Original Title: Measuring the Correlations between Stock Market Returns and Commodity Returns in the United States Using GARCH‑M Models
Source: doi.org/10.36956/rwae.v6i2.1638
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការវាស់ស្ទង់ទំនាក់ទំនងរវាងប្រាក់ចំណេញទីផ្សារភាគហ៊ុន និងប្រាក់ចំណេញទំនិញនៅសហរដ្ឋអាមេរិក ដោយប្រើប្រាស់ម៉ូដែល GARCH‑M

ចំណងជើងដើម៖ Measuring the Correlations between Stock Market Returns and Commodity Returns in the United States Using GARCH‑M Models

អ្នកនិពន្ធ៖ Wisam H. Ali Al‑Anezi (Department of Economics, College of Administration and Economics, University of Anbar), Ali Y. Abdullah Al‑Joaani (Al‑Nisour University College), Faisal Ghazi Faisal (Department of Finance and Banking, Al‑Idrisi University College), Bha Aldan Abdulsattar Faraj (Department of Finance and Banking Sciences, University of Al Maarif), Abdulrazaq Shabeeb (Department of Economics, College of Administration and Economics, University of Anbar)

ឆ្នាំបោះពុម្ព៖ 2025 Research on World Agricultural Economy

វិស័យសិក្សា៖ Economics

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃការធ្វើពិពិធកម្មផលប័ត្រវិនិយោគ និងការគ្រប់គ្រងហានិភ័យ ដោយវាស់ស្ទង់ទំនាក់ទំនងរវាងប្រាក់ចំណេញពីទីផ្សារភាគហ៊ុន និងទីផ្សារទំនិញ (មាស ពោត និងសណ្តែកសៀង) នៅសហរដ្ឋអាមេរិក។

វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រើប្រាស់ទិន្នន័យប្រចាំថ្ងៃពីឆ្នាំ ២០១៥ ដល់ ២០២៤ និងអនុវត្តម៉ូដែលសេដ្ឋកិច្ចមាត្រកម្រិតខ្ពស់ដើម្បីវិភាគទំនាក់ទំនងដែលប្រែប្រួលតាមពេលវេលា។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
CCC-GARCH (Conditional Constant Correlation Model)
ម៉ូដែលទំនាក់ទំនងតាមលក្ខខណ្ឌថេរ (CCC-GARCH)
ងាយស្រួលក្នុងការប៉ាន់ស្មានទំនាក់ទំនងជាមធ្យមរួមក្នុងរយៈពេលវែង និងមានស្ថិរភាពក្នុងការគណនា។ មិនអាចបង្ហាញពីការប្រែប្រួលនៃទំនាក់ទំនងតាមពេលវេលាជាក់ស្តែង (Dynamic shifts) ជាពិសេសក្នុងអំឡុងពេលមានវិបត្តិហិរញ្ញវត្ថុនោះទេ។ រកឃើញទំនាក់ទំនងអវិជ្ជមានមធ្យមរវាងទីផ្សារហិរញ្ញវត្ថុនិងមាស និងមានទំនាក់ទំនងវិជ្ជមានខ្សោយជាមួយទីផ្សារកសិផល (ពោត និងសណ្តែកសៀង)។
DCC-GARCH (Dynamic Conditional Correlation Model)
ម៉ូដែលទំនាក់ទំនងតាមលក្ខខណ្ឌថាមវន្ត (DCC-GARCH)
អាចចាប់យកការប្រែប្រួលនៃទំនាក់ទំនងតាមពេលវេលាជាក់ស្តែង ដែលផ្តល់លទ្ធផលច្បាស់លាស់ ប្រាកដនិយម និងស័ក្តិសមបំផុតសម្រាប់ការគ្រប់គ្រងផលប័ត្រក្នុងពេលមានវិបត្តិ។ មានភាពស្មុគស្មាញខ្ពស់ក្នុងការគណនា និងទាមទារទិន្នន័យច្រើនសម្រាប់ការវិភាគដើម្បីទទួលបានលទ្ធផលជាក់លាក់។ បញ្ជាក់យ៉ាងច្បាស់ថាមាសគឺជាជម្រកសុវត្ថិភាព (Safe Haven) ខណៈដែលកសិផលមានទំនាក់ទំនងវិជ្ជមានថាមវន្ត ដែលបង្កើនហានិភ័យមិនអាចប្រើជាការធ្វើពិពិធកម្មបានទេ។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះពឹងផ្អែកលើការវិភាគទិន្នន័យស៊េរីពេលវេលា (Time Series Data) ក្នុងទំហំមធ្យម ដែលទាមទារកម្មវិធីស្ថិតិកម្រិតខ្ពស់ និងចំណេះដឹងស៊ីជម្រៅផ្នែកសេដ្ឋកិច្ចមាត្រ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះប្រើប្រាស់ទិន្នន័យទីផ្សារហិរញ្ញវត្ថុ និងទំនិញរបស់សហរដ្ឋអាមេរិកទាំងស្រុង។ ទិន្នន័យនេះមិនឆ្លុះបញ្ចាំងពីបរិបទប្រទេសកំពុងអភិវឌ្ឍន៍ ឬទីផ្សារដែលមានទំហំតូច និងសាច់ប្រាក់ងាយស្រួលទាប (Low Liquidity) ដូចជាកម្ពុជានោះទេ។ ការពឹងផ្អែកលើលទ្ធផលនេះទាំងស្រុងអាចមានហានិភ័យ ព្រោះរចនាសម្ព័ន្ធទីផ្សារភាគហ៊ុនកម្ពុជា (CSX) និងអាកប្បកិរិយាវិនិយោគិនមានលក្ខណៈខុសប្លែកពីទីផ្សារអាមេរិក។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះបីជាទិន្នន័យផ្តោតលើអាមេរិកក៏ដោយ វិធីសាស្ត្រនៃការវិភាគកម្រិតខ្ពស់នេះមានសារៈប្រយោជន៍ខ្លាំងណាស់សម្រាប់ការស្រាវជ្រាវទីផ្សារហិរញ្ញវត្ថុនៅកម្ពុជា។

