Download miễn phí Đề tài Ứng dụng mô hình BEKK cho cổ phiếu thuộc ngành ngân hàng trên sàn HOSE



MỤC LỤC
CHƯƠNG I : Mô hình GARCH đa biến và vai trò trong phân tích rủi ro của danh mục đầu tư
I. Một số mô hình ARCH/GARCH mở rộng
II. Mô hình MGARCH
1. Giới thiệu
 Danh mục đầu tư
 Rủi ro danh mục
 Rủi ro có điều kiện với mô hình ARCH
2. Mô hình MGARCH tổng quát
2.1. mô hình GARCH đa biến
2.2. Ước lượng mô hình
 ML
 QML
 Student
 Skewed_student
2.3. Kiểm định
2.4. Ứng dụng
2.5. Các cách tiếp cận mô hình MGARCH
2.5.1. VEC ( Bollerslev, Engle and Wooldridge 1988)
2.5.2. BEKK ( Engle and Kroner 1995)
2.5.3. F_GARCH
2.5.4. CCC ( Bollerslev 1990)
2.5.5. DCC
CHƯƠNG II: Tổng quan về cổ phiếu nhóm ngành ngân hàng trên sàn HOSE
I. Giới thiệu về sàn HOSE
II. Ngành ngân hàng
CHƯƠNG III: Ứng dụng mô hình BEKK cho cổ phiếu thuộc ngành ngân hàng trên sàn HOSE
TÀI LIỆU THAM KHẢO
 
 
 
 


http://s1.liketly.com/flash/edoc/jh2i1fkjb33wa7b577g9lou48iyvfkz6-swf-2013-11-15-de_tai_ung_dung_mo_hinh_bekk_cho_co_phieu_thuoc_ng.ZP4CxZgcCw.swf /tai-lieu/de-tai-ung-dung-tren-liketly-45324/
Để tải bản Đầy Đủ của tài liệu, xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí

Tóm tắt nội dung tài liệu:

ỷ đồng. Tuy nhiên vào cuối năm 2007 và đến tận đầu năm 2009, đồng loạt các cổ phiếu trên 2 sàn giảm giá mạnh. Vào 24/2/2009, Vn-index đã rơi xuống mức đáy 235.5 điểm, HNX-index lùi về dưới mốc 100 điểm khi xuống mức thấp nhất trong lịch sử là 78.06 điểm. Nếu như 2008 được coi là một năm rất đáng quên khi các chỉ số liên tục sụt giảm thì bước sang 2009 và đến nay là 2010, TTCK VN đã có sự phục hồi tương đối ấn tượng, không ít thời điểm đã để lại những dấu ấn quan trọng trong lịch sử 9 năm phát triển với những kỷ lục mới. Vn-index đã đạt tốc độ tăng lớn thứ 8 trong tổng số 89 chỉ số chứng khoán quan trọng trên thế giới khi tăng được 46% so với thời điểm đầu năm 2009. Kỷ lục về khối lượng giao dịch trên sàn HOSE được thiết lập vào ngày 10/6 với 101.774.520 cổ phiếu và chứng chỉ quỹ được chuyển nhượng, con số tương tự tại HNX là 56.522.170 cổ phiếu.
Qua các con số trên ta có thể thấy ngay rằng giá của các cổ phiếu trên thị trường luôn luôn thay đổi theo thời gian. Điều này sẽ tiềm ẩn rất nhiều rủi ro cho các nhà đầu tư khi tham gia vào thị trường nhiều lợi nhuận cũng như rủi ro này . Do đó hiêủ biết và đoán được giá của các cổ phiếu cũng như đoán được khoản giá trị lỗ lãi trong thời gian tới là một việc rất quan trọng đối với tất cả các nhà đầu tư và quản lý tài chính. Đã có rất nhiều các mô hình nghiên cứu loại về tài sản này như mô hình định giá tài sản, mô hình lựa chọn danh mục đầu tư( dựa trên mô hình SIM, EPG…), mô hình phòng hộ rủi ro, mô hình VaR….
VaR của một danh mục tài sản tài chính được định nghĩa là khoản tiền lỗ tối đa trong một thời hạn nhất định, nếu ta loạit rừ những trường hợp xấu nhất hiếm khi xảy ra. VaR là một phương pháp đánh giá rủi ro của một danh mục đầu tư theo hai tiêu chuẩn như giá trị của danh mục đầu tư và khả năng chịu đựng rủi ro của nhà đầu tư. Đây là một mô hình được sử dụng rất rộng rãi trong phân tích cổ phiếu, tuy nhiên việc sử dụng VaR như một biện pháp có nguy cơ là tương đương với cách sử dụng các biện pháp truyền thống như phương sai hay độ lệch chuẩn. Chính vì vậy đã có rất nhiều các nhà khoa học mở rộng các phương pháp để tính Var của cổ phiếu hay danh mục.
Trong bài này tui sẽ trình bày về một phương pháp mới chính là mô hình GARCH đa biến( hay còn gọi tắt là MGARCH) để xác định Var của các cổ phiếu trên sàn HOSE của thị trường Việt Nam . Phần I bài viết sẽ giới thiệu mô hình GARCH đa biến và vai trò trong phân tích rủi ro danh mục đầu tư. Phần II trình bày tổng quan về cổ phiếu trên sàn HOSE và đặc biệt là quan tâm tới cổ phiếu ngành ngân hang. Phần cuối III sẽ trình bày ứng dụng mô hình BEKK (một dạng của mô hình MGARCH) và kết quả thu được.
MỤC LỤC
CHƯƠNG I : Mô hình GARCH đa biến và vai trò trong phân tích rủi ro của danh mục đầu tư
Một số mô hình ARCH/GARCH mở rộng
Mô hình MGARCH
Giới thiệu
Danh mục đầu tư
Rủi ro danh mục
Rủi ro có điều kiện với mô hình ARCH
Mô hình MGARCH tổng quát
mô hình GARCH đa biến
Ước lượng mô hình
ML
QML
Student
Skewed_student
Kiểm định
Ứng dụng
Các cách tiếp cận mô hình MGARCH
VEC ( Bollerslev, Engle and Wooldridge 1988)
BEKK ( Engle and Kroner 1995)
F_GARCH
CCC ( Bollerslev 1990)
DCC
CHƯƠNG II: Tổng quan về cổ phiếu nhóm ngành ngân hàng trên sàn HOSE
Giới thiệu về sàn HOSE
Ngành ngân hàng
CHƯƠNG III: Ứng dụng mô hình BEKK cho cổ phiếu thuộc ngành ngân hàng trên sàn HOSE
TÀI LIỆU THAM KHẢO
