Modelling and predicting stock returns: Empirical evidence from Vietnam
In this paper, we analyze properties of the VN-Index's daily closing price data series from January 3, 2001
to March 13, 2020 by using the estimation method of time series model. The analysis and testing results show
that shocks cause a persistent effect, leading to stationariness and long-term memory of this time series; and the
ARFIMA (1,0.2,4)-FIGARCH (1,0.16,1) model was chosen to predict returns of above data series
Trang 1
Trang 2
Trang 3
Trang 4
Trang 5
Trang 6
Trang 7
Trang 8
Trang 9
Trang 10
Tải về để xem bản đầy đủ
Bạn đang xem 10 trang mẫu của tài liệu "Modelling and predicting stock returns: Empirical evidence from Vietnam", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
Tóm tắt nội dung tài liệu: Modelling and predicting stock returns: Empirical evidence from Vietnam
59 QUY NHON UNIVERSITY SCIENCEJOURNAL OF Journal of Science - Quy Nhon University, 2020, 14(2), 59-69 Modelling and predicting stock returns: Empirical evidence from Vietnam Cao Tan Binh*, Le Mong Huyen, Pham Nguyen Dinh Tuan Faculty of Economics and Accounting, Quy Nhon University, Vietnam Received: 21/03/2020; Accepted: 21/04/2020 ABSTRACT In this paper, we analyze properties of the VN-Index's daily closing price data series from January 3, 2001 to March 13, 2020 by using the estimation method of time series model. The analysis and testing results show that shocks cause a persistent effect, leading to stationariness and long-term memory of this time series; and the ARFIMA (1,0.2,4)-FIGARCH (1,0.16,1) model was chosen to predict returns of above data series. Keywords: ARFIMA-FIGARCH, long-term memory, closing price, prediction. *Corresponding author. Email: caotanbinh@qnu.edu.vn 60 TRƯỜNG ĐẠI HỌC QUY NHƠN KHOA HỌCTẠP CHÍ Tạp chí Khoa học - Trường Đại học Quy Nhơn, 2020, 14(2), 59-69 Mô hình và dự báo lợi nhuận cổ phiếu: Bằng chứng thực nghiệm từ Việt Nam Cao Tấn Bình*, Lê Mộng Huyền, Phạm Nguyễn Đình Tuấn Khoa Kinh tế & Kế toán, Trường Đại học Quy Nhơn, Việt Nam Ngày nhận bài: 21/03/2020; Ngày nhận đăng: 21/04/2020 TÓM TẮT Trong bài báo này, chúng tôi phân tích tính chất của chuỗi dữ liệu giá đóng cửa theo ngày của chỉ số VN-Index từ 3/1/2001 đến 13/3/2020 bằng phương pháp mô hình chuỗi thời gian. Kết quả phân tích và kiểm định cho thấy các cú sốc gây ra hiệu ứng dai dẳng, dẫn đến chuỗi dữ liệu này không dừng và có trí nhớ lâu; và mô hình ARFIMA(1,0.2,4)-FIGARCH(1,0.16,1) được lựa chọn để dự báo chuỗi tỷ suất lợi nhuận của chuỗi dữ liệu trên. Từ khóa: ARFIMA-FIGARCH, trí nhớ lâu, giá đóng cửa, dự báo. *Tác giả liên hệ chính. Email: caotanbinh@qnu.edu.vn 1. GIỚI THIỆU Bài báo của Tim Bollerslev và Hans Ole Mikkelsen xuất bản năm 1996 về mô hình FIGARCH đã đặt nền tảng cho những mô hình có trí nhớ lâu, và được áp dụng một cách có hiệu quả trong việc kiểm định và dự báo