Đặt vấn đề

Đến thời điểm nghiên cứu, xung đột Nga-Ukraine đã kéo dài 2 năm, với nhiều diễn biến phức tạp, gây ra môi trường bất ổn lớn, đặc biệt với các quốc gia mới nổi phụ thuộc nhiều vào giao thương hàng hóa, năng lượng và dịch vụ từ Nga và Ukraine.

Báo cáo của World Bank (2023) cho rằng, xung đột này gây bất ổn thị trường năng lượng và gián đoạn kinh tế toàn cầu, nghiêm trọng hơn cả khủng hoảng xăng dầu năm 1970. Wang (2019) cho rằng, các rủi ro chính trị có thể ảnh hưởng lớn đến các thị trường tài chính mới nổi. Do đó, dự báo biến động thị trường chứng khoán (TTCK) các quốc gia mới nổi trở nên cấp thiết để xây dựng các chiến lược đầu tư và giảm thiểu rủi ro cho nhà đầu tư.

Trong lĩnh vực tài chính, mô hình GARCH đã được sử dụng rộng rãi để dự báo biến động TTCK. Mô hình này hiệu quả trong việc mô hình hóa sự biến động của chuỗi thời gian tài chính. Bên cạnh đó, mô hình E-GARCH (Exponential GARCH), được áp dụng như một phương pháp thay thế, giải quyết hạn chế của GARCH, đặc biệt trong việc mô hình hóa sự bất đối xứng của biến động. Như vậy, nghiên cứu này áp dụng cả mô hình đối xứng GARCH và bất đối xứng E-GARCH để ước tính biến động của chỉ số Thị trường mới nổi của MSCI trong bối cảnh xung đột Nga-Ukraine và so sánh hiệu quả dự báo của hai mô hình này. Qua đó, nghiên cứu này cung cấp bằng chứng thực nghiệm cho các nhà đầu tư, giúp xây dựng chiến lược đầu tư và biện pháp phòng ngừa rủi ro trong giai đoạn thị trường bất ổn.

Tổng quan nghiên cứu

Trong ba mô hình dự báo phổ biến nhất hiện nay: EWMA, ARIMA và GARCH, GARCH là mô hình chứng tỏ hiệu quả vượt trội trong dự báo biến động tài chính (Lee và cộng sự, 2017). Trong khi đó, mô hình ARIMA cũng thể hiện sự không phù hợp trong dự báo biến động bởi giả định phương sai không đổi của mô hình này và trên thực tế, biến động của lợi nhuận chỉ số TTCK thay đổi theo phương sai trong quá khứ.

Một số nghiên cứu đã khẳng định GARCH(1,1) (GARCH tiêu chuẩn) là mô hình hiệu quả nhất để dự báo biến động của TTCK. Lee và cộng sự (2017) khẳng định, GARCH(1,1) hiệu quả trong dự báo biến động TTCK Malaysia, Indonesia và Nhật Bản. Sharma và cộng sự (2021) cũng đồng quan điểm cho rằng GARCH(1,1) là mô hình tốt nhất cho TTCK của một số nền kinh tế mới nổi.

Tuy nhiên, các nghiên cứu cũng chỉ ra, TTCK không phải lúc nào cũng phản ứng đối xứng với các thông tin mới. Nelson (1991) đã giới thiệu mô hình E-GARCH, giúp mô hình hóa các hiệu ứng bất đối xứng, trong đó sự phản ứng của thị trường đối với các cú sốc âm và dương có thể khác nhau, đặc biệt trong giai đoạn biến động mạnh, khi đó các cú sốc tiêu cực có xu hướng tạo ra tác động lớn hơn. Alberg và cộng sự (2008) đã có phát hiện rằng, E-GARCH dự báo phương sai có điều kiện tốt hơn so với GARCH(1,1) và nắm bắt biến động của chỉ số S và P 500 tốt hơn. Hồ Thủy Tiên và cộng sự (2017) đã chỉ ra sự tồn tại của các hiệu ứng bất cân xứng của chỉ số VNIndex, theo đó việc ứng dụng mô hình E-GARCH(1,1) đã làm rõ ảnh hưởng rõ rệt từ các cú sốc tiêu cực bởi đại dịch COVID-19 và xung đột Nga-Ukraine tới biến động của chỉ số này.

Mặt khác, Gokan (2000) nhận thấy, GARCH(1,1) tốt hơn E-GARCH trong mô hình hóa biến động TTCK ở 7 quốc gia mới nổi. Nghiên cứu của Kosapattarapim và cộng sự (2012) khi đánh giá mô hình phù hợp nhất trong dự báo biến động TTCK các quốc gia mới nổi tại châu Á đã kết luận GARCH(1,1) là mô hình phù hợp nhất với chuỗi dữ liệu, tuy nhiên không phải lúc nào cũng đưa ra dự báo tốt nhất. Hansen và Lunde (2005) cho rằng, hiệu quả dự báo còn phụ thuộc vào loại tài sản, GARCH tuyến tính phù hợp với tiền tệ và GARCH phi tuyến tính phù hợp với cổ phiếu.

Tổng quan nghiên cứu cho thấy, mặc dù đã có nhiều nghiên cứu được thực hiện dựa trên mô hình dự báo biến động của TTCK trên thế giới, song với hiểu biết của nhóm tác giả, chưa có nghiên cứu nào thực hiện với bối cảnh các quốc gia mới nổi trong thời kỳ xung đột Nga-Ukraine. Bên cạnh đó, các kết luận về tính ưu việt của mô hình GARCH và E-GARCH trong việc dự báo biến động TTCK là không thống nhất. Do đó, nghiên cứu này ứng dụng mô hình GARCH đối xứng và bất đối xứng để dự báo biến động chỉ số TTCK các quốc gia mới nổi, so sánh hiệu quả dự báo của hai mô hình để tìm ra mô hình phù hợp nhất.

