Giới thiệu dự án

Sự bùng nổ của cuộc xung đột quân sự Nga - Ukraine vào đầu năm 2022 đã tạo ra cú sốc địa chính trị toàn cầu, đe dọa trực tiếp đến chuỗi cung ứng nông sản và an ninh lương thực thế giới. Nga và Ukraine là hai mắt xích trọng yếu khi cung cấp hơn 30% lượng lúa mì toàn cầu, cùng với hơn 40% sản lượng phân bón Kali từ Nga và Belarus. Trước áp lực gián đoạn nguồn cung, dòng chảy thương mại nông sản quốc tế có xu hướng dịch chuyển mạnh mẽ sang khu vực Đông Nam Á, trong đó Việt Nam nổi lên như một trung tâm sản xuất và xuất khẩu nông sản chiến lược. Trên thị trường tài chính, các nhà đầu tư kỳ vọng nhóm doanh nghiệp nông nghiệp Việt Nam sẽ hưởng lợi lớn từ sự dịch chuyển này.

Khóa luận tốt nghiệp chuyên ngành Tài chính – Ngân hàng (Mã ngành: 7340201) tại Trường Đại học Ngân hàng TP. Hồ Chí Minh với đề tài "Ảnh hưởng của cuộc chiến Nga - Ukraine đến giá cổ phiếu của các doanh nghiệp sản xuất và xuất khẩu nông nghiệp tại Việt Nam" do sinh viên Bùi Nguyễn Bảo Ngọc thực hiện dưới sự hướng dẫn khoa học của TS. Lưu Thu Quang, tập trung giải quyết bài toán định lượng phản ứng của thị trường chứng khoán trước cú sốc vĩ mô toàn cầu.

+-------------------------------------------------------------------------------+
| PROBLEM STATEMENT                                                             |
| Liệu thị trường chứng khoán Việt Nam có phản ánh hiệu quả thông tin địa chính  |
| trị vĩ mô hay xuất hiện hiện tượng phản ứng quá mức (overreaction) và rò rỉ  |
| thông tin (information leakage) tạo ra các tỷ suất sinh lời bất thường?       |
+-------------------------------------------------------------------------------+

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận về Lý thuyết Thị trường Hiệu quả (Efficient Market Hypothesis - EMH) và Phương pháp Nghiên cứu Sự kiện (Event Study Methodology).
  2. Đo lường tỷ suất sinh lời bất thường ($AR_{i,t}$) và tỷ suất sinh lời bất thường tích lũy ($CAR_i$) của 10 cổ phiếu nông nghiệp niêm yết trên 3 sàn HOSE, HNX và UPCoM trong giai đoạn từ 15/12/2021 đến 15/03/2022.
  3. Kiểm định thống kê tham số ($t\text{-test}$) trên khung ước lượng 50 ngày $[-70; -20]$ và khung sự kiện 41 ngày $[-20; +20]$ quanh mốc $t_0 = 15/02/2022$.
  4. Phân tầng và so sánh tương quan phản ứng giữa nhóm vốn hóa trung bình (Mid-cap) và nhóm vốn hóa nhỏ (Small-cap).
  5. Đề xuất hàm ý quản trị danh mục và chiến lược kinh doanh cho doanh nghiệp khi ứng phó với rủi ro địa chính trị.

Phạm vi và giới hạn nghiên cứu

  • Đối tượng khảo sát: 10 mã cổ phiếu nông nghiệp đại diện: LTG, PAN, TAR, NSC, HAG, HNG (Mid-cap) và NAF, AFX, AGM, SJF (Small-cap).
  • Khung thời gian: Khung sự kiện 41 ngày giao dịch từ $[-20; +20]$ so với ngày sự kiện $t_0 = 15/02/2022$.
  • Giới hạn kỹ thuật: Nghiên cứu chưa đo lường đồng thời các chỉ số tổng hợp toàn ngành ($AAR$, $CAAR$) và bị ảnh hưởng cục bộ bởi các sự kiện doanh nghiệp riêng lẻ phát sinh đồng thời.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu kinh tế lượng tài chính thường đối mặt với thách thức lựa chọn phương pháp lượng hóa sự kiện vĩ mô. Bảng dưới đây so sánh các phương pháp phân tích phổ biến:

