Xăng dầu là yếu tố đầu vào hầu hết các ngành kinh tế, nên giá xăng dầu tăng giảm trong
điều kiện các yếu tố khác không thay đổi, sẽ dẫn đến giá đầu ra của sản phẩm sẽ thay đổi
tùy vào từng điều kiện, dẫn đến chỉ số giá CPI sẽ thay đổi theo. Ước xăng dầu tiêu thụ nội
địa cả năm 2015 đạt khoảng 16,4 triệu tấn m3/tấn (tăng khoảng 6% so với năm 2014). Sản
xuất, pha chế trong nước: 8,223 triệu m3/tấn (7,34 triệu m3/tấn sản xuất từ nhà máy lọc
dầu Dung Quất và 883 ngàn m3/tấn pha chế từ các doanh nghiệp đầu mối). Nhập khẩu ước
đạt khoảng: 8,177 triệu m3 tấn chiếm khoảng 55% nhu cầu trong nước về xăng dầu. Trong
tổng sản lượng tiêu dùng xăng dầu cả nước, đối tượng tiêu dùng trực tiếp là một kênh tiêu
thụ quan trọng và chiếm tỷ trọng lớn nhất. Xét trên khía cạnh xăng dầu là chi phí đầu vào
chiếm tỷ trọng lớn trong tổng chi phí sản xuất kinh doanh, đối tượng chịu ảnh hưởng của
biến động giá xăng dầu là ngành kinh doanh vận tải, các nhà máy nhiệt điện và đánh bắt
thủy hải sản
268 trang |
Chia sẻ: tueminh09 | Ngày: 08/02/2022 | Lượt xem: 420 | Lượt tải: 0
Bạn đang xem trước 20 trang tài liệu Luận án Rủi ro biến động giá và hiệu ứng lây lan trên thị trường xăng dầu Việt Nam, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
2) ma(2) nolog
confidence interval is truncated at zero.
Note: The test of the variance against zero is one sided, and the two-sided
/sigma .0217756 .0001606 135.62 0.000 .0214609 .0220903
L3. -.0089217 .0119229 -0.75 0.454 -.0322902 .0144468
ma
L2. .0342239 .0113826 3.01 0.003 .0119144 .0565335
ar
ARMA
_cons .0002599 .0003555 0.73 0.465 -.0004369 .0009566
y1
y1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
OPG
Log likelihood = 9783.812 Prob > chi2 = 0.0092
Wald chi2(2) = 9.37
Sample: 263 - 4325 Number of obs = 4063
ARIMA regression
. arima y1,ar(2) ma(3) nolog
. estimates sto arima2
8
confidence interval is truncated at zero.
Note: The test of the variance against zero is one sided, and the two-sided
/sigma .0217759 .0001605 135.64 0.000 .0214612 .0220906
L2. .0333486 .0113742 2.93 0.003 .0110556 .0556417
ma
L3. -.0084617 .0119158 -0.71 0.478 -.0318161 .0148928
ar
ARMA
_cons .0002599 .000355 0.73 0.464 -.0004358 .0009556
y1
y1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
OPG
Log likelihood = 9783.748 Prob > chi2 = 0.0117
Wald chi2(2) = 8.90
Sample: 263 - 4325 Number of obs = 4063
ARIMA regression
. arima y1,ar(3) ma(2) nolog
. estimates sto arima3
confidence interval is truncated at zero.
Note: The test of the variance against zero is one sided, and the two-sided
/sigma .0217881 .0001605 135.77 0.000 .0214736 .0221026
L3. -.1964512 1.270702 -0.15 0.877 -2.686982 2.29408
ma
L3. .1878791 1.272569 0.15 0.883 -2.306311 2.682069
ar
ARMA
_cons .0002594 .0003437 0.75 0.450 -.0004142 .0009331
y1
y1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
OPG
Log likelihood = 9781.501 Prob > chi2 = 0.7426
Wald chi2(2) = 0.60
Sample: 263 - 4325 Number of obs = 4063
ARIMA regression
. arima y1,ar(3) ma(3) nolog
. estimates sto arima4
9
confidence interval is truncated at zero.
Note: The test of the variance against zero is one sided, and the two-sided
/sigma .021752 .000159 136.79 0.000 .0214403 .0220637
L2. .0311029 .0113286 2.75 0.006 .0088992 .0533066
ma
L1. .0475387 .0112574 4.22 0.000 .0254747 .0696027
ar
ARMA
_cons .0002599 .0003758 0.69 0.489 -.0004766 .0009964
y1
y1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
OPG
Log likelihood = 9788.191 Prob > chi2 = 0.0000
Wald chi2(2) = 24.80
Sample: 263 - 4325 Number of obs = 4063
ARIMA regression
. arima y1,ar(1) ma(2) nolog
. estimates sto arima5
confidence interval is truncated at zero.
Note: The test of the variance against zero is one sided, and the two-sided
/sigma .0217519 .000159 136.80 0.000 .0214403 .0220636
L1. .0475289 .0112615 4.22 0.000 .0254568 .069601
ma
L2. .0341755 .011415 2.99 0.003 .0118025 .0565486
ar
ARMA
_cons .0002603 .0003765 0.69 0.489 -.0004776 .0009983
y1
y1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
OPG
Log likelihood = 9788.242 Prob > chi2 = 0.0000
Wald chi2(2) = 24.03
Sample: 263 - 4325 Number of obs = 4063
ARIMA regression
. arima y1,ar(2) ma(1) nolog
. estimates sto arima6
10
Note: N=Obs used in calculating BIC; see [R] BIC note.
arima7 4,063 . 9788.242 4 -19568.48 -19543.25
arima6 4,063 . 9788.191 4 -19568.38 -19543.14
arima5 4,063 . 9781.501 4 -19555 -19529.76
arima4 4,063 . 9783.748 4 -19559.5 -19534.26
arima3 4,063 . 9783.812 4 -19559.62 -19534.39
arima2 4,063 . 9787.604 4 -19567.21 -19541.97
arima1 4,063 . 9783.763 4 -19559.53 -19534.29
Model Obs ll(null) ll(model) df AIC BIC
Akaike's information criterion and Bayesian information criterion
. estimates stats arima1 arima2 arima3 arima4 arima5 arima6 arima7
. estimates sto arima7
Note: N=Obs used in calculating BIC; see [R] BIC note.
arima4 4,324 . 10133.33 4 -20258.66 -20233.18
arima3 4,324 . 10136.27 4 -20264.53 -20239.05
arima2 4,324 . 10121.77 4 -20235.54 -20210.05
arima1 4,324 . 10132.98 4 -20257.97 -20232.48
Model Obs ll(null) ll(model) df AIC BIC
Akaike's information criterion and Bayesian information criterion
. estimates stats arima1 arima2 arima3 arima4
end of do-file
.
