Giới thiệu dự án

Thị trường năng lượng toàn cầu và thị trường chứng khoán (TTCK) luôn tồn tại mối liên kết hữu cơ phức tạp. Dầu thô được coi là huyết mạch của nền kinh tế hiện đại, đóng vai trò là chi phí đầu vào trọng yếu của hầu hết các ngành sản xuất và dịch vụ vận tải. Theo các báo cáo kinh tế vĩ mô quốc tế, những cú sốc giá dầu luôn kích hoạt biến động mạnh mẽ trong dòng tiền doanh nghiệp, tỷ giá hối đoái và lạm phát kỳ vọng. Tại Việt Nam – một nền kinh tế đang phát triển với độ mở thương mại vượt 180% GDP – biến động giá dầu thế giới (đặc trưng bởi chỉ số giá dầu thô Brent) tác động trực tiếp đến chi phí hoạt động của doanh nghiệp niêm yết cũng như tâm lý của các nhà đầu tư trên Sở Giao dịch Chứng khoán TP.HCM (HOSE).

Khi biên độ dao động giá cổ phiếu trên thị trường gia tăng bất thường, tính bất định tăng cao khiến các quyết định phân bổ vốn trở nên phi lý trí, dẫn đến hiện tượng bán tháo và đe dọa sự ổn định của hệ thống tài chính. Tuy nhiên, các nghiên cứu trước đây tại Việt Nam phần lớn chỉ tập trung vào dữ liệu ngắn hạn hoặc chỉ xem xét mối quan hệ tuyến tính một chiều giữa giá dầu và lợi suất cổ phiếu, để lại khoảng trống lớn trong việc lượng hóa tác động động (dynamic impact) của giá dầu đối với mức độ biến động (volatility) của chỉ số VN-Index trong dài hạn và ngắn hạn.

Mục tiêu nghiên cứu

  1. Hệ thống hóa cơ sở lý thuyết: Tổng hợp các kênh truyền dẫn (kênh chi phí tài chính, tâm lý học hành vi, đòn bẩy tài chính, cơ cấu danh mục và luồng thông tin kỳ vọng) về tác động của giá dầu đến độ biến động TTCK.
  2. Đo lường và lượng hóa tác động: Kiểm định tính dừng, xác định độ trễ tối ưu, phân tích đồng liên kết và ước lượng mô hình Vector hiệu chỉnh sai số (VECM - Vector Error Correction Model) trên chuỗi dữ liệu 165 tháng (01/2010 – 09/2023).
  3. Đề xuất khuyến nghị ứng dụng: Xây dựng khung quản trị rủi ro biến động danh mục cho nhà đầu tư tổ chức và hàm ý điều hành chính sách tiền tệ/vĩ mô cho các cơ quan quản lý nhà nước.

Phạm vi và giới hạn nghiên cứu

  • Đối tượng nghiên cứu: Sự thay đổi của giá dầu thô Brent thế giới ($\ln OIL$) và mức độ biến động giá của chỉ số VN-Index ($\ln VOL$).
  • Không gian dữ liệu: Dữ liệu chuẩn hóa từ Cơ quan Thông tin Năng lượng Hoa Kỳ (EIA) và Hệ thống dữ liệu tài chính FiinPro.
  • Thời gian nghiên cứu: Từ tháng 01/2010 đến tháng 09/2023 (165 quan sát chuỗi thời gian). Giai đoạn này loại bỏ độ nhiễu của giai đoạn sơ khai 2000–2006 và khủng hoảng tài chính 2007–2008, bao quát đầy đủ các chu kỳ kinh tế, căng thẳng địa chính trị (giàn khoan Hải Dương 981 năm 2014–2015, Brexit 2016) và cú sốc đại dịch COVID-19 (2020–2021).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu chuỗi thời gian tài chính đòi hỏi giải quyết các thách thức về tính phi dừng (non-stationarity), hiện tượng tự tương quan (autocorrelation) và phương sai sai số thay đổi. Bảng so sánh dưới đây phân tích ưu và nhược điểm của các phương pháp định lượng phổ biến:

Phương pháp định lượng Ưu điểm kỹ thuật Nhược điểm / Hạn chế Mức độ phù hợp với đề tài
OLS (Ordinary Least Squares) Đơn giản, trực quan, tính toán nhanh. Vi phạm giả định chuỗi thời gian, tạo hồi quy giả mạo (spurious regression) khi chuỗi có nghiệm đơn vị. Không phù hợp
VAR (Vector Autoregression) Khảo sát tương tác đa chiều giữa các biến nội sinh mà không cần giả định ngoại sinh. Bỏ qua mối quan hệ đồng tích hợp dài hạn (cointegration) nếu các chuỗi có xu hướng chung. Bán phù hợp
GARCH (Generalized ARCH) Mô hình hóa phương sai có điều kiện theo thời gian xuất sắc. Khó phân tách cơ chế hiệu chỉnh sai số cân bằng dài hạn đa biến. Bổ trợ
VECM (Vector Error Correction Model) Tích hợp đồng thời động thái điều chỉnh ngắn hạn và quan hệ cân bằng dài hạn thông qua thành phần $ECT_{t-1}$. Yêu cầu các chuỗi phải cùng bậc tích phân $I(d)$ và tồn tại vector đồng liên kết. Tối ưu nhất (Được chọn)

Phân loại yêu cầu hệ thống định lượng theo khung MoSCoW

  • Must have (Bắt buộc): Chuyển đổi dữ liệu sang logarit tự nhiên; kiểm định nghiệm đơn vị Augmented Dickey-Fuller (ADF) và Phillips-Perron (PP); kiểm định đồng liên kết Johansen (Trace & Max-Eigenvalue); ước lượng hệ số VECM.
  • Should have (Nên có): Xác định độ trễ tối ưu theo 5 tiêu chí (AIC, SC, HQ, FPE, LR); kiểm định phần dư bằng CUSUM và vòng tròn nghiệm đặc trưng AR (AR roots graph).
  • Could have (Có thể có): Mở rộng sang mô hình GARCH đa biến hoặc NARDL (Nonlinear ARDL) để phát hiện tính bất đối xứng.
  • Won't have (Không áp dụng): Phân tích dữ liệu giao dịch tần suất cao theo từng tick/phút nhằm tránh độ nhiễu vi cấu trúc thị trường (market microstructure noise).

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu và ước lượng kinh tế lượng được thiết kế thành một pipeline khép kín:

Technology Stack và Môi trường thực thi

  • Phần mềm kinh tế lượng chuyên dụng: EViews phiên bản 10.0 Enterprise (xây dựng ma trận Johansen, ước lượng VECM, kiểm định CUSUM).
  • Ngôn ngữ lập trình bổ trợ: Python 3.10.12 kết hợp các thư viện chuyên sâu:
    • statsmodels v0.14.0: Module phân tích chuỗi thời gian đa biến (vecm, tsa.stattools).
    • pandas v2.1.0 & numpy v1.24.3: Xử lý mảng dữ liệu chuỗi thời gian.
    • matplotlib v3.7.2: Trực quan hóa đường cong biến động.
  • Nguồn cấp dữ liệu: API FiinPro Data Feed và EIA Open Data API.

Methodology

Nghiên cứu tuân thủ quy trình thực nghiệm 4 giai đoạn chuẩn mực trong phân tích tài chính chuỗi thời gian:

  1. Giai đoạn 1 - Thu thập và Chuẩn hóa: Trích xuất giá đóng cửa dầu Brent và lợi suất hàng ngày của VN-Index. Tính toán độ lệch chuẩn tháng để tạo biến chuỗi thời gian $VOL_t$.
  2. Giai đoạn 2 - Thử nghiệm Đặc tính Chuỗi: Tiến hành kiểm định tính dừng (ADF, PP) để xác định bậc tích phân $I(1)$. Lựa chọn độ trễ $k$ tối ưu bằng ma trận so sánh AIC, BIC, FPE, HQIC.
  3. Giai đoạn 3 - Kiểm định Đồng liên kết & Hiệu chỉnh sai số: Thực hiện thủ tục Johansen để kiểm tra sự tồn tại của vector đồng tích hợp dài hạn. Xây dựng hệ phương trình VECM đánh giá tốc độ điều chỉnh sai số $ECT_{t-1}$.
  4. Giai đoạn 4 - Kiểm định Sau ước lượng & Đánh giá Rủi ro: Đánh giá tính ổn định của mô hình qua phân bố nghiệm đơn vị AR và kiểm định ổn định tham số sai số CUSUM.

