Mô hình hóa biến động thị trường chứng khoán: Thực nghiệm từ Việt Nam

Tạp chí Khoa học ĐHQGHN: Kinh tế và Kinh doanh, Tập 33, Số 3 (2017) 1-11 
	 1 
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@gmail.com 
 https://doi.org/10.25073/2588-1108/vnueab.4101	
theo 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 
H.T. Tiên và nnk. / Tạp chí Khoa học ĐHQGHN: Kinh tế và Kinh doanh, Tập 33, Số 3 (2017) 1-11 
2 
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 
H.T. Tiên và nnk. / Tạp chí Khoa học ĐHQGHN: Kinh tế và Kinh doanh, Tập 33, Số 3 (2017) 1-11 3 
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 GARCH(1,1) 
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 2.108 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. 
H.T. Tiên và nnk. / Tạp chí Khoa học ĐHQGHN: Kinh tế và Kinh doanh, Tập 33, Số 3 (2017) 1-11 
4 
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. 
3.1. 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 2.988 quan sát. 
3.2. 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 12.0. Biến động được ước tính dựa trên tỷ 
suất lợi nhuận ( tr ) theo ngày của VN-Index. Tỷ 
suất lợi nhuận chỉ số VN-Index được tính như 
sau: 1log( / )t t tr P P−= . Trong đó, tr là logatit tự 
nhiên tỷ suất lợi nhuận hàng ngày của VN-
Index tại thời điểm t, tP là giá đóng cửa tại thời 
điểm t, 1tP− 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: t tr µ ε= + 
Phương trình phương sai: 
2 2 2
1 1 1 1t t tσ ω α ε β σ− −= + + 
Trong đó, 0ω > , 1 0α ≥ , 1 0β ≥ và tr là tỷ 
suất lợi nhuận của tài sản tại thời điểm t, µ là tỷ 
suất lợi nhuận bình quân và tε là phần dư của tỷ 
suất lợi nhuận. 
Độ lớn của các tham số α và β 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: 
2
t tr tτµ λσ ε= + + 
Phương trình phương sai: 
2 2 2
1 1t t tσ ω αε βσ− −= + + 
H.T. Tiên và nnk. / Tạp chí Khoa học ĐHQGHN: Kinh tế và Kinh doanh, Tập 33, Số 3 (2017) 1-11 5 
Trong đó, tham số λ 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 hì ... 
premium λ 
0,805 
[0,96] 
Variance 
ω (constant) 0,00000368*** 0,00000371*** 
 [6,61] [6,60] 
α (ARCH 
effect) 0,145*** 0,145*** 
 [16,44] [16,32] 
β (GARCH 
effect) 0,857*** 0,856*** 
 [117,82] [117,25] 
α β+ 1,0014237 1,0012601 
Log 
likelihood 8287,451 8287,823 
N 2986 2986 
Akaike Info. 
criterion 
(AIC) -16564,9 -16563,6 
Schwarz 
Info. 
criterion 
(SIC) -16534,9 -16527,6 
t statistics in brackets 
* 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 γ 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(α ) và GARCH( β ) 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%. γ 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 (γ ) 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 
H.T. Tiên và nnk. / Tạp chí Khoa học ĐHQGHN: Kinh tế và Kinh doanh, Tập 33, Số 3 (2017) 1-11 
8 
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 (α β+ ) 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 (λ ) 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 (γ ) 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 (γ ) 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 1.923 nghìn 
tỷ đồng, chiếm 46% GDP, tăng 40%; thanh 
khoản cải thiện mạnh, quy mô giao dịch bình 
quân đạt 6.888 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 GARCH(1,1) cho 
thấy tỷ suất sinh lời trong quá khứ có vai trò 
quyết định lợi suất hiện tại. Biến động của 
Coefficients EGARCH (1,1) TGARCH (1,1) 
Mean 
 µ (constant) -0,424*** -0,427*** 
 [-23,99] [-23,26] 
Variance 
 ω (constant) -0,237*** 0,00000400*** 
 [-7,98] [6,62] 
α (ARCH 
effect) 0,297*** 0,185*** 
 [20,61] [9,43] 
β (GARCH 
effect) 0,970*** 0,852*** 
 [273,12] [104,13] 
γ (leverage 
effect) -0,0458*** -0,0702** 
 [-3,35] [-2,87] 
 α β+ 1,2669957 1,0371481 
Log likelihood 8301,552 8290,645 
N 2986 2986 
Akaike Info. 
criterion (AIC) -16591,1 -16569,3 
Schwarz Info. 
criterion (SIC) -16555,1 -16533,3 
t statistics in brackets 
* p < 0,05; ** p < 0,01; *** p < 0,001 
H.T. Tiên và nnk. / Tạp chí Khoa học ĐHQGHN: Kinh tế và Kinh doanh, Tập 33, Số 3 (2017) 1-11 9 
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 
EGARCH(1,1) 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. 
H.T. Tiên và nnk. / Tạp chí Khoa học ĐHQGHN: Kinh tế và Kinh doanh, Tập 33, Số 3 (2017) 1-11 
10 
[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. 
H.T. Tiên và nnk. / Tạp chí Khoa học ĐHQGHN: Kinh tế và Kinh doanh, Tập 33, Số 3 (2017) 1-11 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.