mô hình 3c trong chứng khoán

Nghiên cứu này xem xét các nhân tố ảnh hưởng đến cấu trúc vốn của các DN niêm yết trên sàn chứng khoán TP. Hồ Chí Minh giai đoạn 2013-2019. Giá trị F trong mô hình với mức ý nghĩa Prob.(F- statistic) = 0.0000 cho thấy, mô hình hồi quy đã xây dựng được là hoàn toàn phù Văn phòng công chứng làm việc thứ 7, chủ nhật ở Quận Ba Đình. Hiện tại, tất cả các văn phòng công chứng Ba Đình được đề cập trong danh sách trên đều làm việc tại trụ sở vào tất cả các ngày và giờ hành chính trong tuần. Bên cạnh đó, một số văn phòng công chứng Mục tiêu của nghiên cứu này là xem xét tác động của các yếu tố đến giá trị kinh tế tăng thêm của các doanh nghiệp niêm yết trên Sở Giao dịch chứng khoán TP. Hồ Chí Minh trong giai đoạn 2012 - 2016. Với dữ liệu của 173 doanh nghiệp, bài viết sử dụng phương pháp phân tích định lượng với ước luợng PCSE cho Cả 4 thành phần ở trên sẽ tạo thành một mô hình Time series tổng quan: Mô hình Multiplicative, các thành phần giao thoa, cộng hưởng với nhau: Y = T.S.C.I. Mô hình Additive, các thành phần độc lập với nhau, được thêm vào để hoàn chỉnh mô hình: Y = T + S + C + I FFIs báo cáo theo Mô hình 2 (FFIs báo cáo theo mô hình 2) báo cáo trực tiếp cho IRS theo Biểu M ẫ u 8966 các thông tin về các tài khoản của Hoa Kỳ, và các thông tin chung liên quan đến các chủ tài khoản là những người đồng ý từ bỏ quyền pháp lý đối với việc cho phép FFI báo Site De Rencontre Amoureux Des Chevaux. Chia sẻ hình ảnh chủ đề mô hình 3c trong chứng khoán mới nhất và đẹp nhất hiện tại, cùng xem chi tiết phía dưới bài viết. mô hình 3c trong chứng khoán Mô hình 3C của Minervini Uptrend Việt Nam Mẫu hình 3C của phù thủy Mark Minervini điểm mua sớm trước mẫu hình Chiếc CốcTay Cầm Elibookvn Tri thức đầu tư 2022 Mẫu hình 3C trong chứng khoán theo Mark Minervini Mẫu hình 3C của phù thủy Mark Minervini điểm mua sớm trước mẫu hình Chiếc CốcTay Cầm Elibookvn Tri thức đầu tư 2022 Mẫu hình 3C trong chứng khoán theo Mark Minervini Mẫu hình 3C của phù thủy Mark Minervini điểm mua sớm trước mẫu hình Chiếc CốcTay Cầm Elibookvn Tri thức đầu tư Mẫu hình 3C của phù thủy Mark Minervini điểm mua sớm trước mẫu hình Chiếc CốcTay Cầm Elibookvn Tri thức đầu tư 2022 Mẫu hình 3C trong chứng khoán theo Mark Minervini Mẫu hình 3C Mua sớm ở đáy Mẫu hình 3C của Minervini Cách chọn ra cổ phiếu dẫn sóng thị trường GSLab Điểm mua sớm Mẫu hình 3C của phù thủy Mark Minervini Chứng Mẫu hình 3C Mua sớm ở đáy Mẫu hình 3C Mua sớm ở đáy Tìm hiểu về mẫu hình 3C của phù thủy Mark Minervini YouTube 2022 Mẫu hình 3C trong chứng khoán theo Mark Minervini Mẫu hình 3C trên VIC Diễn đàn chứng khoán F319com Mẫu hình 3C của Minervini Cách chọn ra cổ phiếu dẫn sóng thị trường GSLab 3C Mô hình đặc biệt trong phương pháp đầu tư tăng trưởng Khái niệm cách sử dụng YouTube Mẫu hình VCP bí quyết giao dịch thành công của Mark Minervini Happy Investing Cách tư duy và giao dịch như một nhà vô địch đầu tư chứng khoán Mẫu hình 3C của Minervini Cách chọn ra cổ phiếu dẫn sóng thị trường GSLab Tìm hiểu về mẫu hình 3C của phù thủy Mark Minervini YouTube NKLTsInvesting Góc thảo luận bài viết số 1 Phân Facebook NKLTsInvesting Góc thảo luận bài viết số 1 Phân Facebook Phương Pháp Đầu Tư TREND STOCK Chứng Khoán Căn Bản Phương Pháp Đầu Tư TREND STOCK Chứng Khoán Căn Bản Các mô hình phân tích kỹ thuật chứng khoán thông dụng TBDN Mẫu hình 3C của Minervini Cách chọn ra cổ phiếu dẫn sóng thị trường GSLab Các mô hình phân tích kỹ thuật trọng yếu trong chứng khoán CophieuX 2022 Mẫu hình 3C trong chứng khoán theo Mark Minervini Mẫu hình 3C của Minervini Cách chọn ra cổ phiếu dẫn sóng thị trường GSLab Các mô hình phân tích kỹ thuật chứng khoán thông dụng TBDN Mẫu hình 3C của Minervini Cách chọn ra cổ phiếu dẫn sóng thị trường GSLab Báo chí Singapore với mô hình 3C Báo Sài Gòn Đầu Tư Tài Chính Cách tư duy và giao dịch như một nhà vô địch đầu tư chứng khoán Bài 05 Review các cuốn sách kinh điển về đầu tư 100 videos chứng khoán Hùng Canslim KiemTienOnline360 2022 Mẫu hình 3C trong chứng khoán theo Mark Minervini Mẫu hình 3C của Minervini Cách chọn ra cổ phiếu dẫn sóng thị trường GSLab PHÂN TÍCH KINH DOANH THEO MÔ HÌNH 3C CỦA KENICHI OHMAE Công ty TNHH Tư vấn Quản lý OD Click Mẫu hình 3C ở VIC cổ phiếu dẫn dắt Diễn đàn chứng khoán F319com Start Up Việt MÔ HÌNH 3C TRONG KINH DOANH Đây Facebook Các mô hình phân tích kỹ thuật trọng yếu trong chứng khoán CophieuX Đọc Marketing là gì Mô hình 3C 4P và các thời kỳ marketing cần b Mô hình 3C trong chứng khoán là gì PVS và Mẫu hình 3c Điểm mua mong đợi YouTube Điểm mua sớm Mẫu hình 3C của phù thủy Mark Minervini Chứng Đội lái và một số chiêu thức giao dịch Uptrend Việt Nam Cách tư duy và giao dịch như một nhà vô địch đầu tư chứng khoán Mô hình 3C trong chứng khoán là gì Vừa rồi bạn đã chiêm ngưỡng bộ sưu tập mô hình 3c trong chứng khoán, bạn hãy nhanh tay tải về những hình ảnh ưng ý nhất về mô hình 3c trong chứng khoán. Xem các nội dung khác tại mô hình do website tổng hợp và biên soạn. Nếu bạn thấy bài viết có giá trị với bạn, đừng ngại chia sẻ bài viết để lan tỏa đến cộng đồng nhé!Phân tích 3C trong kinh doanh và mô hình 3C trong marketing rất quan trọng, việc hoạch định chiến lược marketing là một nhiệm vụ quan trọng nhưng cũng rất khó công việc quá nhiều mà đôi khi bạn không biết nên bắt đầu từ đâu. Trong bài viết này Chiasenow sẽ chia sẻ với các bạn cách phân tích 3C và Mô hình 3C với tam giác chiến lược độc đáo là một công cụ tuyệt vời giúp bạn lên chiến lược marketing hoàn hảo cho sự phát triển vượt bậc của doanh cùng Chiasenow tìm hiểu và thay đổi doanh nghiệp của bạn ngay thôi nào. Nếu có thắc mắc nào hãy để lại bình luận cuối bài viết và đừng quên chia sẻ bài viết để lan tỏa giá trị cho cộng đồng nhé!Xác định mục tiêu kinh doanh bằng phân tích 3C và mô hình 3C trong MarketingThời đại bán sản phẩm tốt đã qua, và bây giờ cần phải phân tích môi trường của công ty và môi trường xung quanh công ty trước khi tham gia vào các hoạt động marketing. Khuôn mẫu phân tích 3C trong chiến lược marketing làPhân tích nhu cầu của khách hàngĐiểm mạnh và điểm yếu của công tyĐộng thái của đối thủ cạnh tranh để đưa ra quyết định tối bài viết này, chiasenow sẽ giới thiệu phân tích 3C là gì, mục đích mô hình 3C trong marketing của phân tích 3C và phương pháp phân tích mô hình 3C thực thêm các bài viết về Marketing sau đây để xây dựng mục tiêu Marketing cho chính xác hơnPhân tích 3C là gì? Phân tích 3C là phân tích khách hàng, phân tích công ty và phân tích đối thủ cạnh tranhPhân tích 3C là một phương pháp phân tích mô hình 3C ba chữ C được sử dụng khi quyết định kế hoạch kinh doanh và chiến lược marketing của doanh Khách hàngCompany Công tyCompetitor Đối thủ cạnh tranhKhi quyết định một chiến lược marketing, cần phải xem xét tất cả các đối tượng môi trường bên ngoài không thể kiểm soát được của công ty và môi trường bên trong của công đây rất lâu, Kenichi Ohmae chiến lược gia Nhật Bản, một nhà tư vấn quản lý tại McKinsey, đã đề xuất phân tích 3C trong cuốn sách Tư duy của chiến lược gia The Mind Of The Strategist xuất bản năm 1982 và được biết đến rộng rãi trên toàn thế giới. Trong cùng cuốn sách, ông giải thích cách hình thành chiến lược và tác động của chúng bằng cách phân tích từ ba quan điểm khác nhau của khách hàng, công ty và đối thủ cạnh tranh, đồng thời mô tả mối quan hệ giữa ba quan điểm này là chiến lược tam giác.Trích WikipediaNgày nay, ngoài phân tích 3C, có nhiều biến thể khác nhau như phân tích 4C và phân tích 5C. Nếu bạn quan tâm đến phân tích 4C và 4P trong Marketing mix hãy đọc bài viết sauXác định Mục đích marketing của mô hình 3C bằng phân tích 3CMục đích marketing của phân tích 3C là dẫn đến việc phát hiện ra KSF Key Success Factor - Yếu tố thành công chính từ việc phân tích từng thị trường / khách hàng, công ty và đối thủ cạnh tiêu Marketing có thể được xác định qua phân tích 3c, phân tích PEST và nhiều quy trình Marketing khácBắt nguồn từ KSF sẽ cung cấp cho bạn ý tưởng về nơi bạn nên đến để doanh nghiệp của bạn thành công. Bằng cách so sánh công ty của bạn với các yếu tố bên ngoài, bạn có thể rút ra điểm mạnh và điểm yếu của công ty, để bạn có thể tập trung vào các hoạt động marketing hiệu quả hiểu rằng mục tiêu không chỉ là phân tích, mà là để có được những hiểu biết sâu sắc cho chiến lược marketing của thêm các bài viết về các xác định mục tiêu sau để thiết lập mục tiêu một cách chuẩn xác nhấtPhương pháp phân tích 3C và mô hình 3C trong marketing1. Phân tích 3C và mô hình 3C phân tích khách hàng CustomerDo các hoạt động marketing trong những năm gần đây cần được thực hiện dưới góc độ của khách hàng, nên mục tiêu đầu tiên cần phân tích trong mô hình 3C là khách hàng là chìa khóa của mỗi mô hình kinh doanh. Vì vậy phân tích khách hàng là điều không thể thiếu cho sự phát triển doanh nghiệp của bạnVì chúng ta không thể đánh giá công ty của mình nếu không biết thị trường và khách hàng, trước tiên chúng ta phân tích động cơ và khả năng mua của khách hàng như quy mô thị trường, tiềm năng tăng trưởng và nhu cầu của khách phân tích 3C thực tế, chúng ta thực hiện 2 phân tích mô hình marketing sauPhân tích PEST Phân tích 5F 5 lực lượng cạnh tranhCùng Chiasenow tìm hiểu cụ thể 2 phân tích Marketing này nhé!Phân tích vĩ mô mô hình 3C trên quan điểm khách hàng qua mô hình phân tích PESTPhân tích PEST là phân tích Chính trị kinh tế xã hội. Từ đó xác định được mô hình Marketing phù hợpPhân tích vĩ mô là một phân tích lớn, và phân tích PEST thường được sử dụng như một khuôn là từ viết tắt của bốn môi trường bên ngoài, mỗi môi trường đề cập đến các yếu tố Xu hướng chính trị, bãi bỏ quy định, thuế khóa, sửa đổi luật, biểu tìnhEconomy Xu hướng tiêu dùng và kinh tế, biến động tỷ giá và lãi suất, tốc độ tăng trưởng kinh tếSociety Giảm tỷ lệ sinh, dân số già, đa dạng hóa, Xu hướng, thay đổi trong tiêu dùng định hướngTechnology Đổi mới công nghệ, bằng sáng chế, cơ sở hạ tầng, CNTT, kỷ nguyên thông tinTìm hiểu thêm về Phân tích PEST qua bài viết sau đâyNhững yếu tố bên ngoài này là cơ hội cho công ty và là mối đe dọa cho