Mô hình GARCH là gì và nó được sử dụng như thế nào để ước lượng biến động trong tương lai?
GARCH là gì?
Mô hình GARCH (Generalized Autoregressive Conditional Heteroskedasticity - Đa biến điều kiện tự hồi quy của phương sai không đồng nhất) là một công cụ thống kê được sử dụng chủ yếu trong lĩnh vực tài chính để phân tích và dự báo độ biến động của dữ liệu chuỗi thời gian, chẳng hạn như giá cổ phiếu, tỷ giá hối đoái hoặc giá hàng hóa. Khác với các mô hình truyền thống giả định phương sai không đổi theo thời gian, mô hình GARCH nhận thức rằng độ biến động của thị trường tài chính có xu hướng tập trung thành từng đợt — các giai đoạn biến động cao sẽ được theo sau bởi những giai đoạn nữa cũng có mức độ biến động cao hơn, còn các giai đoạn yên tĩnh thường kéo dài. Đặc điểm này khiến GARCH trở nên đặc biệt hiệu quả trong việc bắt kịp tính chất năng động của thị trường tài chính.
Được phát triển bởi nhà kinh tế học Robert F. Engle vào năm 1982—người sau này nhận giải Nobel vì công trình của mình—mô hình GARCH khắc phục những hạn chế tồn tại trong các phương pháp trước đó như ARCH (Autoregressive Conditional Heteroskedasticity). Trong khi mô hình ARCH có thể mô phỏng sự thay đổi phương sai dựa trên lỗi quá khứ thì thường yêu cầu cấp bậc rất cao để phản ánh đúng sự kéo dài lâu dài của độ biến động. Mô hình GARCH đơn giản hóa điều này bằng cách kết hợp cả phương sai quá khứ và bình phương lỗi quá khứ vào cùng một cấu trúc mô hình.
Hiểu rõ cách hoạt động của các mô hình này là rất quan trọng đối với bất kỳ ai tham gia quản lý rủi ro hoặc ra quyết định đầu tư vì ước lượng chính xác về độ biến động tương lai giúp xây dựng chiến lược phòng ngừa rủi ro hoặc tối ưu hóa danh mục đầu tư hiệu quả hơn.
Các thành phần chính của Mô hình GARCH
Mô hình GARCH gồm nhiều yếu tố cốt lõi giúp chúng ước lượng hiệu quả sự thay đổi về khả năng biến thiên theo thời gian:
Phương sai điều kiện: Đây là ước lượng về phương sai tại một thời điểm nhất định, dựa trên tất cả thông tin sẵn có cho đến lúc đó. Nó phản ánh mức độ không chắc chắn hiện tại trên thị trường dựa vào dữ liệu lịch sử.
Thành phần tự hồi quy: Các bình phương dư lệch (lỗi) từ quá khứ ảnh hưởng đến ước lượng phương sai hiện tại. Nếu gần đây lỗi lớn—cho thấy những chuyển động bất ngờ mới xảy ra—thì khả năng dự báo về sự dao động trong tương lai sẽ tăng lên.
Thành phần trung bình trượt: Các giá trị phương sai trong quá khứ cũng tác động đến ước lượng hiện tại; nếu những khoảng trước đó trải qua mức độ biến thiên cao thì khả năng tiếp tục duy trì rủi ro cao cũng lớn hơn.
Heteroskedasticity điều kiện: Ý tưởng cốt lõi đằng sau GARCH là rằng variance không cố định mà thay đổi theo thời gian phụ thuộc vào các cú sốc và mức độ dao dộng trước đó—hiện tượng gọi là heteroskedasticity.
Các thành phần này phối hợp hoạt động bên trong các hệ thức toán học của mô hình để tạo ra các dự báo linh hoạt thích ứng với dữ liệu mới cập nhật.
Các loại Mô hình GARCH
Dạng phổ biến nhất là GARCH(1,1) – nơi "1" biểu thị số lag cho cả variance và squared residuals (lỗi bình phương) đều bằng một. Ưu điểm nổi bật của dạng này nằm ở chỗ cân đối giữa đơn giản và hiệu quả; nó có thể bắt kịp hầu hết đặc điểm quan sát được trong chuỗi lợi nhuận tài chính mà vẫn giữ cấu trúc khá đơn giản.