Implementation và kết quả

Development process

1. Đo lường biến số biến động thị trường ($VOL_t$)

Độ biến động thị trường chứng khoán trong tháng $t$ được tính bằng độ lệch chuẩn của tỷ suất sinh lời hàng ngày của chỉ số VN-Index trong tháng đó:

$$VOL_t = \sqrt{\frac{\sum_{i=1}^{m} (r_{VNIt,i} - \bar{r}_{VNIt})^2}{m - 1}}$$

Trong đó:

  • $r_{VNIt,i} = \ln(P_{VNIt,i} / P_{VNIt,i-1})$: Lợi suất của chỉ số VN-Index vào ngày $i$ của tháng $t$.
  • $\bar{r}_{VNIt}$: Giá trị trung bình của lợi suất VN-Index trong tháng $t$.
  • $m$: Số phiên giao dịch thực tế trong tháng $t$.

2. Cấu trúc Toán học của Mô hình VECM

Mô hình Vector Error Correction Model cho hệ hai biến ($\Delta \ln VOL_t$, $\Delta \ln OIL_t$) được thiết lập như sau:

$$\Delta \ln VOL_t = \beta_0 + \sum_{i=1}^{k-1} \rho_i \Delta \ln VOL_{t-i} + \sum_{j=1}^{k-1} \delta_j \Delta \ln OIL_{t-j} + \alpha ECT_{t-1} + \epsilon_{1t}$$

$$\Delta \ln OIL_t = \gamma_0 + \sum_{i=1}^{k-1} \theta_i \Delta \ln VOL_{t-i} + \sum_{j=1}^{k-1} \phi_j \Delta \ln OIL_{t-j} + \lambda ECT_{t-1} + \epsilon_{2t}$$

Phương trình đồng liên kết dài hạn: $$ECT_{t-1} = \ln VOL_{t-1} - \beta_0 - \beta_1 \ln OIL_{t-1}$$

import numpy as np
import pandas as pd
from statsmodels.tsa.vector_ar.vecm import VECM, select_order, select_coint_rank
from statsmodels.tsa.stattools import adfuller

def run_econometric_pipeline(df_data: pd.DataFrame):
    """
    df_data: DataFrame chứa 2 cột ['ln_VOL', 'ln_OIL']
    """
    # 1. Kiểm định tính dừng Augmented Dickey-Fuller
    print("--- KIỂM ĐỊNH TÍNH DỪNG (ADF) ---")
    for col in df_data.columns:
        res_adf = adfuller(df_data[col].dropna(), autolag='AIC')
        print(f"Biến {col} | ADF Stat: {res_adf[0]:.4f} | p-value: {res_adf[1]:.4f}")

    # 2. Lựa chọn độ trễ tối ưu
    lag_order = select_order(data=df_data, maxlags=5, deterministic="ci")
    print(f"\nĐộ trễ tối ưu được chọn (AIC): {lag_order.aic}")

    # 3. Kiểm định hạng đồng liên kết Johansen
    coint_rank = select_coint_rank(df_data, det_order=0, k_ar_diff=lag_order.aic, method='trace')
    print(f"Hạng đồng liên kết Johansen (Trace test): {coint_rank.rank}")

    # 4. Ước lượng mô hình VECM
    vecm_model = VECM(df_data, k_ar_diff=lag_order.aic, coint_rank=coint_rank.rank, deterministic="ci")
    vecm_fitted = vecm_model.fit()
    print(vecm_fitted.summary())
    return vecm_fitted

Testing và validation

1. Kết quả Kiểm định Nghiệm đơn vị (ADF Test)

Kiểm định ADF được thực hiện trên chuỗi sai phân bậc 1 của cả 2 biến nghiên cứu:

Biến số Thống kê ADF Giá trị tới hạn 1% Giá trị tới hạn 5% Giá trị tới hạn 10% P-value Kết luận
$\Delta \ln OIL$ -8.4125 -3.4712 -2.8794 -2.5762 < 0.0001 Chuỗi dừng $I(1)$
$\Delta \ln VOL$ -9.1568 -3.4712 -2.8794 -2.5762 < 0.0001 Chuỗi dừng $I(1)$

Kết quả xác nhận cả hai chuỗi dữ liệu đều tích phân bậc 1, đủ điều kiện tiến hành kiểm định đồng liên kết Johansen.

2. Kết quả Xác định Độ trễ Tối ưu ($k$)

Độ trễ ($k$) LogL LR FPE AIC SC HQ
0 -245.12 NA 0.0451 3.1281 3.1678 3.1442
1 720.15 1885.6 2.14e-06 -8.9641 -8.8450* -8.9157*
2 728.47 15.98* 1.94e-06* -9.0186* -8.7801 -8.9218
3 731.12 5.01 2.01e-06 -8.9888 -8.6310 -8.8436

Tiêu chí AIC, FPE và LR đều thống nhất lựa chọn độ trễ tối ưu là $k = 2$.

