Luận Văn Mối Quan Hệ Của Giá Vàng, Giá Chứng Khoán Và Tỷ Giá Ở Việt Nam.doc

Viết thuê đề tài giá rẻ trọn gói - KB Zalo/Tele : 0973.287.149
Luanvanmaster.com – Cần Kham Thảo - Kết bạn Zalo/Tele : 0973.287.149
LỜ AM A
Tôi xin cam đoan đây là công trình nghiên cứu của cá nhân tôi, dƣới sự hƣớng
dẫn khoa học của TS. Vũ Việt Quảng.
Các nội dung nghiên cứu và kết quả nghiên cứu trong đề tài này là trung thực.
Các số liệu phục vụ cho nghiên cứu là đáng tin cậy và đƣợc tác giả thu thập từ các
nguồn khác nhau, đều đƣợc chú thích rõ ràng để dễ dàng tra cứu và kiểm chứng. Ngoài
ra, đề tài có sử dụng một số nhận xét, đánh giá của các tác giả khác đều có chú thích rõ
nguồn gốc sau mỗi trích dẫn để dễ tra cứu, kiểm chứng.
Thành phố Hồ Chí Minh, tháng 4 năm
2018
Tác giả
Trần Ngọc Tuấn

MỤC LỤC
TRANG PHỤ BÌA
LỜI CAM ĐOAN
MỤC LỤC
DANH MỤC CÁC CỤM TỪ VIẾT TẮT
DANH MỤC BẢNG BIỂU VÀ HÌNH VẼ
TÓM TẮT .........................................................................................................................................................1
CHƢƠNG 1: GIỚI THIỆU ĐỀ TÀI.....................................................................................................2
1.1.Giới thiệu....................................................................................................................................................3
1.2.Mục tiêu nghiên cứu..............................................................................................................................4
1.3.Phạm vi nghiên cứu...............................................................................................................................4
1.4.Phƣơng pháp nghiên cứu....................................................................................................................4
1.5.Điểm mới của luận văn........................................................................................................................4
1.6.Bố cục luận văn.......................................................................................................................................4
CHƢƠNG 2: TỔNG QUAN CÁC NGHIÊN CỨU TRƢỚC ĐÂY ......................................6
2.1.Các nghiên cứu về giá vàng và tỷ giá............................................................................................6
2.2.Các nghiên cứu về giá vàng và thị trƣờng chứng khoán ......................................................8
2.3.Các nghiên cứu về thị trƣờng chứng khoán và tỷ giá ......................................................... 12
2.4.Các nghiên cứu về giá vàng, thị trƣờng chứng khoán, tỷ giá và giá tài sản khác ..16

CHƢƠNG 3: PHƢƠNG PHÁP NGHIÊN CỨU......................................................................... 18
3.1.Phƣơng pháp nghiên cứu................................................................................................................. 18
3.2.Mô hình nghiên cứu............................................................................................................................ 18
3.2.1.Phƣơng pháp Copula..................................................................................................................... 18
3.2.2.Phƣơng pháp xây dựng cấu trúc cặp copula (pair – copula construction)............. 23
3.2.3. Giá trị có rủi ro VaR của danh mục (ứng dụng mô hình GARCH – Cvine)........ 31
CHƢƠNG 4: DỮ LIỆU VÀ KẾT QUẢ NGHIÊN CỨU......................................................... 36
4.1.Dữ liệu và thống kê mô tả................................................................................................................ 36
4.1.1.Dữ liệu.................................................................................................................................................. 36
4.1.2.Thống kê mô tả sự biến động giá vàng, chỉ số Vnindex và tỷ giá USD/VND ..... 37
4.2.Kết quả nghiên cứu............................................................................................................................. 39
4.2.1.Kết quả kiểm tra tính dừng.......................................................................................................... 39
4.2.2.Kết quả ƣớc lƣợng và kiểm định phù hợp của mô hình phân phối biên ................ 40
4.2.3.Kết quả ƣớc lƣợng Cvine copula của dữ liệu nghiên cứu ............................................ 42
4.2.4.Kết quả ƣớc lƣợng khi xét các thay đổi cấu trúc của tỷ giá USD/VND ................ 43
4.2.5.Giá trị có rủi ro VaR giai đoạn 18/5/2015 – 19/3/2018.................................................. 49
CHƢƠNG 5: KẾT LUẬN...................................................................................................................... 51
5.1. Kết luận và kết quả nghiên cứu.................................................................................................... 51
5.2.Những điểm hạn chế của luận văn............................................................................................... 53

5.3.Những gợi ý cho hƣớng nghiên cứu tiếp theo........................................................................ 53
TÀI LIỆU THAM KHẢO
PHỤ LỤC

DANH MỤC CÁC CỤM TỪ VIẾT TẮT
Cvine
Dvine
PCC
Rvine
USD/VND
VaR
Canoncial Vine/ Vine hình ngôi sao
DrawableVine/ Vine dạng đƣờng thẳng
Pair – copula construction/ xây dựng cấu trúc cặp copula
Regular Vine/ Vine dạng cây
Tỷ giá Đồng đô la Mỹ/Đồng Việt Nam
Value – at – Risk/ Giá trị có rủi ro

DANH MỤC BẢNG BIỂU VÀ HÌNH VẼ
Bảng 3.1: Ký hiệu và các thông số giá trị của họ Copula Elliptic hai biến ................. 21
Bảng 3.2: Ký hiệu và các thông số giá trị của họ Copula Archimedean hai biến ........ 21
Bảng 4.1: Thống kê mô tả cho tỷ suất sinh lợi theo tuần của giá vàng, chỉ số Vnindex
và tỷ giá USD/VND ...................................................................................................... 39
Bảng 4.2: Kết quả kiểm định ADF và PP ..................................................................... 40
Bảng 4.3: Kết quả ƣớc lƣợng của mô hình phân phối biên và kiểm định mức độ phù
hợp của mô hình phân phối biên của tỷ suất sinh lời theo tuần của giá vàng, chí số
Vnidnex, tỷ giá USD/VND ........................................................................................... 41
Bảng 4.4: Kết quả ƣớc lƣợng Cvine copula giai đoạn 8/1/2007 – 19/3/2018 .............. 43
Bảng 4.5: Kết quả ƣớc lƣợng Cvine copula các giai đoạn con từ 8/1/2007 đến
19/3/2018 ....................................................................................................................... 44
Bảng 4.6: Kết quả kiểm tra độ nhất quán của mô hình GARCH – Cvine copula với
kiểm định Kupiec test và kiểm định Christoffersen test ............................................... 50
Hình 4.1: Giá vàng, chỉ số Vnindex và tỷ giá USD/VND giai đoạn từ 8/1/2007 đến
19/3/2018 ....................................................................................................................... 38
Hình 4.2: Giá trị có rủi ro VaR của mô hình GARCH – Cvine copula ........................ 49

1
TÓM TẮT
Luận văn dùng cách tiếp cận Vine copula để nghiên cấu mối quan hệ của giá vàng, chỉ
số Vnindex và tỷ giá USD/VND ở Việt Nam. Việc mô hình hóa cấu trúc phụ thuộc
bằng cách sử dụng vine copula (cụ thể là Cvine copula) mang đến sự linh động hơn và
cho phép việc xây dựng cấu trúc phụ thuộc phức tạp đối với các phân phối có số chiều
bậc cao. Bằng cách sử dụng mẫu dữ liệu tỷ suất sinh lời theo tuần hơn 10 năm của giá
vàng, chỉ số Vnidnex và tỷ giá USD/VND ở Việt Nam, bài luận văn đã tìm thấy bằng
chứng cho thấy tỷ giá USD/VND có liên quan mạnh đến giá vàng và Vnindex cụ thể:
 Có bằng chứng thực nghiệm cho thấy tỷ giá USD/VND và giá vàng cũng nhƣ
cặp Vnindex và giá vàng có điều kiện tỷ giá USD/VND không phụ thuộc với
nhau khi thị trƣờng hoạt động bình thƣờng.

 Có bằng chứng thực nghiệm cho thấy sự tăng lên của tỷ giá USD/VND dẫn đến
chỉ số Vnindex sụt giảm khi thị trƣờng hoạt động bình thƣờng.

 Các kết quả ƣớc lƣợng của các giai đoạn con cho thấy rằng cấu trúc phụ thuộc
và mức độ phụ thuộc của các cặp thay đổi trong hầu hết các khoản thời gian
xem xét. Đặc biệt nhất là giai đoạn khủng hoảng tài chính 2008 làm thay đổi cấu
trúc phụ thuộc của các chuỗi tỷ suất sinh lời xem xét dẫn đến; cụ thể là dẫn đến
sự dịch chuyển đồng thời trong giá vàng và tỷ giá USD/VND khi thị trƣờng
biến động mạnh.

 Cuối cùng, bài luận văn ứng dụng rằng mô hình GARCH – C vine để ƣớc
lƣợng giá trị có rủi ro VaR cho giai đoạn 18/5/2015 – 19/3/2018 kiểm định kết
quả cho thấy mô hình là nhất quán trong việc xác định giá trị có rủi ro VaR của
danh mục đầu tƣ xem xét.

2
ƢƠ 1: ỚI THIỆU Ề TÀI
1.1. Giới thiệu
Trong những năm gần đây, thị trƣờng tài chính thế giới đã xảy ra nhiều sự kiện
tài chính lớn (cuộc khủng hoảng thị trƣờng chứng khoán thế giới năm 1987, khủng
hoảng thị trƣờng trái phiếu Mỹ năm 1990, khủng hoảng tài chính Châu Á năm 1997,
khủng hoảng tài chính toàn cầu năm 2008, khủng hoảng nợ công ở Châu Âu năm 2011,
hay gần đây nhất là sự kiện Brexit năm 2017) đã gây ra nhiều đỗ vỡ và sụp đỗ của
nhiều định chế tài chính lớn trên thị trƣờng tài chính quốc tế. Trên bối cảnh phức tạp
đó, các nhà đầu tƣ quan tâm nhiều đến việc tìm kiếm tài sản để phòng ngừa rủi ro khi
thị trƣờng hoạt động bình thƣờng (tức là theo Baur và Lucey (2010) thì lúc này tài sản
không có tƣơng quan hoặc tƣơng quan âm với một tài sản khác khi thị trƣờng hoạt
động bình thƣờng) và tìm kiếm những tài sản an toàn để trú ẩn khi thị trƣờng biến
động mạnh theo chiều hƣớng xấu đi (tức là theo Baur và Lucey (2010) tài sản không
có tƣơng quan hoặc tƣơng quan âm với một tài sản khác khi thị trƣờng biến động
mạnh). Có nhiều bằng chứng để nói lên thị trƣờng thị trƣờng hàng hóa mà đặc biệt ở
đây là vàng luôn đƣợc xem nhƣ là một công cụ để phòng ngừa và đầu tƣ an toàn khi
xảy ra mất giá của một đồng tiền (tức ở đây nói đến việc tăng tỷ giá của một đồng tiền)
(Beckers và Soenen, 1984; Sjasstad và Scacciavillani, 1996; Capie và cộng sự, 2005;
Sjasstad, 2008; Pukthuanthony và Roll, 2011; Joy, 2011; Roboredo, 2013) và sụt giảm
của thị trƣờng tài chính (đặc biệt ở đây là thị trƣờng chứng khoán) (Von Furstenberg
và cộng sự, 1989; Tulley và Lucey, 2007; Do và Sriboonchitta, 2009; Baur và
McDermott, 2010; Baur và Lucey, 2010; C. Nguyen và cộng sự, 2016). Từ đó, ta có
thể thấy một mối tƣơng quan (hay cấu trúc phụ thuộc) chặt chẽ giữa giá vàng, thị
trƣờng chứng khoán và tỷ giá. Cũng đã có nhiều nghiên cứu tìm hiểu về cấu trúc phụ
thuộc này nhƣng ở mức độ rộng hơn (Lee và Lin, 2012; Chang và cộng sự, 2013; Sari
và Ghosh, 2013, Jain và Biswal, 2016), nhƣng các nghiên cứu này cũng chỉ xem xét