Phương pháp nghiên cứu Ưu điểm Nhược điểm Tính phù hợp với đề tài
Event Study (Nghiên cứu sự kiện) Đo lường chính xác tác động tức thời và tích lũy quanh mốc thời gian; loại bỏ biến động chung của thị trường. Đòi hỏi xác định chính xác ngày $t_0$; nhạy cảm với sự kiện nhiễu đồng thời. Tối ưu nhất để kiểm định tốc độ phản ứng thông tin theo lý thuyết EMH.
GARCH / EGARCH Đo lường tốt sự thay đổi phương sai sai số và mức độ biến động giá (volatility clustering). Không cô lập trực tiếp suất sinh lời vượt trội tích lũy theo từng phiên sự kiện. Phù hợp cho phân tích biến động rủi ro dài hạn, không tối ưu cho kiểm định sự kiện ngắn hạn.
VAR / VECM Phân tích quan hệ nhân quả và độ trễ tương hỗ giữa các chuỗi dữ liệu thời gian. Cần kích thước mẫu chuỗi thời gian lớn; dễ mất bậc tự do khi thêm biến ngoại sinh. Phù hợp với chuỗi số liệu kinh tế vĩ mô đa biến nhiều năm. 
+-----------------------------------------------------------------------------------+
| MoSCoW Prioritization cho Hệ thống Phân tích Định lượng Tài chính:                |
| - Must have: Mô hình Market Model, Tính Log Return, Kiểm định T-stat AR & CAR.   |
| - Should have: Phân cụm vốn hóa Mid-cap vs Small-cap, Biểu đồ kỹ thuật đồng pha. |
| - Could have: Tích hợp lọc nhiễu sự kiện doanh nghiệp (M&A, phát hành riêng lẻ).|
| - Won't have: Mô hình học máy dự báo giá cổ phiếu thời gian thực (Real-time AI).  |
+-----------------------------------------------------------------------------------+

Thiết kế hệ thống phân tích dữ liệu

Kiến trúc quy trình xử lý dữ liệu định lượng được thiết kế chuẩn hóa theo tiêu chuẩn kinh tế lượng tài chính:

Technology Stack và Công cụ kỹ thuật

  • Ngôn ngữ xử lý: Python 3.10.12 / Microsoft Excel 365 (Data Analysis Toolpak).
  • Thư viện kinh tế lượng: pandas 2.1.4, numpy 1.26.2, statsmodels 0.14.1, scipy 1.11.4.
  • Nguồn dữ liệu: Dữ liệu giao dịch khớp lệnh lịch sử từ HOSE, HNX, UPCoM qua cổng dữ liệu CafeF API.
  • Database Schema: Cấu trúc bảng lưu trữ chuỗi thời gian:
    • tbl_PriceHistory: Ticker (VARCHAR 10), TradeDate (DATE), ClosePrice (FLOAT), AdjClose (FLOAT), Volume (BIGINT).
    • tbl_EventParameters: Ticker (VARCHAR 10), Alpha (FLOAT), Beta (FLOAT), R_Squared (FLOAT), StdError (FLOAT).
    • tbl_EventResults: Ticker (VARCHAR 10), RelativeDay (INT), ActualReturn (FLOAT), ExpectedReturn (FLOAT), AR (FLOAT), CAR (FLOAT), T_Stat (FLOAT).

