Mô hình VAR là gì?

Mô hình VAR là gì?

Mô hình VAR (Vector Autoregression - Tự hồi quy vector) là một mô hình kinh tế lượng chuỗi thời gian đa biến, trong đó mỗi biến trong hệ thống được giải thích bằng giá trị quá khứ của chính nó và giá trị quá khứ của tất cả các biến khác. Mô hình này được nhà kinh tế học Christopher Sims phát triển vào năm 1980, và ông đã được trao giải Nobel Kinh tế năm 2011 cho đóng góp quan trọng này vào lĩnh vực phân tích kinh tế vĩ mô.

Nói một cách đơn giản, VAR là sự mở rộng của mô hình tự hồi quy (AR) từ một biến lên nhiều biến. Thay vì chỉ dự báo một biến duy nhất dựa trên lịch sử của chính nó, VAR cho phép đồng thời phân tích mối quan hệ qua lại giữa nhiều biến kinh tế vĩ mô như lãi suất, lạm phát, tăng trưởng tín dụng và tỷ giá hối đoái.

Tại sao Mô hình VAR quan trọng trong ngân hàng?

Phân tích chính sách tiền tệ hiệu quả hơn: Ngân hàng trung ương và các tổ chức tín dụng sử dụng VAR để đánh giá tác động lan tỏa của các quyết định chính sách tiền tệ lên toàn bộ nền kinh tế. Ví dụ, khi điều chỉnh lãi suất chính sách, VAR giúp dự báo phản ứng của lạm phát và tăng trưởng kinh tế.

Dự báo rủi ro hệ thống: Mô hình VAR cho phép các ngân hàng đánh giá mức độ lan truyền rủi ro giữa các biến số tài chính, từ đó xây dựng kịch bản phòng ngừa rủi ro thanh khoản và rủi ro tín dụng.

Phân tích tương tác động: VAR nắm bắt được mối quan hệ phản hồi (feedback) giữa các biến - một đặc điểm mà các mô hình đơn biến truyền thống không có được. Điều này đặc biệt quan trọng khi phân tích sự tương tác giữa thị trường tiền tệ, thị trường ngoại hối và thị trường chứng khoán.

Hỗ trợ ra quyết định định lượng: Thay vì chỉ dựa vào kinh nghiệm và phân tích định tính, các nhà quản trị ngân hàng có thể sử dụng kết quả từ mô hình VAR để đưa ra quyết định chiến lược dựa trên bằng chứng thực nghiệm.

Cách hoạt động và cách tính

Cấu trúc toán học

Mô hình VAR bậc p, ký hiệu VAR(p), được biểu diễn dưới dạng hệ phương trình đồng thời:

Yt = Π1Yt-1 + Π2Yt-2 + ... + ΠpYt-p + εt

Trong đó:

• Yt là vector cột chứa các biến nội sinh tại thời điểm t (ví dụ: lãi suất, lạm phát, GDP)
• Πi (i=1,2,...,p) là ma trận hệ số của các độ trễ
• Yt-i là vector giá trị các biến tại thời điểm trễ i
• εt là vector nhiễu ngẫu nhiên (shock) tại thời điểm t

Quy trình ước lượng

Bước 1 - Xác định số biến và độ trễ tối ưu: Trước tiên, cần xác định danh sách các biến nội sinh và chọn số độ trễ p phù hợp. Việc lựa chọn độ trễ thường dựa trên các tiêu chí thông tin như AIC (Akaike Information Criterion) hoặc SIC (Schwarz Information Criterion).

Bước 2 - Ước lượng tham số: Mỗi phương trình trong hệ thống VAR được ước lượng riêng biệt bằng phương pháp bình phương nhỏ nhất (OLS). Điểm đặc biệt là OLS áp dụng cho từng phương trình vẫn cho kết quả nhất quán và hiệu quả, không cần sử dụng phương pháp hệ đồng thời phức tạp.

Bước 3 - Kiểm định và chẩn đoán: Sau khi ước lượng, cần kiểm tra các tính chất thống kê của mô hình như tính dừng của chuỗi, phần dư không có tự tương quan (đa biến), và phân phối chuẩn.