. estimates sto arima4
Note: N=Obs used in calculating BIC; see [R] BIC note.
arima7 2,759 . 7358.476 4 -14708.95 -14685.26
arima6 2,759 . 7358.527 4 -14709.05 -14685.36
arima5 2,759 . 7359.825 4 -14711.65 -14687.96
arima4 2,759 . 7358.476 4 -14708.95 -14685.26
arima3 2,759 . 7359.559 4 -14711.12 -14687.43
arima2 2,759 . 7358.51 4 -14709.02 -14685.33
arima1 2,759 . 7359.715 4 -14711.43 -14687.74
Model Obs ll(null) ll(model) df AIC BIC
Akaike's information criterion and Bayesian information criterion
. estimates stats arima1 arima2 arima3 arima4 arima5 arima6 arima7
Note: N=Obs used in calculating BIC; see [R] BIC note.
arima7 4,324 . 11028.89 4 -22049.79 -22024.3
arima6 4,324 . 11036.99 4 -22065.98 -22040.49
arima5 4,324 . 11032.52 4 -22057.04 -22031.56
arima4 4,324 . 11028.83 4 -22049.67 -22024.18
arima3 4,324 . 11036.31 4 -22064.62 -22039.14
arima2 4,324 . 11032.45 4 -22056.9 -22031.41
arima1 4,324 . 11029.03 4 -22050.05 -22024.56
Model Obs ll(null) ll(model) df AIC BIC
Akaike's information criterion and Bayesian information criterion
. estimates stats arima1 arima2 arima3 arima4 arima5 arima6 arima7
11
Kiểm định hiệu ứng Arch
Kiểm định lựa chọn các mô hình các mô hình họ GARCH
H0: no ARCH effects vs. H1: ARCH(p) disturbance
5 401.656 5 0.0000
4 367.266 4 0.0000
3 314.690 3 0.0000
2 275.537 2 0.0000
1 169.770 1 0.0000
lags(p) chi2 df Prob > chi2
LM test for autoregressive conditional heteroskedasticity (ARCH)
. estat archlm,lags(1/5)
H0: no ARCH effects vs. H1: ARCH(p) disturbance
5 237.193 5 0.0000
4 232.730 4 0.0000
3 196.198 3 0.0000
2 81.975 2 0.0000
1 52.533 1 0.0000
lags(p) chi2 df Prob > chi2
LM test for autoregressive conditional heteroskedasticity (ARCH)
. estat archlm,lags(1/5)
H0: no ARCH effects vs. H1: ARCH(p) disturbance
5 491.398 5 0.0000
4 397.323 4 0.0000
3 320.203 3 0.0000
2 243.407 2 0.0000
1 138.886 1 0.0000
lags(p) chi2 df Prob > chi2
LM test for autoregressive conditional heteroskedasticity (ARCH)
. estat archlm, lags(1/5)
12
_cons 2.21e-06 5.73e-07 3.86 0.000 1.09e-06 3.33e-06
L1. .9374227 .0047698 196.53 0.000 .9280742 .9467713
garch
L1. .0593113 .0047601 12.46 0.000 .0499817 .0686408
arch
ARCH
L1. .0353249 .015765 2.24 0.025 .0044262 .0662237
ma
L2. .031585 .0163263 1.93 0.053 -.0004138 .0635839
ar
ARMA
_cons .0004202 .0002883 1.46 0.145 -.0001449 .0009854
y1
y1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
OPG
Log likelihood = 10251.66 Prob > chi2 = 0.0142
Distribution: Gaussian Wald chi2(2) = 8.51
Sample: 263 - 4325 Number of obs = 4,063
ARCH family regression -- ARMA disturbances
. arch y1, ar(2) ma(1) arch(1) garch(1) nolog
_cons 1.92e-06 4.85e-07 3.97 0.000 9.73e-07 2.87e-06
L1. .945964 .0041698 226.86 0.000 .9377914 .9541367
garch
L2. .0512476 .0042211 12.14 0.000 .0429744 .0595207
arch
ARCH
L1. .0321491 .0135681 2.37 0.018 .0055561 .058742
ma
L2. .0285386 .0160635 1.78 0.076 -.0029453 .0600225
ar
ARMA
_cons .0002903 .0002871 1.01 0.312 -.0002724 .0008529
y1
y1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
OPG
Log likelihood = 10232.05 Prob > chi2 = 0.0116
Distribution: Gaussian Wald chi2(2) = 8.92
Sample: 263 - 4325 Number of obs = 4,063
ARCH family regression -- ARMA disturbances
. arch y1, ar(2) ma(1) arch(2) garch(1) nolog
13
_cons 2.83e-06 7.15e-07 3.96 0.000 1.43e-06 4.23e-06
L2. .9255601 .0055232 167.58 0.000 .9147349 .9363852
garch
L1. .070507 .0056966 12.38 0.000 .0593419 .0816721
arch
ARCH
L1. .0451135 .0149549 3.02 0.003 .0158024 .0744246
ma
L2. .0427843 .0138918 3.08 0.002 .0155569 .0700117
ar
ARMA
_cons .0005102 .000292 1.75 0.081 -.000062 .0010825
y1
y1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
OPG
Log likelihood = 10215.26 Prob > chi2 = 0.0003
Distribution: Gaussian Wald chi2(2) = 16.58
Sample: 263 - 4325 Number of obs = 4,063
ARCH family regression -- ARMA disturbances
. arch y1, ar(2) ma(1) arch(1) garch(2) nolog
_cons 4.36e-06 8.60e-07 5.07 0.000 2.68e-06 6.05e-06
L2. .9145731 .0068214 134.07 0.000 .9012033 .9279428
garch
L2. .0787673 .0065455 12.03 0.000 .0659383 .0915963
arch
ARCH
L1. .0339556 .0126305 2.69 0.007 .0092002 .058711
ma
L2. .02568 .0163826 1.57 0.117 -.0064292 .0577893
ar
ARMA
_cons .0001943 .0002848 0.68 0.495 -.0003639 .0007526
y1
y1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
OPG
Log likelihood = 10195.18 Prob > chi2 = 0.0061
Distribution: Gaussian Wald chi2(2) = 10.19
Sample: 263 - 4325 Number of obs = 4,063
ARCH family regression -- ARMA disturbances
. arch y1, ar(2) ma(1) arch(2) garch(2) nolog
14
shape 1.586023 .0377598 1.513715 1.661785
/lnshape .4612297 .0238079 19.37 0.000 .4145671 .5078922
_cons 2.10e-06 7.23e-07 2.91 0.004 6.84e-07 3.52e-06
L1. .936381 .006674 140.30 0.000 .9233002 .9494618
garch
L1. .0607487 .0067161 9.05 0.000 .0475853 .0739121
arch
ARCH
L1. .0261485 .0157326 1.66 0.097 -.0046869 .0569838
ma
L2. .0299139 .0160709 1.86 0.063 -.0015844 .0614123
ar
ARMA
_cons .0005913 .0002772 2.13 0.033 .0000481 .0011345
y1
y1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
OPG
Log likelihood = 10281.27 Prob > chi2 = 0.0470
Distribution: GED Wald chi2(2) = 6.12
Sample: 263 - 4325 Number of obs = 4,063
ARCH family regression -- ARMA disturbances
. arch y1, ar(2) ma(1) arch(1) garch(1) distribution(ged) nolog
_cons 2.03e-06 7.38e-07 2.75 0.006 5.84e-07 3.48e-06
L1. .9350649 .0072965 128.15 0.000 .920764 .9493658
garch
L1. .0627497 .0074347 8.44 0.000 .0481779 .0773215
arch
ARCH
L1. .0223887 .0157353 1.42 0.155 -.0084518 .0532293
ma
L2. .0274459 .0160682 1.71 0.088 -.0040473 .058939
ar