công ty khác. Tuy nhiên, do yếu tố xã hội nên không thể thay đổi theo ý chủ quan trọng là phải hiểu các yếu tố vĩ mô được phân tích sẽ ảnh hưởng như thế nào đến công ty của bạn và điều chỉnh chiến lược của bạn cho phù hợp với các xu hướng dự kiến ​​trong tương lai và nhu cầu của thời tích vi mô mô hình 3C trên đặc điểm của ngành thông qua phân tích 5F 5 lực lượng tác động five forcesPhân tích 5F 5 lực lượng cạnh tranh trong kinh doanh của PorterPhân tích vi mô, còn được gọi là phân tích nhỏ, phân tích tác động của một ngành cụ thể đối với doanh nghiệp của pháp phân tích 5F 5 lực lượng tác động five forces phân tích năm yếu tố đe dọa sau đây thường được sử đe dọa của những người mớiMối đe dọa thay thếNăng lực thương lượng của người muaQuyền lực thương lượng của người bánCác đối thủ cạnh tranh trong ngànhPhân tích sự cân bằng và mối quan hệ lực lượng giữa các đối thủ cạnh tranh có thể giúp bạn xác định các mối đe dọa xung quanh công ty của bạn và phát triển các chiến lược để tăng lợi thêm bài viết về phân tích 5F 5 lực lượng cạnh tranh sau đây của Chiasenow2. Phân tích 3C và mô hình 3C phân tích đối thủ cạnh tranh CompetitorPhân tích đối thủ cạnh tranh thật chính xác từ đó có thể xác định hướng đi cho doanh nghiệp và công ty của bạnPhân tích 3C trong phân tích đối thủ cạnh tranh là phân tích tình hình cạnh tranh như doanh số, số lượng nhân viên, thị phần, điểm mạnh và điểm yếu của các sản phẩm và dịch vụ cạnh phân tích 3c và mô hình hoạt động kinh doanh của đối thủ cạnh tranh dựa trên hai trục “kết quả” và “yếu tố”Kết quả là kết quả kinh doanh rõ ràng như doanh số bán hàng và tỷ suất lợi nhuận, thị phần và số lượng khách hàng của đối thủ cạnh tranh. Đồng thời, hãy chú ý đến doanh số bán hàng trên mỗi nhân viên và đơn giá trên mỗi khách hàng, cho thấy cách sử dụng tài sản của các đối thủ cạnh tố phân tích nền tảng và hiệu quả của kết quả. Từ nhiều khía cạnh khác nhau như lộ trình bán hàng, hệ thống bán hàng, quy trình sản xuất, phát triển sản phẩm mới, hỗ trợ khách hàng,… chúng ta sẽ làm rõ cơ chế của đối thủ cạnh tranh và tìm kiếm những điểm để tăng doanh số kết quả của một doanh nghiệp cạnh tranh mà bạn muốn tập trung vào phân tích của mình thành công, bạn có thể tiếp tục tìm hiểu phần tốt nhất về cách bạn đang tăng doanh số bán hàng từ kết quả và yếu tố được tiết lộ của đối thủ cạnh tranh. Đây được gọi là điểm chuẩn, hãy kết hợp nó vào mô hình 3C trong marketing của bài viết sau để hiểu rõ quy trình Marketing và cách đưa sản phẩm đến tay khách hàngVí dụAi cũng biết rằng vào những năm 1980, Xerox của Hoa Kỳ đã đo điểm chuẩn cho hoạt động kho bãi của và hoạt động thu tiền hóa đơn của American Express để cải thiện hiệu quả hoạt động và giảm chi vốn mất khả năng cạnh tranh trên thị trường máy photocopy do hết hạn bằng sáng chế và rơi vào tình trạng kinh doanh sa sút nghiêm trọng, không chỉ đạt được kết quả lớn về điểm chuẩn, mà còn góp phần làm tràn lan điểm chuẩn do công bố kết quả …3. Phân tích 3C và mô hình 3C trong phân tích công ty CompanyTrong phân tích của riêng mình, Chiasenow sẽ xây dựng chiến lược quản lý dựa trên quan điểm riêng bằng cách phân tích 3C và mô hình 3C trong tích công ty là điều không thể thiếu trong mỗi doanh nghiệp và bất cứ mô hình Marketing nàoHiểu những thay đổi trên thị trường, khách hàng và cách đối thủ cạnh tranh phản ứng với những thay đổi đó bằng cách so sánh chúng với nhau. Tập trung vào các điểm khác nhau như nguồn lực quản lý, doanh số, thị phần, lợi nhuận, kênh bán hàng, năng lực kỹ thuật và sức mạnh tổ chức, đồng thời xác định điểm mạnh và điểm yếu của công ty bạn và yếu tố thành công Key success factor KSF.Phân tích 3C và mô hình 3c trong phân tích công ty thường được cụ thể hóa bởi phân tích tích SWOT rất hữu ích khi chuẩn bị tham gia vào thị trườngPhân tích SWOT phân tích môi trường bên trong và bên ngoài công ty từ bốn khía cạnhStrength - Điểm mạnhWeakness - Điểm yếuOpportunity - Cơ hộiThreat - Đe doạPhân tích SWOT chéo rất hữu ích để khám phá yếu tố thành công Key success factor KSF. Chúng ta sẽ lấy điểm mạnh và điểm yếu trên trục tung và các cơ hội và mối đe dọa trên trục hoành, và kết hợp chúng vào các chiến lược dựa trên kết quả phân tích mạnh x Cơ hội Cách tối đa hóa cơ hội bằng cách sử dụng điểm mạnhĐiểm mạnh x Đe dọa Cách sử dụng điểm mạnh để đối phó với các mối đe dọa bên ngoàiĐiểm yếu x Cơ hội Cách khắc phục điểm yếu và tận dụng cơ hộiĐiểm yếu x Đe dọa Khắc phục điểm yếuPhân tích mô hình 3C nêu rõ cách đối phó với các mối đe dọa bên ngoài. Đối với cả phân tích SWOT và phân tích SWOT chéo, hãy đảm bảo rằng không có trùng lặp hoặc thiếu sót trong các mục sẽ tích SWOT là một mô hình phân tích tốt nhất để tìm điểm mạnh và điểm yếu của công ty, hãy đọc thêm bài viết sauVí dụ về áp dụng phân tích 3C thành công1. Phân tích mô hình 3C trong Marketing của StarbucksVới hơn 10000 cửa hàng tại Mỹ và hơn 6000 cửa hàng trên toàn thế giới, vị thế hàng đầu của Starbucks trong lĩnh vực cà phê vẫn chưa có dấu hiệu lung nghiên cứu phân tích 3C và áp dụng thành công vào mô hình kinh doanh của mìnhTừ việc phân tích 3C và áp dụng mô hình 3C trong Marketing, thành công của Starbucks đến từ những yếu tố sauCustomer Phân tích khách hàngKhông chỉ là cà phê, Starbucks còn là trải nghiệm. Từ không gian cho tới cách bài trí hay phong cách phục vụ của nhân viên, chiến lược Marketing của Starbucks đều xoay quanh một nhu cầu chưa được giải quyết của người tiêu mong muốn có một không gian tự do, thoải mái để thoát khỏi áp lực văn phòng, nhưng những quán cà phê hiện tại lại không tiện lợi để ngồi lại làm việc trong một khoảng thời gian thế, không có gì lạ Starbucks nhanh chóng trở thành ngôi nhà thứ hai của một bộ phận dân văn phòng đông Phân tích đối thủ cạnh tranhVới sản phẩm chính là cà phê chất lượng cao, mức giá không phải là thấp, rõ ràng rằng chất lượng sản phẩm hay giá cả là chưa đủ để tạo nên lợi thế cạnh tranh giúp Starbucks tiến vậy, Starbucks tập trung tạo nên sự khác biệt đến từ trải nghiệm, cũng như xây dựng một thương hiệu nhất quán mang lại dấu ấn sâu đậm trong lòng người tiêu Phân tích công tySức mạnh tổng hợp từ nhiều ưu điểm đã giúp củng cố vị thế vững chãi của cạnh thế mạnh nổi trội, Starbucks còn sở hữu những ưu điểm khác về chất lượng sản phẩm, chính sách nhân sự & kinh nghiệm hoạt động đa quốc vậy, thông qua phân tích mô hình 3C, có thể thấy được chiến lược marketing tổng quát của Starbucks được thực hiện như sauĐánh vào đối tượng dân văn phòng, mong muốn có một không gian thoải mái để làm việc, gặp gỡ bạn bè, đồng nghiệp, tận hưởng cà phê chất lượng dựng chất lượng dịch vụ bao gồm trải nghiệm và thương hiệu vững mạnh làm lợi thế cạnh tranh, bên cạnh đó vẫn tiếp tục nuôi dưỡng các ưu điểm sẵn có định được phương hướng marketing, đặc biệt là lợi thế cạnh tranh đến từ việc thỏa mãn một nhu cầu cụ thể của khách hàng, doanh nghiệp mới có một nền tảng vững chắc, đảm bảo các hoạt động marketing về sau được thực hiện một cách nhất quán và hiệu luận phân tích 3C và mô hình 3C trong MarketingTrong bài viết này chiasenow đã giới thiệu phân tích 3C là gì, mục đích marketing của phân tích 3C và phương pháp phân tích thực tích 3C có thể phân tích tình hình hiện tại của công ty và bên ngoài xung quanh công ty, và sẽ đóng góp rất nhiều vào các chiến lược trong tương có thể cảm thấy khó khăn khi thực sự động tay động chân, nhưng hãy cố gắng, thử - sai - sửa để tăng lợi nhuận thông qua các hoạt động công ty phù hợp với thời tích 3C là gì?Phân tích 3C là một phương pháp phân tích mô hình 3C ba chữ C được sử dụng khi quyết định kế hoạch kinh doanh và chiến lược marketing của doanh tích 3C bao gồm những yếu tố nào?Phân tích 3C bao gồm 3 yếu tốCustomer Khách hàngCompany Công tyCompetitor Đối thủ cạnh tranhPhân tích 3C thường đi kèm những phân tích nào? Phân tích 3C thường đi kèm phân tích 4C và 4P, phân tích PEST, phân tích 5F, Phân tích SWOT và nhiều phân tích Marketing khácMục đích của phân tích 3C là gì?Mục đích marketing của phân tích 3C là dẫn đến việc phát hiện ra KSF Key Success Factor - Yếu tố thành công chính từ việc phân tích từng khách hàng, công ty và đối thủ cạnh ơn bạn đã xem bài viết tại Chiasenow. Đừng quên để lại bình luận của bạn cho Chiasenow biết ý kiến của bạn nhé! Bạn có thể tìm đọc các bài viết cùng chủ đề tại đâyXem thêm Marketing truyền thống so với Marketing Online Cách tạo bản đồ hành trình khách hàng hiệu quả SEO là gì? Giải thích cặn kẽ những điểm bạn cần biết để thành công 13 cách để biến câu nói “một ngày nào đó” thành hiện thực So sánh và Nghiên cứu mô hình hóa biến động của thị trường chứng khoán Việt Nam dựa trên dữ liệu chuỗi thời gian là giá đóng cửa hàng ngày của chỉ số VN-Index trong giai đoạn 2005 - 2016. Các phân tích được thực hiện bằng mô hình GARCH cân xứng và bất cân xứng. Theo tiêu chí AIC và SIC, nghiên cứu chứng minh rằng GARCH 1,1 và EGARCH 1,1 được đánh giá là mô hình thích hợp nhất để đo lường các dao động đối xứng và bất đối xứng của VN-Index. Nghiên cứu cung cấp bằng chứng cho sự tồn tại của các hiệu ứng bất cân xứng đòn bẩy bởi các tham số của mô hình EGARCH 1,1 cho thấy các cú sốc tiêu cực có ảnh hưởng đáng kể đến phương sai có điều kiện biến động, tuy nhiên ở mô hình TGARCH 1,1 thì kết quả không như kỳ vọng. Nghiên cứu cũng cung cấp cho nhà đầu tư một công cụ để dự báo tỷ suất lợi tức của thị trường chứng khoán. Đồng thời, kết quả nghiên cứu sẽ giúp nhà đầu tư nhận định được mức lợi nhuận và sự biến động của thị trường để từ đó đưa ra quyết định đúng đắn trong việc nắm giữ các chứng khoán. Discover the world's research25+ million members160+ million publication billion citationsJoin for free Tạp chí Khoa học ĐHQGHN Kinh tế và Kinh doanh, Tập 33, Số 3 2017 1-11 !Mô hình hóa biến động thị trường chứng khoán Thực nghiệm từ Việt Nam Hồ Thủy Tiên, Hồ Thu Hoài, Ngô Văn Toàn* Trường Đại học Tài chính Marketing, 2/4 Trần Xuân Soạn, Tân Hưng, Quận 7, Thành phố Hồ Chí Minh, Việt Nam Nhận ngày 16 tháng 8 năm 2017 Chỉnh sửa ngày 09 tháng 9 năm 2017; Chấp nhận đăng ngày 10 tháng 10 năm 2017 Tóm tắt Nghiên cứu mô hình