các quá trình kinh tế và tài chính.1 Trong những năm qua, các nhà nghiên cứu đã tiếp tục thử nghiệm đối với các mô hình chuỗi thời gian khác nhau để mô hình hóa dữ liệu của thế giới thực. Gần đây, có nhiều nghiên cứu được thực hiện nhằm khai thác những ứng dụng của mô hình lai ARFIMA-FIGARCH. Michel Beine, Sébastien Laurent và Christelle Lecourt đã ước lượng các mô hình FIGARCH cho bốn tỷ giá dựa trên đồng đôla Mỹ (DEM, FRF, YEN và GBP) và cuối cùng nhận thấy rằng DEM, FRF, YEN thỏa mãn mô hình ARFIMA-FIGARCH, ngoại trừ GBP.2 Năm 2002, Richard T. Baillie và cộng sự đã kiểm chứng tính trí nhớ lâu của các cú sốc tài chính.3 Năm 2003, các công trình4,5 xem xét tính hiệu quả của thị trường chứng khoán Nhật Bản đối với mã cổ phiếu Nikkei 225 và tỷ giá hối đoái cũng dựa trên đồng đôla Mỹ bởi mô hình ARFIMA-FIGARCH. Năm 2004, Wilfredo Palma và Mauricio Zevallos đã phân tích cấu trúc tự tương quan của chuỗi thời gian bậc hai;6 Jurgen A. Doornik and Marius Ooms đã sử dụng mô hình ARFIMA suy diễn và dự báo lạm phát của Mỹ và Anh.7 Vấn đề lạm phát thuộc các nước khu vực châu Âu tiếp tục được nghiên cứu vào năm 2005, và tính trí nhớ lâu lại xuất hiện trong mô hình của Christian Conrad và Menelaos Karanasos.8 Năm 2007, nhiều công trình khảo sát về tính không dừng và trí nhớ lâu của chuỗi thời gian và áp dụng phân tích cho một số mã cổ phiếu quốc tế như SP 500 (Mỹ), Nikkei (Nhật Bản), PSI 20 (Bồ Đào Nha), CAC 40 (Pháp), DAX 30 (Đức), FTSE 100 (Anh), IBEX 35 (Tây Ban Nha) và MIB 30 (Ý).9-10 Năm 2009, công trình của P. Bagavathi Sivakumar và Dr. V. P. Mohandas sử dụng mô hình ARFIMA-FIGARCH để dự đoán lợi tức cổ phiếu của thị trường cổ phiếu 61 QUY NHON UNIVERSITY SCIENCEJOURNAL OF Journal of Science - Quy Nhon University, 2020, 14(2), 59-69 Ấn Độ11. Trong khoảng gần một thập niên trở lại đây, hàng loạt các công trình được công bố trên các tạp chí uy tín, tiếp tục sử dụng mô hình lai ARFIMA-FIGARCH để phân tích và dự đoán các quá trình chuỗi thời gian trong kinh tế và tài chính.12-22,25,27 Ở Việt Nam, trong những năm gần đây, một số tác giả đã sử dụng mô hình ARIMA hoặc mô hình GARCH trong các công trình nghiên cứu của mình: Tác giả Võ Xuân Vinh và cộng sự với công trình "Volatility in stock return series of Vietnam stock market",17 bài báo nghiên cứu các đặc điểm của sự biến động lợi nhuận của VNIndex qua việc sử dụng mô hình GARCH và nghiên cứu sự hiện diện của các điểm gãy cấu trúc trong phương sai của chuỗi lợi nhuận đó thông qua việc sử dụng thuật toán ICSS (iterated cumulative sums of squares). Sử dụng dữ liệu trong một khoảng thời gian dài, mô hình GARCH và GARCH-M tỏ ra hiệu quả trong việc mô tả các đặc điểm của lợi nhuận chứng khoán hàng ngày. Kết quả nghiên cứu có ý nghĩa quan trọng đối với các nhà đầu tư trong việc ra các quyết định liên quan đến việc định giá cổ phiếu, quản lý danh mục đầu tư, phòng ngừa rủi ro và dự