[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_m%C3%B4%20h%C3%ACnh%20garch{\"limit\":5}":3,"_public_topic_byId_mô hình garch":181},{"code":4,"data":5,"meta":20},"SUCCESS",{"latest":6,"mostCited":79,"vietnamFeatured":144,"vietnamLatest":180},[7,24,37,51,66],{"publicationId":8,"title":9,"originalTitle":10,"authorNames":11,"authorCount":15,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":19,"totalCitation":20,"url":21,"doi":22,"summary":23},"17ed214a-a672-4b03-a07e-de230419922f","Suy diễn Bayes cho Mô hình GARCH Kiểu Hỗn hợp Gauss bằng Thuật toán Monte Carlo Hamilton","Bayesian Inference for Mixed Gaussian GARCH-Type Model by Hamiltonian Monte Carlo Algorithm",[12,13,14],"Rubing Liang","Binbin Qin","Qiang Xia",3,"Computational Economics",false,"2022-11-30",2022,null,"https:\u002F\u002Flink.springer.com\u002F10.1007\u002Fs10614-022-10337-4","10.1007\u002Fs10614-022-10337-4","\u003Cp>Đề xuất \u003Cb>suy diễn Bayes hỗn hợp\u003C\u002Fb> ứng dụng thuật toán Monte Carlo Hamilton (HMC) để ước lượng tham số cho \u003Cb class=\"publication-topic-keywords\">mô hình GARCH\u003C\u002Fb> kiểu hỗn hợp phân phối Gauss. Tác giả so sánh hiệu năng lấy mẫu của HMC với bộ lấy mẫu Griddy-Gibbs. Kết quả thực nghiệm cho thấy thuật toán HMC cải thiện đáng kể tốc độ hội tụ và mang lại khoảng tin cậy dự báo độ biến động chuẩn xác hơn.\u003C\u002Fp>",{"publicationId":25,"title":26,"originalTitle":27,"authorNames":28,"authorCount":31,"journalName":32,"vietnamJournal":17,"publishDate":33,"publishYear":19,"totalCitation":20,"url":34,"doi":35,"summary":36},"f592847c-e99e-4e26-a85f-8e92a6a3f749","Hiệu ứng lây lan của tiền điện tử lên thị trường chứng khoán: một nghiên cứu về sự biến động của Bitcoin sử dụng các mô hình BEKK chéo và DCC GARCH","Contagion effect of cryptocurrency on the securities market: a study of Bitcoin volatility using diagonal BEKK and DCC GARCH models",[29,30],"Kavya Clanganthuruthil Sajeev","Mohd Afjal",2,"SN Business & Economics","2022-05-20","https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs43546-022-00219-0","10.1007\u002Fs43546-022-00219-0","\u003Cp>Nghiên cứu \u003Cb>hiệu ứng lan tỏa tài chính\u003C\u002Fb> khảo sát tác động biến động của Bitcoin đối với các chỉ số chứng khoán quốc tế gồm NSE, SSE, LSE và DJIA. Tác giả áp dụng mô hình BEKK chéo và \u003Cb class=\"publication-topic-keywords\">mô hình GARCH\u003C\u002Fb> tương quan điều kiện động (DCC-GARCH). Kết quả thực nghiệm ghi nhận tương quan biến động ở mức thấp giúp Bitcoin đóng vai trò phòng ngừa rủi ro, đồng thời phản ứng bất đối xứng trước các cú sốc tiêu cực.\u003C\u002Fp>",{"publicationId":38,"title":39,"originalTitle":40,"authorNames":41,"authorCount":15,"journalName":45,"vietnamJournal":17,"publishDate":46,"publishYear":47,"totalCitation":20,"url":48,"doi":49,"summary":50},"3d5719c5-b21f-4f65-a8b9-4d4bee8831fa","Giao dịch nửa ngày và hiệu ứng spillover","Half-day trading and spillovers",[42,43,44],"Yifan Chen","Limin Yu","Jianhua Gang","Frontiers of Business Research in China","2021-02-17",2021,"https:\u002F\u002Ffbr.springeropen.com\u002Farticles\u002F10.1186\u002Fs11782-021-00097-7","10.1186\u002Fs11782-021-00097-7","\u003Cp>Phân tích \u003Cb>liên kết thị trường chứng khoán\u003C\u002Fb> khảo sát hiệu ứng lan tỏa lợi nhuận và độ biến động giữa thị trường Hoa Kỳ và Trung Quốc giai đoạn 2010–2020. Tác giả kết hợp mô hình tương quan điều kiện động DCC và \u003Cb class=\"publication-topic-keywords\">mô hình GARCH\u003C\u002Fb> không đối xứng Baba–Engle–Kraft–Kroner (BEKK). Kết quả chỉ ra các phiên giao dịch nửa ngày tạo ra cơ chế truyền dẫn biến động xuyên biên giới khác biệt so với giao dịch toàn ngày.