Lan tỏa suất sinh lợi và độ biến thiên giữa các thị trường chứng khoán.

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH

LÊ ĐÌNH NGHI

DANH MỤC CÁC CÔNG TRÌNH LIÊN QUAN ĐẾN LUẬN ÁN
Đề tài
LAN TỎA SUẤT SINH LỢI VÀ ĐỘ BIẾN THIÊN
GIỮA CÁC THỊ TRƯỜNG CHỨNG KHOÁN

Người hướng dẫn khoa học:
PGS.TS. NGUYỄN MINH KIỀU

Thành phố Hồ Chí Minh, năm 2019


i

DANH MỤC CÁC CÔNG TRÌNH LIÊN QUAN ĐẾN LUẬN ÁN:

-

Minh Kieu Nguyen, Dinh Nghi Le (2018), Return Spillover from the US and
Japanese Stock Markets to the Vietnamese Stock Market: A FrequencyDomain Approach, Emerging Markets Finance and Trade, 2018

-

Nguyễn Minh Kiều, Lê Đình Nghi (2018), Lan tỏa độ biến thiên trên từ thị
trường chứng khoán Mỹ sang thị trường chứng khoán Việt Nam, Tạp chí
Khoa học và Đào tạo Ngân hàng, Số 190, Tháng 3/2018

-

Nguyễn Minh Kiều, Lê Đình Nghi (2017), Mô hình phân tích lan tỏa độ biến
thiên giữa các thị trường chứng khoán, Tạp chí Tài chính, Số 669, Kỳ 2,
Tháng 11/2017

-

Nguyễn Minh Kiều, Lê Đình Nghi (2017), Lan tỏa SSL từ thị trường chứng
khoán Mỹ sang thị trường chứng khoán Việt Nam: Phân tích trong miền tần
số, Tạp chí Khoa học Đại học Mở TP. HCM, Số 55(4), 2017


Emerging Markets Finance and Trade

ISSN: 1540-496X (Print) 1558-0938 (Online) Journal homepage: />
Return Spillover from the US and Japanese Stock
Markets to the Vietnamese Stock Market: A
Frequency-Domain Approach
Minh Kieu Nguyen & Dinh Nghi Le
To cite this article: Minh Kieu Nguyen & Dinh Nghi Le (2018): Return Spillover from the US
and Japanese Stock Markets to the Vietnamese Stock Market: A Frequency-Domain Approach,
Emerging Markets Finance and Trade, DOI: 10.1080/1540496X.2018.1525357
To link to this article: />
Published online: 20 Nov 2018.

Submit your article to this journal

View Crossmark data

Full Terms & Conditions of access and use can be found at
/>

Emerging Markets Finance & Trade, 1–12, 2018
Copyright © Taylor & Francis Group, LLC
ISSN: 1540-496X print/1558-0938 online
DOI: />
Return Spillover from the US and Japanese Stock Markets
to the Vietnamese Stock Market: A Frequency-Domain
Approach
Minh Kieu Nguyen1 and Dinh Nghi Le1,2
1

Department of Finance and Banking, Ho Chi Minh City Open University, Ho Chi Minh City,
Vietnam; 2Department of Business Administration, Saigon University, Ho Chi Minh City, Vietnam

ABSTRACT: Using a frequency-domain analysis, this article examines return spillover from the US and
Japanese stock markets to the Vietnamese stock market. We use daily data from the S&P 500, the Nikkei
225, and Vietnam Stock Index (VN-Index) from January 1, 2012, to December 31, 2015. A Grangercausality test is used to examine the return spillover, and the test for causality in the frequency domain
by (Breitung and Candelon 2006) is used to examine the return spillover at different frequencies. The
results show that significant return spillover occurs from the US to the Vietnamese stock market at all
frequencies and from the Japanese to the Vietnamese stock market at higher frequencies—evidence that
return spillover effects are not the same at different frequencies.
KEY WORDS: frequency domain, ranger causality, return spillover
JEL CLASSIFICATION: C58, G15

A stock market is a financial market with an important role in the economy. Returns on stocks are an
important factor considered by investors in their investment decisions. In this era of globalization, the
financial systems of countries may be linked. The existence of strong economic and trade links,
liberalization activities by governments, developments in trade and telecommunication, and the

establishment of common markets contribute to financial integration (Aktan et al. 2009). Hence,
research on relationships between stockmarkets help both investors and policy makers obtain suitable
information for making their decisions. In particular, market factors in a stock exchange can be
determined by foreign market factors if they are fully integrated. In this case, investors and policy
makers should follow information and fluctuations in overseas markets when making their corresponding decisions. However, if the factors generated in a market do not move together with those in
foreign markets, then foreign investors will benefit from the reduction in diversifiable risk, hence the
portfolio risk, by diversification that includes domestic stocks (Li 2007).
Spillover effects result from returns and volatility that spread from one market to another (Choo
2011). Hence, return spillover is the transmission of returns among stock markets. Thus, a return
spillover test needs to be performed to explore the relationship between stock markets. Although
return spillovers among developed markets or to emerging markets have been confirmed in many
studies—such as (Ali, Butt, and Rehman 2011), (Alotaibi and Mishra 2015), (Bahadur, Kothari, and
Thagurathi 2016), (Huo and Ahmed 2017), and (Ishfaq and Rehman 2018)—to the best of our
knowledge, the previous literature has not explored spillover effects from developed markets to the
Vietnamese stock market.
For decades, Vietnam was known as a miserable and backward country in Asia. From 1975, when
the Vietnam War ended, until 1985, Vietnam had a centrally planned economy. In 1986, Vietnam

Address correspondence to Associate Professor Nguyen Minh Kieu, Dean, Department of Finance and
Banking, Ho Chi Minh City Open University, 97 Vo Van Tan Street, Ward 6, District 3, Ho Chi Minh City,
Vietnam. E-mail:


2

M. K. NGUYEN AND D. N. LE

began to transform its economy to a market-oriented and globally integrated economy, in reforms
called doi moi (renovation). More than 30 years after this reform, the Vietnamese economy is one of
the fastest growing in Asia. In addition, by becoming a member of the Association of Southeast Asian

Nations (ASEAN), the World Trade Organization (WTO), and the Asia-Pacific Economic
Cooperation (APEC) forum, Vietnam has become more integrated into the world economy.
Vietnam established a stock market in July 2000, and since then it has become an important
channel for allocating capital more efficiently in short- and long-term investment, which contributes
to the country’s economic growth. Both domestic and foreign investors participate in the market, and
the foreign investment allows Vietnam’s stock market to become more closely related to world
financial markets. Because of this, this article examines return spillover from the US and Japanese
stock markets to the Vietnamese stock market.
In reality, short- and long-term investors may have different considerations. Short-term investors focus
more on the relationship at higher frequencies, that is, short-term fluctuations, whereas long-term investors
focus on the relationship at lower frequencies, i.e., long-term fluctuations (Gradojevic 2013). Moreover,
because causality results can differ between frequency spectrum bands (Granger and Lin 1995), long- and
short-term return spillover should be analyzed separately to reveal more precise information for different
investors. Frequency-domain analysis, i.e., spectral analysis, can be used in this situation.
By transferring data between the time domain and the frequency domain, this method can analyze
financial data at different frequencies. However, most return spillover analysis in previous studies could
not analyze spillover effects at different cycles. Although some authors do their research using frequencydomain analysis, only Gradojevic (2013) investigated return spillover among five regional stock
exchanges (Serbia, Croatia, Slovenia, Hungary, and Germany) in the frequency domain. Moreover, to
the best of our knowledge, this technique was not previously used in studies on Vietnam.
Because of this, in addition to examining return spillover from the US and Japanese stock markets
to the Vietnamese stock market (in the time domain), this article extends these test results using a
spectral analysis approach. By applying return spillover tests in the frequency domain, the results
offer deep insight into return relations between stock markets at different frequencies and help shortand long-term investors obtain more precise information to support their investment decisions.
Literature Review
Return Spillover
Spillover effects result from return and volatility in a market that spread from one market to another
(Choo 2011). Hence, return spillover is the transmission of returns among stock markets. A Grangercausality test is a useful tool for examining return spillover between different financial markets (Ciner
2011; Zhou, Lu, and Wang 2014). For example, (Aktan et al. 2009) investigates the linkages among
the stock markets of the BRICA (Brazil, Russia, India, China, and Argentina) countries and their
relations with the US market. The results of a Granger-causality test indicate that the US market has a

significant effect on all BRICA countries. Similarly, (Ali, Butt, and Rehman 2011) examine comovement between emerging and developed stock markets by investigating the relationship between
Pakistan’s equity market and the markets in India, China, Indonesia, Singapore, Taiwan, Malaysia,
Japan, the US, and the UK from July 1998 to June 2008. Their Granger-causality test shows that
Pakistan’s equity market has no co-movement with the markets in the UK, the US, Taiwan, Malaysia,
and Singapore. Therefore, investors in Pakistan can reduce risk through investment in these countries.
However, because of the significant relationship between the Pakistani market and markets in India,
China, Japan, and Indonesia, maintaining an international portfolio in these countries does not offer
any risk diversification for investors. Similar approaches were applied in research by (Bahadur,
Kothari, and Thagurathi 2016), who examine spillover effects from global stock markets to the Indian
stock market from January 2005 to December 2015. The results show that Indian stock market returns
are co-integrated with those in the US, UK, and Japanese stock markets. Granger-causality tests are


RETURN SPILLOVER AMONG STOCK MARKETS

3

also applied in (Huo and Ahmed 2017) to evaluate the return spillover effects between the Shanghai
and Hong Kong stock markets from July 2, 2014, to April 8, 2015, and find that return spillover from
Shanghai to Hong Kong is faster and stronger after the introduction of the Shanghai-Hong Kong
Stock Connect Program (launched November 17, 2014). Recently, (Ishfaq and Rehman 2018) study
the spillover effects of the S&P 500 volatility index (VIX) and Chinese exchange-traded fund
volatility (VXFXI) on the emerging equity (KSE-100 index) and foreign exchange markets (PKR)
in Pakistan from January 2004 to October 2016. The Granger-causality test results show that
volatility indices (VIX and VXFXI) lead the Pakistani financial market.
However, none of these studies analyze spillover effects at different frequencies. Hence, a return
spillover effect analysis needs to be extended to the frequency domain to help short- and long-term
investors obtain more information for their decisions.

