Luận án Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế - Trường hợp thị trường chứng khoán Việt Nam
1. Tính cấp thiết của luận án Việc nghiên cứu những công cụ hoặc mô hình dự báo thị trường tài chính và nền kinh tế có một lịch sử lâu đời. Phân tích chuỗi thời gian là một trong những cách tiếp cận truyền thống được sử dụng rộng rãi nhất trong lĩnh vực này. Có hai loại mô hình mô tả hành vi của chuỗi thời gian như sau. Thứ nhất là các mô hình tuyến tính: phương pháp tuyến tính để phân tích chuỗi thời gian thường được áp dụng thông qua một trong những kỹ thuật sau đây: a. Kỹ thuật Box Jenkins b. Bộ lọc Kalman c. Lý thuyết san bằng hàm mũ của Brown d. Hồi quy mẫu nhỏ Thứ hai là các mô hình phi tuyến: a. Lý thuyết Taken b. Phương trình Mackey Glass Những kỹ thuật này cố gắng tái tạo lại chuỗi thời gian dựa trên các mẫu dữ liệu để dự đoán giá trị tương lai. Mặc dù những kỹ thuật này có ý nghĩa thống kê nhưng chúng có tỷ lệ thành công thấp khi được sử dụng để dự báo thị trường tài chính. Những bằng chứng gần đây chỉ ra rằng thị trường tài chính là phi tuyến. Tuy nhiên, phương pháp tuyến tính vẫn cung cấp những cách tiếp cận tốt để mô tả hệ thống phi tuyến được tìm thấy trong phân tích chuỗi thời gian thị trường tài chính (Fang và cộng sự, 1994). Bollerslev (1986) cung cấp một cái nhìn tổng quát về sự tồn tại của tính phi tuyến trong dữ liệu tài chính, và phát triển một mô hình để dự đoán chuỗi thời gian tài chính được gọi là GARCH (Generalized Autoregressive conditional heteroskedasticity GARCH) kết hợp tất cả các đặc trưng quan sát được trong chuỗi này. Nhưng nền kinh tế đang phát triển nhanh chóng (chứ không phải đi từ từ) theo thời gian. Tuy nhiên, những đặc trưng này không dễ dàng được tính toán bằng các mô hình tuyến tính, và điều này được chứng minh qua việc các hệ số ước lượng có độ dốc lớn. Nhiều nhân tố tác động đến thị trường tài chính và nền kinh tế bao gồm5 các sự kiện chính trị, điều kiện kinh tế nói chung, và kỳ vọng của nhà đầu tư. Vì vậy, dự báo thị trường tài chính và sự chuyển động của nền kinh tế là khá khó khăn. Mạng thần kinh nhân tạo Artificial Neural Network (ANN) là một công cụ hữu ích trong tài chính định lượng hiện đại và được biết đến như một kỹ thuật mô hình hóa thống kê hữu ích. ANN là một công cụ tốt cho cả các nhà nghiên cứu và những nhà thực nghiệm. Mô hình ANN có thể tìm ra mối quan hệ hàm trong một tập hợp dữ liệu và thực hiện các nhiệm vụ như nhận dạng mẫu hình, phân loại, đánh giá, mô hình hóa, dự báo và kiểm soát (Anderson và Rosenfeld, 1988; Hecht Nielsen, 1990; Hertz và cộng sự, 1991; Hiemstra và Jones, 1994). Một vài tính năng khác biệt của ANN làm cho chúng có giá trị và hấp dẫn trong dự báo. Một số bài viết xem xét những báo cáo trên tạp chí cách mà ANN có thể áp dụng cho thị trường tài chính và nền kinh tế. Chatterjee và cộng sự (2000) cung cấp một tổng quan về hệ thống ANN và phạm vi sử dụng rộng rãi của chúng trên thị trường tài chính. Công trình của họ thảo luận về ưu điểm vượt trội của ANN so với các phương pháp truyền thống. Nghiên cứu kết luận với một mô tả về việc sử dụng thành công ANN bởi nhiều tổ chức tài chính trong việc dự báo giá chứng khoán. Trong sách Neural Network cho dự báo tài chính của Edward Gately, mô tả phương pháp chung để xây dựng, huấn luyện, và kiểm tra một ANN bằng cách sử dụng phần mềm thương mại hiện hữu. Luận án sẽ tập trung vào phương pháp này để triển khai quá trình phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam như là một minh chứng cho khả năng ứng dụng của ANN trong dự báo kinh tế. Không chỉ trong lĩnh vực dự báo giá chứng khoán, luận án còn mong muốn sử dụng phương pháp ANN áp dụng cho các lĩnh vực tài chính và nền kinh tế như là một công cụ dự báo hỗ trợ cho các phương pháp truyền thống. Chính vì vậy, tác giả chọn đề tài với tên gọi “Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế – Trường hợp thị trường chứng khoán Việt Nam” làm nội dung nghiên cứu cho luận án tiến sĩ của mình. 2. Tình hình nghiên cứu liên quan đến nội dung luận án Từ những nghiên cứu sơ khai của Mc Culloch và Pitts trong những năm 1940, trải qua nhiều năm phát triển, cho đến hơn 10 năm trở lại đây cùng với sự phát triển mạnh mẽ của ngành công nghệ thông tin trong việc xử lý dữ liệu cho cả phần cứng và phần mềm đã giúp cài đặt những ứng dụng phức tạp của lý thuyết mạng thần kinh nhân tạo. Lý thuyết mạng thần kinh nhân tạo những năm gần đây mới thực sự được chú ý và nhanh chóng trở thành một hướng nghiên cứu đầy triển vọng trong mục đích xây dựng mô hình mô phỏng theo trí tuệ con người. Sức mạnh thuộc về bản chất tính toán của các thuật toán mạng, song những nghiên cứu thực nghiệm đã thành6 công trong nhiều lĩnh vực, những nghiên cứu thực nghiệm trong lĩnh vực tài chính cũng được sự quan tâm và cho ra nhiều kết quả tốt ở những nền kinh tế khác nhau. Từ những nghiên cứu việc ứng dụng ANN để phân tích những chuỗi dữ liệu thời gian nên được thực hiện dựa trên trấu trúc ANN nào cho các chỉ tiêu dự báo như tăng trưởng kinh tế, biến động tỷ giá hối đoái, và thậm chí là giá chứng khoán trên các thị trường. Quá trình nghiên cứu mạng ANN còn được so sánh với những mô hình truyền thống hiện đang được sử dụng cho việc phân tích và dự báo trong lĩnh vực kinh tế như mô hình hồi quy tuyến tính, mô hình hồi quy phi tuyến. Quá trình nghiên cứu này đã cho ra những kết quả lợi thế của mô hình ANN đặc biệt là ở những thị trường mới nổi trong phân tích và dự báo. Như vậy, ở thị trường Việt Nam liệu quá trình triển khai nghiên cứu ứng dụng mô hình ANN có hiệu quả không và có vượt trội hơn các công cụ phân tích và dự báo khác? Trên cơ sở tiếp cận này, tôi đi vào nghiên cứu quá trình hoạt động của mạng ANN trong lĩnh vực kinh tế, tài chính và những kết quả nghiên cứu đạt được ở các thị trường khác trên thế giới để làm nền tảng cho việc nghiên cứu. 3. Mục tiêu nghiên cứu Trên phương diện nghiên cứu mô hình mạng ANN và những nguyên lý hoạt động của nó để từ đó ứng dụng vào lĩnh vực kinh tế và tài chính vẫn còn là một nội dung chưa được quan tâm nhiều. Trong phạm vi của nền kinh tế Việt Nam, tác giả tập trung nghiên cứu việc ứng dụng mô hình này để nhằm phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam trước các biến giải thích khác nhau, như là một minh chứng cho khả năng ứng dụng của mô hình ANN trong dự báo kinh tế. Qua quá trình ứng dụng ANN vào thị trường chứng khoán Việt Nam, luận án sẽ giải quyết thêm một số vấn đề khác như: cấu trúc mạng ANN nào tốt cho vấn đề dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam, hiệu quả của mô hình ANN so với mô hình hồi quy tuyến tính biến nào sẽ tác động lên sự biến động của giá chứng khoán Cụ thể hơn, luận án sẽ giải quyết bốn mục tiêu nghiên cứu sau: 1. Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam. 2. Lựa chọn cấu trúc mạng ANN phù hợp trong dự báo giá chứng khoán. 3. Hiệu quả ứng dụng mô hình ANN tốt hơn mô hình hồi quy tuyến tính. 4. Tìm ra nhóm biến có thể giúp dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam qua đó gợi ý một số chính sách liên quan.7 Để đạt được mục tiêu nghiên cứu nêu trên, nội dung của luận án tập trung đi vào trả lời các câu hỏi nghiên cứu sau đây: (1). Mô hình mạng ANN là gì và cơ chế vận hành của nó như thế nào trong thị trường tài chính? (2). Những quan điểm và bằng chứng thực nghiệm trong việc ứng dụng mô hình ANN trong phân tích và dự báo trên thị trường tài chính? (3). Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam? (4). Cấu trúc mạng ANN nào sẽ thích hợp để dự báo giá chứng khoán? (5). Liệu khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam có tính hiệu quả hơn mô hình hồi quy tuyến tính truyền thống? (6). Nếu mô hình ANN tốt hơn thì những biến giải thích nào sẽ giúp cho chúng ta sử dụng để phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam? Việc giải quyết các mục tiêu nghiên cứu trên cho thấy giá trị hiệu quả của mô hình ANN trong việc ứng dụng mô hình này trong phân tích và dự báo các biến kinh tế. Chính vì vậy, các chủ thể liên quan trong nền kinh tế bao gồm các nhà nghiên cứu và các nhà thực hành sẽ áp dụng mô hình ANN để thay thế hoặc bổ sung cho các phương pháp hồi quy . 4. Phương pháp nghiên cứu Để giải quyết các nội dung nghiên cứu nêu trên, tác giả luận án đã sử dụng phương pháp định lượng dựa trên việc nghiên cứu những thuật toán mô phỏng của mạng thần kinh nhân tạo để tiến hành lựa chọn cấu trúc ANN thích hợp nhằm ứng dụng trong dự báo giá chứng khoán. Việc triển khai quá trình ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam được dựa trên quy trình đề xuất 8 bước của năm nhà nghiên cứu Deboeck, Masters, Blum và Nelson và Illingworth. Ngoài ra quá trình thử nghiệm các cấu trúc mạng ANN được thực hiện dựa trên phần mềm hỗ trợ xử lý dữ liệu có bản quyền NeuralSolution 5.0. 5. Các phát hiện và kết quả nghiên cứu Luận án của tác giả đã đóng góp các kết quả nghiên cứu sau:8 · Khả năng ứng dụng mô hình ANN để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam là hoàn toàn có thể thực hiện. · Mô hình ANN dùng để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam cho ra kết quả dự báo ngoài mẫu tốt hơn mô hình hồi quy tuyến tính truyền thống. · Cấu trúc mạng thần kinh truyền thẳng cho ra kết quả dự báo tốt hơn một số cấu trúc mạng khác với hàm truyền là hàm phi tuyến. Nói cách khác, mối quan hệ giữa các biến giải thích và biến phụ thuộc là quan hệ phi tuyến tính. · Dựa trên việc nghiên cứu ứng dụng mô hình ANN để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam, luận án đã cho thấy rõ tác động của các nhóm biến kinh tế vĩ mô của nền kinh tế, nhóm biến thể hiện tình hình tài chính của các doanh nghiệp niêm yết lên sự thay đổi giá chứng khoán, trong khi đó nếu dùng mô hình hồi quy tuyến tính truyền thống thì gần như không tìm thấy sự tác động này. · Qua quá trình phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam, luận án có gợi ý một số chính sách để phát triển thị trường chứng khoán Việt Nam lên một tầm cao mới nhằm phát triển mạnh quá trình chuyển dịch cơ cấu kinh tế.