hóa biến động của thị trường chứng khoán Việt Nam dựa trên dữ liệu chuỗi thời gian là giá đóng cửa hàng ngày của chỉ số VN-Index trong giai đoạn 2005 - 2016. Các phân tích được thực hiện bằng mô hình GARCH cân xứng và bất cân xứng. Theo tiêu chí AIC và SIC, nghiên cứu chứng minh rằng GARCH 1,1 và EGARCH 1,1 được đánh giá là mô hình thích hợp nhất để đo lường các dao động đối xứng và bất đối xứng của VN-Index. Nghiên cứu cung cấp bằng chứng cho sự tồn tại của các hiệu ứng bất cân xứng đòn bẩy bởi các tham số của mô hình EGARCH 1,1 cho thấy các cú sốc tiêu cực có ảnh hưởng đáng kể đến phương sai có điều kiện biến động, tuy nhiên ở mô hình TGARCH 1,1 thì kết quả không như kỳ vọng. Nghiên cứu cũng cung cấp cho nhà đầu tư một công cụ để dự báo tỷ suất lợi tức của thị trường chứng khoán. Đồng thời, kết quả nghiên cứu sẽ giúp nhà đầu tư nhận định được mức lợi nhuận và sự biến động của thị trường để từ đó đưa ra quyết định đúng đắn trong việc nắm giữ các chứng khoán. Từ khóa Biến động bất đối xứng, biến động điều kiện, các mô hình GARCH, hiệu ứng đòn bẩy. 1. Giới thiệu∗Biến động được hiểu là sự không chắc chắn của những thay đổi trong giá của chứng khoán xung quanh giá trị trung bình. Biến động cao có nghĩa là giá chứng khoán trong giai đoạn đó có độ lệch lớn so với giá trị trung bình, còn biến động thấp tức là giá chứng khoán có sự thay đổi không đáng kể so với giá trị trung bình. Trong vài năm qua, mô hình biến động của chuỗi dữ liệu theo thời gian đã trở thành một lĩnh vực quan trọng và nhận được nhiều chú ý của các học giả và nhà nghiên cứu. Các chuỗi dữ liệu _______ * Tác giả liên hệ. ĐT. 84-972088942. Email ngovantoan2425 thời gian được cho là phụ thuộc vào giá trị quá khứ của chính nó autoregressive, điều kiện của các thông tin trong quá khứ conditional và tồn tại phương sai thay đổi heteroskedastic. Các nghiên cứu cho rằng những biến động của thị trường chứng khoán thay đổi theo thời gian và biến động theo cụm, trong đó một chuỗi thời gian với một số thời kỳ biến động thấp và một số thời kỳ biến động cao được cho là tồn tại biến động theo cụm volatility clustering. Phương sai hoặc độ lệch chuẩn thường được sử dụng làm thước đo rủi ro trong quản trị rủi ro. Engle 1982 giới thiệu mô hình tự hồi quy phương sai có điều kiện không đồng nhất ARCH là mô hình có thể áp dụng cho chuỗi dữ liệu theo thời gian trong tài chính và cho thấy sự thay đổi theo thời gian của phương sai Tiên và nnk. / Tạp chí Khoa học ĐHQGHN Kinh tế và Kinh doanh, Tập 33, Số 3 2017 1-11 !có điều kiện [1]. Mô hình tự hồi quy phương sai không đồng nhất tổng quát GARCH được mở rộng bởi Bollerslev 1986 là một mô hình phổ biến nhằm ước lượng biến động ngẫu nhiên [2]. Mô hình này được sử dụng rộng rãi trong các ngành kinh tế khác nhau, đặc biệt là trong phân tích chuỗi thời gian tài chính. Bên cạnh đó, với việc giới thiệu các mô hình ARCH và GARCH, một số lượng các ứng dụng thực nghiệm trong chuỗi thời gian tài chính đã ra đời. Tuy nhiên, mô hình GARCH không thể giải thích hiệu ứng đòn bẩy, làm thế nào để đo lường biến động theo cụm và phân phối với độ nhọn vượt chuẩn leptokurtosis của chuỗi thời gian, điều này đòi hỏi phải phát triển các mô hình khác và mở rộng hơn GARCH nhằm tạo lập các mô hình mới như GARCH-M, EGARCH, TGARCH. Mô hình GARCH-M GARCH-in-mean, một trong những biến thể theo mô hình GARCH, được sử dụng để xác định các mối quan hệ lợi nhuận và rủi ro [3]. Nelson 1991 đề xuất mô hình EGARCH Exponential GARCH, trong đó phương trình logarit của các biến động có điều kiện được sử dụng để mô tả các ảnh hưởng bất cân xứng [4]. Sau đó, một số chi tiết khác biệt giữa các mô hình đã được phát triển và mở rộng. Một trong số đó là mô hình TGARCH Threshold GARCH [5], được sử dụng để xác định mối quan hệ giữa biến động bất cân xứng và tỷ suất lợi nhuận. Nghiên cứu của Glosten, Jagannathan và Runkle 1993 sử dụng mô hình GJR Glosten Jagannathan Runkle trên nền tảng mô hình GARCH [6]. Schwert 1989 giới thiệu mô hình GARCH, theo đó độ biến động được mô hình hóa [7]. Mô hình này, cùng với một số mô hình khác cũng được khái quát với các đặc điểm của ARCH Autoregressive Conditional Heteroscedasticity [8]. Như vậy, các mô hình GARCH được thiết kế để mô hình hóa một cách rõ ràng và dự báo phương sai có điều kiện thay đổi theo thời gian của chuỗi dữ liệu theo thời gian. Do đó, nghiên cứu này nhằm mục đích mô hình hóa các biến động của thị trường chứng khoán Việt Nam bằng việc sử dụng các mô hình GARCH khác nhau và cung cấp bằng chứng thực nghiệm về sự phù hợp của mô hình GARCH với thị trường chứng khoán Việt Nam. 2. Các nghiên cứu trước có liên quan Nhiều nghiên cứu đã bàn về tính hiệu quả của các mô hình GARCH trong việc giải thích tính dễ biến động của thị trường chứng khoán [9-14]. Bên cạnh đó, một vài nghiên cứu cũng đã được thực hiện trên thị trường Ai Cập, nghiên đã kiểm tra sự biến động tỷ suất lợi nhuận bằng cách sử dụng chỉ số chứng khoán Khartoum Stock Khartoum KSE và Cairo & Alexandria Stock Exchange CASE, từ đó cho thấy mô hình GARCH-M với phương sai có điều kiện với ý nghĩa thống kê cho cả hai thị trường này đồng thời tồn tại hiệu ứng đòn bẩy trong tỷ suất lợi nhuận của KSE và kỳ vọng thuận chiều ở CASE. Floros 2008 nghiên cứu độ biến động sử dụng dữ liệu hàng ngày từ chỉ số chứng khoán Middle East và Egyptian CMA và Israeli TASE-100, trong đó sử dụng GARCH, EGARCH, TGARCH, CGARCH C0mponent GARCH, AGARCH Asymmetric Component GARCH và PGARCH Power GARCH [15]. Nghiên cứu cho thấy hệ số mô hình EGARCH có tác động âm và có ý nghĩa với các chỉ số này, đồng thời tồn tại hiệu ứng đòn bẩy. Mô hình AGARCH cho thấy đòn bẩy tạm thời yếu trong phương sai có điều kiện và nghiên cứu này cũng cho thấy sự gia tăng rủi ro sẽ không nhất thiết dẫn tới sự gia tăng tỷ suất lợi nhuận. AbdElaal 2011 nghiên cứu tỷ suất lợi nhuận của chỉ số thị trường chứng khoán Ai Cập giai đoạn 1998-2009 và nhận thấy mô hình EGARCH là mô hình tốt trong tất cả các mô hình dùng để đo lường độ dao động [16]. Trong khi đó, GC 2009 sau khi thực hiện nghiên cứu ở thị trường chứng khoán Nepalese đã tìm thấy bằng chứng về sự bất đối xứng của phương sai có điều kiện đối với tỷ suất lợi tức bởi GARCH 1,1 và GARCH 1,1 là mô hình thích hợp để dự báo [17]. Karmakar 2005 ước tính mô hình biến động nhằm nắm bắt các tính năng của biến Tiên và nnk. / Tạp chí Khoa học ĐHQGHN Kinh tế và Kinh doanh, Tập 33, Số 3 2017 1-11 động thị trường chứng khoán ở Ấn Độ [18a]. Nghiên cứu cũng điều tra sự hiện diện của hiệu ứng đòn bẩy trên thị trường chứng khoán Ấn Độ và chứng minh rằng mô hình GARCH1,1 cung cấp dự báo biến động thị trường khá tốt. Trong khi đó, nghiên cứu của Karmakar 2007 cho thấy phương sai có điều kiện không đối xứng trong giai đoạn nghiên cứu và mô hình EGARCH-M được cho là mô hình thể hiện đầy đủ mối quan hệ thuận chiều giữa rủi ro và lợi nhuận [18b]. Goudarzi và Ramanarayanan 2010 nghiên cứu sự biến động của thị trường chứng khoán Ấn Độ Bombay Stock Exchange, trong đó sử dụng chỉ số S&P BSE 500 làm đại diện trong 10 năm [19a]. Dữ liệu bao gồm quan sát giá đóng cửa theo ngày của chỉ số BSE500 từ 26/7/2000 đến 20/01/2009, được lấy từ Sở Giao dịch Chứng khoán Bangalore. Mô hình ARCH và GARCH được ước tính là hai mô hình tốt nhất, được lựa chọn bằng cách sử dụng AIC akaike information criterion và SIC schwarz information criterion. Nghiên cứu cho rằng GARCH 1,1 là mô hình thích hợp nhất để giải thích biến động theo cụm và có ý nghĩa cho chuỗi dữ liệu ở giai đoạn nghiên cứu. Hơn nữa, theo nghiên cứu của Goudarzi và Ramanarayanan 2011, từ kết quả khảo sát sự biến động của chỉ số chứng khoán S&P BSE 500 và hai mô hình phi tuyến tính bất đối xứng EGARCH 1,1 và TGARCH 1,1 cho thấy TGARCH 1,1 là mô hình tốt nhất theo AIC, SIC và tiêu chuẩn giá trị hợp lý cực đại Log likelihood [19b]. Singh và Tripathi 2016 nghiên cứu giá chứng khoán Ấn Độ nhằm xem xét liệu biến động là bất đối xứng hay không thông qua sử dụng tỷ suất lợi nhuận hàng ngày giai đoạn 2000-2010 [20]. Nghiên cứu cho thấy mô hình GARCH và PGARCH là hai mô hình tốt nhất để đo lường đối xứng và hiệu ứng bất đối xứng tương ứng. Kulshreshtha và Mittal 2015 sử dụng 8 mô hình khác nhau để dự báo biến động trên các thị trường chứng khoán Ấn Độ và nước ngoài [21]. Chỉ số NSE National Stock Exchange và BSE Bombay Stock Exchange được coi như là đại diện cho thị trường chứng khoán Ấn Độ và các dữ liệu tỷ giá hối đoái cho đồng Rupee Ấn Độ và ngoại tệ trong giai đoạn 2000-2013. Số liệu thống kê dự báo nghiên cứu cho thấy rằng hai mô hình TARCH và PARCH phù hợp với việc đánh giá thị trường chứng khoán thông qua dự báo biến động các chỉ số BSE và NSE và các mô hình ARMA 1,1, ARCH 5, EGARCH phù hợp hơn với thị trường ngoại hối. Ở Việt Nam, các tác giả như Võ Thị Thúy Anh và Nguyễn Anh Tùng 2010, Đặng Hữu Mẫn và Hoàng Dương Việt Anh 2013, Bùi Hữu Phước, Phạm Thị Thu Hồng và Ngô Văn Toàn 2016 cũng tiến hành nghiên cứu về mô hình giá trị chịu rủi ro VaR - Value at Risk kết hợp sử dụng mô hình ARCH và GARCH để ước tính tham số phương sai độ lệch chuẩn [22-24]. Kết quả cho thấy việc ước tính khá chính xác và các tác giả cũng khẳng định mô hình GARCH là mô hình hữu ích trong việc quản trị rủi ro. Các nghiên cứu còn cho thấy thị trường chứng khoán có những giai đoạn dao động bất thường khiến hoạt động đầu tư gặp rủi ro, đồng thời cung cấp một phương pháp xác định độ dao động giá cổ phiếu để từ đó đưa ra các quyết định phù hợp. Mặc dù nhiều nghiên cứu được thực hiện dựa trên mô hình biến động của thị trường chứng khoán phát triển song chỉ có một vài nghiên cứu được thực hiện trong bối cảnh Việt Nam. Các nghiên cứu này đã được thực hiện dựa trên mô hình biến động thị trường chứng khoán của thị trường Việt Nam, nhưng chủ yếu giới hạn chỉ có mô hình đối xứng của chỉ số thị trường chứng khoán. Hầu hết các nghiên cứu về biến động mô hình phát hiện ra rằng GARCH 1,1 là mô hình tốt nhất trong việc nắm bắt hiệu ứng đối xứng và hiệu ứng đòn bẩy. Các nghiên cứu trước đây cho thấy mô hình EGARCH-M và TGARCH cũng là những mô hình thích hợp. Do đó, nghiên