báo. Ngoài ra, nó cũng có ích cho các nhà làm chính sách trong việc thực hiện và ban hành các chính sách tài chính; tác giả Ngô Văn Toàn và cộng sự với công trình "Dự báo giá vàng Việt Nam sử dụng mô hình GARCH",23 bài báo đã sử dụng các mô hình ARIMA và mô hình GARCH kết hợp với tiêu chuẩn AIC để tìm ra mô hình phù hợp, và nghiên cứu kết luận rằng GARCH(1,2) là mô hình thích hợp hơn để dự báo; tác giả Nguyễn Ngọc Thạch và cộng sự với công trình "Mô hình GARCH trong dự báo sự biến động của giá dầu thế giới",24 nghiên cứu này dự báo sự biến động của giá dầu thế giới. Với dữ liệu chuỗi giá dầu thô WTI, nhóm tác giả thực hiện ước lượng các dạng mô hình GARCH (1,1), EGARCH (1,1), GJR – GARCH (1,1) theo bốn quy luật phân phối khác nhau. Kết quả nghiên cứu cho thấy, mô hình EGARCH (1,1) theo quy luật phân phối Student-t cho kết quả dự báo tốt nhất. Ngoài ra, kết quả nghiên cứu cũng chỉ ra, mức độ ... GARCH, ký hiệu Các nhà kinh tế lượng, điển hình là Baillie, Bollerslev và Mikkelsen, đã kiểm chứng và nhận thấy rằng phần lớn các hiện tượng trong kinh tế và tài chính với tần số cao thường thỏa mãn các mô hình ARFIMA với hiệu ứng FIGARCH. 3. KẾT QUẢ THỰC NGHIỆM 3.1. Phân tích và dự báo bằng mô hình ARIMA-GARCH Xét chuỗi dữ liệu giá đóng cửa theo ngày của chỉ số chứng khoán Việt Nam VN-Index từ ngày 3/1/2001 đến ngày 13/3/2020. Hình bên dưới mô tả biến động của giá đóng cửa Close. Hình 1. Đồ thị giá đóng cửa 63 QUY NHON UNIVERSITY SCIENCEJOURNAL OF Journal of Science - Quy Nhon University, 2020, 14(2), 59-69 Kiểm định nghiệm đơn vị của Dickey- Fuller ở Bảng 2 chỉ ra tính dừng của chuỗi Logreturnclose. Bảng 2. Kiểm tra tính dừng của chuỗi Logreturnclose Bây giờ, ta tìm bậc cho mô hình ARIMA(p,d,q) đối với chuỗi dừng Logreturnclose bằng cách mô tả hàm tự tương quan ACF và hàm tương quan riêng phần PACF của chuỗi này. Hình 4. Tính chất của hàm tự tương quan và tương quan riêng phần Nhìn vào Hình 4, các trường hợp có thể xảy ra cho mô hình ARIMA(p,0,q) hay ARMA(p,q) của chuỗi Logreturnclose được mô tả bằng bảng ước lượng bên dưới với mức ý nghĩa 5%. Kết quả Bảng 1 cho thấy chuỗi Close không dừng. Bảng 1. Kiểm tra tính dừng của chuỗi Close Hình 2 mô tả quá trình biến động của chuỗi Logclose bằng cách lấy logarit của chuỗi Close, và nhận thấy chuỗi này cũng có tính chất tương tự như chuỗi Close. Hình 2. Đồ thị chuỗi dữ liệu logarit giá đóng cửa Close Để nghiên cứu chuỗi dữ liệu giá đóng cửa, ta thường xét chuỗi logarit của tỷ suất lợi nhuận, ký hiệu Logreturnclose, bằng cách lấy sai phân bậc 1 của chuỗi Logclose như Hình 3 bên dưới. Hình 3. Đồ thị chuỗi dữ liệu sai phân bậc 1 của Logclose 64 TRƯỜNG ĐẠI HỌC QUY NHƠN KHOA HỌCTẠP CHÍ Tạp chí Khoa học - Trường Đại học Quy Nhơn, 2020, 14(2), 59-69 ước lượng không có ý nghĩa thống kê. Do đó, ta chọn mô hình ARIMA(1,0,4) với hiệu ứng ARCH(3) để dự đoán cho chuỗi Logreturnclose. Bảng 4. Hồi quy mô