Frequency-Domain Approach

Frequency-domain approaches were developed based on Fourier transformation to transfer data from
the time domain to the frequency domain and vice versa. By transferring data between these domains,
this method can analyze financial data at different frequencies. Because of this, a frequency-domain
analysis can be used in decomposing business cycles in economic time series. (Baxter and King
1999) propose a frequency domain band pass filter, called a Baxter-King filter, to measure business
cycles. Then, some studies were developed to modify this filter or apply it to measure business cycles
such as (Buss 2010), (Hodrick and Prescott 1997), (Ravn and Uhlig 2002), (Larsson and Vasi 2012) .
In addition, this method is also useful in causality analysis. (Granger and Lin 1995) confirmed that
the causality could be not the same at different frequencies. Because the traditional Granger-causality
test cannot explore these relations, a causality test in the frequency domain is needed. Causal
relations in the frequency domain were first proposed by (Granger 1969). Then, some other methods
were developed by (Geweke 1982), (Hosoya 1991), and (Breitung and Candelon 2006). Using these
methods, some research was developed to test causal relations between economic time series.
Wei (2013) investigates the dynamic relationships between oil prices and the Japanese economy
from a frequency-domain perspective. The analysis shows that oil prices have nonlinear linkages with
the Japanese economy at certain frequencies. The results suggest that oil prices have significant
predictive power for industrial production, the consumer price index, and unemployment rates at low
frequencies. Moreover, oil prices can predict industrial production and unemployment rates at some
higher frequencies. This article suggests that policy makers should pay more attention to the longterm effects of oil price shocks on Japan’s economy. (Gradojevic 2013) uses the causality test in the
frequency domain by (Breitung and Candelon 2006) to analyze the causal relationship between
returns on stock market indices in Serbia, Croatia, Slovenia, Hungary, and Germany. The results
indicate relationships among stock markets but not at all frequencies. (Ozer and Kamisli 2016)
examine the dynamic linkages between financial markets in Turkey using the frequency-domain
causality method proposed by (Breitung and Candelon 2006), for weekly Turkish data from 2003 to
2015. The results reveal volatility spillovers from stock market returns to interest rates and the euro in
both the medium and long term and to the US dollar in the short and medium term, but from the US
dollar to stock market returns in the short term. In the long run, the euro exchange rate Granger
causes the interest rate, but interest rates Granger cause the euro exchange rate in the short run.
In summary, because the causal relations can vary across frequency bands (Granger and Lin 1995),
frequency-domain analysis is needed to gain deeper insight into the relationship between financial

time series. Although return spillover has been investigated in many previous studies, most of them
do not analyze this effect at different cycles. Only (Gradojevic 2013) researches return spillover
among five regional stock exchanges (Serbia, Croatia, Slovenia, Hungary and Germany) in the
frequency domain. To the best of our knowledge, this technique has not been previously applied in
studies on Vietnam. Hence, this article aims to test the return spillover from the US and Japanese


4

M. K. NGUYEN AND D. N. LE

markets to the Vietnamese stock market, using the causality method in a frequency domain proposed
by (Breitung and Candelon 2006). The results will help short- and long-term investors and policy
makers obtain more information for their decision-making.

Research Method and Data
Return spillovers could be tested using a Granger-causality test or GARCH-type models. However,
neither approach can analyze spillover effects at different frequencies. To obtain deeper insight into
spillover effects among stock markets, we need to use a frequency domain with these approaches.
Although GARCH-type models in a frequency-domain approach have not been used, a Grangercausality test in the frequency domain was proposed by (Breitung and Candelon 2006) and applied in
many studies, such as Gradojevic (2013), (Wei 2013), and (Ozer and Kamisli 2016). For this reason,
based on studies by (Gradojevic 2013), (Chan, Lien, and Weng 2008), (Ciner 2011), and (Ozer and
Kamisli 2016), we examine return spillover using a Granger-causality test (Granger 1969) and
analyze these relations in a frequency domain using the spectral approach proposed by (Breitung
and Candelon 2006).

Data
Daily data from the Standard & Poor’s 500 (S&P 500) Composite Index, the Nikkei 225, and the
Vietnam Stock Index (VN-Index); a proxy for the US, Japanese, and Vietnamese stock indices from
January 1, 2012, to December 31, 2015, is collected from Thomson Reuters Datastream. Each time

series has 1,044 observations. This time period is chosen because this article aims to investigate the
return transmission from the US and Japanese stock markets to the Vietnamese stock market in the
recovery period after the 2008 global financial crisis. In this period, despite the increase in stock
markets, investors might be sensitive to news and stock prices on foreign markets. Moreover, the
market recovery could attract foreign investors seeking profits by investing in the Vietnamese stock
exchange. These might make the Vietnamese stock market co-move with foreign markets. For this
reason, investigating the return transmission from the US and Japanese stock markets to the
Vietnamese stock market in this period provides more information for investors seeking to gain
benefits by investing in recovering markets and for policy makers making managerial decisions about
the Vietnamese stock market.
The return rt is computed using the following equation:
rt ¼ ln

Pt
PtÀ1

(1)

where Pt is the market index at time t, lnð xÞ is the natural logarithm of x . To be more specific, Pt
comprises the S&P 500, the Nikkei 225, and the VN-Index. Next, return spillover can be tested by
applying a Granger-causality test (Granger 1969) to return series of market indices.

Granger-Causality Test
Granger (1969) proposed a method for testing the “causality” of time series, called the Grangercausality test, a statistical test for determining whether one time series is useful in forecasting
another. A Granger-causality test of whether x causes y by seeing how much of the current y can
be explained by past values of y and lagged values of x . y is said to be Granger-caused by x if x
helps in the prediction of y, or, equivalently, if the coefficients on the lagged x ’s are statistically
significant.

RETURN SPILLOVER AMONG STOCK MARKETS

5

A Granger-causality test can be performed using vector autoregression (VAR) as follows
(Gujarati 2004):
yt ¼ α0 þ α1 ytÀ1 þ ::: þ αl ytÀl þ β1 xtÀ1 þ ::: þ βl xtÀl þ εt

(2)

xt ¼ α0 þ α1 xtÀ1 þ ::: þ αl xtÀl þ β1 ytÀ1 þ ::: þ βl ytÀl þ ut

(3)

and test the null hypothesis:
β1 ¼ β2 ¼ ::: ¼ βl ¼ 0

(4)

for each equation. The null hypothesis is that x does not Granger-cause y in the first regression and
that y does not Granger-cause in x the second regression.
Return spillovers from the US and Japanese stock markets to the Vietnamese stock market can be
tested by applying a Granger-causality test to return data for these markets
Testing for Causality: A Frequency-Domain Approach
Frequency is the number of occurrences of a repeating event per unit of time. In other words, the
number of cycles per unit of time is called the frequency. Theoretically, a time series can be
composed of many time series with different frequencies. Analyzing causality at different frequencies, that is, a frequency domain, can provide deep insights on the relationship between financial time
series. (Breitung and Candelon 2006) approach is a frequency-domain method widely used in
empirical literature.
The frequency-domain causality test developed by (Breitung and Candelon 2006) is based on the

framework of (Geweke 1982) and (Hosoya 1991). Let zt ¼ ½xt ; yt Š0 be a two-dimensional time-series
vector with t ¼ 1; . . . T . It is assumed that zt has a finite-order VAR representation:
ΘðLÞzt ¼ εt

(5)

where Θð LÞ ¼ I À Θ1 L À . . . À Θ1 Lp is a 2 × 2 lag polynomial with Lk zt ¼ ztÀk . It is assumed that
À 0Á
the vector εt is white noise, with Eðεt Þ ¼ 0 and E εt εt ¼ Æ, where Æ is a positive definite matrix.
Next, let G be the lower triangular matrix of the Cholesky decomposition G0 G ¼ ÆÀ1 , such that
À 0Á
E ηt ηt ¼ I and ηt ¼ Gεt . The system is assumed to be stationary, implying the following moving
average (MA) representation:
Φ11 ðLÞ
zt ¼ ΦðLÞεt ¼
Φ21 ðLÞ

Φ12 ðLÞ
Φ22 ðLÞ

!

ε1t
ε2t

!

Ψ11 ðLÞ Ψ12 ðLÞ
¼ ΨðLÞηt ¼
Ψ21 ðLÞ Ψ22 ðLÞ

!

η1t
η2t

!
(6)

where ΦðLÞ ¼ ΘðLÞÀ1 and ΨðLÞ ¼ ΦðLÞGÀ1 . Using a Fourier transformation on this representation,
the spectral density of xt can be expressed as:
f x ðωÞ ¼

1 n À Àiω Á2  À Àiω Á2 o
Ψ11 e
þ Ψ12 e
2π

(7)

The measure of causality suggested by (Geweke 1982) and (Hosoya 1991) is defined as:
"
My!x ðωÞ ¼ log

#

2πf x ðωÞ

jΨ11 ðeÀiω Þj

2

"
¼ log 1 þ

 À Àiω Á2 #
Ψ12 e

jΨ11 ðeÀiω Þj

2

(8)


6

M. K. NGUYEN AND D. N. LE

To test the hypothesis that y does not cause x at frequency ω, we use the following null hypothesis:
My!x ðωÞ ¼ 0

(9)

(Breitung and Candelon 2006) show that the null hypothesis My!x ðωÞ ¼ 0 is equivalent to a linear
restriction on the VAR coefficients. First, they use ΨðLÞ ¼ ΘðLÞÀ1 GÀ1 and Ψ12 ðLÞ ¼ À g jΘΘð12LÞðjLÞ
22

(where g22 is the lower diagonal element of GÀ1 and jΘðLÞj is the determinant of ΘðLÞ) to express the
null hypothesis as:



p
p

X
 À Àiω Á X

Θ12 e
¼
θ12;k cosðkωÞ À
θ12;k sinðkωÞi ¼ 0
 k¼1

k¼1

(10)

where
θ12;k
 À Àiω
Á is the (1,2)-element of Θk . Thus, a necessary and sufficient set of conditions for
Θ12 e
 ¼ 0 is:
p
X

θ12;k cosðkωÞ ¼ 0

(11)

θ12;k sinðkωÞ ¼ 0

(12)

k¼1
p
X
k¼1

The notation can be simplified by letting aj ¼ θ11;j and βj ¼ θ12;j . Then, the VAR equation for xt can
be written as:
xt ¼ a1 xtÀ1 þ . . . þ ap xtÀp þ β1 ytÀ1 þ . . . þ βp ytÀp þ ε1t

(13)

The hypothesis My!x ðωÞ ¼ 0 is equivalent to the linear restriction:
h

where β ¼ β1 ; . . . ; βp

H0 : RðωÞβ ¼ 0

i0

(14)

and:
cosðωÞ
RðωÞ ¼

sinðωÞ

cosð2ωÞ . . . cosðpωÞ
sinð2ωÞ . . . sinðpωÞ

!
(15)

As in the conventional causality test, the Wald test statistic based on the linear restriction in Equation
14 is asymptotically distributed as χ2 ð2Þ for ω 2 ð0; πÞ (Wei 2013). As in (Breitung and Candelon
2006), (Gradojevic 2013), and (Wei 2013), to assess the statistical significance of the causal relationship between stock market returns, the causality measure for the frequency ω is compared to the 5%
critical value of a χ 2 distribution with 2 degrees of freedom (5.99).
Results
Descriptive Statistics
Table 1 lists some descriptive statistical properties of daily market returns in the three countries.
As Table 1 indicates, the means of the returns of all market indices are positive, however, these
values are small, which is consistent with reality of the US, Japanese, and Vietnamese stock markets
at that time because they are tested in the recovery period after the global financial crisis in 2008. The


RETURN SPILLOVER AMONG STOCK MARKETS

7

Table 1. Descriptive statistics of daily returns on the US, Japanese, and Vietnamese stock
indices.