\u003C\u002Fp>",{"publicationId":52,"title":53,"originalTitle":54,"authorNames":55,"authorCount":59,"journalName":60,"vietnamJournal":17,"publishDate":61,"publishYear":62,"totalCitation":20,"url":63,"doi":64,"summary":65},"9051230d-9aee-4cdb-a86e-fa9dd0a85663","Tác động của sự không chắc chắn trong chính sách tiền tệ của Hoa Kỳ đến tỷ giá hối đoái của châu Á","Impact of US monetary policy uncertainty on Asian exchange rates",[56,57,58],"Donghyun Park","Irfan Qureshi","Shu Tian",4,"Economic Change and Restructuring","2020-10-29",2020,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs10644-020-09307-3","10.1007\u002Fs10644-020-09307-3","\u003Cp>Đánh giá \u003Cb>bất định chính sách tiền tệ\u003C\u002Fb> khảo sát ảnh hưởng của chỉ số bất định chính sách tiền tệ Hoa Kỳ (MPU) đến tỷ giá hối đoái tại 10 nền kinh tế châu Á từ năm 2006 đến 2019. Tác giả sử dụng \u003Cb class=\"publication-topic-keywords\">mô hình GARCH\u003C\u002Fb> hàm mũ (EGARCH) để nắm bắt tính bất đối xứng. Kết quả chỉ ra cú sốc chính sách từ Mỹ làm gia tăng rõ rệt độ biến động tỷ giá của các đồng tiền châu Á.\u003C\u002Fp>",{"publicationId":67,"title":68,"originalTitle":69,"authorNames":70,"authorCount":31,"journalName":73,"vietnamJournal":17,"publishDate":74,"publishYear":75,"totalCitation":20,"url":76,"doi":77,"summary":78},"d1e83913-78b1-436b-9b4f-290996ea64d3","Mô hình hóa sự không đồng nhất điều kiện: Ứng dụng cho chỉ số lợi nhuận cổ phiếu “IBEX-35”","Modelling conditional heteroskedasticity: Application to the “IBEX-35” stock-return index",[71,72],"Angel León","Juan Mora","Spanish Economic Review","1999-11-01",1999,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs101080050010","10.1007\u002Fs101080050010","\u003Cp>Mô hình hóa \u003Cb>phương sai có điều kiện\u003C\u002Fb> so sánh hiệu năng của họ \u003Cb class=\"publication-topic-keywords\">mô hình GARCH\u003C\u002Fb> đối xứng và bất đối xứng trên chuỗi lợi nhuận hàng ngày của chỉ số chứng khoán Tây Ban Nha IBEX-35. Tác giả kiểm định sự hiện diện của hiệu ứng đòn bẩy và đuôi dày trong chuỗi dữ liệu. Kết quả chỉ ra các mô hình GARCH phi đối xứng nắm bắt rủi ro giảm giá vượt trội so với dạng tuyến tính tiêu chuẩn.\u003C\u002Fp>",[80,94,105,116,130],{"publicationId":81,"title":82,"originalTitle":83,"authorNames":84,"authorCount":31,"journalName":87,"vietnamJournal":17,"publishDate":88,"publishYear":89,"totalCitation":90,"url":91,"doi":92,"summary":93},"c5ce23fd-b696-4b6a-9d9e-ef6151ca7a8b","So sánh dự báo của các mô hình biến động: Liệu có mô hình nào vượt trội hơn GARCH(1,1)?","A forecast comparison of volatility models: does anything beat a GARCH(1,1)?",[85,86],"Peter Reinhard Hansen","Asger Lunde","Journal of Applied Econometrics","2005-12-01",2005,1638,"https:\u002F\u002Fonlinelibrary.wiley.com\u002Fdoi\u002F10.1002\u002Fjae.800","10.1002\u002Fjae.800","\u003Cp>Tổng kiểm định \u003Cb>năng lực dự báo biến động\u003C\u002Fb> so sánh 330 cấu trúc mô hình dạng ARCH với \u003Cb class=\"publication-topic-keywords\">mô hình GARCH\u003C\u002Fb>(1,1) trên chuỗi dữ liệu tỷ giá DM-$ và lợi nhuận cổ phiếu IBM. Tác giả áp dụng các kiểm định SPA và Reality Check trên tập dữ liệu phương sai thực tế. Kết quả cho thấy GARCH(1,1) không bị vượt qua trên chuỗi tỷ giá, nhưng kém hơn các mô hình phi đối xứng trên chuỗi cổ phiếu có hiệu ứng đòn bẩy.\u003C\u002Fp>",{"publicationId":95,"title":96,"originalTitle":20,"authorNames":97,"authorCount":31,"journalName":100,"vietnamJournal":17,"publishDate":101,"publishYear":19,"totalCitation":102,"url":103,"doi":20,"summary":104},"836c4258-fc10-4fea-848b-b04ff9ee081b","Tác động của yếu tố vĩ mô lên độ biến động dài hạn của các chỉ số ngành trên thị trường chứng khoán Việt Nam – mở rộng từ mô hình GARCH-MIDAS",[98,99],"Liên Nguyễn Thị","Minh Nguyễn Thị","Tạp chí Kinh tế và Phát triển","2022-08-25",0,"http:\u002F\u002F103.104.117.215\u002Findex.php\u002Fjed\u002Farticle\u002Fview\u002F693","\u003Cp>Phân tích \u003Cb>biến động chỉ số ngành\u003C\u002Fb> khảo sát vai trò của các biến số kinh tế vĩ mô đối với độ biến động dài hạn của 10 nhóm ngành chứng khoán Việt Nam. Tác giả áp dụng \u003Cb class=\"publication-topic-keywords\">mô hình GARCH\u003C\u002Fb> đa tần số mở rộng (GARCH-MIDAS) để kết nối dữ liệu ngày và tháng. Kết quả cho thấy tăng trưởng kinh tế và biến động lãi suất có tác động phân hóa mạnh mẽ giữa các nhóm ngành chu kỳ và phòng thủ.