Vận dụng mô hình arma – garch trong dự báo chỉ số vnindex

BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC ĐÀ NẴNG PHẠM THỊ THÙY LIÊN VẬN DỤNG MÔ HÌNH ARMA – GARCH TRONG DỰ BÁO CHỈ SỐ VNINDEX Chuyên ngành: Tài chính – Ngân hàng Mã số: 60.34.20 TÓM TẮT LUẬN VĂN THẠC SĨ QUẢN TRỊ KINH DOANH Đà Nẵng – Năm 2014 Công trình được hoàn thành tại ĐẠI HỌC ĐÀ NẴNG Người hướng dẫn khoa học: PGS. TS. VÕ THỊ THÚY ANH Phản biện 1: TS. Đinh Bảo Ngọc Phản biện 2: PGS. TS. Nguyễn Hòa Nhân Luận văn đã được bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp thạc sĩ Quản trị Kinh doanh họp tại Đại học Đà Nẵng vào ngày 15 tháng 6 năm 2014. Có thể tìm hiểu luận văn tại: - Trung tâm Thông tin - Học liệu, Đại học Đà Nẵng - Thư viện Trường Đại học Kinh tế, Đại học Đà Nẵng 1 MỞ ĐẦU 1. Tính cấp thiết của đề tài Trải qua 13 năm, một chặng đường không phải là dài đối với lịch sử thị trường chứng khoán Việt Nam nếu như đem so sánh với các thị trường chứng khoán tiên tiến khác. Tuy nhiên, thị trường chứng khoán Việt Nam đã trải qua những thăng trầm như: tăng tốc, tăng trưởng bong bóng, lao dốc không phanh, khủng hoảng, sideway. Suốt chiều dài lịch sử phát triển của thị trường chứng khoán, các nhà làm chính sách, tổ chức tư vấn và nhà đầu tư luôn cố gắng dự báo sự biến động của thị trường thông qua chỉ số Vnindex nhưng các nhân tố tác động vào thị trường Việt Nam rất đa dạng và biến đổi khó lường. Bên cạnh đó, yếu tố hành vi chi phối phần lớn biến động thị trường và sự biến động này tương đối phức tạp hơn so với thị trường thế giới. Việc phân tích và dự báo sự biến động của thị trường dựa vào kiểm soát mối tương quan giữa các biến kinh tế vĩ mô và biến động thị trường dường như không mấy hiệu quả và thường tạo ra kết quả sai lệch so với thực tế. Nên việc dự báo về tài chính ngày càng được nhiều người quan tâm trong bối cảnh phát triển kinh tế xã hội. Một công cụ hữu ích được các nhà nghiên cứu kinh tế thế giới áp dụng trong dự báo chuỗi giá chứng khoán đó là sự kết hợp mô hình ARMA - GARCH. Chính vì vậy, qua quá trình nghiên cứu và được sự hướng dẫn của PGS.TS.Võ Thị Thúy Anh tôi đã lựa chọn đề tài: “Vận dụng mô hình ARMA – GARCH trong dự báo chỉ số Vnindex”. nhằm xây dựng mô hình dự báo hiệu quả để dự báo tốt nhất xu hướng vận động của chỉ số Vnindex trong giai đoạn hiện nay. Qua đó, đưa ra một số kiến nghị cho nhà đầu tư và những nhà hoạch định chính sách trong việc sử dụng mô hình. 2. Mục tiêu nghiên cứu - Thứ nhất, hệ thống hóa cơ sở lý luận về mô hình ARMA – 2 GARCH cho dữ liệu thời gian và cách vận dụng các mô hình vào dự báo sự biến động của chuỗi thời gian. - Thứ hai, vận dụng mô hình ARMA - GARCH để dự báo chỉ số Vnindex. - Thứ ba, đánh giá ứng dụng của mô hình ARMA - GARCH trong dự báo chuỗi thời gian, đưa ra các khuyến cáo cho nhà đầu tư từ kết quả dự báo và khuyến cáo trong việc sử dụng mô hình dự báo trong đầu tư. * Câu hỏi hay giả thiết nghiên cứu - Ưu nhược điểm của mô hình ARMA – GARCH là gì? - Trong các mô hình ARMA(p,q) hay GARCH(p,q) xây dựng được, mô hình nào phù hợp để dự báo chỉ số Vnindex nhất? - Mô hình dự báo có chịu ảnh hưởng bởi sự thay đổi về mặt cấu trúc của mô hình hồi quy khi có sự thay đổi trong biên độ giao động hay không? - Nhà đầu tư nên chú ý đến vấn đề gì trong đầu tư khi sử dụng mô hình ARMA – GARCH? - Nhà đầu tư nên chú ý đến vấn đề gì trong đầu tư trong giai đoạn hiện nay? 3. Đối tượng và phạm vi nghiên cứu - Đối tượng nghiên cứu: Đề tài tập trung vào việc vận dụng mô hình ARMA – GARCH xem xét chỉ số VnIndex từ 02/01/2007 đến 29/04/2014 để dự báo chỉ số Vnindex từ 05/5/2014-31/05/2014. - Phạm vi nghiên cứu: Nội dung: đề tài chỉ dựa vào dữ liệu chuỗi thời gian tài chính trong quá khứ của chỉ số Vnindex để xây dựng mô hình thích hợp nhằm dự báo chỉ số Vnindex trong ngắn hạn và từ mô hình đưa ra các khuyến cáo cho các nhà hoạch định chính sách cũng như các nhà 3 đầu tư trong việc mở rộng ứng dụng mô hình, đề tài không tiếp cận trên góc độ tìm hiểu tính phổ biến của việc vận dụng mô hình ARMA – GARCH trong dự báo chỉ số Vnindex. Thời gian: Đề tài sử dụng số liệu được thu thập là giá đóng của chỉ số Vnindex từ ngày 02/01/2007 – 29/04/2014 với 1817 quan sát. Không gian: Dữ liệu sử dụng trong bài tập trung phân tích chuỗi thời gian trong quá khứ của Vnindex, được thu thập từ trang 4. Phương pháp nghiên cứu Đề tài sử dụng mô hình ARMA – GARCH dự báo chuỗi VnIndex trong ngắn hạn. Phương pháp tiếp cận dựa trên nguyên lý Box-jenkin gồm 4 bước lặp: nhận dạng, ước lượng, kiểm tra và