Giới thiệu dự án
Thị trường chứng khoán Việt Nam trong giai đoạn 2016–2020 chứng kiến sự phát triển vượt bậc về quy mô vốn hóa và thanh khoản, trở thành kênh huy động vốn quan trọng của nền kinh tế. Trong bức tranh kinh tế vĩ mô, nông nghiệp luôn đóng vai trò là "trụ đỡ" chiến lược: năm 2020, ngành nông nghiệp đóng góp 16,32% GDP quốc gia và tạo ra 41,2 tỷ USD kim ngạch xuất khẩu (chiếm 13,19% tổng giá trị xuất khẩu toàn quốc), duy trì tỷ lệ lao động nông thôn ở mức 77,9%. Việc Việt Nam gia nhập các Hiệp định Thương mại Tự do (FTA) thế hệ mới—nổi bật là Hiệp định Đối tác Toàn diện và Tiến bộ xuyên Thái Bình Dương (CPTPP, có hiệu lực từ 14/01/2019) và Hiệp định Thương mại Tự do Việt Nam – Liên minh Châu Âu (EVFTA, có hiệu lực từ 01/08/2020)—đã tạo ra những bước ngoặt căn bản về thuế quan, sở hữu trí tuệ và mở rộng thị trường cho các doanh nghiệp nông sản.
+-------------------------------------------------------------------------------+
| BỐI CẢNH VĨ MÔ & THƯƠNG MẠI NGÀNH NÔNG NGHIỆP VIỆT NAM |
+-------------------------------------------------------------------------------+
| • Đóng góp GDP 2020: 16,32% | Kim ngạch XK nông sản 2020: 41,2 tỷ USD |
| • EVFTA (01/08/2020): Xóa bỏ 71% dòng thuế hàng VN sang EU, tiến tới gần 100% |
| • CPTPP (14/01/2019): Cắt giảm 18.000 dòng thuế, mở rộng sang Nhật, Canada... |
+-------------------------------------------------------------------------------+
Tuy nhiên, các nhà đầu tư và nhà quản trị danh mục tài chính luôn đối mặt với bài toán định lượng: Liệu thông tin thực thi các hiệp định FTA có thực sự tạo ra tỷ suất sinh lời vượt trội trên thị trường chứng khoán hay không, và thị trường có phản ánh thông tin này theo Lý thuyết Thị trường Hiệu quả (Efficient Market Hypothesis – EMH) của Eugene Fama (1970)?
+-------------------------------------------------------------------------------+
| PROBLEM STATEMENT |
+-------------------------------------------------------------------------------+
| 1. Thiếu mô hình định lượng đo lường chính xác tác động tức thời của các mốc |
| thực thi FTA thế hệ mới lên giá trị vốn hóa doanh nghiệp nông nghiệp. |
| 2. Chưa kiểm chứng được mức độ hiệu quả thông tin (dạng vừa) của TTCK VN đối |
| với nhóm cổ phiếu ngành nông nghiệp có thanh khoản phân hóa. |
| 3. Hiện tượng rò rỉ thông tin (information leakage) và phản ứng thái quá |
| (overreaction) trước ngày hiệu lực gây rủi ro lớn cho danh mục đầu tư. |
+-------------------------------------------------------------------------------+
Mục tiêu nghiên cứu của dự án
- Hệ thống hóa cơ sở lý luận: Phân tích lý thuyết thị trường hiệu quả (EMH) và phương pháp nghiên cứu sự kiện (Event Study Methodology) của Campbell, Lo & MacKinlay (1997).
- Xây dựng khung định lượng kiểm định: Thiết lập mô hình thị trường (Market Model OLS) xác định tỷ suất sinh lời bất thường ($AR_{it}$), tỷ suất sinh lời bất thường trung bình ($AAR_t$) và tỷ suất sinh lời bất thường tích lũy ($CAAR$).
- Phân tích thực nghiệm đa sự kiện: Đánh giá phản ứng của nhóm cổ phiếu nông nghiệp niêm yết trên HOSE, HNX và UPCoM trước hai sự kiện trọng điểm: EVFTA (01/08/2020) và CPTPP (14/01/2019).