\u003C\u002Fp>",{"publicationId":106,"title":107,"originalTitle":20,"authorNames":108,"authorCount":31,"journalName":111,"vietnamJournal":17,"publishDate":112,"publishYear":113,"totalCitation":102,"url":114,"doi":20,"summary":115},"946ff9d8-59fc-4404-828c-6e6cffe81de6","CHU KỲ MẶT TRĂNG VÀ BIẾN ĐỘNG TỶ SUẤT LỢI NHUẬN CHỨNG KHOÁN TẠI VIỆT NAM – TIẾP CẬN BẰNG MÔ HÌNH IGARCH",[109,110],"Tạp chí Kinh tế Đối ngoại","Nguyễn Văn Diệp","Tạp chí Quản lý và Kinh tế quốc tế","2018-05-17",2018,"https:\u002F\u002Fjiemvn.ftu.edu.vn\u002Findex.php\u002Ftcktdn\u002Farticle\u002Fview\u002F51","\u003Cp>Khảo sát \u003Cb>hiệu ứng chu kỳ mặt trăng\u003C\u002Fb> đánh giá tác động của các pha trăng tròn và trăng non đến tỷ suất lợi nhuận của chỉ số VN-Index thông qua \u003Cb class=\"publication-topic-keywords\">mô hình GARCH\u003C\u002Fb> tích hợp (IGARCH). Tác giả kiểm định mối liên hệ giữa hiệu ứng lịch biểu, tâm lý nhà đầu tư và độ biến động thị trường. Kết quả ghi nhận trăng tròn có ảnh hưởng tiêu cực trong khi trăng non có tác động tích cực ngắn hạn đến lợi nhuận chứng khoán.\u003C\u002Fp>",{"publicationId":117,"title":118,"originalTitle":119,"authorNames":120,"authorCount":15,"journalName":124,"vietnamJournal":17,"publishDate":125,"publishYear":126,"totalCitation":20,"url":127,"doi":128,"summary":129},"28c521e1-99f3-4106-97fe-9c19b5679f50","Khám Phá Quy Trình Bộ Nhớ Dài Trong Dự Đoán Chuỗi Thời Gian Tài Chính Giá Trị Khoảng và Ứng Dụng Của Nó","Exploring Long-Memory Process in the Prediction of Interval-Valued Financial Time Series and Its Application",[121,122,123],"Tingting Shen","Zhifu Tao","Huayou Chen","Journal of Systems Science and Complexity","2024-03-25",2024,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs11424-024-2112-9","10.1007\u002Fs11424-024-2112-9","\u003Cp>Nghiên cứu \u003Cb>chuỗi thời gian giá trị khoảng\u003C\u002Fb> đề xuất mô hình ARFIMAX-FIGARCH kết hợp tính chất bộ nhớ dài để dự báo biến động giá tương lai dầu thô WTI. Tác giả tích hợp cấu trúc phân kỳ và \u003Cb class=\"publication-topic-keywords\">mô hình GARCH\u003C\u002Fb> tích hợp phân số (FIGARCH) vào xử lý dữ liệu dạng khoảng. Kết quả cho thấy mô hình đề xuất cải thiện đáng kể độ chính xác dự báo cả trong mẫu lẫn ngoài mẫu so với các mô hình kinh điển.\u003C\u002Fp>",{"publicationId":131,"title":132,"originalTitle":133,"authorNames":134,"authorCount":59,"journalName":138,"vietnamJournal":17,"publishDate":139,"publishYear":140,"totalCitation":20,"url":141,"doi":142,"summary":143},"5f721619-176f-4f68-a09e-49511b167be1","Suy diễn biến ngẫu nhiên cho các mô hình GARCH","Stochastic variational inference for GARCH models",[135,136,137],"Hanwen Xuan","Luca Maestrini","Feng Chen","Statistics and Computing","2023-11-21",2023,"https:\u002F\u002Flink.springer.com\u002F10.1007\u002Fs11222-023-10356-7","10.1007\u002Fs11222-023-10356-7","\u003Cp>Phát triển \u003Cb>thuật toán suy diễn biến phân\u003C\u002Fb> đề xuất phương pháp xấp xỉ Gauss biến phân để ước lượng tham số cho các \u003Cb class=\"publication-topic-keywords\">mô hình GARCH\u003C\u002Fb> với sai số phân phối Gaussian, Student-t và t lệch. Tác giả thực nghiệm trên chuỗi thời gian tài chính mô phỏng và thực tế. Kết quả cho thấy phương pháp mới đạt tốc độ hội tụ nhanh hơn nhiều so với MCMC truyền thống mà vẫn bảo toàn độ chính xác tham số.\u003C\u002Fp>",[145,159,169],{"publicationId":146,"title":147,"originalTitle":20,"authorNames":148,"authorCount":15,"journalName":152,"vietnamJournal":153,"publishDate":154,"publishYear":155,"totalCitation":102,"url":156,"doi":157,"summary":158},"ca5a555d-968c-4b8c-8d65-af56f0349d30","CÁC GIÁN ĐOẠN VỀ CẤU TRÚC VÀ CÁC MÔ HÌNH GARCH CỦA BIẾN ĐỘNG TỶ SUẤT SINH LỜI CHỨNG KHOÁN: TRƯỜNG HỢP CỦA VIỆT NAM",[149,150,151],"NGÔ VĂN TOÀN","VŨ BÁ THÀNH","BÙI HỮU PHƯỚC","Tạp chí Khoa học và Công nghệ - Trường Đại học Công nghiệp TP.HCM",true,"2019-10-11",2019,"https:\u002F\u002Fjst.iuh.edu.vn\u002Findex.php\u002Fjst-iuh\u002Farticle\u002Fview\u002F244","10.46242\u002Fjst-iuh.v29i05.244","\u003Cp>Đánh giá \u003Cb>gián đoạn cấu trúc thị trường\u003C\u002Fb> phân tích chuỗi lợi nhuận cổ phiếu ACB và chỉ số VN-Index bằng \u003Cb class=\"publication-topic-keywords\">mô hình GARCH\u003C\u002Fb> kết hợp kiểm định Zivot-Andrews và kiểm định đa điểm gián đoạn. Tác giả tích hợp các điểm gãy cấu trúc vào mô hình GJR-GARCH để đo lường giá trị chịu rủi ro VaR qua phương pháp backtesting. Kết quả chỉ ra việc bổ sung gián đoạn cấu trúc nâng cao rõ rệt độ chuẩn xác dự báo rủi ro.