dự báo. 5. Bố cục đề tài Đề tài gồm 3 chương: Chương 1: Cơ sở lý luận về mô hình ARMA-GARCH trong dự báo chuỗi thời gian tài chính. Chương 2: Thiết kế nghiên cứu. Chương 3: Kết quả dự báo chỉ số VnIndex và các khuyến nghị đối với nhà đầu tư và nhà hoạch định chính sách trong đầu tư và sử dụng mô hình. * Ý nghĩa khoa học và thực tiễn của đề tài Đề tài này sẽ cung cấp cho các nhà đầu tư một công cụ để dự báo tỷ suất lợi tức của danh mục thị trường. Đồng thời, kết quả nghiên cứu sẽ giúp cho nhà đầu tư cũng như các nhà hoạch định chính sách sẽ nhận định được mức lợi nhuận và sự biến động của thị trường để đưa ra quyết định đúng đắn trong việc nắm giữ các loại cổ phiếu. 4 6. Tổng quan tài liệu Tổng quan về các tài liệu nghiên cứu có liên quan đến việc sử dụng mô hình ARMA – GARCH trên thế giới Công trình nghiên cứu của Emenike Kalu O. (2010) với tên đề tài: “Forecasting Nigerian Stock Exchange Returns: Evidence from Autoregressive Integrated Moving Average (ARIMA) Model” tác giã đã hệ thống hoa cơ sở lý luận về mô hình ARIMA và sử dụng chỉ số NSE với dữ liệu theo tháng để xây dựng mô hình ARIMA (1,1,1) nhằm dự báo thị trường cổ phiếu Nigeria cho giai đoạn từ 01/1985 đến 12/2009. Tổng quan về các tài liệu nghiên cứu có liên quan đến việc sử dụng mô hình ARMA – GARCH ở Việt Nam Luận văn của tác giả Lê Tuấn Bách (2010) với đề tài: “Phân tích dự báo giá và rủi ro thị trường cổ phiếu niêm yết Việt Nam”. Công trình nghiên cứu của tác giả Bùi Quang Trung cùng cộng sự (2010) với đề tài: “Ứng dụng mô hình ARIMA để dự báo Vnindex” . Mặc dù mô hình ARMA và GARCH đã được ứng dụng và giới thiệu đến cộng đồng nghiên cứu học thuật Việt Nam nhưng rất hiếm đề tài liên quan đến chứng khoán được trình bày một cách hệ thống và cập nhật. Luận văn mới sẽ kế thừa phương pháp tiếp cận là nguyên lý Box-Jenkin và các mô hình ARMA – GARCH từ các công trình nghiên cứu trước nhưng đối tượng nghiên cứu được cập nhật ở thời gian gần nhất để tìm ra mô hình dự báo chỉ số VnIndex trong giai đoạn hiện nay, và hệ thống hóa ưu điểm và nhược điểm của các mô hình để có cái nhìn tổng quát hơn về mô hình ARMA – GARCH trong dự báo chuỗi thời gian tài chính có tính biến động. Ngoài ra, luận văn mới còn sử dụng phương pháp kiểm định tính ổn định cấu trúc của mô hình đã xây dựng để xem xét sự bất ổn định cấu trúc của mô hình có ảnh hưởng đến kết quả dự báo không và thực 5 hiện nhận định lại kết quả dự báo nhằm đánh giá kết quả dự báo so với kết quả thực tế. Bên cạnh đó, đề tài còn nêu ra một số khuyến nghị cho NĐT hoặc các nhà hoạch định chính sách trong việc sử dụng mô hình dự báo thu thập được. CHƯƠNG 1 CƠ SỞ LÝ LUẬN VỀ MÔ HÌNH ARMA – GARCH TRONG DỰ BÁO CHUỖI THỜI GIAN 1.1. KHÁI QUÁT VỀ THỊ TRƯỜNG CHỨNG KHOÁN 1.1.1. Chứng khoán 1.1.2. Thị trường chứng khoán 1.1.3. Chỉ số VnIndex 1.1.4. Tỷ suất sinh lợi của thị trường 1.2. KHÁI NIỆM VỀ CHỈ SỐ VNINDEX, TỶ SUẤT LỢI TỨC CỦA THÌ TRƯỜNG 1.2.1. Chỉ số VnIndex 1.2.1. Tỷ suất sinh lợi của thị trường 1.2. DỮ LIỆU CHUỖI THỜI GIAN TÀI CHÍNH 1.2.1. Khái niệm chuỗi thời gian tài chính 1.2.2. Thành phần xu hướng dài hạn 1.2.3. Thành phần mùa 1.2.4. Thành phần chu kỳ 1.2.5. Thành phần bất thường 1.3. MÔ HÌNH TỰ HỒI QUY VÀ TRUNG BÌNH TRƯỢT (ARMA) 1.3.1. Hàm tự tương quan a. Hàm tự tương quan ACF b. Hàm tự tương quan riêng phần PACF 1.3.2. Tính dừng của chuỗi thời gian 6 1.3.3. Kiểm định tính dừng Hai phương pháp kiểm định tính dừng thường được sử dụng là giản đồ tương quan (dựa vào thống kê t và thống kê Q) và kiểm định nghiệm đơn vị (dựa vào thống kê tau τ) của Dickey và Fuller. a. Giản đồ tự tương quan - Thống kê t - Thống kê Q b. Kiểm định nghiệm đơn vị (Unit root test) 1.3.4. Mô hình tự hồi quy AR(p). Trong một quá trình tự hồi quy bậc p, số liệu tại thời điểm hiện tại yt được tạo ra bởi một tổng trung bình có trọng số của các giá trị trong quá khứ tính cho đến giá trị quá khứ thứ p (yt-k). Mô hình tự hồi quy tổng quát chỉ có các giá trị hiện tại và quá khứ của Y được sử dụng trong mô hình và không có biến hồi quy nào khác. Giá trị của Y tương lai phụ thuộc vào giá trị của nó trong quá khứ cộng với một yếu tố ngẫu nhiên. Rõ ràng với mô hình tự hồi quy, dữ liệu đã tự nó giải thích cho bản thân nó. Mô hình AR(p) có dạng như sau: Y = μ + ϕ Y + ϕ Y + ⋯ + ϕ Y + ε (1.3) Trong đó: t là nhiễu trắng, ϕ , ϕ , ϕ là những thông số cần tìm, μ là hệ số chặn. Mô hình AR(p) nếu nó là quá trình dừng đòi hỏi phương trình (1.3) phải có nghiệm nằm ngoài đĩa tròn đơn vị (−1 ≤ ϕ ≤ 1). Nếu giá trị tuyệt đối ϕ > 1, Y sẽ có xu hướng càng ngày càng lớn và vì thế có thể trở thành một chuỗi gia tăng đột biến. Mô hình AR(p) với ưu điểm là cho phép dự báo giá trị tương lai qua giá trị biến trễ với một yếu tố ngẫu nhiên mà không xét thêm biến vào mô hình hồi quy, nghĩa là tự dữ liệu giải thích cho bản thân nó. Nhược điểm của mô hình này chỉ thích hợp cho việc dự báo đối với những dữ liệu chuỗi thời gian tài chính có sự biến động không 7 đột biến trong thời gian xem xét. 1.3.5. Mô hình trung bình trượt MA(q) Trong một quá trình trung bình trượt bậc q, số liệu tại thời điểm hiện tại yt được tính bởi tổng trung bình có trọng số giá trị của các nhiễu ngẫu nhiên cho đến nhiễu thứ q. Mô hình MA(q) có dạng như sau: = + θ ε + θ ε + . . . + θ ε (1.4) Trong đó ε là số hạng nhiễu ngẫu nhiên; θ1, θ2 ..., θq là các hệ số ước lượng; ε là sai số ở giai đoạn t-1, ε là sai số ở giai đoạn t-q. Điều kiện để thực hiện quá trình trung bình trượt này là thì phương trình (1.4) phải có nghiệm nằm ngoài đĩa tròn đơn vị (−1 ≤ ϕ ≤ 1). Phương pháp bình quân được sử dụng trong các dự báo thống kê. Trên cơ sở xây dựng một dãy số bình quân, để xây dựng mô hình dự báo. Trong mô hình trung bình trượt, quá trình được mô tả hoàn toàn bằng tổng các giá trị quá khứ và số hạng ngẫu nhiên hiện hành theo độ trễ. Mô hình MA(q) với ưu điểm xác định được những tác động của các cú sốc trong quá khứ và cả hiện tại. Bên cạnh ưu điểm, mô hình MA(q) có nhược điểm đó là mô hình chỉ thích hợp cho việc dự báo trong ngắn hạn. 1.3.6. Mô hình tự hồi quy và trung bình trượt ARMA(p,q). Trên thực tế có những mô hình dự báo cho chuỗi thời gian tài chính là sự kết hợp đồng thời của quá trình trung bình trượt và tự hồi quy với bậc bất kì. Mô hình phối hợp trung bình trượt- tự hồi quy có dạng phương trình sau còn được gọi tổng quát là mô hình ARMA. Các mô hình ARMA chỉ có thể được thực hiện khi chuỗi Yt là chuỗi dừng. = + ϕ Y + ϕ Y + ⋯ + ϕ Y + θ ε + θ ε + + θ ε + (1.5) 8 Nhận dạng mô hình ARMA(p,q) là tìm các giá trị thích hợp của p, q. Với p là bậc tự hồi quy và q là bậc trung bình trượt. Việc xác định p,q sẽ phụ thuộc vào đồ thị hàm tự tương quan. Với ACF là hệ số tự tương quan và PACF là hệ số tự hồi quy từng phần mẫu; - Chọn mô hình AR(p) nếu đồ thị PACF có giá trị cao tại độ trễ 1,2,,p và giảm nhiều sau p và dạng hàm ACF giảm dần. - Chọn mô hình MA(q) nếu đồ thị ACF có giá trị cao tại các độ trễ 1,2,,q và giảm nhiều sau q và dạng hàm PACF giảm dần. Mô hình ARMA(p,q) được sử dụng phổ biến để dự báo chuỗi thời gian tài chính với những ưu điểm như: Thứ nhất, mô hình giải thích được sự biến động của chuỗi thời gian tài chính bằng cách quan hệ với các giá trị quá khứ và tổng có trọng số các nhiễu ngẫu nhiên hiện hành và các nhiễu ngẫu nhiên có độ trễ nghĩa là mô hình hóa được gần như tất cả các dao động cuẩ chuỗi thời gian tài chính ban đầu; Thứ hai, dự báo từ mô hình ARMA(p,q) có kết quả tương đối chính xác phù hợp với dự đoán trong ngắn hạn với sai số nhỏ. Bên cạnh những ưu điểm kể trên, mô hình có những nhược điểm như sau: mô hình ARMA có thể dự báo được kỳ vọng nhưng thất bại khi dự báo phương sai của chuỗi thời gian tài chính, mô hình ARMA không giải thích được sự thay đổi của sự biến động trong chuỗi thời gian, mô hình ARMA chỉ thích hợp với các chuỗi thời gian tài chính dừng với nhiều nhiễu trắng, mô hình được thực hiện với giả định phương sai không đổi theo thời gian. 1.4. MÔ HÌNH TỔNG QUÁT TỰ ĐIỀU CHỈNH PHƯƠNG SAI CÓ ĐIỀU KIỆN KHÁC NHAU (MÔ HÌNH GARCH) 1.4.1. Mô hình tự hồi quy với phương sai có điều kiện khác nhau ARCH Mô hình ARCH do Engle phát triển năm 1982. Mô hình này cho rằng phương sai của các hạng nhiễu tại thời điểm t phụ thuộc vào 9 các số hạng nhiễu bình phương ở các giai đoạn trước hay phương sai thay đổi qua thời gian. Biểu diễn mô hình ARCH(q) như sau: Y = X β + ε (1.6) ε ~ i. i. d(0, h ) h = α + α ε (1.7) Mô hình ARCH(q) được sử dụng trong dự báo dữ liệu chuỗi thời gian tài chính có những ưu điểm như sau: Thứ nhất, xem xét các dạng dữ liệu trong đó cho phép phương sai của nó phụ thuộc vào các giá trị phương sai trong quá khứ nhằm ước lượng mức độ rủi ro, Thứ hai, dự báo mức độ giao động của chuỗi thời gian tài chính có độ dao động cao. Bên cạnh ưu điểm, mô hình có những nhược điểm như: chưa có chuẩn mực để xác định bậc q của mô hình. Một phương pháp được sử dụng là likelihood ratio test, tuy nhiên phương pháp này chưa phải là phương pháp tốt nhất, giá trị q của phần dư có thể là một con số rất lớn để có thể kiểm soát được tất cả sự phụ thuộc của