Giới thiệu dự án

Thị trường chứng khoán (TTCK) Việt Nam sau hơn 18 năm hình thành và phát triển (2000–2018) đã khẳng định vị thế là kênh dẫn vốn trung và dài hạn quan trọng của nền kinh tế. Tính đến cuối tháng 6/2018, mức vốn hóa toàn thị trường đạt 3.887 nghìn tỷ đồng (tương đương 77% GDP), thanh khoản bình quân 6 tháng đầu năm 2018 vượt mốc 8.000 tỷ đồng/phiên. Ngày 10/04/2018, chỉ số VN-Index thiết lập đỉnh lịch sử tại 1.210,19 điểm. Trong bối cảnh hội nhập tài chính quốc tế và làn sóng mở cửa vốn ngoại (nổi bật là Nghị định 60/2015/NĐ-CP nới trần sở hữu nước ngoài), dòng vốn của Nhà đầu tư nước ngoài (NĐTNN) trở thành động lực thúc đẩy thanh khoản, nâng cao tính minh bạch và định hình định giá cổ phiếu.

Tuy nhiên, câu hỏi đặt ra cho các cơ quan quản lý và giới đầu tư là: Hoạt động mua/bán của NĐTNN thực sự tác động như thế nào đến biến động giá của rổ cổ phiếu trụ cột VN30 – nhóm đại diện cho 80% vốn hóa và 60% giá trị giao dịch trên Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE)? Việc thiếu vắng các mô hình kinh tế lượng định lượng chuẩn xác về mối quan hệ nhân quả và phản ứng động giữa dòng tiền ngoại và chỉ số VN30 khiến các nhà hoạch định chính sách gặp khó khăn trong việc phòng ngừa rủi ro đảo chiều dòng vốn, đồng thời các định chế tài chính thiếu công cụ lượng hóa rủi ro khi giao dịch chứng khoán phái sinh (Hợp đồng tương lai VN30 ra mắt từ 10/08/2017).

Khóa luận tốt nghiệp chuyên ngành Ngân hàng - Tài chính tại Trường Đại học Kinh tế Quốc dân (NEU) với đề tài "Ảnh Hưởng Hoạt Động Của Nhà Đầu Tư Nước Ngoài Đến Chỉ Số VN30" do sinh viên Nguyễn Phương Thảo thực hiện dưới sự hướng dẫn khoa học của TS. Lê Quốc Anh đã giải quyết triệt để bài toán này.

flowchart LR
    A["Dữ liệu giao dịch tuần HOSE (2013-2018)"] --> B["Tiền xử lý & Kiểm định nghiệm đơn vị ADF"]
    B --> C["Xác định độ trễ tối ưu (AIC/SC/HQ)"]
    C --> D["Mô hình Vector tự hồi quy VAR(4)"]
    D --> E["Kiểm định quan hệ nhân quả Granger"]
    D --> F["Hàm phản ứng xung (IRF) & Phân rã phương sai (VD)"]
    E --> G["Đánh giá tác động & Đề xuất giải pháp thị trường"]
    F --> G

Mục tiêu nghiên cứu cụ thể

  1. Lượng hóa thực trạng dòng vốn: Đánh giá xu hướng mua ròng/bán ròng và sự phân bổ vốn của NĐTNN trên sàn HOSE giai đoạn 2013–2018.
  2. Kiểm định thực nghiệm chuỗi thời gian: Xây dựng mô hình Vector tự hồi quy (Vector Autoregression - VAR) để kiểm tra tương quan động giữa khối lượng Mua (MUA), khối lượng Bán (BAN) của khối ngoại và Tỷ suất sinh lời (R) của chỉ số VN30.
  3. Xác định chiều quan hệ nhân quả: Sử dụng kiểm định nhân quả Granger (Granger Causality Test) để làm rõ NĐTNN là nhân tố dẫn dắt thị trường (Return Chaser hay Market Mover).
  4. Kiến nghị giải pháp chính sách: Đề xuất khung giải pháp hoàn thiện cơ chế pháp lý, nâng cấp hạ tầng giao dịch và quản trị rủi ro dòng vốn cho Ủy ban Chứng khoán Nhà nước (UBCKNN) và các quỹ đầu tư.