Mean
Median
Standard Deviation

Skewness
Kurtosis

S&P 500 (US)

Nikkei 225 (Japan)

VN-Index (Vietnam)

0.000466
0.000195
0.007916
−0.256127
5.054130

0.000778
0.000278
0.013154
−0.356637
6.255896

0.000478
0.000101
0.011053
−0.609907
5.787362

skewness values are negative, which implies that these asymmetric distributions are skewed to the
left. The kurtosis values in all three markets are larger than 3, implying a peaked distribution in
comparison with the normal distribution.

Return Spillover
The return time series of the US, Japanese, and Vietnamese stock indices are tested for stationarity
using the augmented Dickey-Fuller (ADF) test. Using the Schwarz information criterion (SIC), the
optimal models with lag lengths that equal 0 were chosen for all stock market indices. The ADF test
results indicate that all the US, Japanese, and Vietnamese market index time series are stationary.
Thus, it is suitable to apply Granger-causality tests to these time series to test return spillovers
between pairs of markets. Next, this article examines the return spillover from the US and Japanese
stock markets to the Vietnamese stock market. Based on the Akaike information criterion (AIC),
Granger-causality tests are applied at a lag order of 1 for the US stock market and 2 for the Japanese
stock market. The results are in Tables 2 and 3.
The results in Tables 2 and 3 show unidirectional significant return spillovers from the US to the
Vietnamese stock markets at the 1% significance level and from the Japanese to the Vietnamese stock
markets at the 10% significance level. These results are consistent with reality because the US is the
world’s largest economy, and Japan is a large economy in Asia, so they can affect other countries,
including Vietnam. This also indicates integration of the Vietnamese economy in the world economy.
The size of the country’s capital market and market openness help link the Vietnamese stock market
Table 2. Return spillover between the US and Vietnamese stock markets.
Granger-Causality Test
Hypothesis H0
F-Statistic
Conclusion

S&P 500 returns does not Granger-cause VNIndex returns
34.3253
Rejected at the 1% significance level

VN-Index returns does not Granger-cause S&P
500 returns
0.26645
Not rejected at the 10% significance level

Table 3. Return spillover between the Japanese and Vietnamese stock markets.
Granger-Causality Test
Hypothesis H0
F-Statistic
Conclusion

Nikkei 225 returns do not Granger-cause VNIndex returns
2.51135
Rejected at the 10% significance level
(Not rejected at the 5% significance level)

VN-Index returns do not Granger-cause Nikkei
225 returns
1.96605
Not rejected at the 10% significance level


8

M. K. NGUYEN AND D. N. LE

to world financial markets. These results support the conclusion of (Tsutsui and Hirayama 2005) that
most, if not all, the literature offers evidence on the existence of stock market linkage.
The results also show that the US and Japanese market index returns are determinants that can
forecast Vietnamese market returns. Some factors explain this relationship between markets. This
article investigates the return spillover among stock markets in the recovery period after the global
financial crisis. In this period, investors in Vietnam are sensitive to news and stock prices from
foreign markets. Both the US and Japan are large economies that can affect other countries, including
Vietnam. Another reason for the existence of the return spillover effect might be investment from

foreign investors. The recovery of the Vietnamese stock exchange could attract foreign investors
seeking benefits by investing in the Vietnamese stock exchange, which increases the relationship
between the Vietnamese market and foreign markets. Moreover, Vietnam’s integration into the global
economy also explains the return spillover from the US and Japanese markets to the Vietnamese
market. Becoming a member of ASEAN, the WTO, and the APEC forum helps the Vietnamese
economy receive more investment from foreign investors, including those in the US and Japan. It also
explains the spillover from the US and Japanese markets to the Vietnamese market.
Because the US and Japanese stock market returns can spill over to the Vietnamese stock market,
information in the US and Japanese stock exchanges play an important role for investors in the
Vietnamese stock market. Investors in Vietnam could forecast the stock returns on the Vietnamese
stock exchange based on the US and Japanese market returns. Moreover, because of the significant
return spillover from the US and Japanese to the Vietnamese stock markets, the strategy among
investors in the US and Japan of investing in stocks in Vietnam to reduce their diversifiable risk does
not work. Thus, investors in the US and Japan should find other markets to diversify their investment
portfolios. Finally, Vietnamese policy makers need to be aware of US and Japanese market returns in
making their managerial decisions on the Vietnamese stock market.
Moreover, as seen in Table 3, H0 is rejected at the 10% significance level, but not at the 5%
significance level, which shows that the evidence on return spillover between these markets is not
clear. Thus, US market influence on the Vietnamese market tends to be greater than that of the
Japanese market. This result is similar to (Ng’s 2000).

Causality in the Frequency Domain
Because Granger-causality tests provide only one statistic for the full sample, it is not well suited for
distinguishing between short- and long-run effects (Ozer and Kamisli 2016). The causality results can
differ between frequency bands (Granger and Lin 1995), so the traditional Granger-causality tests are
unable to examine them. To obtain a more precise analysis, we use the causality test in the frequency
domain by (Breitung and Candelon 2006).
We apply a frequency-domain causality test (Breitung and Candelon 2006) to pairs of market
returns to test return spillovers from the US and Japanese stock markets to the Vietnamese stock
market. As in (Breitung and Candelon 2006), (Gradojevic 2013), (Wei 2013), to assess the statistical

significance of the causal relationship between market returns, we compare the causality test values
for the frequency ω to the 5% critical value of a χ2 distribution with 2 degrees of freedom (5.99). The
test results with 10 different frequencies between 0 and π are listed in Table 4.
The results in Table 4 show a unidirectional significant return spillover from the US to the
Vietnamese stock markets at all frequencies. These results are consistent with the results of return
spillover testing using a traditional Granger-causality test in Table 2. They also show that the
statistical test values (χ2 distribution values) are not the same at different frequencies. However,
these differences are small, and the spillover results are the same at all frequencies.
Next, this article examines return spillover from the Japanese to the Vietnamese stock market in
the frequency domain. Because evidence of return spillover from Japan to Vietnam in the time
domain is not clear—that is, the null hypothesis is rejected at the 10% significance level, but not at


RETURN SPILLOVER AMONG STOCK MARKETS

9

Table 4. Return spillover between the US and Vietnamese stock markets in the frequency
domain.
Hypothesis H0
S&P 500 returns do not Granger
cause VNI returns
Cycles
Frequency ω T ¼ 2π
ω (days)
0.010000
0.35667
0.70333
1.0500
1.3967

1.7433
2.0900
2.4367
2.7833
3.1300

628
18
9
6
5
4
3
3
2
2

Test Statisticχ 2
31.17
30.69
29.04
25.40
19.97
18.66
22.73
26.23
27.98
28.52

Hypothesis H0

VN-Index returns do not Granger cause
S&P 500 returns

Conclusion
H0
H0
H0
H0
H0
H0
H0
H0
H0
H0

rejected
rejected
rejected
rejected
rejected
rejected
rejected
rejected
rejected
rejected

Test Statisticχ2

Conclusion
H0

H0
H0
H0
H0
H0
H0
H0
H0
H0

1.62
1.62
1.60
1.46
1.04
0.50
0.34
0.37
0.42
0.44

not
not
not
not
not
not
not
not
not

not

rejected
rejected
rejected
rejected
rejected
rejected
rejected
rejected
rejected
rejected

Table 5. Return spillover from the Japanese to the Vietnamese stock markets in the frequency
domain (at different significance levels).
Hypothesis H0
Nikkei 225 returns do not Granger cause VN-Index returns
Conclusion

Frequency ω
0.010000
0.35667
0.70333
1.0500
1.3967
1.7433
2.0900
2.4367
2.7833
3.1300

Cycles
T ¼ 2π
ω
(days)

Test
Statisticχ 2

10% significance
levelðχ 2 ¼ 4:61Þ

628
18
9
6
5
4
3
3
2
2

2.24
2.20
2.13
2.16
2.76
4.23
5.26

5.49
5.47
5.44

H0 not rejected
H0 not rejected
H0 not rejected
H0 not rejected
H0 not rejected
H0 not rejected
H0 rejected
H0 rejected
H0 rejected
H0 rejected

5% significance
levelðχ 2 ¼ 5:99Þ
H0
H0
H0
H0
H0
H0
H0
H0
H0
H0

not
not

not
not
not
not
not
not
not
not

rejected
rejected
rejected
rejected
rejected
rejected
rejected
rejected
rejected
rejected

the 5% significance level—this test is performed at both 5% and 10% significance level to obtain
deeper insight on this relation. The results are in Table 5.
The results in Table 5 show that, at the 5% significance level, the return spillover effect is not
supported at all frequencies. These results are consistent with results of return spillover testing using
a traditional Granger-causality test in Table 3. However, at the 10% significance level, the conclusions changed.
The results in Table 5 show that the statistical test values (χ2 distribution values) are not the same
at different frequencies. Thus, the frequency-domain approach provides more information than a
traditional Granger-causality test. In this case, although the results from a time-domain analysis
indicate that, at the 10% significance level, there is significant return spillover from the Japanese to
the Vietnamese stock market, the frequency-domain approach shows that this conclusion is not true at

