Professional Documents
Culture Documents
Ch10-Markov Switching Model - 2023
Ch10-Markov Switching Model - 2023
phi tuyến
Mô hình chuyển đổi cấu trúc
Switching models
u Mô hình Switches có thể là mô hình đơn với chỉ 1 lần chuyển đổi hoặc mô hình
chuyển đổi qua lại giữa các trạng thái khác nhau một cách thường xuyên.
25
20
15
10
0
1 39 77 115 153 191 229 267 305 343 381 419 457 495 533 571 609 647 685 723 761 799 837 875 913 951 989
-5
-10
-15
Xử lý đổi với các biến chuyển đổi trạng thái - switching variables
tự hồi quy trung bình trược
Chúng ta có thể khái quát hóa mô hình ARMA để cho phép biến chuỗi thời gian yt có 2 hay nhiều
hơn 2 trạng thái tạo lập giá trị khác nhau khi thời gian thay đổi
yt = µ1 + f1 yt-1 + u1t trước quan sát thứ 500 và
yt = µ2 + f2 yt-1 + u2t sau quan sát thứ 500 2 hệ số chặn (Muy), độ dốc
4
Vũ Việt Quảng - Khoa Tài Chính - UEH xác định điểm gãy -> diễn tả phương trình từng trạng thái
Làm cách nào để nhận diện có một điểm gãy (Switch)
hay nhiều điểm gãy cấu trúc (Switches)?
u Điểm gãy cấu trúc có thể được nhận diện rõ từ hiểu biết của người nghiên
cứu về quá khứ của dữ liệu.
u Có thể xác định điểm gãy bằng các kiểm định mô hình như Stability test
bao gồm:
tổng tích lũy phần dư -> phần dư dồn (cái sau theo cái trước)
§ CUSUM test (1975): use recursive residuals
bình phương phần dư
§ CUSUM of squares (1975): use squared recursive residuals
§ OLS-CUSUM (1992): use OLS residuals
§ One-step-ahead prediction error
u Điểm gãy có thể tuần tự xảy ra với các khoảng cách đều đặn (fixed
intervals) và cho ra hiện tượng “mùa vụ” (seasonalities).
u Nếu chúng ta có dữ liệu theo quý, tháng hay thậm chí theo ngày, thì có nhiều
khả năng là những dữ liệu chuỗi thời gian này có thuộc tính mùa vụ.
u Hiệu ứng mùa vụ trong chuỗi thời gian trên thị trường tài chính đã được phát
hiện từ rất nhiều các nghiên cứu khác nhau và thường được gọi là “calendar
anomalies”.
u Những hiệu ứng này đã tạo ra những tác động khác biệt có ý nghĩa thống kê
giữa thời kỳ mùa vụ và những thời điểm khác.
u Tuy nhiên sự tồn tại của tính mùa vụ không nhất thiết là 6yếu tố phản bác lý
thuyết thị trường hiệu quả EMH.
Vũ Việt Quảng - Khoa Tài Chính - UEH
Sử dụng biến giả Dummy để kiểm soát tính mùa vụ -
Seasonality
u Ví dụ, đối với dữ liệu theo quý và có tính mùa vụ, chúng ta có thể sử dụng 4
biến giả như sau (dummy variables):
u Chúng ta sẽ cần bao nhiêu biến giả? Chúng ta sẽ cần ít hơn 1. Ví dụ: cho dữ
liệu theo quý, chúng ta sẽ chỉ cần 4-1 = 3 biến giả.
u Điều gì sẽ xảy ra nếu chúng ta đưa vào mô hình cả 4 biến giả dummies?
đa cộng tuyến hoàn hảo -> phần mềm tự động bỏ
7
Vũ Việt Quảng - Khoa Tài Chính - UEH
Sử dụng biến giả Dummy để kiểm soát tính mùa vụ
- Seasonality
D1t D2t D3t D4t Sumt
1986Q1 1 0 0 0 1
Q2 0 1 0 0 1
Q3 0 0 1 0 1
Q4 0 0 0 1 1
1987Q1 1 0 0 0 1
Q2 0 1 0 0 1
Q3 0 0 1 0 1
etc.
u Sử dụng cả 4 biến giả sẽ dẫn đến hiện tượng đa cộng tuyến - multicollinearity và do
vậy (X¢X)-1 sẽ không tồn tại.
u Vì vậy chúng ta có thể sử dụng 4-1 = 3 biến giả cùng với hằng số C, hay sử dụng cả
4 biến giả và không bao gồm hằng số C.
