Mô hình hóa cụm biến động (ARCH/GARCH)

Các mô hình chuỗi thời gian truyền thống như ARMA thường tập trung vào việc mô hình hóa mô men bậc nhất—tức là giá trị trung bình có điều kiện—và thường giả định rằng mô men bậc hai—phương sai có điều kiện—là không đổi theo thời gian (homoscedasticity). Tuy nhiên, khi quan sát dữ liệu tài chính thực tế như lợi suất chứng khoán, tỷ giá hối đoái, hay giá hàng hóa, chúng ta dễ dàng nhận thấy một đặc điểm nổi bật: biến động cụm (volatility clustering). Đây là hiện tượng các giai đoạn biến động mạnh (sai số lớn) có xu hướng đi liền với nhau, và các giai đoạn bình ổn (sai số nhỏ) cũng có xu hướng tương tự. Giả định về phương sai không đổi rõ ràng không còn phù hợp, và việc bỏ qua đặc tính này có thể dẫn đến những sai số chuẩn không đáng tin cậy và các suy luận thống kê sai lầm.

Để giải quyết thách thức này, Robert Engle (1982) đã có một đóng góp mang tính cách mạng khi giới thiệu Mô hình Phương sai thay đổi có điều kiện Tự hồi quy (Autoregressive Conditional Heteroscedasticity – ARCH). Thay vì coi phương sai là một hằng số, mô hình ARCH cho phép nó thay đổi theo thời gian như một hàm của các cú sốc trong quá khứ. Sau đó, Tim Bollerslev (1986) đã tổng quát hóa ý tưởng này thành mô hình GARCH, công cụ đã trở thành tiêu chuẩn vàng trong phân tích chuỗi thời gian tài chính. Chuỗi bài viết này sẽ dẫn dắt bạn đi từ những khái niệm cơ bản nhất về biến động cụm, khám phá chi tiết cấu trúc của các mô hình ARCH, GARCH và các biến thể phức tạp hơn, cho đến việc áp dụng chúng một cách thành thạo trong Stata để mô hình hóa và dự báo rủi ro.

Cấu trúc chuỗi bài học

  1. Bài 1: Giới thiệu biến động cụm và Mô hình ARCH – Tìm hiểu các đặc điểm của dữ liệu tài chính và xây dựng nền tảng với mô hình ARCH kinh điển.
  2. Bài 2: Mô hình GARCH và các mở rộng – Khám phá mô hình GARCH như một sự cải tiến mạnh mẽ của ARCH, giúp mô hình hóa biến động một cách hiệu quả hơn.
  3. Bài 3: Các mô hình GARCH bất đối xứng và ARCH-in-Mean – Đi sâu vào các mô hình nâng cao để nắm bắt “hiệu ứng đòn bẩy” và mối quan hệ giữa rủi ro và lợi nhuận.
  4. Bài 4: Hướng dẫn thực hành Ước lượng ARCH/GARCH với Stata – Áp dụng toàn bộ kiến thức vào một nghiên cứu tình huống hoàn chỉnh, từ kiểm định đến ước lượng và diễn giải.

Kiến thức tiên quyết

  • Kinh tế lượng cơ bản: Hiểu rõ về mô hình hồi quy OLS và khái niệm phương sai thay đổi (heteroscedasticity).
  • Phân tích chuỗi thời gian: Quen thuộc với các mô hình ARMA, khái niệm tính dừng và nhiễu trắng (white noise).
  • Lý thuyết tài chính cơ bản: Nắm được các khái niệm về lợi suất, rủi ro và biến động là một lợi thế.
  • Sử dụng Stata cơ bản: Có khả năng quản lý dữ liệu chuỗi thời gian (lệnh tsset) và thực hiện các hồi quy cơ bản.

Mục tiêu học tập

  • Nhận diện và kiểm định sự tồn tại của hiệu ứng ARCH trong dữ liệu chuỗi thời gian.
  • Nắm vững cơ sở lý thuyết và cấu trúc toán học của các mô hình trong họ ARCH/GARCH.
  • Thành thạo việc ước lượng, chẩn đoán và diễn giải các mô hình GARCH khác nhau bằng Stata.
  • Ứng dụng các mô hình này để mô hình hóa và dự báo biến động, một kỹ năng cốt lõi trong quản trị rủi ro tài chính.

Tài liệu tham khảo chính

  • Engle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica. (Bài báo khai sinh ra mô hình ARCH, đoạt giải Nobel Kinh tế).
  • Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroscedasticity. Journal of Econometrics. (Bài báo giới thiệu mô hình GARCH, công cụ phổ biến nhất hiện nay).
  • Nelson, D. B. (1991). Conditional Heteroscedasticity in Asset Returns: A New Approach. Econometrica. (Bài báo giới thiệu mô hình EGARCH để nắm bắt hiệu ứng bất đối xứng).

PHỤ LỤC: Dữ liệu mô phỏng cho chuỗi bài viết

Để minh họa các khái niệm, chúng ta sẽ tạo ra một chuỗi thời gian mô phỏng có đặc tính biến động cụm theo một quy trình ARCH(1) đơn giản.

Stata
* ==================================================
* TẠO DỮ LIỆU MÔ PHỎNG VỚI HIỆU ỨNG ARCH
* Mục đích: Tạo ra một chuỗi thời gian có biến động cụm
* Tác giả: Professor of Econometrics
* ==================================================

clear
set obs 1000
set seed 2023

* Tạo một chuỗi nhiễu trắng chuẩn hóa ban đầu
gen u = rnormal(0, 1)

* Khởi tạo các biến phương sai và sai số
gen sigma2 = 1
gen epsilon = u

* Mô phỏng quy trình ARCH(1): sigma2_t = 0.2 + 0.8 * epsilon_{t-1}^2
forvalues i = 2/1000 {
    replace sigma2 = 0.2 + 0.8 * epsilon[`i'-1]^2 in `i'
    replace epsilon = sqrt(sigma2) * u[`i'] in `i'
}

* Tạo biến thời gian
gen time = _n
tsset time

* Gắn nhãn
label var epsilon "Chuỗi thời gian với hiệu ứng ARCH(1)"
label var sigma2 "Phương sai có điều kiện"

* Lưu dữ liệu
* save arch_sim_data.dta, replace

Mô tả dữ liệu

  • time: Biến chỉ số thời gian, từ 1 đến 1000.
  • epsilon: Chuỗi thời gian mô phỏng. Mặc dù trung bình của nó bằng 0 và không có tự tương quan, phương sai của nó lại thay đổi theo thời gian, phụ thuộc vào độ lớn của sai số kỳ trước.
  • sigma2: Phương sai có điều kiện thực sự của chuỗi epsilon, được tạo ra từ quy trình ARCH(1).

Nếu bạn vẽ đồ thị của chuỗi epsilon (tsline epsilon), bạn sẽ thấy rõ các giai đoạn biến động mạnh xen kẽ với các giai đoạn bình ổn, đây chính là đặc điểm của biến động cụm.

📚 Bài tiếp theo: Giới thiệu Biến động Cụm và Mô hình ARCH

💡 Lưu ý: Hãy đảm bảo bạn đã quen thuộc với khái niệm phương sai thay đổi trong bối cảnh dữ liệu chéo trước khi đi sâu vào mô hình động cho phương sai.

Back to top button