Implementation và kết quả

Chi tiết thuật toán và mã nguồn thực thi

Mô hình thị trường (Market Model) được xây dựng dựa trên phương trình hồi quy tuyến tính trong khung ước lượng $T_1 = [-70; -20]$:

$$R_{i,t} = \alpha_i + \beta_i R_{M,t} + \epsilon_{i,t} \quad \text{với } E(\epsilon_{i,t}) = 0, , \text{Var}(\epsilon_{i,t}) = \sigma_{\epsilon_i}^2$$

Lợi nhuận kỳ vọng, lợi nhuận bất thường ($AR_{i,t}$), lợi nhuận bất thường tích lũy ($CAR_i[\tau_1, \tau_2]$) và giá trị kiểm định $t\text{-stat}$ được tính toán theo đoạn mã Python chuẩn hóa dưới đây:

import numpy as np
import pandas as pd
import statsmodels.api as sm

def calculate_event_study(df_stock: pd.DataFrame, df_market: pd.DataFrame, 
                          event_idx: int, est_len: int = 50, event_win: int = 20):
    """
    Thực thi mô hình Event Study theo phương pháp Fama (1969) & Campbell et al. (1997)
    """
    # 1. Tính Tỷ suất sinh lời Logarithm
    stock_ret = np.log(df_stock['Close'] / df_stock['Close'].shift(1))
    market_ret = np.log(df_market['Close'] / df_market['Close'].shift(1))
    
    data = pd.DataFrame({'R_i': stock_ret, 'R_m': market_ret}).dropna()
    
    # 2. Xác định Khung ước lượng [-70; -20] và Khung sự kiện [-20; +20]
    t0 = event_idx
    est_start, est_end = t0 - est_len - event_win, t0 - event_win
    event_start, event_end = t0 - event_win, t0 + event_win + 1
    
    est_data = data.iloc[est_start:est_end]
    event_data = data.iloc[event_start:event_end].copy()
    
    # 3. Hồi quy OLS xác định Alpha và Beta
    X = sm.add_constant(est_data['R_m'])
    model = sm.OLS(est_data['R_i'], X).fit()
    alpha, beta = model.params['const'], model.params['R_m']
    sigma_eps = np.std(model.resid, ddof=2)
    
    # 4. Tính toán Abnormal Return (AR) và Cumulative Abnormal Return (CAR)
    event_data['Expected_R'] = alpha + beta * event_data['R_m']
    event_data['AR'] = event_data['R_i'] - event_data['Expected_R']
    event_data['Rel_Day'] = np.arange(-event_win, event_win + 1)
    
    # Kiểm định T-stat AR
    event_data['t_AR'] = event_data['AR'] / sigma_eps
    
    # Tính CAR từ t0 đến các mốc thời gian
    event_data['CAR'] = event_data['AR'].cumsum()
    event_data['t_CAR'] = event_data['CAR'] / (sigma_eps * np.sqrt(np.arange(1, len(event_data) + 1)))
    
    return event_data[['Rel_Day', 'R_i', 'Expected_R', 'AR', 't_AR', 'CAR', 't_CAR']]

Kết quả định lượng và phân tích thống kê

Kết quả kiểm định tỷ suất sinh lời bất thường tích lũy ($CAR$) cho thấy sự phân hóa rõ nét giữa hai nhóm vốn hóa:

+------------------------------------------------------------------------------------+
| TỔNG HỢP KIỂM ĐỊNH THỐNG KÊ CAR TRONG KHUNG SỰ KIỆN [-20; +20]                    |
| - HAG (Mid-cap): CAR[-20; 0] = -0.65801 (t-stat âm ý nghĩa 1%, p < 0.01)          |
| - HNG (Mid-cap): CAR[-20; 0] ý nghĩa 1% trước sự kiện, đi ngang sau sự kiện      |
| - PAN & TAR (Mid-cap): CAR[-20; -11] ý nghĩa 1%, phục hồi từ [-10; 0]              |
| - AGM (Small-cap): CAR ý nghĩa 1% tại [-6; -3] và phản ứng T+3 sau sự kiện        |
| - NAF (Small-cap): AR âm tại t-19, t-11, t-10 (p < 0.05), CAR giảm dần đến t+6    |
| - SJF (Small-cap): CAR âm ý nghĩa 1% tại [-20, -19, -18, -15, -14]                 |
| - AFX (Small-cap): Không có AR ý nghĩa do thanh khoản thấp (140k - 200k cp/phiên)  |
+------------------------------------------------------------------------------------+