Bạn đang xem trước 20 trang tài liệu Luận án Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế - Trường hợp thị trường chứng khoán Việt Nam, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
IPM2 2 0.042287 0.236750
IPTBM2 CPIUSDLRCR 3 0.018070 0.097190
IPTBM2 CPIUSDLRCR 2 0.027139 0.114923
IPTBCR CPIUSDLRM2 2 0.051779 0.125340 R thấp
IPM2CR CPIUSDLRTB 3 0.026396 0.138980
147
TBM2CR CPIUSDLRIP 3 0.047229 0.148458 R thấp
Bước 5: Kết quả của quá trình loại bỏ năm biến trong mô hình
Biến đưa vào mô hình Biến loại bỏ Số PE
MSE
(Training)
MSE
(CV)
CPILR USDIPTBM2CR 1 0.055317 0.172908
CPIIP USDLRTBM2CR 1 0.052464 0.125547
CPITB USDLRIPM2CR 1 0.052720 0.145889
CPIM2 USDLRIPTBCR 1 0.054667 0.117994
CPICR USDLRIPTBM2 2 0.054092 0.137430
USDLR CPIIPTBM2CR 1 0.051225 0.169657
USDIP CPILRTBM2CR 1 0.053349 0.120829
USDTB CPILRIPM2CR 2 0.048300 0.225007
USDM2 CPILRIPTBCR 1 0.051045 0.145749
USDCR CPILRIPTBM2 1 0.053990 0.145697
LRIP CPIUSDTBM2CR 2 0.052323 0.207262
LRTB CPIUSDIPM2CR 1 0.052681 0.207742
LRM2 CPIUSDIPTBCR 2 0.051530 0.208672
LRCR CPIUSDIPTBM2 1 0.054545 0.234496
IPTB CPIUSDLRM2CR 2 0.052291 0.123089
IPM2 CPIUSDLRTBCR 2 0.049189 0.119983
IPCR CPIUSDLRTBM2 2 0.054104 0.122058
TBM2 CPIUSDLRIPCR 1 0.050068 0.135676
TBCR CPIUSDLRIPM2 2 0.053560 0.131063
M2CR CPIUSDLRIPTB 1 0.051753 0.137536
Như vậy mô hình được lựa chọn ngoài các chỉ tiêu MSE (training) và MSE (CV) còn dựa vào quá
trình huấn luận ANN không bị tình trạng “quá khít” xảy ra và tương quan cao trong dự liệu dự báo
và dữ liệu thực tế.
148
Phụ lục 3
Xây dựng mô hình hồi quy tuyến tính truyền thống để phân tích
và dự báo VNIndex
TỔNG QUAN VỀ MÔ HÌNH NHÂN TỐ
Mô hình một nhân tố
Mô hình đơn giản nhất là mô hình một nhân tố. Ở đây, nhân tố trong mô hình một nhân tố được xem
là nhân tố thị trường.
Công thức: ri = αi + βiF + εi
Với αi : Tỷ suất sinh lợi mong đợi của chứng khoán i
F : Nhân tố thị trường
βi : Hệ số beta của chứng khoán i
εi : Nhân tố nội nhiễu hay còn được gọi là nhân tố đặc trưng riêng có của chứng khoán i.
Mô hình đa nhân tố
Mô hình một nhân tố miêu tả đơn giản tỷ suất sinh lợi của chứng khoán nhưng mô hình này không
thực tế bởi vì có rất nhiều nhân tố ảnh hưởng đến tỷ suất sinh lợi của chứng khoán.
Công thức: ri = αi + βi1F1 + βi2F2 + …+ βikFk + εi
Với αi : Tỷ suất sinh lợi mong đợi của chứng khoán i
Fj (j =1,k ): nhân tố vĩ mô
βi j : hệ số nhạy cảm của chứng khoán i đối với nhân tố thứ j
εi : nhân tố nội nhiễu của chứng khoán i
Các nhân tố F trong mô hình đa nhân tố có thể là các biến kinh tế vĩ mô, có thể là các biến tài chính,
hoặc là mức độ ảnh hưởng của các thị trường chứng khoán khác tác động lên sự thay đổi của tỷ suất
sinh lợi chứng khoán… Hiện nay trên thế giới đã có nhiều công trình nghiên cứu thực nghiệm về mô
hình đa nhân tố, điển hình như mô hình APT của Chen, Roll và Ross (1976); mô hình ba nhân tố của
Fama và French (1993), mô hình bốn nhân tố của Carhart (1997) với độ giải thích tới 42%, đáng kể
149
nhất là mô hình 6 nhân tố của Guirguis với độ giải thích lên đến 67% cho thị trường chứng khoán
Anh nhờ việc sử dụng thêm các biến tài chính.
NGUYÊN TẮC XÂY DỰNG MÔ HÌNH 4
Xác định số biến độc lập
Ta có thể tiến hành theo 2 cách sau:
Từ đơn giản đến tổng quát: Bổ sung biến độc lập từ từ vào mô hình. Quá trình bổ sung biến
độc lập vào mô hình thực chất là việc xem xét mô hình có bỏ sót biến quan trọng hay không
và tiến hành kiểm định mô hình có đưa thêm biến bị bỏ sót vào.
Từ tổng quát đến đơn giản: Xem xét mô hình có đầy đủ các biến độc lập đã được xác định.
Sau đó tiến hành loại trừ dần các biến không quan trọng ra khỏi mô hình.
Kiểm tra mô hình có vi phạm các giả thiết hay không
Ở bước này, chúng ta cần kiểm tra xem mô hình có vi phạm các giả thiết như tính chất đa cộng
tuyến, phương sai thay đổi, tự tương quan hay không. Nếu mô hình có vi phạm các giả thiết này thì
cần có biện pháp để khắc phục.
Chọn dạng hàm
Để chọn dạng hàm ta cần dựa vào:
Các lý thuyết kinh tế
Các kết quả nghiên cứu thực nghiệm
Đồ thị biểu diễn sự biến thiên của dãy các số liệu quan sát
Phân tích về bản chất của mối quan hệ giữa các biến kinh tế
4 Hoàng Ng c N h m (2008) Giáo trình kinh t l ng , Nxb Thành ph H Chí Minh.
150
QUY TRÌNH XỬ LÝ
Năm 1976, Chen, Roll và Ross đề xuất mô hình kinh doanh chênh lệch giá APT với 5 nhân tố. Fama
và French (1993) đã giới thiệu mô hình 3 nhân tố, bằng cách đưa thêm vào nhân tố thị trường vốn và
nhân tố giá trị sổ sách/giá trị thị trường so với mô hình CAPM 5 . Kế đến, Carhart (1997) đề xuất mô
hình 4 nhân tố bằng cách kế thừa những thành quả của mô hình Fama French và đưa thêm nhân tố
xung lực thị trường (momentum). Về sau, Elton và các đồng sự (1999) đã đề xuất thêm sự ảnh
hưởng của chỉ số trái phiếu chính phủ vào mô hình của Carhart… Bên cạnh việc xây dựng mô hình
đa nhân tố xác định tỷ suất sinh lợi của chứng khoán với các biến vĩ mô, các nhà nghiên cứu cũng
phát hiện sự ảnh hưởng của các biến tài chính và một số vấn đề khác, chẳng hạn: DeBondt và Thaler
(1985), Jegadeesh và Titman (1993) đã phát hiện tỷ suất sinh lợi của tài sản luôn có khuynh hướng
duy trì tốc độ và tăng trưởng cao hơn trong tương lai. Một số công trình nghiên cứu khác cung cấp
cho chúng ta nhiều bằng chứng về sự ảnh hưởng của các nhân tố: quy mô doanh nghiệp; chỉ số giá
trị sổ sách/giá trị thị trường (BE/ME); chỉ số thu nhập/giá (E/P); chỉ số tiền mặt/giá (C/P); tốc độ
tăng trưởng của doanh số bán lẻ trong quá khứ đến tỷ suất sinh lợi đòi hỏi của chứng khoán (Banz,
1981; Basu, 1983; Rosenberg, Reid, và Lanstein, 1985; Lakonishok, Shleifer, Vishny, 1994).
