Giới thiệu mô hình GARCH đa biến

An Introduction to Multivariate GARCH Models

Tổng quan về chủ đề

Trong thế giới tài chính, việc hiểu và dự báo sự biến động của giá tài sản là một trong những nhiệm vụ quan trọng nhất. Các mô hình GARCH đơn biến đã giúp chúng ta làm rất tốt việc mô hình hóa sự biến động của một chuỗi thời gian duy nhất. Tuy nhiên, trên thực tế, các tài sản tài chính không tồn tại một cách độc lập. Sự biến động của một cổ phiếu có thể ảnh hưởng đến một cổ phiếu khác, và lợi suất của trái phiếu có thể di chuyển cùng chiều hoặc ngược chiều với thị trường chứng khoán. Để nắm bắt được mối liên kết phức tạp này, chúng ta cần một công cụ mạnh mẽ hơn: mô hình GARCH đa biến, MGARCH (Multivariate GARCH).

Chuỗi bài học này sẽ là kim chỉ nam giúp các bạn sinh viên từng bước khám phá thế giới của các mô hình MGARCH. Chúng ta sẽ không chỉ dừng lại ở việc tìm hiểu sự biến động (phương sai), mà còn tập trung vào việc mô hình hóa sự đồng biến động (hiệp phương sai và tương quan) giữa nhiều chuỗi thời gian tài chính. Việc hiểu rõ cấu trúc hiệp phương sai có điều kiện là chìa khóa để giải quyết các bài toán thực tế như quản lý rủi ro danh mục đầu tư, định giá tài sản, và tối ưu hóa chiến lược phòng hộ rủi ro. Xuyên suốt chuỗi bài, chúng ta sẽ cùng nhau đi từ những khái niệm nền tảng nhất đến các kỹ thuật nâng cao, luôn gắn liền lý thuyết với các ví dụ thực hành trực quan bằng phần mềm Stata.

Để bắt đầu hành trình này, có ba khái niệm cốt lõi mà chúng ta cần làm quen:

  • Ma trận hiệp phương sai có điều kiện: Đây là trái tim của mô hình MGARCH. Thay vì một con số duy nhất cho phương sai, chúng ta sẽ làm việc với cả một ma trận thể hiện phương sai của mỗi tài sản và hiệp phương sai giữa các cặp tài sản tại mỗi thời điểm.
  • Tính đơn giản (Parsimony): Một thách thức lớn của MGARCH là số lượng tham số có thể tăng lên rất nhanh khi chúng ta thêm tài sản vào mô hình. Các nhà kinh tế lượng đã phát triển nhiều phương pháp thông minh để giữ cho mô hình đủ đơn giản để có thể ước lượng được mà vẫn linh hoạt.
  • Tính xác định dương (Positive Definiteness): Về mặt toán học, một ma trận hiệp phương sai phải luôn “xác định dương”. Đây là một ràng buộc kỹ thuật quan trọng, và nhiều mô hình được thiết kế đặc biệt để đảm bảo điều kiện này luôn được thỏa mãn.

Đừng lo lắng nếu những thuật ngữ này nghe có vẻ phức tạp. Sứ mệnh của chúng ta là biến những ý tưởng này trở nên rõ ràng và dễ tiếp cận nhất có thể. Hãy cùng nhau bắt đầu cuộc hành trình thú vị này!

CẤU TRÚC CHUỖI BÀI HỌC

  1. Nền tảng và mô hình VEC, BEKK
    Giúp bạn nắm vững các khái niệm cốt lõi và hai mô hình MGARCH đầu tiên, làm nền tảng cho toàn bộ chuỗi bài học.
  2. Mô hình nhân tố và mô hình CCC
    Trang bị cho bạn hai phương pháp hiệu quả để đơn giản hóa mô hình, tập trung vào các nhân tố chung và tương quan không đổi.
  3. Các mô hình tương quan động
    Giúp bạn nắm bắt sự thay đổi của tương quan theo thời gian qua các mô hình mạnh mẽ như DCC, AG-DCC và STCC.
  4. Kiểm định và cách tiếp cận phi tham số
    Hướng dẫn bạn cách kiểm tra độ phù hợp của mô hình và giới thiệu các phương pháp linh hoạt hơn không phụ thuộc vào giả định.
  5. Hướng dẫn thực hành Stata toàn diện
    Cung cấp một case study hoàn chỉnh từ A-Z, giúp bạn áp dụng, so sánh và diễn giải kết quả các mô hình MGARCH trên Stata.
  6. Bài Tổng hợp: Tổng kết và định hướng
    Hệ thống hóa toàn bộ kiến thức, so sánh ưu nhược điểm các mô hình và gợi ý các hướng nghiên cứu nâng cao trong tương lai.