phương sai có điều kiện. Việc này dẫn đến mô hình phương sai có điều kiện không có giới hạn, ràng buộc không âm của phương sai có thể bị vi phạm. Nếu như mọi thứ đều giữ nguyên, càng nhiều thông số trong phương trình phương sai có điều kiện thì càng nhiều khả năng xuất hiện phương sai âm. 1.4.2. Mô hình tổng quát tự điều chỉnh phương sai có điều kiện khác nhau GARCH a. Mô hình GARCH Theo Engle (1995) một trong những hạn chế của mô hình ARCH là nó có hình vẽ giống dạng mô hình trung bình di động hơn là mô hình tự hồi quy. Một ý tưởng mới là chúng ta nên đưa thêm các biến trễ của phương sai có điều kiện vào phương trình của phương sai theo dạng tự hồi quy. Ngoài ra nếu các ảnh hưởng ARCH 10 có quá nhiều độ trễ sẽ ảnh hưởng tới kết quả ước lượng do giảm đáng kể số bậc tự do trong mô hình. Mô hình được phát triển độc lập bởi các nhà kinh tế học Bollerslev (1986) và Taylor(1986). Mô hình GRACH cho phép phương sai có điều kiện phụ thuộc vào độ trễ trước đây như sau: Y = X β + ε ε ~ i. i. d(0, h ) h = α + θ h + α ε (1.8) Mô hình GARCH nói lên rằng phương sai ht bây giờ phụ thuộc vào cả giá trị quá khứ của những cú sốc, đại diện bởi các biến trễ của hạng nhiễu bình phương, và các giá trị quá khứ của bản thân ht đại diện bởi các biến ht-i. Nếu p =0 thì mô hình GARCH (0, q) đơn giản là mô hình ARCH (q). Dạng đơn giản nhất của mô hình GARCH là mô hình GARCH (1,1). Mô hình GARCH có ưu điểm là giải thích được khi nhà đầu tư dự báo về phương sai của tài sản thời kỳ này bằng việc tạo ra một trọng số trung bình trong dài hạn và phương sai dự báo ở giai đoạn trước, những thông tin về sự giao động từ thời kỳ trước. Xem xét các dạng dữ liệu trong đó cho phép phương sai của nó phụ thuộc vào các giá trị phương sai trong quá khứ nhằm ước lượng mức độ rủi ro và dự báo mức độ giao động của chuỗi thời gian tài chính có độ dao động cao. Nhược điểm của mô hình là có thể giải thích sự bất thường của phương sai mà chỉ sử dụng những thông tin quá khứ của bản thân nhiễu, không tách biệt được mức độ ảnh hưởng của các cú sốc dương và cú sốc âm ở thời kỳ trễ ảnh hưởng đến tỷ suất sinh lợi ở kỳ hiện tại. b. Mô hình GARCH-M Mô hình GARCH-M cho phép giá trị trung bình có điều kiện phụ thuộc vào phương sai có điều kiện của chính nó. Ví dụ xem xét 11 hành vi các nhà đầu tư thuộc dạng sợ rủi ro và vì thế họ có xu hướng đòi hỏi thêm một mức phí bù rủi ro như một phần đền bù để quyết định nắm giữ một tài sản rủi ro. Như vậy, phí bù rủi ro là một hàm đồng biến với rủi ro; nghĩa là rủi ro càng cao thì phí bù rủi ro phải càng nhiều. Nếu rủi ro được đo lường bằng mức dao động hay bằng phương sai có điều kiện thì phương sai có điều kiện có thể là một phần trong phương trình trung bình của biến Yt. Theo cách này, mô hình GARCH-M sẽ có dạng sau: Y = X β + δh + ε ε ~ i. i. d(0,1) h = α + θ h + α ε (1.9) Mô hình GARCH-M được sử dụng trong dự báo dữ liệu chuỗi thời gian tài chính có những ưu điểm như sau: mô hình này cho ta biết giá trị trung bình có điều kiện phụ thuộc vào phương sai có điều kiện nghĩa là rủi ro có ảnh hưởng đến tỷ suất lợi tức hay không, mô hình hóa mức độ ảnh hưởng của các cú sốc ở thời kỳ trễ đến tỷ suất lợi tức ở thời kỳ hiện tại. Mô hình có nhược điểm là không tách biệt được mức độ ảnh hưởng của các cú sốc dương và cú sốc âm đến tỷ suất lợi tức ở thời kỳ hiện tại. c. Mô hình TGARCH Mô hình TGARCH được biểu diễn như sau: h = α + θ h + (α +ϑ d )ε (1.10) Trong đó, dt là biến có giá trị: d = 1, ε < 00, ε ≥ 0 Nếu có ý nghĩa thống kê, thì các tin tức tốt và tin tức xấu sẽ có ảnh hưởng khác nhau lên phương sai. Cụ thể, tin tức tốt chỉ có ảnh hưởng , trong khi đó, tin tức xấu có ảnh hưởng ( + ). Nếu 12 >0 thì chúng ta có thể nói rằng có sự bất cân xứng trong tác động giữa tin tức tốt và tin tức xấu và ngược lại. Mô hình TGARCH được sử dụng trong dự báo dữ liệu chuỗi thời gian tài chính có những ưu điểm như sau: Giải thích được sự khác biệt đáng kể giữa ảnh hưởng của cú sốc âm hoặc cú sốc dương, có thể sử dụng mô hình để kiểm định tính hiệu quả của thị trường. Nhược điểm của mô hình tương tự như mô hình GARCH-M tức không giải thích được nguyên nhân gây ra mức độ giao động của tỷ suất lợi tức là gì. 1.5. NGUYÊN LÝ BOX-JENKIN KẾT LUẬN CHƯƠNG 1 CHƯƠNG 2 THIẾT KẾ NGHIÊN CỨU 2.1. THU THẬP VÀ XỬ LÝ SỐ LIỆU 2.1.1. Thu thập số liệu Để xây dựng mô hình ARMA – GARCH đề tài sử dụng chỉ số Vnindex thu thập từ Sở giao dịch chứng khoán thành phố Hồ Chí Minh được quan sát theo ngày từ 02/01/2007 – 29/04/2014 tương đương với 7 năm với 1817 