Mô hình garch là gì? Các bài nghiên cứu khoa học liên quan

Định nghĩa và khái quát mô hình GARCH

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_t²) 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).

Công thức tổng quát GARCH(p,q) thể hiện tính tự hồi quy có thành phần ARCH và GARCH:

$\sigma_t^2 = \omega + \sum_{i=1}^q \alpha_i \,\epsilon_{t-i}^2 + \sum_{j=1}^p \beta_j \,\sigma_{t-j}^2$

Trong đó, ω, α_i, β_j là các tham số dương đảm bảo σ_t² 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.

Lịch sử phát triển

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 (Engle Nobel Lecture). 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 độ biến động qua nhiều bước lùi.

Năm 1986, Tim Bollerslev mở rộng ARCH thành GARCH bằng cách thêm phần autoregressive cho phương sai, ghi nhận ảnh hưởng của phương sai thời điểm t−j lên phương sai thời điểm t (ScienceDirect). 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.

Cấu trúc mô hình GARCH(p,q)

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.

• $\omega$: hằng số nền, xác định mức độ biến động cơ bản.
• $\alpha_i$: trọng số ARCH, đo độ nhạy của phương sai với sai số bình phương quá khứ $\epsilon_{t-i}^2$.
• $\beta_j$: trọng số GARCH, đo độ trễ của ảnh hưởng phương sai quá khứ $\sigma_{t-j}^2$.

Tham số	Ý nghĩa	Ví dụ GARCH(1,1)
$\omega$	Biến động cơ bản	0.0001
$\alpha_1$	Ảnh hưởng sai số quá khứ	0.10
$\beta_1$	Ảnh hưởng phương sai quá khứ	0.85

Khi $\alpha_1 + \beta_1$ 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.

Giả thiết cơ bản và điều kiện bền vững

Để đảm bảo tính nhất quán và ổn định của ước lượng, GARCH đặt ra các giả thiết:

• Sai số chuẩn hóa $\epsilon_t / \sigma_t$ độc lập, phân phối chuẩn hoặc t Student với kỳ vọng 0 và phương sai 1.
• Không tồn tại tương quan cấp cao: E[$\epsilon_t\,\epsilon_{t-k}$] = 0 với k>0.
• Điều kiện bền vững (covariance stationarity): tổng các tham số phải thỏa $\sum_{i=1}^q \alpha_i + \sum_{j=1}^p \beta_j < 1$.

Điều kiện	Hệ quả
$\sum \alpha_i + \sum \beta_j < 1$	Phương sai hội tụ, mô hình không trở nên phát tán
$\alpha_i, \beta_j \ge 0$	Phương sai luôn dương

Nếu tổng $\alpha_i + \beta_j$ 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.

Ước lượng tham số

Phương pháp Ước lượng Hồi quy Tối đa (MLE – Maximum Likelihood Estimation) là cách tiếp cận chủ yếu để ước lượng tham số $\omega$, $\{\alpha_i\}$ và $\{\beta_j\}$ trong GARCH. Giả thiết sai số $\epsilon_t/\sigma_t$ phân phối chuẩn, hàm log-likelihood cho chuỗi thời gian dài T được viết:

$\mathcal{L}(\theta) = -\frac{1}{2}\sum_{t=1}^T\Bigl(\ln(2\pi) + \ln\sigma_t^2(\theta) + \tfrac{\epsilon_t^2}{\sigma_t^2(\theta)}\Bigr),$

với $\theta = (\omega, \alpha_1,\dots,\alpha_q,\beta_1,\dots,\beta_p)$. Thuật toán tối ưu như BFGS hoặc Nelder–Mead được sử dụng để tìm giá trị $\hat\theta$ tối đa hóa $\mathcal{L}$. Khi phân phối t Student được áp dụng, hàm likelihood được điều chỉnh để bao gồm tham số bậc tự do ν.

• Kiểm tra hội tụ: giá trị gradient gần 0 và ma trận Hessian dương xác định.
• Khởi tạo tham số: thường bắt đầu từ GARCH(1,1) hoặc kết quả ARCH(q) để tăng tốc hội tụ.
• Đánh giá độ nhạy: bootstrap hoặc jackknife cho khoảng tin cậy của ước lượng.

