Mô hình các mối quan hệ dài hạn trong tài chính

Chào mừng các bạn sinh viên đến với chuỗi bài học chuyên sâu về một trong những chủ đề hấp dẫn và quan trọng nhất trong kinh tế lượng tài chính: mô hình hóa các mối quan hệ dài hạn. Có bao giờ bạn tự hỏi tại sao khi hồi quy hai chuỗi dữ liệu thời gian (như giá cổ phiếu VNM và chỉ số VN-Index), chúng ta lại nhận được kết quả R-bình phương rất cao nhưng thực chất lại vô nghĩa không? Đó chính là hiện tượng “hồi quy giả” – một cái bẫy phổ biến mà rất nhiều nhà phân tích trẻ gặp phải. Chuỗi bài học này sẽ trang bị cho các bạn kiến thức nền tảng và công cụ cần thiết để tránh những sai lầm đó và xây dựng được các mô hình đáng tin cậy.

Trọng tâm của chúng ta sẽ xoay quanh ba khái niệm cốt lõi. Đầu tiên là Tính dừng (Stationarity), một tính chất “đẹp” của dữ liệu chuỗi thời gian mà nếu không có nó, các phương pháp hồi quy thông thường sẽ sụp đổ. Tiếp theo, chúng ta sẽ tìm hiểu về “kẻ phá bĩnh” mang tên Nghiệm đơn vị (Unit Root), nguyên nhân chính gây ra tính không dừng trong hầu hết các chuỗi dữ liệu tài chính. Cuối cùng, và cũng là phần thú vị nhất, chúng ta sẽ khám phá khái niệm Đồng tích hợp (Cointegration) – một ý tưởng kỳ diệu cho thấy ngay cả khi các chuỗi dữ liệu riêng lẻ có xu hướng “lang thang” vô định, chúng vẫn có thể bị ràng buộc với nhau bởi một mối quan hệ cân bằng trong dài hạn.

Mục tiêu của chuỗi bài viết này không chỉ dừng lại ở việc trình bày lý thuyết. Chúng ta sẽ cùng nhau đi từng bước, từ việc hiểu bản chất vấn đề, học các công cụ kiểm định, đến việc xây dựng và diễn giải các mô hình phức tạp như Mô hình Hiệu chỉnh Sai số (ECM) và sử dụng kỹ thuật Johansen. Tất cả sẽ được minh họa bằng các ví dụ trực quan và hướng dẫn thực hành chi tiết trên phần mềm Stata, giúp các bạn biến lý thuyết trừu tượng thành kỹ năng phân tích thực tế.

  1. Bài 1: Tại sao dữ liệu chuỗi thời gian lại đặc biệt?
    Chúng ta sẽ tìm hiểu về khái niệm tính dừng, tính không dừng và khám phá cái bẫy nguy hiểm của hồi quy giả trong phân tích.
  2. Bài 2: Kiểm định nghiệm đơn vị với Dickey-Fuller
    Học cách sử dụng công cụ kiểm định Dickey-Fuller (DF) và phiên bản mở rộng (ADF) để xác định tính dừng của một chuỗi dữ liệu.
  3. Bài 3: Các vấn đề nâng cao trong kiểm định nghiệm đơn vị
    Xem xét các trường hợp phức tạp hơn như khi có đứt gãy cấu trúc trong dữ liệu và các phương pháp kiểm định bổ sung hữu ích.
  4. Bài 4: Đồng tích hợp – Khi các chuỗi “sánh bước” cùng nhau
    Giới thiệu khái niệm cốt lõi về mối quan hệ cân bằng dài hạn giữa các biến không dừng và tại sao nó lại quan trọng trong tài chính.
  5. Bài 5: Mô hình hiệu chỉnh sai số và phương pháp Engle-Granger
    Học cách xây dựng mô hình vừa nắm bắt được động lực ngắn hạn vừa điều chỉnh về trạng thái cân bằng dài hạn một cách trực quan.
  6. Bài 6: Kỹ thuật Johansen – Phần 1: Nền tảng lý thuyết
    Khám phá phương pháp tiếp cận hệ thống mạnh mẽ để tìm kiếm các mối quan hệ đồng tích hợp khi có nhiều hơn hai biến trong mô hình.
  7. Bài 7: Kỹ thuật Johansen – Phần 2: Diễn giải và ứng dụng
    Học cách đọc và diễn giải kết quả từ kiểm định Johansen, cũng như thực hiện các kiểm định giả thuyết về mối quan hệ dài hạn.
  8. Bài 8: Hướng dẫn thực hành phân tích đồng tích hợp với Stata
    Tổng hợp tất cả kiến thức đã học qua một bài thực hành hoàn chỉnh, phân tích bộ dữ liệu mô phỏng từ đầu đến cuối bằng Stata.

KIẾN THỨC TIÊN QUYẾT

  • Kinh tế lượng cơ bản: Nắm vững mô hình hồi quy OLS, ý nghĩa của các hệ số, R-bình phương và kiểm định t, F.
  • Thống kê căn bản: Hiểu về các khái niệm trung bình, phương sai, hiệp phương sai, phân phối chuẩn và kiểm định giả thuyết.
  • Mô hình chuỗi thời gian nhập môn: Có kiến thức sơ bộ về các mô hình tự hồi quy (AR) và trung bình trượt (MA) là một lợi thế.
  • Stata cơ bản: Quen thuộc với giao diện Stata, cách nhập dữ liệu, thực hiện các lệnh cơ bản như summarize, regress.