3
cấu trúc phụ thuộc ở mức độ tuyến tính (tức là dùng hệ số tƣơng quan tuyến tính để do
lƣờng mối quan hệ giữa các tài sản) là không phù hợp trong việc nắm bắt các chuỗi tỷ
suất sinh lời của các tài sản, nhất là khi thị trƣờng biến động mạnh; vì lẽ đó, tìm hiểu
cấu trúc phụ thuộc này là một vấn đề nóng bỏng gây nhiều tranh cãi giữa giữa các nhà
nghiên cứu cả học thuật lẫn thực tiễn. Gần đây, đã có nhiều nghiên cứu (Ning, 2011;
Reboredo, 2013; C. Nguyen và cộng sự, 2016) sử dụng phƣơng pháp copula để khắc
phục đƣợc nhƣợc điểm của công cụ đo lƣờng phụ thuộc tuyến tính và có thể nắm bắt
đƣợc cấu trúc phụ thuộc của 2 chuỗi dữ liệu tỷ suất sinh lời. Tuy nhiên, các nghiên cứu
sử dụng copula của Ning (2011); Reboredo (2013); C.Nguyen và cộng sự (2016) cũng
chỉ dừng lại ở việc tìm mối quan hệ của một 2 chuỗi dữ liệu tài sản mà thôi, còn việc
nghiên cứu tiếp cân bằng phƣơng pháp copula để nghiên cứu số chuỗi có số chiều tài
sản bậc cao hơn vẫn còn bỏ ngõ. Gần đây nhất, Aloui và cộng sự (2016) có bài nghiên
cứu về mối quan hệ của giá dầu, chứng khoán và tỷ giá tiếp cận dựa trên cơ sở Vine
copula ra đời đã giải quyết đƣợc nút thắt trong việc tiếp cận số chiều tài sản bậc cao
hơn. Theo sự hiểu biết của tác giả thì mặc dù ở Việt Nam cách tiếp cận bằng copula để
nghiên cứu cấu trúc phụ thuộc của giá vàng và tỷ giá đã đƣợc Nguyễn Thị Thúy Vy
(2014) thực hiện, cấu trúc phụ thuộc của thị trƣờng chứng khoán và thị trƣờng ngoại tệ
đã đƣợc Đỗ Thị Tuyết Nga (2014) thực hiện. Tuy nhiên vẫn chƣa có nghiên cứu nào
đo lƣờng mức độ phụ thuộc của giá vàng, chỉ số chứng khoán Vnindex và tỷ giá
USD/VND ở cả khi thị trƣờng hoạt động bình thƣờng và khi thị trƣờng biến động
mạnh. Do đó, bài luận văn này sử dụng phƣơng pháp tiếp cận Vine copula của Aloui
và cộng sự (2016) để xem xét mối quan hệ của giá vàng, chỉ số chứng khoán Vnindex
và tỷ giá USD/VND trong giai đoạn 8/1/2007 đến 19/3/2018.
1.2. Mục tiêu nghiên cứu
Mục tiêu nghiên cứu của luận văn là nghiên cứu cấu trúc phụ thuộc giữa giá vàng,
giá chứng khoán và tỷ giá đô la Mỹ khi thị trƣờng trong điều kiện bình thƣờng và

4
khi thị trƣờng biến động mạnh. Để thực hiện mục tiêu nghiên cứu, bài nghiên cứu đi
trả lời các câu hỏi sau:
 Cấu trúc phụ thuộc giữa giá vàng, chỉ số Vnindex và tỷ giá USD/VND ở thị
trƣờng Việt Nam khi thị trƣờng hoạt động bình thƣờng và khi thị trƣờng biến
động mạnh là gì?
1.3. Phạm vi nghiên cứu
Phạm vi nghiên cứu của luận văn dựa trên số liệu về giá vàng SJC, chỉ số
Vnindex và tỷ giá USD/VND giao dịch hàng tuần tại ngân hàng Ngoại thƣơng Việt
Nam từ 08/01/2007 đến 19/03/2018.
1.4. Phƣơng pháp nghiên cứu
Luận văn sử dụng cả hai phƣơng pháp nghiên cứu định tính và định lƣợng.
Phần mềm đƣợc sử dụng là Rstudio và Eviews 8.0.
1.5. iểm mới của luận văn
Bằng cách xây dựng cấu trúc phụ thuộc dựa trên cấu trúc các cặp Copula, luận
văn tìm mối quan hệ của giá vàng, chỉ số Vnindex và tỷ giá USD/VND, từ đó thấy
đƣợc cái nhìn tổng quát đối với thị trƣờng vàng, thị trƣờng chứng khoán và tỷ giá
USD/VND, phƣơng pháp hầu nhƣ chƣa đƣợc nghiên cứu tại Việt Nam.
1.6. Bố cục luận văn
Ngoài phần tóm tắt, tài liệu tham khảo và phụ lục của luận văn, bài luận văn này
gồm 5 chƣơng chính với bố cục nhƣ sau:
Chƣơng 1: Giới thiệu đề tài
Chƣơng 2: Tổng quan các nghiên cứu trƣớc đây

5
Chƣơng 3: Phƣơng pháp nghiên cứu
Chƣơng 4: Dữ liệu và kết quả nghiên cứu
Chƣơng 5: Kết luận

6
ƢƠ 2: ỔNG QUAN CÁC NGHIÊN CỨU ƢỚC ÂY
2.1. Các nghiên cứu về giá vàng và tỷ giá
Trƣớc đây trên thế giới đã có nhiều nghiên cứu xem xét mối quan hệ giữa giá
vàng và tỷ giá chứng khoán. Có thể kể đến các nghiên cứu xem xét vai trò của vàng
nhƣ công cụ phòng ngừa hoặc tài sản đầu tƣ an toàn đối với sự mất giá của đồng tiền
nhƣ: Beckers và Soenen (1984), xem xét vàng nhƣ một công cụ phòng ngừa rủi ro đối
với các nhà đầu tƣ, bài nghiên cứu đã tìm thấy rằng việc đa dạng hóa sẽ giúp giảm
thiểu rủi ro bất đối xứng khi nắm giữ vàng của các nhà đầu tƣ Mỹ và nhà đầu tƣ ở bên
ngoài nƣớc Mỹ; Sjasstad và Scacciavillani (1996) và Sjasstad (2008) phát hiện ra rằng
sự tăng giá hoặc mất giá của đồng tiền sẽ có ảnh hƣởng mạnh mẽ đến giá vàng, và sự
sụp đỗ của hệ thống tỷ giá thả nổi Bretton Woods là nguyên nhân chính dẫn đến sự bất
ổn trong giá vàng thế giới; Capie, Mills và Wood (2005), sử dụng mô hình EGARCH
cho tỷ suất sinh lợi hàng tuần trong khoảng thời gian từ 1971 – 2004 đã khẳng định
mối quan hệ cùng chiều giữa tỷ giá USD và giá vàng, từ đấy có thể thấy vàng có thể trở
thành công cụ phòng ngừa hiệu quả đối với USD; Pukthuanthony và Roll (2011) cho
rằng vàng và USD có mối quan hệ âm khi mà giá vàng tính theo đô la tăng, giá đô la
tính theo các loại tiền tệ khác giảm và liệu có phải do USD khác với các đồng tiền khác
hay không, kết quả thì không đúng nhƣ vậy vì giá vàng có thể liên kết với sự mất giá
tiền tệ ở các quốc gia, giá vàng tính bằng đô la có thể liên quan đến sự mất giá đồng đô
la và giá vàng tính bằng đồng Euro, Pound, Yen liên quan đến sự mất giá đồng Euro,
Pound, Yen; Joy (2011) đã phân tích cho dù vàng có thể xem nhƣ là một công cụ
phòng ngừa hiệu quả hoặc một nơi trú ẩn an toàn cho việc đầu tƣ, nhƣng lại là tài sản
kém an toàn so với USD. Sử dụng mô hình tƣơng quan động có điều kiện bao gồm 23
năm của dữ liệu hàng tuần cho 16 cặp tỷ giá chính, nghiên cứu đề cập đến một câu hỏi
đầu tƣ thực tiễn: Liệu rằng vàng có thể đóng vai trò nhƣ một hàng rào đối với đồng đô
la Mỹ hay nhƣ một nơi trú ẩn an toàn hay không? Kết quả cho thấy, trong 23 năm qua

7
vàng đã đóng vai trò nhƣ một công cụ phòng ngừa đối với USD, là nơi trú ẩn an toàn
kém; và trong những năm gần đây vàng đã hoạt động nhƣ một công cụ phòng ngừa
hiệu quả chống lại rủi ro tiền tệ liên quan đến USD. Wang (2011) xem xét liệu vàng có
phải là một công cụ phòng ngừa tỷ giá hối đoái ở Nhật Bản hay không, sử dụng dữ liệu
giai đoạn từ 1986 – 2007. Trong các tài liệu về lĩnh vực này, nghiên cứu hầu hết tập
trung vào các mối quan hệ tuyến tính – chứ không phải là phi tuyến – giữa lợi nhuận
vàng và biến động tỷ giá của đồng yên Nhật Bản. Bài này thì sử dụng tỷ lệ mất giá của
đồng yên nhƣ là một ngƣỡng để phân biệt giữa một chế độ mất giá cao và sự mất giá
thấp. Với đặc điểm kỹ thuật này, tác giả xây dựng một mô hình tự hồi quy véc tơ
ngƣỡng để điều tra các quan hệ nhân quả giữa sự trở lại vàng và tỷ lệ mất giá của đồng
yên. Tác giả thấy rằng khi tỷ lệ mất giá của đồng yên lớn hơn 2.62% thì đầu tƣ vào
vàng có thể tránh đƣợc sự mất giá. Vì vậy, tác giả kết luận rằng hiệu quả của vàng nhƣ
một công cụ phòng ngừa tỷ giá phụ thuộc vào tỷ lệ mất giá của đồng yên. Phát hiện này
có thể có lợi cho cả các cơ quan tiền tệ của Nhật Bản và các nhà đầu tƣ nắm giữ đồng
yên Nhật Bản trong danh mục đầu tƣ của họ.Đặc biệt, Reboredo (2013) đánh giá vai
trò của vàng nhƣ một nơi trú ẩn an toàn hoặc là công cụ phòng ngừa rủi ro đối với
USD bằng cách sử dụng các hàm Copula khác nhau để mô tả sự phụ thuộc giữa giá
vàng và USD trong giai đoạn thị trƣờng ở điều kiện bình thƣờng và khi thị trƣờng
biến động. Sử dụng một tập hợp nhiều loại đồng tiền, kết quả cho thấy có sự phụ thuộc
dƣơng và đáng kể giữa vàng và sự mất giá USD trong điều kiện thị trƣờng bình
thƣờng, phù hợp với thực tế là vàng có thể hoạt động nhƣ là một công cụ phòng ngừa
rủi ro đối với biến động tỷ giá USD; sự phụ thuộc đuôi đối xứng giữa vàng và tỷ giá
USD cho thấy vàng có thể hoạt động nhƣ một kênh trú ẩn an toàn và hiệu quả khi tỷ
giá USD biến động mạnh. Theo vào đó nghiên cứu cũng đánh giá các danh mục vàng –
tiền tệ để tìm kiếm bằng chứng về lợi ích của việc đa dạng hóa và giảm rủi ro khi cho
thêm vàng vào danh mục tiền tệ, từ đó khẳng định lợi ích của vàng trong quản trị rủi ro
danh mục tiền tệ. Gần đây, Reboredo (2014) tiếp tục nghiên cứu vai trò vàng là công

8
cụ phòng ngừa và nơi trú ẩn an toàn khi USD giảm giá, bằng cách sử dụng phƣơng
pháp LR (likelihood ratio test) kết quả cũng cho thấy vàng là công cụ phòng ngừa rủi
ro, nhƣng là kênh trú ẩn an toàn yếu đối với biến động của USD. Riêng tại Việt Nam,
Huỳnh Thị Thúy Vy (2015) sử dụng dữ liệu suất sinh lợi theo tuần của vàng và bộ 3 tỷ
giá hối đối VND (đó là, AUD/VND; EUR/VND và USD/VND) bằng cách sử dụng
hàm Copula để mô tả sự phụ thuộc giữa vàng và VND trong điều kiện thị trƣờng khác
nhau đã đƣa đến kết quả là không tìm thấy sự phụ thuộc giữa vàng và VND ở điều
kiện thị trƣờng bình thƣờng, điều này cho thấy vàng không đƣợc sử dụng nhƣ là một
công cụ phòng ngừa rủi ro đối với biến động của VND; bên cạnh đó, bài nghiên cứu
cũng tìm thấy sự phụ thuộc giữa vàng và VND khi thị trƣờng biến động cực độ đi lên,
cho thấy vàng có thể hoạt động nhƣ là một kênh trú ẩn an toàn khi VND giảm giá.
Tóm lại, trong hơn 10 năm qua đã có các nghiên cứu tìm hiểu mối tƣơng quan
giữa vàng và tỷ giá để từ đó tìm thấy đƣợc nhiều bằng chứng để chỉ ra xem vàng có
phải là công cụ phòng ngừa rủi ro (tức là vàng và tỷ giả không tƣơng quan hoặc tƣơng
quan ngƣợc chiều khi thị trƣờng hoạt động bình thƣờng) hay là kênh trú ẩn an toàn
(tức là vàng và tỷ giá không tƣơng quan hoặc tƣơng quan âm khi thị trƣờng biến động
mạnh) ở một số thị trƣờng cụ thể hay không.
2.2. Các nghiên cứu về giá vàng và thị trƣờng chứng khoán
Ngoài các nghiên cứu về mối quan hệ về vàng và tỷ giá nhƣ trên đã trình bày thì
trên thế giới cũng có một số nghiên cứu xem xét mối quan hệ giữa giá vàng và tỷ giá
chứng khoán. Ví dụ, trƣớc GFC (khủng hoảng tài chính thế giới 2008), Tully và Lucey
(2007) sử dụng mô hình APGARCH để ƣớc lƣợng cho 6 mô hình về vàng (vàng vật
chất (gold cash) và vàng kỳ hạn (gold futures) giai đoạn 1983 – 2003, và vàng vật chất
(gold cash) và vàng kỳ hạn (gold futures) cho đợt sụt giảm 1987 và 2001) với lần lƣợt
chỉ số FTSE 100 và S&P 500. Kết quả của họ cho thấy rằng có mối quan hệ ngƣợc
chiều giữa vàng và giá trị của chỉ số FTSE nhƣng kết quả này không đáng kể. Một kết