Các dạng nâng cao hơn bao gồm:
GARCH(p,q): Một dạng tổng quát linh hoạt hơn, p chỉ số lag cho variance còn q chỉ số lag cho squared residuals.
EGARCH (Exponential GARCH): Thiết kế để xử lý tính bất đối xứng như hiệu ứng đòn bẩy — khi cú sốc tiêu cực làm tăng khả năng dao dộng trong tương lai nhiều hơn so với cú sốc tích cực.
IGARCHand các dạng khác như GJR-GARCh: Những phiên bản này nhằm mục đích mô phỏng hiện tượng phản ứng bất đối xứng hoặc ảnh hưởng lâu dài bên trong thị trường tài chính.
Việc lựa chọn loại phù hợp phụ thuộc vào đặc điểm riêng biệt quan sát được từ bộ dữ liệu—for example, bạn có nhận thấy tác dụng bất đối xứng khi thị trường giảm hay tăng hay không? Hay còn thấy dấu hiệu tồn tại lâu dài?
Làm thế nào Mô hình GARCh Dự báo Độ Biến Động Tương Lai?
Quá trình bắt đầu bằng việc ước lượng tham số qua dữ liệu lịch sử bằng các kỹ thuật như tối đa hợp lý (MLE). Khi tham số đã được tinh chỉnh phù hợp — nghĩa là phù hợp tốt nhất với dữ liệu quá khứ — thì mô hình sẽ tạo ra dự báo về hành vi thị trường tương lai.
Việc dự báo diễn ra bằng cách điền tham số đã ước lượng vào công thức tính variance điều kiện liên tục tiến tới phía trước qua từng bước thời gian. Điều này giúp nhà phân tích hiểu rõ rủi ro hiện tại đồng thời đưa ra dự đoán về dao dộng tiềm năng trong tương lai dưới nhiều kịch bản khác nhau. Những dự đoán kiểu này vô cùng hữu ích cho nhà giao dịch quản lý vị thế ngắn hạn hoặc nhà đầu tư tổ chức lập kế hoạch dài hạn vì cung cấp phép đo xác suất liên quan đến rủi ro tài sản sinh lời.
Trong thực tế, quy trình này gồm nhiều phép tính lặp lại: mỗi lần dự báo phụ thuộc vào volatility và lỗi đã được ước lượng từ trước—phương pháp đệ qui đảm bảo khả năng thích nghi tốt hơn theo tình trạng thị trường luôn thay đổi.
Áp dụng Thực tiễn Trong Thị Trường Tài Chính
Mô hình GARCh đã trở thành công cụ nền tảng ở nhiều lĩnh vực khác nhau nhờ khả năng định lượng rủi ro chuẩn xác:
Quản trị Rủi Ro
Các tổ chức tài chính dùng rộng rãi để tính Value-at-Risk (VaR)—mức thua lỗ tối đa kỳ vọng trong một khoảng thời gian xác định ở mức tin cậy nào đó—and thử nghiệm căng thẳng liên quan tới những diễn biến cực đoan trên thị trường. Dự báo đúng đắn về volatility giúp doanh nghiệp phân bổ vốn hợp lý đồng thời tuân thủ quy chuẩn an toàn vốn theo tiêu chuẩn Basel III.
Tối ưu Danh mục
Nhà đầu tư dùng forecast volatility để xây dựng chiến lược chọn lựa danh mục nhằm tối đa hóa lợi nhuận so với mức chấp nhận rủi ro. Hiểu rõ đâu là nhóm tài sản dễ dao đông mạnh mẽ giúp họ điều chỉnh tỷ lệ phân bổ linh hoạt: giảm thiệt hại khi sóng gió lớn xảy ra rồi mở rộng vị thế khi ổn định trở lại nhằm đạt kết quả tối ưu phù hợp khẩu vị rủi ro cá nhân hoặc tổ chức.
Chiến lược giao dịch
Nhà giao dịch thuật toán tận dụng mẫu patterns do clustering volatility mang lại—ví dụ như đặt lệnh mua bán lúc thấp rồi chờ cơ hội xuất hiện spike—to nâng cao lợi nhuận thông qua chiến lược đặt cược vào nguy cơ sắp tới thay vì chỉ chạy theo xu hướng giá thuần túy.