hình ARIMA(1,0,4)-ARCH(3) Bảng 3. Ước lượng các hệ số của các mô hình ARIMA ARIMA (1,0,1) (1,0,4) (1,0,5) (1,0,6) (4,0,1) (4,0,4) (4,0,5) (4,0,6) (5,0,1) (5,0,4) (5,0,5) (5,0,6) 0.17* 0.90* 0.90* 0.93* 0.93* 0.4 1.91* 1.36 1.13* 1.53* 2.41* 1.19 - - - - -0.21* 0.32 -1.34* -0.27 -0.26* -0.61 -2.58* 0.04 - - - - 0.01 -0.13 0.3 -0.48 0.02 -0.26 1.50* -0.67 - - - - 0.07* 0.22 0.1 0.35 0.08* 0.42 -0.57* 0.32 - - - - - - - - -0.03* -0.12* 0.20* 0.069 0.10* -0.64* -0.64* -0.67* -0.66* -0.14 -1.65* -1.09 -0.87* -1.27* -2.15* -0.92 -0.19* -0.20* -0.21* - -0.38 0.87* -0.05 - 0.25 1.99* -0.32 -0.04* -0.04* -0.04* - 0.02 -0.03 0.49 - 0.35 -0.92* 0.61 0.06* 0.06* 0.07* - -0.14 -0.05 -0.14 - -0.26 0.35* -0.08 - 0.002 0.02 - - -0.09* -0.08* - - -0.19* -0.12 - - -0.03* - - - - - - - -0.06 R2 0.0701 0.0793 0.0791 0.0797 0.0796 0.0794 0.0805 0.0802 0.0798 0.0803 0.0806 0.0824 AIC -5.64 -5.66 -5.66 -5.66 -5.66 -5.66 -5.66 -5.66 -5.66 -5.66 -5.66 -5.66 SIC -5.64 -5.65 -5.65 -5.65 -5.65 -5.64 -5.64 -5.64 -5.65 -5.64 -5.64 -5.64 Căn cứ vào cột Prob., hệ số Adjusted R-squared, tiêu chuẩn AIC và SIC, mô hình ARIMA(1,0,4), ARIMA(5,0,5) là phù hợp cho chuỗi dữ liệu Logreturnclose. Tiếp theo, ta kiểm tra hiệu ứng ARCH và GARCH cho phần dư trong mô hình ARIMA(1,0,4). Hình 5. Tính chất hàm tự tương quan và tương quan riêng phần của phần dư Dựa vào Hình 5, nhận thấy mô hình ARIMA(1,0,4) có hiệu ứng ARCH tối đa bậc 6. Khi chạy mô hình ARIMA(1,0,4) với hiệu ứng ARCH có bậc từ 4 trở lên, có ít nhất các hệ số φ1 φ2 φ3 φ4 φ5 θ1 θ2 θ3 θ4 θ5 θ6 65 QUY NHON UNIVERSITY SCIENCEJOURNAL OF Journal of Science - Quy Nhon University, 2020, 14(2), 59-69 Dựa vào kết quả Hình 6, nhận thấy mô hình ARIMA(5,0,5) có hiệu ứng ARCH tối đa bậc 6. Khi chạy mô hình ARIMA(5,0,5) với hiệu ứng ARCH có bậc 1 đến 6, có ít nhất các hệ số ước lượng không có ý nghĩa thống kê. Ngoài ra, mô hình ARIMA(5,0,5) cũng có hiệu ứng GARCH(1,1). Tuy nhiên hệ số hồi quy của AR(5), MA(2), MA(4) và MA(5) không có ý nghĩa thống kê, được thể hiện trong Bảng 5. Bảng 6. Hồi quy mô hình ARIMA(5,0,5)-GARCH(1,1) Kết luận, mô hình ARIMA(1,0,4)- ARCH(3) phù hợp để dự đoán cho chuỗi thời gian Logreturnclose. Hình 7 minh họa kết quả dự báo trong mẫu từ ngày 16/03/2020 đến ngày 20/03/2020 cho chuỗi Logreturnclose. Ngoài ra, mô hình ARIMA(1,0,4) còn có hiệu ứng GARCH(1,1). Tuy nhiên hệ số hồi quy của MA(3) và MA(4) không có ý nghĩa thống kê. Bảng 5. Hồi quy mô hình ARIMA(1,0,4)-GARCH(1,1) Kiểm tra hiệu ứng ARCH và GARCH cho phần dư trong mô hình ARIMA(5,0,5). Hình 6. Tính chất hàm tự tương quan và tương quan riêng phần của phần dư của ARIMA(5,0,5) 66 TRƯỜNG ĐẠI HỌC QUY NHƠN KHOA HỌCTẠP CHÍ 3.2. Phân tích và dự báo bằng mô hình ARFIMA-FIGARCH Đồ thị từ Hình 1 cho chúng ta hình ảnh trực quan về tính không dừng và có trí nhớ lâu của chuỗi dữ liệu Close. Sau khi hồi quy các trường hợp có thể xảy ra cho mô hình