Kế thừa công trình nghiên cứu thực nghiệm của các tác giả trên, phụ lục này của luận án tiến hành
xây dựng mô hình đa nhân tố xác định tỷ suất sinh lợi của TTCK VN (cụ thể là chỉ số VNIndex)
bằng cách tập hợp dữ liệu về các nhân tố vĩ mô, các nhân tố tài chính của thị trường, nhân tố xu
hướng thị trường, và đồng thời người viết cũng tập hợp thông tin của các TTCK trên thế giới để xem
xét mức độ ảnh hưởng của các TTCK như của Trung Quốc, Mỹ, Châu Âu. Sau khi xây dựng những
bộ dữ liệu chuyên biệt: Bộ dữ liệu về các nhân tố vĩ mô (7 nhân tố); các nhân tố tài chính (9 nhân
tố); nhân tố xu hướng thị trường (3 nhân tố); nhân tố tác động của các thị trường chứng khoán thế
giới (4 nhân tố), phần phụ lục này của luận án tiến hành theo trình tự các bước được mô tả trong
bảng 1.
Bước 1: Xử lý dữ liệu
Số liệu tuyệt đối được đưa về thay đổi giữa các kì quan sát (Kì sau so với kì trước) để đảm
bảo tính dừng.
Đối với những nhân tố chỉ có thể tập hợp thông tin theo quý, luận án giữ nguyên đánh giá
giữa các quý trước với quý sau.
Bảng 1: Trình tự xây dựng mô hình
5 Mô hình CAPM (1968) Sharpe, Lintner, Treynor và Mossin đ t n n móng, và Jensen (1968) hoàn thi n .
151
Các nhân tố tài chính cũng như các nhân tố vĩ mô, khi tác động lên tỷ suất sinh lợi của chỉ số
chứng khoán thị trường đều có những độ trễ nhất định. Do vậy, trong quá trình xây dựng mô
hình, luận án tiến hành điều chỉnh độ trễ cho một số nhân tố. Do vậy ngoài bộ dữ liệu ban
đầu như vĩ mô, Tài chính, đã hình thành thêm 2 bộ dữ liệu khác là nhóm các biến vĩ mô đã
điều chỉnh độ trễ và nhóm các biến tài chính đã điều chỉnh độ trễ. Luận án muốn sử dụng cả
2 nhóm dữ liệu chưa điều chỉnh độ trễ và đã điều chỉnh độ trễ trong việc xây dựng mô hình
để thông qua việc so sánh mô hình xây dựng từ 2 nhóm dữ liệu, làm nổi bật rõ hơn tính chất
tác động của các nhân tố.
Dữ liệu sau khi xử lý xong gồm các biến sau:
152
Bảng 2: Giải thích các nhân tố
Tên biến Giải thích
Các nhân tố
vĩ mô
CPI Tốc độ tăng lạm phát hằng tháng
USD Thay đổi tỉ giá tự do
LR Thay đổi trong lãi suất cho vay
IP Thay đổi sản lượng công nghiệp
TB Thay đổi cán cân thương mại
M2 Tăng trưởng M2
CR Tăng trưởng tín dụng so với tháng trước
Các nhân tố
tài chính
ROE Tỷ suất sinh lợi trên vốn cổ phần
ROA Tỷ suất sinh lợi trên tổng tài sản
PE Giá/ Thu nhập
PB Giá thị trường/ giá sổ sách
CM Giá trị vốn hoá
CF Tiền mặt thay đổi trên một cổ phần
EPS Thu nhập mỗi cổ phần
PM Thay đổi Trailing 12 tháng
DE Thay đổi nợ/ vốn cổ phần
Các nhân tố
thị trường
(theo tháng)
SSECm Thay đổi theo tháng chỉ số SSEC sàn Hồng Kong
N225m Thay đổi theo tháng chỉ số Nikkei Nhật Bản
FTSEm Thay đổi theo tháng chỉ số FTSE Anh
DJm Thay đổi theo tháng chỉ số Dow Jone
Các nhân tố
thị trường
(theo tuần)
SSECw Thay đổi theo tuần chỉ số SSEC sàn Hồng Kong
N225w Thay đổi theo tuần chỉ số Nikkei Nhật Bản
FTSEw Thay đổi theo tuần chỉ số FTSE Anh
DJw Thay đổi theo tuần chỉ số Dow Jone
Nhân tố xu
hướng (theo
tháng)
VNI1m Thay đổi chỉ số chứng khoán thị trường độ trễ 1 tháng
VNI2m Thay đổi chỉ số chứng khoán thị trường độ trễ 2 tháng
VNI3m Thay đổi chỉ số chứng khoán thị trường độ trễ 3 tháng
Nhân tố xu
hướng (theo
tuần)
VNI1w Thay đổi chỉ số chứng khoán thị trường độ trễ 1 tuần
VNI2w Thay đổi chỉ số chứng khoán thị trường độ trễ 2 tuần
VNI3w Thay đổi chỉ số chứng khoán thị trường độ trễ 3 tuần
Bước 2: Kiểm nghiệm thống kê mô tả, tính dừng và sự đa cộng tuyến giữa các biến giải thích. (Phần
mềm thống kê sử dụng là phần mềm Eview 6.0)
153
Thực hiện kiểm định thống kê mô tả
Mục tiêu: Xem xét liệu phân phối xác suất của các biến giải thích có tuân theo quy luật phân
phối chuẩn hay không.
Phương pháp: Thống kê Jarque Bera.
Kết quả
Giả thiết Ho: Phân phối xác suất của biến giải thích tuân theo quy luật phân phối chuẩn
Bảng 3: Thống kê mô tả các nhân tố
Biến JarqueBera Probability
Nhóm các biến vĩ mô chưa điều
chỉnh độ trễ
CPI 36.2 0.000***
USD 2792.3 0.000***
LR 5746.1 0.000***
IP 166.7 0.000***
TB 5400 0.000***
M2 26.1 0.000***
CR 39.2 0.000***
Nhóm các biến vĩ mô đã điều
chỉnh độ trễ
CPId 30.9 0.000***
USDd 2708.8 0.000***
LRd 5573.4 0.000***
Ipd 160.5 0.000***
TBd 5237.5 0.000***
M2d 26.3 0.000***
CRd 37.7 0.000***
Nhóm các biến tài chính chưa
điều chỉnh độ trễ
ROE 331.48 0.000***
ROA 3105.02 0.000***
PE 13.3 0.000***
PB 1.43 0.490
CM 22.59 0.000***
CF 21.71 0.000***
EPS 289.66 0.000***
PM 40.08 0.000***
DE 316.93 0.000***
154
Nhóm các biến tài chính đã điều
chỉnh độ trễ
ROEd 284.61 0.000***
ROAd 2691.52 0.000***
PEd 12.85 0.000***
PBd 1.21 0.550
CMd 1.77 0.410
CFd 21.71 0.000***
EPSd 247.33 0.000***
PMd 32.95 0.000***
DEd 272.02 0.000***
Nhóm biến chỉ số các thị trường
khác (theo tháng)
SSECm 2.734 0.255
N225m 20.059 0.000***
FTSEm 9.796 0.007***
DJm 10.939 0.004***
Nhóm biến chỉ số các thị trường
khác (theo tuần)
SSECw 17.951 0.000***
N225w 1250.594 0.000***
FTSEw 1611.028 0.000***
DJw 797.531 0.000***
Nhóm các biến chỉ số thị trường
điều chỉnh độ trễ (theo tháng)
VNI1m 7.594 0.022**
VNI2m 7.202 0.027**
VNI3m 7.214 0.027**
Nhóm các biến chỉ số thị trường
điều chỉnh độ trễ (theo tuần)
VNI1w 26.829 0.000***
VNI2w 26.824 0.000***
VNI3w 26.84 0.000***
***: Mức ý nghĩa 1%; ** : Mức ý nghĩa 5%
Kết luận: Phân phối xác suất của các biến PB, PBd (PB_delay), CMd (CM_delay), SSECm
(SSEC_monthly) tuân theo quy luật phân phối chuẩn. Tuy nhiên chúng ta có thể chấp nhận giả
thuyết các biến này trong tương lai sẽ xảy ra phân phối chuẩn nên chúng ta chấp nhận giả thuyết để
tiến hành xem xét tiếp mô hình.
Kiểm nghiệm sự đa cộng tuyến giữa các biến giải thích
Mục tiêu: Xem xét liệu giữa các biến giải thích có bị đa cộng tuyến với nhau hay không.
Phương pháp: Sử dụng ma trận tương quan và mô hình hồi quy phụ 6 .
Theo thống kê, nếu hệ số tương quan cặp giữa các biến giải thích cao hơn 0,8 (80%) thì hai biến
được đánh giá là có đa cộng tuyến rất cao, có thể ảnh hưởng nghiêm trọng đến mô hình. 7
Bộ các biến kinh tế vĩ mô
6 Đ đánh giá s b hi n t ng đa c ng tuy n, chúng ta s d ng l c đ t t n g quan, khi đi sâu vào ki m
đ n h mô hình xây d ng chúng ta s s d ng mô hình h i quy ph đ ki m tr a s đa c ng tuy n c a mô hình.