Phân tích & Dự đoán Thị Trường
Ngoài việc quản lý danh mục cá nhân hay doanh nghiệp nhỏ lẻ, chuyên gia còn dùng phiên bản nâng cấp như EGarch hay IGarch cùng với công cụ thống kê khác để phát hiện tín hiệu cảnh báo chuyển dịch dẫn tới cuộc khủng hoảng hay bong bóng – hỗ trợ ban hành quyết sách phòng chống hệ thống sớm hơn.
Phát triển & Sáng tạo Mới Nhất
Trong khi GARCh truyền thống vẫn phổ biển nhờ tính ổn định và dễ hiểu thì giới nghiên cứu vẫn tiếp tục sáng tạo:
Các phiên bản mới như EGarch chú ý xử lý tốt hơn tác dụng trái chiều xuất hiện khi suy thoái so với bùng nổ.
Kết hợp trí tuệ nhân tạo/machine learning nhằm cải thiện đáng kể độ chính xác forecast nhờ khai thác pattern phức tạp cộng thêm kỹ thuật phân tích thống kê truyền thống.
Áp dụng ngoài cổ phiếu sang lĩnh vực mới nổi như tiền mã hóa – nơi mà biên độ giá cực lớn gây khó khăn; ở đây,GARCh hỗ trợ nhà đầu tư vượt qua thử thách chưa từng biết do thiếu dữ liệu lịch sử đầy đủ nhưng yêu cầu phản ứng nhanh chóng.
Thách thức & Hạn chế
Dù mạnh mẽ nhưng GARCh vẫn gặp phải vài vấn đề cần lưu ý:
Sai lệch mẫu nếu giả thiết phân phối lỗi không đúng sẽ dẫn đến kết luận thiếu tin cậy.
Vấn đề chất lượng dữ liệu, ví dụ thiếu hụt hoặc nhiễu loạn gây ảnh hưởng tiêu cực đến kết quả phân tích.
Cú shock toàn diện, chẳng hạn black swan events thường vượt ngoài phạm vi giả thiết lịch sử nên dễ làm underestimate nguy cơ thực tế nếu bỏ qua chúng.
Hiểu rõ những giới hạn cùng tiến bộ liên tục sẽ giúp người dùng khai thác triệt để tiềm năng của công cụ đồng thời giảm thiểu nguy cơ gặp phải vấn đề đáng tiếc.
Những Cột Mốc Lịch Sử & Ý Nghĩa Quan Trọng
Từ ngày Robert Engle giới thiệu model tiên phong năm 1982—with early applications phát triển mạnh mẽ từ cuối thập niên 1990—the ngành đã trải qua nhiều bước tiến:
Nghiên cứu liên tục mở rộng từ kiến trúc ARCH căn bản sang dạng phức tạp dành riêng cho phenomena tài chính phức tạp
Sự bùng nổ tiền mã hóa bắt đầu khoảng năm 2009 mở ra thử thách mới cho kỹ thuật truyền thống do biên độ biến đổ ít ổn định và ít hồ sơ lịch sử đầy đủ
Sự tiến bộ ấy minh chứng vai trò ngày càng quan trọng cũng như khả năng thích nghi vượt trội của kỹ thuật kinh tế học viễn cảnh nói chung nói chung đang trở thành phần thiết yếu vừa nghiên cứu học thuật vừa áp dụng thực tiễn toàn cầu.
Hiểu Rõ Biến Động Thị Trường Qua Các Mô Hình GARCh
Tóm lại,garch models đóng vai trò then chốt giúp nhà đầu tư,nhà nghiên cứu và các nhà chính sách đánh giá đúng mức sự không chắc chắn nội tại trên thị trường.Từ quản lý giao dịch hàng ngàyđến xây dựng chiến sách kiểm soát hệ thống—all đều căn cứ vững chắc từ phân tích thống kê sâu sắc mang nền tảng kinh tế học.Mục tiêu phát triển liên tục nhằm đạt tới độ chuẩn xác ngày càng cao giữa môi trg toàn cầu ngày càng phức tạp—and giải thích vì sao việc hiểu rõGARCh models luôn cần thiết đối với chuyên gia tài chính muốn duy trì lợi thế cạnh tranhvà xây dựng chiến lược kiên cường giữa muôn ando
Lo
2025-05-09 21:04
Mô hình GARCH là gì và nó được sử dụng như thế nào để ước lượng biến động trong tương lai?