- Đề xuất khuyến nghị đầu tư: Cung cấp bằng chứng thực nghiệm giúp nhà đầu tư tổ chức và cá nhân tối ưu hóa chiến lược phân bổ danh mục theo sự kiện (Event-driven Strategy).
Giải pháp và phạm vi nghiên cứu
Dự án áp dụng phương pháp nghiên cứu sự kiện (Event Study) với khung ước lượng (Estimation Window) 90 phiên giao dịch và khung sự kiện (Event Window) gồm 41 phiên quanh ngày công bố ($[-20; +20]$). Nhằm đảm bảo tính chính xác và loại trừ hiện tượng méo mó dữ liệu do đại dịch Covid-19 đầu năm 2020, khung ước lượng của sự kiện EVFTA được cô lập lùi về trước tháng 01/2020. Dữ liệu giá đóng cửa điều chỉnh được thu thập từ các doanh nghiệp đầu ngành: LTG (Tập đoàn Lộc Trời), HNG (HAGL Agrico), NSC (Vinaseed), TAR (Trung An), NAF (Nafoods Group) và HSL (Nông nghiệp Nông sản Thực phẩm Hồng Hà), so sánh đối chuẩn với chỉ số VN-Index.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Trước đây, việc phân tích tác động của các chính sách thương mại và hiệp định FTA tại Việt Nam chủ yếu dựa vào các mô hình cân bằng tổng thể khả tính (CGE) hoặc phân tích hồi quy chuỗi thời gian vĩ mô dạng tĩnh. Những phương pháp này có độ trễ lớn và không phản ánh được tâm lý vi mô tức thời của dòng vốn trên thị trường cổ phiếu.
| Tiêu chí so sánh |
Mô hình CGE / Hồi quy OLS vĩ mô |
Mô hình Chuỗi thời gian (ARIMA/GARCH) |
Phương pháp Nghiên cứu sự kiện (Event Study) |
| Độ trễ phản ánh |
Rất cao (dữ liệu quý/năm) |
Trung bình (chuỗi ngày/tuần) |
Tức thời từng phiên giao dịch ($t=0$) |
| Đo lường kỳ vọng |
Hồi cứu dữ liệu quá khứ |
Dựa trên quán tính chuỗi dữ liệu |
Cô lập lợi nhuận bất thường ($AR$) kỳ vọng |
| Kiểm định EMH |
Không hỗ trợ |
Gián tiếp qua tính ngẫu nhiên |
Kiểm định trực tiếp dạng yếu và dạng vừa |
| Độ nhạy sự kiện |
Thấp |
Bị làm mịn bởi phân phối phương sai |
Rất cao trong khung $[-20; +20]$ ngày |
+-------------------------------------------------------------------------------+
| PHÂN LOẠI YÊU CẦU ĐỊNH LƯỢNG (MoSCoW) |
+-------------------------------------------------------------------------------+
| • MUST HAVE: Thuật toán lọc thanh khoản cổ phiếu; Mô hình Market Model OLS; |
| Kiểm định T-test cho chỉ số AAR và CAAR tại các mức 90%, 95%, 99%. |
| • SHOULD HAVE: Cơ chế cô lập nhiễu ngoại sinh (Outlier Isolation - Covid-19). |
| • COULD HAVE: Pipeline trực quan hóa quỹ đạo CAAR đa sự kiện. |
| • WON'T HAVE: Mô hình dự báo giá cổ phiếu dài hạn nhiều năm sau sự kiện. |
+-------------------------------------------------------------------------------+
Thiết kế hệ thống định lượng
Quy trình xử lý dữ liệu và ước lượng thống kê được chuẩn hóa thành pipeline 4 bước khép kín:
Ngăn xếp công nghệ sử dụng (Technology Stack)
- Python Engine: Python 3.9.12 Core.
- Thư viện Định lượng & Thống kê:
numpy 1.22.4, pandas 1.4.2, statsmodels 0.13.2, scipy 1.8.0.
