ĐO LƯỜNG VÀ DỰ BÁO BIẾN

ĐỘNG TRONG TÀI CHÍNH:

MÔ HÌNH ARCH-GARCH

Ngành Tài chính Ngân hàng

TÀI LIỆU ĐỌC
¢ Phạm Thị Tuyết Trinh và ctg (2016), chương 5
¢ Brooks (2014), chương 8

¢ Enders (2010), chương 3

¢ Asteriou và Hall (2011), chương 14

MỤC TIÊU
¢ Mô tả được những điểm đặc biệt của dữ liệu tài
chính;
¢ Hiểu được khái niệm phương sai có điều kiện
(conditional variance);
¢ Hiểu được ý nghĩa và ứng dụng của mô hình phương
sai thay đổi tự hồi qui (ARCH);
¢ Thực hiện được kiểm định tác động ARCH (ARCH
effect);
¢ Hiểu được ý nghĩa và ứng dụng của mô hình
GARCH;
¢ Thực hiện được ước lượng mô hình ARCH –
GARCH bằng Eviews;
NỘI DUNG
¢ Đặc điểm dữ liệu tài chính
¢ Phương sai có điều kiện

¢ Mô hình ARCH

¢ Kiểm định tác động ARCH

¢ Thực hành 1: Kiểm định tác động ARCH của lợi nhuận
ngày VNindex
¢ Mô hình GARCH

¢ Thực hành 2: Ước lượng phương sai có điều kiện của lợi
nhuận ngày Vnindex bằng mô hình GARCH
¢ Thêm biến giải thích vào mô hình ARCH/ GARCH

¢ Thực hành 3: Dự báo biến động lợi nhuận ngày Vnindex

bằng mô hình GARCH
¢ Bài tập 3
TẠI SAO PHẢI ĐO LƯỜNG BIẾN ĐỘNG?
¢ Cần phải đo lường biến động của giá tài sản tài
chính, đặc biệt cho:
— Quản trị rủi ro (risk management): nhà quản trị cần
phải đo lường tổn thất tiềm năng trong tương lai của
danh mục đầu tư;
— Phân bố tài sản (asset allocation): tiếp cận Markowitz
tập trung tối thiểu hóa rủi ro tại một mức lợi nhuận kỳ
vọng;
— Kinh doanh kiếm lời từ biến động giá tài sản tài chính
¢ Tạisao biến động trong tài chính không thể đo
lường bằng mô hình chuỗi thời gian đơn biến:
— Mô hình hồi quy tuyến tính cổ điển (classical linear
regression model, CLRM) có giả định phương sai của
sai số (ut) không đổi (homoskedasticity);
— Nếu phương sai của sai số thay đổi
(heteroskedasticity), ước lượng của CLRM bằng OLS
sẽ bị thiên lệch.
— Rất nhiều dữ liệu trong tài chính có phương sai của
sai số không phải là hằng số theo thời gian.
ĐẶC TRƯNG CỦA DỮ LIỆU TÀI CHÍNH
¢ Độ nhọn vượt chuẩn
(Leptokurtosis): lợi
nhuận của tài sản tài
chính có xu hướng
phân phối với đuôi
dài hơn (fat tail) và
đỉnh nhọn hơn tại
trung bình so với
phân phối chuẩn.
¢ Biến động nhóm (Volatility clustering/ volatility
pooling): hiện tượng biến động mạnh kéo theo
những biến động mạnh hơn, biến động yếu kéo theo
những biến động yếu hơn,