8
Vũ Việt Quảng - Khoa Tài Chính - UEH
Biến giả giải quyết tính mùa vụ của chuỗi thời
gian như thế nào?
yếu tố thời vụ ảnh hưởng đến hệ số chặn
Q3
Q2
Vũ Việt Quảng - Khoa Tài Chính - UEH 9 Q1
Q0
Phương pháp sử dụng biến giả hệ số chặn (Intercept dummies) để giải
quyết tính mùa vụ trong nghiên cứu tài chính
u Brooks and Persand (2001) nghiên cứu tác động của hiện
ứng ngày trong tuần đối với TTCK 5 quốc gia Đông Nam
Á: South Korea, Malaysia, the Philippines, Taiwan and
Thailand.
u Dữ liệu theo ngày cho tất cả các ngày làm việc trong tuần
(Mondays to Fridays) từ 31 December 1989 đến 19 January
1996 (tổng cộng1581 observations).
u Tác giả đã sử dụng biến giả Ngày trong tuần trong mô hình
hồi quy:
ghi lý thuyết 5 biến giả, thực hành 4 biến
rt = g1D1t + g2D2t + g3D3t + g4D4t + g5D5t + ut
u Khi đó các hệ số hồi quy khác nhau ứng với từng biến giả
có thể được diễn đạt như là TTSL bình quân của từng ngày
trong tuần.
x với biến độc lập -> biến tương tác -> độ dốc
y t = a + (b xt + g D xt ) + u t
mới: beta + gamma
y t = a + b xt + u t
u Trong nghiên cứu tài chính, khác biệt TSSL trong các ngày khác nhau trong tuần
có thể là kết quả từ sự khác biệt trong rủi ro của ngày trong tuần.
u Brooks và Persand đã ước lượng lại mô hình cho phép hệ số Beta khác nhau ứng
với mỗi ngày trong tuần khác nhau. Bằng cách sử dụng hệ số chặn độ dốc:
5
rt = ( å aiDit + bi DitRWMt) + ut
i =1
u Với Dit là biến giả thứ ith có giá trị1 cho ngày t=i và zero cho ngày khác, và biến
RWMt là TSSL từ chỉ số TTCK toàn cầu (world market index)
độc lập
u Chúng ta có thể thấy là bây giờ mô hình đã phản ánh mối quan hệ giữa TTSl và
rủi ro thay đổi khác nhau giữ các ngày trong tuần.
Thai, Malay: đều có ý nghĩa thống kê -> thị trường TG tăng thì ngày nào Thai, Malay cũng tăng
theo
Mô hình chuyển đổi trạng thái Markov
(Markov Switching Models)
u Mô hình chuyển đổi Markov là mô hình khái quát hóa tổng quan nhất cách thức sử
dụng biến giả đơn giản như vừa trình bày ở bên trên.
u Gọi m là tổng số trạng thái mà một biến có thể rơi vào. Gọi si , i=1,...,m là xác suất
để một biến cho trước rơi vào vùng trạng thái m.
u Chuyển động trong các giá trị của một biến rơi vào các vùng trạng thái khác nhau
được mô phỏng bởi tiến trình Markov.