- Xử lý Bảng tính & Đối soát: Microsoft Excel 365 / Analysis ToolPak.
- Cơ sở dữ liệu giá: Time-series Daily Adjusted Close Price từ Vietstock & HOSE/HNX API.
Cấu trúc dữ liệu phân tích (Data Schema)
- Input Data Schema:
Date (YYYY-MM-DD), Ticker (String[3]), Adj_Close (Float64), Trading_Volume (Int64), VNINDEX_Close (Float64).
- Estimated Parameters: $\alpha_i$ (Intercept), $\beta_i$ (Systematic Risk Beta), $\sigma^2_{\epsilon i}$ (Residual Variance), $R^2$ (Goodness-of-Fit).
- Event Output Schema:
Relative_Day (Integer $[-20; +20]$), $AAR_t$ (Float64), $CAAR_t$ (Float64), $t_stat$ (Float64), $Significance_Level$ (*, **, ***).
Phương pháp luận (Methodology)
Phương pháp luận dựa trên chuẩn mực kinh tế lượng tài chính của MacKinlay (1997). Lợi nhuận thực tế của chứng khoán $i$ và thị trường tại ngày $t$ được tính theo lợi suất logarit liên tục:
$$R_{it} = \ln(P_{it} / P_{i,t-1})$$
$$R_{mt} = \ln(I_t / I_{t-1})$$
Trong đó $P_{it}$ là giá đóng cửa điều chỉnh của cổ phiếu $i$, $I_t$ là điểm chỉ số VN-Index.
+-------------------------------------------------------------------------------+
| KHUNG THỜI GIAN NGHIÊN CỨU SỰ KIỆN |
+-------------------------------------------------------------------------------+
| Khung ước lượng (Estimation Window): T0 đến T1 (90 ngày giao dịch sạch) |
| Khung sự kiện (Event Window): T1 đến T2 (41 ngày: [-20; +20] quanh t=0) |
| Ngày sự kiện t=0: EVFTA (01/08/2020 -> 03/08/2020), CPTPP (14/01/2019) |
+-------------------------------------------------------------------------------+
Implementation và kết quả
Quy trình phát triển thuật toán (Implementation)
Thuật toán định lượng được triển khai qua mô hình thị trường (Market Model). Tỷ suất sinh lời kỳ vọng bình thường $E(R_{it})$ được xác định bằng hồi quy tuyến tính OLS trong khung ước lượng $T_0 \to T_1$:
$$R_{it} = \alpha_i + \beta_i R_{mt} + \epsilon_{it} \quad \text{với } E(\epsilon_{it}) = 0, ; \text{Var}(\epsilon_{it}) = \sigma_{\epsilon i}^2$$
import numpy as np
import pandas as pd
import statsmodels.api as sm
from scipy import stats
def calculate_event_study(stock_returns, market_returns, estimation_window, event_window):
"""
Tính toán AR, AAR, CAAR và T-test cho nghiên cứu sự kiện.