GARCH là gì?
Mô hình GARCH (Generalized Autoregressive Conditional Heteroskedasticity - Đa biến điều kiện tự hồi quy của phương sai không đồng nhất) là một công cụ thống kê được sử dụng chủ yếu trong lĩnh vực tài chính để phân tích và dự báo độ biến động của dữ liệu chuỗi thời gian, chẳng hạn như giá cổ phiếu, tỷ giá hối đoái hoặc giá hàng hóa. Khác với các mô hình truyền thống giả định phương sai không đổi theo thời gian, mô hình GARCH nhận thức rằng độ biến động của thị trường tài chính có xu hướng tập trung thành từng đợt — các giai đoạn biến động cao sẽ được theo sau bởi những giai đoạn nữa cũng có mức độ biến động cao hơn, còn các giai đoạn yên tĩnh thường kéo dài. Đặc điểm này khiến GARCH trở nên đặc biệt hiệu quả trong việc bắt kịp tính chất năng động của thị trường tài chính.
Được phát triển bởi nhà kinh tế học Robert F. Engle vào năm 1982—người sau này nhận giải Nobel vì công trình của mình—mô hình GARCH khắc phục những hạn chế tồn tại trong các phương pháp trước đó như ARCH (Autoregressive Conditional Heteroskedasticity). Trong khi mô hình ARCH có thể mô phỏng sự thay đổi phương sai dựa trên lỗi quá khứ thì thường yêu cầu cấp bậc rất cao để phản ánh đúng sự kéo dài lâu dài của độ biến động. Mô hình GARCH đơn giản hóa điều này bằng cách kết hợp cả phương sai quá khứ và bình phương lỗi quá khứ vào cùng một cấu trúc mô hình.
Hiểu rõ cách hoạt động của các mô hình này là rất quan trọng đối với bất kỳ ai tham gia quản lý rủi ro hoặc ra quyết định đầu tư vì ước lượng chính xác về độ biến động tương lai giúp xây dựng chiến lược phòng ngừa rủi ro hoặc tối ưu hóa danh mục đầu tư hiệu quả hơn.
Các thành phần chính của Mô hình GARCH
Mô hình GARCH gồm nhiều yếu tố cốt lõi giúp chúng ước lượng hiệu quả sự thay đổi về khả năng biến thiên theo thời gian:
Phương sai điều kiện: Đây là ước lượng về phương sai tại một thời điểm nhất định, dựa trên tất cả thông tin sẵn có cho đến lúc đó. Nó phản ánh mức độ không chắc chắn hiện tại trên thị trường dựa vào dữ liệu lịch sử.
Thành phần tự hồi quy: Các bình phương dư lệch (lỗi) từ quá khứ ảnh hưởng đến ước lượng phương sai hiện tại. Nếu gần đây lỗi lớn—cho thấy những chuyển động bất ngờ mới xảy ra—thì khả năng dự báo về sự dao động trong tương lai sẽ tăng lên.
Thành phần trung bình trượt: Các giá trị phương sai trong quá khứ cũng tác động đến ước lượng hiện tại; nếu những khoảng trước đó trải qua mức độ biến thiên cao thì khả năng tiếp tục duy trì rủi ro cao cũng lớn hơn.
Heteroskedasticity điều kiện: Ý tưởng cốt lõi đằng sau GARCH là rằng variance không cố định mà thay đổi theo thời gian phụ thuộc vào các cú sốc và mức độ dao dộng trước đó—hiện tượng gọi là heteroskedasticity.
Các thành phần này phối hợp hoạt động bên trong các hệ thức toán học của mô hình để tạo ra các dự báo linh hoạt thích ứng với dữ liệu mới cập nhật.
Các loại Mô hình GARCH
Dạng phổ biến nhất là GARCH(1,1) – nơi "1" biểu thị số lag cho cả variance và squared residuals (lỗi bình phương) đều bằng một. Ưu điểm nổi bật của dạng này nằm ở chỗ cân đối giữa đơn giản và hiệu quả; nó có thể bắt kịp hầu hết đặc điểm quan sát được trong chuỗi lợi nhuận tài chính mà vẫn giữ cấu trúc khá đơn giản.