9
quả khác là sau đợt khủng hoảng trên thị trƣờng chứng khoán năm 1987, Von
Furstenberg và cộng sự (1989) đã xem xét các nhân tố ảnh hƣởng đến giá chứng khoán
bằng cách đƣa thêm vào các khoản mục có đƣợc bằng cách sử dụng phân tích kỹ thuật
và phân tích cơ bản của các chỉ số chứng khoán của Nhật, Đức, Mỹ và Anh. Các tác
giả dùng dữ liệu từ tháng 1/1986 đến tháng 11/1988 để nghiên cứu các nhân tố ảnh
hƣởng đến sự thay đổi của giá chứng khoán hàng ngày. Các tác giả này đƣa ra kết luận
rằng sự thay đổi đến từ tỷ giá hối đoái, lãi suất, giá dầu và giá vàng ảnh hƣởng đến sự
dịch chuyển của giá chứng khoán. Các tác giả cũng lập luận rằng tác động của viêc
tăng lên của giá vàng thì ngƣợc chiều với mức trung bình của giá chứng khoán ở Châu
Âu và Nhật nhƣng tác động này không có ở thị trƣờng chứng khoán Mỹ. Do và
Sriboonchitta (2009) kiểm định mối liên hệ lẫn nhau giữa giá vàng và các thị trƣờng
chứng khoán bằng các dùng dữ liệu chuỗi thời gian của 5 thị trƣờng chứng khoán mới
nỗi ở Đông Nam Á (ASIAN) từ tháng 7/2000 đến tháng 3/2009. Các tác giả này đã
nhận thấy sự tồn tại mối quan hệ đồng liên kết và nhân quả đồng thời của các chỉ số
chứng khoán này và giá vàng. Kiểm định nhân quả Granger đƣợc dùng để kiểm định
sự phụ thuộc ngắn hạn của tất cả các cặp thị trƣờng. Các kết luận đƣa ra kết quả rằng
giá vàng có mối liên hệ tƣơng tác với thị trƣờng chứng khoán Việt Nam và cũng tác
động đến thị trƣờng chứng khoán Thái Lan; nhƣng giá vàng không có mối liên hệ với
chỉ số thị trƣờng chứng khoán của Malaysia, Indonesia và Phillippines. Bài nghiên cứu
cũng đƣa ra kết quả dài hạn là giá vàng không có liên kết với bất cứ chỉ số thị trƣờng
chứng khoán mới nỗi nào ở Đông Nam Á. Trong bài nghiên cứu khác của Do và cộng
sự (2009) đã kiểm định mối quan hệ giữa các tỷ suất sinh lợi của chứng khoán và vàng
sử dụng mô hình GARCH (1,1) và GJR (1,1) dùng dữ liệu hàng này từ tháng 7/2000
đến tháng 10/2008. Các tác giả đã tìm thấy rằng nắm giữ vàng và chứng khoán hoặc
bán đồng thời vàng và chứng khoán sẽ mang lại lợi nhuận đối với trƣờng hợp của
Indonesia, Malaysia và Thái Lan. Hơn nữa, Gilmore và cộng sự (2009) sử dụng kiểm
định đồng liên kết và mô hình véc tơ sai số tự hồi quy (VECM – Vector Error

10
Correction Model) để xác định mối quan hệ động giữa giá vàng, các chỉ số chứng
khoán của các công ty khai khoán vàng và các chỉ số thị trƣờng chứng khoán ở nƣớc
ngoài. Bài nghiên cứu dựa trên cơ sở mô hình VECM đã chỉ ra rằng cả giá vàng và giá
các chứng khoán vốn hóa lớn có xu hƣớng khôi phục lại vị trí cân bằng dài hạn sau các
cú sốc ảnh hƣởng đến các biến, với việc giá vàng sẽ đƣợc điều chỉnh khá là lớn. Baur
và McDermott (2010) đƣa ra cách tiếp cận khác để kiểm tra mối quan hệ giữa giá vàng
và các thị trƣờng chứng khoán. Các tác giả này đã kiểm tra liệu vàng có phải là công
cụ phòng ngừa (tƣơng quan âm hoặc không tƣơng quan với tài sản khác hoặc danh
mục đầu tƣ) hay là nơi trú ẩn an toàn (tƣơng quan âm hoặc không tƣơng quan với tài
sản khác hoặc danh mục đầu tƣ khi thị trƣờng biến động mạnh). Bài nghiên cứu đƣa
ra các hệ số ƣớc lƣợng theo hồi quy cửa sổ dịch chuyển (rolling window) của các tỷ
suất sinh lợi của vàng thì trái ngƣợc chỉ số danh mục thế giới, các chỉ số quốc gia
(regional indices) và các chỉ số của các công ty riêng biệt. Các tác giả đã kết luận rằng
vàng đơn thuần chỉ là một công cụ phòng ngừa đối cho một giai đoạn xác định (1990 –
2003/2004) chứ không phải cho hầu hết thời gian. Baur và Lucey (2010) sử dụng mô
hình hồi quy với quá trình GARCH bất đối xứng với các sai số để kiểm định xem liệu
vàng có phải là một công cụ phòng ngừa tốt cho các chứng khoán và trái phiếu ở Mỹ,
Anh và Đức. Bài nghiên cứu tìm thấy rằng vàng là một công cụ phòng ngừa trái ngƣợc
với các cổ phiếu và là nơi trú ẩn an toàn khi thị trƣờng biến động mạnh. Ngƣợc lại,
vàng không phải là nơi trú ẩn an toàn cho trái phiếu ở các thị trƣờng đƣợc nghiên cứu.
Gần đây, phƣơng pháp copula có thể xác định cấu trúc phụ thuộc giữa các biến,
phƣơng pháp này là một phƣơng pháp rất giá trị cho các nhà nghiên cứu. Nhiều bài
nghiên cứu đƣa ra các nghiên cứu về sƣ phụ thuộc lẫn nhau, các tác động lây lan lẫn
nhau và mối quan hệ giữa các thị trƣờng chứng khoán và hoặc các thị trƣờng khác
chẳng hạn nhƣ thị trƣờng trái phiếu. Đó là các nghiên cứu của Patton (2006), Hu
(2006), Rodriguez (2007), Turgutlu và Ucer (2010), Aloui và cộng sự (2011), Chollete
và cộng sự (2011), Garcia và Tsafack (2011), Bhatti và Nguyen (2012), Chang (2012),

11
Naifar (2012), Meng và Liang (2013). Ví dụ, Reboredo (2013) sử dụng các hàm copula
đơn giản khác nhau để kiểm tra liệu vàng có phải là nơi trú ẩn an toàn hay là công cụ
phòng ngừa đối với đô la Mỹ chống lại các tỷ giá hối đối của chính sách tiền tệ của
Châu Âu, Anh, Nhật, Na Uy, Thụy Sĩ. Hơn nữa, Righi và Certta (2013), Nguyen và
cộng sự (2013), Chen và cộng sự (2014), Ghorbel và Trabelsi (2014), Lee và cộng sự
(2015), Yang và cộng sự (2015) cũng sử dụng phƣơng pháp copula nhƣng các nghiên
cứu này chỉ giới hạn bởi các copula đơn giản và 2 biến. Gần đây, Mensi và cộng sự
(2015) nghiên cứu liệu rằng chứng khoán phụ thuộc bởi luật đạo Hồi đƣợc đo lƣờng
bởi chỉ số Dow Jones của các thị trƣờng mới nổi của các nƣớc hồi giáo (DJIWEM –
Dow Jones Islamic World Emerging Markets),và Trái phiếu chính phủ Mỹ (T – bill) có
thể là một tài sản trú ẩn an toàn dùng cho các thị trƣờng chứng khoán GCC. Các tác giả
sử dụng cách tiếp cận vine copula và mô hình tƣơng quan có điều kiện động (DCC).
Bài nghiên cứu đƣa ra kết luận là vàng hoặc/và DJIWEM là tài sản trú ẩn an toàn cho
các danh mục đầu tƣ của họ còn T – bill thì không là tài sản trú ẩn an toàn. Gần đây
nhất, để mở rộng việc sử dụng copula, C. Nguyen và cộng sự (2016) nghiên cứu vai trò
của vàng nhƣ là một nơi trú ẩn an toàn của các thị trƣờng chứng khoán quốc tế bằng
cách sử dụng các copula khác nhau để mô tả đƣợc cấu trúc phụ thuộc phức tạp giữa thị
trƣờng chứng khoán và giá vàng. Các tác giả đã đƣa ra các mô hình copula hỗn hợp
dựa trên cơ sở 4 loại copula Archimedean hỗn hợp khác nhau gồm có Clayton, Frank,
Gumbel và Joe để đƣa đến các loại cấu trúc phụ thuộc có thể có giữa giá vàng và các
thị trƣờng chứng khoán khác nhau. Bài nghiên cứu của các tác giả sử dụng các copula
có tham số và phi tham số cho dữ liệu hàng ngày của 11 năm (1999 – 2010) của 7 quốc
gia khác nhau tìm ra mối quan hệ giữa thị trƣờng chứng khoán và giá vàng của các
quốc gia này. Bài nghiên cứu đƣa ra kết luận rằng vàng có thể là tài sản trú ẩn an toàn
trong suốt thời gian thị trƣờng sụp đỗ đối với trƣờng hợp của Malaysia, Singapore,
Thái lan, Anh và Mỹ nhƣng đối với trƣờng hợp của Indonesian, Nhật và Philippine thì
vàng không là nơi trú ẩn an toàn.

12
Tóm lại, tổng quan về mối quan hệ giữa giá vàng và các thị trƣờng chứng khoán
quan tâm đến việc sử dụng các mô hình GARCH khác nhau, các kiểm định nhân quả,
VECM, DCC, các copula đơn để xác định mối liên hệ giữa giá vàng và thị trƣờng
chứng khoán. Tuy nhiên, một số ví dụ ngoại lệ sử dụng copula hỗn hợp cũng đƣợc
trình bày đã giúp đƣa ra phƣơng pháp hiệu quả tốt hơn khi nghiên cứu thực nghiệm.
2.3. Các nghiên cứu về thị trƣờng chứng khoán và tỷ giá
Bên cạnh đó, đã có nhiều nghiên cứu (lý thuyết và thực nghiệm) về mối quan hệ
giữa tỷ giá và giá chứng khoán. Dƣới đây sẽ trình bày các nghiên cứu cả về lý thuyết
và thực nghiệm về mối quan hệ giữa tỷ giá và giá chứng khoán. Thứ nhất, các nghiên
cứu lý thuyết về mối liên kết giữa giá chứng khoán và tỷ giá thƣờng có hai cách tiếp
cận. Cách tiếp cận thứ nhất đƣợc gọi là hƣớng tiếp cận “hƣớng theo dòng ” (flow –
oriented) (Dornbusch và Fischer, 1980); hƣớng tiếp cận cận này cho rằng sự thay đổi
trong tỷ giá sẽ ảnh hƣởng đến mức độ cạnh tranh quốc tế và cán cân thƣơng mại, do
đó sự thay đổi tỷ giá sẽ ảnh hƣởng đến sản lƣợng đầu ra và doanh thu thực của công ty
từ đó ảnh hƣởng đến vị thế cạnh tranh của công ty. Nhƣ ta biết là giá chứng khoán là
hiện giá của dòng tiền tƣơng lai của công ty, và khi tỷ giá thay đổi theo hƣớng làm cho
đồng nội tệ giảm giá sẽ giúp làm tăng lợi thế cạnh tranh của các công ty trong nƣớc do
hàng hóa của các công ty này rẻ hơn trong thƣơng mại quốc tế, từ đó giúp các công ty
trong nƣớc này có dòng tiền tƣơng lai tốt hơn làm tăng giá cổ phiếu. Kết quả là có một
mối quan hệ dƣơng giữa giá chứng khoán và tỷ giá. Cách tiếp cận thứ hai đƣợc gọi là
hƣớng tiếp cận “hƣớng theo khối” (stock oriented) (Branson, 1983; Frankel, 1983);
hƣớng tiếp cận này thƣờng xem xét đến các mô hình danh mục cân bằng quốc tế (các
danh mục đƣợc đa dạng hóa ở mức độ quốc tế). Các mô hình này xem xét tỷ giá sẽ ảnh
hƣởng đến sự cân bằng cung cầu của các tài sản quốc tế chẳng hạn nhƣ là các chứng
khoán. Theo cách tiếp cận này, do giá trị của tài sản tài chính đƣợc xác định bằng hiện
giá của dòng tiền tƣơng lại, nên sự kỳ vọng về giá trị của đồng tiền đóng một vai trò

