Nhóm 8.1: Họ mô hình ARCH/GARCH (arch_family)
Tóm tắt Nhóm phương pháp 8.1 (AEO Quick Answer): Nhóm 8.1 — Họ mô hình ARCH/GARCH (mã nhóm
arch_family) là phân nhánh chuyên sâu thuộc Chương 08: Độ biến động tài chính, định giá tài sản và rủi ro hệ thống, quy tụ 7 phương pháp ước lượng (từ B122 đến B128). Phần tổng quan này giúp chúng ta so sánh trực diện điều kiện áp dụng, cấu trúc toán học và cú pháp thực thi trên Stata 18 MP, R 4.x và Python 3.11+ để chọn đúng mô hình cho bài toán nghiên cứu.1. Bản chất Học thuật & Vị trí của Nhóm 8.1 (Họ mô hình ARCH/GARCH)
Khi triển khai nghiên cứu định lượng trong miền Độ biến động tài chính, định giá tài sản và rủi ro hệ thống, chúng ta thường đứng trước câu hỏi: giữa 7 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, arch_family), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?
Mọi phương pháp trong Nhóm 8.1 đều xuất phát từ khung biểu diễn đại số cơ sở của chương như trình bày tại công thức (1):
$$sigma_t^2 = omega + alpha varepsilon_{t-1}^2 + gamma varepsilon_{t-1}^2 mathbb{I}(varepsilon_{t-1} lt 0) + beta sigma_{t-1}^2 tag{1}$$
Sự khác biệt giữa các mô hình từ B122 (arch) đến B128 (figarch) nằm ở cách chúng ta đặt giả định lên phân phối của sai số ngẫu nhiên, cấu trúc nội sinh và phương pháp tối ưu hóa hàm mục tiêu từ công thức (1).
2. Bảng So sánh Trực diện 7 Mô hình thuộc Nhóm 8.1
Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 7 bài học trong Nhóm 8.1 kèm câu lệnh cốt lõi trên cả ba phần mềm:
| Mã Bài | model_key |
Tên Mô hình (VI / EN) | Cấp độ | Lệnh Thực thi Chuẩn (Stata 18 · R 4.x · Python 3.11+) | Ý nghĩa Kinh tế lượng Trọng tâm |
|---|---|---|---|---|---|
| B122 | arch |
Mô hình phương sai sai số thay đổi có điều kiện tự hồi quy của Engle ($text{ARCH}(q)$) ARCH |
L1 | Stata: arch ret, arch(1)R: rugarch::ugarchfit(ugarchspec(variance.model = list(model = 'sGARCH', garchOrder = c(1, 0))), ret)Python: arch_model(ret, vol='ARCH', p=1).fit(disp='off') |
Phương pháp Mô hình phương sai sai số thay đổi có điều kiện tự hồi quy của Engle ($text{ARCH}(q)$) (ARCH) trong họ mô hình độ biến động tài chính, định giá tài sản và rủi ro hệ thống, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B123 | garch |
Mô hình ARCH tổng quát hóa của Bollerslev ($text{GARCH}(p,q)$) GARCH |
L1 | Stata: arch ret, arch(1) garch(1)R: rugarch::ugarchfit(ugarchspec(variance.model = list(model = 'sGARCH', garchOrder = c(1, 1))), ret)Python: arch_model(ret, vol='GARCH', p=1, q=1).fit(disp='off') |
Phương pháp Mô hình ARCH tổng quát hóa của Bollerslev ($text{GARCH}(p,q)$) (GARCH) trong họ mô hình độ biến động tài chính, định giá tài sản và rủi ro hệ thống, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B124 | egarch |
Mô hình GARCH hàm mũ của Nelson nắm bắt hiệu ứng đòn bẩy tin xấu (Exponential GARCH — EGARCH) EGARCH |
L2 | Stata: arch ret, earch(1) egarch(1)R: rugarch::ugarchfit(ugarchspec(variance.model = list(model = 'eGARCH', garchOrder = c(1, 1))), ret)Python: arch_model(ret, vol='EGARCH', p=1, o=1, q=1).fit(disp='off') |
Phương pháp Mô hình GARCH hàm mũ của Nelson nắm bắt hiệu ứng đòn bẩy tin xấu (Exponential GARCH — EGARCH) (EGARCH) trong họ mô hình độ biến động tài chính, định giá tài sản và rủi ro hệ thống, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B125 | gjr_garch |
Mô hình GARCH ngưỡng bất đối xứng Glosten–Jagannathan–Runkle (GJR-GARCH) GJR-GARCH |
L2 | Stata: arch ret, arch(1) tarch(1) garch(1)R: rugarch::ugarchfit(ugarchspec(variance.model = list(model = 'gjrGARCH', garchOrder = c(1, 1))), ret)Python: arch_model(ret, vol='GARCH', p=1, o=1, q=1).fit(disp='off') |