7 Hoàng Ng c N h m (2008), Giáo trình kinh t l ng, Nxb Thành ph H Chí Minh.
155
Trường hợp bộ các biến kinh tế vĩ mô chưa điều chỉnh độ trễ
CPI USD LR IP TB M2 CR
CPI 1
USD 0.03835 1
LR 0.042357 0.039277 1
IP 0.21149 0.00237 0.066728 1
TB 0.1474 0.054472 0.0601 0.071726 1
M2 0.099711 0.06841 0.03927 0.05466 0.05652 1
CR 0.047149 0.039892 0.14859 0.112214 0.200897 0.10157 1
Trường hợp bộ các biến kinh tế vĩ mô đã điều chỉnh độ trễ
CPId USDd LRd Ipd TBd M2d CRd
CPI 1
USD 0.021623 1
LR 0.087395 0.039456 1
IP 0.068869 0.032 0.05213 1
TB 0.00611 0.046109 0.09375 0.071798 1
M2 0.143261 0.06811 0.02819 0.05437 0.05711 1
CR 0.19829 0.079382 0.02357 0.112382 0.200753 0.10281 1
Bộ các biến số tài chính
Trường hợp bộ biến số tài chính chưa điều chỉnh độ trễ
ROE ROA PE PB CM CF EPS PM DE
ROE 1
ROA 0.766** 1
PE 0.238 0.063 1
PB 0.016 0.158 0.731** 1
CM 0.683 0.724** 0.191 0.117 1
CF 0.166 0.267 0.032 0.056 0.124 1
EPS 0.815*** 0.759** 0.022 0.072 0.838*** 0.237 1
PM 0.709** 0.402 0.274 0.067 0.455 0.133 0.581 1
DE 0.066 0.27 0.26 0.165 0.096 0.103 0.379 0.106 1
***: Độ tương quan rất cao, trên 80%; ** : Độ tương quan cao, trên 70%;
Trường hợp bộ biến tài chính đã điều chỉnh độ trễ
PBd Ped PMd ROAd ROEd EPSd Ded CMd CFd
PB 1
PE 0.3185 1
PM 0.0760 0.431 1
ROA 0.1524 0.0328 0.3981 1
ROE 0.0096 0.3233 0.7070 0.7642 1
156
EPS 0.0614 0.5005 0.5767 0.7575 0.8150 1
DE 0.1541 0.3366 0.1222 0.2624 0.0552 0.3662 1
CM 0.1503 0.5006 0.2538 0.1655 0.0290 0.2859 0.6073 1
CF 0.0609 0.2545 0.1291 0.2639 0.1624 0.2318 0.0959 0.3466 1
***: Độ tương quan rất cao, trên 80%; ** : Độ tương quan cao, trên 70%
Nhóm biến chỉ số tương quan giữa các thị trường chứng khoán khác
Trường hợp phân tích theo tháng
SSECm N225m FTSEm DJm
SSEC 1
N225 0.297644 1
FTSE 0.227711 0.633929 1
DJ 0.318124 0.594146 0.838914*** 1
***: Độ tương quan rất cao, trên 80%
Trường hợp phân tích theo tuần
DOWw FTSEw N225w SSECw
DOWw 1
FTSEw 0.853837*** 1
N225w 0.68654 0.710413** 1
SSECw 0.093388 0.102218 0.212944 1
***: Độ tương quan rất cao, trên 80%; ** : Độ tương quan cao, trên 70%
Nhóm các biến chỉ số thị trường điều chỉnh độ trễ
Trường hợp phân tích theo tháng
VNI1m VNI2m VNI3m
VNI1m 1
VNI2m 0.38179 1
VNI3m 0.09387 0.377971 1
Trường hợp phân tích theo tuần
VNI1w VNI2w VNI3w
VNI1w 1
VNI2w 0.250431 1
VNI3w 0.135085 0.250775 1
Kiểm định tính dừng
Mục tiêu: Kiểm tra xem biến giải thích có tính dừng hay không.
157
Giải thích: Một trong những giả định của mô hình hồi quy cổ điển là các biến độc lập là phi
ngẫu nhiên, chúng có giá trị xác định. Nếu chúng ta ước lượng mô hình với chuỗi thời gian
trong đó các biến độc lập không dừng, khi đó giả thiết của OLS bị vi phạm. Nói cách khác,
phương pháp OLS không áp dụng cho các chuỗi không dừng.
Phương pháp: có thể tiến hành kiểm định theo các phương pháp sau:
o Sử dụng lược đồ tương quan (Correlogram).
oKiểm nghiệm đơn vị (Unit Root Test).
Xét mô hình: Yt = * Y(t1) + Ui, với Ui: nhiễu trắng.
Tiêu chuẩn Dickey – Fuller:
H0: : chuỗi là không dừng
H1: : chuỗi dừng
Biến tStatistic Probability Kết luận
Nhóm các biến vĩ mô
chưa điều chỉnh độ trễ
CPI 11.0608 0.0000*** Bác bỏ Ho
USD 9.0096 0.0000*** Bác bỏ Ho
LR 7.4263 0.0000*** Bác bỏ Ho
IP 13.3677 0.0000*** Bác bỏ Ho
TB 9.4445 0.0000*** Bác bỏ Ho
M2 8.3597 0.0000*** Bác bỏ Ho
CR 8.7762 0.0000*** Bác bỏ Ho
Nhóm các biến vĩ mô
đã điều chỉnh độ trễ
CPId 6.3868 0.0000*** Bác bỏ Ho
USDd 8.9574 0.0000*** Bác bỏ Ho
LRd 7.3784 0.0000*** Bác bỏ Ho
Ipd 13.3017 0.0001*** Bác bỏ Ho
TBd 9.3957 0.0000*** Bác bỏ Ho
M2d 8.3246 0.0000*** Bác bỏ Ho
CRd 8.7347 0.0000*** Bác bỏ Ho
Nhóm các biến tài
chính chưa điều chỉnh
độ trễ
ROE 8.9591 0.0000*** Bác bỏ Ho
ROA 51.5291 0.0001*** Bác bỏ Ho
PE 5.6817 0.0000*** Bác bỏ Ho
PB 6.9798 0.0000*** Bác bỏ Ho
CM 5.8281 0.0000*** Bác bỏ Ho
CF 7.0982 0.0000*** Bác bỏ Ho
EPS 9.5766 0.0000*** Bác bỏ Ho
PM 7.0232 0.0000*** Bác bỏ Ho
DE 6.7694 0.0000*** Bác bỏ Ho
Nhóm các biến tài
chính đã điều chỉnh độ
ROEd 8.7322 0.0000*** Bác bỏ Ho
ROAd 50.2496 0.0001*** Bác bỏ Ho
158
trễ Ped 5.5761 0.0000*** Bác bỏ Ho
PBd 6.8189 0.0000*** Bác bỏ Ho
CMd 4.2369 0.0017*** Bác bỏ Ho
CFd 6.9317 0.0000*** Bác bỏ Ho
EPSd 9.3440 0.0000*** Bác bỏ Ho
PMd 6.8513 0.0000*** Bác bỏ Ho
Ded 6.5530 0.0000*** Bác bỏ Ho
Nhóm các biến chỉ số
thị trường khác (theo
tháng)
SSECm 5.3209 0.0000*** Bác bỏ Ho
N225m 8.4136 0.0000*** Bác bỏ Ho
FTSEm 9.0673 0.0000*** Bác bỏ Ho
DJm 8.7140 0.0000*** Bác bỏ Ho
Nhóm các biến chỉ số
thị trường khác (theo
tuần)
SSECw 16.2216 0.0000*** Bác bỏ Ho
N225w 10.8334 0.0000*** Bác bỏ Ho
FTSEw 19.7595 0.0000*** Bác bỏ Ho
DJw 18.6524 0.0000*** Bác bỏ Ho
Nhóm các biến chỉ số
thị trường điều chỉnh
độ trễ ( theo tháng)
VNI1m 6.5865 0.0000*** Bác bỏ Ho
VNI2m 6.5922 0.0000*** Bác bỏ Ho
VNI3m 6.6283 0.0000*** Bác bỏ Ho
Nhóm các biến chỉ số
thị trường điều chỉnh
độ trễ (theo tuần)
VNI1w 13.2251 0.0000*** Bác bỏ Ho
VNI2w 13.2317 0.0000*** Bác bỏ Ho
VNI3w 13.2261 0.0000*** Bác bỏ Ho
***: Mức ý nghĩa 1%
Kết luận: Tất cả các biến giải thích đều có tính dừng.
159
XÂY DỰNG MÔ HÌNH HỒI QUY TUYẾN TÍNH TRUYỀN THỐNG VÀ KIỂM ĐỊNH
Bộ các biến vĩ mô chưa điều chỉnh độ trễ
Hồi quy đơn biến
Biến kết hợp CPI USD LR IP TB M2 CR
Coefficient 0.01294 0.13811 0.00059 0.10723 0.00141 0.01641 0.00157
tStatistic 0.11562 1.24536 0.72803 1.50098 0.21869 0.24857 0.02596
Prob. 0.9082 0.2159 0.4683 0.1364 0.8273 0.8042 0.9793
Rsquared 0.000131 0.01498 0.00517 0.02161 0.00047 0.00061 0.00001
Kết luận: Không có mô hình hồi quy đơn biến nào có ý nghĩa thống kê.
Hồi quy đa biến và kiểm định
Xây dựng mô hình hồi quy tuyến tính đa biến bao gồm tất cả các biến giải thích:
VNI = 0.130006556422*USD 0.000866257260281*TB + 0.0114627390088*M2
0.000663493690381*LR + 0.117310676701*IP 0.0149794087238*CR +
0.0215545746948*CPI + 0.157481425478
Kết quả thống kê của các biến giải thích trong mô hình đa nhân tố:
Biến USD TB M2 LR IP CR CPI
tstatistic 1.1484 0.1283 0.16972 0.7926 1.5547 0.2332 0.18235
Prob. 0.2537 0.8982 0.8656 0.43 0.1233 0.8161 0.8557
Kết luận: Mô hình hồi quy tuyến tính đa biến không có ý nghĩa (Prob(Fstatistic) = 72,7%)
Kiểm định thừa biến: Giả thiết H0: Hệ số hồi quy của các biến đưa thêm vào mô hình bằng không
c(cpi) = c(usd) = c(lr) = c(ip) = c(tb) = c(cr) = 0
Redundant Variables: CPI USD TB M2 LR IP CR
Fstatistic 0.633106 Prob. F(7,96) 0.7274
Log likelihood ratio 4.693535 Prob. ChiSquare(7) 0.6973
Kết luận: Chấp nhận giả thiết Ho, hệ số hồi quy của các nhân tố bằng không, không thể xây dựng
được mô hình hồi quy tuyến tính đa nhân tố từ các biến giải thích trong bộ các biến vĩ mô chưa điều
chỉnh độ trễ.