1. Nhóm Doanh nghiệp Vốn hóa Trung bình (Mid-cap)

  • HAG (Hoàng Anh Gia Lai): Là mã cổ phiếu chịu tác động mạnh nhất. Trước sự kiện, kỳ vọng thị trường đẩy giá cổ phiếu tiếp cận vùng kháng cự lịch sử năm 2012, tuy nhiên thực tế giá sụt giảm gần 35% trong 20 phiên, tạo ra mức $CAR$ âm sâu đạt mức ý nghĩa thống kê $1%$ ($p < 0.01$). Sau $t_0$, cổ phiếu phục hồi kỹ thuật và tích lũy đi ngang.
  • HNG (Nông nghiệp Quốc tế HAGL): Vận động cùng pha với HAG trong 20 phiên trước sự kiện ($CAR$ âm ý nghĩa $1%$). Sau sự kiện, giá đi ngang không xuất hiện $CAR$ bất thường.
  • PAN Group & Trung An (TAR): Cả hai cổ phiếu đều ghi nhận $CAR$ âm đạt mức ý nghĩa $1%$ trong giai đoạn $[-20; -11]$. Tuy nhiên, từ $[-10; 0]$, giá cổ phiếu đảo chiều tăng nhẹ, lợi nhuận thực tế tiệm cận lợi nhuận kỳ vọng khiến $CAR$ không còn sai lệch đáng kể.
  • Lộc Trời (LTG): Mặc dù biến động giá cùng pha với PAN và TAR, kết quả kiểm định $t\text{-stat}$ của LTG không đạt mức ý nghĩa thống kê do bị chi phối bởi các sự kiện riêng lẻ (kế hoạch phát hành 30 triệu cổ phiếu M&A BVTV An Giang và kế hoạch chuyển sàn HOSE).

2. Nhóm Doanh nghiệp Vốn hóa Nhỏ (Small-cap)

  • AGM (XNK An Giang): Xuất hiện $CAR$ âm với độ tin cậy $95%$ tại $[-12; -7]$ và đạt độ tin cậy $99%$ tại $[-6; -3]$ trước khi bước vào chu kỳ phản ánh nhanh $T+3$ sau ngày công bố sự kiện.
  • NAF (Nafoods): Ghi nhận các phiên $AR$ âm rải rác ($t_{-19}, t_{-11}, t_{-10}$) với độ tin cậy $95%$, $CAR$ âm kéo dài đến phiên $t_{+6}$ sau sự kiện.
  • SJF (Sao Thái Dương): Xuất hiện chuỗi $CAR$ âm ý nghĩa $1%$ tại $[-20; -14]$ phản ánh tâm lý lo ngại chiến sự từ sớm.
  • AFX (Nông sản Thực phẩm An Giang): Không xuất hiện $AR$ có ý nghĩa thống kê trong toàn bộ khung thời gian do thanh khoản quá thấp (chỉ đạt 140.000 – 200.000 đơn vị/phiên trên tổng số 40 triệu cổ phiếu lưu hành).

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và thực tiễn quan trọng:

  1. Tính tiên phong về chủ đề: Là công trình đầu tiên tại Việt Nam đánh giá định lượng tác động của chiến sự Nga - Ukraine lên nhóm cổ phiếu ngành nông nghiệp niêm yết trên cả 3 sàn giao dịch (HOSE, HNX, UPCoM).
  2. So sánh với các nghiên cứu thực nghiệm tiền nhiệm:
    • So với Võ Xuân Vinh & Đặng Bửu Kiếm (2017) về thông tin nhân sự và Võ Xuân Vinh & Đặng Bửu Kiếm (2016) về danh mục VNM ETF, nghiên cứu này chỉ ra rằng thông tin địa chính trị quốc tế có độ rò rỉ và phản ánh trước sự kiện (Information Leakage) mạnh hơn (từ 7 đến 20 ngày trước $t_0$) thay vì phản ứng tức thời tại ngày $t_0$.
    • So với Lê Chi Mai Phương (2021) về tác động của đại dịch COVID-19 lên nhóm ngân hàng, nghiên cứu chứng minh nhóm cổ phiếu nông nghiệp có tính chu kỳ cao và dễ xuất hiện hiện tượng phản ứng quá mức (overreaction) dẫn đến $CAR$ âm do kỳ vọng phi thực tế của dòng tiền đầu cơ.
  3. Phát hiện quy luật vốn hóa: Tốc độ và mức độ phản ánh thông tin tỷ lệ thuận với quy mô vốn hóa và thanh khoản thị trường. Nhóm Mid-cap phản ứng nhanh và nhạy hơn nhóm Small-cap.

Ứng dụng thực tế và triển khai

Chiến lược Quản trị Đầu tư và Kinh doanh

+------------------------------------------------------------------------------------+
| MA TRẬN ỨNG DỤNG CHIẾN LƯỢC ĐẦU TƯ THEO SỰ KIỆN (EVENT-DRIVEN MATRIX)             |
| 1. Giai đoạn Rò rỉ [-20; -10]: Tránh mua đuổi theo tin đồn vĩ mô khi định giá     |
|    đã phản ánh vượt xa giá trị nội tại (Tránh bẫy overreaction như HAG, PAN).      |
| 2. Giai đoạn Hội tụ [-10; t0]: Tái cơ cấu danh mục sang các mã có nền tảng xuất   |
|    khẩu thực chất (lương thực, gạo chất lượng cao) thay vì đầu cơ thuần túy.      |
| 3. Giai đoạn Hậu sự kiện [t0; +20]: Tận dụng nhịp điều chỉnh T+3 để tích lũy      |
|    cổ phiếu Mid-cap đầu ngành khi giá tái lập vùng cân bằng mới.                  |
+------------------------------------------------------------------------------------+
  • Đối với Nhà đầu tư cá nhân và Quản lý quỹ: Cần loại bỏ thiên kiến lạc quan tát nước theo mưa khi xuất hiện các sự kiện vĩ mô toàn cầu. Phân tích định lượng $AR$ và $CAR$ cung cấp công cụ nhận diện vùng rủi ro đảo chiều khi lợi nhuận thực tế không theo kịp kỳ vọng ảo.
  • Đối với Doanh nghiệp Nông nghiệp: Xây dựng hệ thống cảnh báo sớm rủi ro đứt gãy chuỗi cung ứng phân bón và nguyên liệu đầu vào; chủ động đa dạng hóa thị trường xuất khẩu để chuyển hóa kỳ vọng thị trường thành kết quả kinh doanh thực tế.

Hạn chế và hướng phát triển

  • Hạn chế mẫu nghiên cứu: Mẫu khảo sát dừng lại ở 10 doanh nghiệp Mid-cap và Small-cap, chưa bao quát toàn bộ rổ cổ phiếu ngành nông nghiệp và thủy sản.
  • Phương pháp luận: Chưa triển khai các chỉ số bình quân toàn ngành $AAR$ (Average Abnormal Return) và $CAAR$ (Cumulative Average Abnormal Return) để kiểm định phản ứng tổng thể của ngành.
  • Khung thời gian: Khung ước lượng 50 ngày tương đối ngắn, có thể chịu ảnh hưởng từ dư chấn của làn sóng phục hồi sau dịch COVID-19.
  • Hướng phát triển: Mở rộng nghiên cứu với mô hình đa nhân tố Fama-French 5 nhân tố kết hợp mô hình biến động điều kiện GARCH-MIDAS, mở rộng mẫu sang các doanh nghiệp xuất khẩu thủy sản, cao su và hóa chất phân bón.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Nắm vững quy trình thực hiện một bài nghiên cứu tài chính thực nghiệm chuẩn mực sử dụng phương pháp Event Study kết hợp kiểm định thống kê trên Excel/Python.
  • Chuyên viên phân tích định lượng (Quant Analysts): Khung code mẫu và phương pháp luận đo lường bất thường giá chứng khoán trước các sự kiện vĩ mô bất thường.
  • Nhà đầu tư cá nhân & Tổ chức: Cẩm nang nhận diện tâm lý thị trường, tránh bẫy tâm lý fomo theo tin tức địa chính trị.
  • Doanh nghiệp Nông nghiệp: Cơ sở dữ liệu tham khảo để hoạch định chiến lược quan hệ nhà đầu tư (IR) và quản trị rủi ro truyền thông khi xảy ra biến cố vĩ mô.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và dữ liệu để triển khai lại mô hình Event Study này là gì?