10

M. K. NGUYEN AND D. N. LE

any frequency. Example, for ω ¼ 0:35667, corresponding to the approximately 18-day cycle, the
statistical test value is 2.20; but for ω ¼ 2:7833; corresponding to the approximately 2-day cycle, the
statistical test value is 5.47. Therefore, at the 10% significance level, the null hypothesis is not
rejected for ω ¼ 0:35667, but rejected for ω ¼ 2:7833, that is, there is significant return spillover
from the Japanese to the Vietnamese stock markets at ω ¼ 2:7833, but not at ω ¼ 0:35667. Table 5
also indicates that short-term investors (cycles less than or equal to 3 days) should take note of the
Nikkei 225 returns to obtain more information for their investment decisions, but it is not necessary
for long-term investors (cycles longer than 3 days) investors. These results support the hypothesis
that causality is not the same at different frequencies (Granger and Lin 1995). This implies that
investors should make different decisions based on investment cycles.
In summary, at the 10% significance level, there is return spillover from the Japanese stock market
to the Vietnamese stock market at higher frequencies during the period of recovery from the global
financial crisis. After the crisis, investors in Vietnam are sensitive to news and stock returns on the
Japanese market. They react to information in the Japanese market immediately and cause the
Vietnamese market to co-move with the Japanese market in the short term. However, in the long
term, investors have more time to evaluate the information and to formulate new investment
strategies. Thus the spillover effects do not persist over the long term. Therefore, the return spillover
from the Japanese to the Vietnamese markets are confirmed only at higher frequencies. Therefore,
short-term investors in Vietnam should be aware of Nikkei 225 returns to gain more information for
their investment decisions, but this is not needed for long-term investors. Moreover, policy makers in
Vietnam should pay greater attention to the short-term effects of the Japanese economy when making
decisions about the Vietnamese stock market.

Conclusions

In this article, daily returns on the S&P 500, the Nikkei 225, and VN-Index from January 1, 2012, to
December 31, 2015, are used to test the return spillover from the US and Japanese stock exchanges to
the Vietnamese stock exchange. We use a Granger-causality test (Granger 1969) to test for the
presence of return spillover among markets and a spectral Granger-causality test by (Breitung and
Candelon 2006) to test causality at specific frequencies.
The time-domain results show significant unidirectional return spillover from the US to the
Vietnamese stock markets at the 1% significance level and from the Japanese to the Vietnamese
stock markets at the 10% significance level. That is, the US and Japanese markets influence the
Vietnamese market. Moreover, the frequency domain extends the result that return spillover from the
Japanese stock market to the Vietnamese stock market exists only at higher frequencies. These
findings have important implications for both investors and policy makers. First, investors should
follow information in the US stock exchange when investing in the Vietnamese stock market. Shortterm investors, but not long-term investors, in Vietnam also need to follow information from the
Japanese market. Second, investors in the US and short-term investors in Japan should invest in other
markets as part of their portfolio diversification strategy; and long-term investors in Japan can
diversify their portfolio by investing in the Vietnamese stock market. Finally, Vietnamese policy
makers should pay more attention to information on the US economy and short-term effects in the
Japanese economy when making managerial decisions about the Vietnamese stock market.
Moreover, the results of spectral return spillover tests show that statistical test values are different
at different frequencies. These results provide evidence that the linkages between stock market
returns may vary across frequency spectrum bands. Thus, because time-domain causality testing
may fail to fully capture such links, frequency-domain analysis should be used to gain deep insights
into return spillover among stock markets. This method will help short- and long-term investors
obtain more information for investment decisions based on their needs.


RETURN SPILLOVER AMONG STOCK MARKETS

11

In summary, this article makes two main contributions. First, this study provides evidence of

return spillover from the US to the Vietnamese stock market at all frequencies, from the Japanese to
the Vietnamese stock market at higher frequencies and suggests important implications for investors
and policy makers. Second, it shows that return spillover between two stock markets is different at
different frequencies. Thus, frequency-domain analysis should be used in testing the return spillover
between stock exchanges.
Acknowledgments
The authors are grateful to the editors and to the two anonymous reviewers for their helpful and
valuable comments.
References
Aktan, B., P. E. Mandaci, B. S. Kopurlu, and B. Ersener. 2009. Behaviour of emerging stock markets in the global
financial meltdown: Evidence from BRIC-A. African Journal of Business Management 3 (9):396–404. doi:10.5897/
AJBM09.121.
Ali, S., B. Z. Butt, and K. U. Rehman. 2011. Comovement between emerging and developed stock markets: An investigation
through cointegration analysis. World Applied Sciences Journal 12 (4):395–403.
Alotaibi, A. R., and A. V. Mishra. 2015. Global and regional volatility spillovers to GCC stock markets. Economic Modelling
45:38–49. doi:10.1016/j.econmod.2014.10.052.
Bahadur, S., R. Kothari, and R. K. Thagurathi. 2016. Volatility spillover effect in Indian stock market. Janapriya Journal of
Interdsciplinary Studies 5 (December):83–101.
Baxter, M., and R. G. King. 1999. Measuring business cycles: Approximate band-pass filters for economic time series. The
Review of Economics and Statistics 81 (November):575–93. doi:10.1162/003465399558454.
Breitung, J., and B. Candelon. 2006. Testing for short- and long-run causality: A frequency-domain approach. Journal of
Econometrics 132:363–78. doi:10.1016/j.jeconom.2005.02.004.
Buss, G. 2010. Asymmetric baxter-king filter. Scientific Journal of Riga Technical University 42:95–99.
Chan, L., D. Lien, and W. Weng. 2008. Financial interdependence between Hong Kong and the US: A band spectrum
approach. International Review of Economics and Finance 17:507–16. doi:10.1016/j.iref.2007.02.001.
Choo, W. 2011. Return and Volatility Spillover between Large and Small Stocks in Bursa Malaysia 2 2:176–85.
Ciner, C. 2011. International review of financial analysis information transmission across currency futures markets: Evidence
from frequency domain tests. International Review of Financial Analysis 20 (3):134–39. doi:10.1016/j.irfa.2011.02.010.
Geweke, J. 1982. Measurement of linear dependence and feedback between multiple time series. Journal of the American
Statistical Association 77 (378):304–13. doi:10.1080/01621459.1982.10477803.

Gradojevic, N. 2013. Causality between regional stock markets: A frequency domain approach. Panoeconomicus 76:
February2012: 633–47. doi:10.2298/PAN1305633G.
Granger, C. W. J. 1969. Investigating causal relations by econometric models and cross-spectral methods. Econometrica :
Journal of the Econometric Society 37 (3):424–38. doi:10.2307/1912791.
Granger, C. W. J., and J. Lin. 1995. Causality in the long run. Econometric Theory 11 (3):530–36. doi:10.1017/
S0266466600009397.
Gujarati. 2004. Basic econometrics. Irwin: McGraw−Hill.
Hodrick, R. J., and E. C. Prescott. 1997. Postwar U.S. Business Cycles: An empirical investigation. Journal of Money, Credit
and Banking 29 (1):1–16. doi:10.2307/2953682.
Hosoya, Y. 1991. The decomposition and measurement of the interdependency between second-order stationary processes.
Probability Theory and Related Fields 88:429–44. doi:10.1007/BF01192551.
Huo, R., and A. D. Ahmed. 2017. Return and volatility spillovers effects: Evaluating the impact of Shanghai-Hong kong stock
connect. Economic Modelling 61 (May):260–72. doi:10.1016/j.econmod.2016.09.021.
Ishfaq, M., and A. Rehman. 2018. Global volatility spillover in asian financial markets. Mediterranean Journal of Social
Sciences 9 (2):109–16. doi:10.2478/mjss-2018-0031.
Larsson, G., and T. Vasi. 2012. Comparison of detrending methods. Uppsala University (Dissertation). Retrieved from http://
urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-175493.
Li, H. 2007. International linkages of the Chinese stock exchanges: A multivariate GARCH analysis International linkages of
the Chinese stock exchanges : A multivariate GARCH analysis. Applied Financial Economics 17:285–97. doi:10.1080/
09603100600675557.
Ng, A. 2000. Volatility spillover effects from Japan and the US to the Pacific–Basin. Journal of International Money and
Finance 19 (2):207–33. doi:10.1016/S0261-5606(00)00006-1.
Ozer, M., and M. Kamisli. 2016. Frequency domain causality analysis of interactions between financial markets of Turkey.
International Business Research 9 (1):176–86. doi:10.5539/ibr.v9n1p176.
Ravn, M. O., and H. Uhlig. 2002. Notes on adjusting the Hodrick-Prescott filter for the frequency of observations. The Review
of Economics and Statistics 84 (May):371–80. doi:10.1162/003465302317411604.


12

M. K. NGUYEN AND D. N. LE

Tsutsui, Y., and K. Hirayama. 2005. Estimation of the common and country-specific shock to stock prices. Journal of the
Japanese and International Economies 19 (3):322–37. doi:10.1016/j.jjie.2004.05.001.
Wei, Y. F. 2013. The dynamic relationships between oil prices and the Japanese economy: A frequency domain analysis.
Review of Economics & Finance (3):57–67.
Zhou, P., F. Lu, and S. Wang. 2014. Testing linear and nonlinear granger causality in CSI300 futures and spot markets based on
new concepts of nonlinear positive/negative spillover. Journal of Systems Science and Complexity 27 (4):729–42.
doi:10.1007/s11424-014-2261-3.