CHƯƠNG I: MÔ HÌNH GARCH ĐA BIẾN VÀ VAI TRÒ TRONG PHÂN TÍCH RỦI RO CỦA DANH MỤC ĐẦU TƯ
Một số mô hình ARCH/GARCH mở rộng
AARCH ( Bera, Higgins & Lee1992): dạng mở rộng của mô hình ARCH(q) tuyến tính
AGARCH ( Engle 1990)
ANST-GARCH ( Nam , Pyun & Arize 2002)
APARCH ( Ding, Granger & Engle 1993)
ARCD ( Hansen 1994)
ATGARCH ( Crouhy & Rockinger 1997)
-ARCH ( Gue’ngan & Diebolt 1994)
CO-GARCH ( Kluppelberg , Lindner & Maller 2004)
GARCHS (1,1,1)
GARCHSK ( Leon, Rubio & Serna 2005)
EWMA
MGARCH
…………………………………………………
Mô hình GARCH đa biến (MGARCH)
Giới thiệu
Danh mục đầu tư
Lập danh mục đầu tư gồm N tài sản với W là tổng số tiền đầu tư, là tỷ trọng của tài sản I trong danh mục.
Với w là vecto tỷ trọng trong danh mục, là vecto giá trị kỳ vọng và là ma trận hiệp phương sai ta có các phương trình sau:
Rủi ro danh mục
Rủi ro của danh mục P được định nghĩa như sau:
Nếu thì
Rủi ro có điều kiện với mô hình ARCH
Giả định rằng vecto trung bình và ma trận phương sai là không đổi theo thời gian có hạn chế.
GARCH đơn biến là mô hình phụ thuộc trực tiếp vào danh mục đầu tư với một tỷ trọng nhất định. Nếu những vecto tỷ trọng thay đổi thì mô hình phải được ước tính 1 lần nữa.
Nhưng với mô hình GARCH đa biến có thể trực tiếp tính toán giá trị rủi ro danh mục với mọi vecto tỷ trọng đầu tư khác nhau.
Mô hình MGARCH tổng quát
2.1. mô hình GARCH đa biến
= + trong đó =
=
: IID, E( ) = 0, Var() =
= E(, ) = ()
= = Var( , )
là 1 ma trận NxN
là ma trận phương sai có điều kiện của .
là thông tin thu được tại thời điểm t-1.
Mô hình MGARCH với 2 tài sản:
=
= +
=
= E(| )
Cov(| ) = =
là ma trận đối xứng, i.e . =
& > 0, > 0.
Với k tài sản:
có k(k+1)/2 biến.
Hiệp phương sai giữa và là:
=
Ước lượng mô hình
ML
ML là cách ước lượng rất thuận tiện nhưng nó đòi hỏi một giả định về mật độ của , được ký hiệu là .
Xây dựng hàm:
Với
QML
Trong rất nhiều trường hợp khi tiến hành ước lượng thường tồn tại giả định . Nhưng với phương pháp ước lượng QML rất phù hợp dùng để ước lượng ngay cả khi hàm mật độ không phải là phân phối chuẩn .
Tuy nhiên phương pháp ước lượng QML sẽ kém hiệu quả hơn ML nếu hàm mật độ đã được xác định rõ tuân theo quy luật trong quá trình ước lượng.
Student
Hàm mật độ Student đa biến, ký hiệu được xác định như sau:
Với là hàm Gamma.
Skewed-Student
Hàm mật độ đa biến skewed-Student, ký hiệu là một dạng mở rộng của hàm .
là một vecto nhân tố trong đó >0 với mọi i.
mô tả độ xiên của
Nếu thì lệch trái.
Nếu thì lệch phải.
Nếu với mọi i thì hàm trở về thành hàm .
Kiểm định
Sau khi mô hình đã được ước lượng, kiểm định là một bước không thể thiếu. Đây là tiêu chuẩn đê đánh giá các đặc điểm kỹ thuật của mô hình, được thực hiện bằng cách sử dụng các tiêu chuẩn chuẩn đoán ( còn gọi là kiểm định đặc điểm kỹ thuật) và thủ tục liên quan.
Kiểm định tính dừng
Mô hình GARCH đa biến cũng có các kiểm định tính dừng giống như mô hình GARCH đơn biến:
Thống kê Q với biến hay
Thống kê Q với biến hay
Kiểm định Jarque_Bera.
Kiểm định của Engle & Ding(2001)
Engle & Ding kiểm định tính độc lập của biến .
Nếu biến độc lập thì với mọi
Nếu biến độc lập và cùng phân phối thì với
Ví dụ: nếu thì
với
Ứng dụng
Mô hình GARCH đa biến cũng như các mô hình GARCH thông thường đều có các ứng dụng chính sau:
định giá tài sản
xác định var của tài sản, danh mục
phòng hộ rủi ro
….
phòng hộ rủi ro
Danh mục phòng hộ rủi ro được xây dựng để giảm thiểu rủi ro xảy ra trong tương lai.
Mô hình định gi

---