ARFIMA- FIGARCH của chuỗi Logreturnclose, ta được bảng ước lượng bên dưới với mức ý nghĩa 10%. Sử dụng công thức logarit tỷ suất lợi nhuận 1 log tt t Close r Close − = , ta có kết quả dự báo sau đây: Bảng 7. Kết quả dự báo của mô hình ARIMA(1,0,4)- ARCH(3) Ngày Giá đóng cửa dự báo Giá đóng cửa thực tế MSE 16/03/2020 759.70 747.86 492.67 17/03/2020 757.64 745.78 18/03/2020 754.45 747.66 19/03/2020 751.38 725.94 20/03/2020 748.32 709.73 Tạp chí Khoa học - Trường Đại học Quy Nhơn, 2020, 14(2), 59-69 Bảng 8. Ước lượng các hệ số của các mô hình ARFIMA-FIGARCH ARFIMA-FIGARCH (1,d1,1)/(1,d2,1) (1,d1,4)/(1,d2,1) (4,d1,1)/(1,d2,1) (4,d1,4)/(1,d2,1) -0.00001 -0.0003 -0.0003 -0.0003 -0.13 0.91* 0.94* 0.57 - - -0.1* 0.42 - - 0.05* -0.15 - - 0.03 0.06 0.27* -0.91* -0.95* -0.59 - -0.11* - -0.53 - 0.05* - 1.17 - 0.03* - 0.005 0.06* 0.2* 0.21* 0.23* 0.00017* 0.001* 1.39* 0.00014* 0.90* 0.90* 0.90* 0.90* 0.98* 0.97* 0.98* 0.98* 0.15* 0.16* 0.16* 0.16* R2 0.071 0.073 0.073 0.072 AIC -6.15 -6.15 -6.15 -6.15 BIC -6.14 -6.13 -6.13 -6.13 µ φ1 φ2 φ3 θ4 d1 ω ϕ â β φ4 θ1 θ2 θ3 d2 Hình 7. Kết quả dự báo cho chuỗi Logreturnclose 67 QUY NHON UNIVERSITY SCIENCEJOURNAL OF Journal of Science - Quy Nhon University, 2020, 14(2), 59-69 Từ kết quả phân tích trên, kết luận rằng mô hình ARFIMA(1,0.2,4)-FIGARCH(1,0.16,1) là phù hợp để dự báo cho chuỗi thời gian Logreturnclose với mức ý nghĩa 10%, mặc dù mô hình ARIMA(1,0,4)-GARCH(1,1) được phân tích ở Bảng 7 là không phù hợp cho chuỗi dữ liệu. Điều này khẳng định tính hiệu lực của mô hình ARFIMA-FIGARCH khi áp dụng mô hình này cho các quá trình trong kinh tế và tài chính có tần số cao và chịu tác động của các cú sốc thị trường. Khi đó hệ phương trình Kết quả dự báo của mô hình ARFIMA(1,0.2,4)-FIGARCH(1,0.16,1) được cho bởi Bảng 8. Bảng 9. Kết quả dự báo của mô hình ARFIMA(1,0.2,4)-FIGARCH(1,0.16,1) Ngày Giá đóng cửa dự báo Giá đóng cửa thực tế MSE 16/03/2020 736.83 747.86 371.97 17/03/2020 738.43 745.78 18/03/2020 708.99 747.66 19/03/2020 720.92 725.94 20/03/2020 696.94 709.73 4. KẾT LUẬN Bài báo khảo sát tính chất của chuỗi dữ liệu giá đóng cửa theo ngày của chỉ số VN-Index từ 3/1/2001 đến 13/3/2020. Kết quả phân tích cho thấy chuỗi dữ liệu này thỏa mãn hai mô hình chuỗi thời gian là ARMA(1,4)-ARCH(3) và ARFIMA(1,0.2,4)-FIGARCH(1,0.16,1). Tuy nhiên, kết quả dự báo cho thấy trung bình bình phương sai số MSE của mô hình ARMA(1,4)- ARCH(3) bằng 492.67, lớn hơn nhiều so với trung bình bình phương sai số MSE của mô hình ARFIMA(1,0.2,4)-FIGARCH(1,0.16,1). Do đó, chúng tôi đề xuất mô hình ARFIMA(1,0.2,4) với hiệu ứng FIGARCH(1,0.16,1) là mô hình phù hợp nhất để dự báo chuỗi dữ liệu nghiên cứu, và đưa ra kết quả dự báo với độ tin cậy 90% cho 5 ngày tiếp theo. Kết quả dự báo cho thấy giá đóng cửa của chỉ số VN-Index tiếp tục lao dốc từ 736.83 điểm xuống 696.94 điểm sau 5 ngày từ 16/03/2020 đến 20/03/2020. Điều này phù