MỤC TIÊU HỌC TẬP

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

  • Hiểu sâu lý thuyết: Giải thích được tại sao tính dừng lại quan trọng và bản chất của các mối quan hệ đồng tích hợp.
  • Thực hành thành thạo: Tự tin sử dụng Stata để thực hiện các kiểm định gốc đơn vị (ADF) và kiểm định đồng tích hợp (Engle-Granger, Johansen).
  • Xây dựng mô hình: Biết cách xây dựng và ước lượng một Mô hình Hiệu chỉnh Sai số (ECM) để phân tích cả tác động ngắn hạn và dài hạn.
  • Phân tích và diễn giải: Đọc và hiểu các kết quả đầu ra từ Stata, từ đó rút ra những kết luận kinh tế có ý nghĩa về mối quan hệ giữa các biến.
  • Tư duy phản biện: Nhận biết được các cạm bẫy phổ biến khi làm việc với dữ liệu chuỗi thời gian và lựa chọn phương pháp phân tích phù hợp.

TÀI LIỆU THAM KHẢO

  • Chính: Brooks, C. (2019). Introductory Econometrics for Finance. Cambridge University Press. – Đây là tài liệu cốt lõi cho chuỗi bài viết.
  • Bổ sung (dễ hiểu): Wooldridge, J.M. (2019). Introductory Econometrics: A Modern Approach. Cengage Learning. – Cung cấp nhiều giải thích trực quan.
  • Nâng cao: Hamilton, J.D. (1994). Time Series Analysis. Princeton University Press. – Kinh điển về phân tích chuỗi thời gian.
  • Thực hành Stata: Cameron, A. C., & Trivedi, P. K. (2010). Microeconometrics Using Stata. Stata Press. – Rất nhiều ví dụ thực hành hữu ích.

PHỤ LỤC: Dữ liệu mô phỏng cho chuỗi bài viết

Để giúp việc học trở nên trực quan và dễ dàng, chúng ta sẽ sử dụng một bộ dữ liệu mô phỏng đơn giản trong suốt chuỗi bài học. Bộ dữ liệu này mô phỏng mối quan hệ giữa chỉ số VN-Index (vni) và chỉ số VN30 (vn30) của thị trường chứng khoán Việt Nam. Về mặt lý thuyết, hai chỉ số này được kỳ vọng sẽ “sánh bước” cùng nhau trong dài hạn. Chúng ta sẽ kiểm chứng điều này bằng các kỹ thuật sẽ học.

Các bạn hãy mở Stata, chạy đoạn code dưới đây để tự tạo và lưu lại bộ dữ liệu này. Chúng ta sẽ sử dụng tệp vni_vn30_data.dta trong các bài thực hành sắp tới.

Stata
* ==================================================
* TẠO DỮ LIỆU MÔ PHỎNG CHO CHUỖI BÀI HỌC
* MỤC ĐÍCH: Tạo hai chuỗi thời gian không dừng nhưng đồng tích hợp
* Dữ liệu: 500 quan sát hàng ngày
* Biến: vni (mô phỏng VN-Index), vn30 (mô phỏng VN30-Index)
* ==================================================

* Xóa bộ nhớ và thiết lập số quan sát
clear
set obs 500

* Tạo biến thời gian (ngày)
gen date = mdy(1, 1, 2020) + _n
format date %td

* Thiết lập seed để kết quả có thể tái lập
set seed 123

* BƯỚC 1: Tạo một "xu hướng ngẫu nhiên chung" (common random walk)
* Đây là thành phần I(1) sẽ chi phối cả hai chuỗi
gen common_trend = 1000 in 1
replace common_trend = common_trend[_n-1] + rnormal(0, 15) in 2/l

* BƯỚC 2: Tạo chuỗi vni dựa trên xu hướng chung và một ít nhiễu
* vni sẽ là một chuỗi không dừng (I(1))
gen vni = common_trend + rnormal(0, 5)

* BƯỚC 3: Tạo chuỗi vn30 cũng dựa trên xu hướng chung
* vn30 cũng là I(1), và có quan hệ dài hạn với vni
gen vn30 = common_trend + rnormal(0, 3)

* BƯỚC 4: Mô tả và lưu dữ liệu
describe
summarize
tsset date // Khai báo dữ liệu chuỗi thời gian

* Vẽ đồ thị để xem hai chuỗi "sánh bước" cùng nhau
tsline vni vn30, title("Chỉ số VNI và VN30 mô phỏng") ///
    legend(lab(1 "VNI") lab(2 "VN30"))

* Lưu dữ liệu để sử dụng cho các bài học sau
save "vni_vn30_data.dta", replace

📚 Bài tiếp theo: Tại sao dữ liệu chuỗi thời gian lại đặc biệt? Giới thiệu về tính dừng và hồi quy giả.

💡 Lưu ý: Hãy đảm bảo bạn đã chạy đoạn code trên và lưu lại tệp dữ liệu. Việc chuẩn bị sẵn sàng sẽ giúp bạn theo dõi các bài thực hành một cách dễ dàng hơn.

Back to top button