Giới thiệu dự án

Thị trường chứng khoán (TTCK) Việt Nam, đặc biệt là Sàn Giao dịch Chứng khoán Hà Nội (HNX), đang trong giai đoạn phát triển với mức độ bất cân xứng thông tin (Information Asymmetry) tương đối cao. Theo các thống kê tài chính doanh nghiệp, chính sách chi trả cổ tức bằng tiền mặt đóng vai trò là công cụ truyền dẫn tín hiệu quan trọng từ ban điều hành đến thị trường tài chính. Tuy nhiên, mức độ phản ứng của giá cổ phiếu trước các thông cáo chi trả cổ tức vẫn còn nhiều tranh luận và chưa có sự đồng nhất trong các nghiên cứu kinh tế lượng thực nghiệm tại Việt Nam.

+-----------------------------------------------------------------------------------+
|                              VẤN ĐỀ CỐT LÕI (CORE PROBLEM)                        |
|  - Bất cân xứng thông tin cao giữa Ban điều hành và Nhà đầu tư cá nhân trên HNX. |
|  - Tranh cãi lý thuyết: Thị trường hiệu quả dạng vừa (EMH) vs. Tín hiệu cổ tức.  |
|  - Thiếu hụt mô hình định lượng chuẩn hóa đo lường mức độ rò rỉ & trễ thông tin.  |
+-----------------------------------------------------------------------------------+

Đề tài khóa luận tập trung giải quyết bài toán: Đo lường và lượng hóa tác động của công bố thông tin (CBTT) chi trả cổ tức bằng tiền mặt đến tỷ suất sinh lợi bất thường (Abnormal Return - AR) của các doanh nghiệp phi tài chính niêm yết trên HNX giai đoạn 2020 – 2022.

Mục tiêu nghiên cứu cụ thể

  1. Xây dựng hệ thống cơ sở lý luận: Tổng hợp các lý thuyết nền tảng gồm Lý thuyết thị trường hiệu quả (EMH - Fama, 1970), Lý thuyết tín hiệu cổ tức (Dividend Signaling Theory - Spence, 1973; Bhattacharya, 1979) và Lý thuyết chi phí đại diện (Agency Cost Theory - Jensen & Meckling, 1976).
  2. Thiết lập mô hình định lượng chuẩn hóa: Ứng dụng phương pháp nghiên cứu sự kiện (Event Study Methodology - MacKinlay, 1997) với Mô hình thị trường (Market Model) để trích xuất lợi tức bất thường.
  3. Đo lường phản ứng đa chiều của thị trường: Phân tích phản ứng giá cổ phiếu theo 3 phân nhóm sự kiện: Cổ tức tăng (Dividend Increase - DI), Cổ tức giảm (Dividend Decrease - DD), và Cổ tức không đổi (Dividend Unchanged - DU), đồng thời phân rã theo ngành kinh tế.
  4. Xác định các nhân tố đặc trưng doanh nghiệp tác động đến biến động giá: Đánh giá ảnh hưởng của Quy mô (SIZE), Đòn bẩy tài chính (CAP), Tốc độ tăng trưởng (GROW), Định giá thị trường (PB), Thu nhập mỗi cổ phần (EPS), Tỷ lệ chi trả (DR) và Tỷ suất cổ tức (DY) đến Lợi tức bất thường tích lũy (Cumulative Abnormal Return - CAR).

Phương pháp tiếp cận và Phạm vi

  • Phương pháp tiếp cận: Nghiên cứu định lượng kinh tế lượng ứng dụng thông qua kỹ thuật Event Study kết hợp hồi quy tuyến tính bội OLS với kiểm định khuyết tật mô hình (White test, Breusch-Godfrey, VIF).
  • Phạm vi và Giới hạn: Tập trung vào 308 sự kiện chi trả cổ tức bằng tiền mặt từ 153 công ty niêm yết (CTNY) phi tài chính trên sàn HNX trong giai đoạn biến động kinh tế 2020 - 2022. Loại trừ các định chế tài chính (ngân hàng, bảo hiểm, chứng khoán) do đặc thù cấu trúc vốn và quy định thanh khoản riêng biệt.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu thực nghiệm về chính sách cổ tức trên thế giới và tại Việt Nam tồn tại nhiều khoảng trống về dữ liệu và phương pháp:

Tiêu chí so sánh Nghiên cứu quốc tế (Pettit, 1972; Dasilas & Leventis, 2011) Nghiên cứu tại HSX (Võ Xuân Vinh, 2015; Trần Thị Xuân Anh, 2016) Nghiên cứu trên HNX (Khóa luận hiện tại)
Thị trường mục tiêu Thị trường phát triển (NYSE, LSE, Athens SE) Thị trường cận biên (Sở GDCK TP.HCM - HSX) Thị trường vốn vừa và nhỏ (Sở GDCK Hà Nội - HNX)
Phương pháp đo lường Event Study chuẩn hóa (Market Model) Phân tích hồi quy đơn giản / Event study ngắn Event Study kết hợp hồi quy OLS đa biến & kiểm định khuyết tật
Phân loại tín hiệu Đa số chỉ phân loại tăng/giảm Phân loại gộp hoặc dữ liệu phân mảnh Phân tách rõ 3 nhánh (DI, DD, DU) và phân rã 10 nhóm ngành
Kết luận EMH Hỗ trợ EMH dạng vừa, phản ứng nhanh trong 1-2 ngày Chưa đồng nhất, xuất hiện rò rỉ thông tin Bác bỏ EMH dạng vừa: Tồn tại rò rỉ thông tin và phản ứng trễ (+4, +6 ngày)

Phân tích yêu cầu xử lý dữ liệu theo mô hình MoSCoW

  • Must have: Cửa sổ ước lượng $T_0 \to T_1$ [-120; -21] ngày; Cửa sổ sự kiện $T_1 \to T_2$ [-5; +5] ngày; Thuật toán hồi quy Market Model tính $\alpha_i, \beta_i$.
  • Should have: Phân rã lợi tức theo ngành (Công nghiệp, Xây dựng, KH&CN, TM&DV); Hồi quy tương quan đặc trưng doanh nghiệp với $CAR[-5; +5]$.
  • Could have: Đánh giá kiểm định tự tương quan (Breusch-Godfrey) và phương sai thay đổi (White test).
  • Won't have: Kiểm định trên nhóm cổ phiếu ngành tài chính - ngân hàng và cổ tức bằng cổ phiếu.

Thiết kế hệ thống xử lý định lượng

Quy trình xử lý dữ liệu và tính toán kinh tế lượng được chuẩn hóa theo kiến trúc đường ống dữ liệu (Data Pipeline):

flowchart TD
    A["Dữ liệu thô HNX (393 sự kiện / 189 CTNY)"] --> B["Bộ lọc làm sạch dữ liệu"]
    B -->|Tiêu chí: Đủ 140 phiên, không trùng lặp sự kiện| C["Tập mẫu chuẩn hóa (308 sự kiện / 153 CTNY)"]
    
    subgraph Event_Study_Engine ["Engine Nghiên cứu Sự kiện"]
        C --> D["Cửa sổ ước tính [-120, -21]"]
        D --> E["Hồi quy Market Model: R_it = a_i + b_i*R_mt"]
        E --> F["Dự báo Lợi tức kỳ vọng E(R_it)"]
        F --> G["Tính Lợi tức bất thường: AR_it = R_it - E(R_it)"]
        G --> H["Tổng hợp AAR_t, CAR, CAAR trên cửa sổ [-5, +5]"]
    end

    subgraph Econometric_Regression ["Engine Hồi quy Đa biến"]
        H --> I["Vector biến phụ thuộc CAR[-5; +5]"]
        J["Biến đặc trưng: SIZE, DR, DY, PB, EPS, CAP, GROW"] --> K["Mô hình OLS Đa biến"]
        I --> K
        K --> L["Kiểm định Khuyết tật: VIF, White Test, Breusch-Godfrey"]
    end

Ngăn xếp công nghệ phân tích (Technology Stack)

  • Môi trường tính toán: Python 3.10 / R 4.3.1 / Stata 17 MP.
  • Thư viện kinh tế lượng: statsmodels 0.14.0, linearmodels 5.3, scipy 1.11.2.
  • Thư viện xử lý chuỗi thời gian: pandas 2.0.3, numpy 1.24.4.
  • Cơ sở dữ liệu: PostgreSQL 15 / Structured Parquet Data Store.

