Đường cong tác động của tin tức

Tin xấu về lợi nhuận ảnh hưởng đến phương sai nhiều hơn tin tốt. Mô hình GJR-GARCH cho phép phản ứng bất đối xứng của phương sai trước tin tốt và tin xấu. Đường cong tác động của tin tức là một công cụ hữu ích để trực quan hóa cách phương sai phản ứng với mức bất ngờ trong lợi nhuận.

Phát biểu nào sau đây là sai?

Bài tập này là một phần của khóa học

Các mô hình GARCH trong R

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

Các mô hình GARCH trong R

SkillTag.level.advancedSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Chúng ta bắt đầu bằng việc “xắn tay” vào dữ liệu. Phân tích cửa sổ trượt đối với lợi nhuận cổ phiếu theo ngày cho thấy độ lệch chuẩn thay đổi rất mạnh theo thời gian. Nhìn lại quá khứ, ta có bằng chứng rõ ràng về biến động theo thời gian. Nhìn về phía trước, chúng ta cần ước lượng biến động của lợi nhuận tương lai. Đó chính là điều một mô hình GARCH thực hiện! Trong chương này, bạn sẽ học những điều cơ bản khi dùng gói rugarch để đặc tả và ước lượng mô hình GARCH(1,1) nòng cốt trong R. Chúng ta kết thúc bằng cách minh họa tính hữu ích của nó trong phân bổ tài sản chiến thuật.

Exercise 1: Phân tích biến động Exercise 2: Tính lợi nhuận Exercise 3: Độ lệch chuẩn trên các mẫu con Exercise 4: Lăn, lăn, lăn Exercise 5: Phương trình GARCH để dự đoán biến động Exercise 6: Phản ứng GARCH(1,1) với các cú sốc xảy ra một lần Exercise 7: Sai số dự báo Exercise 8: Tính đệ quy của phương sai GARCH Exercise 9: Gói rugarch Exercise 10: Chỉ định và “nếm” các biến thể GARCH Exercise 11: Dự báo ngoài mẫu Exercise 12: Nhắm mục tiêu biến động trong phân bổ tài sản chiến thuật

Thị trường đi lên bằng cầu thang và đi xuống bằng thang máy. Sự “khôn ngoan” trên Phố Wall này kéo theo các hệ quả quan trọng khi đặc tả một mô hình biến động thực tế. Nó đòi hỏi từ bỏ giả định chuẩn hóa, cũng như phản ứng đối xứng của biến động trước các cú sốc. Trong chương này, bạn sẽ tìm hiểu các mô hình GARCH có hiệu ứng đòn bẩy và nhiễu student t lệch. Cuối chương, bạn sẽ có thể dùng GARCH để ước lượng hơn mười nghìn đặc tả mô hình GARCH khác nhau.

Exercise 1: Phi chuẩn của lợi suất chuẩn hóa Exercise 2: Các tham số của phân phối student t lệch Exercise 3: Ước lượng mô hình GARCH phi chuẩn Exercise 4: Lợi nhuận đã chuẩn hóa Exercise 5: Tác động đòn bẩy Exercise 6: Đường cong tác động của tin tức

Bài tập hiện tại

Exercise 7: Ước lượng mô hình GJR-GARCH Exercise 8: Mô hình trung bình Exercise 9: Dự đoán lợi nhuận Exercise 10: Động lực AR(1)-GJR GARCH của lợi nhuận MSFT Exercise 11: Ảnh hưởng của mô hình trung bình lên dự báo độ biến động Exercise 12: Tránh phức tạp không cần thiết Exercise 13: Lựa chọn mô hình Exercise 14: Cố định các tham số GARCH Exercise 15: Giới hạn tham số và tác động lên dự báo Exercise 16: Variance targeting

Các mô hình GARCH tạo ra dự báo biến động, là đầu vào cho quyết định tài chính. Việc ứng dụng trong thực tế đòi hỏi trước hết phải đánh giá chất lượng dự báo biến động. Trong chương này, bạn sẽ học cách phân tích ý nghĩa thống kê của các tham số GARCH đã ước lượng, các tính chất của lợi nhuận đã chuẩn hóa, cách diễn giải tiêu chí thông tin và sử dụng ước lượng GARCH cuộn cùng sai số dự báo bình phương trung bình để phân tích độ chính xác của dự báo biến động.

Exercise 1: Ý nghĩa thống kê Exercise 2: Kiểm định ý nghĩa Exercise 3: Phân tích kết quả ước lượng Exercise 4: Một mô hình tốt hơn cho lợi nhuận EUR/USD Exercise 5: Mức độ phù hợp (Goodness of fit)Exercise 6: Tính tiết kiệm tham số (Parsimony)Exercise 7: Sai số dự báo bình phương trung bình Exercise 8: So sánh likelihood và tiêu chí thông tin Exercise 9: Chẩn đoán giá trị tuyệt đối của lợi nhuận đã chuẩn hóa Exercise 10: Xác nhận các giả định của mô hình GARCH Exercise 11: Biểu đồ tương quan (correlogram) và kiểm định Ljung-Box Exercise 12: Thay đổi mẫu ước lượng Exercise 13: Kiểm định ngược bằng ugarchroll Exercise 14: Các đối số của ugarchroll Exercise 15: Biến động in-sample so với rolling sample Exercise 16: Cuộc đua "horse race"

Đến giai đoạn này, bạn đã thành thạo đặc tả, ước lượng và kiểm định các mô hình GARCH bằng gói rugarch. Chương này giới thiệu các chức năng cụ thể của rugarch để ước tính value-at-risk, dùng mô hình GARCH trong vận hành thực tế và mô phỏng lợi nhuận GARCH. Bạn cũng sẽ thấy rằng sự hiện diện của động lực GARCH trong phương sai có các hệ quả đối với mô phỏng lợi nhuận log, ước lượng beta của một cổ phiếu và tìm danh mục có phương sai tối thiểu.

Exercise 1: Giá trị rủi ro (Value-at-Risk)Exercise 2: Biểu đồ VaR Exercise 3: Đồng biến động giữa volatility dự báo và VaR Exercise 4: Độ nhạy của mức bao phủ đối với mô hình phân phối Exercise 5: Cho triển khai thực tế và mô phỏng Exercise 6: Lợi suất thực tế so với lợi suất mô phỏng Exercise 7: Sử dụng trong môi trường sản xuất Exercise 8: Sử dụng trong mô phỏng Exercise 9: Rủi ro mô hình Exercise 10: Robustnik Exercise 11: Giá trị khởi tạo Exercise 12: Phương sai đồng biến GARCH Exercise 13: Ước lượng beta Exercise 14: Trọng số danh mục phương sai tối thiểu Exercise 15: GARCH & Co Exercise 16: Chúc mừng bạn