Bước 4 - Phân tích hàm phản ứng xung (Impulse Response Function): Phân tích cách một cú sốc (shock) ở một biến lan truyền và ảnh hưởng đến các biến khác theo thời gian.

Bước 5 - Phân rã phương sai (Variance Decomposition): Xác định tỷ lệ phần dợn dao phương sai của mỗi biến được giải thích bởi các cú sốc từ các biến khác.

Ví dụ thực tế

Ví dụ 1: Phân tích chính sách tiền tệ

Giả sử Ngân hàng A muốn đánh giá tác động của việc tăng lãi suất chính sách thêm 50 điểm cơ bản (0,5%) lên nền kinh tế. Sử dụng mô hình VAR(2) với 4 biến: lãi suất chính sách (r), lạm phát (π), tăng trưởng tín dụng (cg) và tỷ giá USD/VND (e), dữ liệu quý từ 2015-2023.

Kết quả phân tích hàm phản ứng xung cho thấy:

• Lạm phát giảm 0,3% sau 2 quý và tiếp tục giảm 0,5% sau 4 quý
• Tăng trưởng tín dụng chậm lại 1,2% sau 3 quý
• Tỷ giá tăng 0,8% ngay trong quý đầu tiên

Ví dụ 2: Dự báo rủi ro thanh khoản

Ngân hàng B xây dựng mô hình VAR(3) với các biến: thanh khoản hệ thống (L), khối lượng giao dịch trên thị trường liên ngân hàng (V), và lãi suất liên ngân hàng qua đêm (i). Kết quả phân rã phương sai cho thấy thanh khoản hệ thống bị ảnh hưởng 45% bởi chính nó, 30% bởi khối lượng giao dịch, và 25% bởi lãi suất liên ngân hàng. Từ đó, ban quản trị Ngân hàng B điều chỉnh chiến lược dự trữ thanh khoản phù hợp.

Phân biệt với thuật ngữ liên quan

Câu hỏi thường gặp trong đề thi

Câu 1: Ai là người phát triển mô hình VAR và đã được trao giải Nobel Kinh tế cho đóng góp này?

• A. Robert Engle
• B. Christopher Sims
• C. Clive Granger
• D. Eugene Fama

Câu 2: Điểm mạnh chính của mô hình VAR so với mô hình ARIMA là gì?

• A. Số lượng tham số ít hơn
• B. Khả năng phân tích tương tác giữa nhiều biến kinh tế
• C. Yêu cầu dữ liệu ít hơn
• D. Tốc độ tính toán nhanh hơn

Câu 3: Trong mô hình VAR, phương pháp nào thường được sử dụng để ước lượng các tham số?

• A. Phương pháp Maximum Likelihood
• B. Phương pháp GMM
• C. Phương pháp bình phương nhỏ nhất (OLS) cho từng phương trình
• D. Phương pháp phương trình đồng thời

Câu 4: Tiêu chí nào sau đây thường được sử dụng để lựa chọn số độ trễ tối ưu trong mô hình VAR?

• A. R-squared và Adjusted R-squared
• B. AIC và SIC
• C. P-value và F-statistic
• D. Durbin-Watson và Breusch-Godfrey

Tổng kết

Mô hình VAR là công cụ phân tích kinh tế lượng mạnh mẽ, cho phép các nhà phân tích ngân hàng nghiên cứu mối quan hệ động giữa nhiều biến kinh tế vĩ mô mà không cần đặt ra giả thuyết về quan hệ nhân quả trước. Điểm cốt lõi cần nhớ: VAR mở rộng từ mô hình đơn biến AR lên đa biến, sử dụng OLS để ước lượng, và cần lựa chọn độ trễ tối ưu thông qua AIC hoặc SIC.

Khi ôn thi vào ngân hàng, các bạn nên nắm vững cách thiết lập hệ phương trình VAR, ý nghĩa của hàm phản ứng xung và phân rã phương sai, cũng như phân biệt được VAR với các mô hình liên quan như ARIMA và VECM. Chúc các bạn ôn tập hiệu quả và tự tin chinh phục kỳ thi!