Phương pháp Mô hình GARCH ngưỡng bất đối xứng Glosten–Jagannathan–Runkle (GJR-GARCH) (GJR-GARCH) trong họ mô hình độ biến động tài chính, định giá tài sản và rủi ro hệ thống, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B126 | tarch |
Mô hình ARCH ngưỡng trên độ lệch chuẩn của Zakoian (Threshold ARCH — TARCH / TGARCH) Zakoian Threshold ARCH (TARCH / TGARCH) |
L2 | Stata: arch (arch ret, arch(1) tarch(1) atarch(1) / abarch(1) atarch(1) sdgarch(1))R: rugarch (rugarch::ugarchspec(variance.model = list(model = "fGARCH", submodel = "TGARCH", garchOrder = c(1,1))))Python: arch (arch.arch_model(ret, vol="GARCH", p=1, o=1, q=1, power=1.0, dist="t")) |
Mô hình hóa trực tiếp độ lệch chuẩn có điều kiện $sigma_t$ (bậc lũy thừa $p=1$ thay vì phương sai $sigma_t^2$) với ngưỡng bất đối xứng cho cú sốc âm (leverage effect), giảm thiểu nhạy cảm cực đoan với các phiên biến động ngoại lai. |
| B127 | aparch |
Mô hình ARCH lũy thừa bất đối xứng Ding–Granger–Engle (Asymmetric Power ARCH — APARCH) APARCH |
L3 | Stata: arch ret, aparch(1) pgarch(1)R: rugarch::ugarchfit(ugarchspec(variance.model = list(model = 'apARCH', garchOrder = c(1, 1))), ret)Python: arch_model(ret, vol='APARCH', p=1, o=1, q=1).fit(disp='off') |
Phương pháp Mô hình ARCH lũy thừa bất đối xứng Ding–Granger–Engle (Asymmetric Power ARCH — APARCH) (APARCH) trong họ mô hình độ biến động tài chính, định giá tài sản và rủi ro hệ thống, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B128 | figarch |
Mô hình GARCH tích hợp phân số Baillie–Bollerslev–Mikkelsen cho độ biến động nhớ dài (FIGARCH) Fractionally Integrated GARCH (FIGARCH) |
L4 | Stata: text{ret}_tR: $ và $text{ret}_t^2$ suy giảm chậm theo luật lũy thừa qua hàng chục phiên.Python: arch ..., figarch / ARFIMA-FIGARCH MLE |
Nắm bắt tính nhớ dài hạn (long memory / hyperbolic decay) của độ biến động tài chính với tham số sai phân phân số $d in (0, 1)$, nối liền khoảng trống giữa GARCH dừng ngắn hạn ($d=0$) và IGARCH bền bỉ vô hạn ($d=1$). |
3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 8.1
Dựa trên kinh nghiệm phản biện và hướng dẫn luận văn, luận án thực tế, chúng ta có thể áp dụng quy tắc chọn nhanh sau đây:
- Chọn B122 — Mô hình phương sai sai số thay đổi có điều kiện tự hồi quy của Engle ($text{ARCH}(q)$) (
arch) khi: Áp dụng khi nghiên cứu Cụm biến động lợi suất ngày chỉ số VN-Index và các bài toán thuộc nhóm họ mô hình arch/garch. (Kiểm định kèm theo: Engle ARCH-LM Test, Sign & Size Bias Test, Tse/Engle–Sheppard Dynamic Correlation Test, Kupiec POF & Christoffersen VaR Backtest, Gibbons–Ross–Shanken F-test). - Chọn B123 — Mô hình ARCH tổng quát hóa của Bollerslev ($text{GARCH}(p,q)$) (
garch) khi: Áp dụng khi nghiên cứu Dự báo độ biến động cổ phiếu trụ cột HOSE và các bài toán thuộc nhóm họ mô hình arch/garch. (Kiểm định kèm theo: Engle ARCH-LM Test, Sign & Size Bias Test, Tse/Engle–Sheppard Dynamic Correlation Test, Kupiec POF & Christoffersen VaR Backtest, Gibbons–Ross–Shanken F-test). - Chọn B124 — Mô hình GARCH hàm mũ của Nelson nắm bắt hiệu ứng đòn bẩy tin xấu (Exponential GARCH — EGARCH) (
egarch) khi: Áp dụng khi nghiên cứu Phản ứng bất đối xứng trước tin xấu trên TTCK Việt Nam và các bài toán thuộc nhóm họ mô hình arch/garch. (Kiểm định kèm theo: Engle ARCH-LM Test, Sign & Size Bias Test, Tse/Engle–Sheppard Dynamic Correlation Test, Kupiec POF & Christoffersen VaR Backtest, Gibbons–Ross–Shanken F-test). - Chọn B125 — Mô hình GARCH ngưỡng bất đối xứng Glosten–Jagannathan–Runkle (GJR-GARCH) (