190
Chính sách & Thị trường Tài
chính - Tiền tệ

1

Các yếu tố tác động đến
khả năng tiếp cận tín dụng
chính thức của nông hộ khu
vực nông thôn: Trường hợp
tỉnh Trà Vinh
ThS. Trịnh Anh Khoa

8

Lan tỏa độ biến thiên từ
thị trường chứng khoán
Mỹ sang thị trường chứng

khoán Việt Nam
Nguyễn Minh Kiều
Lê Đình Nghi

17 Phát triển ngân hàng xanh

PGS. TS. Đỗ Thị Kim Hảo
Phó Tổng biên tập

TS. Nguyễn Thu Hiền
Hội đồng Biên tập

PGS. TS. Nguyễn Kim Anh
Ngân hàng Nhà nước Việt Nam

PGS. TS. Tô Ngọc Hưng
Ngân hàng Đầu tư và Phát triển VN

PGS. TS. Lê Thị Tuấn Nghĩa
Học viện Ngân hàng

PGS. TS. Tô Kim Ngọc
Học viện Ngân hàng

ở Việt Nam- trách nhiệm xã
hội trong việc bảo vệ môi
trường
ThS. Nguyễn Thị Đoan Trang

25 Dịch vụ kế toán Việt Nam

3/2018

58 Các cách tiếp cận năng lực

tri thức trong tổ chức, định
hướng ứng dụng vào lĩnh
vực ngân hàng
NCS. Phạm Minh Trí
TS. Thái Anh Hoà
TS. Lê Quang Thông

Thực tiễn & kinh nghiệm
quốc tế

68 Ứng dụng công nghệ hiện

đại trong phát triển sản
phẩm dịch vụ tại Ngân hàng
HDFC Ấn Độ
ThS. Nguyễn Thị Mai Phượng
ThS. Nguyễn Thị Hương Thanh

Tổng hợp tin tức

thời kỳ hội nhập kinh tế
quốc tế
TS. Phạm Thị Minh Tuệ

34 Những rào cản đối với các

doanh nghiệp Việt Nam khi
tham gia vào chuỗi giá trị
dệt may toàn cầu
Ngô Dương Minh

44 Áp dụng pháp luật quản trị
công ty đối với ngân hàng
thương mại cổ phần: Thực
trạng pháp luật và một số
vấn đề đặt ra
TS. Bùi Hữu Toàn

PGS. TS. Phạm Ngọc Phong
Ngân hàng Nhà nước Việt Nam

GS. TS. Stachuletz Rainer
Trường Kinh tế và Luật Berlin (BSEL)

GS. TS. Nguyễn Văn Tiến
Học viện Ngân hàng

Quản trị Ngân hàng &
Doanh nghiệp

52 Tác động của cơ cấu vốn

đến lợi nhuận của các
doanh nghiệp trên Sở Giao
dịch Chứng khoán Thành

phố Hồ Chí Minh
TS. Lê Hoàng Vinh
ThS. Nguyễn Ngọc Sơn

thông tin Tòa soạn
Tạp chí Khoa học & Đào tạo Ngân hàng- Học viện Ngân hàng
Địa chỉ: 12 Chùa Bộc, Đống Đa, Hà Nội - Tel. 043 852 5282 - Fax. 043 852 9861 - Email:
Website: />Giấy phép xuất bản: 324/GP - BVHTT
In tại Công ty Cổ phần In Công đoàn Việt Nam
Giá: 30.000 đồng


190 - Mar 2018
Monetary Policy and
Financial Markets

1

8

The Determiants of Formal
Credit Access of Rural
Households: The Case of
Tra Vinh Province
MEc. Khoa Anh Trinh
Volatility spillover from
the us stock market to
Vietnamese stock market
Kieu Minh Nguyen
Nghi Dinh Le

17 Developing green

banking in Vietnamsocial responsibility in
environmental protection
MEc. Trang Thi Doan Nguyen

Editor in chief

Assoc. Prof. PhD. Hao Thi Kim Do
Vice Editor in chief

PhD. Hien Thu Nguyen
Editorial Board

Assoc. Prof. PhD. Anh Kim Nguyen
State Bank of Vietnam

Assoc. Prof. PhD. Hung Ngoc To

Bank for Investment and Development of
Vietnam

Assoc. Prof. PhD. Nghia Thi Tuan Le
Banking Academy

Assoc. Prof. PhD. Ngoc Kim To
Banking Academy

Assoc. Prof. PhD. Phong Ngoc Pham

State Bank of Vietnam

Prof. Dr.rer.pol. Rainer Stachuletz
Berlin School of Economics and Law

Prof. PhD. Tien Van Nguyen
Banking Academy

25 Accounting services in the

banking field
Fellows Tri Minh Pham
Hoa Anh Thai
Thong Quang Le

Practices & International
Experiences

68 Apply modern technology
in developing bank
products/services toward
enlargement of customer
base- HDFC Bank case
(India)
Ma. Phuong Thi Mai Nguyen
Ma. Thanh Thi Huong Nguyen

News in brief

international economic

integration
PhD. Tue Thi Minh Pham

34 Barriers to Vietnamese

enterprises in joining
global textile and garment
supply chain
Minh Duong Ngo

44 Applicable laws on

governance of joint stock
commercial banks: Facts
and issues
PhD. Toan Huu Bui

Corporate Governance &
Banks

52 The impact of capital

structure on the
profitability of the nonfinancial firms listed on Ho
Chi Minh Stock Exchange
PhD. Vinh Hoang Le
MEc. Son Ngoc Nguyen

58 Knowledge competency

approaches in
organizations, orientation
of application to the

Editor Board
Banking Science & Training Review- © Banking Academy, Hanoi, Vietnam
Address: 12 Chua Boc, Dong Da, Ha Noi - Tel. 043 852 5282 - Fax. 043 852 9861 - Email:
Website: />Publishing Lisence: 324/GP - BVHTT




CHÍNH SÁCH & THỊ TRƯỜNG TÀI CHÍNH- TIỀN TỆ

Lan tỏa độ biến thiên từ thị trường chứng khoán
Mỹ sang thị trường chứng khoán Việt Nam
Nguyễn Minh Kiều
Lê Đình Nghi

Ngày nhận: 02/10/2017

Ngày nhận bản sửa: 12/03/2018

Ngày duyệt đăng: 22/03/2018

Bài báo này kiểm định tác động lan tỏa độ biến thiên từ thị trường
chứng khoán (TTCK) Mỹ sang TTCK Việt Nam. Nghiên cứu sử dụng
dữ liệu chỉ số TTCK Mỹ và Việt Nam, cụ thể là chỉ số S&P 500 và
VN-Index theo ngày, trong giai đoạn từ 01/01/2012 đến 31/12/2015.
Về phương pháp, nghiên cứu này sử dụng mô hình GARCH để ước

lượng độ biến thiên và phương pháp nhân quả Granger để kiểm định
tác động lan tỏa độ biến thiên. Kết quả nghiên cứu cho thấy tác động
lan tỏa có ý nghĩa thống kê từ TTCK Mỹ lên TTCK Việt Nam.
Từ khóa: GARCH, độ biến thiên, lan tỏa độ biến thiên, thị trường
chứng khoán.

1. Giới thiệu
là một bộ
phận của
thị trường tài chính và đóng
vai trò rất quan trọng trong
nền kinh tế. Một trong những
yếu tố cần quan tâm hàng đầu
đối với các nhà đầu tư trên
TTCK là rủi ro. Rủi ro có thể
được định lượng thông qua độ
biến thiên (volatility) và được
đo bằng phương sai có điều
kiện của chuỗi suất sinh lợi
(SSL) cổ phiếu. GARCH là mô
hình hiệu quả và được sử dụng
© Học viện Ngân hàng
ISSN 1859 - 011X

rộng rãi để ước lượng độ biến
thiên của SSL cổ phiếu.
Trong bối cảnh toàn cầu hóa
hiện nay, các hệ thống tài
chính tại các nước trên thế
giới sẽ có sự phụ thuộc và tác

động qua lại lẫn nhau. Vì vậy,
nghiên cứu mối liên hệ độ biến
thiên giữa các TTCK sẽ giúp
nhà đầu tư có thêm thông tin
để dự báo rủi ro có thể gặp
phải khi đầu tư, cũng như có
được chiến lược đa dạng hóa
danh mục đầu tư (porfolio
diversification) phù hợp. Lan
tỏa độ biến thiên (volatility

8

spillover) là khái niệm được sử
dụng để đánh giá sự phụ thuộc
lẫn nhau (interdependence)
giữa các thị trường. Theo
Abou-Zaid (2011), sự lan
tỏa có nghĩa là sự lan truyền
các biến động của thị trường
từ nước này sang nước khác
(Abou-Zaid, 2011).
Hiện nay, các thị trường mới
phát triển ngày càng đóng vai
trò quan trọng trong nền kinh
tế toàn cầu. Vì vậy, các nhà
kinh tế không những chỉ quan
tâm đến các thị trường phát
triển mà còn chú ý đến các thị
Tạp chí Khoa học & Đào tạo Ngân hàng

Số 190- Tháng 3. 2018


CHÍNH SÁCH & THỊ TRƯỜNG TÀI CHÍNH - TIỀN TỆ

trường mới phát triển. Nghiên
cứu mối liên hệ giữa nhóm thị
trường phát triển và các thị
trường mới phát triển sẽ đưa
ra nhiều hàm ý quan trọng
cho các doanh nghiệp, nhà
đầu tư và các nhà hoạch định
chính sách. Cụ thể, nếu các thị
trường mới phát triển có mối
liên hệ yếu với các thị trường
phát triển, nghĩa là các cú sốc
hay sự thay đổi từ thị trường
phát triển ít ảnh hưởng đến các
thị trường mới phát triển, thì
nhà đầu tư tại các thị trường
phát triển có thể đa dạng hóa
danh mục đầu tư thông qua
đầu tư tại các thị trường mới
phát triển để giảm thiểu rủi ro
(Li, 2007). Ngược lại, nếu các
thị trường mới phát triển có
mối liên hệ chặt chẽ với các
thị trường phát triển thì nhà
đầu tư tại các thị trường phát
triển nên tìm các thị trường

khác để đa dạng hóa danh mục
đầu tư nhằm giảm thiểu rủi
ro. Mặt khác, các nhà đầu tư
tại thị trường mới phát triển
có thể dự báo rủi ro dựa vào
phân tích các biến động tại các
thị trường phát triển và các
nhà hoạch định chính sách tại
các thị trường kém phát triển
cần chú ý hơn vào các biến
động trên thị trường thế giới
để quản trị rủi ro tại thị trường
trong nước nhằm đảm bảo cho
thị trường phát triển ổn định.
Mặc dù đã có nhiều nghiên
cứu đánh giá sự lan tỏa độ
biến thiên từ thị trường phát
triển sang các thị trường mới
phát triển, nhưng theo tìm hiểu
của chúng tôi thì vẫn chưa có
nghiên cứu nào kiểm định tác
động lan tỏa này tại TTCK
Việt Nam. TTCK Việt Nam