cứu này sử dụng các mô hình GARCH cả trong ảnh hưởng cân xứng và ảnh hưởng bất cân xứng nhằm ước tính biến động của chỉ số VN-Index. Tiên và nnk. / Tạp chí Khoa học ĐHQGHN Kinh tế và Kinh doanh, Tập 33, Số 3 2017 1-11 !3. Phương pháp nghiên cứu Nghiên cứu sử dụng các mô hình GARCH thích hợp nhằm ước lượng biến động thị trường dựa trên chỉ số VN-Index. Đầu tiên, để đạt mục đích này, nghiên cứu sử dụng các mô hình biến động cân xứng và bất cân xứng cho thị trường Việt Nam. Thứ hai, nghiên cứu xác định sự hiện diện của hiệu ứng đòn bẩy trong chuỗi tỷ suất lợi nhuận hàng ngày của cú sốc thị trường bằng cách sử dụng mô hình bất đối xứng. Cuối cùng, nghiên cứu tiến hành phân tích sự thích hợp và tầm quan trọng của các mô hình GARCH trong chuỗi tỷ suất lợi nhuận của VN-Index. Dữ liệu nghiên cứu Nghiên cứu dựa trên các dữ liệu thứ cấp được thu thập từ thị trường chứng khoán Việt Nam, chỉ số VN-Index được sử dụng để đại diện cho thị trường chứng khoán. Giá đóng cửa hàng ngày của chỉ số VN-Index trong giai đoạn 2005-2016 được thu thập và sử dụng để phân tích, tương ứng với quan sát. Mô hình nghiên cứu Việc kiểm tra tính dừng của dữ liệu là cần thiết và được thực hiện bằng các kiểm định Augmented Dickey-Fuller ADF và kiểm định Philips-Perron PP [25, 26]. Kiểm định phương sai không đồng nhất của phần dư chuỗi tỷ suất lợi nhuận được thực hiện bằng kiểm định LM LagrangeMultiplier Test cho ARCH [1]. Kiểm định phương sai không đồng nhất được tiến hành trên phần dư trước khi áp dụng phương pháp GARCH. Các mô hình GARCH được áp dụng và phân tích bằng phần mềm Stata Biến động được ước tính dựa trên tỷ suất lợi nhuận theo ngày của VN-Index. Tỷ suất lợi nhuận chỉ số VN-Index được tính như saulà logatit tự nhiên tỷ suất lợi nhuận hàng ngày của VN-Index tại thời điểm t, là giá đóng cửa tại thời điểm t, tương ứng với giá đóng cửa ở thời điểm t-1. Phân phối chuỗi tỷ suất lợi nhuận hàng ngày của chỉ số thị trường VN-Index trong thời gian nghiên cứu được mô tả bằng các đại lượng thống kê như trung bình, độ lệch chuẩn, độ lệch, độ nhọn và Jarque-Bera. Mô hình GARCH là phương pháp chủ yếu được áp dụng trong nghiên cứu này. Cụ thể, nhóm tác giả sử dụng các mô hình GARCH 1,1 và GARCH-M 1,1 nhằm đo lường dao động có điều kiện và sử dụng các mô hình EGARCH 1,1 và TGARCH 1,1 nhằm đo lượng các dao động không cân xứng. Mô hình GARCH và GARCH-M Các mô hình GARCH [2] cho phép phương sai có điều kiện phụ thuộc vào độ trễ của chính nó, phù hợp với phương trình phương sai có điều kiện như sau Phương trình trung bình 22211 1 1tttαε β−−=+ +là tỷ suất lợi nhuận của tài sản tại thời điểm t, là tỷ suất lợi nhuận bình quân và là phần dư của tỷ suất lợi nhuận. Độ lớn của các tham số quyết định tác động ngắn hạn của dao động chuỗi thời gian. Nếu tổng của hệ số hồi quy bằng một, cú sốc sẽ có tác động đến sự biến động của VN-Index trong dài hạn. Đó là cú sốc với phương sai có điều kiện là lâu dài. Trong mô hình GARCH, phương sai có điều kiện tham gia trực tiếp vào phương trình trung bình, điều này được biết đến như là mô hình GARCH-M. Tỷ suất lợi nhuận của chứng khoán có thể phụ thuộc vào biến động của nó và đơn giản nhất là mô hình GARCH-M 1,1 có thể viết như sau Phương trình trung bình Tiên và nnk. / Tạp chí Khoa học ĐHQGHN Kinh tế và Kinh doanh, Tập 33, Số 3 2017 1-11 trong phương trình trung bình được gọi là phần bù cho rủi ro. Một λ dương chỉ ra rằng tỷ suất lợi nhuận có liên quan đến sự biến động giá, nghĩa là xảy ra trong tỷ suất lợi nhuận trung bình là do sự gia tăng phương sai điều kiện đại diện của sự tăng thêm rủi ro. Mô hình EGARCH và TGARCH Hạn chế của GARCH là phương sai có điều kiện không thực hiện phản ứng bất cân xứng khi có cú sốc xảy ra. Do đó, các mô hình cho vấn đề này được gọi là mô hình bất đối xứng EGARCH và TGARCH, sử dụng nhằm mô tả các hiện tượng bất cân xứng. Để nghiên cứu mối quan hệ giữa biến động bất cân xứng và tỷ suất lợi nhuận, các mô hình EGARCH 1,1 và TGARCH 1,1 được sử dụng vào nghiên cứu này. Mô hình EGARCH dựa trên biểu thức logarit của phương sai có điều kiện. Đây là mô hình phù hợp được sử dụng để kiểm định hiệu ứng đòn bẩy Nekson, 1991 được viết như sau 221111111ln ln 2ttttttεεπβ α γ−−−−−⎧⎫⎪⎪=+ + − −⎨⎬⎪⎪⎩⎭là log của phương sai có điều kiện. Hệ số được biết đến như là tính không cân xứng hay thành phần đòn bẩy. Sự xuất hiện của hiệu ứng đòn bẩy có thể được kiểm định bởi giả thuyết. Tác động là đối xứng nếu . Một cách khái quát, mô hình TGARCH cho phương sai có điều kiện Zakoian, 1994 được viết như sau 222211 11 1 1tttttdαε γε β−−− −=+ + +là biến giả, nhận giá trị như sau 1111_ _ 00_ _ 0tttifdifεε−−−<⎧=⎨≥⎩thể hiện tính bất đối xứng hoặc hiệu ứng đòn bẩy. Khi , mô hình TGARCH chuyển về mô hình GARCH chuẩn. Mặt khác, khi cú sốc dương có thể là tin tức tốt và cú sốc là âm có thể là tin tức xấu, tác động lên biến động như sau Khi cú sốc dương tác động lên biến động là , nhưng khi cú sốc âm thì tác động lên biến động là có ý nghĩa thống kê và dương, cú sốc âm có tác động mạnh đến hơn là cú sốc dương. Tuy nhiên, các mô hình GARCH cho ta thấy mức độ dao động của tỷ suất sinh lời của thị trường chứng khoán Việt Nam qua từng ngày, mặc dù có tồn tại bất cân xứng thông tin tin xấu, tin tốt trên thị trường. Hạn chế khi dùng các mô hình GARCH là không thể biết trước các yếu tác động đến thị trường. 4. Kết quả nghiên cứu Thống kê mô tả tỷ suất lợi nhuận của chỉ số VN-Index được tổng hợp trong Bảng 1. Giá trị trung bình là dương, điều này cho thấy rằng giá tăng trong khoảng thời gian quan sát. Hệ số độ nhọn lớn hơn 3, điều này ngụ ý chuỗi tỷ suất lợi nhuận có đuôi dài và dày fat tailed và không tuân theo quy luật phân phối chuẩn. Kiểm định Jarque-Bera được cho là có ý nghĩa thống kê ở mức 1%, điều này có nghĩa là giả thuyết phân phối chuẩn đã bị bác bỏ. Bảng 1. Thống kê mô tả của tỷ suất lợi nhuận theo ngày Nguồn Kết quả thống kê mô tả của tác giả. Tiên và nnk. / Tạp chí Khoa học ĐHQGHN Kinh tế và Kinh doanh, Tập 33, Số 3 2017 1-11 !Kiểm định tính dừng của chuỗi, giá đóng cửa của chỉ số VN-Index đã được chuyển thành chuỗi log tỷ suất lợi nhuận hàng ngày. Hình 1 cho thấy biến động cụm của chuỗi tỷ suất lợi nhuận VN-Index trong khoảng thời gian nghiên cứu 2005-2016. Từ Hình 1 có thể thấy khoảng thời gian biến động cao thấp có xu hướng nối tiếp nhau, có nghĩa là các biến động cụm volatility clustering và các tỷ suất lợi nhuận dao động xung quanh giá trị trung bình không đổi nhưng phương sai thay đổi theo thời gian. Bảng 2 cho kết quả kiểm tra tính dừng bằng việc sử dụng kiểm định ADF, PP và kiểm định phương sai không đồng nhất sử dụng ARCH-LM. Giá trị p-value của ADF và PP nhỏ hơn 0,05. Bên cạnh đó, kết quả của hai kiểm định ADF và PP đã bác bỏ giả thuyết ở mức 1% với giá trị tới hạn critical value -3,43, kết quả này có thể kết luận chuỗi dữ liệu thời gian tham gia vào nghiên cứu này là có tính dừng. Kiểm định hiệu ứng ARCH ARCH-LM test có ý nghĩa thống kê cao nên được áp dụng nhằm thể hiện hiệu ứng ARCH của phần dư chuỗi tỷ suất lợi nhuận. Vì p-value < 0,05, giả thuyết H0 là không có hiệu ứng ARCH bị bác bỏ ở mức ý nghĩa 1%. Điều này có nghĩa là hiệu ứng ARCH có trog phần dư của mô hình chuỗi thời gian và kết quả này khuyến nghị rằng các mô hình GARCH được dùng ước tính là phù hợp. Sau khi biến động cụm đã được xác định với chuỗi dữ liệu và chuỗi thời gian có tính dừng sử dụng kiểm định ADF và PP, kiểm định hiệu ứng phương sai không đồng nhất sử dụng ARCH-LM. Nghiên cứu này tập trung xác định mô hình GARCH tốt nhất cho chuỗi dữ liệu thời gian. Vì vậy, mô hình GARCH được sử dụng để đo lường biến động của chuỗi tỷ suất lợi nhuận trên thị trường chứng khoán Việt Nam. Kết quả ước tính mô hình GARCH 1,1 và GARCH-M 1,1 được trình bày ở Bảng 3, các tham số mô hình GARCH có ý nghĩa thống kê. Trong đó, các hệ số hồi quy như có ý nghĩa thống kê ở mức 1%. Trong phương trình phương sai có điều kiện, kết quả ước tính hệ số lớn hơn nhiều so với hệ số , điều này một lần nữa cho thấy cú sốc khi xảy ra có ảnh hưởng lâu dài đến sự biến động của VN-Index, tức là 14,5% mức độ biến động của thay đổi chỉ số chứng khoán ở thời điểm t+1 bất kỳ được giải thích bởi sự thay đổi chỉ số chứng khoán ở thời điểm t. Kết quả này còn cho thấy biến động của VN-Index chịu tác động của những biến động trong quá khứ nhiều hơn là những biến động trong tương lai. Độ lớn của tham số quyết định độ dao động trong chuỗi dữ liệu. Tổng của hệ số này là 1,0014, điều này cho thấy rằng cú sốc sẽ vẫn tồn tại đến nhiều kỳ trong tương lai. Vì tham số lợi nhuận và rủi ro có quan hệ dương và có ý nghĩa ở mức 1%, cho thấy có mối quan hệ thuận chiều giữa rủi ro và lợi nhuận. 