Phạm vi và giới hạn dữ liệu

  • Đối tượng nghiên cứu: 30 mã cổ phiếu thành phần thuộc rổ chỉ số VN30 niêm yết tại HOSE.
  • Phạm vi thời gian: Dữ liệu chuỗi thời gian theo tuần từ ngày 18/11/2013 đến ngày 19/11/2018 (tổng cộng 262 quan sát tuần, 258 quan sát sau hiệu chỉnh độ trễ).
  • Nguồn dữ liệu: Dữ liệu thứ cấp chuẩn hóa trích xuất từ HOSE, Vietstock, CoPhieu68 và FireAnt.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng và cơ sở lý thuyết

Nghiên cứu được đặt trên nền tảng các lý thuyết kinh tế tài chính hiện đại:

  • Lý thuyết thị trường hiệu quả (Efficient Market Hypothesis - EMH): Cung cấp góc nhìn về mức độ phản ánh thông tin vào giá cổ phiếu (dạng yếu, bán mạnh và dạng mạnh).
  • Giả thuyết áp lực giá (Price Pressure Hypothesis - PPH) của Harris & Gurel (1986): Hành vi mua/bán đột biến của các quỹ ngoại để cơ cấu danh mục tạo ra áp lực cung - cầu ngắn hạn làm biến động giá tạm thời.
  • Lý thuyết sự thay thế không hoàn hảo (Imperfect Substitute Hypothesis - ISH) của Scholes (1972): Đường cầu cổ phiếu dốc xuống; khi NĐTNN mua mạnh một mã cổ phiếu blue-chip, giá cân bằng sẽ điều chỉnh dài hạn.
  • Lý thuyết chi phí thông tin và thanh khoản (Information Cost & Liquidity Hypothesis - ICLH): Cổ phiếu thuộc rổ VN30 có mức độ minh bạch cao, chi phí tìm kiếm thông tin thấp giúp giảm thiểu rủi ro lựa chọn bất lợi (Adverse Selection).
Phương pháp nghiên cứu Ưu điểm Nhược điểm Đánh giá độ phù hợp với VN30
Hồi quy OLS cổ điển Đơn giản, dễ tính toán tham số Bỏ qua hiện tượng nội sinh (Endogeneity) và tương tác trễ hai chiều Không phù hợp với dữ liệu tài chính đa biến
Mô hình GARCH / EGARCH Đo lường tốt phương sai thay đổi và biến động bất đối xứng Không phân tách rõ cơ chế nhân quả giữa các biến vĩ mô/giao dịch Chỉ đóng vai trò hỗ trợ phân tích biến động
Vector Autoregression (VAR) Xử lý đồng thời các biến nội sinh, đo lường phản ứng trễ qua hàm IRF và phân rã phương sai Yêu cầu chuỗi dừng nghiêm ngặt và số lượng quan sát đủ lớn Tối ưu nhất cho bài toán tương tác giữa dòng tiền và tỷ suất sinh lời

Yêu cầu người dùng theo mô hình MoSCoW

Must Have (Bắt buộc):
├── Kiểm định tính dừng nghiệm đơn vị ADF cho chuỗi MUA, BAN, R
├── Xác định độ trễ tối ưu p thông qua tiêu chuẩn AIC, SC, HQ
└── Kiểm định quan hệ nhân quả Granger đa biến

Should Have (Nên có):
├── Phân tích phân rã phương sai (Variance Decomposition)
└── Hàm phản ứng xung Cholesky (Impulse Response Functions)

Could Have (Có thể có):
├── So sánh tác động giai đoạn thị trường phái sinh (trước và sau 08/2017)
└── Mô phỏng danh mục phòng hộ (Hedging) theo hợp đồng tương lai VN30

Won't Have (Không thực hiện):
└── Phân tích vi mô tần suất cao (Intraday Tick-by-tick Data)

Thiết kế khung mô hình định lượng (Econometric Architecture)

Mô hình hệ phương trình Vector tự hồi quy VAR bậc $p$ được thiết lập dưới dạng ma trận:

$$Y_t = C + \sum_{i=1}^{p} A_i Y_{t-i} + \varepsilon_t$$

Trong đó:

  • $Y_t = \begin{bmatrix} BAN_t \ MUA_t \ R_t \end{bmatrix}$ là vector các biến nội sinh tại tuần $t$.
  • $BAN_t$: Khối lượng bán ra của NĐTNN tại tuần $t$ (đơn vị: triệu cổ phiếu).
  • $MUA_t$: Khối lượng mua vào của NĐTNN tại tuần $t$ (đơn vị: triệu cổ phiếu).
  • $R_t$: Tỷ suất sinh lời của chỉ số VN30 tại tuần $t$, tính theo công thức:

$$R_t = \frac{VN30_t - VN30_{t-1}}{VN30_{t-1}} \times 100%$$

  • $A_i$: Ma trận hệ số kích thước $3 \times 3$ ứng với độ trễ $i$.
  • $\varepsilon_t$: Vector phần dư nhiễu trắng đồng thời không tương quan chuỗi.