Lợi nhuận ngày của

S&P 500 index
¢ Hiệu ứng đòn bẩy (leverage effects): hiện tượng khi
giá tài sản tài chính giảm xuống kéo theo mức biến
động mạnh hơn so với khi giá tài sản tài chính tăng
lên ở cùng mức độ.
PHƯƠNG SAI CÓ ĐIỀU KIỆN
CONDITIONAL VARIANCE
¢ Có mô hình AR(1):
với ut ~ iid N(0, σ2)
¢ Phương sai không điều kiện (unconditional variance)
của Yt là dự báo dài hạn của phương sai và là hằng
số:
 TÌNH HUỐNG
¢ Một nhà đầu tư có kế hoạch mua tài sản tài chính tại
thời điểm t và bán nó vào thời điểm ngắn hạn trong
tương lai t+1
¢ Nhà đầu tư cần quan tâm đến rủi ro đầu tư vào tài
sản tài chính, nên cần tìm hiểu phương sai của tài
sản tài chính
¢ Trong tình huống này, phương sai không điều kiện
có hữu ích cho nhà đầu tư hay không?
¢ Phương sai có điều kiện của Yt phản ánh biến động
của Yt dựa trên những thông tin ở giai đoạn trước đó
(Yt-1)

¢ Phương sai có điều kiện thay đổi theo thời gian, phụ
thuộc vào thông tin của giai đoạn trước.
¢ Phương sai có điều kiện của ut (ký hiệu σ2t) là:

¢ Do ut ~ iid N(0, σ2), E(ut) = 0, nên

¢ Như vậy, phương sai có điều kiện của ut bằng với

bình phương giá trị kỳ vọng có điều kiện của ut.
¢ Và, phương sai có điều kiện của ut bằng với phương
sai có điều kiện của Yt
MÔ HÌNH ARCH
¢ Mô hình phương sai có điều kiện thay đổi tự hồi qui
(Autoregressive conditionally heteroskedastic
models)
¢ AR (autoregressive): tự hồi qui của bình phương
phần dư
¢ C (conditional): phương sai có điều kiện

¢ H (heteroskedasticity): biến động không phải là

hằng số

Phần dư của
cái gì?
¢ Khái niệm:
— Cho một mô hình bất kỳ:
(1)
với ut ~ iid N(0, σ2)
— Phương trÌnh phương sai có điều kiện của của ut là
một quá trình AR(q) sử dụng bình phương của phần
dư được ước lượng trong phương trình (1):
(2)
— Phương trình (2) là phương trình phương sai có điều
kiện của mô hình ARCH(q)
 Phương trình
(1) có thể ở bất
kỳ dạng nào
¢ Khái niệm:
— Mô hình ARCH(q) đầy đủ như sau:
, với ut ~ iid N(0, σ2) (1)
(2)
— (1): phương trình trung bình có điều kiện
— (2): phương trình phương sai có điều kiện:
¢ αi (i = 1, 2,...q) phản ánh tác động của biến động ở giai
đoạn trước
¢ Nếu α1 = α2 = ... = αq = 0, phương sai không đổi theo
thời gian
¢ Nếu có αi ≠ 0, phương sai có điều kiện của Yt không
phải là hằng số mà tăng theo quá trình tự hồi qui
¢ Cách trình bày khác:
— Mô hình ARCH(q) thông thường được trình bày
như sau:
, với ut ~ iid N(0, ht)
ht được sử dụng để ký
hiệu cho phương sai có
— Hoặc: điều kiện
, với ut ~ iid N(0, ht)
, vt ~ iid N(0, 1)
¢ Ràng buộc của mô hình ARCH(q):
— Ràng buộc không âm (non-negativity constrant): α0 >
0, αi ≥ 0, i = 1, 2, …, q để đảm bảo phương sai luôn
dương
— Ràng buộc dừng (stationary constraint) của quá trình
AR:
i = 1, 2, …, q
KIỂM ĐỊNH TÁC ĐỘNG ARCH
¢ Trước khi ước lượng mô hình ARCH(q), cần kiểm
tra sự tồn tại của tác động ARCH (ARCH effects)
¢ Phương pháp:
— Quan sát ACF
— Kiểm định LM
¢ Quan sát ACF:
— Vẽ ACF của phần dư và phần dư bình phương
— Tồn tại tác động ARCH khi: phần dư không có hiện
tương tự tương quan nhưng phần dư bình phương có
hiện tượng tự tương quan
¢ Nếu giá trị prob < α (10%, 5%, 1%), hệ số tự tương
quan có ý nghĩa thống kê, kết luận có hiện tượng tự
tương quan
¢ Nếu giá trị prob > α (10%, 5%, 1%), hệ số tự tương
quan không có ý nghĩa thống kê, kết luận không có hiện
tượng tự tương quan
¢ Kiểmđịnh LM (Lagrange Multiplier, nhân tử
Lagrange)
— Bước 1: Chạy mô hình hồi qui tuyến tính của mô hình
trung bình có điều kiện bằng OLS, lưu phần dư đã
ước lượng, ût.
— Bước 2: Bình phương phần dư, hồi qui chuỗi phần dư
đã bình phương (û2t) với số bậc trễ q để kiểm định
ARCH cho bậc trễ q, bằng OLS, chẳng hạn:

Lấy R2 của mô hình ước lượng

¢ Kiểmđịnh LM (Lagrange Multiplier, nhân tử
Lagrange)
— Bước 3: Tính T*R2. Thực hiện kiểm định với giả
thiết:
¢ H0: 𝛾1 = 0 và 𝛾2 = 0 và 𝛾3 = 0 và … và 𝛾q = 0 (không có
tác động ARCH)
¢ H1: 𝛾1 ≠ 0 và 𝛾2 ≠ 0 và 𝛾3 ≠ 0 và … và 𝛾q ≠ 0

¢ Nếu trị thống kê kiểm định > giá trị bác bỏ : bác bỏ giả
thuyết H0, kết luận có tác động ARCH.
¢ Nếu trị thống kê kiểm định < giá trị bác bỏ: không đủ
cơ sở để bác bỏ giả thuyết H0, kết luận không có tác
động ARCH
THỰC HÀNH 1:
KIỂM ĐỊNH TÁC ĐỘNG ARCH CỦA LỢI NHUẬN NGÀY
VNINDEX

¢ Mục đích: kiểm định tác động ARCH của lợi nhuận
vnindex
¢ File: vnindex

¢ Yêu cầu: Kiểm định tính dừng của chuỗi vnindex

bằng ACF
¢ Bước 1: Ước lượng mô hình trung bình có điều kiện
bất kỳ, chẳng hạn ARMA(1, 1)
¢ Bước 2: Kiểm định tác động ARCH
— Cửa sổ Equation, View/ Residual Diagnostics/
Heteroskedasticity Tests.
— Hộp Heteroskedasticity Tests:
¢ Specification: chọn ARCH
¢ Number or lags: nhập 10
¢ Bước 3: Kết luận dựa vào giá trị Obs*R-squared và
Prob. Chi-Square(10)
— Không cần phải tra bảng
— Nếu giá trị Prob. Chi-square(10) > α (1%, 5%, 10%) kết
luận không đủ cơ sở thống kê bác bỏ giả thuyết H0, kết
luận không có tác động ARCH
— Nếu giá trị Prob. Chi-square(10) ≤ α, kết luận bác bỏ giả
thuyết H0; ở mức ý nghĩa α
— Kết quả này tương đương như nếu tra bảng để tìm giá trị
bác bỏ tại q=10 bậc tự do của phân phối Chi-square và so
sánh với giá trị thống kê T*R2
Heteroskedasticity Test: ARCH

F-statistic 26.92661 Prob. F(10,1474) 0.0000

Obs*R-squared 229.3742 Prob. Chi-Square(10) 0.0000

¢ Kết luận: có tác động ARCH tại mức ý nghĩa 1%

HẠN CHẾ CỦA MÔ HÌNH ARCH
¢ Vấn đề xác định bậc trễ q cho mô hình.
¢ Số bậc trễ q cần thiết để nắm bắt được tất cả sự phụ
thuộc của phương sai có điều kiện có thể sẽ rất lớn
(và thường là như vậy), làm cho mô hình có rất
nhiều tham số, làm giảm bậc do
¢ Ràng buộc không âm có thể bị vi phạm.
MÔ HÌNH GARCH
¢ Mô hình ARCH tổng quát (Generalise ARCH)
¢ Mô hình GARCH được phát triển nhằm khắc phục
những nhược điểm của mô hình ARCH.
¢ Mô hình GARCH cho phép phương sai có điều kiện
vừa phụ thuộc vào bậc trễ của sai số, vừa phụ thuộc
vào bậc trễ trước đó của chính nó
¢ Phương
trình phương sai có điều kiện trong mô hình
GARCH(1, 1) như sau:

với ht là phương sai có điều kiện

— Các ràng buộc của mô hình GARCH(1, 1)
¢ α0 > 0, α1 ≥ 0, β ≥ 0 (ràng buộc không âm);
¢ α1 + β < 1 (ràng buộc dừng)
¢Ý nghĩa hệ số ước lượng trong mô hình GARCH
— α0 đại diện cho trung bình dài hạn của phương sai
— α1 còn gọi là tham số ARCH, phản ánh tác động của
biến động ở giai đoạn trước
— β còn gọi là tham số GARCH, phản ánh tác động của
phương sai ở giai đoạn trước
¢ Tạisao GARCH lại tốt hơn và được sử dụng phổ
biến hơn so với ARCH?
Mô hình GARCH hạn chế việc vi phạm ràng buộc
không âm (non-negativity constraint) vì mô hình
GARCH(1, 1) tương đương với mô hình ARCH(∞)
nhưng lại chỉ có 3 tham số ước lượng.
Xem sách nếu bạn
cần chứng minh
cho điều này
¢ Mô hình GARCH(p,q)

¢ Lưu ý: GARCH(1,1) có khả năng nắm bắt đầy đủ

những biến động của dữ liệu. Chính vì vậy, những
mô hình GARCH bậc cao hơn ít khi được sử dụng
trong phân tích tài chính.
ƯỚC LƯỢNG MÔ HÌNH ARCH/GARCH
¢ Mô hình ARCH/ GARCH không còn là dạng mô
hình tuyến tính, nên không thể sử dụng kỹ thuật
OLS để ước lượng
¢ Thay vào đó, phương pháp hợp lý cực đại
(maximum likelihood) được sử dụng để ước lượng
các mô hình ARCH/ GARCH
¢ Một hàm hợp lý dạng log (log-likelihood function,
LLF) được thiết lập, sau đó giá trị của tham số làm
cực đại hàm này nhất sẽ được tìm kiếm.

Hãy để các phần mềm

làm nhiệm vụ này
THỰC HÀNH 2:
ƯỚC LƯỢNG PHƯƠNG SAI CÓ ĐIỀU KIỆN CỦA LỢI
NHUẬN NGÀY VNINDEX BẰNG MÔ HÌNH GARCH

¢ Mục tiêu: dự báo lợi nhuận ngày của Vnindex

¢ Để làm được điều này cần ước lượng phương sai có
điều kiện của lợi nhuận ngày Vnindex bằng mô hình
GARCH(1, 1)
¢ File: vnindex

¢ Lưu ý: dựa trên kết quả kiểm định tác động ARCH
(đã thực hiện)
¢ Tại cửa sổ Equation Estimation:
— Estimation Setting: chọn ARCH-Autoregressive
Conditional Heteroskedasticity
 nhập phương trình trung
bình có điều kiện theo trật
tự : biến phụ thuộc, hằng
số (c), biến độc lập

biến ở vế phải
của phương
mô tả loại mô
trình phương
hình phương
sai có điều
sai có điều kiện
kiện
¢ Variance regressors:
— EViews luôn mặc định có một hằng số trong phương trình
phương sai có điều kiện nên KHÔNG THÊM hằng số “C”
vào ô này.
— EViews luôn mặc định số hạng ARCH hoặc GARCH nên
KHÔNG THÊM
— Chỉ thêm vào các biến ngoại sinh khác hoặc biến giả nếu
có. Nếu không có, để ô trống
Dependent Variable: VNINDEX
Method: ML - ARCH (Marquardt) - Normal distribution
Included observations: 1495 after adjustments
Convergence achieved after 15 iterations
Kết quả phương
MA Backcast: 1/03/2006
Presample variance: backcast (parameter = 0.7)
trình trung bình có
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) điều kiện

Variable Coefficient Std. Error z-Statistic Prob.