13
quan trọng trong sự dịch chuyển của các mức giá chứng khoán. Tức là, khi giá chứng
khoán trong nƣớc tăng lên thì nhà đầu tƣ muốn mua chứng khoán gia tăng từ đó dẫn đến
nhu cầu dùng nội tệ để mua chứng khoán trong nƣớc tăng lên, mà nhu cầu nội tệ tăng lên
làm cho đồng nội tệ tăng giá (tức là tỷ giá giảm). Ngƣợc lại, khi giá chứng khoán giảm sẽ
làm giảm sự giàu có của nhà đầu tƣ trong nƣớc vi thế khiến cho nhu cầu đầu tƣ của họ
giảm, mà nhu cầu đầu tƣ giảm làm giảm nhu cầu về nội tệ; từ đó, các ngân hàng mới phản
ứng lại bằng cách giảm lãi suất để tăng đầu tƣ, mà nếu việc giảm lãi suất không có sức hấp
dẫn với dòng vốn vào để đầu tƣ, thì từ đó làm cho nhu cầu nội tệ giảm tiếp và vì vậy đồng
nội tệ giảm giá (tức là tỷ giá tăng).Vì thế, ta thấy rằng sự dịch chuyển trong giá chứng
khoán có thể ảnh hƣởng hoặc bị ảnh hƣởng khi tỷ giá thay đổi theo hƣớng ngƣợc chiều
nhau. Thứ hai, Các nghiên cứu về thực nghiệm về mối quan hệ giữa giá chứng khoán và tỷ
giá đƣa ra các kết quả trái chiều nhau (tƣơng quan dƣơng, tƣơng quan âm, tồn tại hoặc
không tồn tại mối quan hệ nhân quả, có quan hệ nhân quả một chiều,…). Jorion (1990)
không tìm thấy mối quan hệ đồng thời giữa sự dịch chuyển của Đô la Mỹ và tỷ suất sinh
lời chứng khoán của các công ty ở Mỹ. Griffin và Stulz (2001) tìm thấy rằng các cú sốc
của tỷ giá hàng tuần có tác động không đáng kể đến kết quả của các ngành trong 6 quốc
gia công nghiệp. Tuy nhiên, Aggarwal (1981) đƣa ra kết luận rằng giá chứng khoán ở Mỹ
và đô la theo trọng số thƣơng mại (trade – weighted dollar) có mối tƣơng quan dƣơng.
Soenen và Hennigar (1988) tìm thấy tƣơng quan âm đáng kể giữa chỉ số chứng khoán Mỹ
và giá trị của đô la với trọng số đồng tiền của 15 nƣớc. Donnelly và Sheehy (1996) kết
luận có mối quan hệ đồng thời đáng kể giữa tỷ giá và giá trị thị trƣờng của các công ty
nhập khẩu lớn ở Anh. Một số nghiên cứu tập trung vào sự tƣơng tác lẫn nhau hay tác động
nhân quả trực tiếp giữa tỷ giá và giá chứng khoán. Bahmani – Oskooee và Sohrabian
(1992) đƣa ra có tồn tại mối quan hệ nhân quả hai chiều trực tiếp giữa giá chứng khoán
đƣợc đo lƣờng bằng chỉ số S&P 500 và tỷ giá. Ajayi và cộng sự (1998) đã đƣa ra bằng
chứng rằng có mối quan hệ một chiều từ chứng khoán tác động lên thị trƣờng tiền tệ ở các
nƣớc có nền kinh tế

14
phát triển và không tồn tại mối quan hệ nhân quả ở các thị trƣờng mới nổi. Yang và
Doong (2004) sử dụng mô hình EGARCH đa biến cho bộ dữ liệu giá chứng khoán và
tỷ giá của 7 nƣớc công nghiệp lớn trong giai đoạn 1979 – 1999 để nghiên cứu sự bất
cân xứng trong sự biến động của giá chứng khoán và tỷ giá; bài nghiên cứu của các tác
giả đã cho thấy sự thay đổi của tỷ giá có ảnh hƣởng trực tiếp đến sự thay đổi của tỷ giá
trong tƣơng lai. Phylaktis và Ravazzolo (2005) nghiên cứu mối quan hệ ngắn hạn và
dài hạn giữa giá chứng khoán và tỷ giá sử dụng phƣơng pháp đồng liên kết và kiểm
định nhân quả Granger đa biến của các quốc gia vùng vịnh Thái Bình Dƣơng; các tác
giả tìm thấy đƣợc giá chứng khoán và tỷ giá có mối quan hệ cùng chiều. Aloui (2007)
sử dụng mô hình EGARCH đa biến để nghiên cứu về bản chất của cơ chế biến động và
mối quan hệ nhân quả giữa thị trƣờng chứng khoán và thị trƣờng ngoại hối của Mỹ và
một vài quốc gia của khu vực Châu Âu trong giai đoạn trƣớc và sau khi đồng Euro ra
đời; bài nghiên cứu này đã đƣa ra đƣợc bằng chứng về việc dịch chuyển của giá chứng
khoán sẽ ảnh hƣởng đến sự biến động của tỷ giá ở cả hai giai đoạn trƣớc và sau khi
đồng Euro ra đời. Pan và cộng sự (2007) sử dụng kiểm định nhân quả Granger để xác
định mối quan hệ động giữa tỷ giá và giá chứng khoán ở 7 nƣớc Đông Á bao gồm cả
Trung Quốc, bài nghiên cứu đã tìm thấy mối quan hệ nhân quả đáng kể giữa tỷ giá và
chứng khoán trƣớc cuộc khủng hoảng tài chính Châu Á năm 1997. Zhao (2010) sử
dụng mô hình VAR và GARCH đa biến để tìm hiểu mối quan hệ biến động giữa tỷ giá
và giá chứng khoán ở Trung Quốc; bài nghiên cứu này đƣa ra ra kết quả là không tìm
thấy mối quan hệ cân bằng dài hạn ổn định giữa thị trƣờng chứng khoán và thị trƣờng
ngoại hối. Ning (2011) nghiên cứu về cấu trúc phụ thuộc giữa thị trƣờng chứng khoán
và thị trƣờng ngoại hối bằng phƣơng pháp copula, bài nghiên cứu đã cho thấy rằng có
sự phụ thuộc đuôi bất cân xứng đáng kể đối với cặp tỷ giá – chứng khoán trƣớc và sau
khi đồng Euro ra đời. Riêng ở Việt Nam, Đỗ Thị Tuyết Nga (2014) sử dụng phƣơng áp
copula để nghiên cứu sự phụ thuộc giữa thị trƣờng chứng khoán và thị trƣờng ngoại
hối của 5 quốc gia Mỹ, Châu Âu, Nhật Bản, Trung Quốc và Việt Nam giai đoạn trƣớc

15
khủng hoảng tài chính toàn cầu 2008 (28/07/2000 đến 27/02/2007) và giai đoạn sau
khủng hoảng tài chính (từ 28/02/2007 đến 30/09/2014); bài nghiên cứu đã cho thấy sự
phụ thuộc Symmetrized Joe – Clayton copula thay đổi theo thời gian là mô hình tốt để
mô tả hành vi kết hợp giữa thị trƣờng chứng khoán và thị trƣờng ngoại hối đối với cặp
chỉ số chứng khoán SHANGHAI VÀ tỷ giá CNYUSD giai đoạn sau khủng hoảng tài
chính toàn cầu 2008, điều này có nghĩa là cặp chỉ số chứng khoán và tỷ giá này cho
thấy có sự phụ thuộc đôi bên phải trong những tình huống thị trƣờng biến động cực
mạnh; đối với cặp chỉ số VNINDEX và VNDUSD giai đoạn sau khủng hoảng thì
copula Gumbel là mẫu hình thể hiện sự phụ thuộc tốt nhất, tức là có bằng chứng về phụ
thuộc đuôi phải cao hơn, hay hai thị trƣờng chứng khoán và ngoại tệ của Việt Nam sẽ
có khả năng bùng nổ cùng nhau nhiều hơn; tất cả những cặp chỉ số chứng khoán và tỷ
giá còn lại phù hợp nhất với mẫu hình Gaussian copula thay đổi theo thời gian, có
nghĩa là các cặp chứng khoán, tỷ giá này sẽ bùng nổ hoặc sụp đổ cùng nhau theo mẫu
hình cân xứng.
Tóm lại, mối quan hệ giữa giá chứng khoán và tỷ giá đã có nhiều nghiên cứu cả
trên cơ sở lý thuyết và thực nghiệm đƣa đến nhiều kết quả trái chiều nhiều nhau về mối
quan hệ. Đặc biệt, việc sử dụng cách tiếp cận bằng phƣơng pháp copula để nghiên cứu
mối quan hệ giữa giá chứng khoán và tỷ giá chỉ có một số ít nghiên cứu gần đây nhƣ
của Ning (2011).
2.4. Các nghiên cứu về giá vàng, thị trƣờng chứng khoán, tỷ giá và giá tài sản
khác
Ngoài các nghiên cứu về mối quan hệ của từng cặp nhƣ giá vàng – giá chứng
khoán; giá vàng – tỷ giá hay giá chứng khoán – tỷ giá nhƣ đã trình bày ở phần tổng
quan trên thì cũng có một số ít nghiên cứu thực nghiệm để tìm hiểu mối quan hệ giữa
giá vàng, chứng khoán, tỷ giá và các loại tài sản khác nhƣ sau: Lee và Lin (2012) xem
xét mối quan hệ động phi tuyến giữa USD/Yen, vàng kỳ hạn, VIX, dầu thô và chỉ số

16
chứng khoán, theo đó các tác giả tìm thấy vai trò giá vàng đƣợc xác định theo giá dầu
thô; tức là khi giá dầu thô thấp thì vàng đƣợc xem nhƣ là một công cụ phòng ngừa; khi
giá dầu thô cao thì vàng vừa là công cụ phòng ngừa vừa là nơi trú ẩn an toàn ở các
quốc gia đang phát triển. Chang và cộng sự (2013) nghiên cứu mối quan hệ giữa giá
dầu thô, giá vàng và tỷ giá đã đƣa kết luận rằng các biến này độc lập nhau.Tuy nhiên,
mối quan hệ động giữa giá vàng, giá dầu thô và tỷ giá chƣa đƣợc đề cập nhiều trong lý
thuyết kinh tế hay các nghiên cứu thực nghiệm. Sari và cộng sự (2010) xác định việc
dịch chuyển đồng thời và việc truyền dẫn thông tin (information transmission) giữa các
mức giá giao ngay của bốn loại kim loại quý, dầu thô, và tỷ giá USD/EUR; các tác giả
đã tìm thấy bằng chứng về mối quan hệ kéo lại mức cân bằng yếu trong dài hạn, nhƣng
trong ngắn hạn thì có phản ứng kéo lại mức cân bằng. Jain và Ghosh (2013) nghiên cứu
mối quan hệ dài hạn và nhân quả đồng thời giữa giá dầu thô thế giới và giá kim loại
quý, và tỷ giá INR/USD; các tác giả đã tìm thấy mối quan hệ dài hạn giữa các biến khi
tỷ giá và giá vàng duy trì nhƣ là các biến độc lập; việc kiểm định nhân quả Granger chỉ
ra rằng tỷ giá là nguyên nhân ảnh hƣởng đến giá kim loại quý và giá dầu ở Ấn Độ. Jain
và Biswal (2016) sử dụng mô hình DCC – GARCH để nghiên cứu mối quan hệ giữa
giá vàng, giá dầu, tỷ giá USD/INR và thị trƣờng chứng khoán ở Ấn Độ, bài nghiên cứu
đã đƣa ra bằng chứng thực nghiệm là sự sụt giảm trong giá vàng và giá dầu là nguyên
nhân dẫn đến sự sụt giảm giá trị của đồng Rupee của Ấn Độ và chỉ số chứng khoán của
thị trƣờng Ấn Độ (Sensex). Đặc biệt, Aloui và cộng sự (2016) sử dụng dữ liệu về tỷ
suất sinh lời hàng ngày của giá dầu thô WTI, chỉ số chứng khoán Dow Jones của Mỹ và
tỷ suất sinh lời của chỉ số tỷ giá US dollar của 10 năm (từ 4/1/2000 đến 31/5/2013)
bằng việc áp dụng phƣơng pháp GARCH thông qua cách tiếp cận bằng phƣơng pháp
Vine copula để nghiên cứu mối quan hệ giữa giá dầu, giá chứng khoán và tỷ giá; bài
nghiên cứu đƣa đến kết quả rằng có bằng chứng để chứng minh rằng các biến này có
mối quan hệ với nhau, hơn nữa bài nghiên cứu cũng chỉ ra rằng cấu trúc phục thuộc
giữa các tỷ suất sinh lời (dầu, chứng khoán và tỷ giá) bị ảnh hƣởng bởi cuộc khủng

17
hoảng tài chính và cuộc suy thoái giai đoạn 2007 – 2009, cuối cùng bài nghiên cứu này
cũng đã chỉ ra đƣợc việc áp dụng mô hình vine copula sẽ giúp cải thiện việc tính Giá
trị có rủi ro (VaR – Value at Risk) thực tế hơn so với các cách tiếp cận truyền thống.
Tóm lại, việc tìm hiểu mối quan hệ giữa giá vàng, giá chứng khoán, tỷ giá và
các tài sản khác đã có nhiều nghiên cứu thực nghiệm đã đƣợc thực hiện qua. Nhƣng
các tiếp cận việc tìm mối quan hệ giữa các tài sản giá dầu, giá chứng khoán và tỷ giá
bằng phƣơng pháp vine copula thì đến nghiên cứu Aloui và cộng sự (2016) thì mới bắt
đầu nghiên cứu. Trong khi đó, cách tiếp cận bằng phƣơng pháp vine copula để nghiên
cứu mối quan hệ của giá vàng, chứng khoán và tỷ giá thì vẫn chƣa đƣợc khai thác
nghiên cứu. Từ đây, có thể thấy rõ có một hƣớng mở để nghiên cứu về mối quan hệ
giữa giá vàng, giá chứng khoán và tỷ giá bằng cách tiếp cận bằng phƣơng pháp vine
copula cần thiết để tiến hành nghiên cứu thực nghiệm – đó cũng là hƣớng mà luận văn
này hƣớng tới.