u Tiến trình chuyển đổi Markov có thể được trình bày như sau:
P[a<yt£b | y1, y2, ..., yt-1] = P[a<yt£b | yt-1]
xác suất kỳ hiện tại rơi vào trạng thái nào phụ thuộc vào xác suất kỳ trước đó rơi vào trạng thái nào
u Nếu một biến tuân theo tiến trình chuyển đổi trạng thái Markov, thì chúng ta sẽ có
thể dự báo xác suất mà trong kỳ kế tiếp biến số đó sẽ rơi vài một vùng trạng thái cho
trước nào đó. Xác suất được dự báo cho kỳ kế tiếp này sẽ phụ thuộc vào xác xuất
trong kỳ hiện tại và ma trận xác suất chuyển vị (transition probability matrix) như
sau: đổi
é P11 P12 ... P1m ù
êP P22 ... P2 m úú
P = ê 21
ê ... ... ... ... ú
ê ú
Vũ Việt Quảng - Khoa Tài Chính - UEH
ë Pm1 Pm 2 ... Pmm û
15
Với Pij là xác suất mà một biến chuyển từ trạng thái (regime) i sang trạng thái j.
Mô hình chuyển đổi trạng thái Markov
(Markov Switching Models)
u Mô hình chuyển đổi Markov đầy đủ là khá phức tạp, nhưng để đơn giản
hóa ta có thể tìm hiểu mô hình đơn giản nhất được biết đến như là mô
hình sử dụng “bộ lọc Hamilton” (Hamilton’s Filter).
u Ví dụ, giả định m=2. Biến trạng thái không quan sát được là zt, thay đổi
theo tiến trình Markov với các giá trị xác suất như sau:
Prob[zt = 1 ½ zt-1 = 1] = p11 xác suất trạng thái hiện tại là 1 với ĐK trạng thái trước đó là 1
Prob[zt = 2 ½ zt-1 = 1] = 1 - p11 .
Prob[zt = 2 ½ zt-1 = 2] = p22
Prob[zt = 1 ½ zt-1 = 2] = 1 – p22
với p11 là xác suất rơi vào vùng trạng thái 1 trong điều kiện hệ thống đang
trong vùng 1 kỳ trước đó, và và p22 là xác suất rơi vào vùng trạng thái 2
khi hệ thống hiện đang trong vùng 2 kỳ trước đó. 16
m
Ta cũng có
u
åP j =1
ij =1 " i
u Cách tiếp cận của mô hình Markov trở nên hữu ích khi các biến chuỗi thời gian
được cho là sẽ chuyển đổi từ một trạng thái này sang một trạng thái khác và sau đó
có thể quay trở lại trạng thái ban đầu, tuy nhiên biến số tác động đến sự chuyển đổi
này là không quan sát được.
u Các thông số của mô hình có thể được ước lượng bằng cách sử dụng phương pháp
hồi quy MLE - maximum likelihood (xem Engel và Hamilton, 1990).
17
u Lý thuyết Purchasing power parity (PPP) nhận định rằng Luật một giá –
(law of one price) luôn đúng trong dài hạn sao cho khi được chuyển đổi
về cùng một đơn vị tiền tệ, chi phí của một rổ hàng hóa và dịch vụ đại
diện sẽ là như nhau bất kể được mua ở đâu.
u Chấp nhận trước một số giả định, ngụ ý của lý thuyết PPP là TGHĐ
thực (real exchange rate) sẽ có tính dừng (stationary). không cần kiểm định tính
dừng, lấy sai phân
u Tuy nhiên một số nghiên cứu đã tìm thấy chứng cứ TGHĐ thực có
nghiệm đơn vị (unit root) hay không dừng và điều này thực sự thách thức
lý thuyết PPP.
u Chúng ta biết rằng độ chính xác của kiểm định tính dừng ADF sẽ trở nên
không đáng tin cậy nếu có sự hiện diện của điểm gãy cấu trúc.
u Để kiểm tra khả năng này, Bergman and Hansson (2005) đã thực hiện ước
lượng bằng phương pháp chuyển đổi Markov với mô hình cấu trúc AR(1)
cho TGHĐ thực, và cách tiếp cận này cho phép khả năng chuyển đổi qua
lại nhiều lần giữa 2 trạng thái.
nghiên cứu chuỗi thời gian, chuỗi tỷ giá -> hồi quy bậc
18 1
y = µ s + fy t -1 + e t
u Mô hình hồi quy chính có dạng như sau: t t
với yt là TGHĐ thực, st (t = 1,2) thể hiện 2 trạng thái và et ~ N(0, s2).
u Biến số đo lường trạng thái, st, được giả định là tuân theo tiến trình
Markov tiêu chuẩn với 2 chế độ trạng thái khác nhau.
u Dữ liệu là TGHĐ thực theo quý từ 1973Q2 đến 1997Q4 (99 quan sát).
Đơn vị tính là đồng nội tệ trên đồng đôla cho TGHĐ thực của UK,
France, Germany, Switzerland, Canada và Japan.
u Mô hình được ước lượng với 72 quan sát đầu tiên (1973Q2 - 1990Q4) và
số quan sát còn lại được sử dụng cho đánh giá khả năng dự báo “out of
sample”.
u Để chỉ số hóa các giá trị quan sát, logarit của TGHĐ thực cho từng quốc
gia vào 1973Q2 có giá trị là 1.
u Mô hình chuyển đổi Markov được ước lượng bằng phương pháp MLE -
maximum likelihood estimation.
19
p12 = 1 - p11
Source: Bergman and Hansson (2005)
TGHĐ Anh có 2 trạng thái: xác suất duy trì trạng thái 1 là 67,2%; trạng thái 2 là 69%
Can và Nhật đang duy trì chính sách tỷ giá tương đối chặt -> trạng thái khó thay đổi
u Kết quả cho thấy, mô hình chuyển đổi Markov có thể phân tách các giá trị
TGHĐ thực cho mỗi quốc gia thành 2 trang thái riêng biệt với hệ số chặn
ứng với trạng thái 1 (µ1) là dương trừ Nhật Bản. Điều này có thể được
giải thích là do đồng Yen mạnh trong khi các đồng tiền khác đều bị mất
giá trong suốt thời kỳ quan sát.
u Hệ số chặn µ2 ứng với trạng thái 2 là âm cho tất cả các quốc gia hay đồng
tiền của tất cả các quốc gia đều lên giá so với đồng đôla.
u Các giá trị xác suất p11 và p22 tương đối thấp cho UK, France, Germany
và Switzerland, thể hiện sự chuyển đổi trạng thái thường xuyên cho đồng
tiền của các quốc gia trong mẫu nghiên cứu.
u Đáng chú ý nhất là sau khi cho phép các giá trị hệ số chặn chuyển đổi
giữa các trạng thái, hệ số AR(1), f, nhỏ hơn 1 khá xa, thể hiện rằng các
giá trị TGHĐ thực của các quốc gia đều “dừng”.
21
u Do vậy có thể kết luận rằng các nghiên cứu trước đây đối với TGHĐ thực
đã sai sót khi mô hình có điểm gãy cấu trúc và nếu sử dụng các phương
pháp kiểm định tính dừng thông thường thay vì cho phép hệ số chặn thay
đổi và đã tìm thấy các chuỗi thời gian này là “không dừng” trong khi lý
thuyết tài chính và lý thuyết PPP đã nhận định là chúng phải dừng.
22
u 2 tác giả trên đã sử dụng mô hình chuyển đổi Markov AR(1) để dự báo và
so sánh khả năng dự báo theo phương pháp này với kết quả dự báo
theo phương pháp truyền thống.
u Họ đã tìm thấy rằng trong tất cả các quốc gia và cho tầm xa dự báo lên
đến 4 kỳ quan sát ( 4 quý) thì phương pháp chuyển đổi Markov AR cho ra
kết quả dự báo với giá trị MSE (mean squared errors) là thấp nhất và sự
khác biệt giữa 2 phương pháp là có ý nghĩa thống kê.