Phương pháp nghiên cứu

Dữ liệu nghiên cứu

Nghiên cứu này sử dụng dữ liệu thứ cấp là giá đóng cửa hàng ngày của chỉ số Thị trường mới nổi của MSCI (MSCI Emerging Markets Index) (EM). Chỉ số này được đưa vào nghiên cứu vì nó mang tính chất đại diện, thành phần bao gồm các doanh nghiệp có vốn hóa lớn thuộc 24 nền kinh tế mới nổi (MSCI, 2024). Dữ liệu được thu thập trong giai đoạn 2010 đến 2024, tương ứng với 3.540 quan sát từ cơ sở dữ liệu của Yahoo! Finance.

Biến động được ước tính dựa trên tỷ suất sinh lợi của chỉ số EM được xác định như sau:

Trong đó: R_EMt là lợi suất của chỉ số EM tại thời điểm t, EMt và EMt-1 lần lượt là giá đóng cửa tại thời điểm t và t-1.

Các kiểm định và phân tích mô hình được thực hiện bằng phần mềm Eviews 12.

Phương pháp nghiên cứu

Kiểm định tính dừng và hiệu ứng ARCH

Dữ liệu nghiên cứu là chuỗi thời gian, do đó, việc kiểm tra tính dừng của dữ liệu là cần thiết và được thực hiện bằng kiểm định Augmented Dickey-Fuller (ADF). Trước khi thực hiện kiểm định hiệu ứng ARCH và xa hơn nữa là ứng dụng mô hình GARCH, chuỗi tỷ suất lợi nhuận (R_EM) phải được kiểm tra về tính không đồng nhất có điều kiện của phương sai bằng kiểm định Breusch-Pagan Lagrange (LM). Bài nghiên cứu này sử dụng thử nghiệm ARCH-LM nhằm thiết lập bằng chứng cho sự tồn tại của hiệu ứng ARCH(3).

Mô hình ARCH(q) giả định rằng phương sai có điều kiện của sai số tại thời điểm hiện tại phụ thuộc vào các sai số trong quá khứ và có phương trình như sau:

Trong đó, ht là phương sai có điều kiện tại thời điểm t.

Ước lượng mô hình GARCH và E-GARCH

Mô hình GARCH (p,q) được thể hiện qua phương trình sau :

Có thể thấy, mô hình GARCH (p,q) đã kết hợp cả phần ARCH và phần GARCH để mô hình hóa phương sai có điều kiện (Bollerslev, 1986). Theo phương trình (3), thành phần thể hiện sự phụ thuộc của phương sai hiện tại vào giá trị phương sai có điều kiện trong quá khứ. Bên cạnh đó, thành phần chỉ ra sự ảnh hưởng của các giá trị sai số trong quá khứ lên tới phương sai hiện tại.

Tuy nhiên, ARCH(q) và GARCH (p,q) tồn tại nhược điểm là đều dựa trên bình phương của phương sai để mô hình hóa phương sai có điều kiện. Vì bình phương của một số luôn không âm nên mô hình sẽ phản ứng như nhau với các giá trị ut dương và âm có cùng độ lớn, dẫn đến tính đối xứng trong cách các mô hình này phản ứng với các cú sốc trong chuỗi thời gian.

Để khắc phục nhược điểm này, Nelson (1991) đã phát triển mô hình E-GARCH nhằm giải quyết được vấn đề nêu trên mà không cần phải đặt điều kiện là phương sai là số dương và giúp dễ dàng phản ánh hiệu ứng đòn bẩy.

Mô hình E-GARCH có dạng:

Thông qua tham số ξj, mô hình cho phép các cú sốc tiêu cực âm có tác động khác với các cú sốc tiêu cực dương cùng kích thước. Nếu ξj khác 0, điều này sẽ tạo ra sự bất đối xứng. Thêm vào đó, hiệu ứng đòn bẩy sẽ được phản ánh khi các cú sốc tiêu cực làm tăng phương sai có điều kiện nhiều hơn so với các cú sốc tích cực có cùng kích thước.

Dự báo biến động của chỉ số EM và so sánh hiệu quả mô hình

Tiếp theo, mô hình GARCH và E-GARCH được sử dụng để dự báo và so sánh hiệu quả.

Để lựa chọn mô hình phù hợp nhất với dữ liệu nghiên cứu, nhóm tác giả dựa vào các tiêu chí giá trị nhỏ nhất đối với tiêu chuẩn thông tin (AIC) và giá trị lớn nhất đối với Log-likelihood. Tiêu chí Log-likelihood đánh giá mức độ khớp hệ số giữa các mô hình, trong khi tiêu chí AIC sử dụng giá trị tuyệt đối lớn hơn để chỉ ra mức độ khớp dữ liệu tốt hơn.

Nghiên cứu thực hiện dự báo tĩnh (static forecast) và so sánh hiệu suất của hai mô hình GARCH trên thông qua các tiêu chí sau: lỗi bình phương trung bình (MAE), lỗi bình phương trung bình căn bậc hai (RMSE) và lỗi phần trăm tuyệt đối trung bình (MAPE).

Kết quả và thảo luận