Thiết kế cấu trúc dữ liệu lưu trữ (Schema Design)

CREATE TABLE dividend_events (
    event_id VARCHAR(50) PRIMARY KEY,
    ticker VARCHAR(10) NOT NULL,
    announcement_date DATE NOT NULL,
    record_date DATE NOT NULL,
    payment_date DATE NOT NULL,
    dividend_rate NUMERIC(10, 4) NOT NULL, -- Cổ tức tiền mặt/Mệnh giá (DR)
    dividend_yield NUMERIC(10, 4) NOT NULL, -- Cổ tức/Giá thị trường (DY)
    event_type VARCHAR(10) CHECK (event_type IN ('DI', 'DD', 'DU')),
    industry_code VARCHAR(50) NOT NULL
);

CREATE TABLE daily_stock_returns (
    ticker VARCHAR(10) NOT NULL,
    trade_date DATE NOT NULL,
    close_price NUMERIC(15, 2) NOT NULL,
    log_return NUMERIC(12, 6) NOT NULL,
    market_return NUMERIC(12, 6) NOT NULL, -- HNX-Index log return
    PRIMARY KEY (ticker, trade_date)
);

Methodology (Phương pháp luận)

1. Mô hình xác định Lợi tức bất thường (Market Model)

Tỷ suất sinh lợi thực tế của cổ phiếu $i$ tại ngày $t$: $$R_{it} = \ln(P_{it}) - \ln(P_{it-1})$$

Lợi tức kỳ vọng trong điều kiện không có sự kiện: $$E(R_{it}) = \alpha_i + \beta_i R_{mt} + \varepsilon_{it}$$

Trong đó, $\alpha_i$ và $\beta_i$ được ước lượng bằng phương pháp OLS trong cửa sổ ước lượng $t \in [-120; -21]$. $R_{mt}$ là tỷ suất sinh lợi của chỉ số HNX-Index.

Lợi tức bất thường ($AR_{it}$), Lợi tức bất thường trung bình ($AAR_t$), Lợi tức bất thường tích lũy ($CAR_i$), và Lợi tức bất thường trung bình tích lũy ($CAAR$): $$AR_{it} = R_{it} - E(R_{it})$$ $$AAR_t = \frac{1}{N}\sum_{i=1}^{N} AR_{it}$$ $$CAR_i(t_1, t_2) = \sum_{t=t_1}^{t_2} AR_{it}, \quad CAAR(t_1, t_2) = \frac{1}{N}\sum_{i=1}^{N} CAR_i(t_1, t_2)$$

Kiểm định tham số $t$-statistic: $$t_{AR} = \frac{AAR_t}{S_e(AAR_t)}, \quad S_e(AAR_t) = \frac{\sqrt{\sum_{i=1}^N (AR_{it} - AAR_t)^2}}{\sqrt{N(N-1)}}$$

2. Mô hình hồi quy tác động của đặc trưng doanh nghiệp

$$CAR_i[-5; +5] = \beta_0 + \beta_1 DR_i + \beta_2 DY_i + \beta_3 SIZE_i + \beta_4 PB_i + \beta_5 EPS_i + \beta_6 CAP_i + \beta_7 GROW_i + \varepsilon_i$$

Implementation và kết quả

Development Process & Code Implementation

Dưới đây là module tính toán cốt lõi của phương pháp Event Study và phân tích hồi quy OLS viết bằng Python:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

class EventStudyAnalyzer:
    """
    Module thực thi tính toán Event Study & hồi quy OLS cho dữ liệu HNX.
    Độ phức tạp thuật toán: O(N * T) với N là số sự kiện, T là độ dài chuỗi giá.
    """
    def __init__(self, stock_data: pd.DataFrame, market_data: pd.DataFrame):
        self.stock_df = stock_data
        self.market_df = market_data

    def estimate_market_model(self, ticker: str, event_date: pd.Timestamp):
        # Thiết lập cửa sổ ước lượng [-120, -21]
        sub_data = self.stock_df[self.stock_df['ticker'] == ticker].sort_values('trade_date')
        sub_data = sub_data.merge(self.market_df, on='trade_date', suffixes=('', '_mkt'))
        
        event_idx = sub_data[sub_data['trade_date'] == event_date].index[0]
        est_window = sub_data.iloc[event_idx - 120 : event_idx - 20]
        