MSE càng nhỏ thì khả năng dự báo càng sát
MSE: chênh lệch y và y mũ -> bình phương lên -> tính trung bình (gần giống công thức RSS)
23
u Tỷ số thu nhập giữa đầu tư vào trái phiếu chính phủ và đầu tư vào cổ
phiếu (gilt-equity yield ratio (GEYR) được định nghĩa là tỷ số giữa tỷ
suất thu nhập đối với trái phiếu chính phủ dài hạn và tỷ suất cổ tức đối với
thị trường cổ phiếu.
u Các nghiên cứu trước đây đã chỉ ra rằng giá trị hiện tại của GEYR là công
cụ hữu ích giúp các nhà quản lý quỹ hay các nhà phân tích chứng khoán
nhận định tình hình.
u Tỷ số GEYR được giả định là đạt được mối cân bằng trong dài hạn, và
bất kỳ các sai lệch nào từ điểm cân bằng dài hạn này sẽ báo tín hiệu rằng
giá chứng khoán (cổ phiếu) đang trong trạng thái không ổn định.
u Do vậy tỷ số GEYR báo rằng nếu GEYR thấp, các nhà đầu tư nên mua
vào cổ phiếu, và nếu GEYR cao, các nhà đầu tư nên bán cổ phiếu.
u Brooks và Persand (2001) thực hiện kiểm định đối với tỷ số GEYR từ
January 1975 đến August 1997 (272 quan sát) cho 3 quốc gia: UK, US, và
Germany. 24
0.5
1.5
2.5
3.5
0
1
2
3
No
v-
No 75
v-
No 76
v-
No 77
v-
No 78
v-
No 79
v-
No 80
v-
No 81
v-
No 82
v-
No 83
v-
No 84
v-
No 85
v-
US GEYR
Date
v-
0.5
1.5
2.5
3.5
4.5
0
1
2
3
4
No 87
v-
No 88
v-
Nov-75 No 89
v-
Nov-76
The Value of UK GEYR 1975-97
No 90
v-
Nov-77 No 91
v-
Nov-78 No 92
v-
Nov-79 No 93
v-
Nov-80 No 94
v-
Nov-81 No 95
v-
Nov-82 96
Nov-83
Nov-84
Nov-85 GEYR
Date
0
1
2
3
4
5
6
Nov-86 No
v-
Nov-87 No 75
v-
Nov-88 No 76
v-
Nov-89 No 77
The Value of US GEYR 1975-97
v-
Nov-90 No 78
v-
Nov-91 No 79
v-
Nov-92 No 80
v-
Đồ thị chuỗi thời gian của tỷ số GEYR
Nov-93 No 81
v-
No 82
Nov-94 v-
No 83
Nov-95 v-
No 84
Nov-96 v-
No 85
v-
25
No 86
Date
v-
No 87
v-
No 88
v-
No 89
v-
No 90
v-
The Value of German GEYR 1975-97
No 91
v-
No 92
v-
No 93
v-
No 94
v-
No 95
v-
96
Các giá trị phân phối của US GEYR
0.45
0.40
0.35
0.30
0.25
0.20
0.15
0.10
0.05
0.00
-4 -2 0 2 4
26
Lưu ý: các giá trị Standard errors trong ngoặc đơn; N1 và N2 là số quan sát tương ứng
với trạng thái 1 và 2.
27
u Các giá trị GEYR cho UK và German biến động nhiều hơn trong trạng thái 1 khi có
phương sai cao hơn đến 4 và 20 lần so với trạng thái 2.
u Số lượng quan sát ứng với xác suất GEYR rơi vào trạng thái 1 là lớn hơn 0.5 (và do vậy
khi GEYR rơi vào trạng thái 1 này thì tổng quan sát là 102 cho UK (37.5% tổng số), trong
khi số quan sát cho US là 100 (36.8%) và cho Germany là 200 (73.5%).
u Tóm lại, đối với UK và US, các quan sát GEYR phần lớn rơi vào trạng thái 2, trong khi
đối với Germany thì là ngược lại, phần lớn các quan sát GEYR rơi vào trạng thái 1.
u Bảng kết quả cũng cho thấy xác suất P11 và P22 khá cao, thể hiện rằng các trạng thái
là khá ổn định với ít hơn 10% cơ hội thay đổi từ trạng thái GEYR thấp sang trạng thái
GEYR cao hay ngược lại cho tất cả 3 quốc gia.
u Mô hình chuyển đổi Markov có thể được sử dụng để phân tích GEYR (gilt-equity yield
ratio) và có thể dự báo xác suất GEYR sẽ rơi vào vùng trạng thái nào đó .