200 400 600 800 1000 1200vn_index01000 2000 3000Trading .1revn_index01000 2000 3000Trading Day!Hình 1. Biến động cụm của tỷ suất lợi nhuận hàng ngày của VN-Index Nguồn Kết quả phân tích số liệu của tác giả. Tiên và nnk. / Tạp chí Khoa học ĐHQGHN Kinh tế và Kinh doanh, Tập 33, Số 3 2017 1-11 Bảng 2. Kết quả kiểm định tính dừng và hiệu ứng ARCH của phần dư Nguồn Kết quả phân tích số liệu của tác giả. Mô hình GARCH-M 1,1 được ước tính bởi phương trình trung bình của tỷ suất lợi nhuận phụ thuộc vào phương trình phương sai có điều kiện. Hằng số của phương trình trung bình có ý nghĩa ở mức 1%, cho biết có tỷ suất lợi nhuận bất thường trong thị trường. Từ Bảng 3, có thể suy luận rằng hệ số của phương sai có điều kiện trong phương trình trung bình cho giá trị dương, tuy nhiên nó không có ý nghĩa thống kê. Điều này ngụ ý rằng không có bằng chứng tác động của biến động đến tỷ suất lợi nhuận kỳ vọng, tức là không có sự đánh đổi giữa lợi nhuận và rủi ro qua thời gian. Trong phương trình phương sai của GARCH-M 1,1, các tham số như có ý nghĩa thống kê ở mức 1%. Tổng của là 1, 0012, điều này có thể dẫn đến suy luận rằng cú sốc tồn tại trong thời gian tới. Bảng 3. Kết quả ước tính của mô hình GARCH 1,1 và GARCH-M 1,1 * p < 0,05; ** p < 0,01; *** p < 0,001 Nguồn Kết quả phân tích số liệu của tác giả Tiếp theo là kết quả của mô hình EGARCH 1,1 và TGARCH 1,1 nhằm kiểm tra tính bất đối xứng của chuỗi dữ liệu. Tham số cho thấy hiệu ứng bất đối xứng ở hai mô hình EGARCH 1,1 và TGARCH 1,1. Bảng 4 cho thấy hệ số ARCH lớn hơn 1, chứng tỏ phương sai có điều kiện là dễ dao động; các hệ số đều có ý nghĩa thống kê ở mức 1%. là hệ số đòn bẩy có giá trị âm và có ý nghĩa thống kê ở mức 1%, điều này cho thấy sự tồn tại của hiệu ứng đòn bẩy trong tỷ suất lợi nhuận trong thời gian nghiên cứu. Phân tích này cho thấy có tương quan âm giữa tỷ suất lợi nhuận quá khứ và tỷ suất lợi nhuận tương lai. Nghĩa là, mô hình EGARCH 1,1 cho thấy có hiệu ứng đòn bẩy trên chuỗi VN-Index. Bảng 4 còn thể hiện kết quả kiểm định của mô hình TGARCH 1,1. Hệ số hiệu ứng đòn bẩy là âm và có ý nghĩa thống kê ở mức 1%, điều này ngụ ý rằng cú sốc dương hay tin tốt có hiệu ứng tốt hơn trên phương trình phương sai so với cú sốc âm hay tin xấu. Nói Tiên và nnk. / Tạp chí Khoa học ĐHQGHN Kinh tế và Kinh doanh, Tập 33, Số 3 2017 1-11 !cách khác, đây không phải là những gì chúng ta mong đợi để tìm ra lời giải thích có hiệu ứng đòn bẩy nếu chúng ta mô hình hóa biến động tỷ suất lợi nhuận chứng khoán. Như vậy, mô hình TGARCH 1,1 không phù hợp để đo lường biến động ở thị trường chứng khoán Việt Nam. Bảng 4. Kết quả ước tính mô hình EARCH 1,1 và TARCH 1,1 Nguồn Kết quả phân tích số liệu của tác giả. 5. Thảo luận kết quả nghiên cứu Trong mô hình GARCH,1,1, tổng của hệ số là 1,0014, điều này ngụ ý rằng biến động của VN-Index mang tính dai dẳng và lâu dài. Trong khi đó, với mô hình GARCH-M 1,1, hệ số của phương sai có điều kiện hay phần bù rủi ro trong phương trình trung bình là dương, tuy nhiên không có ý nghĩa thống kê, điều này ngụ ý rủi ro thị trường cao hơn có được từ phương trình phương sai có điều kiện sẽ không nhất thiết dẫn đến tỷ suất lợi nhuận cao hơn, hay nói cách khác là không có sự đánh đổi giữa lợi nhuận và rủi ro. Hiệu ứng bất đối xứng được mô tả bởi tham số trong mô hình EGARCH là âm và có ý nghĩa thống kê ở mức 0,1% cho thấy có hiệu ứng đòn bẩy, điều này hàm ý rằng cú sốc dương chỉ ảnh hưởng lên phương sai có điều kiện khi được so sánh với cú sốc âm. Điều này cho thấy, các cú sốc tăng hay giảm chỉ số chứng khoán đột ngột có ảnh hưởng đến mức độ biến động của chỉ số chứng khoán ở thời điểm t+1, tuy nhiên, ảnh hưởng này là nhỏ, chỉ 4,58%. Trong khi đó, hiệu ứng bất cân xứng được mô tả bởi hệ số của hiệu ứng đòn bẩy của mô hình TGARCH 1,1 là âm và có ý nghĩa thống kê ở mức 1%, điều này cho thấy không có hiệu ứng đòn bẩy trong thời gian thực hiện nghiên cứu. Mô hình lựa chọn cân xứng và bất cân xứng nếu dựa trên tiêu chí giá trị AIC và SIC thì sẽ chọn giá trị nhỏ nhất, nếu dựa trên giá trị hợp lý cực đại thì sẽ chọn giá trị lớn nhất. Như vậy, giữa mô hình GARCH và GARCH-M, thì GARCH là mô hình tốt nhất. Trong khi đó, đối với mô hình EGARCH và TGARCH, thì EGARCH là mô hình tốt nhất. Theo đánh giá thì trường chứng khoán Việt Nam còn nhiều khó khăn, nhưng những kết quả đạt được là tích cực, trở thành thị trường chứng khoán đứng trong 5 nước có mức tăng trưởng lớn. Theo đó chỉ số VN-Index tăng 15% trong năm 2016, vốn hóa thị trường đạt nghìn tỷ đồng, chiếm 46% GDP, tăng 40%; thanh khoản cải thiện mạnh, quy mô giao dịch bình quân đạt tỷ đồng/phiên, tăng 39% cuối năm 2015. Chuỗi tỷ suất sinh lời theo ngày của VN-Index có biến động mạnh, cho thấy tính chất đánh đổi giữa lợi nhuận và rủi ro. Nghĩa là lợi nhuận tăng thì đồng nghĩa với rủi ro cũng tăng theo. Áp dụng mô hình GARCH1,1 cho thấy tỷ suất sinh lời trong quá khứ có vai trò quyết định lợi suất hiện tại. Biến động của Akaike Info. criterion AIC Schwarz Info. criterion SIC * p < 0,05; ** p < 0,01; *** p < 0,001 Tiên và nnk. / Tạp chí Khoa học ĐHQGHN Kinh tế và Kinh doanh, Tập 33, Số 3 2017 1-11 Vn-Index sẽ tồn tại lâu dài. Biến động trong quá khứ sẽ ảnh hưởng đến biến động trong hiện tại. Quy mô thị trường chứng khoán ngày càng được mở rộng, trong năm 2016 có 695 cổ phiếu và chứng chỉ quỹ niêm yết trên hai sàn, 377 cổ phiếu đăng ký giao dịch trên bảng giá trực tuyến UPCOM, nâng tổng giá trị niêm yết trên toàn thị trường lên 712 nghìn tỷ đồng, tăng 22% so với cùng kỳ năm trước. Như vậy, khi quy mô thị trường tăng có nghĩa là có nhiều công ty ngành nghề khác nhau tham gia vào thì sẽ chịu ảnh hưởng của các thông tin đến từ các các công ty khác nhau nhiều hơn. Các thông tin đó có thể tin tốt hoặc xấu, tác động lên thị trường. Mô hình EGARCH1,1 cho thấy biến động đột ngột của tỷ suất sinh lời trong quá khứ ảnh hưởng đến hiện tại. Có nghĩa là ảnh hưởng các cú sóc có ảnh hưởng đến phương sai có điều kiện. 6. Kết luận Nghiên cứu này sử dụng mô hình cân xứng và bất cân xứng GARCH để đo lường dao động của chuỗi tỷ suất lợi nhuận của VN-Index. Dữ liệu là giá đóng cửa hàng ngày của VN-Index trong giai đoạn 2005-2016, được sử dụng cho các mô hình GARCH khác nhau. Thống kê mô tả cho thấy có biến động cụm và hiệu ứng đòn bẩy trong khoảng thời gian nghiên cứu. Các kiểm định về tính dừng, biến động cụm và hiệu ứng ARCH đã được kiểm tra nhằm đảm bảo điều kiện áp dụng cho các mô hình GARCH. Kết quả nghiên cứu cho thấy, dấu của hai mô hình EGARCH và TGARCH âm và có ý nghĩa thống kê phù hợp như kỳ vọng. Cuối cùng, nghiên cứu xác định mô hình tốt nhất trong các mô hình GARCH, các tiêu chí AIC và SIC được sử dụng để chọn mô hình GARCH 1,1 là mô hình hiệu ứng đối xứng tốt nhất AIC và SIC nhỏ nhất. Trong khi đó, mô hình EGARCH 1,1 được đánh giá là mô hình tốt nhất trong việc mô tả hiệu ứng bất đối xứng dựa trên tiêu chí giá trị AIC, SIC và giá trị hợp lý cực đại. Ngoài ra, kết quả nghiên cứu phù hợp với kết quả của các nghiên cứu trước đây [18a, 27] và đặc biệt hơn là các nghiên cứu khác nhau trong cách lựa chọn mô hình thích hợp. Karmakar 2005 đã sử dụng mô hình GARCH để dự báo sự thay đổi theo thời gian của tỷ suất lợi tức hàng ngày trên thị trường chứng khoán Ấn Độ [18b]. Cách tiếp cận bằng mô hình GARCH đã được sử dụng để điều tra sự biến động của tỷ suất lợi tức chứng khoán có thay đổi theo thời gian hay không và liệu nó có thể dự báo được hay không. Sau đó, các mô hình EGARCH đã được áp dụng để điều tra liệu có sự biến động bất đối xứng hay không. Nghiên cứu tìm thấy bằng chứng về sự biến động theo thời gian, cho thấy sự biến động cụm, tính dai dẳng và có thể dự đoán trước. Nghiên cứu cũng tìm thấy sự biến động bất đối xứng trong thời gian thị trường suy giảm. Các nghiên cứu trước cho chúng ta thấy rằng sự biến động dai dẳng của lợi nhuận cổ phiếu có ảnh hưởng lớn đến sự biến động trong tương lai của thị trường dưới ảnh hưởng của các cú sốc, trong khi sự biến động bất đối xứng làm tăng rủi ro thị trường, vì thế làm tăng tính hấp dẫn của thị trường chứng khoán Kenyan. Mandimika và Chinzara 2012 đã nghiên cứu phân tích bản chất và hành vi của sự biến động, mối quan hệ rủi ro và xu hướng biến động dài hạn trên thị trường chứng khoán Nam Phi, sử dụng dữ liệu hàng ngày cho giai đoạn 1995-2009 [27]. Ba mô hình GARCH khác nhau theo thời gian đã được sử dụng là đối xứng và bất đối xứng. Sự biến động thường tăng theo thời gian và xu hướng của nó bị phá vỡ trong thời kỳ khủng hoảng tài chính và những cú sốc lớn trên toàn cầu. Tuy nhiên, kết quả nghiên cứu đã trình bày ở trên không phù hợp với kết quả nghiên cứu của Karmakar 2007 [18a], trong đó phần bù rủi ro có ý nghĩa thống kê. Tài liệu tham khảo [1] Engle, R. F., “Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation”, Econometrica Journal of the Econometric Society 1982, 987-1007. [2] Bollerslev, T., “Generalized autoregressive conditional heteroskedasticity”, Journal of econometrics, 31 1986 3, 307-327. Tiên và nnk. / Tạp chí Khoa học ĐHQGHN Kinh tế và Kinh doanh, Tập 33, Số 3 2017 1-11 ![3] Engle, R. F., Lilien, D. M., & Robins, R. P., “Estimating time varying risk premia in the term structure The ARCH-M model”, Econometrica Journal of the Econometric Society 1987, 391-407. [4] Nelson, D. B., “Conditional heteroskedasticity in asset returns A new approach”, Econometrica Journal of the Econometric Society, 1991, 347-370. [5] Zakoian, J. M., “Threshold heteroskedastic models”, Journal of Economic Dynamics and control, 18 1994 5, 931-955. [6] Glosten, L. R., Jagannathan, R., & Runkle, D. E., “On the relation between the expected value and the volatility of the nominal excess return on stocks”, The Journal of Finance, 48 1993 5, 1779-1801. [7] Schwert, G. W., “Why does stock market volatility change over time?”, The Journal of Finance, 44 1989 5, 1115-1153. [8] Ding, Z., Granger, C. W., & Engle, R. F., “A long memory property of stock market returns and a new model”, Journal of Empirical Finance, 1 1993 1, 83-106. [9] Baillie, R. T., & DeGennaro, R. P., “Stock returns and volatility”, Journal of financial and Quantitative Analysis, 25 1990 2, 203-214. [10] Bekaert, G., & Wu, G., “Asymmetric volatility and risk in equity markets”, Review of Financial Studies, 13 2000 1, 1-42. [11] Chand, S., Kamal, S., & Ali, I., “Modelling and volatility analysis of share prices using ARCH and GARCH models”, World Applied Sciences Journal, 19 2012 1, 77-82. [12] Chou, R. Y., “Volatility persistence and stock valuations Some empirical evidence using GARCH”, Journal of Applied Econometrics, 3 1988 4, 279-294. [13] French, K. R., Schwert, G. W., & Stambaugh, R. F., “Expected stock returns and volatility”, Journal of Financial Economics, 19 1987 1, 3-29. [14] Tah, K. A., “Relationship between volatility and expected returns in two emerging markets”, Business and Economics Journal, 84 2013, 1-7. [15] Floros, C., “Modelling volatility using GARCH models evidence from Egypt and Israel”, Middle Eastern Finance and Economics 2 2008, 31-41. [16] AbdElaal, M. A., “Modeling and forecasting time varying stock return volatility in the Egyptian stock market”, International Research Journal of Finance and Economics, 78 2011. [17] GC, S. B., “Volatility analysis of Nepalese stock market”, Journal of Nepalese Business Studies, 5 2009 1, 76-84. [18] Karmakar, M., “Modeling conditional volatility of the Indian stock markets”, Vikalpa, 30 2005 3, 21. [19] Karmakar, M., “Asymmetric