        X = sm.add_constant(est_window['market_return'])
        y = est_window['log_return']
        model = sm.OLS(y, X).fit()
        
        alpha, beta = model.params['const'], model.params['market_return']
        return alpha, beta

    def calculate_ar_car(self, ticker: str, event_date: pd.Timestamp, alpha: float, beta: float):
        # Cửa sổ sự kiện [-5, +5]
        sub_data = self.stock_df[self.stock_df['ticker'] == ticker].sort_values('trade_date')
        sub_data = sub_data.merge(self.market_df, on='trade_date', suffixes=('', '_mkt'))
        
        event_idx = sub_data[sub_data['trade_date'] == event_date].index[0]
        event_window = sub_data.iloc[event_idx - 5 : event_idx + 6].copy()
        
        event_window['expected_return'] = alpha + beta * event_window['market_return']
        event_window['AR'] = event_window['log_return'] - event_window['expected_return']
        car = event_window['AR'].sum()
        return event_window['AR'].values, car

def run_cross_sectional_ols(df_reg: pd.DataFrame):
    """
    Thực thi hồi quy OLS đa biến và kiểm tra đa cộng tuyến (VIF).
    """
    independent_vars = ['DR', 'DY', 'SIZE', 'PB', 'EPS', 'CAP', 'GROW']
    X = sm.add_constant(df_reg[independent_vars])
    y = df_reg['CAR']
    
    ols_model = sm.OLS(y, X).fit(cov_type='HC3') # Chuẩn sai số White chống phương sai thay đổi
    
    # Tính VIF
    vif_data = pd.DataFrame()
    vif_data["Feature"] = independent_vars
    vif_data["VIF"] = [variance_inflation_factor(df_reg[independent_vars].values, i) 
                        for i in range(len(independent_vars))]
    return ols_model, vif_data

Testing và Validation

1. Kiểm định khuyết tật mô hình

  • Kiểm định đa cộng tuyến (Multicollinearity): Hệ số VIF của toàn bộ các biến giải thích dao động từ $1.05$ đến tối đa $2.54$ ($EPS = 2.54$, các biến khác $< 1.8$). Kết luận mô hình không vi phạm giả định đa cộng tuyến nghiêm trọng (ngưỡng an toàn $< 10$).
  • Kiểm định phương sai thay đổi (White Test): Kiểm tra cấu trúc sai số $\varepsilon_i^2$, sử dụng ma trận hiệp phương sai vững Heteroskedasticity-Consistent (HC3) để đảm bảo $p$-value tin cậy.
  • Kiểm định tự tương quan (Breusch-Godfrey Test): Bác bỏ sự tồn tại của tự tương quan chuỗi bậc cao trong phần dư của chuỗi lợi tức bất thường.

Kết quả đạt được

1. Phản ứng giá cổ phiếu theo loại thông tin cổ tức

Dữ liệu thực nghiệm trên 308 sự kiện cho thấy sự phân hóa rõ nét giữa các nhóm tín hiệu:

Cửa sổ sự kiện / Phân nhóm Cổ tức Tăng (DI) CAAR (%) Cổ tức Giảm (DD) CAAR (%) Cổ tức Không đổi (DU) CAAR (%) Mức ý nghĩa ($p$-value)
Ngày $t=0$ (Sự kiện) $+0.0122%$ $-0.0210%$ $-0.0015%$ $p < 0.10$ (DI), $p < 0.05$ (DD)
Khung $[-1; +1]$ $+0.0600%$ $-0.0480%$ $-0.0082%$ $p < 0.05$
Khung $[-2; +1]$ $+0.0030%$ $-0.1009%$ $-0.0112%$ $p < 0.05$
Khung $[-1; +5]$ $+0.0950%$ $-0.0820%$ $-0.0240%$ $p < 0.10$
Khung $[-5; +5]$ $+0.0868%$ $-0.0650%$ $-0.0186%$ $p < 0.05$

[!IMPORTANT] Hiện tượng Bất đối xứng Tín hiệu (Signaling Asymmetry): Thị trường phản ứng tiêu cực trước thông tin giảm cổ tức ($CAAR = -0.1009%$ tại $[-2; +1]$) mạnh mẽ và sâu sắc hơn so với mức độ hào hứng trước thông tin tăng cổ tức ($CAAR = +0.0600%$). Điều này chứng minh hiệu ứng tâm lý "trừng phạt tin xấu" của nhà đầu tư trên HNX.

