8. Độ biến động tài chính, định giá tài sản và rủi ro hệ thống

Estimated reading: 15 minutes 4 views

TÓM TẮT CHƯƠNG 8:

Quy mô chương: Chương 8. Độ biến động tài chính, định giá tài sản và rủi ro hệ thống bao gồm 4 nhóm phương pháp và 14 bài giảng chuyên sâu.
Bài toán nhận dạng cốt lõi: “Làm thế nào để mô hình hóa cụm biến động bất đối xứng, tương quan động đa tài sản (GARCH), định giá đa nhân tố (GRS) và đo lường rủi ro đuôi hệ thống (CoVaR)?”
Hệ thống kiểm định bắt buộc: Engle ARCH-LM Test, Sign & Size Bias Test, Tse/Engle–Sheppard Dynamic Correlation Test, Kupiec POF & Christoffersen VaR Backtest, Gibbons–Ross–Shanken F-test.
Nguồn tham chiếu học thuật: Tổng hợp từ các công trình gốc của Engle (1982, 2002); Bollerslev (1986); Nelson (1991); Corsi (2009); Adrian & Brunnermeier (2016); Gibbons, Ross & Shanken (1989) và hệ thống giáo trình chuẩn quốc tế của Brooks (2019); Becketti (2020); Pesaran (2015); Verbeek (2021).

1. Đặt vấn đề và bối cảnh nghiên cứu

Trong nghiên cứu thực nghiệm kinh tế, tài chính và chính sách công, việc lựa chọn đúng cấu trúc mô hình thuộc chương Độ biến động tài chính, định giá tài sản và rủi ro hệ thống quyết định trực tiếp tính không chệch, tính nhất quán và hiệu lực suy luận thống kê của các ước lượng theo Brooks (2019); Becketti (2020); Pesaran (2015); Verbeek (2021). Khi cấu trúc dữ liệu thực tế vi phạm các giả định cổ điển, nhà nghiên cứu cần áp dụng chính xác các phương pháp chuyên biệt được trình bày trong chương này theo Engle (1982, 2002); Bollerslev (1986); Nelson (1991); Corsi (2009); Adrian & Brunnermeier (2016); Gibbons, Ross & Shanken (1989).

Khung biểu diễn toán học tổng quát cho các mô hình thuộc chương 8 được xác lập tại phương trình 1:

$$\sigma_t^2 = \omega + \alpha \varepsilon_{t-1}^2 + \gamma \varepsilon_{t-1}^2 \mathbb{I}(\varepsilon_{t-1} \lt 0) + \beta \sigma_{t-1}^2 \tag*{[1]}$$

Từ phương trình 1, mỗi nhóm phương pháp con trong chương sẽ cụ thể hóa điều kiện nhận dạng, cấu trúc ma trận hiệp phương sai của sai số và thuật toán tối ưu hóa phù hợp với từng thiết kế dữ liệu tại Việt Nam theo Engle (1982, 2002); Bollerslev (1986); Nelson (1991); Corsi (2009); Adrian & Brunnermeier (2016); Gibbons, Ross & Shanken (1989); Brooks (2019); Becketti (2020); Pesaran (2015); Verbeek (2021).

2. Cấu trúc các nhóm phương pháp trong chương

Chương 8 được tổ chức thành 4 nhóm bài giảng theo thứ tự từ nền tảng đến nâng cao:

Bảng 8.1Cấu trúc các nhóm phương pháp trực thuộc chương 8

Nhóm phương pháp	Số lượng bài	Danh sách các bài giảng trực thuộc
8.1. Họ mô hình phương sai thay đổi có điều kiện (ARCH, GARCH)	7 bài giảng	8.1.1. Mô hình phương sai thay đổi có điều kiện tự hồi quy (ARCH) 8.1.2. Mô hình ARCH tổng quát hóa của Bollerslev (GARCH) 8.1.3. Mô hình GARCH hàm mũ nắm bắt hiệu ứng đòn bẩy (EGARCH) 8.1.4. Mô hình GARCH ngưỡng bất đối xứng (GJR-GARCH) 8.1.5. Mô hình ARCH ngưỡng trên độ lệch chuẩn Zakoian (TARCH) 8.1.6. Mô hình ARCH lũy thừa bất đối xứng (APARCH) 8.1.7. Mô hình GARCH tích hợp phân số nhớ dài (FIGARCH)
8.2. Độ biến động thực tế, tần suất hỗn hợp và rủi ro đuôi	4 bài giảng	8.2.1. Mô hình độ biến động trung bình trượt trọng số mũ (EWMA) 8.2.2. Mô hình tự hồi quy không đồng nhất cho độ biến động thực tế (HAR-RV) 8.2.3. Mô hình độ biến động hai thành phần vĩ mô–tài chính (GARCH-MIDAS) 8.2.4. Mô hình đo lường rủi ro đuôi và lây lan hệ thống (VaR, CoVaR)
8.3. Độ biến động đa biến	2 bài giảng	8.3.1. Mô hình GARCH đa biến tương quan có điều kiện hằng số (CCC-GARCH) 8.3.2. Mô hình GARCH đa biến tương quan có điều kiện động (DCC-GARCH)
8.4. Định giá tài sản đa nhân tố	1 bài giảng	8.4.1. Mô hình định giá tài sản đa nhân tố và kiểm định GRS

3. Danh mục các mô hình kinh tế lượng

Bảng dưới đây đối chiếu toàn bộ 14 bài giảng thuộc chương 8 cùng bộ thư viện thực thi trên Stata 18, R 4.x, Python 3.11+ và các kiểm định chẩn đoán bắt buộc:

Bảng 8.2Danh mục các mô hình kinh tế lượng và thư viện thực thi thuộc chương 8

Mã mục	Tên bài giảng	Thư viện thực thi Stata · R · Python	Kiểm định chẩn đoán bắt buộc	Dữ liệu thực nghiệm Việt Nam
8.1.1	Mô hình phương sai thay đổi có điều kiện tự hồi quy (ARCH)	`base Stata` · `rugarch` · `arch`	Kiểm định nhân tử Lagrange cho hiệu ứng (ARCH) của Engle trước và sau ước lượng, điều kiện không âm của các hệ số $\omega \gt 0, \alpha_i \ge 0$ và kiểm định Ljung–Box trên phần dư chuẩn hóa bình phương	Cụm biến động lợi suất ngày chỉ số VN-Index
8.1.2	Mô hình ARCH tổng quát hóa của Bollerslev (GARCH)	`base Stata` · `rugarch` · `arch`	Kiểm định điều kiện dừng phương sai $\alpha_1 + \beta_1 \lt 1$, tính chu kỳ bán rã cú sốc biến động $\ln(0.5)/\ln(\alpha_1 + \beta_1)$, kiểm định ARCH-(LM) và lựa chọn phân phối nhiễu Normal, Student-$t$ hoặc GED	Dự báo độ biến động cổ phiếu trụ cột HOSE
8.1.3	Mô hình GARCH hàm mũ nắm bắt hiệu ứng đòn bẩy (EGARCH)	`base Stata` · `rugarch` · `arch`	Kiểm định dấu âm và ý nghĩa thống kê của tham số bất đối xứng $\gamma \lt 0$, kiểm định lệch dấu và độ lớn của Engle–Ng và kiểm định ARCH-(LM) phần dư chuẩn hóa	Phản ứng bất đối xứng trước tin xấu trên TTCK Việt Nam
8.1.4	Mô hình GARCH ngưỡng bất đối xứng (GJR-GARCH)	`base Stata` · `rugarch` · `arch`	Kiểm định Wald cho tham số ngưỡng bất đối xứng $H_0: \gamma = 0$, điều kiện dừng phương sai $\alpha + \gamma/2 + \beta \lt 1$, đường cong tác động tin tức và kiểm định ARCH-(LM)	Biến động bất đối xứng lợi suất cổ phiếu ngành Ngân hàng – BĐS
8.1.5	Mô hình ARCH ngưỡng trên độ lệch chuẩn Zakoian (TARCH)	`base Stata arch` · `rugarch` · `arch`	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.	Kháng nhiễu phiên cực đoan trên HNX/HOSE
8.1.6	Mô hình ARCH lũy thừa bất đối xứng (APARCH)	`base Stata` · `rugarch` · `arch`	Kiểm định Wald cho các trường hợp đặc biệt $H_0: \delta = 2$ của (GARCH) và $H_0: \delta = 1$ của (TARCH), kiểm định tham số bất đối xứng $\gamma$ và tiêu chuẩn thông tin (AIC) và (BIC)	Kiểm định bậc lũy thừa $\delta$ tối ưu
8.1.7	Mô hình GARCH tích hợp phân số nhớ dài (FIGARCH)	`Stata arch / figarch` · `rugarch` · `arch`	Kiểm định tham số nhớ dài $0 \lt \hat{d} \lt 1$ — khác 0 và khác 1 có ý nghĩa thống kê , điều kiện không âm hệ số Bollerslev–Mikkelsen, ARCH-LM dư.	Tính nhớ dài $0 \lt d \lt 1$ của tỷ giá và thanh khoản
8.2.1	Mô hình độ biến động trung bình trượt trọng số mũ (EWMA)	`base Stata` · `stats` · `pandas / numpy`	Kiểm định hậu nghiệm tỷ lệ vi phạm (VaR) của Kupiec và kiểm định tính độc lập vi phạm của Christoffersen, tối ưu hóa hệ số làm trơn $\lambda$ theo (RMSE)	Đo lường rủi ro danh mục đầu tư hàng ngày
8.2.2	Mô hình tự hồi quy không đồng nhất cho độ biến động thực tế (HAR-RV)	`base Stata` · `stats + sandwich` · `statsmodels`	Sai số chuẩn vững tự tương quan Newey–West (HAC), kiểm định Mincer–Zarnowitz cho độ chệch dự báo và kiểm định Diebold–Mariano so sánh với (GARCH) chuẩn	Dự báo biến động theo 3 chân trời nhà đầu tư
8.2.3	Mô hình độ biến động hai thành phần vĩ mô–tài chính (GARCH-MIDAS)	`garchmidas` · `mfGARCH` · `arch / scipy`	Kiểm định ý nghĩa hệ số truyền dẫn vĩ mô $\theta$, tỷ trọng phương sai giải thích bởi thành phần vĩ mô dài hạn $\text{VR} = \text{Var}(\ln\tau_t)/\text{Var}(\ln\tau_t g_t)$, Ljung–Box $\hat{z}_t^2$.	Tác động CPI/IIP tháng lên biến động ngày VN-Index
8.2.4	Mô hình đo lường rủi ro đuôi và lây lan hệ thống (VaR, CoVaR)	`Stata qreg / sqreg` · `quantreg` · `statsmodels`	Kiểm định hậu nghiệm Kupiec Unconditional Coverage & Christoffersen Independence cho $\text{VaR}_q$, kiểm định Abadie Kolmogorov–Smirnov $\Delta\text{CoVaR} \lt 0$.	Đóng góp rủi ro hệ thống của các ngân hàng niêm yết
8.3.1	Mô hình GARCH đa biến tương quan có điều kiện hằng số (CCC-GARCH)	`base Stata mgarch` · `rmgarch` · `arch`	Kiểm định Tse (2000) / Engle–Sheppard LM về tính hằng định của tương quan — $H_0: \text{CCC}$ vs $H_1: \text{DCC}$ , kiểm định xác định dương trị riêng $\lambda_{\min}(\hat{R}) \gt 0$.	Tỷ lệ phòng vệ rủi ro danh mục Cổ phiếu – Vàng – Tỷ giá
8.3.2	Mô hình GARCH đa biến tương quan có điều kiện động (DCC-GARCH)	`base Stata` · `rugarch / rmgarch` · `arch / scipy`	Kiểm định tính hằng số của ma trận tương quan Engle–Sheppard / Tse với $H_0: a = b = 0$ khi (GARCH) rút gọn về (GARCH), điều kiện dừng $a + b \lt 1$ và kiểm định Hosking đa biến	Sự gia tăng tương quan tài sản trong giai đoạn khủng hoảng
8.4.1	Mô hình định giá tài sản đa nhân tố và kiểm định GRS	`grstest / sureg` · `systemfit` · `linearmodels`	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 $\overline{\|\hat{\alpha}\|}$, tỷ số Sharpe cực đại nhân tố vs tiếp tuyến toàn thể.	Kiểm định hiệu quả nhân tố định giá trên HOSE