Công thức tính chỉ số $VN30\text{-}Index$ theo quy chuẩn HOSE:

$$VN30\text{-}Index = \frac{CMV_t}{BMV_t} = \frac{\sum_{i=1}^{30} P_{i,t} \times S_{i,t} \times f_{i,t} \times c_{i,t}}{BMV_t}$$

Trong đó:

  • $P_{i,t}$: Giá cổ phiếu thành phần $i$ tại thời điểm $t$.
  • $S_{i,t}$: Khối lượng cổ phiếu đang lưu hành của mã $i$.
  • $f_{i,t}$: Tỷ lệ chuyển nhượng tự do (Free-float) đã làm tròn.
  • $c_{i,t}$: Hệ số giới hạn tỷ trọng vốn hóa (Capping factor, tối đa 10%).
  • $BMV_t$: Giá trị vốn hóa thị trường cơ sở (Base Market Value).

Implementation và kết quả

Quy trình tiền xử lý và ước lượng mô hình

Toàn bộ quy trình xử lý dữ liệu và ước lượng kinh tế lượng được thực hiện trên phần mềm EViews (phiên bản 8.0/10.0 Enterprise) và Microsoft Excel 2016. Dưới đây là kịch bản phân tích hoàn chỉnh:

# Kịch bản tương đương sử dụng Python statsmodels để tái hiện và kiểm chứng kết quả
import pandas as pd
import numpy as np
from statsmodels.tsa.stattools import adfuller, grangercausalitytests
from statsmodels.tsa.api import VAR

# 1. Đọc và chuẩn hóa dữ liệu tuần
df = pd.read_csv("VN30_Foreign_Trading_2013_2018.csv", parse_dates=["Date"], index_index="Date")
# Các cột: ['MUA', 'BAN', 'VN30_CLOSE']
df['R'] = df['VN30_CLOSE'].pct_change() * 100
df_clean = df[['BAN', 'MUA', 'R']].dropna()

# 2. Kiểm định tính dừng Augmented Dickey-Fuller (ADF)
def adf_test(series, name):
    result = adfuller(series.dropna(), autolag='AIC')
    print(f"ADF Statistic for {name}: {result[0]:.4f} (p-value: {result[1]:.4f})")

for col in ['BAN', 'MUA', 'R']:
    adf_test(df_clean[col], col)

# 3. Ước lượng mô hình VAR với độ trễ p=4
model = VAR(df_clean)
var_res = model.fit(maxlags=4, ic=None)
print(var_res.summary())

# 4. Kiểm định quan hệ nhân quả Granger
print("\n--- GRANGER CAUSALITY TEST ---")
for target in ['R', 'MUA', 'BAN']:
    for predictor in ['BAN', 'MUA', 'R']:
        if target != predictor:
            print(f"\nKiểm tra: {predictor} Granger-causes {target}")
            grangercausalitytests(df_clean[[target, predictor]], maxlag=4, verbose=False)

Kết quả kiểm định thống kê và thực nghiệm

1. Kiểm định tính dừng (Unit Root Test - ADF)

Kiểm định Augmented Dickey-Fuller (ADF) với mức ý nghĩa $\alpha = 5%$ xác nhận toàn bộ 3 chuỗi dữ liệu đều đạt tính dừng $I(0)$ ở mức nguyên bản, đủ điều kiện đưa vào hệ VAR mà không cần lấy sai phân bậc 1:

  • Chuỗi BAN: $ADF\text{-}Statistic = -2.6163$ ($p\text{-}value < 0.05$).
  • Chuỗi MUA: $ADF\text{-}Statistic = -2.6163$ ($p\text{-}value < 0.05$).
  • Chuỗi R: $ADF\text{-}Statistic = -6.6163$ ($p\text{-}value < 0.01$).