\u003C\u002Fp>",{"publicationId":160,"title":161,"originalTitle":20,"authorNames":162,"authorCount":31,"journalName":165,"vietnamJournal":153,"publishDate":166,"publishYear":47,"totalCitation":20,"url":167,"doi":20,"summary":168},"d91ab0e9-781a-4358-93b4-3f79cf2e1888","ỨNG DỤNG MÔ HÌNH ARCH VÀ GARCH DỰ BÁO LỢI SUẤT CỔ PHIẾU VNM",[163,164],"Trinh Thi Huyen Trang","Le Thi Thu Thao","Tạp chí khoa học và công nghệ","2021-06-30","http:\u002F\u002Fjst.utehy.edu.vn\u002Findex.php\u002Fjst\u002Farticle\u002Fview\u002F460","\u003Cp>Dự báo \u003Cb>lợi suất cổ phiếu VNM\u003C\u002Fb> phân tích chuỗi dữ liệu giá đóng cửa hàng ngày của Công ty Cổ phần Sữa Việt Nam gồm 989 quan sát từ tháng 8\u002F2016 đến tháng 9\u002F2020. Nhóm tác giả áp dụng mô hình ARCH kết hợp \u003Cb class=\"publication-topic-keywords\">mô hình GARCH\u003C\u002Fb> để mô hình hóa cụm biến động. Kết quả thực nghiệm cho thấy mô hình nắm bắt tốt đặc tính phương sai thay đổi có điều kiện và hỗ trợ đo lường rủi ro đầu tư.\u003C\u002Fp>",{"publicationId":170,"title":171,"originalTitle":20,"authorNames":172,"authorCount":174,"journalName":175,"vietnamJournal":153,"publishDate":176,"publishYear":177,"totalCitation":20,"url":178,"doi":20,"summary":179},"3d414d2c-654b-4c27-8dfd-920cf20ecfb1","Ứng dụng mô hình kết hợp ARIMA-GARCH để dự báo chỉ số VN-Index",[173],"Nguyễn Thanh Hương*, Bùi Quang Trung*",1,"Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng","2015-04-30",2015,"https:\u002F\u002Fjst-ud.vn\u002Fjst-ud\u002Farticle\u002Fview\u002F2221","\u003Cp>Dự báo \u003Cb>chỉ số chứng khoán VN-Index\u003C\u002Fb> xây dựng mô hình tích hợp ARIMA(1,1,1) kết hợp \u003Cb class=\"publication-topic-keywords\">mô hình GARCH\u003C\u002Fb>(1,1) để mô phỏng đồng thời giá trị trung bình và phương sai có điều kiện của thị trường chứng khoán Việt Nam. Tác giả so sánh sai số dự báo giữa mô hình lai và các mô hình đơn lẻ. Kết quả cho thấy cấu trúc ARIMA-GARCH cho kết quả dự báo vượt trội hơn hẳn mô hình riêng biệt.\u003C\u002Fp>",[],{"code":4,"data":182,"meta":20},{"id":183,"title":184,"description":185,"content":186,"term":183,"englishTitle":20,"synonyms":20,"definition":20,"discipline":20,"references":20,"faqs":20,"createUser":187,"publishUser":190,"keywords":194,"keywordCount":205,"enrichTopicLink":153,"status":206,"createTime":207,"updateTime":208,"publishTime":209,"linkEnrichedTime":210,"publicationScanTime":211,"contentErrorMessage":20,"viewCount":212,"relateTopics":213},"mô hình garch","Mô hình garch là gì? Các bài nghiên cứu khoa học liên quan","Mô hình GARCH (Generalized Autoregressive Conditional Heteroskedasticity) là phương pháp thống kê mô tả phương sai điều kiện của chuỗi thời gian tài chính phụ thuộc vào sai số và phương sai quá khứ. Kết hợp thành phần ARCH và GARCH, GARCH(p,q) cho phép dự báo độ biến động (volatility) theo thời gian, hỗ trợ quản lý rủi ro và định giá tài sản tài chính. ","\u003Cdiv>\u003Ch2>Định nghĩa và khái quát mô hình GARCH\u003C\u002Fh2>\n\u003Cp>Mô hình GARCH (Generalized Autoregressive Conditional Heteroskedasticity) là phương pháp thống kê được thiết kế để mô tả sự thay đổi phương sai theo thời gian trong các chuỗi dữ liệu tài chính, đặc biệt là độ biến động giá cổ phiếu, tỷ giá hoặc lãi suất. Thay vì giả định phương sai cố định (homoscedasticity), GARCH cho phép phương sai điều kiện (σ\u003Csub>t\u003C\u002Fsub>\u003Csup>2\u003C\u002Fsup>) tại mỗi thời điểm phụ thuộc vào các giá trị sai số quá khứ và phương sai quá khứ, từ đó bắt được hiện tượng “đám mây” biến động (volatility clustering).\u003C\u002Fp>\n\u003Cp>Công thức tổng quát GARCH(p,q) thể hiện tính tự hồi quy có thành phần ARCH và GARCH:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\n  \\sigma_t^2 = \\omega + \\sum_{i=1}^q \\alpha_i \\,\\epsilon_{t-i}^2 + \\sum_{j=1}^p \\beta_j \\,\\sigma_{t-j}^2\n\u003C\u002Fscript>\n\u003Cp>Trong đó, ω, α\u003Csub>i\u003C\u002Fsub>, β\u003Csub>j\u003C\u002Fsub> là các tham số dương đảm bảo σ\u003Csub>t\u003C\u002Fsub>\u003Csup>2\u003C\u002Fsup> luôn lớn hơn 0. GARCH(1,1) với p=q=1 là dạng phổ biến nhất do tính đơn giản và hiệu quả trong thực nghiệm.