volatility and risk-return relationship in the Indian stock market”, South Asia Economic Journal, 8 2007 1, 99-116. [20] Goudarzi, H., & Ramanarayanan, C., “Modeling and estimation of volatility in the Indian stock market”, International Journal of Business and Management, 5 2010 2, 85. [21] Goudarzi, H., & Ramanarayanan, C., “Modeling asymmetric volatility in the Indian stock market”, International Journal of Business and Management, 6 2011 3, 221. [22] Singh, S., & Tripathi, L., “Modelling Stock Market Return Volatility Evidence from India”, Research Journal of Finance and Accounting, 7 2016 16, 93-101. [23] Kulshreshtha, P., & Mittal, A., Volatility in the Indian Financial Market Before, During and After the Global Financial Crisis”, Journal of Accounting and Finance, 15 2015 3, 141. [24] Võ Thị Thúy Anh, Nguyễn Anh Tùng, “Mô hình giá trị chịu rủi ro trong đầu tư cổ phiếu đối với VN-Index”, Tạp chí Công nghệ Ngân hàng 57 2010, 42. [25] Đặng Hữu Mẫn, Hoàng Dương Việt Anh, “Quality of market risk prediction based on the VN-Index”, Economic Studies, 397 2013 6, 19-27. [26] Bùi Hữu Phước, Phạm Thị Thu Hồng, Ngô Văn Toàn, “Biến động giá trị tài sản của các công ty niêm yết trên thị trường chứng khoán Việt Nam”, Tạp chí Công nghệ Ngân hàng, 127 2016, 2. [27] Dickey, D. A., & Fuller, W. A., “Distribution of the estimators for autoregressive time series with a unit root”, Journal of the American Statistical Association, 74 1979 366a, 427-431. [28] Phillips, P. C., & Perron, P., “Testing for a unit root in time series regression”, Biometrika, 75 1988 2, 335-346. [29] Mandimika, N. Z., & Chinzara, Z., “Risk–return trade-off and behaviour of volatility on the south african stock market Evidence from both aggregate and disaggregate data”, South African Journal of Economics, 80 2012 3, 345-366. Tiên và nnk. / Tạp chí Khoa học ĐHQGHN Kinh tế và Kinh doanh, Tập 33, Số 3 2017 1-11 Modelling Stock Market Volatility Evidence from Vietnam Ho Thuy Tien, Ho Thu Hoai, Ngo Van Toan Faculty of Finance and Banking, University of Finance-Marketing, Ho Chi Minh, Vietnam Abtract This study empirically investigates the volatility pattern of Vietnam stock market based on time series data which consists of daily closing prices of VN-Index during the period 2005-2016. The analysis has been done using both symmetric and asymmetric Generalized Autoregressive Conditional Heteroscedastic GARCH models. Based on Akaike Information Criterion AIC and Schwarz Information Criterion SIC criteria, the study proves that GARCH 1,1 and EGARCH 1,1 are the most appropriate model to measure the symmetric and asymmetric volatility of VN-Index respectively. The study also provides evidence of the existence of asymmetric effects leverage via the parameters of the EGARCH 1,1 model that show that negative shocks have significant effects on conditional variance fluctuation. Meanwhile, in the TGARCH 1,1 model, the findingss are not as expected. This study also provides investors with a tool to forecast the rate of return of the stock market. At the same time, the findings will help investors determine the profitability and volatility of the market so that they can make the right decisions on holding the securities. Keywords Asymmetric volatility, conditional volatility, GARCH models, leverage effect. ... Tại Việt Nam hiện có một số nghiên cứu liên quan đến dự báo chỉ số chứng khoán VN-Index [12][13][14]. Trong [12], các tác giả đề xuất kết hợp phương pháp chỉ số dẫn báo và hệ số tương quan giữa chỉ số thị trường chứng khoán của một sàn giao dịch với các biến dữ liệu giao dịch cổ phiếu trong việc xây dựng mô hình dự báo chỉ số thị trường chứng khoán trên dữ liệu. Tác giả thu thập từ dữ liệu sàn giao dịch Thành phố Hồ Chí Minh dữ liệu từ 04/01/2010 đến 22/04/2016 được sử dụng để xây dựng mô hình dự báo, dữ liệu kiểm định là từ 25/04/2016 đến ngày 05/05/2016 gồm 7 ngày giao dịch do các ngày từ 30/04/2016 đến 03/05/2016 là những ngày nghỉ lễ, sàn giao dịch không làm việc. ...... Tác giả thu thập từ dữ liệu sàn giao dịch Thành phố Hồ Chí Minh dữ liệu từ 04/01/2010 đến 22/04/2016 được sử dụng để xây dựng mô hình dự báo, dữ liệu kiểm định là từ 25/04/2016 đến ngày 05/05/2016 gồm 7 ngày giao dịch do các ngày từ 30/04/2016 đến 03/05/2016 là những ngày nghỉ lễ, sàn giao dịch không làm việc. Trong [13,14], các tác giả áp dụng mô hình tự hồi quy phương sai không đồng nhất tổng quát GARCH Generalized autoregressive conditional heteroskedasticity. Mẫu dữ liệu bao gồm hai chỉ số của sàn giao dịch chứng khoán Việt Nam là chỉ số VN-Index và HNX-Index, được cung cấp bởi Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh HOSE và Sở Giao dịch Chứng khoàn Hà Nội HNX, tương ứng, trong giai đoạn 2007-2015. ... Thang Huynh QuyetTrong bài báo, chúng tôi trình bày phương pháp dự đoán xu thế chỉ số chứng khoán Việt Nam VN-Index gồm bốn bước, trong đó dữ liệu đầu vào là chuỗi thời gian chứa lịch sử chỉ số giá của VN-Index. Các tác giả thực hiện phân tách dữ liệu đầu vào thành các chuỗi thời gian thành phần bao gồm xu thế, thời vụ và ngẫu nhiên. Chúng tôi áp dụng mô hình tự hồi quy trung bình động ARMA Autoregressive moving average để dự đoán thành phần thời gian ngẫu nhiên ở một bước kế tiếp, phân tích hồi quy quá trình Gauss GPR Gaussian process regression để dự đoán thành phần thời gian xu thế. Cuối cùng, kết quả dự đoán các thành phần riêng lẻ được tổng hợp lại để đưa ra kết quả dự đoán cuối cùng cho phương pháp kết hợp GPR-ARMA. Trong bài báo cũng trình bày các kết quả cài đặt thử nghiệm và phân tích hiệu quả của phương pháp được đề xuất. DOI Tại Việt Nam hiện có một số nghiên cứu liên quan đến dự báo chỉ số chứng khoán VN-Index [12][13][14]. Trong [12], các tác giả đề xuất kết hợp phương pháp chỉ số dẫn báo và hệ số tương quan giữa chỉ số thị trường chứng khoán của một sàn giao dịch với các biến dữ liệu giao dịch cổ phiếu trong việc xây dựng mô hình dự báo chỉ số thị trường chứng khoán trên dữ liệu. Tác giả thu thập từ dữ liệu sàn giao dịch Thành phố Hồ Chí Minh dữ liệu từ 04/01/2010 đến 22/04/2016 được sử dụng để xây dựng mô hình dự báo, dữ liệu kiểm định là từ 25/04/2016 đến ngày 05/05/2016 gồm 7 ngày giao dịch do các ngày từ 30/04/2016 đến 03/05/2016 là những ngày nghỉ lễ, sàn giao dịch không làm việc. ...... Tác giả thu thập từ dữ liệu sàn giao dịch Thành phố Hồ Chí Minh dữ liệu từ 04/01/2010 đến 22/04/2016 được sử dụng để xây dựng mô hình dự báo, dữ liệu kiểm định là từ 25/04/2016 đến ngày 05/05/2016 gồm 7 ngày giao dịch do các ngày từ 30/04/2016 đến 03/05/2016 là những ngày nghỉ lễ, sàn giao dịch không làm việc. Trong [13,14], các tác giả áp dụng mô hình tự hồi quy phương sai không đồng nhất tổng quát GARCH Generalized autoregressive conditional heteroskedasticity. Mẫu dữ liệu bao gồm hai chỉ số của sàn giao dịch chứng khoán Việt Nam là chỉ số VN-Index và HNX-Index, được cung cấp bởi Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh HOSE và Sở Giao dịch Chứng khoàn Hà Nội HNX, tương ứng, trong giai đoạn 2007-2015. ... Godwin Olasehinde-WilliamsFinancial theory suggests that volatility affects average stock returns positively. It is claimed that markets reward economic agents for the risk they assume with higher returns. T his study uses an ARMA 1, 2-GARCH 1, 1-M technique to examine the impact of volatility on BRVM stock returns in the integrated regional West African stock market. A positive but insignificant relationship was found between volatility and stock returns. T he study concludes that there is no significant feedback from volatility to average returns in the stock market. Our findings indicate that investors are not compensated for taking risks in the regional stock market . Moustafa Ahmed AbdelaalThis study investigates the performance of five models for forecasting the Egyptian stock market return volatility. We used the period from 1 January, 1998 until 31 December, 2009 as an in-sample period. We used also the next 30 days after the in-sample period to be our out-of-sample period. The competing models are EWMA, ARCH, GARCH, GJR, and EGARCH. We examined also the ARCH effect to test the validity of using GARCH family to predict the volatility of market indices. The empirical results show that EGARCH is the best model between the examined models according to the usual evaluating statistical metrics RMSN, MAE, and MAPE. When we used Diebold and Mariano DM test to examine the significance of the difference between errors of volatility forecasting models, we found no significance difference between the errors of competing models. The results also reject the null hypothesis of homoscedastic normal process for both EGX30 and CIBC100 indices. D. A. DickeyWayne A. FullerLet n observations Y 1, Y 2, , Y n be generated by the model Y t = pY t−1 + e t , where Y 0 is a fixed constant and {e t } t-1 n is a sequence of independent normal random variables with mean 0 and variance 2. Properties of the regression estimator of p are obtained under the assumption that p = ±1. Representations for the limit distributions of the estimator of p and of the regression t test are derived. The estimator of p and the regression t test furnish methods of testing the hypothesis that p = identify and estimate the mean and variance components of the daily closing share prices using ARIMA-GARCH type models by explaining the volatility structure of the residuals obtained under the best suited mean models for the said series. The parameters of ARIMA type simple specifications are routinely anticipated by applying the OLS methodology but it has two disadvantages when the volatility or ARCH effect is present. The first problem may be the autocorrelation in error terms. To handle this unwanted situation the lagged dependent variables can be incorporated as independent variables in the mean equation. The other problem may be the presence of ARCH effect. This problem can be resolved by employing the ARCH or GARCH specifications so we have taken advantage of such type