ការបន្សាំម៉ូដែល DCC-GARCH មកប្រើប្រាស់ជាមួយនឹងទិន្នន័យក្នុងស្រុក នឹងជួយលើកកម្ពស់សមត្ថភាពវិភាគហានិភ័យហិរញ្ញវត្ថុនៅកម្ពុជា ឱ្យកាន់តែមានភាពច្បាស់លាស់ និងអាចឆ្លើយតបទៅនឹងការប្រែប្រួលសេដ្ឋកិច្ចបានទាន់ពេលវេលា។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាមូលដ្ឋានគ្រឹះនៃម៉ូដែលស៊េរីពេលវេលា (Time Series Modeling): និស្សិតត្រូវស្វែងយល់ពីទ្រឹស្តី ARMA, ARCH និង GARCH កម្រិតឯកតា (Univariate) ជាមុនសិន។ អនុវត្តការសរសេរកូដសាកល្បងដោយប្រើភាសា Python ជាមួយកញ្ចប់ statsmodels និង arch លើទិន្នន័យទីផ្សារហិរញ្ញវត្ថុធម្មតា។
  2. ប្រមូលទិន្នន័យទីផ្សារកម្ពុជា និងប្រៀបធៀបជាមួយទីផ្សារអន្តរជាតិ: ទាញយកទិន្នន័យប្រវត្តិភាគហ៊ុនពីទីផ្សារមូលបត្រកម្ពុជា (CSX Index) និងប្រមូលទិន្នន័យតម្លៃមាស ឬកសិផលអន្តរជាតិពីប្រភពដែលអាចទុកចិត្តបាន (ឧទាហរណ៍៖ Investing.com, Yahoo Finance) ដើម្បីបង្កើតជាកញ្ចប់ទិន្នន័យ (Dataset) សម្រាប់ការវិភាគ។
  3. អនុវត្តម៉ូដែល Multivariate GARCH លើទិន្នន័យប្រមូលបាន: បន្តសិក្សា និងប្រើប្រាស់កញ្ចប់កម្មវិធីដូចជា rmgarch នៅក្នុងភាសា R ដើម្បីដំណើរការម៉ូដែល CCC-GARCH និង DCC-GARCH លើទិន្នន័យដែលបានរៀបចំរួច ដើម្បីស្វែងរកទំនាក់ទំនងថាមវន្តរវាងភាគហ៊ុន និងទ្រព្យសកម្មផ្សេងៗទៀត។
  4. វិភាគលទ្ធផល និងបង្កើតយុទ្ធសាស្ត្រគ្រប់គ្រងផលប័ត្រវិនិយោគ: បកស្រាយទម្ងន់នៃទំនាក់ទំនង (Correlation Matrix) និងភាពប្រែប្រួល (Volatility) ដែលទទួលបានពីម៉ូដែល ដើម្បីសរសេររបាយការណ៍វាយតម្លៃថា តើទ្រព្យសកម្មមួយណា (ឧ. មាស) អាចដើរតួជាជម្រកសុវត្ថិភាព (Safe Haven) សម្រាប់ទីផ្សារហិរញ្ញវត្ថុកម្ពុជាក្នុងអំឡុងពេលប្រឈមវិបត្តិ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
GARCH-M Model (ម៉ូដែល GARCH-M) ម៉ូដែលសេដ្ឋកិច្ចមាត្រដែលប្រើដើម្បីវាស់ស្ទង់ភាពប្រែប្រួលនៃតម្លៃ (Volatility) ដែលផ្លាស់ប្តូរតាមពេលវេលា និងរបៀបដែលកម្រិតហានិភ័យនៃទ្រព្យសកម្មជះឥទ្ធិពលផ្ទាល់ដល់ប្រាក់ចំណេញរំពឹងទុករបស់វា។ ដូចជាការព្យាករណ៍អាកាសធាតុ ដែលសីតុណ្ហភាពថ្ងៃនេះជួយទាយដឹងពីអាកាសធាតុថ្ងៃស្អែក ហើយបើមេឃកាន់តែខ្មៅ (ហានិភ័យខ្ពស់) យើងកាន់តែរំពឹងថានឹងមានភ្លៀងធ្លាក់ខ្លាំង (ប្រាក់ចំណេញខ្ពស់)។