\u003C\u002Fp>\n\n\u003Ch2>Lịch sử phát triển\u003C\u002Fh2>\n\u003Cp>Năm 1982, Robert F. Engle đề xuất mô hình ARCH (Autoregressive Conditional Heteroskedasticity) để giải thích hiện tượng biến động không đồng nhất trong dữ liệu kinh tế, và nhận giải Nobel Kinh tế năm 2003 nhờ đóng góp này (\u003Ca href=\"https:\u002F\u002Fwww.nobelprize.org\u002Fprizes\u002Feconomic-sciences\u002F2003\u002Fengle\u002Flecture\u002F\" target=\"_blank\">Engle Nobel Lecture\u003C\u002Fa>). Tuy nhiên ARCH chỉ mô hình hóa biến động dựa trên sai số bình phương quá khứ, chưa kể đến tác động tích lũy của {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%99%20bi%E1%BA%BFn%20%C4%91%E1%BB%99ng%22%7D}} qua nhiều bước lùi.\u003C\u002Fp>\n\u003Cp>Năm 1986, Tim Bollerslev mở rộng ARCH thành GARCH bằng cách thêm phần autoregressive cho {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20sai%22%7D}}, ghi nhận ảnh hưởng của phương sai thời điểm t−j lên phương sai thời điểm t (\u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fpii\u002F0304405X86900218\" target=\"_blank\">ScienceDirect\u003C\u002Fa>). Kể từ đó, hàng loạt biến thể như EGARCH, TGARCH, GJR-GARCH, FIGARCH… đã ra đời nhằm khắc phục các hạn chế của mô hình cơ bản và mô tả tốt hơn các đặc tính bất đối xứng hay nhớ dài trong biến động tài chính.\u003C\u002Fp>\n\n\u003Ch2>Cấu trúc mô hình GARCH(p,q)\u003C\u002Fh2>\n\u003Cp>Mô hình GARCH(p,q) kết hợp hai thành phần chính: phần ARCH (autoregressive conditional heteroskedasticity) bậc q và phần GARCH (generalized…) bậc p. Phần ARCH mô tả ảnh hưởng tức thời từ sai số bình phương quá khứ, trong khi phần GARCH mô tả ảnh hưởng kéo dài của phương sai quá khứ.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">\\omega\u003C\u002Fscript>: hằng số nền, xác định mức độ biến động cơ bản.\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">\\alpha_i\u003C\u002Fscript>: trọng số ARCH, đo độ nhạy của phương sai với sai số bình phương quá khứ \u003Cscript type=\"math\u002Ftex\">\\epsilon_{t-i}^2\u003C\u002Fscript>.\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">\\beta_j\u003C\u002Fscript>: trọng số GARCH, đo độ trễ của ảnh hưởng phương sai quá khứ \u003Cscript type=\"math\u002Ftex\">\\sigma_{t-j}^2\u003C\u002Fscript>.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ctable>\n  \u003Ctbody>\u003Ctr>\u003Cth>Tham số\u003C\u002Fth>\u003Cth>Ý nghĩa\u003C\u002Fth>\u003Cth>Ví dụ GARCH(1,1)\u003C\u002Fth>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>\u003Cscript type=\"math\u002Ftex\">\\omega\u003C\u002Fscript>\u003C\u002Ftd>\u003Ctd>Biến động cơ bản\u003C\u002Ftd>\u003Ctd>0.0001\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>\u003Cscript type=\"math\u002Ftex\">\\alpha_1\u003C\u002Fscript>\u003C\u002Ftd>\u003Ctd>Ảnh hưởng sai số quá khứ\u003C\u002Ftd>\u003Ctd>0.10\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>\u003Cscript type=\"math\u002Ftex\">\\beta_1\u003C\u002Fscript>\u003C\u002Ftd>\u003Ctd>Ảnh hưởng phương sai quá khứ\u003C\u002Ftd>\u003Ctd>0.85\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>Khi \u003Cscript type=\"math\u002Ftex\">\\alpha_1 + \\beta_1\u003C\u002Fscript> gần 1, mô hình cho thấy độ biến động có tính “kiên trì” cao, nghĩa là một cú sốc thị trường kéo dài ảnh hưởng lên biến động trong thời gian dài.\u003C\u002Fp>\n\n\u003Ch2>Giả thiết cơ bản và điều kiện bền vững\u003C\u002Fh2>\n\u003Cp>Để đảm bảo tính nhất quán và ổn định của ước lượng, GARCH đặt ra các giả thiết:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Sai số chuẩn hóa \u003Cscript type=\"math\u002Ftex\">\\epsilon_t \u002F \\sigma_t\u003C\u002Fscript> độc lập, {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20ph%E1%BB%91i%20chu%E1%BA%A9n%22%7D}} hoặc t Student với kỳ vọng 0 và phương sai 1.\u003C\u002Fli>\n  \u003Cli>Không tồn tại tương quan cấp cao: E[\u003Cscript type=\"math\u002Ftex\">\\epsilon_t\\,\\epsilon_{t-k}\u003C\u002Fscript>] = 0 với k>0.\u003C\u002Fli>\n  \u003Cli>Điều kiện bền vững (covariance stationarity): tổng các tham số phải thỏa \u003Cscript type=\"math\u002Ftex\">\\sum_{i=1}^q \\alpha_i + \\sum_{j=1}^p \\beta_j \u003C 1\u003C\u002Fscript>.