quan sát. 2.1.2. Xử lý số liệu Gọi chỉ số Vnindex tại thời điểm t là Pt, khi đó lợi tức của Vnindex trong khoản thời gian một chu kỳ nắm giữ thừ thời điểm (t- 1) đến thời điểm (t) sẽ là rmt=log Pt – log Pt-1, vì thế ta có thể dự báo chuỗi Vnindex Pt thông qua việc dự báo chuỗi rmt. Mô tả dữ liệu bằng đồ thị hàm mật độ và kiểm định Jargue-Bera. Thống kê JB được sử dụng rất phổ biến trong việc phân tích dữ liệu trước khi chọn mô hình và kiểm định phần dư trong phân tích hồi quy. 2.2 KIỂM ĐỊNH TÍNH DỪNG 2.3. VẬN DỤNG NGUYÊN LÝ BOX-JENKIN TRONG ƯỚC 13 LƯỢNG VÀ KIỂM ĐỊNH MÔ HÌNH 2.3.1 Nhận diện mô hình Nhận dạng mô hình ARMA(p,q) là việc tìm các giá trị thích hợp của p và q. Việc xác định p và q sẽ phụ thuộc vào các đồ thị SACF = f(t) và SPACF = f(t). Với SACF là hàm tự tương quan mẫu (Sample Autocorrelation) và SPACF (Sample Partial Autocorrelation) là hàm tự tương quan mẫu riêng phần. - Để xác định độ trễ p: hệ số tự tương quan sẽ có xu hướng bằng không ngay lập tức, trong khi đó hệ số tự tương quan riêng phần sẽ có xu hướng khác không một cách có ý nghĩa thống kê cho đến độ trễ p và sẽ bằng không ngay sau độ trễ p đó. - Để xác định độ trễ q: hệ số tự tương quan có xu hướng khác không một cách có ý nghĩa thống kê cho đến độ trễ q và sẽ bằng không ngay sau độ trễ q đó. Trong khi đó, hệ số tự tương quan sẽ có xu hướng bằng không ngay lập tức. 2.3.2. Ước lượng các thông số của mô hình ARMA(p,q) Các thông số ϕ và ω của mô hình ARMA(p,q) được xác định theo phương pháp bình phương bé nhất. 2.3.3. Kiểm tra chuẩn đoán mô hình - Sau khi xác định xác định phương trình cho mô hình ARMA, điều cần phải làm là tiến hành kiểm định xem số hạng ε của mô hình có phải là một nhiễu trắng (nhiễu ngẫu nhiên thuần túy) hay không. Ta tiến hành kiểm định theo phương pháp LM, đây là yêu cầu của mô hình tốt. - Nếu tồn tại nhiều hơn một mô hình đúng, mô hình nào có tiêu chuẩn AIC (Akaike Information Criterion) nhỏ nhất sẽ được lựa chọn. - Kiểm định mô hình ACRH/GACRH: + Kiểm định ảnh hưởng ARCH: Trước khi ước lượng các mô hình ARCH(p)/ 14 GARCH(p,q), điều quan trọng là chúng ta cần kiểm tra xem có tồn tại các ảnh hưởng ACH hay không để biết các mô hình cần ước lượng theo phương pháp ước lượng ARCH- GARCH thay vì theo phương pháp ước lượng OLS. + Ước lượng mô hình ARCH: Trường hợp, nếu có sự ảnh hưởng ARCH, chúng ta sử dụng phương pháp ước lượng ARCH thay vì phương pháp OLS. + Ước lượng mô hình GARCH: - Kiểm định tính ổn định cấu trúc của mô hình: Đề tài sử dụng kiểm định Chow để xem liệu có sự thay đổi về mặt cấu trúc của mô hình hồi quy (đối với hồi quy chuỗi thời gian) giữa các giai đoạn khác nhau khi dữ liệu chuỗi thời gian tài chính giao động trong biên độ hay không. 2.3.4. Dự báo Sử dụng mô hình vừa thiết kế để dự báo điểm và khoảng tin cậy cho chuỗi VnIndex tại thời điểm ngày 05/05/2014 – 31/05/2014 bằng phần mềm eview với độ tin cậy là 95% và k=1.96 như sau: - Dự báo điểm y - Dự báo phương sai của chuỗi ht+1 - Khoảng tin cậy y − kh (ε ) < y < y + kh (ε ) - Sai số dự báo là một thước đo tìm hiểu giá trị dự báo sẽ gần với giá trị thực tế bao nhiêu. Trong thực tế sai số dự báo là chênh lệch giữa những giá trị thực tế và giá trị dự báo tương ứng. KẾT LUẬN CHƯƠNG 2 15 CHƯƠNG 3 KẾT QUẢ DỰ BÁO CHỈ SỐ VNINDEX VÀ CÁC KHUYẾN NGHỊ ĐỐI VỚI NHÀ ĐẦU TƯ VÀ NHÀ HOẠCH ĐỊNH CHÍNH SÁCH TRONG ĐẦU TƯ VÀ SỬ DỤNG MÔ HÌNH 3.1. KHÁI QUÁT VỀ SỰ BIẾN ĐỘNG CỦA CHỈ SỐ VNINDEX GIAI ĐOẠN 01/01/2007 ĐẾN NAY 3.2. KẾT QUẢ THU THẬP VÀ XỬ LÝ SỐ LIỆU Sau khi xử lý số liệu được thu thập, ta có thể thấy qua hình 3.2 lợi tức các thời kỳ khác nhau dao động tương đối đều quanh mức 0 và có độ dao động thay đổi theo thời gian có nhiều thời kỳ là biến động rất lớn và lại có những thời kỳ biến động rất nhỏ. Mặc dù biến động theo thời gian nhưng sự biến thiên của chuỗi lợi tức Vnindex không rõ xu hướng và xoay quanh một giá trị trung bình nào đó. Hình 3.2: Chuỗi lợi tức của VNINDEX Nhìn vào biểu đồ chuỗi lợi suất của VnIndex ta thấy lợi suất các thời kỳ khác nhau dao động tương đối đều quanh mức 0 và có độ dao động thay đổi theo thời gian có nhiều thời kỳ là biến động rất lớn và lại có những thời kỳ biến động rất nhỏ. Mặc dù biến động theo thời gian nhưng sự biến thiên của Rm luôn ở trong một khoảng như vậy đây có thể là chuỗi dừng. - Mô tả dữ liệu bằng đồ thị hàm mật độ và kiểm định Jargue- Bera. Hình 3.3: Đồ thị hàm mật độ và kiểm định Jargue-Bera Từ đồ thị hàm mật độ và kiểm định Jargue-Bera ta thấy mức tỷ suất lợi tức luôn biến động. Giá trị p_value (prob)=0.000 lấy mức ý nghĩa 0.05 ta thấy chuỗi tỷ suất lợi tức không tuân theo quy luật phân phối chuẩn. Như vậy, phân tích thống kê sơ bộ gợi ý rằng áp dụng mô hình phương sai sai số thay đổi có điều kiện tổng quát để xem xét sự biến động theo thời gian và sự lệch trái của dãy lợi tức là hợp lý. 16 3.3. KẾT QUẢ KIỂM ĐỊNH TÍNH DỪNG Hệ số tự tương quan đầu tiên và hệ số tự tương quan thứ tư của chuỗi rm khác 0 nhưng các hệ số tự tương tiếp theo bằng 0 có ý nghĩa thống kê nên kết luận chuỗi lợi tức Vnindex là chuỗi dừng. Sử dụng kiểm định Dickey Fuller cho P-value <0.05 cũng cho ta thấy chuỗi lợi tức Vnindex là chuỗi dừng. Bảng 3.1: Kiểm định Dickey Fuller 3.4. KẾT QUẢ VẬN DỤNG NGUYÊN LÝ BOX-JENKIN TRONG ƯỚC LƯỢNG VÀ KIỂM ĐỊNH MÔ HÌNH 3.4.1. Kết quả vận dụng nguyên lý Box- Jenkin trong ước lượng Nhận dạng mô hình Để nhận dạng cho mô hình chúng ta sử dụng đồ thị tự tương quan và tự tương quan riêng phần của chuỗi rm. Theo hình 3.3, tại k=1 SAC và PAC đạt cực đại 0.259 và sau đó giảm mạnh xuống. Do đó p và q có thể nhận các giá trị là 1. Các mô hình ARMA có thể phù hợp để dự báo chuỗi lợi tức VnIndex bao gồm ARMA(1,0); ARMA(0,1); ARMA(1,1). Kiểm định LM của Breusch-Godfrey cho chuỗi phần dư: Kiểm định LM về tự tương quan chuỗi cho thấy Prob của F-statistic của 2 mô hình ARMA(0,1) và ARMA(1,1) đều không có ý nghĩa thống kê, nên ở độ tin cậy 95%, mô hình ARMA(0,1) và ARMA(1,1) không có hiện tượng tự tương quan nghĩa là chuỗi phần dư của mô hình là nhiễu trắng (Hình 3.6). Mô hình ARMA(1,0) có hiện tượng tự tương quan. (Phụ lục 3.2). Bảng 3.2: Kiểm định LM của Breusch-Godfrey mô hình MA(1) Bảng 3.3: Kiểm định LM của Breusch-Godfrey mô hình ARMA(1,1) Lựa chọn mô hình theo tiêu chuẩn AIC 17 Bảng 3.4: Tiêu chuẩn Akaike (AIC) Mô hình AIC ARMA(1,0) -5.434259 ARMA(1,1) -5.436786 ARMA(0,1) -5.437552 Dựa vào bảng 3.4 ta kết luận mô hình ARMA(0,1) là mô hình phù hợp nhất vì có AIC nhỏ nhất. Ước lượng mô hình ARMA(p,q) Sau khi ước lượng các thông số của mô hình ARMA(0,1) và ARMA(1,1) theo phương pháp bình phương bé nhất, ta thấy các thông số ϕ và ω của mô hình ARMA(0,1) có p-value <0.05 (Bảng 3.5) có ý nghĩa thống kê, hệ số ϕ của mô hình ARMA(1,1) không có ý nghĩa thống kê (Phụ lục 3.2). Bảng 3.5: Ước lượng thông số của mô hình ARMA(0,1) theo phương pháp bình phương bé nhất Các hệ số của mô hình ARMA(0,1) như sau: = −0.000134 + 0.283395ε +ε Ước lượng mô hình ARCH/GARCH: Từ mô hình ARMA(0,1), ta kiểm định ảnh hưởng của ARCH(q) với q=[1;8] (Phụ lục 3.3). Trong đó, mô hình ARCH(7) là tối ưu nhất vì có giá trị Chi bình phương tính toán bằng 46.097 là quá cao so với giá trị Chi bình phương tra bảng ở mức ý nghĩa 5%, nên bác bỏ giả thiết H0, nghĩa là có ảnh hưởng ARCH. Bên cạnh đó, các hệ số ước lượng trong mô hình hồi quy đều có ý nghĩa thống kê. (Bảng 3.6). Nên mô hình ARCH(7) phù hợp với dự báo chỉ số VnIndex đối với các mô hình ARCH có độ trễ từ 1 đến 7. Bảng 3.6: Kiểm định ảnh hưởng của ARCH(7) Tuy nhiên để tiết kiệm được số bậc tự do ta kiểm định mô hình GARCH(p,q), (với p,q=[1,5]). (Phụ lục 3.4). Kết quả kiểm định 18 cho thấy chỉ có mô hình GARCH(1,1) có các thông số đều có ý nghĩa thống kê và là mô hình phù hợp nhất để dự báo mức độ giao động của chỉ số VnIndex. (Bảng 3.7). Bảng 3.7: Ước lượng mô hình GARCH(1,1). Ta tiếp tục ước lượng mô hình GARCH(1,1)-M và TGARCH(1,1) (phụ lục 3.4), nhận thấy hệ số của phương sai trong phương trình trung bình và hệ số không có ý nghĩa thống kê. Từ kết luận đó, đề tài nhận thấy mô hình GARCH(1,1) là mô hình phù hợp nhất để dự báo chỉ số VnIndex tại Việt Nam. Các hệ số mô hình GARCH(1,1): = −0.000134 + 0.283395ε +ε ε ~ i. i. d(0, h ) h = 0.00000829 + 0.809796h + 0.158877ε 3.4.2. Kiểm định mô hình Từ các kết quả ước lượng cho ta thấy mô hình ARCH(7) có R2 cao nhất. Tuy nhiên, với số bậc tự do khá lớn sẽ gây khó khăn cho việc dự báo chỉ số VnIndex. Nên tác giả đã chọn mô hình GARCH(1,1) để tiến hành dự báo chỉ số VnIndex. Tuy nhiên, với R2=0.074<0.1 mô hình GARCH(1,1) tương quan ở mức thấp. 3.5. KIỂM ĐỊNH CHOW Vì từ đầu năm 2007 đến nay đã có 5 lần chỉ số Vnindex được điều chỉnh biên độ giao động nên đề tài sẽ kiểm định sự thay đổi về mặt cấu trúc qua 5 giai đoạn. Sau khi tiến hành kiểm định 5 trường hợp, ta thấy F-statistic> F-tới hạn nên bác bỏ giả thiết H0 nghĩa là có sự thay đổi cấu trúc qua các thời kỳ. (Phụ lục 3.5). Đề tài sẽ tiến hành so sánh giữa mô hình gốc và mô hình sau khi đã điều chỉnh biên độ giao động để chọn ra kết quả dự báo gần đúng nhất. Tuy nhiên, mốc thời