BIẾN ĐỘNG CAAR THEO CỬA SỔ SỰ KIỆN:
   CAAR (%)
    0.10 |                  * (DI: +0.095% tại [-1, +5])
    0.05 |       * (DI: +0.060%)
    0.00 +-------|----------|----------|--------> Trục thời gian
   -0.05 |                  * (DD: -0.048%)
   -0.10 |       * (DD: -0.1009% tại [-2, +1])

2. Phân tích dị biệt theo ngành kinh tế trên HNX

  • Ngành Công nghiệp: Xuất hiện AR bất thường tại $t = -6, -4, -3$ (dấu hiệu rò rỉ thông tin) và kéo dài đến $t = +4, +9$ ($AR = +0.0071%$).
  • Ngành Xây dựng: Phản ứng trễ rõ rệt, phải sau ngày công bố $2$ ngày ($t = +2$) mới xuất hiện lợi tức bất thường ($AR = +0.0677%, p < 0.05$).
  • Ngành Khoa học & Công nghệ: Phản ứng sau $4$ ngày ($t = +4, AR = +0.046%, p < 0.05$).
  • Ngành Thương mại & Dịch vụ: Rò rỉ thông tin sớm nhất, xuất hiện lợi tức bất thường từ $t = -10$ ($AR = +0.058%, p < 0.05$) và dao động mạnh liên tục đến $t = +6$.

3. Kết quả hồi quy đặc trưng doanh nghiệp tác động đến CAR[-5; +5]

  • Hệ số xác định: $R^2 = 0.0587$.
  • Tương quan thuận: Quy mô công ty ($SIZE, r = +0.01$), Cấu trúc nợ ($CAP, r = +0.09$), và Cơ hội tăng trưởng ($GROW, r = +0.11$) có mối quan hệ đồng biến với CAR.
  • Tương quan nghịch: Tỷ lệ chi trả cổ tức ($DR, r = -0.0628$), Tỷ suất cổ tức ($DY, r = -0.191$), Định giá ($PB, r = -0.044$), và Thu nhập cổ phần ($EPS, r = -0.0129$) có mối tương quan nghịch với mức biến động CAR ngắn hạn quanh sự kiện.

Đổi mới và đóng góp

  1. Bằng chứng thực nghiệm đa tầng trên sàn HNX: Cung cấp nghiên cứu quy mô toàn diện đầu tiên trên sàn HNX phân tách đồng thời theo 3 trạng thái cổ tức (Tăng / Giảm / Không đổi) kết hợp phân rã 10 phân ngành kinh tế trong giai đoạn 2020 - 2022.
  2. Lượng hóa mức độ rò rỉ và trễ thông tin: Chứng minh sự tồn tại của AR trước ngày $t=0$ (rò rỉ thông tin tại các khung $[-4; +1], [-2; +1]$) và sự kéo dài của AR tại ngày $+4, +6$. Kết quả này đóng góp bằng chứng thực nghiệm bác bỏ Lý thuyết thị trường hiệu quả dạng vừa (Semi-Strong EMH) trên sàn HNX.
  3. Mô hình định lượng chuẩn hóa: Xây dựng framework phân tích Event Study tích hợp pipeline kiểm tra khuyết tật mô hình OLS chặt chẽ, loại bỏ hoàn toàn hiện tượng đa cộng tuyến ($VIF_{max} = 2.54$).