Chẩn đoán và kiểm tra mô hình

Chẩn đoán GARCH yêu cầu kiểm tra phần dư chuẩn hóa $\eta_t = \epsilon_t/\sigma_t$ để xác nhận giả thiết không tương quan và phân phối chuẩn hoặc gần chuẩn. Một số kiểm định tiêu biểu:

• Test Ljung–Box trên $\{\eta_t^2\}$ để phát hiện autocorrelation còn lại: p-value cao gợi ý mô hình đã loại bỏ hiệu ứng ARCH.
• Engle’s ARCH LM Test kiểm định phần dư vuông $\eta_t^2$ để xác định sự tồn tại bổ sung của ARCH-order.
• Kolmogorov–Smirnov hoặc Shapiro–Wilk Test đánh giá tính chuẩn của $\eta_t$.

AIC và BIC được tính với log-likelihood $\mathcal{L}_{\max}$ và số tham số k:

$\mathrm{AIC} = -2\mathcal{L}_{\max} + 2k,\quad \mathrm{BIC} = -2\mathcal{L}_{\max} + k\ln T.$

Ngưỡng lựa chọn mô hình tối ưu dựa trên giá trị AIC/BIC thấp nhất. Biểu đồ Q–Q plot và phân tích histogram của $\eta_t$ hỗ trợ trực quan chẩn đoán phân phối thực tế.

Mở rộng và biến thể

Để khắc phục các hạn chế của GARCH chuẩn, nhiều biến thể đã ra đời:

• EGARCH (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.
• TGARCH/GJR-GARCH (Glosten, Jagannathan & Runkle): thêm thành phần chỉ kích hoạt khi $\epsilon_{t-1}<0$, bắt hiện tượng thị trường giảm biến động mạnh hơn tăng.
• FIGARCH: mô hình fractional integration cho phép “long memory” trong biến động, phù hợp chuỗi tài chính có tự tương quan dài.

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 danh mục đầu tư và mô phỏng rủi ro hệ thống.

Ứng dụng trong kinh tế – tài chính

GARCH được ứng dụng rộng rãi trong dự báo độ biến động và quản lý rủi ro:

• Value-at-Risk (VaR): dự báo phân phối biến động để tính mức lỗ tối đa trong ngưỡng tin cậy nhất định.
• Định giá quyền chọn: tích hợp GARCH vào mô hình Black–Scholes điều chỉnh biến động không hằng định theo thời gian (Dilão & Máca).
• Dự báo lãi suất và tỷ giá: các ngân hàng trung ương và quỹ đầu tư sử dụng GARCH để xây dựng chiến lược phòng hộ.

Ứng dụng	Mục tiêu	Ví dụ
VaR	Quản lý rủi ro danh mục	95% VaR 1 ngày cho cổ phiếu
Option Pricing	Định giá quyền chọn động	Heston–GARCH Model
Hedging	Phòng vệ biến động	Hợp đồng tương lai lãi suất

Hạn chế và thách thức

Mô hình GARCH cơ bản vẫn tồn tại một số nhược điểm:

• Giả thiết phân phối chuẩn không phù hợp với dữ liệu tài chính có đuôi dày; cần phân phối t Student hoặc GED.
• Không mô tả được nhảy giá (jumps) hoặc biến đổi không liên tục trong chuỗi.
• Ước lượng MLE có thể rơi vào cực tiểu cục bộ, phụ thuộc vào khởi tạo và phương pháp tối ưu.

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).

Hướng nghiên cứu và phát triển

Hướng phát triển hiện nay tập trung vào kết hợp GARCH với các phương pháp học máy và mô hình phi tham số:

• GARCH–NN: tích hợp mạng nơ-ron sâu để mô hình hóa phi tuyến trong phương sai (ScienceDirect).
• Bayesian GARCH: sử dụng kỹ thuật Markov Chain Monte Carlo (MCMC) để ước lượng tham số và đánh giá không chắc chắn.
• Nonparametric GARCH: áp dụng kernel hoặc spline để xác định cấu trúc phương sai mà không cần giả thiết tuyến tính.

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.

Tài liệu tham khảo

• Engle, R. F. “Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation.” Econometrica, 1982.
• Bollerslev, T. “Generalized Autoregressive Conditional Heteroskedasticity.” Journal of Econometrics, 1986. Link.
• Nelson, D. B. “Conditional Heteroskedasticity in Asset Returns: A New Approach.” Econometrica, 1991.
• Tsay, R. S. “Analysis of Financial Time Series.” 4th ed., Wiley, 2010.
• Francq, C., & Zakoïan, J.-M. “GARCH Models: Structure, Statistical Inference and Financial Applications.” 2nd ed., Wiley, 2019.
• Investopedia. “GARCH Model Definition.” 2025. Link.