Bộ các biến vĩ mô đã điều chỉnh độ trễ
160
Hồi quy tuyến tính đơn biến
Biến kết hợp CPId USDd LRd IPd TBd M2d CRd
Coefficient 0.7993 1.3609 0.0059 0.0133 0.0046 1.1196 0.4058
tStatistic 0.6596 1.2245 0.7326 0.1844 0.7169 1.7141 0.6718
Prob. 0.5110 0.2236 0.4655 0.8541 0.4751 0.0896* 0.5033
RSquared 0.0043 0.0146 0.0053 0.0003 0.0051 0.0283 0.0044
*: mức ý nghĩa 10%; **: Mức ý nghĩa 5%; ***: Mức ý nghĩa 1%.
Kết luận: Với mức ý nghĩa 10% thì mô hình hồi quy tuyến tính đơn biến giữa M2d và VNI là có ý
nghĩa thống kê.
Mô hình: VNI = 1.11960320926*M2d 0.00916121818653
Hồi quy tuyến tính đa biến và kiểm định
Từ mô hình hồi quy tuyến tính đơn biến M2d và VNI, ta kiểm định trường hợp mô hình tối
ưu thiếu 1 biến so với mô hình hồi quy đơn biến ban đầu (Biến thiếu lần lượt là các biến còn
lại).
Phương pháp: Sử dụng kiểm định Omited VariablesLikelihoodratio trong phần mềm Eview 6.0
Giả thiết H0: Hệ số hồi quy của biến đưa thêm vào mô hình bằng không
Biến đưa vào CPId USDd LRd IPd TBd CRd
Fstatistic 0.850161 1.255201 0.478046 0.008737 0.677856 0.254536
Prob. F(1,100) 0.3587 0.2652 0.4909 0.9257 0.4123 0.615
Kết luận: Không xảy ra trường hợp thiếu 1 biến.
Kiểm định trường hợp đưa thêm đồng thời cả 6 biến còn lại vào mô hình. Giả thiết H0: Hệ số
hồi quy của các biến đưa thêm vào mô hình bằng không
c(cpid) = c(usdd) = c(lrd) = c(ipd) = c(tbd) = c(crd) = 0
Kết quả kiểm định:
Omitted Variables: CPID CRD IPD LRD TBD USDD
Fstatistic 0.597056 Prob. F(6,95) 0.7320
Log likelihood ratio 3.812569 Prob. ChiSquare(6) 0.7020
Kết luận: Chấp nhận giả thiết H0, mô hình không thiếu biến giải thích nào.
Vậy, mô hình hồi quy tuyến tính phù hợp là mô hình xây dựng dựa trên biến giải thích là M2d.
161
Kiểm định mô hình có hiện tượng phương sai thay đổi: Kiểm định White. Giả thiết H0:
Phương sai không đổi
Heteroskedasticity Test: White
Fstatistic 0.292825 Prob. F(2,100) 0.7468
Obs*Rsquared 0.599708 Prob. ChiSquare(2) 0.7409
Scaled explained SS 0.826162 Prob. ChiSquare(2) 0.6616
Kết luận: Chấp nhận giả thiết H0, mô hình không có hiện tượng phương sai thay đổi.
Kiểm định sự tự tương quan: Kiểm định Breusch Godfrey. Giả thiết H0: Không có hiện
tượng tự tương quan.
BreuschGodfrey Serial Correlation LM Test:
Fstatistic 18.61459 Prob. F(1,100) 0
Obs*Rsquared 16.16414 Prob. ChiSquare(1) 0.0001
Kết luận: Bác bỏ giả thiết H0, mô hình có hiện tượng tự tương quan.
Kết luận: Không thể xây dựng được mô hình hồi quy tuyến tính dựa trên dữ liệu từ bộ dữ liệu các
biến vĩ mô đã điều chỉnh độ trễ.
Các biến tài chính chưa điều chỉnh độ trễ
Hồi quy tuyến tính đơn biến
Variable ROE ROA PE PB CM CF EPS PM DE
Coefficient 0.591 0.118 0.556 0.501 0.725 0.016 0.405 0.393 0.082
tStatistic 3.023 3.282 5.311 5.896 13.251 0.616 3.085 1.969 0.446
Prob. 0.004*** 0.002*** 0.000*** 0.000*** 0.000*** 0.549 0.004*** 0.055* 0.658
Rsquared 0.175 0.2 0.396 0.447 0.803 0.028 0.181 0.083 0.005
* : mức ý nghĩa 10%; ** : Mức ý nghĩa 5%; ***: Mức ý nghĩa 1%.
Kiểm định các mô hình hồi quy đơn biến
Kiểm định hiện tượng phương sai thay đổi (Kiểm định White). Giả thiết H0: Phương sai không đổi.
Kết quả kiểm định:
Kiểm định White
Fstatistic Prob.F(2,42) Kết luận
CM 6.410346 0.0037 Bác bỏ Ho
ROA 1.162907 0.3224 Chấp nhận Ho
ROE 0.552882 0.5794 Chấp nhận Ho
PE 3.035308 0.0587* Bác bỏ Ho
PB 0.169915 0.8443 Chấp nhận Ho
EPS 0.046042 0.955 Chấp nhận Ho
162
PM 1.883569 0.1647 Chấp nhận Ho
*: Mức ý nghĩa 10%
Kết luận:
§ Mô hình hồi quy tuyến tính đơn biến với biến giải thích lần lượt là CM và PE có hiện
tượng phương sai thay đổi, hay nói cách khác, mô hình không phù hợp.
§ Mô hình hồi quy tuyến tính đơn biến với biến giải thích lần lượt là ROA,ROE, PB, EPS,
PM không có hiện tượng phương sai thay đổi. Ta tiếp tục kiểm định hiện tượng tự tương quan
cho các mô hình hồi quy tuyến tính đơn biến này.
Kiểm định hiện tượng tự tương quan (kiểm định BreuschGodfrey). Giả thiết H0: Mô hình không có
hiện tượng tự tương quan.
Kết quả kiểm định:
Kiểm định BreuschGodfrey
Mức độ
giải thích
của MH Fstatistic Prob. F(1,42) Kết luận
ROA 3.737803 0.06 Bác bỏ giả thiết Ho
ROE 2.199896 0.1455 Chấp nhận giả thiết Ho 0.2
PB 0.032179 0.8585 Chấp nhận giả thiết Ho 0.447
EPS 1.967781 0.168 Chấp nhận giả thiết Ho 0.028
PM 2.026079 0.162 Chấp nhận giả thiết Ho 0.083
Kết luận:
§ Mô hình hồi quy tuyến tính đơn biến với biến giải thích là ROA có hiện tượng tự tương
quan. Mô hình này không phù hợp
§ Mô hình hồi quy tuyến tính đơn biến với biến giải thích là ROE, PB, EPS, PM không có
hiện tượng tự tương quan. Trong đó, mô hình hồi quy tuyến tính với biến giải thích là PB có
mức độ giải thích cao nhất hay mô hình hồi quy tuyến tính đơn biến tối ưu nhất, ta tiếp tục
đưa thêm biến giải thích vào mô hình này.
Mô hình hồi quy đa biến và kiểm định
Mô hình hồi quy tuyến tính đơn biến tối ưu nhất:
VNI = 0.501093285767*PB + 0.00443970671375
Trước tiên, ta tiến hành kiểm định trường hợp thiếu 1 biến cho mô hình hồi quy tuyến tính đơn biến
trên, các biến giải thích lần lượt được đưa vào kiểm định là: ROA, ROE, PE, CM, EPS, PM, CM,
DE.
Giả sử ta kiểm định trường hợp mô hình thiếu biến ROA,
163
VNI =
Giả thiết H0: C(2) = 0.
Giả thiết H0 là tương tự đối với trường hợp thiếu 1 trong số các biến giải thích còn lại vào mô hình.
Kết quả kiểm định:
Omitted Variables – Likelihood
Fstatistic Prob. F(1,42) Kết luận
ROA 39.61286 0 Bác bỏ Ho
ROE 22.28415 0 Bác bỏ Ho
PE 7.707063 0.0082 Bác bỏ Ho
PM 7.620512 0.0085 Bác bỏ Ho
EPS 30.40178 0 Bác bỏ Ho
DE 1.223536 0.275 Chấp nhận Ho
CM 156.0095 0 Bác bỏ Ho
CF 1.656591 0.2051 Chấp nhận Ho
Như vậy ta có thể đưa thêm 1 trong các biến ROA, ROE, PE, PM, EPS, CM vào mô hình. Tiến hành
xây dựng mô hình hồi quy tuyến tính với 2 biến giải thích là PB và 1 trong các biến trên, kết quả hồi
quy và kiểm định tự tương quan, phương sai thay đổi như sau:
164
165
Như vậy, mô hình hồi quy tuyến tính với 2 biến giải thích là PE và PB là không có hiện tượng
phương sai thay đổi và tự tương quan. Ta tiến hành kiểm định hiện tượng đa cộng tuyến bằng mô
hình hồi quy phụ.
Kết quả:
Variable Coefficient Std. Error tStatistic Prob.
PB 0.497317 0.104696 4.750093 0.0000
C 0.009642 0.018553 0.519703 0.6059
Rsquared 0.344146 Mean dependent var 0.016584
Adjusted Rsquared 0.328894 S.D. dependent var 0.151449
S.E. of regression 0.124069 Akaike info criterion 1.292538
Sum squared resid 0.661899 Schwarz criterion 1.212242
Log likelihood 31.08211 HannanQuinn criter. 1.262605
Fstatistic 22.56339 DurbinWatson stat 2.024333
Prob(Fstatistic) 0.000023
Kết luận: Xảy ra hiện tượng đa cộng tuyến giữa các biến giải thích, mô hình không phù hợp.
Như vậy, nếu ta chọn mô hình hồi quy tuyến tính đơn biến tối ưu với biến giải thích là PB thì không
thể xây dựng được mô hình hồi quy tuyến tính đa biến. Áp dụng tương tự với trường hợp các mô
hình hồi quy tuyến tính đơn biến còn lại, kết quả là không thể xây dựng được mô hình hồi quy tuyến
tính đa biến.
