Nhóm 8.4: Độ biến động đa biến (factor_asset_pricing)
factor_asset_pricing) là phân nhánh chuyên sâu thuộc Chương 08: Độ biến động tài chính, định giá tài sản và rủi ro hệ thống, quy tụ 1 phương pháp ước lượng (từ B135 đến B135). 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 8.4 (Độ biến động đa biến)
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 1 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, factor_asset_pricing), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?
Mọi phương pháp trong Nhóm 8.4 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 B135 (grs_factor_pricing) đến B135 (grs_factor_pricing) 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 1 Mô hình thuộc Nhóm 8.4
Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 1 bài học trong Nhóm 8.4 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 |
|---|---|---|---|---|---|
| B135 | grs_factor_pricing |
Mô hình định giá tài sản đa nhân tố Fama–French và kiểm định chính xác Gibbons–Ross–Shanken (GRS Test) Fama–French Multi-Factor Time-Series Spanning & Gibbons–Ross–Shanken (GRS) Exact Test |
L4 | Stata: grstest / sureg (ssc install grstest: grstest r_p1-r_pN, flist(mkt_rf smb hml rmw cma))R: systemfit + sandwich (systemfit::systemfit SUR + thống kê chính xác Hotelling $T^2$ Gibbons–Ross–Shanken $F_{N, T-N-K}$ & GMM HAC Wald)Python: Exact Finite-Sample Gibbons–Ross–Shanken $F$-test & Asymptotic GMM-HAC Spanning Engine (statsmodels/numpy: $hat{alpha}_i$, factor loadings $hat{beta}_{ik}$, Sharpe-ratio improvement $sqrt{theta_p^2 - theta_f^2}$) |
Ước lượng đồng thời hệ $N$ danh mục tài sản trên $K$ nhân tố định giá (CAPM, Fama–French 3/5/6 nhân tố, q-factor) và kiểm định chính xác trên mẫu hữu hạn giả thuyết toàn bộ hệ số chặn định giá sai đồng thời bằng 0 ($H_0: alpha_1 = dots = alpha_N = 0$) qua phân phối $F_{N, T-N-K}$. |
3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 8.4
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 B135 — Mô hình định giá tài sản đa nhân tố Fama–French và kiểm định chính xác Gibbons–Ross–Shanken (GRS Test) (
grs_factor_pricing) khi: Chuẩn mực bắt buộc trong mọi bài báo Định giá Tài sản Thực nghiệm (*Journal of Finance, JFE, RFS*) bổ trợ trực tiếp cho fama_macbeth ($T > N + K + 2$ kỳ lợi suất vượt trội). (Kiểm định kèm theo: Thống kê chính xác $F_{text{GRS}} sim F(N, T-N-K)$ & $p$-value, thống kê Wald GMM bền vững phương sai thay đổi, trung bình tuyệt đối định giá sai $overline{).
↑ 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 8.4: Bài B135 — Mô hình định giá tài sản đa nhân tố Fama–French và kiểm định chính xác Gibbons–Ross–Shanken (GRS Test) (
grs_factor_pricing)→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)