hợp với tính chất trí nhớ lâu của mô hình ARFIMA-FIGARCH và biến động thực tế của VN-Index. Một giải thích cho nguyên nhân này là do tình hình dịch bệnh Covid-19 đang diễn biến phức tạp, tạo cú sốc mạnh làm chỉ số VN-Index tiếp tục rớt giá cho đến khi tình hình dịch bệnh được kiểm soát hoàn toàn và nền kinh tế phục hồi trở lại. Chúng tôi dự định sẽ xem xét việc đưa thêm biến giả cú sốc dịch bệnh vào mô hình cho những nghiên cứu tiếp theo trong thời gian tới. Lời cảm ơn: Nghiên cứu này được thực hiện trong khuôn khổ đề tài khoa học công nghệ cấp cơ sở của Trường Đại học Quy Nhơn với mã số T2019.636.31. TÀI LIỆU THAM KHẢO 1. Bollerslev, T. and H.O. Mikkelsen. Modeling and pricing long memory in stock market volatility. Journal of econometrics, 1996, 73(1), 151-184. 2. Beine, M., S. Laurent, and C. Lecourt. Accounting for conditional leptokurtosis and closing days effects in FIGARCH models of daily exchange rates. Applied Financial Economics, 2002, 12(8), 589-600. 3. Baillie, R.T., Y.W. Han, and T.-G. Kwon. Further long memory properties of inflationary shocks. Southern Economic Journal, 2002, 3(68), 496-510. 68 TRƯỜNG ĐẠI HỌC QUY NHƠN KHOA HỌCTẠP CHÍ Tạp chí Khoa học - Trường Đại học Quy Nhơn, 2020, 14(2), 59-69 4. Nagayasu, J. The efficiency of the Japanese equity market. International Finance Review, 2003, 4, 155-171. 5. Beine, M. and S. Laurent. Central bank interventions and jumps in double long memory models of daily exchange rates. Journal of Empirical Finance, 2003, 10(5), 641-660. 6. Palma, W. and M. Zevallos. Analysis of the correlation structure of square time series. Journal of Time Series Analysis, 2004, 25(4), 529-550. 7. Doornik, J.A. and M. Ooms. Inference and forecasting for ARFIMA models with an application to US and UK inflation. Studies in Nonlinear Dynamics & Econometrics, 2004, 8(2), 1-25. 8. Conrad, C. and M. Karanasos. Dual long memory in inflation dynamics across countries of the Euro area and the link between inflation uncertainty and macroeconomic performance. Studies in Nonlinear Dynamics & Econometrics, 2005, 9(4), 1-38. 9. Dionisio, A., R. Menezes, and D.A. Mendes. On the integrated behaviour of non-stationary volatility in stock markets. Physica A: Statistical Mechanics and its Applications, 2007, 382(1), 58-65. 10. Kasman, A. and E. Torun. Long memory in the Turkish stock market return and volatility. Central Bank Review, 2007, 2(2), 13-27. 11. Sivakumar, P. B., & Mohandas, V. P. Modeling and predicting stock returns using the ARFIMA- FIGARCH. In 2009 World Congress on Nature & Biologically Inspired Computing (NaBIC), IEEE, 2009. 12. Chokethaworn, K., et al. International tourist arrivals in Thailand: Forecasting with ARFIMA-FIGARCH approach. Economics: Annals of the University of Petrosani, 2010, 10(2), 75-84. 