Các dạng nâng cao hơn bao gồm:
GARCH(p,q): Một dạng tổng quát linh hoạt hơn, p chỉ số lag cho variance còn q chỉ số lag cho squared residuals.
EGARCH (Exponential GARCH): Thiết kế để xử lý tính bất đối xứng như hiệu ứng đòn bẩy — khi cú sốc tiêu cực làm tăng khả năng dao dộng trong tương lai nhiều hơn so với cú sốc tích cực.
IGARCHand các dạng khác như GJR-GARCh: Những phiên bản này nhằm mục đích mô phỏng hiện tượng phản ứng bất đối xứng hoặc ảnh hưởng lâu dài bên trong thị trường tài chính.
Việc lựa chọn loại phù hợp phụ thuộc vào đặc điểm riêng biệt quan sát được từ bộ dữ liệu—for example, bạn có nhận thấy tác dụng bất đối xứng khi thị trường giảm hay tăng hay không? Hay còn thấy dấu hiệu tồn tại lâu dài?
Làm thế nào Mô hình GARCh Dự báo Độ Biến Động Tương Lai?
Quá trình bắt đầu bằng việc ước lượng tham số qua dữ liệu lịch sử bằng các kỹ thuật như tối đa hợp lý (MLE). Khi tham số đã được tinh chỉnh phù hợp — nghĩa là phù hợp tốt nhất với dữ liệu quá khứ — thì mô hình sẽ tạo ra dự báo về hành vi thị trường tương lai.
Việc dự báo diễn ra bằng cách điền tham số đã ước lượng vào công thức tính variance điều kiện liên tục tiến tới phía trước qua từng bước thời gian. Điều này giúp nhà phân tích hiểu rõ rủi ro hiện tại đồng thời đưa ra dự đoán về dao dộng tiềm năng trong tương lai dưới nhiều kịch bản khác nhau. Những dự đoán kiểu này vô cùng hữu ích cho nhà giao dịch quản lý vị thế ngắn hạn hoặc nhà đầu tư tổ chức lập kế hoạch dài hạn vì cung cấp phép đo xác suất liên quan đến rủi ro tài sản sinh lời.
Trong thực tế, quy trình này gồm nhiều phép tính lặp lại: mỗi lần dự báo phụ thuộc vào volatility và lỗi đã được ước lượng từ trước—phương pháp đệ qui đảm bảo khả năng thích nghi tốt hơn theo tình trạng thị trường luôn thay đổi.
Áp dụng Thực tiễn Trong Thị Trường Tài Chính
Mô hình GARCh đã trở thành công cụ nền tảng ở nhiều lĩnh vực khác nhau nhờ khả năng định lượng rủi ro chuẩn xác:
Quản trị Rủi Ro
Các tổ chức tài chính dùng rộng rãi để tính Value-at-Risk (VaR)—mức thua lỗ tối đa kỳ vọng trong một khoảng thời gian xác định ở mức tin cậy nào đó—and thử nghiệm căng thẳng liên quan tới những diễn biến cực đoan trên thị trường. Dự báo đúng đắn về volatility giúp doanh nghiệp phân bổ vốn hợp lý đồng thời tuân thủ quy chuẩn an toàn vốn theo tiêu chuẩn Basel III.
Tối ưu Danh mục
Nhà đầu tư dùng forecast volatility để xây dựng chiến lược chọn lựa danh mục nhằm tối đa hóa lợi nhuận so với mức chấp nhận rủi ro. Hiểu rõ đâu là nhóm tài sản dễ dao đông mạnh mẽ giúp họ điều chỉnh tỷ lệ phân bổ linh hoạt: giảm thiệt hại khi sóng gió lớn xảy ra rồi mở rộng vị thế khi ổn định trở lại nhằm đạt kết quả tối ưu phù hợp khẩu vị rủi ro cá nhân hoặc tổ chức.
Chiến lược giao dịch
Nhà giao dịch thuật toán tận dụng mẫu patterns do clustering volatility mang lại—ví dụ như đặt lệnh mua bán lúc thấp rồi chờ cơ hội xuất hiện spike—to nâng cao lợi nhuận thông qua chiến lược đặt cược vào nguy cơ sắp tới thay vì chỉ chạy theo xu hướng giá thuần túy.