• Trước khi tính trừ chi phí giao dịch, quyết định mua bán dựa trên phân tích mô hình
chuyển đổi Markov có kết quả tốt hơn so với chiến lược mua và nắm giữ (buy-and-
hold equities strategy).
• Sau khi tính trừ chi phí giao dịch, quyết định mua bán dựa trên phân tích mô hình
chuyển đổi Markov cũng không tốt hơn chiến lược đầu tư thụ động ở cả 3 quốc gia.
u Mô hình TAR đơn giản nhất st-k = yt-k và khi đó chúng ta có mô hình “self-
exciting TAR, hay SETAR” được viết như sau:
trạng thái được xác định bằng biến y
u Không giống như mô hình chuyển đổi Markov, trong mô hình TAR sự chuyển đổi
giữa các trạng thái (transitions) là rời rạc (discrete).
đúng ĐK là thực hiện luôn, không cần trong xác suất
31
biến
thể hiện
trạng thái I thuộc trạng thái 1
u Với I ( j ) là hàm số chỉ báo trạng thái j th và có giá trị 1 nếu biến x đang trong trạng
thái j và 0 nếu khác đi. zt−d là biến quan sát xác định điểm chuyển đổi và u( j )t là
phần dư mô hình trong trạng thái j có phân phối iid. Một lần nữa nếu zt−d = xt−d,
thì khi đó mô hình trở thành Self-exciting TAR (SETAR).
u Các yếu tố cần định lượng bao gồm số lượng trạng thái, biến ngưỡng (threshold
variable), độ trễ của biến ngưỡng (threshold variable lag), độ trễ của mô hình cho
mỗi trạng thái, giá trị của ngưỡng (threshold value), và hệ số hồi quy của mô hình
ứng với từng trạng thái.
u Chúng ta không thể ước lượng tất cả các thông số này cùng lúc. Một số thông số này
sẽ được ước đoán trước (a priori ) dựa vào lý thuyết tài chính, trực quan, hay dựa
vào ước lượng có điều kiện dựa vào các thông số khác. Ví dụ, ta áp đặt giá trị d =
1, J = 2, và r có thể không cần phải ước lượng.
32
u Giá trị độ trễ cho mỗi trạng thái có thể được xác định sử dụng phương pháp ước
lượng có điều kiện đối với biến ngưỡng được chỉ định và giá trị ngưỡng cố định.
Ví dụ: Tong (1990) đề xuất mô hình AIC sửa đổi như sau:
AIC ( p1 , p 2 ) = T1 ln sˆ 12 + T2 ln sˆ 22 + 2( p1 + 1) + 2( p 2 + 1)
tính AIC để lựa chọn độ trễ phù hợp -> chọn AIC nhỏ nhất
với T1 và T2 là số quan sát trong trạng thái 1 và 2, p1 và p2 là chiều dài của độ trễ,
và ŝ 1 vàŝ 2 là phương sai của phần dư tương ứng.
2 2
u Ước lượng các hệ số của mô hình TAR sử dụng phương pháp hồi quy bình
phương bé nhất phi tuyến - Nonlinear least squares (NLS).
u Mô hình SETAR mở rộng giúp điều chuyển tiến trình chuyển đổi trở nên từ từ
bằng cách thay thế hàm chỉ số chuyển đổi I[yt−1 > c] bằng hàm liên tục
G(yt−1;γ, c), mà theo đó sự chuyển đổi sẽ diễn ra nhẹ nhàng (smoothly) từ 0 sang
1 khi biến yt−1 tăng dần. Mô hình này còn được gọi là Smooth Transition AR
(STAR) đề xuất bởi Terasvirta (1994).
chuyển đổi liên tục 33
u Và mô hình này bây giờ được gọi là Logistic STAR (LSTAR) model
u Thông số hồi quy c được gọi là ngưỡng chuyển đổi (threshold) giữa 2 cơ chế
(regimes) ứng với G(yt−1; γ , c) = 0 và G(yt−1; γ, c) = 1, dựa trên đặc tính của
hàm logistic sẽ thay đổi đồng biến (monotonically) từ 0 sang 1 khi yt−1 gia tăng,
trong khi đó G(c; γ , c) = 0.5.
u Thông số hồi quy γ sẽ xác định mức độ “mềm mại” khi chuyển đổi (smoothness)
trong giá trị của hàm logistic function, và do đó là sự chuyển đổi từ cơ chế này
sang một cơ chế khác.