13. Wiphatthanananthakul, C. and S. Sriboonchitta. ARFIMA-FIGARCH and ARFIMA-FIAPARCH on Thailand volatility index. International Review of Applied Financial Issues and Economics, 2010, 2(2), 280 - 294. 14. Tan, S. and M. Khan. Long memory features in return and volatility of the Malaysian stock market. Economics Bulletin, 2010, 30(4), 3267- 3281. 15. Mabrouk, S. and C. Aloui. One-day-ahead value-at-risk estimations with dual long- memory models: Evidence from the Tunisian stock market. International Journal of Financial Services Management, 2010, 4(2), 77-94. 16. Sivakumar, P.B. and V. Mohandas. Performance Analysis of Hybrid Forecasting models with Traditional ARIMA models–A Case Study on Financial Time Series Data. International Journal of Computer Information Systems and Industrial Management Applications, 2010, 2, 187-211. 17. Vo, X. and T. Nguyen. Volatility in stock return series of Vietnam stock market. Science & Technology Development, 2011, Q3(14), 5-21 . 18. Chen, J.-H. and J.F. Diaz. Long memory and shifts in the returns of green and non-green Exchange-Traded Funds (ETFs). International Journal of Humanities and Social Science Invention, 2013, 2(10), 29-32. 19. Turkyilmaz, S. and M. Balibey. Long memory behavior in the returns of Pakistan stock market: Arfima-Figarch models. International Journal of Economics and Financial Issues, 2014, 4(2), 400-410. 20. Aye, G.C., et al. Predicting BRICS stock returns using ARFIMA models. Applied Financial Economics, 2014, 24(17), 1159-1166. 21. Ahamed, N., M. Kalita, and A.K. Tiwari. Testing the long-memory features in return and volatility of NSE index. Theoretical Economics Letters, 2015, 5(03), 431-440. 22. Rahmani, M., Volatility Modelling Using Long- Memory-GARCH Models, Applications of S&P/ TSX Composite Index, PhD Thesis, University of Ottawa, 2016. 69 QUY NHON UNIVERSITY SCIENCEJOURNAL OF Journal of Science - Quy Nhon University, 2020, 14(2), 59-69 26. Huu Phuoc, B., P. Thi Thu Hong, and N. Van Toan. Asset Price Volatility of Listed Companies in the Vietnam Stock Market. Asian Journal of Economics and Banking (AJEB), 2018, 2(2), 203-219. 27. P. T. Hong, C. T. Binh. A note on exponential stability of non-autonomous linear stochastic differential delay equations driven by a fractional Brownian motion with Hurst index > ½. Statistics and Probability Letters, 2018, 138, 127-136. 23. Toàn, N.V., N.P. Quốc, and N.H. Thạch. Dự báo giá vàng Việt Nam sử dụng mô hình Garch. Tạp chí Khoa học Trường Đại học An Giang, 2016, 2(10), 32-39. 24. Thạch, N.N. and L.H. Anh. Mô hình GARCH trong dự báo sự biến động của giá dầu thế giới. Tạp chí Công nghệ Ngân hàng, 2017, 129, 38 - 47. 25. Masa, A.S. and J.F.T. Diaz. Long-memory Modelling and Forecasting of the Returns and Volatility of Exchange-traded Notes (ETNs). Margin: The Journal of Applied Economic Research, 2017, 11(1), 23-53.
File đính kèm:
- modelling_and_predicting_stock_returns_empirical_evidence_fr.pdf