18
ƢƠ 3:P ƢƠ P P Ê ỨU
3.1. Phƣơng pháp nghiên cứu
Bài luận văn dựa theo phƣơng pháp nghiên cứu của Aloui và cộng sự (2016) để
tiến hành nghiên cứu cấu trúc phụ thuộc khi thị trƣờng biến động bình thƣờng (hệ số
Kendall „s τ) và khi thị trƣờng biến động mạnh (sự phụ thuộc đuôi) của vàng, chỉ số
Vnindex và tỷ giá USD/VND thông qua việc xây dựng mô hình xây dựng cấu trúc cặp
copula (pair – copula construction) mà cụ thể ở đây là sử dụng cấu trúc Cvine
(Canonical – vine) để xây dựng phân phối kết hợp tỷ suất sinh lợi của ba tài sản này.
Cấu trúc Cvine đƣợc xây dựng nhƣ sau: Đầu tiên, sử dụng mô hình GARCH (1,1) để
mô hình hóa các phân phối biên của từng chuỗi tài sản. Kế đến, bài nghiên cứu sẽ lấy
các phần dƣ và độ lệch chuẩn có điều kiện của từng chuỗi tài sản từ các kết quả ƣớc
lƣợng của mô hình GARCH (1,1), để từ rút đƣợc các phần dƣ chuẩn hóa. Tiếp theo
đó, bài nghiên cứu sẽ sử dụng các hàm copula để xây dựng cấu trúc phụ thuộc Cvine
của các chuỗi phần dƣ chuẩn hóa; từ cấu trúc Cvine xây dựng bài nghiên cứu có đƣợc
các ƣớc lƣợng của các hàm copula khác nhau (mỗi copula có các với các đặc trƣng
riêng về sự tƣơng quan, sự độc lập đuôi, phụ thuộc đuôi) của từng cặp chuỗi tài sản.
Cuối cùng, trên cơ sở về cấu trúc phụ thuộc Cvine xây dựng đƣợc bài nghiên cứu mở
rộng thêm vào việc áp dụng để tính giá trị có rủi ro VaR của danh mục tài sản (gồm
vàng, chỉ số chứng khoán Vnindex và tỷ giá USD/VND).
3.2. Mô hình nghiên cứu
3.2.1. Phƣơng pháp Copula
Lý thuyết về cách tiếp cận copula đƣợc dựa theo định lý Sklar (1959), theo định
lý này thì “ hàm phân phối đồng thời (tức là hàm phân phối nhiều chiều) có thể biểu
diễn bằng các hàm phân phối biên duyên và một hàm copula”. Từ đó, thông qua một
hàm copula chúng ta có thể xác định đƣợc cấu trúc phụ thuộc của một phân phối nhiều

19
biến. Theo Umberto Cherubini, Elisa Luciano và Walter Vecchiato (2004) ta có khái
niệm về họ các hàm copula nhƣ sau:
Xét X = (x1,…,xn) là một biến ngẫu nhiên n chiều; f(x1,…,xn) là hàm mật độ phân
phối đồng thời của X; F(x1,…,xn) là hàm phân phối đồng thời của X; F1(x1),…, Fn(xn)
lần lƣợt là các hàm phân phối biên của x1,…,xn và f1(x1),…,fn(xn) lần lƣợt là các hàm
mật độ phân phối biên của x1,…,xn.
 Khái niệm về copula:
Một copula n chiều là một hàm phân phối đồng thời xác định trên [0,1]n
, hàm
copula C: [0,1]n
→ [0,1] với các phân phối biên là phân phối đều [0,1].
 Định lý Sklar (1959)
Với bất kỳ hàm phân phối đồng thời F(x1,…,xn) có F1(x1),…, Fn(xn) lần lƣợt là
các hàm phân phối biên của x1,…,xn . Khi đó tồn tại một hàm copula C sao cho:
F(x1,…,xn) = C(F1(x1),…, Fn(xn))
Nếu hàm phân phối đồng thời này là liên tục và các hàm phân phối biên là tăng ngặt và
liên tục thì hàm mật độ copula có thể biểu diễn nhƣ sau:
c(F (x),…, F (x )) = ) ))
= ))
= )
1 1 n n ) ) ) ) ∏ )
Từ biểu thức trên, ta có kết quả nhƣ sau:
f(x1,…,xn) = ∏ ) ) ))
 Các hệ số đo lường mức độ phụ thuộc
Trong mục này, bài nghiên cứu sẽ trình bày hai hệ số phụ thuộc của hai biến
ngẫu nhiên: hệ số Kendall‟s τ và hệ số phụ thuộc đuôi

20

Hệ số endall’s τ

Giả sử (X1, X2) là véc tơ ngẫu nhiên có hàm phân phối xác suất đồng thời F,
{(X11, X21),(X12, X22)} là mẫu ngẫu nhiên lấy từ véc tơ ngẫu nhiên (X1, X2). Hệ số
Kendall‟s τ, ký hiệu là , đƣợc tính nhƣ sau (Umberto Cherubini, Elisa Luciano và
Walter Vecchiato (2004), trang 97):
{ ) ) } { ) ) }
Hệ số Kendall‟s τ đo mức độ phụ thuộc đơn điệu của hai biến ngẫu nhiên. Giả
sử X1, X2 là giá của hai tài sản A và B thì hệ số Kendall‟s τ cho chúng ta biết khả năng
hai tài sản A và B cùng tăng giá hay giảm giá sẽ cao hơn khả năng giá của hai tài sản A
và B biến động ngƣợc chiều là bao nhiêu.

Hệ số phụ thuộc đuôi

Xét hai biến ngẫu nhiên hai chiều X = (X1, X2) với X1, X2 lần lƣợt có hàm phân
phối tƣơng ứng là F1 và F2. Với ) ) lần lƣợt là các p phân vị của hàm F1 và F2 , ta có:
- Hệ số phụ thuộc đuôi trên của X, ký hiệu là , đƣợc tính nhƣ sau:
)| ))
Nếu thì X phụ thuộc đuôi trên thì X không phụ thuộc đuôi trên.
- Hệ số phụ thuộc đuôi dƣới của X, ký hiệu là , đƣợc tính nhƣ sau:
)| ))
Nếu thì X phụ thuộc đuôi dƣới thì X không phụ thuộc đuôi dƣới.

21
Giả sử X1, X2 là giá của hai tài sản A và B thì hệ số phụ thuộc đuôi cho biết
mức độ phụ thuộc của hai tài sản A, B khi thị trƣờng biến động mạnh. Trong đó, hệ số
phụ thuộc đuôi trên cho biết sau một chu kỳ giao dịch thì khả năng xảy ra việc giá tài
sản B sẽ tăng mạnh vƣợt qua một mức độ nào đó khi biết giá của tài sản A đã tăng
mạnh vƣợt qua một mức độ nào đó; hệ số phụ thuộc đuôi dƣới cho biết sau một chu kỳ
giao dịch thì khả năng xảy ra việc giá của tài sản B sẽ giảm mạnh vƣợt qua một mức
độ nào đó khi biết giá của tài sản A đã giảm mạnh vƣợt qua một mức độ nào đó.
 Một số họ Copula
Theo Brechmann và Schepsmeier (2013) có 2 họ Copula hai chiều thƣờng dùng
trong thực hành đó là họ Copula Elliptic (gồm có Copula Gauss và Copula Student- t)
và họ Copula Archimedean (Clayton, Gumbel, Frank, Joe, BB1(tức là Copula Clayton
– Gumbel), BB6 (tức là Copula Joe - Gumbel), BB7 (tức là Copula Joe - Clayton),
BB8 (tức là Copula Joe - Frank)). Dƣới đây luận văn sẽ giới thiệu các Copula trong hai
họ Copula chính ở trên:
ảng 3.1 : ý hiệu và các thông số giá trị của họ Copula Elliptic hai biến
# Phân phối iều kiện tham số endall’s τ Phụ thuộc đuôi
Elliptic
1 Gauss )
)
0
2 Student – t )
)
√
( √ )

ảng 3.2 :
# ọ
copula
3 Clayton
4 Gumbel
5 Frank
6 Joe
7 BB1
22
ý hiệu và các thông số giá trị của họ Copula Archimedean hai biến
Hàm sinh iều endall’s τ Phụ thuộc
kiện đuôi (dƣới,
tham số trên)
)
( )
) (
)
) )
* +
{ }
[ ) ] ) (
∫ ) )
)
( ) (
)
*
8 BB6 ( [
∫ ( ( )) )
(
) ])
*
9 BB7 ( ) ) (
∫ ( (
*
)
( ) )
) +
)
10 BB8
*
)
+
)
)
)
(
) ,
∫ (
)
)(
)
)

23
Ngoài ra từ những họ copula Archimedean ở trên, ta cũng có thể tạo ra các
phiên bản quay cho Clayton (3), Gumbel (4), Joe (6) và các họ BB (7, 8, 9, 10) để lập
nên các copula mới. Khi quay chúng 1800
ta đƣợc các survial copula; các phiên bản
quay 900
, 2700
cho phép ta có thể mô hình hóa với cấu trúc phụ thuộc âm. Ngoài ra khi
các copula elliptic có hoặc các copula Archimedean có thì ta có các independence
copula (copula này thể hiện hai chuỗi giá trị không có tƣơng quan với nhau).
3.2.2. Phƣơng pháp xây dựng cấu trúc cặp copula ( Pair – copula construction )
Theo lý thuyết, việc xây dựng các Copula có số chiều bậc cao (nhiều hơn hai
biến) có thể thực hiện đƣợc. Tuy nhiên, trong thực tế, khi xử lý cấu trúc phụ thuộc các
tập dữ liệu tài chính không phải lúc nào thì các cặp dữ liệu đều có cùng cấu trúc phụ
thuộc giống nhƣ nhau, vì thế dẫn đến việc xem xét cấu trúc phụ thuộc đuôi là không
hợp lý; hơn nữa, việc xây dựng các copula nhiều hơn hai biến là khá khó và không linh
hoạt. Chính vì các lý do trên, mà phƣơng pháp để mô hình hóa cấu trúc phụ thuộc cho
các dữ liệu đa biến đƣợc ra đời dựa trên cơ sở xây dựng cấu trúc cặp copula (pair-
copula construction) hay còn gọi là PCC. Ý tƣởng chính của các tiếp cận PCC để xây
dựng các copula đa biến bằng cách phân rã một phân phối đa biến thành các tầng
copula hai biến. Cấu trúc phân rã cặp copula (pair – copula) hay còn gọi là các tầng
copula hai biến này sau đó đƣợc minh họa bởi vine, tức là một mô hình đồ thị dùng để
lƣu trữ các bƣớc xây dựng. Cấu trúc phụ thuộc này đƣợc đƣa ra bởi Bedford và
Cooke (2001, 2002). Dƣới đây bài nghiên cứu sẽ minh họa việc xây dựng PCC ba biến
(Aloui và cộng sự, 2016):
Xét ba biến ngẫu nhiên X = (X1, X2, X3) có hàm mật độ phân phối đồng thời
f(x1, x2, x3) và f1(x1), f2(x2), f3(x3) lần lƣợt là các hàm mật độ phân phối biên của X
và các hàm phân phối biên tƣơng ứng là F1(x1), F2(x2), F3(x3). f(x1, x2, x3) có thể
đƣợc tách ra thành các tích nhƣ sau:

24
f(x1, x2, x3) = f1(x1) f(x2|x1) f(x3|x1, x2)
Theo định lý Sklar (1959) thì “ hàm phân phối đồng thời có thể biểu diễn bằng
các hàm phân phối biên duyên và một hàm copula”. Do đó, hàm mật độ phân phối của
x2 với điều kiện x1 đƣợc biểu diễn nhƣ sau:
| )
) ( ) )) ) )
) )
( ) )) )
Tƣơng tự, đối với hàm mật độ phân phối x3 với điều kiện x1, x2 đƣợc biểu diễn nhƣ
sau:
| )
| ) | (
| ) | )) | ) | )
| ) | )
| (
| ) | )) ( ) )) )
Từ đây, ta có thể biểu diễn hàm mật độ phân phối đồng thời ba biến bằng các
copula ba biến có điều kiện và các hàm mật độ phân phối biên nhƣ sau:
)
|( | ) | )) ( ) )) ( ) )) ) ) )
Theo Monika Monstvilaite (2016) thì có thể biểu diễn công thức tổng quát hàm
mật động phân phối d biến nhƣ sau:
) ∏∏ )| ) )∏ )

25
Tuy nhiên thì các phân rã thành các hàm mật độ copula và các hàm mật độ biên
là không phải là duy nhất. Monstvilaite (2016) đƣa ra ví dụ có thể phân rã hàm mật độ
phân phối đồng thời f(x1, x2, x3) ra nhƣ sau:
)
|( | ) | )) ( ) )) ( ) )) ) ) )
Từ đây, có thể thấy đƣợc đối với các hàm phân phối nhiều hơn hai biến đòi hỏi
phải có một lƣợng lớn các phân ra cặp Copula phù hợp có thể có.Vì lý do đó, Bedford
và Cooke (2001) đã đƣa ra một mô hình đồ thị đƣợc gọi tên là regular vine (viết tắt là
Rvine) giúp thiết lập các cấu trúc cặp copula dễ dàng hơn. Các mục bên dƣới sẽ trình
bày cơ sở lý thuyết đối với Rvine.
 Regular Vine
Nhƣ trình bày ở trên ta cũng có thể thấy rằng các cấu trúc xây dựng theo cặp
copula (các PCC) không phải là các phân rã duy nhất có thể có. Phƣơng pháp Rvine
copula sẽ giúp xây dựng một PCC giản đơn cho các phân phối đa biến theo một cấu
trúc có thể có phù hợp nhất có thể - để từ đó giúp mô hình hóa đƣợc cấu trúc phụ thuộc
giữ các biến theo một cách có hiệu quả nhất. Cụ thể, phƣơng pháp Rvine cho d biến sẽ
thiết lập một tập V = {T1, … , Td-1} gồm d – 1 cây, với Ti là cây thứ i của tập V; và
) cạnh thỏa nút của cây thứ i + 1 sẽ là cạnh của cây thứ i và nếu hai nút của cây
thứ i + 1 cùng liên kết chung với một cạnh trong cây thứ i chỉ khi hai nút trong cây thứ
i + 1 này có cùng nút chính trong cây thứ i. Kurowicka và Cooke (2003) đƣa ra định
nghĩa về Rvine nhƣ sau:

Định nghĩa (Regular Vine)

Gọi V là một tập hợp Rvine của d phần tử, với ) là tập
hợp các cạnh của V nếu:

26
1. V = {T1, … , Td-1}.
2. T1 = (N1, E1) là một cây gồm các nút N1 = {1, … , d} và các cạnh E1. Với i = 2,
…, d – 1 có Ti = (Ni , Ei) là cây với các nút Ni = Ei – 1.
3. (Điều kiện có nút chung) với i = 2, … , d – 1, nếu {} có | | :
điều kiện này là để đảm bảo là nếu có một cạnh e cùng liên kết với cạnh a và b
trong cây Ti, thì a và b phải có cùng nút chung trong cây Ti-1.
Cấu trúc Rvine có hai cấu trúc đặc biệt mà ngƣời ta thƣờng hay sử dụng là
Cvine (Canonical – vine) và Dvine (Drawable – vine). Bài luận văn này tập trung sử
dụng cấu trúc Cvine để xây dựng cấu trúc phụ thuộc. Dƣới đây là các đây là các trình
bày về Cvine.
 Cvine
Theo Xi (2014) thì Cvine là một kịch bản mà một biến đóng vai trò một thành
phần chính (biến chính) và liên kết với các biến còn lại, cụ thể nhƣ sau:

Định nghĩa ( C vine)

Một Rvine đƣợc gọi là Cvine nếu mỗi cây Ti , i = 1, …, d – 1 có một nút duy
nhất cho các bậc d – i (trong đó, số bậc chính là số các cạnh nối với số nút tƣơng ứng)
Từ định nghĩa trên có thể thấy đƣợc rằng, mỗi cây trong Cvine là một hình sao
có một nút duy nhất liên kết với tất cả các nút khác. Theo Brechmann và Schepsmeier
(2013) thì trong cây Cvine thứ 1 có một biến chính đƣợc phân tích để kết nối với các
biến trong tập dữ liệu lại với nhau tạo thành một cấu trúc phụ thuộc. Biến chính này
đƣợc xem nhƣ là nút nghiệm (root node) bậc 1 của các cây. Cây Cvine thứ 1 này đƣợc
mô hình hóa bằng cách sử dụng các copula hai biến cho cặp các biến nối với biến
chính. Tổng quát lên thì biến chính của cây thứ i sẽ trở thành biến có điều kiện của cây

27
thứ i + 1, theo cách này hàm mật độ đồng thời f(x) = f(x1 , … , xd) có phân rã Cvine
với các nút nghiệm 1, … , d đƣợc viết nhƣ sau:
)
∏ ) ∏ ∏ | )( | ) ( | )| | ))
Trong đó, fk là các hàm mật độ, k = 1, … , d và ci,i+j|1:(i-1) là các hàm mật độ copula hai
biến với tham số | )
 ựa chọn cấu trúc cho cây vine
Theo Xi (2014) “việc xây dựng Rvine đòi hỏi phải lựa chọn các cặp biến đƣợc nối kết
với nhau bằng một Copula”. Phƣơng pháp xây dựng theo dãy (sequential construction
method) thƣờng đƣợc sử dụng - theo phƣơng pháp này thì để xây dựng Rvine thì khi
bắt đầu xây dựng một cây khi phải xây từ trên xuống (Brechmann, 2010). Mục tiêu là
để tìm ra một cấu trúc có đƣợc sự phục thuộc nhiều nhất có thể trong cây thứ nhất, T1.
Việc lựa chọn ra các cặp biến cũng sẽ ảnh hƣởng đến việc lựa chọn các họ Coupla
tƣơng ứng. Nói cách khác, việc mô hình hóa cấu trúc phụ thuộc giữa các biến ngẫu
nhiên với nhau với các sự phụ thuộc cao trong cây thứ nhất sẽ có ảnh hƣởng lớn đến
việc phù hợp của mô hình. Theo phƣơng pháp trên thì bài luận văn sẻ sử dụng hệ số
Kendall‟s τ để lựa chọn ra các cặp biến có mức độ phụ thuộc mạnh nhất. Bài luận văn
sẽ tính hệ số Kendall‟s τ thực nghiệm ̂của mỗi cặp biến ) và lựa chọn spanning tree (spanning
tree – là một giao thức ngăn chặn sự lặp vòng, cho phép các cạnh có thể nối với nhau để phát
hiện vòng lặp vật lý có trong mạng) sao cho tổng giá trị tuyệt đối của hệ số Kendall‟s τ là lớn
nhất:
∑ | ̂|

28
Đối với cấu trúc cây Cvine, cần phải chọn ra nút có cấu trúc phụ thuộc mạnh
nhất đối với các nút khác để làm nút nghiệm (root node). Trong thực nghiệm, nút
nghiêm đƣợc chọn bằng cách cộng các hàng trong từng cột của biến trong ma trận
Kendall‟s τ lại với nhau và sau đó so sánh các giá trị tổng của từng cột của các biến có
đƣợc để lựa ra giá trị lớn nhất – cột của biến có giá trị lớn nhất thì biến đó đƣợc chọn
làm nút nghiệm.
 ựa chọn các họ copula
Sau khi xác định đƣợc cấu trúc Rvine, thì bƣớc tiếp theo là phải chọn lựa các cặp
copula cho tất cả các cạnh trong Rvine. Bài luận văn sẽ lựa chọn các họ copula cho cấu
trúc Rvine theo cách tiếp cận của Monstvilaite (2016) nhƣ sau:

Ƣớc lƣợng các tham số cho mỗi họ copula bằng cách sử dụng ƣớc lƣợng cực
đại hợp lý cho hai biến.



Tính hệ số thông tin AIC (Akaike Information Criterion). Với AIC của một họ

copula hai biến có các tham số đặc trƣng đƣợc định nghĩa nhƣ sau
(Schepsmeier và cộng sự , 2015):
(∏ ( | )+

Với c(ui,1, ui,2) là họ Copula cần tính, k = 1 đối với các cặp copula có một tham
số (ví dụ nhƣ: Copula Gauss, Copula Clayton, …) và k = 2 đối với các cặp
copula có hai tham số (ví dụ nhƣ: Copula Student –t , Copula BB1,…)


Chọn ra họ copula phù hợp nhất với giá trị AIC nhỏ nhất.


29
 Ƣớc lƣợng các tham số
Khi cấu trúc cây đƣợc lựa chọn, để chọn ra các họ Copula hai biến thích hợp từ
mỗi cặp biến, việc làm đầu tiên là phải ƣớc lƣợng các tham số của các Copula dựa vào
phƣơng pháp ƣớc lƣợng cực đại hợp lý (maximum likelihood). Theo Czado, Min,
Baumann và Dakovic (2009) thì hàm log – likelihood của copula Cvine đƣợc cho nhƣ
sau:
|) ∑∑∑ [ | )( | ) | )|
| ))]
Trong đó là tập các tham số của copula Cvine, | ( | ) và
các phân phối biên là phân phối đều.
 Mô hình GARCH – Cvine
Trong phần này, luận văn sẽ trình bày việc mô hình hóa phân phối biên của từng
chuỗi dữ liệu bằng mô hình GARCH (1,1); từ đó, rút ra đƣợc các phần dƣ chuẩn hóa
từ kết quả ƣớc lƣợng của mô hình GARCH (1,1) của từng chuỗi tài sản. Từ các chuỗi
phần dƣ chuẩn hóa đƣợc rút ra này, luận văn sẽ tiến hành xây dựng cấu trúc phụ thuộc
Cvine. Cách tiến hành nhƣ sau:
Xét mô hình trung bình đối với các chuỗi log các tỷ suất sinh lợi hàng tuần rt,j
đối với tài sản thứ j = 1, … ,d ở tuần thứ t = 1, .., n nhƣ sau:
Với µj là trung bình của mẫu của chuỗi thứ j và
gian t. Theo đó phƣơng sai thay đổi của sai số
là sai số của chuỗi thứ j với thời
đƣợc mô hình hóa theo mô hình

30
GARCH (p,q) đƣợc đề xuất bởi Bollerslev (1986), bài luận văn sử dụng mô hình
GARCH (1,1) và mô hình đƣợc ký hiệu theo Tsay (2010) nhƣ sau:
với )
Trong đó ω, α1, β1 là các tham số của mô hình GARCH (1,1), zj là biến ngẫu nhiên iid (độc lập và xác
định) của tài sản thứ j đƣợc chuẩn hóa có trung bình là 0 và phƣơng sai là 1(tức là zt,j ~ D(0,1)); và zt,j
đƣợc mặc định phân cho là phân phối Student – t trong bài luận văn này. Bài luận văn sử dụng phƣơng
pháp hợp lý cực đại MLE (Maximum Likelihood estimation) để ƣớc lƣợng các tham số ̂ , ̂ , ̂ của tất cả
các tài sản j. Sau khi ƣớc lƣợng đồng thời phƣơng trình trung bình và phƣơng trình phƣơng sai của
mỗi chuỗi sẽ thu đƣợc phần dƣ ̂ của mỗi chuỗi j từ phƣơng trình trung bình và ƣớc
lƣợng độ lệch chuẩn có điều kiện ̂ rút ra đƣợc từ phƣơng trình phƣơng sai; sau đó
̂
rút ra đƣợc phần dƣ chuẩn hóa ̂ của tài sản j tƣơng ứng. Tiếp theo đó, bài
̂
nghiên cứu sẽ sử dụng các hàm copula đã nói ở mục trên để mô tả cấu trúc phụ thuộc
của các chuỗi phần dƣ chuẩn hóa. Cụ thể việc mô tả cấu trúc phụ thuộc nhƣ sau:
1. Chuyển phần dƣ đƣợc chuyển hóa ̂ của tài sản j thành các phân phối đều chuẩn tắc ut,j với j = 1, … , d và t = 1, … , n. Ta chuyển đổi theo
công thức sau
(Xi, 2014):
( ̂ )
2. Sau đó, dùng các hàm phân phối tích lũy biên ứng với từng tài sản j để chuyển
các phần dƣ đƣợc chuẩn hóa thành các biến phân phối đều chuẩn tắc nhƣ biểu
thức sau:
ut,j = Fj( ̂ )