34
36
Xem xét mô hình TSSL hàng tháng của cổ phiếu GM và S&P từ 1967
đến 2008. Mô hình CAPM tuyến tính như sau:
m3=lm(gm~sp+nsp)
> summary(m3)
Call: lm(formula = gm ~ sp + nsp)
Mối quan hệ dài hạn wt = Rt − 0.984rt , rất gần giá trị đơn vị.
Ngưỡng tới hạn có giá trị ước lượng là −0.6. Do vậy trạng thái thứ nhất sẽ xảy ra khi
Rt <=0.984rt−0.6, hay khi chênh lệch giữa TSSL của TPCP dài hạn và TPCP ngắn
hạn >= 0.6%.
Và vì điều này thường khó xảy ra nên kết quả hồi quy cho thấy chỉ có 8% số lượng
quan sát rơi vào vùng trạng thái này.
Trạng thái thứ hai với 92% số quan sát khi Rt >=0.984rt−0.6, hay khi chênh lệch
giữa TSSL của TPCP dài hạn và TPCP ngắn hạn <= 0.6%. Trong trường hợp này LRt
là Lrt có hiệu ứng error-correction là nhỏ nhất và phần dư rất gần white noise.
Error-correction phát huy tác dụng chủ yếu trong trường hợp bất thường khi Rt thấp
hơn rt rất nhiều. Có hiệu ứng Error-correction rất mạnh trong phường trình Short-rate
equation. Trong phương trình long-rate equation, giá trị ước lượng cho the ECT là
khá lớn, nhưng có ý nghĩa thống kê không mạnh.
Mô hình SETAR là mô hình TAR với k>1. Trong đó k (số trạng thái chuyển đổi) và d (là giá trị trễ
cần ước lượng) là những số nguyên dương, j = 1,...,k, γis là những số thực. j là giá trị chuyển đổi
trạng thái của mô hình.
Mô hình STAR (Chan and Tong (1986); Terasvirta (1994)
Với d là giá trị trễ cần ước lượng, ∆ và s là vị trí (location) và mực độ (scales) là những thông số đầu
vào của hàm chuyển đổi F(.) (smooth transition function), Trong thực hành F(.) thường được giả
định là tuân theo một trong ba trường hợp sau: logistic (LSTAR), exponential (START), hoặc CDF.
γis là những số thực. j là số trạng thái chuyển đổi của mô hình.
GTTB có điều kiện (conditional mean) của mô hình STAR là kết hợp tuyến tính có trọng số giữa 2
phương trình sau:
Ví dụ: có TSSL của cổ phiếu công ty “mmm” từ tháng 02-1946 đến tháng 12-
1997. Nếu ta phân tích chuỗi thời gian này sử dụng mô hình ARCH thì ta có
mô hình phân tích cuối cùng là ARCH(2) như sau:
Một trong nhược điểm chính của mô hình ARCH là nó không thể phân
tích cú sốc tác động bất cân xứng như thế nào đến tính bất ổn của TSSL cổ
phiếu.
Mô hình STAR cho ARCH sẽ giúp khắc phục nhược điểm này.
Nếu giá trị at−1 là âm và lớn, khi đó mô hình “Volatility” tiếp cận mô hình
ARCH(2) như sau:
Nếu giá trị at−1 là dương và lớn, khi đó mô hình “Volatility” xấp xĩ mô hình
ARCH(2) như sau:
Lưu ý là giá trị âm của a2t-1 có giá trị tuyệt đối khá nhỏ. Như vậy khi a2t-1 lớn
khi đó hiệu ứng ARCH(2) sẽ trở nên yếu.
Vũ Việt Quảng - Khoa Tài Chính - UEH 60
Estimated FRF-DEM
Regime Switching
Model
and Out of Sample
Forecast Accuracies