Tạp chí Khoa học & Đào tạo Ngân hàng

là thị trường còn non trẻ mới
thành lập năm 2000, với qui
mô vốn còn khá nhỏ so với các
thị trường khác trên thế giới

và hoạt động trong nền kinh
tế chuyển đổi từ nền kinh tế
bao cấp sang nền kinh tế thị
trường nên có thể có những
khác biệt so với các thị trường
đã được nghiên cứu trước đó.
Đây chính điểm khác biệt mà
bài báo này mong muốn góp
phần đánh giá ảnh hưởng tác
động lan tỏa từ TTCK Mỹ đến
TTCK Việt Nam.
2. Cơ sở lý thuyết
Độ biến thiên (volatility)
là đại lượng đo độ phân tán
(dispersion) của mật độ xác
suất (probability density)
(Alexander, 2001). Chỉ tiêu
thường dùng nhất để đo độ
phân tán là độ lệch chuẩn,
nghĩa là căn bậc hai của
phương sai của biến ngẫu
nhiên. Cụ thể hơn, xét trên
thị trường với dữ liệu là các
chỉ số chứng khoán, độ biến
thiên là đại lượng thống kê đo
độ phân tán của SSL (returns)
của một chứng khoán hay chỉ
số thị trường. Độ biến thiên
có thể được đo bằng độ lệch
chuẩn (standard deviation)

hay phương sai (variance) của
SSL. Như vậy, độ biến thiên
càng lớn, độ rủi ro của cổ
phiếu càng cao. Nói cách khác,
độ biến thiên đánh giá mức độ
không chắc chắn hay rủi ro về
sự thay đổi giá trị cổ phiếu. Độ
biến thiên cao phản ánh giá trị
của cổ phiếu tiềm ẩn khả năng
biến thiên trong khoảng rộng
các giá trị; có nghĩa là giá của
cổ phiếu có thể thay đổi đột

ngột trong khoảng thời gian
ngắn. Độ biến thiên nhỏ nghĩa
là giá trị của cổ phiếu không
dao động một cách đột ngột
mà chỉ thay đổi từ từ theo thời
gian (Lê Đình Nghi, 2012).
Như vậy, có thể thấy rằng độ
biến thiên đóng vai trò quan
trọng trong đánh giá độ rủi ro
của danh mục đầu tư.
Lan tỏa (spillover) là khái
niệm được sử dụng để đánh
giá sự phụ thuộc lẫn nhau
(interdependence) giữa các
nền kinh tế. Sự phụ thuộc lẫn
nhau này có nghĩa là các thay
đổi hay cú sốc (shocks), dù là

của toàn cầu hay từng quốc
gia, có thể lan truyền sang các
nước khác bởi vì các nền kinh
tế thường có các mối quan hệ
về tài chính với nhau. Như
vậy, sự lan tỏa có nghĩa là sự
lan truyền các biến động của
thị trường từ nước này sang
nước khác (Abou-Zaid, 2011).
Từ đó, lan tỏa độ biến thiên
(volatility spillover) là khái
niệm để đánh giá mối liên hệ
giữa độ biến thiên giữa các
TTCK.
Cơ chế lan tỏa được đề xuất
bởi Engle và ctg (1990) thông
qua hai giả thuyết là sóng
nhiệt (heat wave) và mưa
sao băng (meteor showers).
Nghiên cứu này xây dựng lý
thuyết tương tự như trong khí
tượng học (meteorological).
Cụ thể, giả thuyết sóng nhiệt
(heat wave hypothesis) giả
định thông tin (news) được xử
lý tương tự như sóng nhiệt,
nghĩa là một ngày nóng ở New
York sẽ theo sau một ngày
nóng ở New York, chứ không
phải một ngày nóng ở Tokyo,

hay nói cách khác, tin tức

Số 190- Tháng 3. 2018

9


CHÍNH SÁCH & THỊ TRƯỜNG TÀI CHÍNH - TIỀN TỆ

sẽ không lan truyền. Ngược
lại, giả thuyết mưa sao băng
(meteor showers hypothesis)
cho rằng thông tin sẽ được
lan truyền, tương tự như hiện
tượng mưa sao băng xảy ra
ở New York thì trước đó đã
xảy ra ở Tokyo. Như vậy, giả
thuyết Sóng nhiệt cho rằng
một sự thay đổi lớn xảy ra có
thể làm tăng độ biến thiên tại
chính nước đó mà không ảnh
hưởng đến các nước khác.
Ngược lại, giả thuyết Mưa sao
băng cho rằng một sự thay
đổi lớn xảy ra ở một nước có
thể ảnh hưởng đến các nước
khác. Các kết quả nghiên cứu
trong bài báo này đã bác bỏ
giả thuyết sóng nhiệt, nghĩa
là đồng quan điểm rằng, tin

tức từ thị trường này có thể
lan truyền sang các thị trường
khác.
Dựa trên các dạng khác nhau
của mô hình GARCH và các
mô hình phân tích lan tỏa độ
biến thiên, đã có nhiều nghiên
cứu được thực hiện nhằm đánh
giá độ biến thiên, lan tỏa độ
biến thiên và các yếu tố liên
quan khác tại nhiều thị trường
khác nhau như sẽ được trình
bày dưới đây.
Engle (1982) là người đầu
tiên xây dựng mô hình ARCH
(Autoregressive Conditional
Heteroskedasticity) và sử
dụng mô hình này để ước
lượng độ biến thiên của
lạm phát tại Anh. Tiếp đến,
Bollerslev (1986) đã cải tiến
mô hình ARCH thành mô
hình GARCH (Generalised
Autoregressive Conditional
Heteroskedasticity) và cũng
ứng dụng vào ước lượng độ
biến thiên của lạm phát. Sau

10 Số 190- Tháng 3. 2018

đó, nhiều nghiên cứu khác đã
sử dụng các dạng khác nhau
của mô hình này để đánh giá
nhiều khía cạnh của độ biến
thiên cũng như lan tỏa độ biến
thiên tại các quốc gia.
Kate Phylaktis và ctg (1999)
đã sử dụng mô hình GARCH
để đánh giá tác động của biện
pháp thu hẹp biên độ dao động
giá lên độ biến thiên giá cổ
phiếu tại TTCK Athens (Hy
Lạp). Shih-Yung Wei và ctg
(2011) đã sử dụng các mô hình
EGARCH và CGARCH để
phân tích độ biến thiên bất đối
xứng (asymmetric volatility)
trong thời kỳ trước và sau
khủng hoảng tài chính toàn
cầu tại 08 thị trường châu Á
là Hong Kong, Singapore,
Nhật, Malaysia, Thái Lan,
Hàn Quốc, Trung Quốc và Đài
Loan. Bài báo đã chia khoảng
thời gian nghiên cứu thành hai
giai đoạn là trước khủng hoảng
(từ 01/6/2006 đến 14/9/2008)
và sau khủng hoảng
(15/9/2008 đến 31/12/2010).
Kết quả nghiên cứu đã chỉ ra

rằng sau cuộc khủng hoảng tài
chính thế giới, độ biến thiên
ngắn hạn tại Trung Quốc và
Đài Loan giảm, nhưng điều
này không xảy ra tại thị trường
Nhật, và độ biến thiên tại các
thị trường khác lại tăng. Ngoài
ra, độ biến thiên trong dài hạn
tại các thị trường được nghiên
cứu giảm, ngoại trừ Thái Lan
và Hàn Quốc.
Việc kiểm định lan tỏa độ
biến thiên giữa các thị trường
đã được thực hiện từ lâu với
các thị trường phát triển. Cụ
thể, Hamao và ctg (1990) đã
sử dụng mô hình GARCH để
đánh giá lan tỏa SSL và độ

biến thiên giữa các thị trường
New York (Mỹ), Tokyo (Nhật
Bản) và London (Anh). Kết
quả nghiên cứu đã chỉ ra sự
lan tỏa biến thiên có ý nghĩa
thống kê từ thị trường Mỹ
lên thị trường Nhật Bản, thị
trường Anh lên thị trường
Nhật Bản và thị trường Mỹ
lên thị trường Anh, nhưng
không có chiều ngược lại.

Angela Ng (2000) đã nghiên
cứu lan tỏa độ biến thiên từ thị
trường Nhật (đại diện cho thị
trường khu vực- regional) và
Mỹ (đại diện cho thị trường
thế giới- world) lên các nước
lưu vực Thái Bình Dương
(Pacific- Basin) như Hong
Kong, Hàn Quốc, Malaysia,
Singapore, Đài Loan và Thái
Lan. Kết quả nghiên cứu cho
thấy tồn tại sự lan tỏa có ý
nghĩa thống kê từ thị trường
thế giới và thị trường khu
vực đến nhiều thị trường lưu
vực Thái Bình Dương, trong
đó thị trường thế giới có tác
động mạnh hơn. Tương tự,
Miyakoshi (2003) cũng nghiên
cứu lan tỏa độ biến thiên từ
thị trường Mỹ và Nhật lên các
thị trường châu Á như Hàn
Quốc, Đài Loan, Singapore,
Thái Lan, Indonesia, Malaysia,
Hong Kong. Kết quả nghiên
cứu cũng chỉ ra sự lan tỏa có
ý nghĩa thống kê từ thị trường
Mỹ và Nhật sang các thị
trường khác tại châu Á. Tuy
nhiên, khác với nghiên cứu

của Ng (2000), nghiên cứu
này lại chỉ ra độ biến thiên
tại tại các thị trường châu Á
chịu tác động nhiều hơn bởi
thị trường Nhật chứ không
phải là thị trường Mỹ và tồn
tại sự lan truyền ngược lại

Tạp chí Khoa học & Đào tạo Ngân hàng


CHÍNH SÁCH & THỊ TRƯỜNG TÀI CHÍNH - TIỀN TỆ

từ thị trường châu Á sang thị
trường Nhật. Một trong những
nguyên nhân của sự khác biệt
này được tác giả giải thích là
do thời điểm nghiên cứu, cụ
thể là những năm nửa cuối
thập niên 1990, nền kinh tế
Nhật có mối liên hệ rất chặt
chẽ với thị trường tài chính
các nước châu Á thông qua
một số lượng rất lớn các danh
mục đầu tư giữa các quốc gia.
Sau đó, Ugur Ergun và Abu
Hassan (2010) đã phân tích sự
tương quan độ biến thiên giữa
TTCK Thổ Nhĩ Kỳ và Mỹ. Bài
báo này đã sử dụng mô hình