C -0.008784 0.047509 -0.184898 0.8533

AR(1) 0.042764 0.095929 0.445784 0.6558
MA(1) 0.237941 0.097760 2.433927 0.0149
phần dư bình
phương (ut-1)2p Variance Equation
Kết quả phương trình
còn lại là tác phương sai có điều kiện
α0 > 0
C động ARCH 0.120429 0.032592 3.695073 0.0002
RESID(-1)^2 0.208343 α1 ≥ 0 0.030583 6.812476 0.0000
GARCH(-1) 0.761799 0.030061 25.34158 0.0000
β≥0
R-squared phương sai (ht-1), 0.085576 Mean dependent var 0.009440
Adjusted R-squared còn gọi là tác 0.084351 S.D. dependent var 1.871502
S.E. of regression động GARCH 1.790832 Akaike info criterion 3.795880
Sum squared resid 4784.964 Schwarz criterion 3.817190
Log likelihood -2831.420 Hannan-Quinn criter. 3.803820
Durbin-Watson stat 1.949111
Inverted AR Roots .04 α1 + β < 1
Inverted MA Roots -.24
KIỂM ĐỊNH TỰ TƯƠNG QUAN
¢ Kiểm định tự tương quan phần dư bình phương
— Vẽ ACF của phần dư bình phương
— Nếu giá trị Prob < α (1%, 5%, 10%), bác bỏ giả thiết
H0, kết luận phần dư không có hiện tượng tự tương
quan
— Nếu giá trị Prob > α, không thể bác bỏ giả thiết H0
¢ Thựchiện kiểm định chẩn đoán tự tương quan của
phần dư bình phương:
— Tại cứa sổ kết quả ước lượng mô hình GARCH(1, 1),
nhấp View/ Residual Diagnostics/ Correlogram
Square Residual...
— Nhập số bậc trễ vào hộp Lag Specification: 36
 Prob > 10%, Kết luận: phần dư
bình phương không có hiện
tượng tự tương quan

Autocorrelation Partial Correlation AC PAC Q-Sta... Prob...

1 0.002 0.002 0.0066 0.935

2 0.035 0.035 1.8899 0.389
3 -0.00... -0.00... 1.8899 0.596
4 -0.03... -0.03... 3.4997 0.478
5 -0.00... -0.00... 3.6084 0.607
6 -0.02... -0.02... 4.6831 0.585
7 -0.01... -0.01... 4.8387 0.680
8 -0.05... -0.05... 9.2820 0.319
9 -0.02... -0.02... 10.232 0.332
1... 0.010 0.012 10.380 0.408
1... -0.00... -0.00... 10.389 0.496
1... 0.007 0.002 10.461 0.576
THÊM BIẾN GIẢI THÍCH VÀO MÔ HÌNH GARCH
¢ Nhà nghiên cứu nghi ngờ khủng hoảng toàn cầu 2008
làm cho lợi nhuận ngày vnindex biến động mạnh hơn.
¢ Đưa vào phương trình phương sai có điều kiện biến giả
đại diện cho tác động của khủng hoảng toàn cầu 2008
¢ Tạo biến giả crisis phản ánh tác động của khủng
hoảng 2008. Biến nhận giá trị 1 cho giai đoạn từ quí
1/7/2008 - hết năm 2009 và giá trị 0 cho các giai
đọan còn lại
— Tại cửa sổ Workfile, nhấp Genr
— Nhập crisis = na
— Gán giá trị vào biến giả
¢ Đưa biến crisis vào mô hình GARCH(1, 1):
— Tại cửa sổ Tại cứa sổ kết quả ước lượng mô hình
GARCH(1, 1), nhấp Estimate
— Tại Variance regressors: nhập crisis
— OK
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) + C(7)*CRISIS

Variable Coefficient Std. Error z-Statistic Prob.