stock_returns: DataFrame chứa tỷ suất sinh lời của N cổ phiếu (Index: Date)
market_returns: Series chứa tỷ suất sinh lời của VN-Index
"""
# 1. Hồi quy OLS trong Estimation Window để tìm Alpha, Beta
est_stock = stock_returns.loc[estimation_window[0]:estimation_window[1]]
est_mkt = market_returns.loc[estimation_window[0]:estimation_window[1]]
X = sm.add_constant(est_mkt)
alphas = {}
betas = {}
sigma_eps = {}
for ticker in stock_returns.columns:
model = sm.OLS(est_stock[ticker], X).fit()
alphas[ticker] = model.params['const']
betas[ticker] = model.params['market']
sigma_eps[ticker] = np.var(model.resid, ddof=2)
# 2. Tính tỷ suất sinh lời bất thường (Abnormal Returns - AR) trong Event Window
evt_stock = stock_returns.loc[event_window[0]:event_window[1]]
evt_mkt = market_returns.loc[event_window[0]:event_window[1]]
ar_matrix = pd.DataFrame(index=evt_stock.index, columns=evt_stock.columns)
for ticker in stock_returns.columns:
expected_r = alphas[ticker] + betas[ticker] * evt_mkt
ar_matrix[ticker] = evt_stock[ticker] - expected_r
# 3. Tính AAR (Average Abnormal Return) và CAAR (Cumulative AAR)
aar_series = ar_matrix.mean(axis=1)
caar_series = aar_series.cumsum()
# 4. Kiểm định T-test
n_stocks = len(stock_returns.columns)
var_aar = (1.0 / (n_stocks ** 2)) * sum(sigma_eps.values())
t_test_aar = aar_series / np.sqrt(var_aar)
return pd.DataFrame({
'AAR': aar_series,
'CAAR': caar_series,
'T_Stat': t_test_aar
})
Kiểm định và đánh giá thực nghiệm (Validation)
Mô hình kiểm định giả thuyết thống kê:
- $H_0$: Không tồn tại tỷ suất sinh lời bất thường trung bình lũy kế xung quanh ngày hiệp định FTA có hiệu lực ($CAAR = 0$).
- $H_1$: Tồn tại tỷ suất sinh lời bất thường trung bình lũy kế do tác động của sự kiện ($CAAR \neq 0$).
Ngưỡng bác bỏ $H_0$ qua giá trị tới hạn T-test hai phía:
- Mức ý nghĩa 90% (*): $|t| > 1,645$
- Mức ý nghĩa 95% (**): $|t| > 1,960$
- Mức ý nghĩa 99% (***): $|t| > 2,580$
Kết quả đạt được
1. Sự kiện Hiệp định EVFTA (Có hiệu lực: 01/08/2020)
Mẫu nghiên cứu gồm 6 mã cổ phiếu đạt chuẩn thanh khoản: LTG, HNG, NSC, TAR, NAF, HSL.
| Phiên tương đối ($t$) |
Lợi nhuận bất thường TB ($AAR_t$) |
Lợi nhuận tích lũy ($CAAR$) |
Giá trị T-test |
Mức ý nghĩa thống kê |
| $t = -20$ |
$+0,0056$ |
$+0,0056$ |
$0,5038$ |
Không có ý nghĩa |
| $t = -5$ |
$-0,0561$ |
$-0,0112$ |
$-2,1402$ |
** (95%) |
| $t = -2$ |
$+0,0062$ |
$+0,0264$ |
$1,7120$ |
* (90%) |
| $t = -1$ |
$+0,0031$ |
$+0,0295$ |
$0,8450$ |
Không có ý nghĩa |
| $t = 0$ (Sự kiện) |
$+0,0160$ |
$+0,0362$ |
$2,0415$ |
** (95%) |
| $t = +2$ |
$+0,0124$ |
$+0,0421$ |
$1,9840$ |
** (95%) |
| $t = +5$ |
$+0,0085$ |
$+0,0512$ |
$1,9650$ |
** (95%) |
| $t = +20$ |
$+0,0041$ |
$+0,0684$ |
$2,6120$ |
*** (99%) |
QUỸ ĐẠO CHỈ SỐ CAAR TẠI SỰ KIỆN EVFTA (Khung [-20; +20])
CAAR (%)
8.0% | * * * (t=+20: +6.84%)
6.0% | * * * * *
4.0% | * * [t=0: +3.62%]
2.0% | * * * * * *
0.0% | * * * * * * *
-2.0% | * (t=-5: -1.12%)
+---------------------------------------------------------> Phiên (t)
-20 -15 -10 -5 0 +5 +10 +15 +20
- Phản ứng trước sự kiện ($[-20; -1]$): Xuất hiện sự dao động mạnh. Từ phiên $t=-19$ đến $t=-5$, $AAR$ liên tục âm, chạm đáy tại $t=-5$ ($AAR = -0,0561$, $p < 0,05$). Sau đó, lực cầu phục hồi nhanh tại $t=-2$ ($AAR = +0,0062$, $p < 0,10$), phản ánh thông tin hiệp định bắt đầu được định giá trước vào thị trường.