ARMA
_cons .0006314 .0002735 2.31 0.021 .0000955 .0011674
y1
y1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
OPG
Log likelihood = 10291.18 Prob > chi2 = 0.0861
Distribution: t(10) Wald chi2(2) = 4.90
Sample: 263 - 4325 Number of obs = 4,063
ARCH family regression -- ARMA disturbances
. arch y1, ar(2) ma(1) arch(1) garch(1) distribution(t 10) nolog
15
shape 1.584852 .037789 1.512491 1.660675
/lnshape .4604908 .0238439 19.31 0.000 .4137577 .5072239
_cons 2.05e-06 7.12e-07 2.88 0.004 6.58e-07 3.45e-06
L1. .9371468 .0066043 141.90 0.000 .9242025 .9500911
garch
L1. .0600496 .0066543 9.02 0.000 .0470074 .0730917
arch
ARCH
L1. .0258719 .0157326 1.64 0.100 -.0049635 .0567073
ma
L2. .0300606 .0160671 1.87 0.061 -.0014304 .0615516
ar
ARMA
sigma2 .621306 1.175744 0.53 0.597 -1.683109 2.925721
ARCHM
_cons .0004052 .0004479 0.90 0.366 -.0004726 .0012831
y1
y1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
OPG
Log likelihood = 10281.43 Prob > chi2 = 0.1008
Distribution: GED Wald chi2(3) = 6.23
Sample: 263 - 4325 Number of obs = 4,063
ARCH family regression -- ARMA disturbances
. arch y1, ar(2) ma(1) arch(1) garch(1) archm distribution(ged) nolog
shape 1.583993 .0383023 1.510673 1.660872
/lnshape .4599489 .0241809 19.02 0.000 .4125553 .5073425
_cons 1.92e-06 6.73e-07 2.85 0.004 5.97e-07 3.24e-06
L1. .9415461 .0064142 146.79 0.000 .9289745 .9541176
garch
L1. -.0272419 .0099211 -2.75 0.006 -.0466868 -.007797
tarch
L1. .06899 .0080795 8.54 0.000 .0531545 .0848254
arch
ARCH
L1. .0274229 .01564 1.75 0.080 -.003231 .0580767
ma
L2. .031863 .0160498 1.99 0.047 .000406 .06332
ar
ARMA
_cons .0004897 .0002796 1.75 0.080 -.0000583 .0010376
y1
y1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
OPG
Log likelihood = 10256.77 Prob > chi2 = 0.0318
Distribution: GED Wald chi2(2) = 6.89
Sample: 263 - 4315 Number of obs = 4,053
ARCH family regression -- ARMA disturbances
. arch y1, ar(2) ma(1) arch(1) garch(1) tarch(1) dist(ged) nolog
16
Ước lượng các loại mô hình GARCH cho TSSL mặt hàng Brent
Tham số
GARCH
(1,1)
GARCH-
GED
(1,1)
GARCH-t-
Student
(1,1)
TGARCH-
GED
(1,1)
GARCH-M
(1,1)
Phương trình trung bình
0.0003704 0.0005508 0.000531 0.0004319 0.0002209
(0.160) (0.027) (0.040) (0.085) (0.591)
1.069773
(0.306)
0.0504339 0.044492 0.0402245 0.0544198 0.0437983
(0.000) (0.000) (0.040) (0.000) (0.000)
-0.0329154
(0.000)
0.9487435 0.9542914 0.957381 0.9609016 0.9550555
(0.000) (0.000) (0.000) (0.000) (0.000)
1.28E-06 1.14E-06 1.09E-06 7.80E-07 1.10E-06
(0.002) (0.028) (0.014) (0.083) (0.031)
Log likelihood 10823.12 10895.65 10898.51 10904.21 10896.23
Bậc tự do của GED 1.411329 1.425746 1.413838
Sigma2
AR (0)
MA(0)
Phương trình phương sai
0
1
1
1
Ước lượng GARCH với các độ trễ khác nhau của chuỗi Brent
Tham số
GARCH
(1,1)
GARCH
(1,2)
GARCH
(2,1)
GARCH
(2,2)
Phương trình trung bình
0.0003704 0.0005421 0.0002595 0.0002156
(0.160) (0.047) (0.321) (0.423)
Phương trình phương sai
0.0504339 0.0574599 0.0503343 0.0665967
(0.000) (0.000) (0.000) (0.000)
0.9487435 0.93783 0.948593 0.9312392
(0.000) (0.000) (0.000) (0.000)
1.28E-06 3.29E-06 1.37E-06 2.72E-06
(0.002) (0.000) (0.001) (0.000)
Log likelihood 10823.12 10749.33 10819.8 10762.28
Bậc tự do của GED
AR (0)
MA(0)
0
1
1
1
17
Ước lượng các loại mô hình GARCH cho TSSL mặt hàng WTI
Tham số
GARCH
(1,1)
GARCH-
GED
(1,1)
GARCH-t-
Student
(1,1)
TGARCH-
GED
(1,1)
GARCH-M
(1,1)
0.0004818 0.0006582 0.0006228 0.0005201 0.0003304
(0.082) (0.013) (0.019) (0.052) (0.453)
0.93268
(0.353)
-0.7755278 -0.7254386 -0.2048988 -0.7269983 -0.7256899
(0.004) (0.000) (0.654) (0.000) (0.000)
0.7608826 0.6990557 0.1730347 0.6992636 0.6990316
(0.006) (0.001) (0.707) (0.000) (0.001)
0.059216 0.0527916 0.0480547 0.0666564 0.052368
(0.000) (0.000) (0.000) (0.000) (0.000)
-0.0364921
(0.000)
0.9373768 0.943619 0.9478143 0.9477439 0.9441167
(0.000) (0.000) (0.000) (0.000) (0.000)
2.69E-06 2.41E-06 2.26E-06 2.11E-06 2.37E-06
(0.001) (0.007) (0.004) (0.011) (0.008)
Log likelihood 10660.15 10707.95 10720.87 10714.98 10708.41
Bậc tự do của GED 1.514381 1.525827 1.515714
Phương trình trung bình
Phương trình phương sai
Sigma2
AR (1)
MA(1)
0
1
1
1
Ước lượng GARCH với các độ trễ khác nhau của chuỗi WTI
Tham số
GARCH
(1,1)
GARCH
(1,2)
GARCH
(2,1)
GARCH
(2,2)
0.0004818 0.0006576 0.0003481 0.0003438
(0.082) (0.020) (0.208) (0.220)
-0.7755278 -0.7964486 -0.1221734 -0.7208837
(0.004) (0.001) (0.872) (0.013)
0.7608826 0.7819732 0.1022692 0.7042946
(0.006) (0.002) (0.892) (0.018)
0.059216 0.0758692 0.0499488 0.0692521
(0.000) (0.000) (0.000) (0.000)
0.9373768 0.9125243 0.9470157 0.9224925
(0.000) (0.000) (0.000) (0.000)
2.69E-06 6.66E-06 2.38E-06 5.44E-06
(0.001) (0.000) (0.001) (0.000)
Log likelihood 10660.15 10624.38 10634.52
Bậc tự do của GED
Phương trình trung bình
Phương trình phương sai
AR (1)
MA(1)
0
1
1
1
18
PHỤ LỤC 02
Hồi quy điểm gãy cấu trúc
(Theo phương pháp Bai-Perron Global L breaks vs. none sử dụng Unweighted-Max)
Dependent Variable: M92
Method: Least Squares with Breaks
Date: 12/02/15 Time: 10:12
Sample (adjusted): 1/04/2000 7/31/2015
Included observations: 4064 after adjustments
Break type: Bai-Perron tests of 1 to M globally determined breaks
Break selection: Unweighted max-F (UDmax), Trimming 0.15, Max. breaks
5, Sig. level 0.05
Breaks: 12/01/2003, 3/31/2006, 7/31/2008, 12/01/2010, 4/02/2013
HAC standard errors & covariance (Prewhitening with lags = 1, Quadratic
-Spectral kernel, Andrews bandwidth)
Allow heterogeneous error distributions across breaks
Variable Coefficient Std. Error t-Statistic Prob.