C -0.010246 0.047001 -0.217988 0.8274

AR(1) 0.031611 0.096534 0.327464 0.7433
MA(1) 0.249243 0.097669 2.551909 0.0107
Kết quả phương trình
trung bình có điều Variance Equation Hệ số ước lượng của crisis
kiện thay đổi có ý nghĩa thống kê
C 0.138172 0.036085 3.829056 0.0001
RESID(-1)^2 0.207497 0.031324 6.624250 0.0000
GARCH(-1) 0.742036 0.033163 22.37551 0.0000
CRISIS 0.181511 0.103856 1.747716 0.0805

R-squared 0.085445 Mean dependent var 0.009440

Adjusted R-squared 0.084219 S.D. dependent var 1.871502
S.E. of regression 1.790961 Akaike info criterion 3.792658
Sum squared resid 4785.651 Schwarz criterion 3.817521
Log likelihood -2828.012 Hannan-Quinn criter. 3.801922
Durbin-Watson stat 1.949477
Kết quả phương trình
Inverted AR Roots .03 phương sai có điều
Inverted MA Roots -.25 kiện thay đổi
THỰC HÀNH 3:
DỰ BÁO LỢI NHUẬN VNINDEX BẰNG GARCH
¢ Ước lượng lại mô hình GARCH(1, 1) có biến tác
động khủng hoảng của lợi nhuận ngày vnindex với
qui mô mẫu từ 2006-2010 để dự báo cho năm 2011
Sample (adjusted): 1/04/2006 12/30/2010
Included observations: 1246 after adjustments
Convergence achieved after 29 iterations
MA Backcast: 1/03/2006
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1) + C(7)*CRISIS

Variable Coefficient Std. Error z-Statistic Prob.

C 0.031527 0.055425 0.568819 0.5695

AR(1) 0.033860 0.101709 0.332914 0.7392
MA(1) 0.255626 0.103156 2.478040 0.0132

Variance Equation

C 0.128907 0.037922 3.399223 0.0007

RESID(-1)^2 0.202727 0.032829 6.175211 0.0000
GARCH(-1) 0.756646 0.033661 22.47808 0.0000
CRISIS 0.145535 0.096910 1.501755 0.1332

R-squared 0.086184 Mean dependent var 0.036555

Adjusted R-squared 0.084713 S.D. dependent var 1.960971
S.E. of regression 1.876073 Akaike info criterion 3.903875
Sum squared resid 4374.926 Schwarz criterion 3.932682
Log likelihood -2425.114 Hannan-Quinn criter. 3.914706
Durbin-Watson stat 1.965101

Inverted AR Roots .03

Inverted MA Roots -.26
¢ Thực hiện dự báo:
— Tại cửa sổ Equation, nhấp Forecast
— Tại hộp Forecast
— Forecast sample: nhập 1/4/2010 30/12/2011
— Method: chọn Dynamic
 4
Forecast: VNINDEXF
Actual: VNINDEX
2 Forecast sample: 1/04/2011 12/30/2011
Included observations: 248
Root Mean Squared Error 1.340253
0 Mean Absolute Error 1.065778
Mean Abs. Percent Error 108.7586
Theil Inequality Coefficient 0.978159
Bias Proportion 0.014535
-2
Variance Proportion 0.972667
Covariance Proportion 0.012798
-4
M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12
2011

VNINDEXF ± 2 S.E.

3.5

3.0

2.5

2.0

1.5

1.0
M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12
2011

Forecast of Variance
BÀI TẬP 3
¢ Mục tiêu: Dự báo biến động giá dầu thô bằng mô hình
GARCH
¢ File: crudeoil.wf1
¢ Lưu ý các xử lý:
— Chuyển biến oil sang dạng lợi nhuận log, đặt tên roil và
kiểm định tính dừng bằng ACF hoặc kiểm định nghiệm
đơn vị
— Xác định mô hình ARMA phù hợp dựa vào ACF
— Kiểm định tác động ARCH
— Ước lượng mô hình GARCH (1,1), GARCH (1,2),
GARCH (1,3)
— Kiểm định chẩn đoán mô hình GARCH
— Dự báo trong mẫu giai đoạn 2015M1-2015M12 và lựa
chọn mô hình dự báo tốt nhất
BÀI ĐỌC THÊM
¢ Dự báo giá vàng Việt Nam sử dụng mô hình GARCH
¢ Đo lường sự dao động của chỉ số chứng khoán Vnindex
thông qua mô hình GARCH