4. Quy tắc chọn mô hình và kiểm định

Trước khi công bố kết quả ước lượng thuộc chương 8, nhà nghiên cứu cần thực hiện đầy đủ danh mục kiểm tra học thuật sau theo Brooks (2019); Becketti (2020); Pesaran (2015); Verbeek (2021):

Câu hỏi nhận dạng trung tâm: Làm thế nào để mô hình hóa cụm biến động bất đối xứng, tương quan động đa tài sản (GARCH), định giá đa nhân tố (GRS) và đo lường rủi ro đuôi hệ thống (CoVaR)?
Hệ thống kiểm định chẩn đoán bắt buộc: Engle ARCH-LM Test, Sign & Size Bias Test, Tse/Engle–Sheppard Dynamic Correlation Test, Kupiec POF & Christoffersen VaR Backtest, Gibbons–Ross–Shanken F-test.
Suy luận thống kê vững: Luôn kiểm tra cấu trúc phương sai thay đổi, tự tương quan hoặc phụ thuộc cụm để lựa chọn ma trận hiệp phương sai sai số chuẩn phù hợp trên Stata 18, R 4.x và Python 3.11+ theo Engle (1982, 2002); Bollerslev (1986); Nelson (1991); Corsi (2009); Adrian & Brunnermeier (2016); Gibbons, Ross & Shanken (1989).

LƯU Ý HỌC THUẬT: Khi trình bày bảng kết quả ước lượng thuộc chương 8 trong khóa luận, luận văn, luận án hoặc bài báo khoa học, cần báo cáo đầy đủ giá trị thống kê và $p$-value của bộ kiểm định gồm Engle ARCH-LM Test, Sign & Size Bias Test, Tse/Engle–Sheppard Dynamic Correlation Test, Kupiec POF & Christoffersen VaR Backtest, Gibbons–Ross–Shanken F-test ngay dưới chân bảng để minh chứng mô hình thỏa mãn điều kiện nhận dạng theo Brooks (2019); Becketti (2020); Pesaran (2015); Verbeek (2021).

5. Tài liệu tham khảo

Engle(1982, 2002). Econometric specification, identification, and asymptotic inference.
Bollerslev, T.(1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31, số 3, 307–327.
Nelson, D. B.(1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59, số 2, 347–370.
Corsi, F.(2009). A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics, 7, số 2, 174–196.
Adrian, & Brunnermeier(2016). Econometric specification, identification, and asymptotic inference.
Gibbons, Ross, & Shanken(1989). Econometric specification, identification, and asymptotic inference.
Brooks, C.(2019). Introductory Econometrics for Finance, 4th ed, Chương 9 & 14: Modelling Volatility, ARCH/GARCH, DCC and Value-at-Risk. Cambridge University Press.
Becketti, S.(2020). Introduction to Time Series Using Stata, Revised ed, Chương 8: Modeling Time-Varying Volatility with ARCH/GARCH. Stata Press.
Pesaran, M. H.(2015). Time Series and Panel Data Econometrics, Chương 18: Volatility Modeling in Finance. Oxford University Press.
Verbeek, M.(2021). Panel Methods for Finance: A Guide to Empirical Practice, Chương 6: Asset Pricing & Fama–MacBeth/GRS Tests. De Gruyter.

ĐIỀU HƯỚNG HỌC TẬP:
↑ Tài liệu gốc: KINH TẾ LƯỢNG ỨNG DỤNG TOÀN DIỆN TỪ A – Z
← Chương trước: 7. Chuỗi thời gian đa biến, chiếu cục bộ và mạng lan tỏa
→ Nhóm đầu tiên trong chương: 8.1. Họ mô hình phương sai thay đổi có điều kiện (ARCH, GARCH)
→ Bài học đầu tiên trong chương: 8.1.1. Mô hình phương sai thay đổi có điều kiện tự hồi quy (ARCH)
→ Chương tiếp theo: 9. Suy luận nhân quả và đánh giá tác động chính sách