3. Kết quả Kiểm định Đồng liên kết Johansen

Giả thuyết ($H_0$) Eigenvalue Trace Statistic Giá trị tới hạn (5%) P-value Max-Eigen Statistic Giá trị tới hạn (5%) P-value
Không có đồng liên kết ($r = 0$) 0.1142 22.6415 15.4947 0.0034 19.4512 14.2646 0.0068
Tối đa 1 quan hệ ($r \le 1$) 0.0195 3.1903 3.8414 0.0741 3.1903 3.8414 0.0741

Trace Statistic và Max-Eigen Statistic đều bác bỏ giả thuyết $H_0: r = 0$ ở mức ý nghĩa 5%, xác nhận sự tồn tại của 1 vector đồng tích hợp.

Kết quả đạt được

Ước lượng phương trình hiệu chỉnh sai số VECM đối với biến phụ thuộc $\Delta \ln VOL_t$ cho kết quả cụ thể:

Biến độc lập Hệ số hồi quy ($\beta$) Sai số chuẩn (Std. Error) Thống kê t (t-Statistic) P-value Ý nghĩa thống kê
Sai số hiệu chỉnh ($ECT_{t-1}$) +9.7821 3.4512 2.8344 0.0051 Không hội tụ về dài hạn
$\Delta \ln VOL_{t-1}$ -0.3412 0.0815 -4.1865 0.0001 Ngược chiều (p < 0.01)
$\Delta \ln VOL_{t-2}$ -0.1984 0.0792 -2.5050 0.0132 Ngược chiều (p < 0.05)
$\Delta \ln OIL_{t-1}$ +0.2145 0.0912 2.3519 0.0198 Cùng chiều (p < 0.05)
$\Delta \ln OIL_{t-2}$ +0.3872 0.1041 3.7195 0.0003 Cùng chiều (p < 0.01)
Hằng số ($C$) 0.0142 0.0089 1.5955 0.1124 Không có ý nghĩa

Phát hiện trọng tâm từ thực nghiệm

  1. Tác động ngắn hạn rõ rệt: Biến động giá dầu tại độ trễ $t-1$ và $t-2$ tác động dương (cùng chiều) có ý nghĩa thống kê cao đến độ biến động thị trường chứng khoán Việt Nam. Khi giá dầu biến động mạnh, mức độ rủi ro dao động của chỉ số VN-Index tăng mạnh trong 2 tháng kế tiếp ($\beta = +0.2145$ và $\beta = +0.3872$).
  2. Không tồn tại cơ chế cân bằng dài hạn: Hệ số của số hạng hiệu chỉnh sai số $ECT_{t-1}$ mang giá trị dương (+9.7821), nằm ngoài khoảng hội tụ tiêu chuẩn $[-1; 0]$. Điều này chứng minh rằng trong dài hạn, biến động của VN-Index không bị ràng buộc tĩnh vào giá dầu mà liên tục tự điều chỉnh và phân hóa theo nội tại nền kinh tế.

Đổi mới và đóng góp

Nghiên cứu mang lại 3 đóng góp mang tính đột phá cho mảng tài chính định lượng ứng dụng tại Việt Nam:

  1. Chuỗi dữ liệu cập nhật và bao quát toàn diện (2010–2023): Khác biệt hoàn toàn với các nghiên cứu trước đây (như Le, 2018; Nguyen, 2020 chỉ khảo sát các giai đoạn ngắn hoặc trước COVID-19), đề tài bao quát đầy đủ 165 tháng dữ liệu, tích hợp đầy đủ các cú sốc thiên nga đen (dầu âm tháng 04/2020, VN-Index lập đỉnh 1500 điểm năm 2021).
  2. Phân tách hoàn toàn tác động ngắn hạn và dài hạn: Chứng minh được sự bất đối xứng giữa động thái ngắn hạn (truyền dẫn xung lực mạnh trong 60 ngày) và dài hạn (hệ thống giải phóng sự phụ thuộc nhờ quá trình đa dạng hóa kinh tế).
  3. Cơ chế truyền dẫn đa nhân tố: Làm rõ vai trò chi phối của tâm lý nhà đầu tư cá nhân (chiếm hơn 85% thanh khoản thị trường Việt Nam) khiến hiệu ứng lan truyền biến động từ giá dầu thô diễn ra nhanh và mạnh hơn so với các thị trường phát triển.
Tiêu chí so sánh Nghiên cứu của Le (2018) Nghiên cứu của Qureshi et al. (2020) Đề tài này (2023)
Phương pháp chính Hồi quy tuyến tính OLS / VAR Mô hình GARCH đối xứng VECM kết hợp Johansen Cointegration
Phạm vi thời gian 2008 – 2016 (8 năm) 2010 – 2018 (Thị trường Nam Á) 2010 – 2023 (13 năm 9 tháng)
Bản chất biến số Lợi suất chỉ số cổ phiếu Biến động giá nhóm ngành Độ lệch chuẩn biến động ($VOL_t$)
Kết luận dài hạn Tồn tại quan hệ tuyến tính Kết quả không đồng nhất Khẳng định chỉ tác động ngắn hạn ($k=2$)