gian chính phủ đưa ra quyết định điều chỉnh biên độ giao động giá gần thời gian dự 19 báo sẽ làm cho số quan sát rất nhỏ. Nên đề tài sẽ giữ nguyên mô hình cũ để tiến hành dự báo. 3.6 . KẾT QUẢ DỰ BÁO 3.6.1 . Tỷ suất lợi tức và chỉ số VnIndex Dựa trên mô hình GARCH(1,1), kết quả dự báo vào ngày 05/05/2014 tỷ suất lợi tức là 0.002662%. (Phụ lục 3.6). Trong bước đầu xử lý số liệu ta đã chuyển VnIndex thành tỷ suất sinh lời rm thông qua việc lấy logarit tự nhiên trước khi lấy sai phân bậc nhất. Do đó từ kết quả này để quy ngược về VnIndex chúng ta sử dụng công thức: VnIndext = er.VnIndex t-1. Từ đó ta có dự báo điểm và khoản tin cậy cho VnIndex ngày 05/05/2014 với mức tin cậy 95% là 579.5407 với khoản tin cậy [579.5403;579.541]. Giá trị thực tế ngày 05/05/2014 là 564.9. Giá trị này nằm trong khoản tin cậy và xấp xỉ với giá trị dự báo điểm từ mô hình dự báo. Điều này chứng tỏ độ tin cậy của mô hình dự báo là khá cao. Tuy nhiên, mô hình dự báo chỉ dừng lại vào ngày 05/05/2014 vì khó cơ thể đưa ra dự báo cho những ngày tiếp theo do đặc thù của TTCK Việt Nam còn bị chi phối nhiều bởi một số yếu tố sau: +Tâm lý của nhà đầu tư + Các yếu tố vĩ mô + Chính sách của chính phủ 3.6.2 . Phương sai sai số có điều kiện (rủi ro) Tỷ suất sinh lợi và rủi ro là hai đại lượng có mối quan hệ mật thiết với nhau và cần xem xét khi ra quyết định đầu tư. Từ kết quả dự báo tỷ suất lợi tức tăng lên khoảng 0.002662% với độ lệch chuẩn dự kiến là 0.00194%. Bài luận sẽ nhận định về đặc điểm của rủi ro khi đầu tư chứng khoán trên sàn HSX. Từ kết quả lựa chọn mô hình cho thấy tỷ suất sinh lợi của thị trường chứng khoán không tương thích với rủi ro tức là bác bỏ mệnh đề “rủi ro càng cao thì lợi nhuận càng cao”. 20 Đồng thời, bài luận cho thấy thông tin tốt và thông tin xấu có mức độ tác động cân bằng nhau trên Sở giao dịch chứng khoán Tp.HCM. 3.6.3 . Kết quả dự báo mở rộng Vì mô hình dự báo chỉ dự báo được 1 ngày gần điểm cuối nhất, nên đề tài sẽ chọn hướng dự báo dựa trên chỉ số VnIndex thực tế làm tham chiếu để tiến hành dự báo cho những ngày tiếp theo trong tháng 5/2014 (05/05/2014-31/05/2014) (Phụ lục 3.7) Hình 3.9 : Kết quả dự báo chỉ số VnIndex và chỉ số VnIndex thực tế. Dựa vào hình 3.9, có thể thấy càng gần điểm cuối của thì dự báo gần với giá trị thực tế, nhưng trong dài hạn thì điểm dự báo và điểm thực tế cách xa nhau. Tuy nhiên, những điểm dự báo này đều nằm trong khoản tin cậy. Vì vậy, mô hình dự báo nên được sử dụng trong ngắn hạn, còn dự báo trong dài hạn, mô hình chỉ mang tính chất tham khảo trong quyết định đầu tư của nhà đầu tư. Hình 3.10: Dự báo phương sai sai số có điều kiện Nhìn vào hình 3.10 ta có thể thấy, phương sai của sai số của chuỗi VnIndex thay đổi hằng ngày. Tuy nhiên, mức độ giao động trong tỷ suất lợi tuất tương đối nhỏ. 3.7. CÁC KHUYẾN NGHỊ 3.7.1 Chính phủ Vì mô hình ARMA – GARCH với ý nghĩa mô phỏng lại hành vi diễn biến trong quá khứ, từ đó làm cơ sở cho dự báo kế tiếp nên trong điều hành chính sách, mô hình dự báo trở nên không có ý nghĩa đáng kể, vì nhà làm chính sách không biết tác động thị trường từ đâu bởi không nhận diện rõ các yếu tố khác nhau tác động lên thị trường. Chính phủ đã sử dụng những biện pháp mang tính hành chính để điều chỉnh biên độ giao dịch với mục đích là ổn định thị trường chứng khoán mà không theo hướng giải quyết những nguyên nhân 21 chính gây ra việc suy giảm của thị trường. Vì vậy, chính phủ phải đưa ra bằng được hệ thống các chính sách và thực hiện một cách nhất quán trong thời gian tới, tránh gây ra những cũ sốc quá mạnh cho thị trường để lấy lại niềm tin đối với nhà đầu tư. TTCK Việt Nam nên bỏ chính sách điều chỉnh biên độ giao động và sử dụng những chuyên gia chứng khoán để họ phát huy vai trò điều tiết thị trường theo quy luật cung - cầu. 3.7.2 Nhà đầu tư Vận dụng từ kết quả mô hình Từ kết quả mô hình cho thấy, thị trường quay đầu giảm điểm trong 3 ngày đầu của tháng 5, khuyến nghị nhà đầu tư duy trì danh mục ở mức cân bằng (cổ phiếu và tiền mặt ở mức 50 – 50) và tái cơ cấu sang các mã, nhóm ngành có kết quả kinh doanh quý 1 được dự báo là khả quan. Tiếp theo sau những phiên giảm điểm, tác giả nhận thấy xu hướng chỉ số VnIndex bật tăng nhưng không đáng kể tới ngưỡng 540 đến 12/05/2014, NĐT lúc này nên hạn chế mua vào nhóm cổ phiếu vốn nhỏ có tính đầu cơ cao và tiếp tục nắm giữ những cổ phiếu cơ bản với kỳ vọng tốt từ KQKD quý 1. Tiếp sau ngày 12/05/2014 Chứng khoán Việt Nam thêm 1 phiên giảm mạnh trên đà giảm về vùng hỗ trợ 500. Lúc này NĐT ưu tiên quan sát