of models in our study. Surya Bahadur G. and forecasting volatility of capital markets has been important area of inquiry and research in financial economics with the recognition of time-varying volatility, volatility clusturing, and asymmetric response of volatility to market movements. Given the anticipated growth of the Nepalese stock market and increasing interest of investors towards investment in Nepalese stock market, it is important to understand the pattern of stock market volatility. In the paper, the volatility of the Nepalese stock market is modeled using daily return series consisting of 1297 observations from July 2003 to Feb 2009 and different classes of estimators and volatility models. The results indicate that the most appropriate model for volatility modeling in Nepalese market, where no significant asymmetry in the conditional volatility of returns was captured, is GARCH1,1. The study revealed strong evidence of time-varying volatility, a tendency of the periods of high and low volatility to cluster and a high persistence and predictability of volatility in the Nepalese stock market. Madhusudan KarmakarTraditional econometric models assume a constant one period forecast variance. However, many financial time series display volatility clustering, that is, autoregressive conditional heteroskedasticity ARCH. The aim of this paper is to estimate conditional volatility models in an effort to capture the salient features of stock market volatility in India and evaluate the models in terms of out-ofsample forecast accuracy. The paper also investigates whether there is any leverage effect in Indian companies. The estimation of volatility is made at the macro level on two major market indices, namely, S&P CNX Nifty and BSE Sensex. The fitted model is then evaluated in terms of its forecasting accuracy on these two indices. In addition, 50 individual companies' share prices currently included in S&P CNX Nifty are used to examine the heteroskedastic behaviour of the Indian stock market at the micro level. The vanilla GARCH 1, 1 model has been fitted to both the market indices. We find a strong evidence of time-varying volatility a tendency of the periods of high and low volatility to cluster a high persistence and predictability of volatility. Conditional volatility of market return series from January 1991 to June 2003 shows a clear evidence of volatility shifting over the period where violent changes in share prices cluster around the boom of 1992. Though the higher price movement started in response to strong economic fundamentals, the real cause for abrupt movement appears to be the imperfection of the market. The forecasting ability of the fitted GARCH 1, 1 model has been evaluated by estimating parameters initially over trading days of the in-sample period and then using the estimated parameters to later data, thus forming out-of-sample forecasts on two market indices. These out-of-sample volatility forecasts have been compared to true realized volatility. Three alternative methods have been followed to measure three pairs of forecast and realized volatility. In each method, the volatility forecasts are evaluated and compared through popular measures. To examine the information content of forecasts, a regression-based efficiency test has also been performed. It is observed that the GARCH 1, 1 model provides reasonably good forecasts of market volatility. While turning to 50 individual underlying shares, it is observed that the GARCH 1, 1 model has been fitted for almost all companies. Only for four companies, GARCH models of higher order may be more successful. In general, volatility seems to be of a persistent nature. Only eight out of 50 shares show significant leverage effects and really need an asymmetric GARCH model such as EGARCH to capture their volatility clustering which is left for future research. The implications of the study are as follows The various GARCH models provide good forecasts of volatility and are useful for portfolio allocation, performance measurement, option valuation, etc. Given the anticipated high growth of the economy and increasing interest of foreign investors towards the country, it is important to understand the pattern of stock market volatility in India which is time-varying, persistent, and predictable. This may help diversify international portfolios and formulate hedging ZIVANAYI MANDIMIKA Ziv ChinzaraThe study analyses the nature and behaviour of volatility, the risk–return relationship and the long-term trend of volatility on the South African equity markets using aggregate level, industrial level and sectoral level daily data for the period 1995-2009. By employing dummy variables for the Asian and the sub-prime financial crises and the 11 September political shock, the study further examines whether the long-term trend of volatility structurally breaks during financial crises and major political shocks. Three time-varying generalised autoregressive conditional heteroskedasticity models were employed one of them symmetric, and the other two asymmetric. Each of these models was estimated based on three error distributional assumptions. The findings of the study are as follows First, volatility is largely persistent and asymmetric. Second, risk at both aggregate and disaggregate level is generally not a priced factor on the South Africa SA stock market. Third, the threshold autoregressive conditional heteroscedasticity TARCH model under the generalised error distribution is the most appropriate model for conditional volatility of the SA stock market. Fourth, volatility generally increases over time, and its trend structurally breaks during financial crises and major global shocks. The policy and investment implications of the findings are outlined. Christos FlorosThis paper examines the use of GARCH-type models for modelling volatility and explaining financial market risk. We use daily data from Egypt CMA General index and Israel TASE-100 index. Various time series methods are employed, including the simple GARCH model, as well as exponential GARCH, threshold GARCH, asymmetric component GARCH, the component GARCH and the power GARCH model. We find strong evidence that daily returns can be characterised by the above models. For both markets, we conclude that increased risk will not necessarily lead to a rise in the returns. The most volatile series is CMA index from Egypt, because of the uncertainty in prices and economy over the examined period. These findings are strongly recommended to financial managers and modellers dealing with international markets. Madhusudan KarmakarThis article investigates the heteroscedastic behaviour of the Indian stock market using different GARCH models. First, the standard GARCH approach is used to investigate whether stock return volatility changes over time and if so, whether it is predictable. Then, the EGARCH models are applied to investigate whether there is asymmetric volatility. Finally, E GARCH in the mean extension has been tried to examine the relation between market risk and expected return. The investigation has been made on market index S&P CNX Nifty for a period of 14 and a half years from July 1990 to December 2004. The study reports an evidence of time varying volatility which exhibits clustering, high persistence and predictability. It is found that the volatility is an asymmetric function of past innovation, rising proportionately more during market decline. It is also evidenced that return is not significantly related to risk. The findings are useful to policy makers and to all market participants for pricing derivatives and designing dynamic trading strategies. Mô hình 3C hay còn được gọi là mô hình tiếp diễn xu hướng trên thị trường chứng khoán. Một số trader còn đùa nhau rằng "tôi đang gian lận" khi sử dụng mô hình 3C. Bởi vì mô hình này sẽ giúp bạn tạo ra Domain Liên kết Hệ thống tự động chuyển đến trang sau 60 giây Tổng 0 bài viết về có thể phụ huynh, học sinh quan tâm. Thời gian còn lại 000000 0% Bài viết liên quan Mô hình 3c trong chứng khoán [2022] Mẫu hình 3C trong chứng khoán theo Mark Minervini May 12, 2022Mẫu hình 3C là viết tắt của Cup Completion Cheat tạm dịch chiếc cốc gian lận giúp chúng ta tìm được điểm mua sớm hơn so với mẫu hình cốc và tay cầm thông thường. Mẫu hình 3C xuất hiện k Xem thêm Chi Tiết Mô Hình 3C Trong Chứng Khoán - Mô Hình 3C Trong Chứng Khoán Mẫu hình VCP - Mẫu hình thu hẹp biên độ biến động được Mark Minervini ví như "chén thánh" trong giao dịch của mình. Thật không quá khi nói như vậy, bởi nó đã mang đến cho Xem thêm Chi Tiết Mô hình 3C của Minervini - Uptrend Việt Nam Mô hình 3C giúp bạn có điểm Pivot tốt để xác định thời điểm nào xu hướng tăng của cổ phiếu sẽ diễn ra, Tín hiệu giao dịch của 3C có tiêu chí tương tự như mỗ hình CỐC TAY CẦM CỔ ĐIỂN. Yêu cầu của mô hì Xem thêm Chi Tiết Mẫu hình 3-C của phù thủy Mark Minervini, điểm mua sớm trước mẫu hình ... MẪU HÌNH 3-C Mẫu hình Chiếc Cốc Gian Lận hoặc 3-C Cup Completion Cheat là một mẫu hình tiếp diễn xu hướng. Nó được gọi là "trò gian lận cheat [1] " vì tạo ra điểm mở vị thế sớm hơn điểm mua tối ưu Xem thêm Chi Tiết Mô hình 3C trong marketing là gì? Phân tích và ứng dụng mô hình 3C ... Jul 13, 2022Chuỗi 3C là những nguyên tắc giúp bạn tạo ra nội dung, thông điệp phù hợp với khách hàng nhất. 3 chữ C quan trong trong mô hình này đó là Crisp /Ngắn gọn Thông điệp mà bạn muốn gửi gắm t Xem thêm Chi Tiết Các mô hình trong chứng khoán mà bạn cần biết - Mua cổ phiếu Các mô hình trong chứng khoán Gap trong chứng khoán Gap hay còn gọi là khoảng trống giá. Đây là hiện tượng mà khi mở cửa, giá cổ phiếu sẽ nhảy vọt theo chiều tăng hoặc giảm. Mức giá này không nối tiếp Xem thêm Chi Tiết Các mô hình phân tích kỹ thuật chứng khoán thông dụng Mô hình 3 đỉnh có nhìn giống như 3 ngọn núi có đỉnh ngang nhau, với 2 đáy tạm thời. Đường thẳng qua 3 đỉnh gọi là đường kháng cự và đường nối 2 đáy được gọi là đường neckline đường viền cổ - đây cũn Xem thêm Chi Tiết Các Mô Hình Trong Chứng Khoán, 7 Mô Hình Giá Trong Biểu Đồ Phân Tích Kỹ ... Sep 8, 2021Mô hình 3 đỉnh thường xuyên là dấu hiệu của sự hòn đảo chiều Xu thế từ tăng sang bớt. Mô hình 3 đáy, ngược chở lại, thường xuyên là tín hiệu của sự đảo chiều xu hướng từ giảm quý phái tăng. Xem thêm Chi Tiết 11 mô hình biểu đồ chứng khoán cơ bản Top Broker Oct 13, 2022Hướng dẫn của về 11 mô hình biểu đồ chứng khoán quan trọng như sau đây có thể được áp dụng cho hầu hết các thị trường tài chính và đây có thể là một hướng đi tốt để bạn bắt Xem thêm Chi Tiết 3C Mô hình đặc biệt trong phương pháp đầu tư tăng trưởng - Khái niệm ... 