of states = 3 AIC = 0.6609 Sample: 2005m1 - 2020m6 No. of obs = 186 Markov-switching dynamic regression 203 5. Trường hợp Việt Nam p21 .0953648 .0499041 .0328123 .2467433 p11 .974252 .0128175 .9328834 .990385 sigma .3298222 .0174326 .2973651 .3658219 _cons .9632496 .0644963 14.93 0.000 .8368392 1.08966 State2 _cons -.2256253 .0279858 -8.06 0.000 -.2804765 -.170774 State1 fsi1 Coef. Std. Err. z P>|z| [95% Conf. Interval] Log likelihood = -82.402298 SBIC = 1.0265 Unconditional probabilities: transition HQIC = 0.9749 Number of states = 2 AIC = 0.9398 Sample: 2005m1 - 2020m6 No. of obs = 186 Markov-switching dynamic regression . p21 .0450701 .0341486 .0098681 .1826781 p11 .9508507 .0275543 .8589859 .9839852 sigma .4113445 .0257144 .3639104 .4649613 _cons .3318513 .1402562 2.37 0.018 .0569543 .6067484 State2 _cons -.3802072 .1342196 -2.83 0.005 -.6432728 -.1171415 State1 fsi1 Coef. Std. Err. z P>|z| [95% Conf. Interval] Log likelihood = -99.879853 SBIC = 1.3986 Unconditional probabilities: transition HQIC = 1.3417 Number of states = 2 AIC = 1.3029 Sample: 2007m1 - 2020m5 No. of obs = 161 Markov-switching dynamic regression 204 Phụ Lục 2.2 Kết quả hồi qui mô hình Markov-switching tự hồi qui 1. Indonesia p21 .8227961 .1154593 .4958344 .9563732 p11 .9472543 .017304 .9010805 .972532 sigma .2261681 .0120907 .20367 .2511515 _cons .9764108 .0726399 13.44 0.000 .8340391 1.118782 State2 _cons -.05797 .0173347 -3.34 0.001 -.0919454 -.0239946 State1 L1. .7944464 .0273846 29.01 0.000 .7407737 .8481191 fsi1 fsi1 fsi1 Coef. Std. Err. z P>|z| [95% Conf. Interval] Log likelihood = -27.206336 SBIC = 0.4634 Unconditional probabilities: transition HQIC = 0.4013 Number of states = 2 AIC = 0.3590 Sample: 2005m2 - 2020m6 No. of obs = 185 Markov-switching dynamic regression p22 .1772039 .1154593 .0436268 .5041656 p21 .8227961 .1154593 .4958344 .9563732 p12 .0527457 .017304 .027468 .0989195 p11 .9472543 .017304 .9010805 .972532 Transition Probabilities Estimate Std. Err. [95% Conf. Interval] Number of obs = 185 . estat transition State2 1.215368 .1705471 1.045617 2.016803 State1 18.95888 6.219722 10.10923 36.40601 Expected Duration Estimate Std. Err. [95% Conf. Interval] Number of obs = 185 . estat duration 205 2. Malaysia p21 .8317624 .1020637 .5420573 .9538105 p11 .9057767 .0246032 .8452878 .9441776 sigma .1909589 .0112433 .1701463 .2143173 _cons .6539336 .0548858 11.91 0.000 .5463595 .7615078 State2 _cons -.0712541 .0159398 -4.47 0.000 -.1024955 -.0400127 State1 L1. .8617466 .0289901 29.73 0.000 .804927 .9185661 fsi1 fsi1 fsi1 Coef. Std. Err. z P>|z| [95% Conf. Interval] Log likelihood = -9.19402 SBIC = 0.2662 Unconditional probabilities: transition HQIC = 0.2045 Number of states = 2 AIC = 0.1625 Sample: 2005m2 - 2020m8 No. of obs = 187 Markov-switching dynamic regression p22 .1682376 .1020637 .0461895 .4579427 p21 .8317624 .1020637 .5420573 .9538105 p12 .0942233 .0246032 .0558224 .1547122 p11 .9057767 .0246032 .8452878 .9441776 Transition Probabilities Estimate Std. Err. [95% Conf. Interval] Number of obs = 187 . estat transition State2 1.202266 .1475273 1.048426 1.844823 State1 10.61308 2.771242 6.463613 17.91397 Expected Duration Estimate Std. Err. [95% Conf. Interval] Number of obs = 187 . estat duration 206 3. Philippines p21 .8690309 .1259725 .4312179 .9830721 p11 .9586378 .0177306 .9060835 .9823561 sigma .1875428 .010616 .1678486 .2095479 _cons .8050241 .0967577 8.32 0.000 .6153825 .9946657 L1. .7215788 .1370894 5.26 0.000 .4528886 .9902691 fsi1 State2 _cons -.0406856 .0150281 -2.71 0.007 -.0701402 -.011231 L1. .8832531 .0284057 31.09 0.000 .8275789 .9389272 fsi1 State1 fsi1 Coef. Std. Err. z P>|z| [95% Conf. Interval] Log likelihood = 17.218906 SBIC = 0.0114 Unconditional probabilities: transition HQIC = -0.0611 Number of states = 2 AIC = -0.1105 Sample: 2005m2 - 2020m6 No. of obs = 185 Markov-switching dynamic regression p22 .1309691 .1259725 .0169279 .5687821 p21 .8690309 .1259725 .4312179 .9830721 p12 .0413622 .0177306 .0176439 .0939165 p11 .9586378 .0177306 .9060835 .9823561 Transition Probabilities Estimate Std. Err. [95% Conf. Interval] Number of obs = 185 . estat transition State2 1.150707 .1668036 1.017219 2.319013 State1 24.17666 10.36371 10.64776 56.67693 Expected Duration Estimate Std. Err. [95% Conf. Interval] Number of obs = 185 . estat duration 207 4. Thái Lan p21 1 .0000243 0 . p11 .9548537 .0156672 .9120814 .9773344 sigma .1969253 .0103582 .1776351 .2183104 _cons .8797432 .0705183 12.48 0.000 .7415298 1.017957 State2 _cons -.0318005 .0148239 -2.15 0.032 -.0608549 -.0027462 State1 L1. .9027977 .025648 35.20 0.000 .8525285 .9530669 fsi1 fsi1 fsi1 Coef. Std. Err. z P>|z| [95% Conf. Interval] Log likelihood = 5.8672001 SBIC = 0.1059 Unconditional probabilities: transition HQIC = 0.0438 Number of states = 2 AIC = 0.0014 Sample: 2005m2 - 2020m6 No. of obs = 185 Markov-switching dynamic regression p22 4.57e-09 .0000243 1 . p21 1 .0000243 0 . p12 .0451463 .0156672 .0226656 .0879186 p11 .9548537 .0156672 .9120814 .9773344 Transition Probabilities Estimate Std. Err. [95% Conf. Interval] Number of obs = 185 . estat transition State2 1 .0000243 . . State1 22.15019 7.686837 11.37416 44.11967 Expected Duration Estimate Std. Err. [95% Conf. Interval] Number of obs = 185 . estat duration 208 5. Việt Nam p32 .12057 . . . p31 8.79e-06 . . . p22 .9625394 .0272629 .8537544 .9912353 p21 .0298057 .0257779 .0053251 .1498707 p12 .1713501 .1143795 .0408971 .5006902 p11 .8286499 .1143795 .4993098 .9591029 sigma .1094091 .0088648 .0933438 .1282393 _cons .7000186 .0844927 8.28 0.000 .534416 .8656212 L2. -.2494837 .1125795 -2.22 0.027 -.4701355 -.0288319 L1. .6427197 .1394872 4.61 0.000 .3693297 .9161096 fsi1 State3 _cons .0165475 .0156107 1.06 0.289 -.0140488 .0471438 L2. -.1069681 .1173637 -0.91 0.362 -.3369968 .1230606 L1. .9793229 .1187409 8.25 0.000 .7465949 1.212051 fsi1 State2 _cons -.2130107 .0474025 -4.49 0.000 -.3059178 -.1201035 L2. .2279193 .1283665 1.78 0.076 -.0236743 .4795129 L1. .6894746 .1446805 4.77 0.000 .4059061 .9730432 fsi1 State1 fsi1 Coef. Std. Err. z P>|z| [95% Conf. Interval] ( 1) [p31]_cons = 11.51292 Log likelihood = 102.4363 SBIC = -0.8103 Unconditional probabilities: transition HQIC = -0.9823 Number of states = 3 AIC = -1.0998 Sample: 2007m3 - 2020m5 No. of obs = 159 Markov-switching dynamic regression p33 .8794212 . . . p32 .12057 . . . p31 8.79e-06 . . . p23 .0076548 .007705 .0010554 .053317 p22 .9625394 .0272629 .8537544 .9912353 p21 .0298057 .0257779 .0053251 .1498707 p13 6.17e-09 .000013 . 1 p12 .1713501 .1143795 .0408971 .5006902 p11 .8286499 .1143795 .4993098 .9591029 Transition Probabilities Estimate Std. Err. [95% Conf. Interval] Number of obs = 159 . estat transition State3 8.29333 . . . State2 26.69474 19.42781 -11.38306 64.77253 State1 5.836004 3.895644 -1.799318 13.47133 Expected Duration Estimate Std. Err. [95% Conf. Interval] Number of obs = 159 . estat duration 209 Phụ Lục 2.3. Kiểm định Wald về sự khác biệt các trạng thái của mô hình MS Giả thuyết H0: Indonesia Malaysia Philippines Thái Lan Việt Nam Trạng thái 1 = trạng thái 2 Trị thống kê Chi bình phương Hệ số chặn 194.51*** 180.9*** 80.54*** 160.29*** 24.54*** Hệ số tự hồi qui bậc 1 1.45 2.19 Hệ số tự hồi qui bậc 2 3.35* Tất cả hệ số 83.58*** 45.18*** Trạng thái 1 = Trạng thái 3 Hệ số chặn 88.93*** Hệ số tự hồi qui bậc 1 0.05 Hệ số tự hồi qui bậc 2 7.9*** Tất cả hệ số 99.09*** Trạng thái 2 = Trạng thái 3 Hệ số chặn 62.95*** Hệ số tự hồi qui bậc 1 3.32* Hệ số tự hồi qui bậc 2 0.74 Tất cả hệ số 76.36*** 210 PHỤ LỤC 3 MÔ HÌNH VAR NGƯỠNG Phụ Lục 3.1 Kiểm định nhân quả Granger giữa biến FSI và kinh tế thực (Kết quả từ phần mềm R) 1. Indonesia 2. Malaysia 3. Philippines 4. Thái Lan 211 5. Việt Nam Phụ Lục 3.2 . Kiểm định tính phi tuyến mô hình VAR (Kết quả từ phần mềm R) 1. Indonesia 2. Malaysia 3. Philippines 212 4. Thái Lan • Trường hợp p=1 và d=1 • Trường hợp p=2, d=1 • Trường hợp p=2 và d=2 5. Việt Nam 213 • Trường hợp p=2 và d=1 • Trường hợp p=2 và d=2 Phụ Lục 3.3 . Kết quả hồi quy mô hình TVAR 1. Indonesia 214 2. Malaysia 3. Philippines 4. Thái Lan 215 5. Việt Nam 216 Phụ Lục 3.4 Kiểm định phần dư của mô hình TVAR 1. Indonesia 2. Malaysia 3. Philippines 4. Thái Lan 217 5. Việt Nam