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ctable>\n  \u003Ctbody>\u003Ctr>\u003Cth>Điều kiện\u003C\u002Fth>\u003Cth>Hệ quả\u003C\u002Fth>\u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cscript type=\"math\u002Ftex\">\\sum \\alpha_i + \\sum \\beta_j \u003C 1\u003C\u002Fscript>\u003C\u002Ftd>\n    \u003Ctd>Phương sai hội tụ, mô hình không trở nên phát tán\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cscript type=\"math\u002Ftex\">\\alpha_i, \\beta_j \\ge 0\u003C\u002Fscript>\u003C\u002Ftd>\n    \u003Ctd>Phương sai luôn dương\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>Nếu tổng \u003Cscript type=\"math\u002Ftex\">\\alpha_i + \\beta_j\u003C\u002Fscript> vượt quá 1, GARCH trở thành mô hình không bền vững, phương sai sẽ tăng vô hạn theo thời gian, không phù hợp với dữ liệu thực tế.\u003C\u002Fp>\n\u003Ch2>Ước lượng tham số\u003C\u002Fh2>\n\u003Cp>Phương pháp Ước lượng Hồi quy Tối đa (MLE – Maximum Likelihood Estimation) là cách tiếp cận chủ yếu để {{topic|%7B%22topic%22%3A%22%C6%B0%E1%BB%9Bc%20l%C6%B0%E1%BB%A3ng%20tham%20s%E1%BB%91%22%7D}} \u003Cscript type=\"math\u002Ftex\">\\omega\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">\\{\\alpha_i\\}\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">\\{\\beta_j\\}\u003C\u002Fscript> trong GARCH. Giả thiết sai số \u003Cscript type=\"math\u002Ftex\">\\epsilon_t\u002F\\sigma_t\u003C\u002Fscript> phân phối chuẩn, hàm log-likelihood cho {{topic|%7B%22topic%22%3A%22chu%E1%BB%97i%20th%E1%BB%9Di%20gian%22%7D}} dài T được viết:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\n  \\mathcal{L}(\\theta) = -\\frac{1}{2}\\sum_{t=1}^T\\Bigl(\\ln(2\\pi) + \\ln\\sigma_t^2(\\theta) + \\tfrac{\\epsilon_t^2}{\\sigma_t^2(\\theta)}\\Bigr),\n\u003C\u002Fscript>\n\u003Cp>với \u003Cscript type=\"math\u002Ftex\">\\theta = (\\omega, \\alpha_1,\\dots,\\alpha_q,\\beta_1,\\dots,\\beta_p)\u003C\u002Fscript>. Thuật toán tối ưu như BFGS hoặc Nelder–Mead được sử dụng để tìm giá trị \u003Cscript type=\"math\u002Ftex\">\\hat\\theta\u003C\u002Fscript> tối đa hóa \u003Cscript type=\"math\u002Ftex\">\\mathcal{L}\u003C\u002Fscript>. Khi phân phối t Student được áp dụng, hàm likelihood được điều chỉnh để bao gồm tham số {{topic|%7B%22topic%22%3A%22b%E1%BA%ADc%20t%E1%BB%B1%20do%22%7D}} ν.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Kiểm tra hội tụ: giá trị gradient gần 0 và ma trận Hessian dương xác định.\u003C\u002Fli>\n  \u003Cli>Khởi tạo tham số: thường bắt đầu từ GARCH(1,1) hoặc kết quả ARCH(q) để tăng tốc hội tụ.\u003C\u002Fli>\n  \u003Cli>Đánh giá độ nhạy: bootstrap hoặc jackknife cho {{topic|%7B%22topic%22%3A%22kho%E1%BA%A3ng%20tin%20c%E1%BA%ADy%22%7D}} của ước lượng.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Chẩn đoán và kiểm tra mô hình\u003C\u002Fh2>\n\u003Cp>Chẩn đoán GARCH yêu cầu kiểm tra phần dư chuẩn hóa \u003Cscript type=\"math\u002Ftex\">\\eta_t = \\epsilon_t\u002F\\sigma_t\u003C\u002Fscript> để xác nhận giả thiết không tương quan và phân phối chuẩn hoặc gần chuẩn. Một số kiểm định tiêu biểu:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Test Ljung–Box\u003C\u002Fstrong> trên \u003Cscript type=\"math\u002Ftex\">\\{\\eta_t^2\\}\u003C\u002Fscript> để phát hiện autocorrelation còn lại: p-value cao gợi ý mô hình đã loại bỏ hiệu ứng ARCH.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Engle’s ARCH LM Test\u003C\u002Fstrong> kiểm định phần dư vuông \u003Cscript type=\"math\u002Ftex\">\\eta_t^2\u003C\u002Fscript> để xác định sự tồn tại bổ sung của ARCH-order.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Kolmogorov–Smirnov\u003C\u002Fstrong> hoặc \u003Cstrong>Shapiro–Wilk Test\u003C\u002Fstrong> đánh giá tính chuẩn của \u003Cscript type=\"math\u002Ftex\">\\eta_t\u003C\u002Fscript>.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>AIC và BIC được tính với log-likelihood \u003Cscript type=\"math\u002Ftex\">\\mathcal{L}_{\\max}\u003C\u002Fscript> và số tham số k:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\n  \\mathrm{AIC} = -2\\mathcal{L}_{\\max} + 2k,\\quad \\mathrm{BIC} = -2\\mathcal{L}_{\\max} + k\\ln T.