31
3. Cuối cùng, bài luận văn sẽ sử dụng các biến phân phối đều chuẩn tắc ut,j của tài
sản thứ j để xây dựng cấu trúc phụ thuộc C vine nhƣ đƣợc trình bày ở mục trên.
3.2.3. iá trị có rủi ro a của danh mục (ứng dụng mô hình A –
Cvine)
 iá trị có rủi ro a
Theo McNeil và cộng sự (2005) thì giá trị có rủi ro VaR (Value – at – Risk) của
một danh mục tài sản thể hiện là một khoản tổn thất nhỏ nhất sao cho khi mà nhà đầu
tƣ nắm giữa một thời gian k nào đó, với độ tin cậy (1 – α) x 100% thì xác suất khoản
tổn thất trong tƣơng lai của danh mục là L không lớn hơn số tổn thất nhỏ nhất này nhỏ
hơn hoặc bằng (1 – α) x 100%. Giá trị có rủi ro VaR này đƣợc xác định nhƣ sau:
) { ) } { ) }
trong biểu thức trên thì inf là viết tắt của infimum; inf (S) đƣợc hiểu là con số lớn nhất
có thể có của cận dƣới tập con S và 0 < α <1.
Tóm lại, nếu nhà đầu tƣ nắm giữ danh mục sau thời gian k nào đó, với độ tin
cậy (1 – α) x 100% thì khả năng tổn thất một khoản bằng | )| trong điều kiện thị trƣờng hoạt động bình thƣờng.
 ủi ro danh mục
Xét một danh mục đầu từ gồm ba loại tài sản (vàng, chứng khoán, tỷ giá) với giả
định mỗi loại tài sản này có trọng số bằng nhau trong danh mục đầu tƣ (tức là trọng số
w1 = w2 = w3). Gọi X là giá trị của danh mục đầu tƣ trong một khoảng thời gian k
(trong trƣờng hợp bài luận văn này thì khoảng thời gian là 1 tuần); trong đó,
∑ với Xi là giá trị của tài sản thứ i trong ba loại tài sản (vàng, chứng khoán, tỷ

32
giá). Chúng ta có thể dễ dàng xác định đƣợc phân phối biên của từng loại tài sản Xi.
Tuy nhiên, để xác định đƣợc phân phối của danh mục đầu tƣ là rất khó. Vấn đề đặt ra
ở đây là cần phải tìm đƣợc phân phối của danh mục đầu tƣ để từ đó có thể đo lƣờng
đƣợc rủi ro bằng giá trị VaR nhƣ trên đã nói đến. Để tìm đƣợc mô hình phân phối của
danh mục đầu tƣ với nhiều loại tài sản nhƣ trên, bài nghiên cứu tiếp cận bằng phƣơng
pháp Cvine copula để từ đó tính ra đƣợc giá trị VaR của danh mục. Thuật toán tính giá
trị VaR của danh mục đầu tƣ đƣợc trình bày trong mục bên dƣới đây.
 huật toán
Thuật toán để hậu kiểm mô hình VaR gồm 11 bƣớc chính sau:
1. Biến đổi dữ liệu mẫu thành log các tỷ suất sinh lợi (TSSL) theo tuần:
()
Với St là giá của một tài sản ở tuần t với t nằm trong khoảng [1,n] (với n là tổng số
logarit tỷ suất sinh lời của mỗi chuỗi) và j là tài sản thứ j trong 3 tài sản, j ={1,2,3}
(trong đó, j =1 ứng với chuỗi tài sản thứ 1, j = 2 ứng với chuỗi tài sản thứ 2, j =3 ứng
với chuỗi tài sản thứ 3).
2. Chọn một cửa sổ dịch chuyển là k quan sát
3. Xử lý các mô hình GARCH(1,1) lần lƣợt từng chuỗi rt,j với t [1,k] và j =1,2,3.
với )

33
4. Chuyển các phần dƣ đƣợc chuẩn hóa zt,1 , zt,2 , zt,3 thành các biến phân phối đều
chuẩn tắc ut,1 , ut,2 , ut,3 với probability integral transformation. Dùng các hàm
phân phối tích lũy biên (marginal cumulative distribution function) F1 , F2 , F3
ứng với từng tài sản , với t [1,n] để chuyển các phần dƣ đƣợc chuẩn hóa thành
các biến phân phối đều chuẩn tắc nhƣ biểu thức sau:
ut,j = Fj(zt,j)
5. Dùng mô hình Cvine copula để xử lý u(t-k):t,1 , u(t-k):t,2 , u(t-k):t,2 bằng các thủ
tục lựa chọn của Cvine, với ký hiệu (t-k):t biểu thị một cửa sổ dịch chuyển là k
quan sát. Dùng cấu trúc Cvine để xây dựng cấu trúc cho khoảng thời gian t, bài
nghiên cứu muốn hƣớng đến là dự báo một phân phối cho khoảng thời gian (t
+1) [k+1,n].
6. Mô phỏng mẫu bằng cách dùng mô hình Cvine copula ở
bƣớc trƣớc, với số lần mô phỏng sim = 1000 lần . Lặp lại bƣớc 5 và bƣớc 6 đối
với tất cả các tuần trong khoảng thời gian hậu hậu kiểm (t +1) [k+1,n].
7. Chuyển trở lại các biến phân phối đều thành các phần dƣ
đƣợc chuẩn hóa bằng cách lấy nghịch đảo của hàm phân phối tích lũy nhƣ sau:
( )
8. Dùng các hệ số của mô hình GARCH(1,1) để dự báo cho một tuần tiếp theo đối
với từng chuỗi tài sản (j =1,2,3):
, với)
9. Đối với các tài sản j = 1, 2, 3 tỷ suất sinh lợi của danh mục ở thời điểm t +1 là

34
∑
10.Tính VaRα(Xt +1)
11.Tính các giá trị của VaRα(Xt +1) đối với các tỷ suất sinh lợi rt +1 đối với tuần (t
+1) [k,n].
 ậu kiểm (Backtesting)
Để kiểm định xem liệu rằng giá trị VaR dự báo có tốt hay không, bài nghiên cứu
sử dụng kiểm định Kupiec ( Kupiec‟s Proportion of Failures Test - kiểm định tỷ lệ thất
bại của Kupiec) và kiểm định tính độc lập của Christoffersen (Christoffersen‟s
Independence Test).
Theo Kupiec (1995) thì kiểm định Kupiec dùng để đánh giá liệu rằng có một số
tỷ suất sinh lợi vƣợt quá VaR đƣợc kỳ vọng. Kiểm định này có giả thiết:
H0: xác xuất xảy ra vƣợt mức là
Hệ số thống kê kiểm định Kupiec là LRKupeic.Với mức ý nghĩa α x100%, nếu
LRKupeic > LRtới hạn , bác bỏ giả thuyết H0. Điều này nói lên rằng nếu số vƣợt mức
thực tế lớn hơn số vƣợt mức kỳ vọng ứng với mức ý nghĩa α x100% thì kết luận rằng
mô hình VaRα không đúng với thực tế.
Còn kiểm định tính độc lập của Christoffersen kiểm định dùng để đánh giá xem
số vƣợt mức này có độc lập với với một số khác hay không (Christoffersen, 1998).
Kiểm định này có giả thiết:
H0: giá trị có rủi ro VaR không vƣợt mức và vƣợt mức là độc lập nhau
Hệ số thống kê của kiểm định Christoffersen là LRChristoffersen.Với mức ý nghĩa α x100%,
nếu LRChristoffersen > LRtới hạn , bác bỏ giả thuyết H0. Điều này nói lên rằng giá trị

35
có rủi ro VaR không vƣợt mức và vƣợt mức là không độc lập nhau; từ đó, kết luận
rằng mô hình VaRα không đúng với thực tế.

36
ƢƠ 4: DỮ LIỆU VÀ KẾT QUẢ NGHIÊN CỨU
4.1. Dữ liệu và thống kê mô tả
4.1.1. Dữ liệu
Bài luận văn sử dụng dữ liệu tỷ suất sinh lợi theo tuần trong hơn 10 năm từ ngày
08/01/2007 đến 19/03/2018. Việc sử dụng dữ liệu tuần là phù hợp khi nghiên cứu cấu
trúc phụ thuộc giữa giá vàng và tỷ giá USD/VND vì theo Reboredo (2013) thì việc sử
dụng dữ liệu tuần sẽ tránh đƣợc tình trạng bị nhiễu và lệch hơn so với việc sử dụng dữ
liệu ngày hoặc dữ liệu có tần số cao hơn; mà chính việc nhiễu và lệch này có thể làm
sai biệt mối quan hệ phụ thuộc cũng nhƣ làm phức tạp mô hình phân phối biên do
nhiều nguyên nhân gây ra (chẳng hạn nhƣ: những biến động không dừng, lệch đột ngột
hay hiện tƣợng trí nhớ dài hạn trong chuỗi dữ liệu gốc đang xét). Trên cơ sở lập luận
đó, bài luận văn lấy đồng nhất ba chuỗi dữ liệu tỷ suất sinh lời của vàng, chỉ số
Vnindex và tỷ giá USD/VND theo dữ liệu tuần. Giá vàng đƣợc sử dụng là giá vàng
SJC tính bằng VND/lƣợng, chỉ số đại diện để đo lƣờng thị trƣờng chứng khoán Việt
Nam là chỉ số Vnindex và tỷ giá đô la Mỹ đƣợc tính bằng số VND/ một đô la Mỹ ( tức
là khi tỷ giá hối đoái tăng thì đồng VND bị mất giá). Do giá vàng gồm có giá vàng mua
vào và giá vàng bán tại một tuần ra nên đồng nhất một chuỗi dữ liệu bài luận văn lấy
dữ liệu giá vàng bằng trung bình của giá vàng mua vào và giá vàng bán ra (tức là, giá
vàng = [giá vàng mua vào + giá vàng bán ra]/2). Tƣơng tự nhƣ vậy, tỷ giá USD/VND
cũng có tỷ giá mua vào và bán ra nên dữ liệu tỷ giá USD/VND bằng trung bình của tỷ
giá USD/VND mua vào và tỷ giá USD/VND bán ra (tức là, tỷ giá USD/VND = [tỷ giá
USD/VND mua vào + tỷ giá USD/VND bán ra]/2). Toàn bộ dữ liệu của bài luận văn
đƣợc cung cấp từ gói dữ liệu tại trang wed www.vietstock.vn .

37
4.1.2. Thống kê mô tả sự biến động của giá vàng, chỉ số Vnindex và tỷ giá
USD/VND
Hình 4.1 trình bày về sự biến động của giá vàng, chỉ số Vnindex và tỷ giá
USD/VND đƣợc xem xét trong giai đoạn 01/08/2007 – 19/03/2018. Nhìn chung thì có
xu hƣớng tăng của giá vàng và tỷ giá USD/VND cho thấy giá vàng càng tăng cao cho
nhƣng VND lại sụt giảm giá trị so với đồng USD, trong khi chỉ số Vnindex có hƣớng
đi xuống. Đặc biệt là kể từ khi cuộc khủng hoảng tài chính năm 2008 xảy ở Mỹ và đã
lan truyền đến Việt Nam càng làm xu hƣớng này càng rõ nét hơn khi càng làm giá
vàng tăng giá mạnh, chỉ số chứng khoán Vnindex của Việt Nam sụt giảm mạnh và giá
trị VND so với đồng USD ngày càng mất giá hơn. Ở giai đoạn 2008 – 2011, thị trƣờng
chứng khoán Việt Nam sụt giảm mạnh (chỉ số Vnindex sụt giảm mạnh) chứng tỏ nhà
đầu tƣ đã chuyển vốn từ thị trƣờng chứng khoán sang thị trƣờng vàng, khiến cho thị
trƣờng vàng càng ngày càng tăng giá mạnh khiến vàng càng là công cụ phòng ngừa
vững chắc cho giai đoạn này; hơn nữa, giai đoạn 2008 – 2011 này tỷ giá USD/VND bị
kiểm soát chặt chẽ bởi Ngân hàng Nhà Nƣớc (tỷ giá USD/VND của ngân hàng thƣơng
mại chỉ đƣợc phép dao động trong biên độ cho phép so với tỷ giá bình quân liên ngân
hàng do Ngân hàng Nhà Nƣớc công bố) và tỷ giá USD/VND trong giai đoạn này luôn
ở mức kịch trần cho phép.