1/04/2000 - 11/28/2003 -- 1019 obs
C 29.10050 2.040198 14.26356 0.0000
12/01/2003 - 3/30/2006 -- 609 obs
C 54.39788 8.898481 6.113164 0.0000
3/31/2006 - 7/30/2008 -- 609 obs
C 88.69367 34.77131 2.550772 0.0108
7/31/2008 - 11/30/2010 -- 609 obs
C 76.21814 6.605942 11.53782 0.0000
12/01/2010 - 4/01/2013 -- 609 obs
C 118.6501 2.768629 42.85517 0.0000
4/02/2013 - 7/31/2015 -- 609 obs
C 100.7007 44.13828 2.281483 0.0226
19
R-squared 0.826745 Mean dependent var 73.03092
Adjusted R-squared 0.826532 S.D. dependent var 34.79688
S.E. of regression 14.49274 Akaike info criterion 8.186648
Sum squared resid 852340.0 Schwarz criterion 8.195963
Log likelihood -16629.27 Hannan-Quinn criter. 8.189947
F-statistic 3872.827 Durbin-Watson stat 0.014962
Prob(F-statistic) 0.000000
Biểu đồ xác định điểm gãy cấu trúc của chuỗi M92
(Theo phương pháp Bai-Perron Global L breaks vs. none sử dụng Unweighted-Max)
-60
-40
-20
0
20
40
60
0
40
80
120
160
00 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15
Residual Actual Fitted
M92
Hồi quy điểm gãy cấu trúc của chuỗi NAP
(Theo phương pháp Bai-Perron Global L breaks vs. none sử dụng Unweighted-Max)
Dependent Variable: NAP
Method: Least Squares with Breaks
Date: 12/02/15 Time: 11:14
Sample: 1/04/1999 7/31/2015
Included observations: 4325
Break type: Bai-Perron tests of 1 to M globally determined breaks
Break selection: Unweighted max-F (UDmax), Trimming 0.15, Max. breaks
5, Sig. level 0.05
Breaks: 2/19/2002, 8/13/2004, 2/23/2007, 8/13/2010, 2/06/2013
HAC standard errors & covariance (Prewhitening with lags = 1, Quadratic
-Spectral kernel, Andrews bandwidth)
Allow heterogeneous error distributions across breaks
Variable Coefficient Std. Error t-Statistic Prob.
20
1/04/1999 - 2/18/2002 -- 816 obs
C 23.65260 2.539982 9.312113 0.0000
2/19/2002 - 8/12/2004 -- 648 obs
C 30.41392 5.170770 5.881894 0.0000
8/13/2004 - 2/22/2007 -- 660 obs
C 54.92451 4.439175 12.37269 0.0000
2/23/2007 - 8/12/2010 -- 905 obs
C 75.89926 16.87412 4.497969 0.0000
8/13/2010 - 2/05/2013 -- 648 obs
C 100.0920 4.322617 23.15542 0.0000
2/06/2013 - 7/31/2015 -- 648 obs
C 87.64741 381.8056 0.229560 0.8184
R-squared 0.794474 Mean dependent var 61.41108
Adjusted R-squared 0.794236 S.D. dependent var 31.54911
S.E. of regression 14.31108 Akaike info criterion 8.161331
Sum squared resid 884560.9 Schwarz criterion 8.170171
Log likelihood -17642.88 Hannan-Quinn criter. 8.164452
F-statistic 3339.066 Durbin-Watson stat 0.009692
Prob(F-statistic) 0.000000
Biểu đồ xác định điểm gãy cấu trúc của chuỗi NAP
(Theo phương pháp Bai-Perron Global L breaks vs. none sử dụng Unweighted-Max)
21
-80
-40
0
40
80
0
40
80
120
160
99 00 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15
Residual Actual Fitted
NAP
22
PHỤ LỤC 03
Kết quả chạy R
> library("copula")
> setwd("C:\\Luu o E Ao - 20-07\\Phan mem R\\Data va Copulas Dau")
> Y=read.csv("coR.csv",header=T)
> attach(Y)
> y1=y1
> y7=y7
> n=length(y1)
> n=length(y7)
> n
[1] 2437
> returns=cbind(y1,y7)
> pseudoReturns=apply(returns,2,rank,ties.method="random")/(n+1)
> smData = indepTestSim(length(pseudoReturns), p=2, N=1000)
simulate_empirical() working with double array J of size 47511752 |
| 0%
| | 1%
|= | 2%
|== | 4%
|=== | 5%
|==== | 7%
|===== | 8%
|====== | 9%
|======= | 11%
|======== | 12%
|========= | 14%
|========== | 15%
23
|=========== | 16%
|============ | 18%
|============= | 19%
|============== | 21%
|=============== | 22%
|================ | 23%
|================= | 25%
|================== | 26%
|=================== | 28%
|==================== | 29%
|===================== | 30%
|====================== | 32%
|======================= | 33%
|======================== | 35%
|========================= | 36%
|========================== | 37%
|=========================== | 39%
|============================ | 40%
|============================= | 42%
|============================== | 43%
|=============================== | 44%
|================================ | 46%
|================================= | 47%
|================================== | 49%
|=================================== | 50%
|==================================== | 51%
|===================================== | 53%
|====================================== | 54%
|======================================= | 56%
|======================================== | 57%
|========================================= | 58%
|========================================== | 60%
|=========================================== | 61%
24
|============================================ | 63%
|============================================= | 64%
|============================================== | 65%
|=============================================== | 67%
|================================================ | 68%
|================================================= | 70%
|================================================= | 71%
|================================================== | 72%
|=================================================== | 74%
|==================================================== | 75%
|===================================================== | 77%
|====================================================== | 78%
|======================================================= | 79%
|======================================================== | 81%
|========================================================= | 82%
|========================================================== | 84%
|=========================================================== | 85%
|============================================================ | 86%
|============================================================= |
88%
|============================================================== |
89%
|=============================================================== |
91%
|================================================================ |
92%
|================================================================= |
93%
|================================================================== |
95%
|===================================================================
| 96%
25
|====================================================================
| 98%
|====================================================================
= | 99%
|====================================================================
==| 100%
> indepTest(pseudoReturns,smData)
Global Cramer-von Mises statistic: 0.230366 with p-value 0.0004995005
Combined p-values from the Mobius decomposition:
0.0004995005 from Fisher's rule,
0.0004995005 from Tippett's rule.