\n\u003C\u002Fscript>\n\u003Cp>Ngưỡng lựa chọn mô hình tối ưu dựa trên giá trị AIC\u002FBIC thấp nhất. Biểu đồ Q–Q plot và phân tích histogram của \u003Cscript type=\"math\u002Ftex\">\\eta_t\u003C\u002Fscript> hỗ trợ trực quan chẩn đoán phân phối thực tế.\u003C\u002Fp>\n\n\u003Ch2>Mở rộng và biến thể\u003C\u002Fh2>\n\u003Cp>Để khắc phục các hạn chế của GARCH chuẩn, nhiều biến thể đã ra đời:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>EGARCH\u003C\u002Fstrong> (Nelson, 1991): mô hình hóa log phương sai để cho phép bất đối xứng, hiệu ứng “leverage” được thể hiện qua các tham số khác nhau cho cú sốc dương và âm.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>TGARCH\u002FGJR-GARCH\u003C\u002Fstrong> (Glosten, Jagannathan & Runkle): thêm thành phần chỉ kích hoạt khi \u003Cscript type=\"math\u002Ftex\">\\epsilon_{t-1}\u003C0\u003C\u002Fscript>, bắt hiện tượng thị trường giảm biến động mạnh hơn tăng.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>FIGARCH\u003C\u002Fstrong>: mô hình fractional integration cho phép “long memory” trong biến động, phù hợp chuỗi tài chính có {{topic|%7B%22topic%22%3A%22t%E1%BB%B1%20t%C6%B0%C6%A1ng%20quan%22%7D}} dài.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Các mô hình multivariate GARCH (MGARCH) như DCC-GARCH hay BEKK-GARCH mở rộng cho dữ liệu nhiều biến, mô tả đồng biến động giữa các tài sản khác nhau, quan trọng trong hoạch định {{topic|%7B%22topic%22%3A%22danh%20m%E1%BB%A5c%20%C4%91%E1%BA%A7u%20t%C6%B0%22%7D}} và mô phỏng rủi ro hệ thống.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng trong kinh tế – tài chính\u003C\u002Fh2>\n\u003Cp>GARCH được ứng dụng rộng rãi trong dự báo độ biến động và quản lý rủi ro:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Value-at-Risk (VaR)\u003C\u002Fstrong>: dự báo phân phối biến động để tính mức lỗ tối đa trong ngưỡng tin cậy nhất định.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Định giá quyền chọn\u003C\u002Fstrong>: tích hợp GARCH vào mô hình Black–Scholes điều chỉnh biến động không hằng định theo thời gian (\u003Ca href=\"https:\u002F\u002Fonlinelibrary.wiley.com\u002Fdoi\u002F10.1111\u002F1467-9892.00149\" target=\"_blank\">Dilão & Máca\u003C\u002Fa>).\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Dự báo lãi suất và tỷ giá\u003C\u002Fstrong>: các ngân hàng trung ương và quỹ đầu tư sử dụng GARCH để xây dựng chiến lược phòng hộ.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ctable>\n  \u003Ctbody>\u003Ctr>\u003Cth>Ứng dụng\u003C\u002Fth>\u003Cth>Mục tiêu\u003C\u002Fth>\u003Cth>Ví dụ\u003C\u002Fth>\u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>VaR\u003C\u002Ftd>\n    \u003Ctd>Quản lý rủi ro danh mục\u003C\u002Ftd>\n    \u003Ctd>95% VaR 1 ngày cho cổ phiếu\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Option Pricing\u003C\u002Ftd>\n    \u003Ctd>Định giá quyền chọn động\u003C\u002Ftd>\n    \u003Ctd>Heston–GARCH Model\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Hedging\u003C\u002Ftd>\n    \u003Ctd>Phòng vệ biến động\u003C\u002Ftd>\n    \u003Ctd>Hợp đồng tương lai lãi suất\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Hạn chế và thách thức\u003C\u002Fh2>\n\u003Cp>Mô hình GARCH cơ bản vẫn tồn tại một số nhược điểm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Giả thiết phân phối chuẩn không phù hợp với dữ liệu tài chính có đuôi dày; cần phân phối t Student hoặc GED.\u003C\u002Fli>\n  \u003Cli>Không mô tả được nhảy giá (jumps) hoặc biến đổi không liên tục trong chuỗi.\u003C\u002Fli>\n  \u003Cli>Ước lượng MLE có thể rơi vào cực tiểu cục bộ, phụ thuộc vào khởi tạo và phương pháp tối ưu.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Đối với dữ liệu đa biến, MGARCH yêu cầu ước lượng số lượng lớn tham số, dẫn đến chi phí tính toán cao và rủi ro quá khớp (overfitting).\u003C\u002Fp>\n\n\u003Ch2>Hướng nghiên cứu và phát triển\u003C\u002Fh2>\n\u003Cp>Hướng phát triển hiện nay tập trung vào kết hợp GARCH với các phương pháp học máy và mô hình phi tham số:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>GARCH–NN:\u003C\u002Fstrong> tích hợp {{topic|%7B%22topic%22%3A%22m%E1%BA%A1ng%20n%C6%A1-ron%22%7D}} sâu để mô hình hóa phi tuyến trong phương sai (\u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fpii\u002FS0893608021000074\" target=\"_blank\">ScienceDirect\u003C\u002Fa>).