CGARCH, kiểm định đồng
tích hợp (Cointegration Test)
và kiểm định nhân quả 02
biến Engle- Granger (bivariate
Engle- Granger causality test)
để phát hiện mối tương quan
và tác động lan tỏa độ biến
thiên (volatility spillover)
một cách có ý nghĩa thống kê
của TTCK Mỹ (NASDAQ)
lên TTCK Thổ Nhĩ Kỳ (ISE).
Tương tự, Iryna Kharchenko
và Plamen Tzvetkov (2013)
đã kiểm định hiệu ứng lan
tỏa SSL và độ biến thiên giữa
các nền kinh tế phát triển
(developed economies) và các
nền kinh tế mới nổi (Emerging
Economies) thông qua phân
tích dữ liệu tại các nước như
Trung Quốc, Nga, Ấn Độ,
Pháp, Đức và Mỹ. Kết quả
nghiên cứu đã chỉ ra tác động
lan tỏa SSL một chiều (unidirectional) có ý nghĩa thống
kê từ các thị trường phát triển
(Pháp, Đức, Mỹ) lên thị trường
Trung Quốc và Ấn Độ; nhưng
tác động lan tỏa này không
được phát hiện đối với thị
trường Nga. Ngoài ra, nghiên

Tạp chí Khoa học & Đào tạo Ngân hàng

cứu còn chỉ ra tác động lan tỏa
độ biến thiên có ý nghĩa thống
kê từ thị trường Mỹ lên Trung
Quốc, cũng như từ Pháp và
Đức lên Nga. Gần đây, Yusaku
Nishimura và ctg (2015) đã
nghiên cứu về cơ chế lan tỏa
độ biến thiên và lợi nhuận từ
thị trường Trung Quốc sang
thị trường Nhật. Nghiên cứu
chỉ ra TTCK Trung Quốc có
tác động lan tỏa lên thị trường
Nhật thông qua các công ty
liên quan đến Trung Quốc tại
Nhật.
Tại TTCK Việt Nam, độ biến
thiên SSL được nghiên cứu
đầu tiên bởi Vương Quân
Hoàng (2004). Bài báo này đã
kiểm định hiệu ứng GARCH
tại TTCK Việt Nam thời kỳ
đầu. Tác giả đã kiểm định
hiệu ứng GARCH dưới tác
động của các biến chính sách
và thông tin, từ đó đưa ra kết
luận TTCK Việt Nam rất nhạy
cảm với các chính sách, đặc

biệt là biên độ dao động giá,
chịu sự ảnh hưởng của dòng
thông tin và có sự tác động
qua lại của các cổ phiếu theo
kiểu “dầu loang”. Các nghiên
cứu tiếp theo về độ biến thiên
tại TTCK Việt Nam được thực
hiện bởi Nguyễn Thu Hiền và
Lê Đình Nghi (2010), và sau
đó được bổ sung bởi Lê Đình
Nghi (2012). Các bài báo này
đã thực hiện nghiên cứu với
dữ liệu được cập nhật hơn,
và tìm hiểu một vài khía cạnh
khác về độ biến thiên. Cụ thể
hơn, kết quả nghiên cứu trong
Nguyễn Thu Hiền và Lê Đình
Nghi (2010) và Lê Đình Nghi
(2012) đã phát hiện sự tồn
tại của hiệu ứng GARCH tại
TTCK Việt Nam trong giai

đoạn từ 3/2007 đến 02/2009,
và sử dụng các dạng mô hình
GARCH để phân tích một vài
khía cạnh khác như tác động
của biện pháp thu hẹp biên
độ dao động giá lên độ biến
thiên, hay ảnh hưởng của khối
lượng giao dịch lên độ biến

thiên tại TTCK Việt Nam. Tuy
nhiên, đến thời điểm hiện tại
vẫn chưa tìm thấy nghiên cứu
nào đánh giá tác động lan tỏa
độ biến thiên từ các thị trường
phát triển đến thị trường Việt
Nam.
Tóm lại, mặc dù lan tỏa SSL
và độ biến thiên đã được
nghiên cứu khá nhiều trong
hơn hai thập kỷ vừa qua,
nhưng chủ đề này vẫn còn
được tiếp tục nghiên cứu do
ý nghĩa thực tiễn quan trọng
và bản chất luôn thay đổi theo
thời gian của nó (Yarovaya,
Brzeszczynski, & Lau, 2016).
Vì lẽ đó, bài báo này xem xét
tác động lan tỏa độ biến thiên
từ TTCK Mỹ lên TTCK Việt
Nam.
3. Dữ liệu và phương pháp
nghiên cứu
Dựa trên các phương pháp
nghiên cứu của Chan, Lien,
và Weng (2008), Ciner (2011)
và Ozer & Kamisli (2016),
nghiên cứu này thực hiện ước
lượng độ biến thiên bằng mô
hình GARCH, sau đó đánh

giá lan tỏa độ biến thiên bằng
kiểm định nhân quả Granger.
Để thực hiện các ước lượng và
kiểm định, dữ liệu nghiên cứu
và phương pháp ước lượng
được sử dụng như mô tả dưới
đây:

Số 190- Tháng 3. 2018

11


CHÍNH SÁCH & THỊ TRƯỜNG TÀI CHÍNH - TIỀN TỆ

3.1. Dữ liệu nghiên cứu
Dữ liệu sử dụng để phân tích
là các chỉ số tổng hợp theo
ngày của S&P 500 (đại diện
cho TTCK Mỹ) và VN-Index
(đại diện cho TTCK Việt
Nam) trong giai đoạn từ
01/01/2012 đến 31/12/2015.
Nghiên cứu thực hiện đồng
nhất về thời gian của hai chuỗi
dữ liệu này bằng cách vào các
ngày không có dữ liệu tại mỗi
thị trường (các ngày không có
giao dịch tại mỗi thị trường),
số liệu được lấy bằng với ngày

trước đó. Sau khi hiệu chỉnh,
mỗi chuỗi dữ liệu có 1.044
quan sát. SSL cổ phiếu tại mỗi
thị trường được tính toán theo
công thức sau:

P
SSL (rate of return) = ln P t
t-1

Trong đó, ln(x) là logarithm
tự nhiên của x, Pt và Pt-1 là các
chỉ số thị trường tại thời điểm
t và t - 1. Cụ thể, Pt chính là
chỉ số S&P 500 đại diện cho
TTCK Mỹ và VN-Index đại
diện cho TTCK Việt Nam.
Dữ liệu SSL được kiểm tra
tính dừng thông qua kiểm định
Augmented Dickey-Fuller
(ADF) và thực hiện hồi quy
theo mô hình GARCH.
3.2. Mô hình GARCH
Bollerslev (1986) là người đầu
tiên đưa ra mô hình GARCH
để mô tả phương sai có điều
kiện của SSL, nghĩa là độ
biến thiên. Với mô hình dạng
ARMA(p,q) để mô tả SSL:
k

p

i=1

i=1

rt = z 0 + / b i xit + / z i rt - i
q

+ / i i at - i + at
i=1

12 Số 190- Tháng 3. 2018

Trong đó k, p và q là các số
nguyên không âm, xit là các
biến nguyên nhân, rt-i và at-i lần
lượt là SSL và các sai số dự
báo tại thời điểm t-i; mô hình
GARCH(m,s) mô tả độ biến
thiên, thông qua phương sai có
điều kiện có dạng:

at = v t f t ,
m

s

i=1

j=1

v2t = a 0 + / a i a t2- i + / b j v2t - j
trong đó, σt2 là phương sai có
điều kiện, {εt} là biến phân bố
ngẫu nhiên đều (identically
distributed) với trung bình
bằng 0 và phương sai bằng
1, α0 > 0, αi ≥ 0, βj ≥ 0 và
⅀(i=1)^max(m, s)▒(αi + βj)
< 1.
Ở đây, ta hiểu rằng αi = 0 với
i > m và bj = 0 với j > s. Ràng
buộc sau về αi + βj để phương
sai không điều kiện của at là
hữu hạn, trong khi phương sai
có điều kiện σt2 thay đổi theo
thời gian. εt thường được giả
sử tuân theo phân bố chuẩn
(normal distribution), phân
bố Student-t (Student’s t
distribution) hay phân bố lỗi
tổng quát (generalized error
distribution).
Như vậy, mô hình GARCH đã
biểu diễn được độ biến thiên

và các yếu tố ảnh hưởng, theo
đó nếu các hệ số αi và βj có ý

nghĩa thống kê chứng tỏ độ
biến thiên chịu tác động của
độ biến thiên và thành phần
lỗi (đại diện cho sự tăng giảm
ngoài kì vọng của nhà đầu tư)
trong các giai đoạn trước đó.
Dữ liệu độ biến thiên có được
từ mô hình GARCH được
kiểm định tính dừng. Sau đó,
nghiên cứu sử dụng kiểm định
nhân quả Granger (Granger
Causlity Test) để đánh giá tác
động lan tỏa độ biến thiên giữa
các thị trường.
Kiểm định nhân quả Granger
Granger (1969) đã xây dựng lý
thuyết để kiểm định mối tương
quan “nhân quả” (causality)
giữa các chuỗi dữ liệu. Phương
pháp đánh giá biến x tác động
lên y dựa trên việc kiểm định
xem biến y được giải thích
bởi các giá trị của y trong quá
khứ và các giá trị có độ trễ
của x. Biến y được xem là kết
quả Granger của x (Grangercaused by x) nếu x góp phần
dự báo được giá trị của y, hay
nói cách khác là các hệ số của
biến trễ của x có ý nghĩa thống
kê.