Warning message:
In indepTest(pseudoReturns, smData) :
d was not obtained from simulations based on data whose size is equal to that of x
>
gofCopula(normalCopula(dim=2),pseudoReturns,estim.method="mpl",method="Sn",simulation
="mult")
Multiplier bootstrap goodness-of-fit test with 'method'="Sn",
'estim.method'="mpl"
data: x
statistic = 0.0478, parameter = 0.12, p-value = 0.01249
> gofCopula(claytonCopula(dim = 2), pseudoReturns, estim.method="mpl", method="Sn",
simulation="mult")
Multiplier bootstrap goodness-of-fit test with 'method'="Sn",
'estim.method'="mpl"
data: x
26
statistic = 0.0336, parameter = 0.147, p-value = 0.1024
> gofCopula(gumbelCopula(dim = 2), pseudoReturns, estim.method="mpl", method="Sn",
simulation="mult")
Multiplier bootstrap goodness-of-fit test with 'method'="Sn",
'estim.method'="mpl"
data: x
statistic = 0.0528, parameter = 1.077, p-value = 0.01249
> gofCopula(frankCopula(dim = 2), pseudoReturns, estim.method="mpl", method="Sn",
simulation="mult")
Multiplier bootstrap goodness-of-fit test with 'method'="Sn",
'estim.method'="mpl"
data: x
statistic = 0.0506, parameter = 0.625, p-value = 0.002498
> gofCopula(tCopula(dim = 2, df = 5, df.fixed = TRUE), pseudoReturns, estim.method="mpl",
method="Sn", simulation="mult")
Multiplier bootstrap goodness-of-fit test with 'method'="Sn",
'estim.method'="mpl"
data: x
statistic = 0.0188, parameter = 0.107, p-value = 0.4221
> gofCopula(tCopula(dim = 2, df = 10, df.fixed = TRUE), pseudoReturns, estim.method="mpl",
method="Sn", simulation="mult")
Multiplier bootstrap goodness-of-fit test with 'method'="Sn",
'estim.method'="mpl"
data: x
statistic = 0.0276, parameter = 0.116, p-value = 0.1294
27
> gofCopula(tCopula(dim = 2, df = 15, df.fixed = TRUE), pseudoReturns, estim.method="mpl",
method="Sn", simulation="mult")
Multiplier bootstrap goodness-of-fit test with 'method'="Sn",
'estim.method'="mpl"
data: x
statistic = 0.0334, parameter = 0.118, p-value = 0.05445
> gofCopula(tCopula(dim = 2, df = 20, df.fixed = TRUE), pseudoReturns, estim.method="mpl",
method="Sn", simulation="mult")
Multiplier bootstrap goodness-of-fit test with 'method'="Sn",
'estim.method'="mpl"
data: x
statistic = 0.0367, parameter = 0.119, p-value = 0.02048
> library("copula")
> setwd("C:\\Luu o E Ao - 20-07\\Phan mem R\\Data va Copulas Dau")
> Y=read.csv("coR.csv",header=T)
> attach(Y)
> y1=y1
> y2=y2
> y6=y6
> n=length(y1)
> n=length(y2)
> n=length(y6)
> n
28
[1] 2437
> returns=cbind(y1,y2,y6)
> pseudoReturns=apply(returns,2,rank,ties.method="random")/(n+1)
> smData = indepTestSim(length(pseudoReturns), p=3, N=1000)
simulate_empirical() working with double array J of size 160352163 |
| 0%
| | 1%
|= | 2%
|== | 4%
|=== | 5%
|==== | 7%
|===== | 8%
|====== | 9%
|======= | 11%
|======== | 12%
|========= | 14%
|========== | 15%
|=========== | 16%
|============ | 18%
|============= | 19%
|============== | 21%
|=============== | 22%
|================ | 23%
|================= | 25%
|================== | 26%
|=================== | 28%
|==================== | 29%
|===================== | 30%
|====================== | 32%
|======================= | 33%
|======================== | 35%
29
|========================= | 36%
|========================== | 37%
|=========================== | 39%
|============================ | 40%
|============================= | 42%
|============================== | 43%
|=============================== | 44%
|================================ | 46%
|================================= | 47%
|================================== | 49%
|=================================== | 50%
|==================================== | 51%
|===================================== | 53%
|====================================== | 54%
|======================================= | 56%
|======================================== | 57%
|========================================= | 58%
|========================================== | 60%
|=========================================== | 61%
|============================================ | 63%
|============================================= | 64%
|============================================== | 65%
|=============================================== | 67%
|================================================ | 68%
|================================================= | 70%
|================================================= | 71%
|================================================== | 72%
|=================================================== | 74%
|==================================================== | 75%
|===================================================== | 77%
|====================================================== | 78%
|======================================================= | 79%
|======================================================== | 81%
30
|========================================================= | 82%
|========================================================== | 84%
|=========================================================== | 85%
|============================================================ | 86%
|============================================================= |
88%
|============================================================== |
89%
|=============================================================== |
91%
|================================================================ |
92%
|================================================================= |
93%
|================================================================== |
95%
|===================================================================
| 96%
|====================================================================
| 98%
|====================================================================
= | 99%
|====================================================================
==| 100%
> indepTest(pseudoReturns,smData)
Global Cramer-von Mises statistic: 6.398528 with p-value 0.0004995005
Combined p-values from the Mobius decomposition:
0.0004995005 from Fisher's rule,
31
0.0004995005 from Tippett's rule.
Warning message:
In indepTest(pseudoReturns, smData) :
d was not obtained from simulations based on data whose size is equal to that of x
>gofCopula(normalCopula(dim=3),pseudoReturns,estim.method="mpl",method="Sn",simulatio
n="mult")
Multiplier bootstrap goodness-of-fit test with 'method'="Sn",
'estim.method'="mpl"
data: x
statistic = 1.2664, parameter = 0.332, p-value = 0.0004995
> gofCopula(tCopula(dim = 3, df = 5, df.fixed = TRUE), pseudoReturns, estim.method="mpl",
method="Sn", simulation="mult")
Multiplier bootstrap goodness-of-fit test with 'method'="Sn",
'estim.method'="mpl"
data: x
statistic = 0.9783, parameter = 0.399, p-value = 0.0004995
> gofCopula(tCopula(dim = 3, df = 10, df.fixed = TRUE), pseudoReturns, estim.method="mpl",
method="Sn", simulation="mult")
Multiplier bootstrap goodness-of-fit test with 'method'="Sn",
'estim.method'="mpl"
data: x
statistic = 1.0242, parameter = 0.392, p-value = 0.0004995
> gofCopula(tCopula(dim = 3, df = 15, df.fixed = TRUE), pseudoReturns, estim.method="mpl",
method="Sn", simulation="mult")
Multiplier bootstrap goodness-of-fit test with 'method'="Sn",
32
'estim.method'="mpl"
data: x
statistic = 1.0457, parameter = 0.381, p-value = 0.0004995
> gofCopula(tCopula(dim = 3, df = 20, df.fixed = TRUE), pseudoReturns, estim.method="mpl",
method="Sn", simulation="mult")
Multiplier bootstrap goodness-of-fit test with 'method'="Sn",
'estim.method'="mpl"
data: x
statistic = 1.0654, parameter = 0.374, p-value = 0.0004995
> gofCopula(claytonCopula(dim = 3), pseudoReturns, estim.method="mpl", method="Sn",
simulation="mult")
Multiplier bootstrap goodness-of-fit test with 'method'="Sn",
'estim.method'="mpl"
data: x
statistic = 1.6594, parameter = 0.523, p-value = 0.0004995
> gofCopula(gumbelCopula(dim = 3), pseudoReturns, estim.method="mpl", method="Sn",
simulation="mult")
Multiplier bootstrap goodness-of-fit test with 'method'="Sn",
'estim.method'="mpl"
data: x
statistic = 1.5956, parameter = 1.271, p-value = 0.0004995
33
> gofCopula(frankCopula(dim = 3), pseudoReturns, estim.method="mpl", method="Sn",
simulation="mult")
Multiplier bootstrap goodness-of-fit test with 'method'="Sn",
'estim.method'="mpl"
data: x
statistic = 1.2596, parameter = 2.172, p-value = 0.0004995
> fitCopula(claytonCopula(dim=3),pseudoReturns,method="mpl")
fitCopula() estimation based on 'maximum pseudo-likelihood'
and a sample of size 2437.
Estimate Std. Error z value Pr(>|z|)
param 0.52343 0.01735 30.16 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
The maximized loglikelihood is 412.9
Optimization converged
Number of loglikelihood evaluations:
function gradient
28 6
> fitCopula(gumbelCopula(dim=3),pseudoReturns,method="mpl")
fitCopula() estimation based on 'maximum pseudo-likelihood'
and a sample of size 2437.
Estimate Std. Error z value Pr(>|z|)
34
param 1.271180 0.009706 131 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
The maximized loglikelihood is 366.2
Optimization converged
Number of loglikelihood evaluations:
function gradient
25 6
> fitCopula(frankCopula(dim=3),pseudoReturns,method="mpl")
fitCopula() estimation based on 'maximum pseudo-likelihood'
and a sample of size 2437.
Estimate Std. Error z value Pr(>|z|)
param 2.17188 0.06617 32.82 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
The maximized loglikelihood is 353.9
Optimization converged
Number of loglikelihood evaluations:
function gradient
16 3
> fitCopula(normalCopula(dim=3),pseudoReturns,method="mpl")
fitCopula() estimation based on 'maximum pseudo-likelihood'
and a sample of size 2437.