- Phản ứng tại ngày sự kiện ($t=0$): $AAR$ tăng vọt lên $+0,0160$ và $CAAR$ đạt $+0,0362$ ($t = 2,0415$, ý nghĩa 95%). Thị trường đón nhận thông tin EVFTA một cách tích cực.
- Giai đoạn sau sự kiện ($[+1; +20]$): $CAAR$ duy trì đà dương bền vững và đạt đỉnh $+0,0684$ tại $t=+20$ ($p < 0,01$), khẳng định EVFTA tạo ra cú hích tâm lý và kỳ vọng lợi nhuận dài hạn cho nhóm xuất khẩu gạo, rau quả (TAR, LTG, NAF).
2. Sự kiện Hiệp định CPTPP (Có hiệu lực: 14/01/2019)
Mẫu nghiên cứu gồm 4 mã: LTG, HNG, NAF, HSL (loại TAR do chưa niêm yết).
- Giai đoạn $t=[-8; -3]$: Xuất hiện $AAR$ âm nhẹ nhưng T-test không có ý nghĩa thống kê.
- Giai đoạn $t=[-1; 0]$: $AAR$ đảo chiều dương từ $t=-2$ và đạt ý nghĩa thống kê tại $t=-1$ ($AAR = +0,0115$, $p < 0,10$).
- Đánh giá tổng thể CPTPP: Biên độ biến động $CAAR$ của CPTPP thấp hơn so với EVFTA, do lộ trình cắt giảm thuế quan của CPTPP kéo dài hơn và thị trường xuất khẩu chính của nông sản Việt Nam tại thời điểm 2019 vẫn tập trung lớn vào Trung Quốc và ASEAN.
Đổi mới và đóng góp
- Khắc phục nhiễu ngoại sinh chuỗi thời gian: Khóa luận đã đổi mới phương pháp nghiên cứu bằng cách cô lập khung thời gian ước lượng (Estimation Window) 90 phiên lùi về trước tháng 01/2020, loại bỏ hoàn toàn cú sốc phi cấu trúc do dịch Covid-19 gây ra.
- Kiểm định tính hiệu quả của thị trường ngách: Đi tiên phong trong việc lượng hóa phản ứng của ngành nông nghiệp Việt Nam—một ngành mang tính truyền thống nhưng chiếm tỷ trọng lớn về lao động và kim ngạch xuất khẩu.
| Đặc điểm nghiên cứu |
Breinlich (2014) |
Peter Egger & Jiaqing Zhu (2019) |
Khóa luận Đàm Thu Trang (2021) |
| Đối tượng nghiên cứu |
CUSFTA (Mỹ - Canada) |
Chiến tranh thương mại Mỹ - Trung |
Hiệp định EVFTA & CPTPP |
| Thị trường mục tiêu |
Thị trường phát triển (Mỹ, Canada) |
Sàn NYSE, NASDAQ, Thượng Hải |
Thị trường cận biên/mới nổi (HOSE, HNX) |
| Lĩnh vực trọng tâm |
Công nghiệp chế tạo |
Toàn bộ các ngành công nghiệp |
Chuyên sâu Ngành Nông nghiệp |
| Kết quả CAAR chính |
Lợi nhuận giảm do giảm bảo hộ |
CAAR DN Trung Quốc sụt giảm mạnh |
CAAR dương (+3,62% đến +6,84%) |
+-------------------------------------------------------------------------------+
| ĐÓNG GÓP KHOA HỌC VÀ THỰC TIỄN |
+-------------------------------------------------------------------------------+
| 1. Bằng chứng thực nghiệm khẳng định TTCK Việt Nam chưa đạt hiệu quả dạng vừa |
| hoàn hảo: Tồn tại độ trễ phản ứng và hiện tượng giá điều chỉnh chậm 2-5 |
| ngày sau khi sự kiện chính sách thương mại có hiệu lực. |
| 2. Đo lường mức cải thiện lợi nhuận kỳ vọng: Cổ phiếu nông nghiệp hưởng lợi |
| bất thường trung bình +3,62% ngay tại ngày thực thi EVFTA. |
+-------------------------------------------------------------------------------+
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng trong đầu tư định lượng (Quantitative Trading)
Mô hình Event Study cung cấp khung tham chiếu trực tiếp cho các quỹ đầu tư định lượng (Quant Funds) và các nhà giao dịch chuyên nghiệp thiết lập chiến lược đón đầu sự kiện (Event-driven Arbitrage):
Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis)
- Chi phí triển khai: Chi phí thu thập dữ liệu EOD (End-of-Day) và phát triển pipeline phân tích tự động trên Python xấp xỉ 15–30 triệu VNĐ/năm.