Phân tích & Dự đoán Thị Trường
Ngoài việc quản lý danh mục cá nhân hay doanh nghiệp nhỏ lẻ, chuyên gia còn dùng phiên bản nâng cấp như EGarch hay IGarch cùng với công cụ thống kê khác để phát hiện tín hiệu cảnh báo chuyển dịch dẫn tới cuộc khủng hoảng hay bong bóng – hỗ trợ ban hành quyết sách phòng chống hệ thống sớm hơn.
Phát triển & Sáng tạo Mới Nhất
Trong khi GARCh truyền thống vẫn phổ biển nhờ tính ổn định và dễ hiểu thì giới nghiên cứu vẫn tiếp tục sáng tạo:
Các phiên bản mới như EGarch chú ý xử lý tốt hơn tác dụng trái chiều xuất hiện khi suy thoái so với bùng nổ.
Kết hợp trí tuệ nhân tạo/machine learning nhằm cải thiện đáng kể độ chính xác forecast nhờ khai thác pattern phức tạp cộng thêm kỹ thuật phân tích thống kê truyền thống.
Áp dụng ngoài cổ phiếu sang lĩnh vực mới nổi như tiền mã hóa – nơi mà biên độ giá cực lớn gây khó khăn; ở đây,GARCh hỗ trợ nhà đầu tư vượt qua thử thách chưa từng biết do thiếu dữ liệu lịch sử đầy đủ nhưng yêu cầu phản ứng nhanh chóng.
Thách thức & Hạn chế
Dù mạnh mẽ nhưng GARCh vẫn gặp phải vài vấn đề cần lưu ý:
Sai lệch mẫu nếu giả thiết phân phối lỗi không đúng sẽ dẫn đến kết luận thiếu tin cậy.
Vấn đề chất lượng dữ liệu, ví dụ thiếu hụt hoặc nhiễu loạn gây ảnh hưởng tiêu cực đến kết quả phân tích.
Cú shock toàn diện, chẳng hạn black swan events thường vượt ngoài phạm vi giả thiết lịch sử nên dễ làm underestimate nguy cơ thực tế nếu bỏ qua chúng.
Hiểu rõ những giới hạn cùng tiến bộ liên tục sẽ giúp người dùng khai thác triệt để tiềm năng của công cụ đồng thời giảm thiểu nguy cơ gặp phải vấn đề đáng tiếc.
Những Cột Mốc Lịch Sử & Ý Nghĩa Quan Trọng
Từ ngày Robert Engle giới thiệu model tiên phong năm 1982—with early applications phát triển mạnh mẽ từ cuối thập niên 1990—the ngành đã trải qua nhiều bước tiến:
Nghiên cứu liên tục mở rộng từ kiến trúc ARCH căn bản sang dạng phức tạp dành riêng cho phenomena tài chính phức tạp
Sự bùng nổ tiền mã hóa bắt đầu khoảng năm 2009 mở ra thử thách mới cho kỹ thuật truyền thống do biên độ biến đổ ít ổn định và ít hồ sơ lịch sử đầy đủ
Sự tiến bộ ấy minh chứng vai trò ngày càng quan trọng cũng như khả năng thích nghi vượt trội của kỹ thuật kinh tế học viễn cảnh nói chung nói chung đang trở thành phần thiết yếu vừa nghiên cứu học thuật vừa áp dụng thực tiễn toàn cầu.
Hiểu Rõ Biến Động Thị Trường Qua Các Mô Hình GARCh
Tóm lại,garch models đóng vai trò then chốt giúp nhà đầu tư,nhà nghiên cứu và các nhà chính sách đánh giá đúng mức sự không chắc chắn nội tại trên thị trường.Từ quản lý giao dịch hàng ngàyđến xây dựng chiến sách kiểm soát hệ thống—all đều căn cứ vững chắc từ phân tích thống kê sâu sắc mang nền tảng kinh tế học.Mục tiêu phát triển liên tục nhằm đạt tới độ chuẩn xác ngày càng cao giữa môi trg toàn cầu ngày càng phức tạp—and giải thích vì sao việc hiểu rõGARCh models luôn cần thiết đối với chuyên gia tài chính muốn duy trì lợi thế cạnh tranhvà xây dựng chiến lược kiên cường giữa muôn ando
Tuyên bố miễn trừ trách nhiệm:Chứa nội dung của bên thứ ba. Không phải lời khuyên tài chính.
Xem Điều khoản và Điều kiện.