Estimate Std. Error z value Pr(>|z|)
rho.1 0.332127 0.009006 36.88 <2e-16 ***
35
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
The maximized loglikelihood is 359.3
Optimization converged
Number of loglikelihood evaluations:
function gradient
25 3
> fitCopula(tCopula(dim=3,df=5,dispstr="un",df.fixed=TRUE),pseudoReturns,method="mpl")
fitCopula() estimation based on 'maximum pseudo-likelihood'
and a sample of size 2437.
Estimate Std. Error z value Pr(>|z|)
rho.1 0.827809 0.007022 117.884 < 2e-16 ***
rho.2 0.111896 0.022144 5.053 4.35e-07 ***
rho.3 0.094036 0.022493 4.181 2.91e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
The maximized loglikelihood is 1548
Optimization converged
Number of loglikelihood evaluations:
function gradient
52 7
> fitCopula(tCopula(dim=3,df=10,dispstr="un",df.fixed=TRUE),pseudoReturns,method="mpl")
fitCopula() estimation based on 'maximum pseudo-likelihood'
and a sample of size 2437.
Estimate Std. Error z value Pr(>|z|)
36
rho.1 0.830413 0.006174 134.499 < 2e-16 ***
rho.2 0.115203 0.020475 5.626 1.84e-08 ***
rho.3 0.097211 0.020805 4.672 2.98e-06 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
The maximized loglikelihood is 1474
Optimization converged
Number of loglikelihood evaluations:
function gradient
46 7
> fitCopula(tCopula(dim=3,df=15,dispstr="un",df.fixed=TRUE),pseudoReturns,method="mpl")
fitCopula() estimation based on 'maximum pseudo-likelihood'
and a sample of size 2437.
Estimate Std. Error z value Pr(>|z|)
rho.1 0.827814 0.005865 141.153 < 2e-16 ***
rho.2 0.114778 0.019665 5.837 5.33e-09 ***
rho.3 0.096258 0.019980 4.818 1.45e-06 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
The maximized loglikelihood is 1430
Optimization converged
Number of loglikelihood evaluations:
function gradient
35 7
> fitCopula(tCopula(dim=3,df=20,dispstr="un",df.fixed=TRUE),pseudoReturns,method="mpl")
37
fitCopula() estimation based on 'maximum pseudo-likelihood'
and a sample of size 2437.
Estimate Std. Error z value Pr(>|z|)
rho.1 0.825090 0.005701 144.722 < 2e-16 ***
rho.2 0.114069 0.019164 5.952 2.65e-09 ***
rho.3 0.094998 0.019465 4.880 1.06e-06 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
The maximized loglikelihood is 1401
Optimization converged
Number of loglikelihood evaluations:
function gradient
38
PHỤ LỤC 04
Bảy cuộc khủng hoảng giá dầu trong lịch sử
(
su-2710828.html)
Dù tăng hay giảm giá, mỗi cuộc khủng hoảng dầu lửa trong 40 năm qua đều gắn liền với
xung đột chính trị và suy thoái kinh tế, gây ảnh hưởng nghiêm trọng tới tình hình tài chính
toàn cầu.
1. Khủng hoảng dầu lửa Trung Đông 1973 - 1975
Khủng hoảng dầu lửa 1973-1975 khiến giá tăng vụt và người mua phải xếp hàng dài.
Khủng hoảng dầu mỏ bắt đầu diễn ra từ ngày 17/10/1973 khi các nước thuộc Tổ chức Xuất
khẩu Dầu mỏ (OPEC) quyết định ngừng cung cấp nhiên liệu sang Mỹ, Nhật và Tây Âu,
nhằm trừng phạt cho sự ủng hộ của nhóm này đối với Israel trong cuộc xung đột giữa Israel
và liên quân Ai Cập - Syria. Lượng dầu bị cắt giảm tương đương với 7% sản lượng của cả
thế giới thời kỳ đó. Sự kiện này đã khiến giá dầu thế giới tăng cao đột ngột và gây ra cuộc
khủng hoảng kinh tế 1973-1975 trên quy mô toàn cầu. Ngày 16/10/1973, giá dầu mỏ từ
3,01 USD nhảy lên 5,11USD một thùng, và tăng đến gần 12 USD vào giữa 1974.
Đây được xem là cơn khủng hoảng đáng nhớ nhất trong thời kỳ những năm 1970. Những
ai từng trải qua "cơn khủng hoảng dầu Trung Đông" sẽ không thể nào quên cảnh hàng
người dài dằng dặc chờ đợi trước các cây xăng bởi nguồn cung ứng thiếu hụt nghiêm trọng
và giá cả tăng cao. Trong thời gian khủng hoảng, tại nhiều bang ở Mỹ mỗi người dân chỉ
được phép mua một lượng nhiên liệu nhất định, giá đã tăng trung bình 86% chỉ trong vòng
một năm từ 1973 đến 1974.
Thêm vào đó, một biến cố lớn nữa xảy đến với thị trường chứng khứng toàn cầu vào năm
1973 - 1974. Chỉ số FT30 của Sở giao dịch chứng khoán London bốc hơi 73% giá trị, khiến
đôla Mỹ mất giá và làm cuộc khủng hoảng dầu lửa thêm tồi tệ. Thị trường chứng khoán
Mỹ bốc hơi 97 tỷ đôla, số tiền khổng lồ thời điểm đó, chỉ sau một tháng rưỡi. Trong suốt
39
cuộc khủng hoảng, tại Mỹ, GDP giảm 3,2%, tỷ lệ thất nghiệp chạm mức 9%. Suy thoái và
lạm phát lan rộng gây ảnh hưởng tới kinh tế toàn cầu cho tới tận thập niên 1980.
2. Cách mạng Iran và biến động thị trường dầu lửa năm 1979
Cách mạng Iran đã gây ra cuộc khủng hoảng dầu lửa lớn thứ hai thế giới.
Cách mạng Iran đã gây ra cuộc khủng hoảng dầu lửa lớn thứ hai thế giới.
Cách mạng Hồi giáo Iran được mệnh danh cuộc cách mạng lớn thứ 3 trong lịch sử nhân
loại, sau Cách mạng Pháp, Tháng Mười Nga, và đã gây ra cuộc khủng hoảng dầu lửa lớn
thứ hai thế giới.
Vào đầu 1978, Iran xuất khẩu 5,4 triệu thùng dầu mỗi ngày, chiếm 17% tổng sản lượng
của OPEC. Nhưng khi cách mạng Iran lật đổ chính quyền quân chủ của Shah, ngành công
nghiệp vàng đen của nước này dưới chế độ mới đã giảm mạnh bởi sự tàn phá của các lực
lượng đối lập. Trong nỗ lực kìm giá dầu, Ảrâp Xêút và các nước thuộc OPEC khác đã nhất
loạt tăng sản lượng. Kết quả là lượng khai thác chỉ giảm 4% so với trước Cách mạng Hồi
giáo Iran.
Tuy nhiên, giá dầu vẫn bốc lên ngất ngưởng do nỗi sợ hãi của thị trường, cộng thêm việc
việc Tổng thống Mỹ Jimmy Carter ra lệnh ngừng nhập khẩu dầu từ Iran. Chỉ trong vòng
12 tháng, mỗi thùng dầu nhảy vọt từ 15,85 USD lên 39,5 USD.
Đây chính là tiền đề cho cuộc khủng hoảng kéo dài 30 tháng tại Mỹ. Giá năng lượng đi lên
kéo theo lạm phát gia tăng, đạt đỉnh 13,5% trong năm 1980, buộc Cục Dự trữ Liên bang
(FED) phải thực hiện hàng loạt chính sách thắt chặt tiền tệ.