2. Lựa chọn độ trễ tối ưu

Dựa trên tiêu chuẩn thông tin Akaike Information Criterion (AIC), Schwarz Information Criterion (SC), Hannan-Quinn (HQ) và Tỷ số hợp lý Likelihood Ratio (LR), độ trễ tối ưu được xác định là $p = 4$ tuần (phản ánh chu kỳ phản ứng kéo dài khoảng 1 tháng của thị trường trước các luồng vốn ngoại).

3. Ma trận hệ số tương quan tuyến tính

Biến số Khối lượng Bán (BAN) Khối lượng Mua (MUA) Tỷ suất sinh lời (R)
BAN 1.000000 0.943621 -0.084120
MUA 0.943621 1.000000 -0.107270
R -0.084120 -0.107270 1.000000

Nhận xét:

  • Hệ số tương quan giữa MUA và BAN đạt 0.943621, biểu thị tính chất quay vòng vốn ngắn hạn (Short-term High Turnover) của NĐTNN trên sàn HOSE: khi mua mạnh một nhóm mã, họ đồng thời cơ cấu bán ra các mã khác để tái cân bằng danh mục.
  • Cả MUA và BAN đều có tương quan âm yếu với R tuần (-0.107 và -0.084), hoàn toàn phù hợp với Giả thuyết Áp lực giá (PPH) trong ngắn hạn khi các nhà kinh doanh chênh lệch giá (Arbitrageurs) giao dịch đón đầu trước kỳ cơ cấu quỹ ETF (như FTSE Vietnam ETF hay VNM ETF).

4. Kết quả kiểm định quan hệ nhân quả Granger (Granger Causality)

=============================================================================
Cặp giả thuyết không (Null Hypothesis)      Số quan sát   F-Statistic   Prob.
=============================================================================
MUA does not Granger Cause BAN                  258        35.0000     0.00000 ***
BAN does not Granger Cause MUA                  258         5.0006     0.00061 ***
-----------------------------------------------------------------------------
R does not Granger Cause BAN                    258         0.5540     0.69632
BAN does not Granger Cause R                    258         3.0055     0.01890 **
-----------------------------------------------------------------------------
R does not Granger Cause MUA                    258         1.3944     0.23640
MUA does not Granger Cause R                    258         4.0035     0.00348 ***
=============================================================================
Ghi chú: *** ý nghĩa 1%; ** ý nghĩa 5%.

flowchart TD
    subgraph ForeignTrading ["Hoạt động Khối Ngoại"]
        MUA["Khối lượng MUA"]
        BAN["Khối lượng BÁN"]
    end
    
    subgraph MarketReturn ["Thị trường Nội địa"]
        R["Tỷ suất sinh lời VN30 (R)"]
    end
    
    MUA <-->|"Hai chiều (F=35.0 / F=5.00)"| BAN
    MUA -->|"Một chiều (F=4.003, p=0.0035)"| R
    BAN -->|"Một chiều (F=3.005, p=0.0189)"| R
    R -.->|"Không tác động ngược (p > 0.05)"| MUA
    R -.->|"Không tác động ngược (p > 0.05)"| BAN

5. Đánh giá chất lượng hệ phương trình VAR(4)

  • Phương trình BAN: $R^2 = 0.884902$, Thống kê Durbin-Watson = 1.7289.
  • Phương trình MUA: $R^2 = 0.846417$, Thống kê Durbin-Watson = 1.9073.
  • Phương trình R: $R^2 = 0.102760$, Thống kê Durbin-Watson = 1.9898.
  • Kiểm định tính dừng của phần dư (Residual Unit Root): Toàn bộ phần dư đạt mức dừng với $ADF \in [-7.6163, -5.6163]$ ($p < 0.0001$), khẳng định mô hình VAR hoàn toàn ổn định và tin cậy.