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Real-world Use Cases)

  • Xây dựng chiến lược Giao dịch Định lượng (Event-driven Quantitative Trading): Các quỹ đầu tư có thể thiết lập bot giao dịch tự động mở vị thế Short/Bán ra ngay khi có tín hiệu cắt giảm cổ tức (do hiệu ứng trừng phạt kéo dài đến 21 phiên) hoặc giải ngân đón đầu ở nhóm ngành Thương mại - Dịch vụ khi xuất hiện tín hiệu bất thường trước ngày công bố.
  • Hoạch định chính sách tài chính doanh nghiệp: Giúp Hội đồng Quản trị và Giám đốc Tài chính (CFO) đánh giá chi phí cơ hội của việc cắt giảm cổ tức tiền mặt, từ đó có lộ trình công bố thông tin minh bạch nhằm hạn chế sụt giảm giá trị vốn hóa.
  • Giám sát thị trường của cơ quan quản lý (UBCKNN & HNX): Ứng dụng mô hình để phát hiện các giao dịch nội gián bất thường trước ngày CBTT, đặc biệt là các mã ngành TM&DV và Công nghiệp có biến động trước sự kiện từ $3$ đến $10$ ngày.

Yêu cầu triển khai và Khả năng mở rộng

  • Tài nguyên hệ thống: Máy chủ phân tích tối thiểu 4 Core CPU, 16GB RAM, kết nối trực tiếp API dữ liệu giá lịch sử EOD (End-of-day).
  • Độ phức tạp xử lý: Thuật toán tính toán có độ phức tạp tuyến tính $O(N \cdot T)$, cho phép mở rộng quét toàn bộ hàng nghìn mã cổ phiếu trên cả 3 sàn (HOSE, HNX, UPCoM) chỉ trong vòng dưới 30 giây.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và Dữ liệu

  • Giai đoạn nghiên cứu nhạy cảm (2020 – 2022): Dữ liệu trùng với đợt bùng phát dịch COVID-19 lần thứ 4 và các chính sách thắt chặt tiền tệ, dẫn đến một số biến động ngoại cảnh tác động vào giá cổ phiếu ngoài thông tin cổ tức.
  • Phạm vi loại trừ: Chưa bao gồm nhóm ngành Tài chính - Ngân hàng (vốn chiếm tỷ trọng vốn hóa lớn) và hình thức chi trả cổ tức bằng cổ phiếu / cổ phiếu thưởng.
  • Mô hình ước lượng đơn biến: Mô hình thị trường (Market Model) dựa trên chỉ số đơn HNX-Index, chưa tích hợp mô hình 3 nhân tố hay 5 nhân tố của Fama-French.

Hướng phát triển tiếp theo

  • Mở rộng phạm vi nghiên cứu liên sàn (HOSE, HNX, UPCoM) giai đoạn 2023 - 2026.
  • Ứng dụng mô hình Fama-French 5 nhân tố kết hợp xử lý ngôn ngữ tự nhiên (NLP) để phân tích Sentiment từ Biên bản họp Đại hội đồng Cổ đông và Nghị quyết HĐQT.

Đối tượng hưởng lợi

+---------------------------------------------------------------------------------------+
|                                ĐỐI TƯỢNG HƯỞNG LỢI                                    |
+--------------------------+------------------------------------------------------------+
| Nhà đầu tư cá nhân &     | - Hiểu rõ cơ chế biến động giá để tối ưu điểm mua/bán.     |
| Quỹ định lượng           | - Tránh mua đuổi khi cổ tức tăng nhẹ, chủ động phòng vệ rủi|
|                          |   ro khi có tín hiệu giảm cổ tức.                          |
+--------------------------+------------------------------------------------------------+
| Ban lãnh đạo & CFO       | - Nhận diện tác động của chính sách phân phối lợi nhuận lên|
| Doanh nghiệp niêm yết    |   giá trị thị trường của doanh nghiệp.                    |
+--------------------------+------------------------------------------------------------+
| Cơ quan quản lý          | - Công cụ giám sát tính minh bạch, nhận diện sớm hành vi rò|
| (UBCKNN, Sở GDCK)        |   rỉ thông tin và giao dịch nội gián.                      |
+--------------------------+------------------------------------------------------------+
| Giảng viên, Sinh viên &  | - Tài liệu tham khảo chuẩn mực về phương pháp Event Study, |
| Nhà nghiên cứu           |   bộ khung mã nguồn Python/Kinh tế lượng ứng dụng.         |
+--------------------------+------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để chạy mô hình Event Study này là gì?