3C Mô hình đặc biệt trong phương pháp đầu tư tăng trưởng - Khái niệm & cách sử dụng 335 views Premiered Mar 26, 2022 23 Dislike Tiến Vũ Official subscribers Tham gia Room khách hàng... Xem thêm Chi Tiết Bạn có những câu hỏi hoặc những thắc mắc cần mọi người trợ giúp hay giúp đỡ hãy gửi câu hỏi và vấn đề đó cho chúng tôi. Để chúng tôi gửi vấn đề mà bạn đang gặp phải tới mọi người cùng tham gia đóng gop ý kiếm giúp bạn... Gửi Câu hỏi & Ý kiến đóng góp » Có thể bạn quan tâm đáp án Thi Ioe Lớp 11 Vòng 4 Anh Trai Dạy Em Gái ăn Chuối Nghe Doc Truyen Dam Duc Những Câu Nói Hay Của Mc Trong Bar Nội Dung Bài Hội Thổi Cơm Thi ở đồng Vân Truyện Tranh Gay Sm Diễn Văn Khai Mạc Lễ Mừng Thọ Người Cao Tuổi ép đồ X Hero Siege Rus đáp án Thi Ioe Lớp 9 Vòng 1 U30 Là Bao Nhiêu Tuổi Video mới Tiểu Thư đỏng đảnh Chap 16,17 Ghiền Truyện Ngôn Đêm Hoan Ca Diễn Nguyện ĐHGT Giáo Tỉnh Hà Nội - GP... ????[Trực Tuyến] NGHI THỨC TẨN LIỆM - PHÁT TANG CHA CỐ... Thánh Lễ Tất Niên Do Đức Đức Tổng Giám Mục Shelton... Thánh Vịnh 111 - Lm. Thái Nguyên L Chúa Nhật 5 Thường... ????Trực Tuyến 900 Thánh Lễ Khánh Thánh & Cung Hiến... THÁNH LỄ THÊM SỨC 2022 - GIÁO XỨ BÌNH THUẬN HẠT TÂN... TRÒN MẮT NGẮM NHÌN NHÀ THỜ GỖ VÀ ĐÁ LỚN NHẤT ĐỒNG NAI... KHAI MẠC ĐẠI HỘI GIỚI TRẺ GIÁO TỈNH HÀ NỘI LẦN THỨ... Trực Tiếp Đêm Nhạc Giáng Sinh 2022 Giáo Xứ Bình... Bài viết mới Vân là một cô gái cực kỳ xinh đẹp, cô đã làm việc ở công ty này được ba ... Thuốc mỡ tra mắt Tetracyclin Quapharco 1% trị nhiễm khuẩn mắt - Cập ... Vitamin C 500mg Quapharco viên Thuốc Metronidazol 250mg Quapharco hỗ trợ điều trị nhiễm Trichomonas ... Quapharco Import data And Contact-Great Export Import Tetracyclin 1% Quapharco - Thuốc trị viêm kết mạc, đau mắt hột Tetracyclin 3% Quapharco - Thuốc trị nhiễm khuẩn mắt hiệu quả Thuốc giảm đau, hạ sốt, kháng viêm Aspirin pH8 500mg QUAPHARCO hộp 10 ... Quapharco - thương hiệu của chất lượng - Quảng Bình Today Acyclovir 5% Quapharco - Giúp điều trị nhiễm virus Herpes simplex Ngày đăng 27/03/2023 Không có phản hồi Ngày cập nhật 28/03/2023 Mô hình 3C là gì? Tại sao mô hình này lại được ứng dụng nhiều trong quá trình thiết kế chiến lược marketing của doanh nghiệp đến vậy? Nếu bạn đang có thắc mắc tương tự thì đừng bỏ qua bài viết dưới đây. Trong bài viết này, Glints sẽ chia sẻ đến bạn tất tần tật về mô hình 3C trong marketing, cũng như cách ứng dụng mô hình vào thực tế. Mô hình 3C là gì?Phân tích mô hình 3C marketing trong doanh nghiệpCustomer – Khách hàngPhân đoạn dựa trên mục tiêu thị trườngPhân đoạn dựa trên phạm vi thị trườngPhân đoạn lại thị trườngCompetitor – Đối thủ cạnh tranhCompany – Công tyVai trò của mô hình 3C trong marketingỨng dụng phân tích 3C trên thực tếTạm kếtTác Giả Huy Kieu Mô hình 3C là gì? Mô hình 3C được phát triển bởi Kenichi Ohmae – nhà hoạch định chiến lược nổi tiếng người Nhật Bản. Mô hình được ứng dụng vào việc đánh giá mức độ thành công của thị trường thông qua các yếu tố liên quan, bao gồm Customer, Competitor và Company. Qua đây, người làm marketing sẽ có góc nhìn về thị trường và tận dụng tối đa điểm mạnh của doanh nghiệp để khai thác nhu cầu của khách hàng. Phân tích mô hình 3C marketing trong doanh nghiệp Mô hình 3C marketing bao gồm các yếu tố Customer – Khách hàng Company – Doanh nghiệp Competitor – Đối thủ cạnh tranh. Sau khi đã hiểu hơn về khái niệm mô hình 3C là gì, Trong phần dưới đây, Glints sẽ chia sẻ tới bạn nội dung chi tiết của từng chữ C trong mô hình. Ý nghĩa mô hình 3C. Customer – Khách hàng Khách hàng là người mang lại lợi nhuận cho doanh nghiệp, và quyết định trực tiếp đến sự thành công hay thất bại của một doanh nghiệp. Do đó, bất kỳ doanh nghiệp thương mại nào cũng cần quan tâm và đặt yếu tố khách hàng lên hàng đầu. Để tạo ra một chiến lược marketing hiệu quả, doanh nghiệp cần phải xác định và hiểu được nhóm khách hàng mục tiêu của mình. Doanh nghiệp có thể thực hiện điều này bằng việc các cuộc khảo sát, phỏng vấn sâu, Các dữ liệu thu thập được như nhân khẩu học, tâm lý và hành vi sẽ có ý nghĩa vô cùng quan trọng trong việc thiết kế một chiến lược marketing hiệu quả. Phân đoạn thị trường là một trong những chiến lược quan trọng giúp doanh nghiệp hiểu và xác định nhu cầu của khách hàng tốt hơn. Hoạt động này được thực hiện dựa trên các tiêu chí như mục tiêu thị trường, phạm vi thị trường, và tái phân khúc thị trường. Phân đoạn dựa trên mục tiêu thị trường Một sản phẩm có thể được mua từ nhiều khách hàng, và được sử dụng theo nhiều mục đích và các cách khác nhau. Chẳng hạn, sản phẩm giò chả truyền thống có thể được mua để tiêu dùng hoặc dùng làm quà tặng, đồ thờ cúng, Khi đó, các đơn vị kinh doanh giò chả truyền thống có thể lựa chọn hướng đi trở thành nhà cung cấp các sản phẩm giò chả cao cấp phục vụ cho mục tiêu làm quà tặng, hoặc cung cấp các sản phẩm bình dân phục vụ tiêu dùng thường ngày, và nhiều hướng đi khác để tạo ra điểm khác biệt cho doanh nghiệp. Cách phân đoạn thị trường hiệu quả. Qua đây, doanh nghiệp cần tận dụng sự khác biệt dựa trên các cách khác nhau mà khách hàng sử dụng một sản phẩm nhất định. Phân đoạn dựa trên phạm vi thị trường Mục tiêu của cách phân đoạn này là nhằm tối đa phạm vi bao phủ thị trường mục tiêu với chi phí marketing tối thiểu. Khi đó, lợi nhuận thu được từ việc thu hút khách hàng nhiều hơn các khoản đầu tư cho hoạt động marketing. Chẳng hạn, doanh nghiệp kinh doanh sản phẩm giò chả truyền thống có thể lựa chọn thị trường tiêu dùng bình dân hoặc thị trường hàng biếu tặng. Nếu so sánh phạm vi hai thị trường này có thể thấy, thị trường hàng biếu tặng có quy mô nhỏ hơn nhiều với thị trường tiêu dùng bình dân. Đọc thêm Market Segment là gì? 4 loại phân khúc thị trường phổ biến Phân đoạn lại thị trường Doanh nghiệp có thể lựa chọn một nhóm nhỏ khách hàng mới trong đoạn thị trường của mình và xác định nhu cầu, mong muốn của họ với sản phẩm của doanh nghiệp. Chẳng hạn, một doanh nghiệp kinh doanh sản phẩm giò chả truyền thống bình dân nhận thấy một nhóm khách hàng trong thị trường của mình đang mong đợi các sản phẩm thuần chay có hương vị như giò chả thật. Qua đây, doanh nghiệp đã tìm ra một thị trường mục tiêu mới trong chính thị trường mà doanh nghiệp đang kinh doanh. Competitor – Đối thủ cạnh tranh Có thể nói, hầu hết các lĩnh vực đều chứng kiến sự cạnh tranh vô cùng gay gắt từ các đối thủ cạnh tranh. Do đó, để kiếm lợi nhuận cho công ty, bạn cần phải vượt qua đối thủ trong việc thu hút khách hàng sử dụng sản phẩm/dịch vụ của doanh nghiệp. Phân tích đối thủ cạnh tranh là bước không thể thiếu trong mọi loại hình kinh doanh. Đối thủ cạnh tranh của một doanh nghiệp theo mô hình 5 lực lượng cạnh tranh của Michael Porter bao gồm đối thủ cạnh tranh trực tiếp, khách hàng, nhà cung cấp, đối thủ cạnh tranh tiềm ẩn, và sản phẩm thay thế. Việc phân tích đối thủ cạnh tranh rất quan trọng và ảnh hưởng đến mức độ hiệu quả của chiến dịch marketing của doanh nghiệp. Company – Công ty Bất kỳ doanh nghiệp nào muốn chiến thắng đối thủ cạnh tranh và thị trường cũng cần phải hiểu rõ chính mình như điểm mạnh và điểm yếu, cũng như cơ hội và thách thức nào mà doanh nghiệp đang có. Qua đây, doanh nghiệp có thể tận dụng điểm mạnh và cơ hội, cũng như hạn chế tối đa tác động của điểm yếu và thách thức. Vai trò của mô hình 3C trong marketing Dựa vào mô hình 3C, doanh nghiệp có thể xác định những yếu tố đem đến sự thành công của chiến lược marketing nói riêng và hoạt động kinh doanh của doanh nghiệp nói chung. Mô hình được ứng dụng trong cả nội bộ team marketing của doanh nghiệp và agency marketing giúp xác định nhu cầu khách, phân tích đối thủ cạnh tranh và tìm ra giá trị cốt lõi để doanh nghiệp tạo ra lợi thế cạnh tranh bền vững. Đọc thêm 8P trong Marketing Nguồn gốc và ý nghĩa Ứng dụng phân tích 3C trên thực tế Trong phần này, Glints sẽ chia sẻ đến bạn ví dụ ứng dụng phân tích mô hình 3C của TH True Milk. Ví dụ 3C model marketing của TH True Milk. Lưu ý Nội dung chỉ mang tính chất tham khảo giúp bạn có hình dung cụ thể hơn về cách áp dụng mô hình này vào thực tế. Customers Sản phẩm của doanh nghiệp được sản xuất theo tiêu chuẩn hữu cơ mang đến các sản phẩm sữa sạch và tự nhiên. Đây cũng là doanh nghiệp tiên phong trong sản xuất sữa hữu cơ tại Việt Nam. Qua đó, doanh nghiệp hướng đến nhóm đối tượng khách hàng quan tâm đến sức khỏe và các sản phẩm có nguồn gốc hữu cơ, Competitors Đối thủ cạnh của doanh nghiệp bao gồm các thương hiệu sữa Vinamilk, Cô gái Hà Lan, Trong khi các thương hiệu này tập trung cho dòng sữa dinh dưỡng dành cho người trẻ em và người lớn tuổi thì TH True milk tập trung vào đối tượng dân công sở và phụ nữ hiện đại có nhu cầu giữ dáng và quan tâm đến các sản phẩm sạch. Company TH True milk là đơn vị tiên phong trong lĩnh vực sản xuất sữa sạch đáp ứng tiêu chuẩn hữu cơ tại Việt Nam. Do đó, doanh nghiệp chú trọng đầu tư cơ sở chăn nuôi và ứng dụng công nghệ vào hoạt động sản xuất và quản lý. Đọc thêm 4P Trong Marketing Mix Là Gì? Như Thế Nào Là Chiến Lược Marketing 4P Thành Công? Tạm kết Trên đây là những chia sẻ về mô hình 3C marketing mà Glints muốn gửi đến bạn. Hy vọng rằng, bài viết đã giúp bạn hiểu hơn về khái niệm mô hình 3C là gì, cũng như biết cách ứng dụng mô hình vào quá trình phát triển chiến lược marketing cho doanh nghiệp. Nếu bạn có bất kỳ đóng góp nào về chủ đề này, đừng ngần ngại để lại bình luận để được Glints hỗ trợ giải đáp chi tiết nhé. Tác Giả

mô hình 3c trong chứng khoán