Cần chuỗi dữ liệu giá đóng cửa điều chỉnh (Adjusted Close) và chỉ số VN-Index tối thiểu 100 phiên giao dịch liên tục, sử dụng Python (pandas, statsmodels) hoặc Excel để chạy hồi quy OLS xác định hệ số $\alpha, \beta$ và tính toán kiểm định $t\text{-stat}$.

2. Tại sao ngày công bố chiến sự lại xuất hiện suất sinh lời bất thường âm ($AR < 0$)?

Vì trước ngày $t_0$, giá cổ phiếu đã tăng nóng do kỳ vọng thái quá của dòng tiền đầu cơ. Khi sự kiện chính thức diễn ra, lợi nhuận thực tế không bù đắp được kỳ vọng dẫn đến hiện tượng bán chốt lời "mua tin đồn, bán sự thật" (buy the rumor, sell the news).

3. Cổ phiếu thanh khoản thấp như AFX ảnh hưởng thế nào đến kết quả kiểm định?

Cổ phiếu thanh khoản thấp khiến giá đóng cửa không phản ánh chính xác cung cầu thị trường, làm triệt tiêu ý nghĩa thống kê của các kiểm định $AR$ và dễ bị thao túng giá bởi các lệnh giao dịch nhỏ.

4. Làm thế nào để loại trừ các sự kiện nhiễu đồng thời của doanh nghiệp?

Cần áp dụng kỹ thuật lọc cửa sổ sự kiện kết hợp phân tích định tính lịch sử công bố thông tin (như việc Lộc Trời phát hành cổ phiếu M&A) để bóc tách tác động thuần túy của sự kiện nghiên cứu.

5. Kết quả nghiên cứu có áp dụng được cho các xung đột địa chính trị khác không?

Hoàn toàn có thể áp dụng quy trình này để đo lường tác động của các sự kiện tương tự như căng thẳng Biển Đỏ, biến động giá dầu OPEC+ hoặc các xung đột thương mại quốc tế lên thị trường chứng khoán Việt Nam.

Kết luận

Khóa luận tốt nghiệp của tác giả Bùi Nguyễn Bảo Ngọc đã giải quyết trọn vẹn mục tiêu nghiên cứu thông qua việc ứng dụng chuẩn xác phương pháp nghiên cứu sự kiện (Event Study) trên thị trường chứng khoán Việt Nam. Kết quả thực nghiệm khẳng định cuộc chiến Nga - Ukraine có tác động rõ nét và gây ra tỷ suất sinh lời bất thường tích lũy ($CAR$) âm trên nhóm cổ phiếu nông nghiệp Mid-cap (HAG, HNG, PAN, TAR) và một số mã Small-cap (AGM, NAF, SJF) trong giai đoạn trước sự kiện do hiện tượng rò rỉ thông tin và phản ứng quá mức của thị trường. Đây là tài liệu tham khảo giá trị cho công tác nghiên cứu học thuật, phân tích dữ liệu tài chính định lượng và hoạch định chiến lược đầu tư thực chiến.