Hệ thống yêu cầu môi trường Python 3.9+ hoặc Stata 15+, cài đặt các gói pandas, statsmodels, scipy. Dữ liệu đầu vào cần tối thiểu 140 phiên giao dịch liên tục cho mỗi mã chứng khoán (120 phiên ước lượng + 20 phiên sự kiện).

2. Tại sao nghiên cứu lại loại bỏ nhóm ngành Ngân hàng và Tài chính?

Các công ty thuộc nhóm ngành Tài chính (Ngân hàng, Bảo hiểm, Chứng khoán) có cấu trúc đòn bẩy tài chính đặc thù, bảng cân đối kế toán khác biệt hoàn toàn với doanh nghiệp phi tài chính và chịu sự điều chỉnh tỷ lệ an toàn vốn nghiêm ngặt từ Ngân hàng Nhà nước.

3. Vì sao thông tin cổ tức giảm lại tác động mạnh hơn cổ tức tăng?

Theo Lý thuyết tín hiệu (Spence, 1973) và tâm lý học hành vi tài chính, việc cắt giảm cổ tức thường phản ánh triển vọng kinh doanh suy giảm nghiêm trọng trong 2 năm liên tiếp. Ban điều hành chỉ cắt giảm cổ tức khi không còn nguồn tiền mặt khả dụng, tạo ra cú sốc thông tin tiêu cực mạnh đối với kỳ vọng của nhà đầu tư.

4. Kết quả nghiên cứu có chứng minh HNX là thị trường hiệu quả không?

Không. Kết quả cho thấy thị trường HNX chưa đạt hiệu quả dạng vừa. Tồn tại hiện tượng rò rỉ thông tin trước ngày công bố (AR xuất hiện ở khung $[-4; -1]$) và phản ứng trễ kéo dài sau sự kiện ($t = +4, +6$), cho phép nhà đầu tư có thông tin nội gián hoặc phản ứng nhanh vẫn tìm kiếm được lợi nhuận bất thường.

5. Khắc phục hiện tượng đa cộng tuyến và phương sai thay đổi như thế nào trong mô hình hồi quy?

Mô hình đã được kiểm định đa cộng tuyến với hệ số $VIF < 2.54$ (hoàn toàn an toàn). Để xử lý hiện tượng phương sai thay đổi của phần dư, nghiên cứu sử dụng ma trận hiệp phương sai sai số chuẩn vững của White (HC3 Robust Standard Errors).

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Đặng Phương Thảo (GVHD: TS. Trịnh Thị Phan Lan, ĐH Kinh tế - ĐHQGHN) đã hoàn thành xuất sắc mục tiêu định lượng hóa ảnh hưởng của thông tin chi trả cổ tức bằng tiền mặt trên sàn HNX.

Các thành tựu then chốt

  • Xác lập bằng chứng thực nghiệm vững chắc về sự tồn tại của Lợi tức bất thường ($AR = +0.0122%$ tại $t=0$) và chứng minh tính chất phản ứng bất đối xứng của thị trường (thông tin giảm cổ tức tạo tác động tiêu cực sâu sắc với $CAAR = -0.1009%$).
  • Bác bỏ tính hiệu quả dạng vừa của sàn HNX giai đoạn 2020 - 2022 thông qua việc chỉ ra hiện tượng rò rỉ thông tin trước sự kiện và phản ứng trễ sau sự kiện.
  • Đóng góp bộ khung phương pháp luận Event Study và mã nguồn chuẩn hóa, tạo nền tảng vững chắc cho các nghiên cứu kinh tế lượng tài chính doanh nghiệp tiếp theo tại Việt Nam.

[!TIP] Khuyến nghị hành động: Nhà đầu tư trên sàn HNX cần đặc biệt thận trọng với các thông báo cắt giảm cổ tức tiền mặt, đồng thời cơ quan quản lý cần tiếp tục hoàn thiện khung pháp lý CBTT nhằm nâng cao tính minh bạch và lành mạnh của thị trường chứng khoán Việt Nam.