- Lợi ích kỳ vọng (ROI): Giúp danh mục đầu tư chủ động thu được mức Alpha vượt trội từ 3,5% đến 6,8% so với chỉ số chuẩn VN-Index trong mỗi chu kỳ sự kiện hiệp định thương mại lớn.
Hạn chế và hướng phát triển
Hạn chế kỹ thuật
- Quy mô mẫu nghiên cứu nhỏ: Do tính thanh khoản của nhiều mã cổ phiếu nông nghiệp trên sàn UPCoM rất thấp (ví dụ: SSC, PSL, CTP, AFX có khối lượng giao dịch dưới 100.000 cp/phiên), tác giả buộc phải lọc bỏ, chỉ giữ lại 4–6 doanh nghiệp đầu ngành.
- Giả định tuyến tính của Market Model: Mô hình OLS một nhân tố chưa giải thích hết các biến động phi hệ thống phức tạp và hiện tượng phương sai thay đổi (Heteroskedasticity).
+-------------------------------------------------------------------------------+
| HƯỚNG PHÁT TRIỂN TIẾP THEO |
+-------------------------------------------------------------------------------+
| 1. Nâng cấp mô hình: Ứng dụng Mô hình 3 nhân tố / 5 nhân tố Fama-French |
| kết hợp cấu trúc EGARCH để đo lường bất đối xứng thông tin. |
| 2. Tích hợp NLP Sentiment: Quét tin tức truyền thông tài chính tự động bằng |
| LLM để lượng hóa chỉ số tâm lý tin tức (News Sentiment Index) trước t=0. |
| 3. Mở rộng dữ liệu sự kiện: Kiểm định các FTA mới như UKVFTA, RCEP. |
+-------------------------------------------------------------------------------+
Đối tượng hưởng lợi
+-------------------------------------------------------------------------------+
| GIÁ TRỊ MANG LẠI CHO CÁC BÊN LIÊN QUAN |
+-------------------------------------------------------------------------------+
| 1. Nhà đầu tư & Quants: |
| - Cung cấp mô hình định lượng xác định điểm vào lệnh tối ưu quanh sự kiện. |
| - Đạt mức tỷ suất sinh lời vượt trội (Alpha) từ 3,62% đến 6,84%. |
| |
| 2. Doanh nghiệp Nông nghiệp niêm yết: |
| - Hiểu rõ cơ chế phản ứng của giá trị vốn hóa trước các mốc cam kết mở cửa.|
| - Xây dựng chiến lược quan hệ nhà đầu tư (IR) và công bố thông tin chuẩn. |
| |
| 3. Giảng viên, Sinh viên & Nhà nghiên cứu: |
| - Cung cấp mã nguồn thuật toán Python mẫu và quy trình Event Study chuẩn. |
| - Tài liệu tham khảo học thuật giá trị cao cho chuyên ngành Tài chính. |
| |
| 4. Cơ quan hoạch định chính sách: |
| - Lượng hóa độ trễ truyền dẫn thông tin chính sách ra thị trường vốn. |
+-------------------------------------------------------------------------------+
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật và phần mềm để triển khai mô hình Event Study này là gì?