Không chỉ lạm phát, tỷ lệ thất nghiệp cũng tăng một cách đáng lo ngại với từ mức 5,6%
của tháng 5/1979 lên 7,5% một năm sau đó. Dù kinh tế bắt đầu hồi phục trong năm 1981,
tỷ lệ thất nghiệp vẫn được duy trì ở mức cao 7,5% và đạt kỷ lục 10,8% vào 1982.
Hậu quả của suy thoái tồi tệ đến nỗi các ngành công nghiệp xe hơi, nhà đất, và sản xuất
thép đều liên tục sụt giảm trong 10 năm sau, cho tới tận khi cuộc khủng hoảng giá dầu tiếp
theo kết thúc.
3. Giá dầu tụt thê thảm vào những năm 1980
40
Kinh tế thế giới èo uột khiến giá dầu tụt thê thảm năm 1980.
Kinh tế thế giới èo uột khiến giá dầu tụt thê thảm năm 1980.
Từ 1981 đến 1986, do tăng trưởng kinh tế chậm tại các nước công nghiệp (hậu quả của các
cuộc khủng hoảng năm 1973 và 1979), nhu cầu tiêu thụ dầu trên toàn thế giới chậm lại. Ở
các nước tiêu thụ dầu lớn như Mỹ, Nhật và châu Âu, nhu cầu nhiên liệu giảm 13% từ năm
1979 đến 1981. Hệ quả là giá dầu giảm mạnh từ 35 USD hồi 1981 xuống dưới 10 USD
một thùng năm 1986.
Giá giảm đã làm lợi cho rất nhiều nước tiêu thụ lớn như Mỹ, Nhật, châu Âu và thế giới thứ
3, nhưng lại gây tổn thất nghiêm trọng cho các nước xuất khẩu dầu ở Bắc Âu, Liên Xô và
khối OPEC. Nhiều công ty nhiên liệu của Mexico, Nigeria và Venezuela đến bên bờ vực
phá sản. Dầu mất giá còn khiến khối OPEC mất đi sự đoàn kết.
4. Cơn sốt giá dầu năm 1990
Cuộc khủng hoảng Vùng Vịnh
Những giếng dầu bốc cháy trong cuộc chiến vùng Vịnh thời kỳ 1990, vốn là nguyên nhân
gây ra cuộc khủng hoảng giá nhiên liệu thời kỳ đó. Ảnh: openlearn.open.ac.uk
Giá dầu thế giới một lần nữa tăng vọt 13% vào tháng 8/1990 vì cuộc chiến tranh vùng Vịnh
giữa Iraq và liên quân hơn 30 quốc gia do Mỹ lãnh đạo để giải phóng Kuwait.
Sau cuộc chiến, Liên Hợp Quốc áp dụng lệnh cấm xuất khẩu dầu toàn phần đối với Iraq và
Kuwait. Chính lệnh cấm vận này đã lấy đi của thị trường dầu mỏ thế giới gần 5 triệu thùng
mỗi ngày, khiến giá tăng cao.
Cơn sốt lần này kéo dài trong 9 tháng và giá không vượt đỉnh các cuộc khủng hoảng trước
(hồi 1973 và 1979 - 1980). Tại thời điểm đó, mỗi thùng dầu đắt gấp đôi chỉ trong vòng 2
tháng, từ 17 USD lên 36 USD mỗi thùng. Chỉ khi lực lượng Liên quân do Mỹ lãnh đạo đưa
quân vào giải phóng Kuwait, tình trạng thiếu nguồn cung mới chấm dứt và giá bắt đầu hạ.
Khủng hoảng này phần nào là nguyên nhân dẫn tới cuộc suy thoái kinh tế ở Mỹ với sự sụp
đổ của thị trường tín dụng. Một loạt cường quốc chịu nhiều ảnh hưởng gián tiếp như
Canada, Australia, Nhật, hay Anh cũng bị cuốn vào vòng xoáy suy thoái.
41
5. Giá dầu xuống dốc năm 2001
Sau năm 2000, kinh tế toàn cầu giảm sút, đặc biệt là từ sau sự kiện khủng bố 11/9 tại Mỹ,
giá dầu thế giới càng giảm mạnh hơn. Năm 2001 mỗi thùng dầu chỉ còn 20 USD một thùng,
giảm 35% so với trước. Nhu cầu nhiên liệu giảm mạnh cũng góp phần vào sự giảm giá dầu.
6. Đợt khủng hoảng giá dầu nghiêm trọng năm 2007 - 2008
Khủng hoảng giá dầu năm 2007-2008 trước khi thế giới rơi vào cuộc suy thoái toàn cầu.
Khủng hoảng giá dầu năm 2007-2008 trước khi thế giới rơi vào cuộc suy thoái toàn cầu.
Năm 2007, giá dầu leo thang tiến gần 100 USD. Trong bối cảnh đồng USD mất giá nghiêm
trọng, nhiều nước có dự trữ đôla Mỹ lớn và khối OPEC đã phải tính đến khả năng chuyển
dần sang sử dụng loại ngoại tệ mạnh khác để tính giá dầu. Dầu đắt đỏ và nguy cơ cạn kiệt
nguồn cung đã làm bùng lên cuộc tranh chấp giữa các cường quốc về chủ quyền đối với
những giếng dầu lớn và đáy biển ở Bắc cực cũng như Nam cực.
Bong bóng nhà ở cùng với sự giám sát tài chính thiếu hoàn thiện của Mỹ đã dẫn tới cuộc
khủng hoảng tài chính bùng phát vào giữa năm 2007. Sự đổ vỡ lên đến cực điểm vào tháng
10/2008, lan rộng và đẩy nền kinh thế giới vào cuộc khủng hoảng tài chính trầm trọng nhất
kể từ cuộc Đại suy thoái 1929 - 1933. Tại thời điểm này, có lúc giá dầu lên đến mức kỷ lục
145 USD mỗi thùng.
7. Cú sốc dầu lửa 2011
Libya
Bạo loạn tại Libya, thành viên lớn thứ 9 trong khối OPEC khiến thị trường nhiên liệu đang
trải qua đợt khủng hoảng giá mới. Ảnh: AFP
Bạo loạn tại khu vực Trung Đông và Bắc Phi nói chung cùng những cuộc biểu tình ở Libya
thời gian gần đây đang gây sóng gió trên thị trường nhiên liệu, với giá dầu lên mức trên
100 USD một thùng. Hiện tại, các nước châu Âu (ví dụ Italy, Iceland và Áo) phụ thuộc khá
nhiều vào dầu mỏ đến từ Libya.
42
Giá dầu mỏ tăng cao đã và đang ảnh hưởng kinh doanh chứng khoán và vận tải. Giới phân
tích tính toán nếu những cuộc bạo loạn hiện nay khiến cho giá dầu tăng thêm 40 đến 50
USD, và tình trạng này kéo dài 1 năm, thì tăng trưởng GDP toàn cầu sẽ mất khoảng 2%.
Tuyến Nguyễn (tổng hợp)
43
PHỤ LỤC 05
Các quan điểm chống lại VaR và ủng hộ VaR
Từ khi chính thức ra đời 1993, VaR đã được áp dụng ngày càng rộng rãi. Tuy nhiên, bên
cạnh sự ủng hộ mạnh mẽ đã phát sinh sự nghi ngờ và tranh luận gay gắt về tính hiệu quả,
nhất là vào năm 1997 khi mà khủng hoảng tài chính châu Á bắt đầu ở Thái lan ngày
20/07/1997 và khủng hoảng trái phiếu Nga tháng 8-9/1998 sau đó lan sang toàn thế giới.