Ứng dụng thực tế và triển khai

Khung chiến lược quản trị rủi ro danh mục (Portfolio Risk Hedging)

Từ phát hiện giá dầu tác động cùng chiều lên độ biến động VN-Index với độ trễ 2 tháng, các nhà quản lý quỹ và nhà đầu tư cá nhân có thể xây dựng mô hình cảnh báo sớm:

  • Quy tắc tái cân bằng (Rebalancing Rule): Khi độ lệch chuẩn giá dầu trong tháng $t$ vượt ngưỡng 2 độ lệch chuẩn lịch sử, tiến hành giảm tỷ trọng các cổ phiếu có hệ số Beta cao ($\beta > 1.2$) trong các ngành nhạy cảm chi phí vận tải, hóa chất, vật liệu.
  • Phòng hộ phái sinh: Gia tăng vị thế Short hợp đồng tương lai chỉ số VN30 trên sàn HNX trong khung thời gian từ 30 đến 60 ngày kể từ khi xuất hiện cú sốc giá dầu thế giới để bù đắp rủi ro sụt giảm danh mục cơ sở.

Khuyến nghị điều hành cho cơ quan quản lý nhà nước

  • Ủy ban Chứng khoán Nhà nước (UBCKNN): Thiết lập cơ chế giám sát biên độ giao dịch tự động và kịch bản ứng phó thanh khoản thị trường khi thị trường năng lượng quốc tế có biến động trên 20%/tháng.
  • Bộ Công Thương & Bộ Tài chính: Sử dụng Quỹ Bình ổn giá xăng dầu (BOG) một cách linh hoạt, có dự báo đón đầu theo chu kỳ 2 tháng nhằm làm giảm độ trễ tác động lan truyền từ giá năng lượng thế giới vào lạm phát kỳ vọng và thị trường vốn trong nước.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Độ phân giải dữ liệu: Việc sử dụng dữ liệu tần suất tháng ($VOL_t$) giúp giảm thiểu nhiễu ngẫu nhiên nhưng làm mờ đi các phản ứng tức thì trong phiên (intra-day microstructure).
  • Tính đối xứng của mô hình: Mô hình VECM tiêu chuẩn giả định tác động của việc giá dầu tăng và giảm lên biến động chứng khoán là có biên độ đối xứng, chưa phân tách các cú sốc tăng giá (positive shocks) và giảm giá (negative shocks).

Hướng nghiên cứu mở rộng

  • Ứng dụng mô hình phi tuyến (NARDL & TVP-VAR): Áp dụng mô hình Non-linear ARDL để kiểm tra tính bất đối xứng trong việc truyền dẫn giá dầu và mô hình VAR với tham số biến đổi theo thời gian (Time-Varying Parameter VAR).
  • Phân rã chuỗi theo ngành (Sectoral Breakdown): Tách biệt nhóm cổ phiếu dầu khí thượng nguồn (PVS, PVD) - hạ nguồn (PLX, BSR) với nhóm tiêu thụ nhiên liệu lớn (hàng không như HVN, VJC; logistics; nhựa bao bì) để xác định độ co giãn riêng biệt.

Đối tượng hưởng lợi

  • Nhà đầu tư cá nhân & Tổ chức: Được cung cấp bằng chứng định lượng rõ ràng để không rơi vào bẫy tâm lý bán tháo hoảng loạn trong dài hạn, đồng thời có quy tắc phòng hộ danh mục trong ngắn hạn.
  • Cơ quan quản lý vĩ mô: Có cơ sở khoa học để thiết kế các chính sách can thiệp thị trường năng lượng và thị trường vốn một cách nhịp nhàng.
  • Giới nghiên cứu học thuật: Cung cấp bộ khung phương pháp luận hoàn chỉnh từ khâu tiền xử lý chuỗi tài chính, kiểm định nghiệm đơn vị đến phân tích đồng liên kết trên phần mềm EViews và Python.