Hệ thống yêu cầu môi trường Python 3.8+ với các thư viện chuẩn numpy, pandas, statsmodels, scipy hoặc phần mềm thống kê chuyên dụng như Stata, R (gói eventstudies), Microsoft Excel có kích hoạt Analysis ToolPak. Dữ liệu đầu vào cần có giá đóng cửa điều chỉnh tối thiểu 110 phiên liên tục.
2. Tại sao nghiên cứu phải điều chỉnh khung ước lượng của sự kiện EVFTA lùi về trước năm 2020?
Năm 2020 diễn ra đại dịch Covid-19 làm sụt giảm sâu toàn bộ thị trường chứng khoán trong quý 1/2020. Nếu lấy khung ước lượng 90 ngày thông thường ngay trước ngày 01/08/2020, các tham số hồi quy $\alpha_i, \beta_i$ sẽ bị méo mó nghiêm trọng do cú sốc ngoại sinh. Việc cô lập lùi về trước tháng 01/2020 đảm bảo tham số phản ánh đúng rủi ro hệ thống trong điều kiện bình thường.
3. Tỷ suất sinh lời bất thường (AR) dương tại ngày t=0 có đồng nghĩa với việc cổ phiếu nông nghiệp luôn tăng giá sau FTA?
Không hoàn toàn. $AR$ dương tại $t=0$ thể hiện phản ứng tâm lý và kỳ vọng tức thời của thị trường. Về dài hạn, giá cổ phiếu phụ thuộc vào năng lực thực thi của doanh nghiệp trong việc vượt qua các hàng rào kỹ thuật (SPS, TBT) và quy tắc xuất xứ để hiện thực hóa tăng trưởng doanh thu và lợi nhuận.
4. Chi phí xây dựng và bảo trì hệ thống giao dịch tự động theo sự kiện FTA là bao nhiêu?
Nếu tự xây dựng trên hạ tầng mã nguồn mở Python và sử dụng API dữ liệu chứng khoán trong nước, chi phí duy trì chỉ từ 1 đến 3 triệu VNĐ/tháng cho máy chủ đám mây và dữ liệu bảng giá.
5. Kết quả kiểm định có chứng minh thị trường chứng khoán Việt Nam đạt mức hiệu quả dạng vừa không?
Kết quả kiểm định T-test cho thấy chỉ số $CAAR$ vẫn tiếp tục tăng kéo dài đến 20 phiên sau ngày sự kiện ($t=+20$). Điều này chỉ ra thị trường chứng khoán Việt Nam chưa đạt trạng thái hiệu quả dạng vừa hoàn hảo, bởi vì trong một thị trường hiệu quả hoàn hảo, giá cổ phiếu phải điều chỉnh ngay lập tức tại $t=0$ và $CAAR$ phải đi ngang quanh mức 0 ngay sau đó.
Kết luận
Khóa luận tốt nghiệp của tác giả Đàm Thu Trang đã giải quyết trọn vẹn bài toán lượng hóa ảnh hưởng của các Hiệp định Thương mại Tự do (EVFTA và CPTPP) lên giá cổ phiếu ngành nông nghiệp Việt Nam thông qua phương pháp nghiên cứu sự kiện (Event Study). Nghiên cứu chỉ ra rằng thông tin thực thi EVFTA đã tạo ra phản ứng tích cực rõ rệt với tỷ suất sinh lời bất thường trung bình đạt $+1,60%$ tại ngày hiệu lực và chỉ số $CAAR$ lũy kế đạt $+6,84%$ sau 20 phiên giao dịch.
Công trình không chỉ đóng góp về mặt học thuật trong việc kiểm định Lý thuyết Thị trường Hiệu quả (EMH) tại thị trường chứng khoán Việt Nam mà còn mở ra định hướng ứng dụng thực tiễn cho các chiến lược giao dịch định lượng theo sự kiện. Quý độc giả, nhà nghiên cứu và các nhà phát triển thuật toán có thể ứng dụng trực tiếp pipeline và mã nguồn định lượng được trình bày để mở rộng kiểm định trên các nhóm ngành xuất khẩu chủ lực khác như dệt may, thủy sản và da giày.