Kiểm định nhân quả Granger
(Granger Causality test) theo
mô hình VAR (Gujarati, 2004)

Bảng 1. Kết quả thống kê mô tả của SSL danh mục đầu tư các
thị trường Mỹ và Việt Nam
S&P500

VN-Index

Trung bình (Mean)

0.000466

0.000478

Trung vị (Median)

0.000195

0.000101

Độ lệch chuẩn (Std. Dev)

0.007916

0.011053

Độ nghiêng (Skewness)

-0.256127

-0.609907

Độ nhọn (Kurtosis)

5.054130

5.787362

Nguồn: Kết quả tính toán của tác giả trên phần mềm Eviews 8

Tạp chí Khoa học & Đào tạo Ngân hàng


CHÍNH SÁCH & THỊ TRƯỜNG TÀI CHÍNH - TIỀN TỆ

Bảng 2. Kiểm định ADF tại các thị trường
Giả thuyết H0

S&P500

VN-Index

Chuỗi không dừng

Chuỗi không dừng

-31.79130

-30.07468

Bác bỏ ở mức 1%

Bác bỏ ở mức 1%

t-Statistic
Kết luận

Bảng 2. Kết quả kiểm định cho
thấy giả thuyết H0 bị bác bỏ ở
mức ý nghĩa 1%, nghĩa là cả
hai chuỗi dữ liệu đều dừng.
Ngoài ra, vẽ đồ thị hàm tự
tương quan (ACF) và tự tương
quan từng phần (PACF) cũng
cho kết quả là dữ liệu có tính
dừng.
Tuy nhiên, các hàm tự tương
quan và tự tương quan từng
phần của bình phương suất
sinh lợi chỉ ra tồn tại tự tương
quan mạnh ở các chuỗi dữ

Nguồn: Kết quả tính toán của tác giả trên phần mềm Eviews 8

có dạng:
yt = α0 + α1yt-1 + ... + α1yt-l +
β1xt-1 + ... + β1xt-l + εt
xt = α0 + α1xt-1 + ... + α1xt-l +

β1yt-1 + ... + β1yt-l + ut
và giả thuyết kiểm định như
sau:
β1 = β2 = ... = βl = 0
cho mỗi phương trình ở trên.
Giả thuyết H0 là: x không tác
động nhân quả Granger lên y
(x does not Granger-cause y)
trong phương trình hồi quy ở
bên trên và y không tác động
nhân quả Granger lên x (y does
not Granger-cause x) trong
phương trình hồi quy ở bên
dưới. Như vậy, nếu ở phương
trình phía trên (y là biến phụ
thuộc), giả thuyết H0 bị bác bỏ
nghĩa là x tác động nhân quả
Granger lên y. Như vậy, dùng
kiểm định nhân quả Granger
đối với chuỗi dữ liệu độ biến
thiên tại hai thị trường sẽ giúp
xác định mối liên hệ cũng như
chiều tác động giữa hai TTCK
Mỹ và Việt Nam.

Trước hết là kết quả thống kê
mô tả SSL danh mục đầu tư
thị trường ở Mỹ, được đại diện
bởi chỉ số S&P500 và ở Việt
Nam, được đại diện bởi chỉ số

VN-Index (Bảng 1).
Từ các kết quả trên, chúng
ta thấy giá trị trung bình
của SSL trên cả hai thị
Bảng 3. Kết quả ước lượng
trường là dương, tuy
GARCH
p
q
nhiên giá trị này là khá
/
/
rt = z 0 + z i rt - i + i i at - i + at
nhỏ. Điều này là hợp lý
i=1
i=1
vì thời kỳ nghiên cứu là
v2t = a 0 + a1 a t2- 1 + b1 v2t - 1
giai đoạn mới phục hồi
S&P500
VN-Index
của các thị trường sau giai
đoạn khủng khoảng kinh
Mean Equation
tế thế giới. Độ nghiêng
ϕ0 0.000623*** 0.000517**
(Skewness) tại cả hai
ϕ1 0.141121*** 0.122741***
TTCK là âm chứng tỏ
các phân bố SSL tại các

ϕ2 -0.029437** 0.062826***
thị trường này là bất đối
ϕ3 -0.045338***
xứng và có ‘đuôi trái dài’
ϕ4 -0.245122*** 0.228897***
(long left tail). Độ nhọn
(Kurtosis) tại cả hai sàn
ϕ5 0.904299*** -0.084530***
lớn hơn 3 chứng tỏ phân
-0.053319***
ϕ6
bố của dữ liệu ‘nhọn’
0.730323***
ϕ7
(peak) hơn so với phân bố
θ1 -0.177991*** 0.193849***
chuẩn.

4. Kết quả nghiên cứu

4.2. Kiểm định tính dừng
của chuỗi dữ liệu

Với dữ liệu và phương pháp
ước lượng như vừa trình bày
trên đây, sau khi thực hiện
nghiên cứu chúng tôi thu nhận
được kết quả như được trình
bày dưới đây:
4.1. Thống kê mô tả

Tạp chí Khoa học & Đào tạo Ngân hàng

Sau kết quả thống kê mô
tả, chúng tôi thực hiện
kiểm định tính dừng của
dữ liệu. Kết quả kiểm định
tính dừng của dữ liệu bằng
kiểm định Augmented
Dickey-Fuller (ADF)
được trình bày cụ thể ở

θ4
θ5
θ7

0.229896***

-0.309842***

-0.944644***
-0.703064***

Variance Equation

α0
α1
β1

0,00001***

0.000021***

0,2020***

0.199256***

0,7537***

0.619890***

Nguồn: Kết quả tính toán của tác giả
trên phần mềm Eviews 8
Ghi chú: *, **, *** lần lượt đại diện
cho các mức ý nghĩa 10%, 5% và 1%

Số 190- Tháng 3. 2018

13


CHÍNH SÁCH & THỊ TRƯỜNG TÀI CHÍNH - TIỀN TỆ
Bảng 4. Kiểm định ADF của chuỗi dữ liệu độ biến thiên tại
các thị trường
S&P500

VN-Index

Chuỗi không dừng

Chuỗi không dừng

t-Statistic

-8.277654

-10.21809

Kết luận

Bác bỏ ở mức 1%

Bác bỏ ở mức 1%

Giả thuyết H0

Nguồn: Kết quả tính toán của tác giả trên phần mềm Eviews 8

liệu này, nghĩa là đây là chuỗi
phụ thuộc, một dấu hiệu cho
thấy sự tồn tại của hiệu ứng
GARCH. Như vậy, ta có thể
dùng mô hình GARCH để
đánh giá độ biến thiên SSL tại
các TTCK Mỹ và Việt Nam.
4.3. Kết quả ước lượng
GARCH tại hai thị trường
Qui tắc Box-Jenkin (Gujarati,
2004) được sử dụng để xác
định bậc trong mô hình mô tả

SSL và mô hình GARCH(1,1)
với các độ trễ trong mô hình
m=s=1 được dùng để mô tả
độ biến thiên. Lý do chọn mô
hình này là GARCH (1,1) là
mô hình phù hợp và được sử
dụng trong hầu hết các nghiên
cứu tương tự. Các trường hợp
mô hình GARCH (m,s) với các
hệ số m,s lớn hơn thường chỉ
được dùng trong các chuỗi dữ
liệu rất dài, ví dụ như dữ liệu
giờ của vài năm (Engle, 2001).
Lần lượt ước lượng mô

hình GARCH(1,1) với công
thức mô tả SSL có dạng
ARMA(p,q), trong đó p,q
được xác định theo qui tắc
Box-Jenkin để lựa chọn các
mô hình thỏa mãn điều kiện tất
cả các hệ số có ý nghĩa thống
kê và khử được hiện tượng
phương sai thay đổi. Từ đó,
lựa chọn mô hình tốt nhất dựa
trên tiêu chuẩn AIC (Akaike
Info Criterion). Sau nhiều lần
thử, ta thu được mô hình tốt
nhất là mô hình GARCH (1,1)
với công thức trung bình như

được trình bày ở Bảng 3.
Kết quả ước lượng mô hình
GARCH tại cả hai thị trường
cho thấy các hệ số α (thành
phần ARCH) và β (thành phần
GARCH) cho cả hai thị trường
đều có ý nghĩa thống kê ở mức
1%, chứng tỏ độ biến thiên
tại các TTCK Mỹ và Việt
Nam phụ thuộc vào cả độ biến
thiên và thành phần lỗi (đại
diện cho sự tăng giảm ngoài
kì vọng của nhà đầu tư) trong

Bảng 5. Kiểm định tác động lan tỏa giữa các thị trường
Kiểm định nhân quả Granger
Giả thuyết H0
F-Statistic
Kết luận

Độ biến thiên tại TTCK
Mỹ không tác động nhân
quả Granger lên độ biến
thiên tại TTCK Việt Nam
4.41116

Độ biến thiên tại TTCK
Việt Nam không tác động
nhân quả Granger lên độ
biến thiên tại TTCK Mỹ

1.03185
Không bác bỏ ở mức
Bác bỏ ở mức 1%
10%
Nguồn: Tính toán của tác giả trên phần mềm Eviews 8

14 Số 190- Tháng 3. 2018

giai đoạn trước đó. Nghĩa là sự
tăng giảm SSL ngoài kì vọng
của nhà đầu tư cùng với độ
biến thiên trong thời gian giao
dịch trước đó cùng góp phần
chi phối hành vi và quyết định
đầu tư trên thị trường (Nghi,
2012). Ngoài ra, từ mô hình
GARCH ở trên, ta có thể ước
lượng được độ biến thiên tại
các thị trường.
4.4. Kiểm định tác động lan
tỏa độ biến thiên giữa các thị
trường
Trước hết, kiểm định tính
dừng của dữ liệu độ biến thiên
tại các thị trường được thực
hiện bằng kiểm định ADF. Kết
quả kiểm định được trình bày
ở Bảng 4.
Như vậy, các chuỗi dữ liệu độ

biến thiên tại cả hai thị trường
đều dừng ở mức ý nghĩa 1%.
Từ đó, ta có thể kiểm định tác
động lan tỏa độ biến thiên giữa
hai thị trường bằng kiểm định
nhân quả Granger. Dùng tiêu
chuẩn AIC, nghiên cứu xác
định được bậc phù hợp của mô
hình VAR là 3. Từ đó, nghiên
cứu thực hiện kiểm định nhân
quả Granger với độ trễ là 3.
Kết quả kiểm định được trình
bày ở Bảng 5.
Kết quả ở Bảng 5 cho thấy
rằng độ biến thiên tại TTCK
Mỹ có tác động lan tỏa lên
độ biến thiên tại TTCK Việt
Nam, nhưng không có chiều
ngược lại, nghĩa là TTCK Việt
Nam không có tác động lan
tỏa lên TTCK Mỹ. Như vậy,
mối quan hệ độ biến thiên giữa
hai thị trường tuân theo giả
thuyết mưa sao băng (Engle,
Ito, & Lin, 1990), nghĩa là có

Tạp chí Khoa học & Đào tạo Ngân hàng