38
Nguồn: Gói dữ liệu từ Vietstock và tính toán của tác giả
Hình 4.1 : Giá vàng, chỉ số Vnindex và tỷ giá USD/VND giai đoạn từ 8/1/2007 –
19/3/2018
Bảng 4.1 trình bày thống kê mô tả của các tỷ suất sinh lợi theo tuần của vàng, chỉ
số Vnidex và tỷ giá USD/VND. Nhìn chung, giá trị lớn nhất và giá trị nhỏ nhất của các tỷ
suất sinh lời cho thấy ba tài sản vàng, chứng khoán và tỷ giá USD/VND biến động khác
nhau; các chuỗi tỷ suất sinh lời này đều có độ lệch (Skewness) và độ nhọn (Kurtosis) quá
mức cho thấy dấu hiệu các chuỗi này không có phải phân phối chuẩn. Cụ thể hơn nữa
thống kê Jarque – Bera về kiểm định phân phối chuẩn đã cho kết quả bác bỏ tất cả các
chuỗi tỷ suất sinh lời này có phân phối chuẩn với mức ý nghĩa 5%. Từ đó, ta có thể thấy
rằng các chuỗi tỷ suất sinh lời của vàng, chỉ số Vnindex và tỷ giá USD/VND không có
phân phối chuẩn– điều này là lý do cho thấy việc nghiên cứu mối quan hệ giữa vàng, chỉ
số Vnindex và tỷ giá USD/VND bằng hệ số tƣơng quan (khi giả

39
định các chuỗi tỷ suất sinh lời là phân phối chuẩn) là không thể giải thích đƣợc một
cách chính xác và đầy đủ mối quan hệ của vàng, chỉ số Vnindex và tỷ giá USD/VND.
Bảng 4.1: Thống kê mô tả cho tỷ suất sinh lợi theo tuần của giá vàng, chỉ số
Vnindex và tỷ giá USD/VND
VÀNG VNINDEX USD/VND
Minimum -0.0216 -0.0566 -0.0118
Maximum 0.0491 0.0504 0.0063
Mean 3.984615e-04 7.094017e-05 9.008547e-05
Std.Dev 8.55342 26.63240 1.51672
Skewness 2.67965300 -0.05926586 -1.90808873
Kurtosis 21.05742 1.18632 49.93368
Jarque – Bera (11597)** (35.483)** (61575)**
Observations 585 585 585
Ghi chú: Dữ liệu tuần trong giai đoạn 8/1/2007 đến 19/3/2018. Jarque – Bera là thống
kê việc kiểm định phân phối chuẩn.
Dấu ** là bác bỏ giả thuyết H0 với mức ý nghĩa 5%.
4.2. Kết quả nghiên cứu
4.2.1. Kết quả kiểm định tính dừng
Để xem xét xem các kết quả hồi quy không bị giả mạo thì ta cần phải kiểm tra
tính dừng của các chuỗi dữ liệu. Bài nghiên cứu sử dụng hai kiểm định phổ biến là
ADF (Augmented Dickey – Fuller test) và PP (Phillips – Perron Unit Root test) để

40
kiểm định tính dừng của các chuỗi dữ liệu. Bảng 4.2 cho thấy ba chuỗi tỷ suất sinh lời
của vàng, vnindex và tỷ giá USD/VND đều dừng ở mức ý nghĩa 5%.
Bảng 4.2 : Kết quả kiểm định ADF và PP
ADF PP
GOLD (-7.8746)** (-676.95)**
VNINDEX (-7.5693)** (-580.04)**
USD/VND (-7.8416)** (-575.22)**
Nguồn: tác giả tự tính toán
Ghi chú: cả hai kiểm định ADF và PP đều cho thấy các chuỗi tỷ suất sinh lợi đều dừng
ở mức ý nghĩa 5%.
Dấu ** là bác bỏ giả thuyết H0 ở mức ý nghĩa 5%
4.2.2. Kết quả ƣớc lƣợng và kiểm định phù hợp của mô hình phân phối biên
Theo bảng 4.3 ta thấy các kiểm định Ljung – Box và ARCH trong phần dƣ tới
trễ 5 kỳ cho thấy không có hiện tƣợng tự tƣơng quan hay hiệu ứng ARCH trong phần
dƣ với mức ý nghĩa 5%. Các kiểm định KS test và CvM test với tất cả mô hình biên
cho ta thấy không thể bác bỏ giả thiết H0 : về tính phù hợp của hàm phân phối ở mức ý
nghĩa 5%, các kiểm định KS và CvM này chỉ ra rằng những mô hình này là phù hợp
không bị sai lệch; vì vậy, mô hình Cvine copula có thể nắm bắt một cách chính xác sự
đồng chuyển động của Vàng, Vnindex và tỷ giá USD/VND.

41
Bảng 4.3 : Kết quả ƣớc lƣợng của mô hình phân phối biên và kiểm
định mức độ phù hợp của mô hình phân phối biên cho tỷ suất sinh
lợi theo tuần của giá vàng, chỉ số Vnindex và tỷ giá USD/VND
Vàng Vnindex USD/VND
µ -0.000004 0.000358 0.00000
(0.96687) (0.488736) (0.99999)
Ω 0.000008 0.000017 0.00000
(0.00000)* (0.014660)** (1.00000)
α1 0.310250 0.258432 0.77219
(0.00000)* (0.000019)* (0.00000)*
β1 0.688750 0.705587 0.22502
(0.00000)* (0.000000)* (0.00000)*
Ljung-Box test (0.1827)** (0.07433)** (0.9997)**
ARCH (0.9535)** (0.7926)** (0.9985)**
KS test 5.40345
(0.315)**
CvM test 2.124581

42
(0.58)**
Ghi chú: Bảng này trình bày ƣớc lƣợng Maximum Likelihood cho các tham số của mô
hình phân phối biên. Ljung – Box test là kiểm định Ljung – Box cho các tƣơng quan chuỗi
của các phần dƣ trong mô hình đƣợc tính tới trễ 5 kỳ. ARCH là kiểm định LM của Engle
trong các phần dƣ đƣợc tính tới trể 5 kỳ. KS test là kiểm định Kolmogorov – Smirnov và
CvM test là kiểm định Cramer – von Mises là 2 kiểm định mức độ phù hợp của mô hình
phân phối biên. Các giá trị p-value nằm trong dấu ngoặc đơn () và * , ** ,
*** lần lƣợt là các mức ý nghĩa 1%, 5%, 10%.
4.2.3. Kết quả ƣớc lƣợng Cvine copula của dữ liệu nghiên cứu
Bảng 4.4 bên dƣới trình bày giai đoạn nghiên cứu tổng từ 8/1/2007 đến
19/3/2018 cho ta thấy tỷ giá USD/VND đƣợc xem nhƣ là giá trị nghiệm chính thể hiện
tỷ giá USD/VND có liên quan mạnh đến giá vàng và Vnindex. Trong giai đoạn này thì
cặp tỷ giá USD/VND và giá vàng cũng nhƣ cặp Vnindex và giá vàng có điều kiện tỷ
giá USD/VND không phụ thuộc với nhau. Điều này cũng khá là phù hợp với thị trƣờng
Việt Nam, bởi tỷ giá USD/VND luôn bị nhà nƣớc giám sát chặt chẽ trong một biên độ
nhất định – chính việc này có thể khiến cho tỷ giá USD/VND không bị phụ thuộc biến
động của giá vàng trong mối quan hệ giữa tỷ suất sinh lợi của cặp tỷ giá USD/VND và
giá vàng, cũng nhƣ việc thông tin về biến động của tỷ giá USD/VND cũng không biết
thêm gì hơn nữa về mối quan hệ giữa tỷ suất sinh lời của cặp chỉ số Vnindex và giá
vàng trong điều kiện biết tỷ suất sinh lời của tỷ giá USD/VND. Riêng cặp tỷ giá
USD/VND và Vnindex có hệ số Kendall „s τ là -0.05 cho thấy khả năng tình huống tỷ
giá USD/VND và Vnindex biến động ngƣợc chiều sẽ cao hơn thấy khả năng xảy ra
tính huống tỷ giá USD/VND và Vnindex cùng tăng hoặc cùng giảm là 5% (bởi hệ số
Kendall‟s τ chính là hiệu số giữa khả năng biến động cùng chiều và khả năng biến
động ngƣợc chiều).

43
Bảng 4.4: Kết quả ƣớc lƣợng Cvine copula giai đoạn 8/1/2007 - 19/3/2018
Copula Parameters (SE) endall’s uôi uôi
τ trên dƣới
ϴUSD/VND,GOLD Indep. - - 0.00 - -
ϴUSD/VND,VNINDEX Frank -0.48 - -0.05 - -
(0.23)**
ϴVNINDEX,GOLD|USD/VND Indep. - - 0.00 - -
Ghi chú: Bảng trên tóm tắt các kết quả ƣớc lƣợng Cvine copula trên tổng các quan sát.
Giá trị nằm trong ngoặc đơn() là các tham số sai số chuẩn của ƣớc lƣợng. Kết quả
Copula là Indep nói lên rằng 2 chuỗi dữ liệu là độc lập nhau với mức ý nghĩa 5%.
** chỉ mức ý nghĩa 5%
4.2.4. Kết quả ƣớc lƣợng khi xét các thay đổi cấu trúc của tỷ giá USD/VND
Trong mục này, bài luận văn sẽ xét đến xem các thay đổi của cấu trúc của tỷ giá
USD/VND sẽ ảnh hƣởng đến mối quan hệ của vàng, chỉ số Vnindex và tỷ giá
USD/VND ra sao. Vì tỷ giá USD/VND đƣợc lựa chọn là nghiệm chính của các cặp
copula không điều kiện trong cấu trúc C – vine của giai đoạn nghiên cứu từ 8/1/2008
đến 19/3/2018 nhƣ ở kết quả ở mục trên đã chỉ ra, nên bài luận văn chỉ xét duy nhất
việc thay đổi cấu trúc của tỷ giá USD/VND, và xét xem sự thay đổi cấu trúc này có ảnh
hƣởng đến mối quan hệ giữa vàng, chỉ số Vnindex và tỷ giá USD/VND ra sao.
Trƣớc tiên, bài luận văn theo cách làm của Aloui và cộng sự (2016) sử dụng kiểm
định của Bai và Perron (2003) để xác định số điểm thay đổi (breakpoint) chƣa biết và số
ngày thay đổi chƣa biết trong chuỗi tỷ giá USD/VND. Các kết quả kiểm định

44
Bai và Perron (2003) nhƣ trình bày ở Phụ lục 1 chỉ ra rằng có 3 điểm thay đổi tƣơng
ứng với các ngày nhƣ sau: 29/12/2008, 14/2/2011 và 18/5/2015. Các kết quả các điểm
thay đổi (breakpoint) đều ở mức ý nghĩa 5%. Theo kết quả đó, ta thấy rằng các điểm
thay đổi cấu trúc của tỷ giá USD/VND tƣơng ứng với các sự kiện lớn trên thế giới nhƣ
khủng hoảng tài chính giai đoạn 2007 – 2009, khủng hoảng nợ công Châu Âu năm
2011 và sự kiện Brexit (Vƣơng quốc liên hiệp Anh và Bắc Ireland rời khỏi liên minh
Châu Âu) giai đoạn 2016 – 2017. Để xem tác động của các thay đổi mạnh của tỷ giá
USD/VND lên sự phụ thuộc của giá vàng, chỉ số Vnindex, bài nghiên cứu này chia
thành 4 giai đoạn con nhƣ sau: từ 8/1/2008 đến 22/12/2008, từ 29/12/2008 đến
7/2/2011, từ 14/2/2011 đến 11/5/2015 và 18/5/2015 đến 19/3/2018. Từ việc phân chia
mỗi giai đoạn con, bài nghiên cứu ƣớc lƣợng mô hình Cvine copula cho giai đoạn con
nhƣ trên với giả định là tỷ suất sinh lợi của tỷ giá USD/VND là nghiệm chính. Bảng
4.5 dƣới đây trình bày các kết quả ƣớc lƣợng.
Bảng 4.5 : Kết quả ƣớc lƣợng Cvine copula các giai đoạn con từ 8/1/2007 đến
19/3/2018
Copula Parmeters (SE) endall’s uôi uôi
τ trên dƣới
8/1/2007 đến 22/12/2008
ϴUSD/VND,GOLD Indep. - - 0.00 - -
ϴUSD/VND,VNINDEX Frank -1.70 - -0.18 - -
(0.52)**
ϴVNINDEX,GOLD|USD/VND Indep. - - 0.00 - -

Luận Văn Mối Quan Hệ Của Giá Vàng, Giá Chứng Khoán Và Tỷ Giá Ở Việt Nam.doc

Luận Văn Mối Quan Hệ Của Giá Vàng, Giá Chứng Khoán Và Tỷ Giá Ở Việt Nam.doc

Recommended

Recommended

More Related Content

Similar to Luận Văn Mối Quan Hệ Của Giá Vàng, Giá Chứng Khoán Và Tỷ Giá Ở Việt Nam.doc

Similar to Luận Văn Mối Quan Hệ Của Giá Vàng, Giá Chứng Khoán Và Tỷ Giá Ở Việt Nam.doc (6)

More from Dịch vụ viết thuê đề tài trọn gói Liên hệ ZALO/TELE: 0917.193.864

More from Dịch vụ viết thuê đề tài trọn gói Liên hệ ZALO/TELE: 0917.193.864 (20)

Recently uploaded

Recently uploaded (20)

Luận Văn Mối Quan Hệ Của Giá Vàng, Giá Chứng Khoán Và Tỷ Giá Ở Việt Nam.doc