gjr_garch) khi: Áp dụng khi nghiên cứu Biến động bất đối xứng lợi suất cổ phiếu ngành Ngân hàng – BĐS và các bài toán thuộc nhóm họ mô hình arch/garch. (Kiểm định kèm theo: Engle ARCH-LM Test, Sign & Size Bias Test, Tse/Engle–Sheppard Dynamic Correlation Test, Kupiec POF & Christoffersen VaR Backtest, Gibbons–Ross–Shanken F-test). - Chọn B126 — Mô hình ARCH ngưỡng trên độ lệch chuẩn của Zakoian (Threshold ARCH — TARCH / TGARCH) (
tarch) khi: Chuỗi tỷ suất sinh lợi cổ phiếu, chỉ số thị trường, hàng hóa, tiền mã hóa tần suất ngày/tuần ($T ge 250$) có hiệu ứng đòn bẩy tin xấu mạnh và đuôi dày. (Kiểm định kèm theo: Kiểm định Wald hiệu ứng bất đối xứng ($gamma_1 neq 0$), Engle ARCH-LM trên phần dư chuẩn hóa $hat{z}_t = hat{varepsilon}_t / hat{sigma}_t$, Ljung–Box trên $hat{z}_t^2$, News Impact Curve.). - Chọn B127 — Mô hình ARCH lũy thừa bất đối xứng Ding–Granger–Engle (Asymmetric Power ARCH — APARCH) (
aparch) khi: Áp dụng khi nghiên cứu Kiểm định bậc lũy thừa $delta$ tối ưu và các bài toán thuộc nhóm họ mô hình arch/garch. (Kiểm định kèm theo: Engle ARCH-LM Test, Sign & Size Bias Test, Tse/Engle–Sheppard Dynamic Correlation Test, Kupiec POF & Christoffersen VaR Backtest, Gibbons–Ross–Shanken F-test). - Chọn B128 — Mô hình GARCH tích hợp phân số Baillie–Bollerslev–Mikkelsen cho độ biến động nhớ dài (FIGARCH) (
figarch) khi: Chuỗi lợi suất tài chính hoặc tỷ giá tần suất ngày/giờ dài ($T ge 500$) nơi hàm tự tương quan của $ (Kiểm định kèm theo: rugarch (rugarch::ugarchspec(variance.model = list(model = “fiGARCH”, garchOrder = c(1,1))))).
Điều hướng Học tập trong Nhóm 8.1:
↑ Quay lại Tổng quan Chương 08: Chương 08 — Độ biến động tài chính, định giá tài sản và rủi ro hệ thống
→ Đi tới Bài học đầu tiên của Nhóm 8.1: Bài B122 — Mô hình phương sai sai số thay đổi có điều kiện tự hồi quy của Engle ($text{ARCH}(q)$) (
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
↑ Quay lại Tổng quan Chương 08: Chương 08 — Độ biến động tài chính, định giá tài sản và rủi ro hệ thống
→ Đi tới Bài học đầu tiên của Nhóm 8.1: Bài B122 — Mô hình phương sai sai số thay đổi có điều kiện tự hồi quy của Engle ($text{ARCH}(q)$) (
arch)→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
Bài liên quan
- Bài B122: Mô hình phương sai sai số thay đổi có điều kiện tự hồi quy của Engle ($text{ARCH}(q)$) (ARCH — arch)Cấp độ 1: Nền tảng (Foundation)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B123: Mô hình ARCH tổng quát hóa của Bollerslev ($text{GARCH}(p,q)$) (GARCH — garch)Cấp độ 1: Nền tảng (Foundation)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B124: Mô hình GARCH hàm mũ của Nelson nắm bắt hiệu ứng đòn bẩy tin xấu (Exponential GARCH — EGARCH) (EGARCH — egarch)Cấp độ 2: Trung cấp (Intermediate)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B125: Mô hình GARCH ngưỡng bất đối xứng Glosten–Jagannathan–Runkle (GJR-GARCH) (GJR-GARCH — gjr_garch)Cấp độ 2: Trung cấp (Intermediate)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B126: Mô hình ARCH ngưỡng trên độ lệch chuẩn của Zakoian (Threshold ARCH — TARCH / TGARCH) (Zakoian Threshold ARCH (TARCH / TGARCH) — tarch)Cấp độ 2: Trung cấp (Intermediate)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B127: Mô hình ARCH lũy thừa bất đối xứng Ding–Granger–Engle (Asymmetric Power ARCH — APARCH) (APARCH — aparch)Cấp độ 3: Nâng cao (Advanced)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B128: Mô hình GARCH tích hợp phân số Baillie–Bollerslev–Mikkelsen cho độ biến động nhớ dài (FIGARCH) (Fractionally Integrated GARCH (FIGARCH) — figarch)Cấp độ 4: Chuyên sâu (Specialized)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)