Bảng dưới đây là ma trận hồi quy phụ giữa các biến, cho biết các biến giải thích có bị hiện tượng đa
cộng tuyến với nhau hay không. Từ bảng này, kết hợp với kết quả từ hồi quy đơn biến, ta tiến hành
xây dựng các mô hình hồi quy tuyến tính đa biến và kiểm định.
ROA ROE PB PE PM EPS CM CF
ROE(coefficient) 4.132
Prob. 0.00***
PB(coefficient) 0.289 0.015
Prob. 0.508 0.853
PE(coefficient) 0.175 0.051 0.497
Prob. 0.735 0.596 0.00***
PM(coefficient) 2.219 0.692 0.011 0.134
Prob. 0.004*** 0.00*** 0.97 0.573
EPS(coefficient) 2.791 0.545 0.104 0.05 0.418
Prob. 0.000** 0.000*** 0.594 0.76 0.00***
CM(coefficient) 1.726 0.301 0.505 0.41 0.214 0.546
Prob. 0.00*** 0.00*** 0.001*** 0.002*** 0.015*** 0.00***
CF(coefficient) 0.18 0.021 0.007 0.009 0.02 0.049 0.025
Prob. 0.035** 0.196 0.809 0.719 0.22 0.037** 0.377
166
DE (coefficient) 1.297 0.065 0.137 0.161 0.076 0.491 0.126 1.029
Prob. 0.06* 0.619 0.579 0.439 0.573 0.009*** 0.58 0.404
* : mức ý nghĩa 10%; ** : Mức ý nghĩa 5%; ***: Mức ý nghĩa 1%.
Kết luận cuối cùng: Không thể xây dựng được mô hình hồi quy tuyến tính đa biến dựa trên dữ liệu
trong bộ biến tài chính chưa điều chỉnh dộ trễ.
Vậy mô hình hồi quy tuyến tính tối ưu nhất nếu sử dụng các dữ liệu biến tài chính chưa điều chỉnh
độ trễ là:
VNI = 0.501093285767*PB + 0.00443970671375
Với độ giải thích của mô hình là 44.7%
Các biến tài chính đã điều chỉnh độ trễ
Hồi quy tuyến tính đơn biến
Biến giải
thích ROE ROA PE PB CM CF EPS PM DE
tStatistic 0.098 0.312 5.249 0.077 13.120 0.896 0.499 0.580 1.623
Prob. 0.923 0.757 0.00*** 0.939 0.000*** 0.388 0.620 0.565 0.113
***: Mức ý nghĩa 1%
Kiểm định hiện tượng phương sai thay đổi cho mô hình hồi quy tuyến tính đơn biến với biến giải
thích lần lượt là CM và PE. Phương pháp sử dụng là kiểm định White.
Giả thiết H0: Mô hình có hiện tượng phương sai không đổi (thuần nhất):
o Biến giải thích là PE
Heteroskedasticity Test: White
Fstatistic 62.76921 Prob. F(2,40) 0.0000
Kết luận: Bác bỏ H0. Có hiện tượng phương sai thay đổi, mô hình không phù hợp.
o Biến giải thích là CM
Heteroskedasticity Test: White
Fstatistic 87.69402 Prob. F(2,40) 0.0000
Kết luận: Bác bỏ H0, có hiện tượng phương sai thay đổi. Mô hình không phù hợp.
Bây giờ ta tiến hành tìm mô hình tốt nhất theo phương pháp loại bớt biến. Đầu tiên ta xây dựng 1 mô
hình hồi quy tuyến tính với tất cả các biến giải thích trên:
167
Variable Coefficient Std. Error tStatistic Prob.
ROED 0.249616 0.165923 1.504408 0.1420
ROAD 0.116012 0.028231 4.109393 0.0002
PMD 0.077414 0.105213 0.735787 0.4671
PED 0.487758 0.072298 6.746520 0.0000
PBD 0.017219 0.036885 0.466838 0.6437
EPSD 0.269579 0.103968 2.592896 0.0141
DED 0.036079 0.074343 0.485306 0.6307
CMD 0.458234 0.067905 6.748210 0.0000
CFD 0.007960 0.007766 1.025042 0.3128
C 0.021676 0.007301 2.968770 0.0055
Rsquared 0.906496 Mean dependent var 0.013791
Adjusted Rsquared 0.880995 S.D. dependent var 0.121893
S.E. of regression 0.042049 Akaike info criterion 3.299517
Sum squared resid 0.058349 Schwarz criterion 2.889935
Log likelihood 80.93961 HannanQuinn criter. 3.148476
Fstatistic 35.54725 DurbinWatson stat 1.853071
Prob(Fstatistic) 0.000000
Kế đến, ta loại bỏ dần các biến thông qua kiểm định thừa biến Redundant Variables Likelihood
Ratio, mô hình phù hợp nhất sau khi loại bỏ các biến không cần thiết là:
Variable Coefficient Std. Error tStatistic Prob.
ROAD 0.086736 0.023118 3.751868 0.0006
PED 0.428195 0.063700 6.722060 0.0000
EPSD 0.372768 0.086850 4.292081 0.0001
CMD 0.507790 0.059571 8.524168 0.0000
C 0.024075 0.006916 3.480844 0.0013
Rsquared 0.891154 Mean dependent var 0.013791
Adjusted Rsquared 0.879696 S.D. dependent var 0.121893
S.E. of regression 0.042278 Akaike info criterion 3.380145
Sum squared resid 0.067923 Schwarz criterion 3.175354
Log likelihood 77.67311 HannanQuinn criter. 3.304624
Fstatistic 77.77901 DurbinWatson stat 1.838099
Prob(Fstatistic) 0.000000
Tiến hành kiểm định đa cộng tuyến cho mô hình trên, kết quả như sau:
Kết luận: Có hiện tượng đa cộng tuyến, nên bỏ bớt biến EPSd và một trong 2 biến Ped hoặc CMd ra
khỏi mô hình.
168
ROAd PEd EPSd
Ped 0.003
prob. 0.742
EPSd 0.593 0.085
prob. 0.000*** 0.057*
CMd 0.006 0.335 0.017
prob. 0.622 0*** 0.409
***: Mức ý nghĩa 1%; ** : Mức ý nghĩa 5%; * : Mức ý nghĩa 10%
Như vậy có hiện tượng đa cộng tuyến giữa EPSd và ROAd, Ped, giữa Ped và CMd, vậy nên loại bỏ
Ped và EPSd ra khỏi mô hình. Lúc này mô hình còn lại 2 biến giải thích:
Variable Coefficient Std. Error tStatistic Prob.
ROAD 0.004156 0.018127 0.229288 0.8198
CMD 0.754044 0.066969 11.25967 0.0000
C 0.033665 0.009601 3.506284 0.0011
Rsquared 0.760755 Mean dependent var 0.013791
Adjusted Rsquared 0.748793 S.D. dependent var 0.121893
S.E. of regression 0.061093 Akaike info criterion 2.685618
Sum squared resid 0.149295 Schwarz criterion 2.562744
Log likelihood 60.74079 HannanQuinn criter. 2.640306
Fstatistic 63.59643 DurbinWatson stat 1.718582
Prob(Fstatistic) 0.000000
Kết luận: Tiếp tục loại bỏ biến ROAd ra khỏi mô hình, vậy mô hình đa biến giờ chỉ còn là mô hình
đơn biến với CMd là biến giải thích. Mô hình hồi quy tuyến tính đơn biến với CMd là biến giải thích
ta đã kiểm định ở phần trên, và đã phát hiện mô hình có hiện tượng phương sai thay đổi. Tóm lại,
không thể xây dựng được mô hình hồi quy tuyến tính từ bộ dữ liệu các biến tài chính đã điều chỉnh
độ trễ.
Các biến chỉ số thị trường khác (trường hợp theo tháng)
Hồi quy tuyến tính đơn biến
Biến kết hợp DJm FTSEm N225m SSECm
tStatistic 3.723 3.461 4.316 2.690
Prob. 0.000 0.001 0.000 0.008
RSquared 0.119 0.014629** 0.153 0.06562*
***: Mức ý nghĩa 1%; ** : Mức ý nghĩa 5%; * : Mức ý nghĩa 10%
Kết luận: Tất cả các mô hình hồi quy đơn biến đều có ý nghĩa thống kê với mức ý nghĩa 1%.
Mô hình: VNIm = 0.899659*DJm + 0.011105
169
VNIm = 0.84424*FTSEm + 0.011297
VNIm = 0.773768*N225m + 0.012142
VNIm = 0.323669*SSECm + 0.009781
Hồi quy tuyến tính đa biến và kiểm định
Từ các mô hình hồi quy tuyến tính đơn biến trên, ta tiến hành kiểm định hiện tượng phương
sai thay đổi và kiểm định tự tương quan.
Kiểm định hiện tượng phương sai thay đổi: Kiểm định White.
Giả thiết H0: Không có hiện tượng phương sai thay đổi.
Kết quả kiểm định:
Fstatistic Prob. F(2.102) Kết luận
DJm 0.926828 0.3991 Chấp nhận giả thiết H0
FTSEm 1.423116 0.2457 Chấp nhận giả thiết Ho
N225m 0.688148 0.5048 Chấp nhận giả thiết Ho
SSECm 1.035809 0.3586 Chấp nhận giả thiết Ho
Kết luận: Mô hình hồi quy tuyến tính với 4 biến giải thích DJm, FTSEm, N225m và SSECm đều
không xảy ra hiện tượng phương sai thay đổi. Ta tiếp tục tiến hành kiểm định tự tương quan cho 4
mô hình này.