Đổi mới và đóng góp

  1. Tiên phong khảo sát chuyên biệt rổ VN30: Trong khi các nghiên cứu trước đây tại Việt Nam (như Võ Xuân Vinh, 2017) tập trung vào chỉ số tổng hợp VN-Index, đề tài này là công trình đầu tiên phân tích định lượng chuỗi thời gian đối với rổ chỉ số VN30 sau khi thị trường chứng khoán phái sinh vận hành.
  2. Làm rõ bản chất hai chiều trong giao dịch khối ngoại: Bằng chứng thực nghiệm khẳng định quan hệ nhân quả hai chiều cực mạnh giữa Mua và Bán ($F = 35.00$ và $F = 5.00$), bác bỏ quan điểm cho rằng NĐTNN chỉ mua ròng thụ động để nắm giữ lâu dài (Buy-and-Hold).
  3. Chứng minh tính độc lập của dòng vốn ngoại đối với biến động ngắn hạn: Kết quả $R$ không gây ra quan hệ nhân quả Granger đối với MUA và BAN ($Prob > 0.20$) chứng minh NĐTNN tại Việt Nam xây dựng vị thế dựa trên chiến lược định giá cơ bản dài hạn hoặc phân bổ tài sản toàn cầu, không chạy theo tâm lý đám đông (Feedback Trading) của nhà đầu tư cá nhân trong nước.
Tiêu chí so sánh Nghiên cứu Võ Xuân Vinh (2017) Nghiên cứu Hasan Baklaci (2007) Đề tài Nguyễn Phương Thảo (2018)
Thị trường mục tiêu TTCK Việt Nam (VN-Index) TTCK Thổ Nhĩ Kỳ (BIST100) TTCK Việt Nam (Rổ VN30)
Giai đoạn dữ liệu 2013 - 2017 (Dữ liệu ngày/tháng) 522 tuần (2005 - 2007) 2013 - 2018 (258 quan sát tuần)
Mô hình định lượng OLS & GARCH VAR & Granger Causality VAR(4), Granger, IRF, VD
Chiều tác động Khối ngoại tác động nghịch chiều ngắn hạn Tương tác hai chiều dòng tiền - lợi nhuận Mua/Bán $\rightarrow$ VN30; VN30 không tác động ngược
Đóng góp ứng dụng Nhận diện tâm lý nhà đầu tư Quản trị rủi ro quỹ tương hỗ Chiến lược đầu tư phái sinh & Quản lý vĩ mô rổ VN30

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong đầu tư và quản trị rủi ro

graph TD
    A["Tín hiệu Giao dịch Khối ngoại HOSE"] --> B{"Phân tích dòng tiền tuần"}
    B -->|MUA/BAN biến động đột biến| C["Cảnh báo tái cơ cấu ETF / Arbitrage"]
    B -->|Mua/Bán cân bằng| D["Theo dõi xu hướng định giá cơ bản"]
    C --> E["Giao dịch Phòng hộ (Hedging) trên HĐTL VN30F"]
    C --> F["Cân đối tỷ trọng Margin nhóm cổ phiếu Blue-chip"]
    D --> G["Duy trì danh mục đầu tư dài hạn"]
  1. Xây dựng chiến lược giao dịch phái sinh (VN30 Futures): Khối lượng bán của NĐTNN là biến số dẫn dắt tỷ suất sinh lời của VN30 với độ trễ 1–4 tuần ($p = 0.0189$). Các quỹ đầu tư có thể sử dụng tín hiệu mua/bán ròng của khối ngoại làm chỉ báo trễ sớm (Leading Indicator) để mở vị thế Short/Long trên thị trường hợp đồng tương lai VN30 nhằm phòng vệ rủi ro giảm giá.
  2. Giám sát thị trường của Ủy ban Chứng khoán Nhà nước: Do khối lượng giao dịch khối ngoại có khả năng tác động đến giá nhóm VN30 nhưng không tạo ra nguy cơ sụp đổ hệ thống (tương quan tuyến tính lỏng), cơ quan quản lý cần tập trung giám sát các giao dịch thỏa thuận lớn và hiện tượng giao dịch trước kỳ tái cơ cấu (Front-running) của các nhà đầu tư chênh lệch giá.
  3. Đẩy mạnh giải pháp thu hút dòng vốn bền vững:
    • Hoàn thiện khung pháp lý về phát hành Chứng chỉ lưu ký không có quyền biểu quyết (NVDR) để tháo gỡ nút thắt tỷ lệ sở hữu nước ngoài (FOL) tại các mã ngân hàng, bán lẻ trong VN30 đã hết room (như MWG, FPT, REE).
    • Minh bạch hóa công bố thông tin bằng tiếng Anh chuẩn chuẩn mực IFRS cho toàn bộ doanh nghiệp thuộc nhóm VN30.

Hạn chế và hướng phát triển

[!NOTE] Nghiên cứu đạt độ tin cậy kinh tế lượng cao nhưng tồn tại một số giới hạn về dữ liệu và phương pháp có thể được mở rộng trong tương lai.