lực bán, bên bán cần phải suy yếu thì mới có khả năng lực mua mạnh xuất hiện. NĐT nên bình tĩnh chờ đợi dấu hiệu ổn định của thị trường. Thị trường có một phiên tăng điểm mạnh khá ấn tượng trong ngày 15/05/2014, Chỉ số Vnindex đươc dự báo dấu hiệu tăng điều chỉnh nhanh trong ngắn hạn, NĐT nên bình tĩnh chờ đợt một cơ hội thật sự tốt sau khi Vnindex. Kết thúc tăng điều chỉnh khả năng giảm tiếp tục của chỉ số VnIndex trong thời gian tới, NĐT nên giảm tỷ trọng cổ phiếu trong danh mục, đối với những cổ phiếu không có nhiều biến động trong những hoạt động kinh doanh nhưng do ảnh hưởng bởi xu 22 hướng chung của thị trường thì NĐT không cần bán ra trong thời điểm này. Do yếu tố kinh tế vĩ mô chưa ổn định cũng như việc thực hiện các chính sách của chính phủ chưa nhất quán nếu có một cú sốc trên thị trường cũng sẽ tác động mạnh đến chỉ số VnIndex. Vì vậy, mô hình dự báo được sử dụng chỉ mang tính chất tham trong quyết định đầu tư của nhà đầu tư. 3.8 MỘT SỐ LƯU Ý KHI SỬ DỤNG MÔ HÌNH DỰ BÁO Vì bản chất dữ liệu của thị trường chứng khoán Việt Nam khi áp dụng mô hình dự báo ARMA-GARCH chỉ dự báo được 1 ngày. Nguyên nhân, chỉ 1 thay đổi nhỏ trong chính sách của chính phủ khiến chỉ số VnIndex thay đổi cấu trúc giữa 2 thời kỳ. Như đã phân tích ở trên, mức độ tương quan của dữ liệu VnIndex trong quá khứ rất thấp trong giai đoạn hiện nay. Vì vậy, rất khó có thể đưa ra dự báo tốt từ mô hình nếu NĐT không cập nhật thông tin liên tục, kết hợp với phân tích các nhân tố ảnh hưởng đến chỉ số VnIndex để đo lường được mức độ biến động của chỉ số VnIndex trong tương lai. Từ kết quả sử dụng mô hình ARMA – GARCH để dự báo chỉ số VnIndex đã bộc lộ những hạn chế như: Thứ nhất, hệ số xác định R2 nhỏ, chứng tỏ mức độ tương quan giữa các dữ liệu trong quá khứ rất thấp; Thứ hai, một vài mô hình có hiện tượng tự tương quan, tác giả vẫn chưa xem xét để khắc phục hiện tượng đó; Thứ ba, mô hình chỉ dự báo được 1 ngày duy nhất sau điểm cuối của chuỗi dữ liệu. Do chỉ số VnIndex có tính quy luật thấp, nếu có một cú sốc tác động lên thị trường sẽ làm chỉ số VnIndex điều chỉnh mạnh. Vì vậy, khi sử dụng mô hình ARMA – GARCH để dự báo NĐT cần: 23 - Kết hợp kết quả từ mô hình dự báo với phân tích kỹ thuật, thường xuyên quan sát biến động của các chỉ số trên thế giới để có được cách nhìn nhận đúng đắn và chính xác nhất sự biến động của thị trường chứng khoán. - Bên cạnh việc sử dụng mô hình ARMA – GARCH, nhà đầu tư nên kết hợp với hồi quy các nhân tố tác động đến chỉ số VnIndex như lãi suất, tăng trưởng GDP, biến động giá chứng khoán thế giới, biến động vàng, ngoại hối.. để tạo ra mô hình hồi quy với biến phụ thuộc là chỉ số VnIndex với các biến độc lập nêu trên nhằm phân tích các yếu tố ảnh hưởng đến mức độ giao động của chuỗi VnIndex. - Khi phân tích mức độ biến động của thị trường chứng khoán, nhà đầu tư nên nghiên cứu những biến động có liên quan như thay đổi hoạt động đầu tư ảnh hưởng đến cân bằng của thị trường, giải thích được các chuyển dịch của thị trường, ảnh hưởng và thu nhận dòng thông tin. Có thể kết hợp với phương pháp trung bình phương sai Markowitz và Sarpe-Lintner-Mossin để tối ưu hóa danh mục đầu tư hoặc phân tán rủi ro. - Vì đặc thù của thị trường chứng khoán Việt Nam chỉ sự báo được 1 ngày nên NĐT có thể ứng dụng mô hình dự báo cho từng cổ phiếu riêng lẻ hoặc một ngành cụ thể để đưa ra quyết định đầu tư một cách đúng đắn hơn. KẾT LUẬN CHƯƠNG 3 24 KẾT LUẬN Chúng ta đã lần lượt tiếp cận những điểm cơ bản của việc ứng dụng mô hình ARMA - GARCH trong dự báo chỉ số VnIndex tại Việt Nam. Kết quả ứng dụng cho thấy mô hình ARMA mô phỏng khá tốt diễn biến hành vi của thị trường trong quá khứ nên nó có cơ sở làm tốt chức năng của mình trong việc dự báo cho tương lai. Với mô hình GARCH cho ta mức độ giao động của suất sinh lời của thị trường chứng khoán Việt Nam biến động qua từng ngày và tương đối nhẹ, có đặc điểm không tương thích với rủi ro của thị trường. Mặc khác, có sự tồn tại cân xứng thông tin tốt và xấu trên thị trường chứng khoán Việt Nam, nghĩa là tin tốt và tin xấu tác động như nhau trên sàn HSX. Tuy nhiên mô hình ARMA - GARCH có vẻ như chỉ phù hợp cho dự báo ngắn hạn vì tương lai luôn tiềm ẩn các cú sốc không thể biết trước trong khi các yếu tố tác động đến thị trường lại không được nhận diện trong mô hình. Mô hình không có ý nghĩa lớn đối với các nhà làm chính sách vì nếu sử dụng mô hình họ không thể đo lường được các yếu tố tác động đến thị trường để từ đó thực hiện các chính sách điều tiết thị trường phù hợp.