Có thể kể đến cuộc tranh luận giữa 2 nhân vật Taleb - đại diện cho bên chống lại VaR và
Jorion-đại diện cho bên ủng hộ VaR4. Trong khi cuộc tranh luận cũ chưa đến hồi kết thúc
thì khủng hoảng tài chính toàn cầu 2007-2008 nổ ra với sự sụp đổ của hàng loạt các tổ chức
tài chính lớn làm bùng phát thêm một cuộc tranh luận mới ngày càng mạnh mẽ.
Sự lung lay của VaR trong quản trị rủi ro
Tháng 9/1998 quỹ phòng vệ rủi ro kinh doanh chênh lệch giá LTCM (Long-Term Capital
Management) sụp đổ. Đây là quỹ có chiến lược kinh doanh được thiết lập dựa trên những
phương pháp định lượng với các mô hình toán, được cho là đã tối thiểu hóa rủi ro. Trong
số các mô hình quản lý rủi ro, LTCM đã dựa vào VaR. Sự thất bại đó theo đánh giá của
Aaron Brown là “nó triệt để đâm thủng huyền thoại rằng VaR là bất khả chiến bại”.
Năm 2007-2008 khủng hoảng tài chính toàn cầu nổ ra, hàng loạt ngân hàng đầu tư như
Lehman Brothers, Sterns Bear, Merrill Lynch sụp đổ mặc dù các ngân hàng này đều có
thiết lập hệ thống quản lý rủi ro theo mô hình VaR của riêng mình. Đây là những ngân
hàng lớn nằm trong hệ thống ngân hàng đầu tư của Mỹ. Điều này một lần nữa đặt ra câu
hỏi lớn về vai trò của VaR trong quản trị rủi ro tài chính. Tháng 10/2010 trong bài báo “Is
VaR a useful tool in volatile markets?” đăng trên risk.net, nhằm đánh giá mức độ hiệu quả
của VaR trong giai đoạn khủng hoảng tài chính 2007-2008, Patricio Contreras đã thực hiện
kiểm tra số ngày một số ngân hàng đầu tư và ngân hàng thương mại lớn của Mỹ như Bear
4 Chi tiết các tranh luận tại địa chỉ
jorion-taleb-debate/
44
Sterns, Golman Sachs, Bank of America, JP Morgan có mức thua lỗ vượt quá giá trị
VaR ước tính trong từng quý năm 2007-2008. Kết quả cho thấy rằng, trong năm 2007 hầu
hết các mô hình VaR 99% và VaR 95% đều không hiệu quả. Năm 2008, kết quả tuy đã
được cải thiện hơn nhưng đến một số ngân hàng thương mại vẫn vượt ngưỡng cho phép.
Như vậy, những ước tính sai lệch của VaR một lần nữa lại đặt ra câu hỏi về tính hữu dụng
của VaR trong việc quản trị rủi ro, đánh giá sự biến động của thị trường.
Những thiệt hại VaR không thể đo lường – Rủi ro đuôi dày “Thiên Nga Đen”
Một trong những trọng tâm lớn trong các phê phán về VaR cũng như các mô hình định
lượng khác, đó là việc VaR không thể đo lường những trường hợp xấu nhất có thể xảy ra
hay còn gọi là Thiên Nga Đen như Taleb đã gọi. Các rủi ro này chính là “rủi ro đuôi” ở rìa
cực của đường cong xác suất, rất phổ biến trong chuỗi dữ liệu tài chính, nhất là ở mức thiệt
hại 1% mà VaR 99% không thể đo lường được. Nguyên nhân khiến những rủi ro đuôi này
trở nên nghiêm trọng là do chúng ta không biết khi nào thì biến cố bất thường xuất hiện
mà hệ thống hiện đại của thế giới tài chính thì phức tạp, tương quan lẫn nhau và mờ đục.
Một sai lầm xảy ra sẽ tác động và kéo theo sụp đổ cả hệ thống.
Một trong những giả định cơ bản của mô hình VaR là thị trường hoạt động bình thường.
Giả định này bao hàm ý niệm rằng tất cả các vị thế có thể được thanh khoản hay phòng
ngừa trong thời gian nắm giữ, mức giá của nó không bị tác động trong thời gian thanh lý
vị thế của nó, và sự thay đổi mức giá hoàn toàn được giải thích bởi sự biến động. Tuy
nhiên, khi khủng hoảng xảy ra các giả định về thanh khoản thị trường bị phá vỡ. Do đó,
theo đánh giá của Ethan Berman, giám đốc điều hành của RiskMetrics, cho rằng, một trong
những lỗ hổng của VaR là nó không đo lường rủi ro thanh khoản.
Những sai số của VaR ngay cả trong những thiệt hại mà nó có chủ đích đo lường
Không chỉ không thể đo lường những trường hợp xấu nhất có thể xảy ra, bản thân VaR
cũng như những mô hình định lượng khác vẫn luôn có những sai số nhất định trong việc
ước lượng những thiệt hại mà nó có chủ đích đo lường, xuất phát từ những giả định, những
khó khăn trong việc chọn mẫu cũng như lựa chọn mô hình thích hợp.
Đâu là một phân phối xác suất thích hợp?
45
Mô hình VaR cơ bản cũng như nhiều mô hình đo lường rủi ro khác đều dựa trên giả định
rằng các yếu tố thị trường tài chính tuân theo đường cong phân phối chuẩn. Tuy nhiên,
trong một thế giới tài chính đầy biến động và con người có thể tương tác vào nó thì đây là
một giả định rất hạn chế và hầu như không chính xác. Nhiều tác giả đã tiến hành tính toán
và chỉ ra những sai lầm của giả định này.
Rủi ro lựa chọn mô hình
VaR không phải là một mô hình mà là một nhóm các mô hình có liên quan đến nền tảng
toán học, có nhiều phương pháp được sử dụng để tính toán VaR như là phương pháp tham
số, phương pháp phi tham số, phương pháp giá trị cực trị và mỗi phương pháp có các biến
thể khác nhau. Tuy nhiên, vấn đề là, như nhiều tác giả đã kiểm định, các con số VaR được
ước tính bởi các phương pháp khác nhau có thể cho những kết quả rất khác nhau (Beder,
1995; Marshall và Siegel, 1997)
Ngoài ra, một mô hình được cho là phù hợp nhất thì nó sẽ phù hợp trong bao lâu? Khi
nghiên cứu trên các chỉ số như S&P 500, DJIA, FTSE, NK, HIS một số tác giả đã thu được
kết quả cho thấy mô hình phù hợp nhất là khác nhau ứng với từng loại chỉ số và quan trong
hơn, nó thay đổi theo từng thời kỳ (McAleer và cộng sự, 2009a, 2009b).
Khi khủng hoảng tài chính thế giới 2007-2008 xảy ra, sự thất bại trong mô hình trong mô
hình quản lý rủi ro định lượng làm cho người ta đặt lại vấn đề đó là sự thất bại trong mô
hình hay thất bại trong quản lý. Nhiều nhà nghiên cứu đã đánh giá lại vấn đề này và cuối
cùng họ đưa ra kết luận rằng đó là sự thất bại trong quản lý vì nó do con người tạo ra với
những quy định có kẻ hở và đã xảy ra vấn đề rủi ro đạo đức. Người ta thấy rằng một công
cụ sẽ chỉ trở nên hữu dụng nếu được sử dụng đúng cách. Ngoài ra, khi nhìn lại mô hình
quản trị rủi ro các nhà nghiên cứu đã có một cái nhìn toàn diện hơn, đó là việc quản trị rủi
ro tài chính không thể hoàn toàn dựa vào mô hình định lượng mà quên đi vai trò của định
tính.