Dynamic Conditional Correlation / DCC-GARCH (ម៉ូដែលទំនាក់ទំនងតាមលក្ខខណ្ឌថាមវន្ត) វិធីសាស្ត្រស្ថិតិដែលអនុញ្ញាតឱ្យកម្រិតនៃទំនាក់ទំនងរវាងទ្រព្យសកម្មពីរ (ឧទាហរណ៍ ភាគហ៊ុន និងមាស) អាចប្រែប្រួលឡើងចុះតាមពេលវេលាជាក់ស្តែង ជាពិសេសក្នុងកំឡុងពេលមានវិបត្តិ។ ដូចជាមិត្តភាពរវាងមនុស្សពីរនាក់ ដែលពេលធម្មតាអាចជាមិត្តធម្មតា ប៉ុន្តែពេលជួបបញ្ហាធំ ពួកគេអាចក្លាយជាអ្នកជួយគ្នាខ្លាំង ឬក៏ឈ្លោះគ្នា ដោយមិននៅថេររហូតនោះទេ។
Constant Conditional Correlation / CCC-GARCH (ម៉ូដែលទំនាក់ទំនងតាមលក្ខខណ្ឌថេរ) ការវិភាគសេដ្ឋកិច្ចមាត្រដែលសន្មតថាទម្ងន់នៃទំនាក់ទំនងរវាងអថេរពីរគឺនៅថេរមិនប្រែប្រួល ទោះបីជាភាពប្រែប្រួលនៃតម្លៃរបស់វា (Volatility) ផ្លាស់ប្តូរតាមពេលវេលាក៏ដោយ។ ដូចជាការចងខ្សែរថយន្តពីរជាប់គ្នាដោយខ្សែពួរ ទោះបីជារថយន្តទាំងពីរបើកលឿន ឬយឺតយ៉ាងណាក៏ដោយ ក៏គម្លាតរវាងវានៅតែរក្សាដដែលរហូត។
Portfolio Diversification (ការធ្វើពិពិធកម្មផលប័ត្រវិនិយោគ) យុទ្ធសាស្ត្រគ្រប់គ្រងហានិភ័យហិរញ្ញវត្ថុដោយធ្វើការបែងចែកប្រាក់វិនិយោគទៅក្នុងទ្រព្យសកម្មផ្សេងៗគ្នា (ភាគហ៊ុន មាស កសិផល) ដើម្បីកាត់បន្ថយការខាតបង់ធ្ងន់ធ្ងរនៅពេលដែលវិស័យណាមួយដួលរលំ។ ដូចជាការអនុវត្តសុភាសិត "កុំដាក់ស៊ុតទាំងអស់ក្នុងកន្ត្រកតែមួយ" ព្រោះបើកន្ត្រកនោះធ្លាក់ ស៊ុតនឹងបែកទាំងអស់។
Safe Haven Asset (ទ្រព្យសកម្មជាជម្រកសុវត្ថិភាព) ប្រភេទនៃការវិនិយោគ (ដូចជាមាស) ដែលត្រូវបានគេរំពឹងថានឹងរក្សាតម្លៃ ឬកើនឡើងតម្លៃ ក្នុងកំឡុងពេលដែលទីផ្សារទូទៅកំពុងធ្លាក់ចុះ ឬមានវិបត្តិសេដ្ឋកិច្ចធ្ងន់ធ្ងរ។ ដូចជាអាវពោងសុវត្ថិភាព ដែលយើងប្រញាប់ទាញយកមកពាក់នៅពេលដែលទូកកំពុងតែលិច ដើម្បីការពារជីវិត។
Volatility Clustering (ចង្កោមនៃភាពប្រែប្រួល) បាតុភូតទីផ្សារហិរញ្ញវត្ថុដែលក្នុងនោះ ការប្រែប្រួលតម្លៃខ្លាំងតែងតែដើរតាមក្រោយដោយការប្រែប្រួលខ្លាំងដូចគ្នា ហើយការប្រែប្រួលខ្សោយតែងតែបន្តដោយការប្រែប្រួលខ្សោយ។ ដូចជារលកសមុទ្រ ដែលរលកធំៗតែងតែមកជាប់ៗគ្នាជាបន្តបន្ទាប់នៅពេលមានខ្យល់ព្យុះ ហើយរលកតូចៗតែងតែមកបន្តបន្ទាប់គ្នានៅពេលមេឃស្រឡះល្អ។
Conditional Variance (វ៉ារ្យ៉ង់តាមលក្ខខណ្ឌ) រង្វាស់នៃកម្រិតហានិភ័យ ឬភាពមិនប្រាកដប្រជានៃតម្លៃទ្រព្យសកម្មមួយនៅពេលអនាគត ដោយត្រូវពឹងផ្អែកគណនាលើព័ត៌មាន និងទិន្នន័យនៃការប្រែប្រួលតម្លៃនាពេលកន្លងមក។ ដូចជាការវាយតម្លៃថាហានិភ័យនៃការជួបគ្រោះថ្នាក់ចរាចរណ៍ថ្ងៃនេះមានកម្រិតណា ដោយផ្អែកលើស្ថានភាពផ្លូវកាលពីម្សិលមិញនិងកត្តាអាកាសធាតុបច្ចុប្បន្ន។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