· Kiểm định tự tương quan: Kiểm định Breusch Godfrey
Giả thiết H0: Không có hiện tượng tự tương quan
Kết quả kiểm định:
Kiểm định BreuschGodfrey
Fstatistic Prob. F(1,102) Kết luận
DJm 10.5032 0.0016*** Bác bỏ giả thiết Ho
FTSEm 12.8208 0.0005*** Bác bỏ giả thiết Ho
N225m 10.3582 0.0017*** Bác bỏ giả thiết Ho
SSECm 8.69243 0.004*** Bác bỏ giả thiết Ho
***: Mức ý nghĩa 1%
Kết luận: Cả 4 mô hình hồi quy đơn biến với các biến giải thích lần lượt là DJm, FTSEm, N225m,
SSECm đều xảy ra hiện tượng tự tương quan.
170
ð Không thể xây dựng được mô hình hồi quy tuyến tính dựa trên dữ liệu trong bộ dữ liệu các
nhân tố các thị trường khác.
Các biến thị trường khác (trường hợp theo tuần)
Hồi quy tuyến tính đơn biến
Biến kết hợp DJw FTSEw N225w SSECw
Coefficient 0.0674 0.0609 0.0011 0.18172
tStatistic 0.6446 0.6308 0.0132 2.72684
Prob. 0.5197 0.5287 0.9894 0.0068***
RSquared 0.0014 0.00134 1E06 0.02442
***: Mức ý nghĩa 1%
Kết luận: Mô hình hồi quy đơn biến giữa SSECw và VNIw là 2 mô hình có ý nghĩa thống kê với
mức ý nghĩa 1%
Mô hình: VNIw = 0.18172 * SSECw + 0.002682
Hồi quy tuyến tính đa biến và kiểm định
· Từ 2 mô hình hồi quy đơn biến trên ta tiến hành kiểm định hiện tượng phương sai thay đổi
và kiểm định tự tương quan.
Kiểm định hiện tượng phương sai thay đổi : Kiểm định White. Giả thiết H0 : Không
có hiện tượng phương sai thay đổi
Kết quả kiểm định:
Heteroskedasticity Test: White
Fstatistic 0.673796 Prob. F(2,296) 0.5106
Kết luận: Chấp nhận giả thiết H0, mô hình không có hiện tượng phương sai thay đổi.
Kiểm định hiện tượng tự tương quan: Kiểm định Breusch Godfrey. Giả thiết H0: Không có
hiện tượng tự tương quan
Kết quả kiểm định:
BreuschGodfrey Serial Correlation LM Test:
Fstatistic 16.48881 Prob. F(1,296) 0.0001
Kết luận: Bác bỏ giả thiết H0, mô hình có hiện tượng tự tương quan.
Như vậy, không thể xây dựng được mô hình hồi quy tuyến tính theo dữ liệu của bộ nhân tố các thị
trường tài chính khác.
171
Các biến chỉ số thị trường đã điều chỉnh độ trễ (trường hợp theo tháng)
Hồi quy tuyến tính đơn biến
Biến kết hợp VNI1m VNI2m VNI3m
Coefficient 0.383975 0.097281 0.05245
tStatistic 4.102325 0.964422 0.51991
Prob. 0.0001*** 0.3372 0.6043
RSquared 0.146558 0.009402 0.002751
***: Mức ý nghĩa 1%
Kết luân: Mô hình hồi quy tuyến tính đơn biến giữa VNI1m và VNIm có nghĩa thống kê với mức ý
nghĩa 1 %.
Mô hình: VNIm = 0.383975 * VNI1m + 0.008382
Hồi quy tuyến tính đa biến và kiểm định
Từ mô hình hồi quy đơn biến trên ta tiến hành kiểm định hiện tượng phương sai thay đổi và
kiểm định tự tương quan.
Kiểm định hiện tượng phương sai thay đổi : Kiểm định White. Giả thiết H0 : Không có hiện
tượng phương sai thay đổi
Kết quả kiểm định:
Heteroskedasticity Test: White
Fstatistic 0.549705 Prob. F(2,97) 0.5789
Kết luận: Chấp nhận giả thiết H0, mô hình không có hiện tượng phương sai thay đổi.
Kiểm định hiện tượng tự tương quan: Kiểm định Breusch Godfrey
Giả thiết H0: Không có hiện tượng tự tương quan
Kết quả kiểm định:
BreuschGodfrey Serial Correlation LM Test:
Fstatistic 0.334717 Prob. F(1,97) 0.5642
Kết luận: Chấp nhận giả thiết H0, mô hình không có hiện tượng tự tương quan.
Như vậy mô hình hồi quy đơn biến giữa VNI1m và VNIm là phù hợp.
Từ mô hình đơn biến trên ta tiến hành kiểm định xem mô hình có bỏ sót các biến còn lại hay
không.
Phương pháp: Sử dụng kiểm định Omited VariablesLikelihoodratio trong phần mềm Eview 6.0
172
Giả thiết H0: hệ số hồi quy của biến đưa thêm vào mô hình bằng không
Kết quả kiểm định:
Biến đưa vào VNI2m VNI3m
Fstatistic 0.32311 0.90408
Prob. F(1,97) 0.5711 0.3441
Kết luận: Chấp nhận giả thiết H0, tức là không xảy ra trường hợp thiếu 1 biến.
Kiểm định trường hợp đưa đưa thêm đồng thời cả 2 biến còn lại vào mô hình
Giả thiết H0: Hệ số hồi quy của các biến đưa thêm vào mô hình = 0
c(vni2m) = c(vni3m)=0.
Kết quả kiểm định:
Omitted Variables: VNI2m VNI3m
Fstatistic 0.474584 Prob. F(2,96) 0.6236
Log likelihood ratio 0.983861 Prob. ChiSquare(2) 0.6114
Kết luận: Chấp nhận giả thiết Ho, mô hình không thiếu biến giải thích nào.
Vậy, mô hình hồi quy tuyến tính phù hợp là mô hình xây dựng dựa trên biến giải thích là VNI1m.
Các biến chỉ số thị trường điều chỉnh độ trễ (trường hợp theo tuần)
Hồi quy tuyến tính đơn biến
Biến kết hợp VNI1w VNI2w VNI3w
Coefficient 0.250109 0.135148 0.101195
tStatistic 4.421367 2.334618 1.741042
Prob. 0.000* 0.0202** 0.0827***
RSquared 0.062545 0.018262 0.01024
****: mức ý nghĩa 1%; **: Mức ý nghĩa 5%; *: Mức ý nghĩa 10%.
Kết luân: Mô hình hồi quy tuyến tính đơn biến giữa VNI1w, VNI2w và VNI3w với VNIw đều có ý
nghĩa thống kê
Mô hình: VNIw = 0.250109* VNI1w + 0.002591
VNIw= 0.135148* VNI2w + 0.002982
VNIw = 0.101195* VNI3w + 0.003102
Hồi quy tuyến tính đa biến và kiểm định
173
Từ 3 mô hình hồi quy đơn biến trên ta tiến hành kiểm định hiện tượng phương sai thay đổi
và kiểm định tự tương quan.
Kiểm định hiện tượng phương sai thay đổi : Kiểm định White. Giả thiết H0: Không có hiện
tượng phương sai thay đổi
Kết quả kiểm định
Kiểm định White
Fstatistic Prob.F(2,292) Kết luận
VNI1w 1.827408 0.1627 Chấp nhận Ho
VNI2w 4.796707 0.0089*** Bác bỏ Ho
VNI3w 4.1849 0.0161** Bác bỏ Ho
****: Mức ý nghĩa 1%; **: Mức ý nghĩa 5%
Kết luận:
§ Mô hình hồi quy tuyến tính đơn biến với biến giải thích VNI2w và VNI3w có xảy ra hiện
tượng phương sai thay đổi.
§ Mô hình hồi quy tuyến tính đơn biến với biến giải thích VNI1w không xảy ra hiện tượng
phương sai thay đổi nên ta tiến hành kiểm định hiện tượng tự tương quan với hai mô hình
này.
Kiểm định hiện tượng tự tương quan: Kiểm định Breusch – Godfrey. Giả thiết H0: Không có
hiện tượng tự tương quan.
Kết quả kiểm định:
Kiểm định BreuschGodfrey
Fstatistic Prob. F(1,292) Kết luận
VNI1w 1.756501 0.1861 Chấp nhận giả thiết Ho
Kết luận: Mô hình không có hiện tượng tự tương quan.
Như vậy mô hình hồi quy đơn biến giữa VNI1w và VNIw là phù hợp.
Từ mô hình đơn biến trên ta tiến hành kiểm định xem mô hình có bỏ sót các biến còn lại hay
không.
Phương pháp: Sử dụng kiểm định Omited VariablesLikelihoodratio trong phần mềm Eview
6.0
Giả thiết H0: hệ số hồi quy của biến đưa thêm vào mô hình = 0
Biến đưa vào VNI2w VNI3w
Fstatistic 1.757691 1.44875
174
Prob. F(1,292) 0.1859 1.44875
Kết luận: Chấp nhận giả thiết H0, tức là không xảy ra trường hợp thiếu 1 biến.
Kiểm định trường hợp đưa đưa thêm đồng thời cả 2 biến còn lại vào mô hình
Giả thiết H0: Hệ số hồi quy của các biến đưa thêm vào mô hình = 0
c(vni2w) = c(vni3w) = 0.
Kết quả kiểm định:
Omitted Variables: VNI2w VNI3w
Fstatistic 1.309276 Prob. F(2,291) 0.2716
Log likelihood ratio 2.642673 Prob. ChiSquare(2) 0.2668
Kết luận: Chấp nhận giả thiết H0, mô hình không thiếu biến giải thích nào.
Vậy, mô hình hồi quy tuyến tính phù hợp là mô hình xây dựng dựa trên biến giải thích là VNI1w.
KẾT LUẬN
Trong quá trình xây dựng mô hình hồi quy tuyến tính đa nhân tố để xác định tỷ suất sinh lợi của thị
trường chứng khoán, người viết đưa ra một số kết luận sau:
Những nhân tố ảnh hưởng đến tỷ suất sinh lợi của thị trường và có ý nghĩa thống kê khi xây
dựng mô hình là PB (chỉ số giá sổ sách/ giá thị trường) và VNI1 (chỉ số thị trường điều
chỉnh độ trễ 1 tháng).
