Luận án Rủi ro biến động giá và hiệu ứng lây lan trên thị trường xăng dầu Việt Nam

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.