\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Bayesian GARCH:\u003C\u002Fstrong> sử dụng kỹ thuật Markov Chain Monte Carlo (MCMC) để ước lượng tham số và đánh giá không chắc chắn.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Nonparametric GARCH:\u003C\u002Fstrong> áp dụng kernel hoặc spline để xác định cấu trúc phương sai mà không cần giả thiết tuyến tính.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Nghiên cứu MGARCH giảm tham số như factor-GARCH và Dynamic Copula GARCH cũng được chú ý để mô tả biến động đa chiều hiệu quả hơn.\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Cul>\n  \u003Cli>Engle, R. F. “Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation.” Econometrica, 1982.\u003C\u002Fli>\n  \u003Cli>Bollerslev, T. “Generalized Autoregressive Conditional Heteroskedasticity.” Journal of Econometrics, 1986. \u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fpii\u002F0304405X86900218\" target=\"_blank\">Link\u003C\u002Fa>.\u003C\u002Fli>\n  \u003Cli>Nelson, D. B. “Conditional Heteroskedasticity in Asset Returns: A New Approach.” Econometrica, 1991.\u003C\u002Fli>\n  \u003Cli>Tsay, R. S. “Analysis of Financial Time Series.” 4th ed., Wiley, 2010.\u003C\u002Fli>\n  \u003Cli>Francq, C., & Zakoïan, J.-M. “GARCH Models: Structure, Statistical Inference and Financial Applications.” 2nd ed., Wiley, 2019.\u003C\u002Fli>\n  \u003Cli>Investopedia. “GARCH Model Definition.” 2025. \u003Ca href=\"https:\u002F\u002Fwww.investopedia.com\u002Fterms\u002Fg\u002Fgarch.asp\" target=\"_blank\">Link\u003C\u002Fa>.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fdiv>",{"id":174,"researcherId":20,"name":188,"imageUrl":189},"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":191,"researcherId":20,"name":192,"imageUrl":193},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",[195,196,197,198,199,200,201,202,203,204],"độ biến động","phương sai","phân phối chuẩn","ước lượng tham số","chuỗi thời gian","bậc tự do","khoảng tin cậy","tự tương quan","danh mục đầu tư","mạng nơ-ron",10,"PUBLISHED","2025-07-13T02:21:17.885+00:00","2026-08-31T11:04:07.295+00:00","2025-07-14T10:08:18.693+00:00","2026-08-31T11:04:06.549+00:00","2026-08-31T10:46:35.300+00:00",874,[214,217,220,223,226,229,232,235,238,241],{"id":215,"title":216,"term":215,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"arima","Arima là gì? Các công bố khoa học về Arima",{"id":218,"title":219,"term":218,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"artificial intelligence","Artificial Intelligence là gì? Các nghiên cứu khoa học về AI",{"id":221,"title":222,"term":221,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"thực nghiệm","Thực nghiệm là gì? Các nghiên cứu khoa học Thực nghiệm",{"id":224,"title":225,"term":224,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"khảo nghiệm","Khảo nghiệm là gì? Các công bố khoa học về Khảo nghiệm",{"id":227,"title":228,"term":227,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"bộ lọc kalman","Bộ lọc kalman là gì? Các nghiên cứu khoa học về Bộ lọc kalman",{"id":230,"title":231,"term":230,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"hồi quy phân vị","Hồi quy phân vị là gì? Các bài nghiên cứu khoa học",{"id":233,"title":234,"term":233,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"mô hình logit","Mô hình logit là gì? Các công bố khoa học về Mô hình logit",{"id":236,"title":237,"term":236,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"đường cong kuznets môi trường","Đường cong kuznets môi trường là gì? Nghiên cứu liên quan",{"id":239,"title":240,"term":239,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"hệ số tương quan","Hệ số tương quan là gì? Các nghiên cứu về Hệ số tương quan",{"id":242,"title":243,"term":242,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"giải thuật gen ga","Giải thuật gen GA là gì? Các nghiên cứu về Giải thuật gen GA"]