Đối với bộ các nhân tố vĩ mô, mặc dù khi tiến hành kiểm định, các nhân tố không cho ra một
kết quả đáng tin cậy, nhưng điều cần nhấn mạnh là bộ các nhân tố vĩ mô đã điều chỉnh độ trễ
cho ra một kết quả thống kê cải thiện hơn so với khi chưa điều chỉnh độ trễ.
Đối với các nhân tố độ trễ thị trường, khi tiến hành xây dựng mô hình, dù trong trường hợp
mô hình xây dựng theo tuần hay theo tháng, chỉ có nhân tố chỉ số thị trường điều chỉnh trễ 1
kì là có ý nghĩa thống kê.
Từ biến PB và VNI1, người viết tiến hành xây dựng mô hình và thu được kết quả là một mô
hình đa nhân tố với độ giải thích là 48%. Đây là mô hình hồi quy tuyến tính tốt nhất có thể
xây dựng từ bộ dữ liệu các nhân tố mà người viết tập hợp được.
Dependent Variable: VNI
Method: Least Squares
175
Variable Coefficient Std. Error tStatistic Prob.
VNI1 0.195256 0.112971 1.728369 0.0913
BP 0.459210 0.086552 5.305568 0.0000
C 0.003534 0.014733 0.239857 0.8116
Rsquared 0.483751 Mean dependent var 0.002556
Adjusted Rsquared 0.459168 S.D. dependent var 0.133892
S.E. of regression 0.098466 Akaike info criterion 1.733880
Sum squared resid 0.407209 Schwarz criterion 1.613436
Log likelihood 42.01231 HannanQuinn criter. 1.688980
Fstatistic 19.67808 DurbinWatson stat 1.938519
Prob(Fstatistic) 0.000001
Theo đó, mô hình hồi quy tuyến tínhgiúp xác định tỉ suất sinh lợi của thị trường có dạng:
VNI = 0.195255718065*VNI1 + 0.459210023695*BP + 0.00353392919441
176
Phụ lục 4
Cách tính các chỉ số phân tích kỹ thuật
Chỉ báo trung bình di động (Moving average MA)
Chỉ báo này cho biết giá trị trung bình của giá chứng khoán trong một khoảng thời gian nhất định.
Nó sẽ hữu ích trong việc loại trừ phần nào các yếu tố nhiễu trong chuỗi ban đầu và cho một bức
trang tổng quát hơn về các xu hướng cơ bản. Hai loại trung bình di động được sử dụng phổ biến nhất
là trung bình di động giản đơn (Simple Moving Average – SMA) và trung bình di động theo hàm mũ
(Exponential Moving Average – EMA).
Trung bình di động giản đơn SMA
Trong một khoảng thời gian nhất định, trung bình di động giản đơn SMA được tính toán theo công
thức sau:
Với: SMA là trung bình di động giản đơn (simple moving average)
Ci là giá trị thứ i trong chuỗi dữ liệu
i là số dữ liệu trong chuỗi
Theo đó, khoảng thời gian tính toán càng ngắn thì đường trung bình di động sẽ càng nhạy cảm với
sự thay đổi của giá. Chỉ báo trung bình di động ngắn hạn điển hình thường được tính toán cho
khoảng thời gian từ 5 đến 25 ngày, trung hạn là từ 25 đến 100 ngày, và 200 đến 250 ngày là trung
bình di động dài hạn.
Trung bình di động hàm mũ EMA
EMA có phần khác so với trung bình di động giản đơn ở chỗ EMA sẽ thiết lập các trọng số cao hơn
đối với các mức giá gần đây nhất. Mức trọng số ứng với các mức giá gầy đây nhất sẽ phụ thuộc vào
độ dài khoảng thời gian được sử dụng để tính toán chỉ báo này.
Bình quân di động theo hàm mũ sẽ được tính toán qua ba bước, trước hết là tính toán trung bình di
động giản đơn và đây sẽ là điểm khởi đầu của chuỗi trung bình di động theo hàm mũ. Tiếp đó sẽ là
việc tính toán trọng số cho mức giá gần nhất và cuối cùng là tính toán trung bình di động theo hàm
mũ.
Cuối cùng, trung bình di động hàm mũ được thực hiện theo công thức sau:
177
Với: EMA là trung bình di động hàm mũ.
α là tỷ trọng của giá trị gần nhất trong chuỗi dữ liệu, được xác định bằng:
Ci là giá trị của chuỗi dữ liệu (i = 1, 2, …, n) với i = 1 là giá trị gần nhất và I = n là giá trị xa nhất.
Đường trung bình di động hội tụ và phân kỳ (Moving Average Convergence Divergence MACD)
Được xây dựng bởi Gerald Appel vào cuối những năm 1970 và là một trong những chỉ báo đơn giản
được sử dụng phổ biến nhất. Thông qua MACD, chỉ báo trung bình di động đã được chuyển thành
chỉ báo dao động xu lượng bằng cách lấy hiệu số của đường trung bình di động dài hạn (thường là
26 ngày) với đường trung bình di động ngắn hạn (thường là 12 ngày). Sự dao động của đường
MACD lên trên và dưới mức không sẽ cho thấy sự hội tụ, phân kỳ hoặc giao nhau của hai đường
bình quân di động. Cụ thể, MACD được tính toán theo công thức:
Chỉ báo cường độ tương đối (Relative Strength Index RSI)
Chỉ báo cường độ tương đối RSI là chỉ báo thuộc nhóm Oscillator, được xây dựng bởi J. Welles
Wilder lần đầu vào năm 1978 dựa trên sự chênh lệch giữa trung bình của các kỳ tăng giá so với
trung bình các kỳ giảm giá trong một khoảng thời gian xác định. Chỉ số này sẽ so sánh mức độ của
các lần tăng giá gần đây với các lần giảm giá tương ứng. RSI được tính theo công thức sau:
Với: RSI là chỉ báo cường độ tương đối (Relative strength index)
RS là cường độ tương đối, được tính bằng trung bình mức tăng trong giá đóng cửa của n ngày chia
cho trung bình mức giảm trong giá đóng cửa của n ngày đó.
Chỉ báo dòng tiền (Money Flow Index MFI)
Chỉ báo dòng tiền MFI là chỉ số động lượng (momentum indicator) Nó liên quan mật thiết với RSI
trong cả cách diễn đạt lẫn tính toán. Tuy nhiên, chỉ báo này có điểm hơn so với RSI ở chỗ nó có đưa
thêm vào thành phần khối lượng giao dịch của mỗi kỳ. Vì vậy, MFI trở thành một công cụ tốt để đo
lường dòng tiền vào và ra thị trường của mỗi chứng khoán. Có thể nói nếu RSI kết hợp chặt chẽ với
đường giá thì MFI được xem là đường khối lượng.
178
MFI được thực hiện bằng cách so sánh “dòng tiền dương” với “dòng tiền âm” để từ đó hình thành
nên một chỉ báo có thể đem so sánh với giá, nhằm xác định độ mạnh hoặc yếu của xu hướng hiện tại.
Tương tự như RSI, chỉ báo này được thiết lập trong khoảng từ 0 đến 100 và thường được tính trong
khoảng thời gian 14 kỳ.
Chỉ số MFI được tính như sau:
· Tính giá điển hình (Typical price TP):
· Dòng tiền (Money flow):
· Nếu giá điển hình hôm nay lớn hơn giá điển hình hôm qua thì nó được gọi là dòng tiền
dương (positive money flow). Còn nếu thấp hơn thì được gọi là dòng tiền âm (negative
money flow).
· Tỷ số dòng tiền (Money Ration MF):
· Chỉ báo dòng tiền (Money flow index MFI):
Chỉ báo kênh hàng hóa (Commodity Channel Index CCI)
CCI được xây dựng bởi Donald Lambert dùng để đo lường sự chênh lệch của giá một chứng khoán
nào đó với mức trung bình của nó. Khi chỉ báo này ở mức cao hoặc thấp sẽ cho thấy sự chênh lệnh
bất thường của giá so với mức trung bình của nó. Không như tên gọi vốn có, chỉ báo CCI có thể
được sử dụng với bất cứ loại chứng khoán nào, không chỉ là các loại hàng hóa. Cụ thể, có bốn bước
để tính CCI:
· Tính giá điển hình (Typical price TP):
· Tính trung bình di động giản đơn của giá điển hình trong chu kỳ tính toán (Simple Moving
Average of Typical Price SMATP). Ví dụ với chu kỳ 20 ngày thì tính SMATP (20).
179
· Tính độ lệch trung bình (Mean Deviation) giữa TP và SMATP 20 ngày: Tìm chênh lệch
giữa SMATP kỳ cuối cùng và TP cho mỗi giai đoạn của 20 ngày trước đó. Sau đó, tính tổng
các khoảng chênh lệch này và chia cho 20 để tìm ra độ lệch giữa TP và SMATP.
· Cuối cùng kết hợp TP, SMATP, độ lệch trung bình và hệ số 0.015 theo công thức dưới đây
để có CCI:
Chỉ báo dao động ngẫu nhiên (Stochastic Oscillator – K% và D%)
Chỉ báo dao động ngẫu nhiên được xây dựng để đo lường mối liên hệ giữa hiệu số của giá đóng cửa
hiện tại và giá thấp nhất so với giá cao nhất trong mỗi khoảng thời gian nhất định, được thể hiện qua
công thức sau:
Theo đó, giá trị K% sẽ cho biết mức giá đóng cửa hiện tại nằm ở vị trí nào trong khoảng giá cao nhất
và thấp nhất của thời kỳ đang xem xét. Giá trị K% tiến đến không sẽ cho thấy rằng giá đóng cửa hiện
tại đang ở gần mức giá thấp nhất và ngược lại giá trị K% bằng 100 đồng nghĩa với việc giá đóng cửa
hiện tại đang ở mức cao nhất trong khoảng thời gian đó.
Các file đính kèm theo tài liệu này:
NV887427.pdf