KIẾN THỨC TIÊN QUYẾT

Để theo dõi tốt nhất chuỗi bài học này, các bạn nên trang bị trước những kiến thức sau:

  • Kinh tế lượng cơ bản: Hiểu rõ về mô hình hồi quy OLS, kiểm định giả thuyết và các giả định liên quan.
  • Kinh tế lượng chuỗi thời gian: Nắm vững các khái niệm về tính dừng, mô hình ARMA và đặc biệt là mô hình ARCH/GARCH đơn biến.
  • Đại số ma trận: Quen thuộc với các phép toán ma trận cơ bản (cộng, nhân, chuyển vị, nghịch đảo) và khái niệm về véc-tơ riêng, giá trị riêng.
  • Stata cơ bản: Biết cách nhập dữ liệu, thực hiện các lệnh thống kê mô tả và chạy hồi quy cơ bản.

MỤC TIÊU HỌC TẬP

Sau khi hoàn thành chuỗi bài học này, bạn sẽ có khả năng:

  • Nắm vững lý thuyết về các họ mô hình MGARCH phổ biến và hiểu rõ ưu, nhược điểm của từng phương pháp.
  • Vận dụng thành thạo phần mềm Stata để ước lượng, kiểm định và dự báo bằng các mô hình MGARCH.
  • Diễn giải và phân tích một cách chuyên nghiệp kết quả từ các mô hình, rút ra những kết luận có ý nghĩa cho thực tiễn tài chính.
  • Xây dựng nền tảng vững chắc để tiếp tục nghiên cứu các chủ đề nâng cao hơn trong lĩnh vực tài chính định lượng.

TÀI LIỆU THAM KHẢO

Nội dung chuỗi bài được xây dựng dựa trên tài liệu gốc và tham khảo từ các nguồn kinh điển sau:

  • Bauwens, L., Laurent, S., & Rombouts, J. V. K. (2006). Multivariate GARCH models: a survey. Journal of applied econometrics, 21(1), 79-109.
  • Bollerslev, T. (1990). Modelling the coherence in short-run nominal exchange rates: A multivariate generalized ARCH model. The review of economics and statistics, 72(3), 498-505.
  • Engle, R. F. (2002). Dynamic conditional correlation: A simple class of multivariate generalized autoregressive conditional heteroskedasticity models. Journal of Business & Economic Statistics, 20(3), 339-350.
  • Tsay, R. S. (2010). Analysis of financial time series (Vol. 543). John Wiley & Sons.

PHỤ LỤC: Dữ liệu mô phỏng cho chuỗi bài học

Để thuận tiện cho việc thực hành, chúng ta sẽ sử dụng một bộ dữ liệu mô phỏng đơn giản trong suốt chuỗi bài. Dữ liệu này bao gồm lợi suất hàng ngày của hai tài sản giả định, return_A và return_B, trong khoảng 1500 ngày giao dịch. Các bạn có thể tự tạo lại bộ dữ liệu này bằng các câu lệnh Stata dưới đây.

Stata
* ==================================================
* MỤC ĐÍCH: Tạo dữ liệu mô phỏng cho chuỗi bài MGARCH
* ĐẶC ĐIỂM: 2 chuỗi lợi suất có sự biến động cụm và tương quan
* SỐ QUAN SÁT: 1500
* ==================================================

* Bước 1: Xóa dữ liệu cũ và thiết lập số quan sát
clear
set obs 1500
set seed 12345 // Đảm bảo kết quả có thể tái lập

* Bước 2: Tạo biến thời gian
gen time = _n
tsset time

* Bước 3: Mô phỏng hai chuỗi nhiễu trắng (white noise)
gen e1 = rnormal(0, 1)
gen e2 = rnormal(0, 1)

* Bước 4: Tạo phương sai có điều kiện theo GARCH(1,1)
* Phương sai cho tài sản A
gen h_A = 1
replace h_A = 0.1 + 0.85*h_A[_n-1] + 0.1*e1[_n-1]^2 in 2/l

* Phương sai cho tài sản B (với tham số khác)
gen h_B = 1
replace h_B = 0.2 + 0.75*h_B[_n-1] + 0.15*e2[_n-1]^2 in 2/l

* Bước 5: Tạo chuỗi lợi suất với phương sai GARCH
gen return_A = rnormal(0, sqrt(h_A))
gen return_B = 0.4*return_A + rnormal(0, sqrt(h_B)) // Tạo tương quan dương

* Bước 6: Mô tả và lưu dữ liệu
describe
summarize return_A return_B
save "asndk09u1c9_mgarch_data.dta", replace // Lưu dữ liệu ra file

Mô tả dữ liệu:

  • time: Biến chỉ số thời gian, từ 1 đến 1500.
  • return_A: Chuỗi lợi suất của tài sản A, được mô phỏng theo quy trình GARCH(1,1).
  • return_B: Chuỗi lợi suất của tài sản B, cũng có đặc tính GARCH và có tương quan dương với return_A.

Các bạn hãy chạy đoạn code trên trong Stata và lưu file asndk09u1c9_mgarch_data.dta lại. Chúng ta sẽ sử dụng file này trong các bài học tiếp theo.

📚 Bài tiếp theo: Nền tảng và các mô hình GARCH đa biến trực tiếp

💡 Lưu ý: Hãy đảm bảo bạn đã chuẩn bị sẵn sàng các kiến thức tiên quyết và tạo bộ dữ liệu mô phỏng trước khi bắt đầu bài học đầu tiên.

 

Các bài đã xem

Back to top button