Câu hỏi thường gặp

1. Tại sao nghiên cứu sử dụng dữ liệu tháng thay vì dữ liệu ngày hoặc tuần?

Theo các nghiên cứu chuẩn mực về cấu trúc phụ thuộc tài chính (Reboredo, 2013; Baumeister et al., 2015), dữ liệu tần suất ngày/tuần thường chứa nhiều thành phần nhiễu vi cấu trúc và phân phối lệch nghiêm trọng. Dữ liệu tháng giúp lọc sạch nhiễu, làm nổi bật xu hướng kinh tế vĩ mô và hỗ trợ dự báo trung - dài hạn tin cậy hơn.

2. Ý nghĩa thực tế của việc mô hình VECM chọn độ trễ $k = 2$ là gì?

Độ trễ $k = 2$ (tương đương 2 tháng) chỉ ra rằng một cú sốc biến động từ giá dầu thô thế giới không tác động tiêu cực ngay lập tức lên thị trường chứng khoán trong tháng đầu tiên mà cần khoảng 60 ngày để lan truyền đầy đủ qua các báo cáo tài chính doanh nghiệp, chỉ số giá tiêu dùng (CPI) và sự điều chỉnh danh mục của nhà đầu tư.

3. Tại sao giá dầu và biến động VN-Index lại không có mối quan hệ cân bằng trong dài hạn?

Vì nền kinh tế Việt Nam ngày càng đa dạng hóa cơ cấu GDP, giảm bớt tỷ trọng đóng góp của khai khoáng năng lượng và gia tăng tỷ trọng công nghệ, dịch vụ, bán lẻ, sản xuất chế biến. Doanh nghiệp và nhà đầu tư có khả năng tự thích ứng, tái cấu trúc chi phí sau cú sốc ban đầu, giúp thị trường chứng khoán không bị phụ thuộc đơn tuyến vào dầu mỏ trong dài hạn.

4. Giá trị hệ số ECT = +9.7821 biểu thị điều gì trong kinh tế lượng?

Để tồn tại mối quan hệ đồng liên kết cân bằng dài hạn (long-run cointegrating equilibrium), hệ số $ECT_{t-1}$ bắt buộc phải mang giá trị âm và nằm trong khoảng từ $-1$ đến $0$ để kéo hệ thống về trạng thái cân bằng sau mỗi cú sốc. Hệ số dương (+9.7821) cho thấy cơ chế sai số ngắn hạn không hội tụ về một đường xu hướng dài hạn duy nhất giữa 2 biến.

5. Nhà đầu tư nên phân bổ tài sản thế nào khi giá dầu Brent tăng đột biến?

Trong chu kỳ 1–2 tháng đầu sau cú sốc tăng giá, nhà đầu tư nên tạm thời hạ tỷ lệ sử dụng đòn bẩy tài chính (margin), cơ cấu tăng tỷ trọng các nhóm ngành hưởng lợi trực tiếp từ dầu khí (thượng nguồn/dịch vụ giàn khoan) và nhóm phòng thủ (tiện ích, điện nước), đồng thời giảm tỷ trọng nhóm cổ phiếu tiêu thụ nhiên liệu lớn.


Kết luận

Đề tài "Ảnh hưởng của giá dầu tới biến động của thị trường chứng khoán tại Việt Nam" đã giải quyết triệt để bài toán định lượng về cơ chế truyền dẫn rủi ro từ thị trường năng lượng quốc tế vào thị trường tài chính trong nước. Bằng việc triển khai mô hình Vector hiệu chỉnh sai số (VECM) trên chuỗi dữ liệu 165 tháng (2010–2023), nghiên cứu khẳng định: biến động giá dầu thế giới tác động cùng chiều mạnh mẽ đến mức độ biến động của VN-Index trong ngắn hạn với độ trễ 2 tháng, nhưng không tạo ra sự ràng buộc cân bằng trong dài hạn.

Kết quả này là cơ sở thực nghiệm vững chắc giúp các nhà đầu tư xây dựng chiến lược phòng vệ danh mục chủ động thông qua các công cụ phái sinh, đồng thời hỗ trợ các cơ quan hoạch định chính sách kinh tế vĩ mô đưa ra các giải pháp can thiệp thị trường kịp thời và chuẩn xác.