  • Hạn chế về tần suất dữ liệu: Nghiên cứu sử dụng dữ liệu theo tuần nhằm triệt tiêu các nhiễu trắng ngẫu nhiên trong ngày, tuy nhiên chưa phản ánh được các biến động khớp lệnh siêu cao tốc (High-Frequency Trading) trong phiên.
  • Biến số kiểm soát: Mô hình tập trung vào 3 biến nội sinh chính (MUA, BAN, R). Các yếu tố vĩ mô khác như biến động tỷ giá USD/VND, lãi suất liên ngân hàng và chỉ số chứng khoán thế giới (S&P 500) chưa được đưa vào mô hình dưới dạng biến ngoại sinh (VARX).
  • Hướng phát triển:
    • Phát triển mô hình cấu trúc Markov Switching VAR hoặc Vector Error Correction Model (VECM) có đồng tích hợp để xem xét trạng thái thị trường biến động mạnh (Bull/Bear market).
    • Tích hợp các thuật toán Machine Learning (LSTM, Random Forest) kết hợp chuỗi thời gian để dự báo biến động chỉ số VN30 dựa trên dữ liệu lệnh mua/bán thời gian thực.

Đối tượng hưởng lợi

Đối tượng hưởng lợi chính:
├── Sinh viên & Học viên cao học:
│   └── Tài liệu tham khảo chuẩn mực về quy trình thực hiện mô hình VAR, kiểm định nghiệm đơn vị ADF và Granger Causality
├── Nhà phát triển hệ thống & Chuyên viên Quant:
│   └── Bộ tham số thực nghiệm để thiết lập thuật toán phát hiện bất thường dòng tiền ngoại trên sàn HOSE
├── Các định chế tài chính & Quỹ đầu tư:
│   └── Khung định lượng kiểm soát rủi ro danh mục cổ phiếu Blue-chip và phòng hộ hợp đồng tương lai VN30
└── Cơ quan quản lý Nhà nước (UBCKNN, HOSE):
    └── Cơ sở khoa học để đánh giá tác động mở room ngoại và điều hành chính sách thị trường vốn

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn rổ chỉ số VN30 thay vì toàn bộ chỉ số VN-Index?

VN30 quy tụ 30 doanh nghiệp dẫn đầu về quy mô vốn hóa, thanh khoản và tỷ lệ tự do chuyển nhượng (Free-float), chiếm tới 80% vốn hóa HOSE. Đây là nhóm cổ phiếu trọng điểm mà dòng vốn ngoại hướng tới, loại bỏ được độ nhiễu của các cổ phiếu penny/midcap thanh khoản thấp. Đồng thời, VN30 là tài sản cơ sở cho hợp đồng tương lai trên thị trường phái sinh Việt Nam.

2. Mối quan hệ tương quan âm giữa khối lượng Mua của NĐTNN và Tỷ suất sinh lời VN30 phản ánh điều gì?

Hiện tượng này phản ánh Giả thuyết Áp lực giá (Price Pressure Hypothesis) và hoạt động kinh doanh chênh lệch giá (Arbitrage). Các nhà đầu tư nội thường mua gom đẩy giá lên trước ngày các quỹ ETF ngoại cơ cấu danh mục; khi quỹ ngoại chính thức mua vào ở mức giá cao, áp lực chốt lời ngắn hạn xuất hiện khiến giá cổ phiếu điều chỉnh giảm ngay sau đó.

3. Kiểm định Granger chỉ ra chiều tác động như thế nào giữa các biến số?

Kiểm định khẳng định quan hệ nhân quả hai chiều giữa MUA và BAN ($p < 0.001$), đồng thời tồn tại quan hệ nhân quả một chiều từ MUA đến R ($p = 0.0035$) và từ BAN đến R ($p = 0.0189$). Ngược lại, $R$ không gây ra quan hệ nhân quả đến quyết định mua/bán của NĐTNN.

4. Dữ liệu chuỗi thời gian tuần có đủ độ tin cậy để loại bỏ hiện tượng tự tương quan không?

Có. Giá trị thống kê Durbin-Watson của các phương trình trong hệ VAR đều tiệm cận 2 (1.73 – 1.99) và kiểm định nghiệm đơn vị của phần dư đều bác bỏ giả thuyết có nghiệm đơn vị ở mức ý nghĩa 1%, chứng minh mô hình không bị tự tương quan và hoàn toàn ổn định.

5. Nhà đầu tư cá nhân có thể ứng dụng kết quả nghiên cứu này như thế nào?

Nhà đầu tư cá nhân không nên mua đuổi (FOMO) theo các phiên mua ròng đột biến của khối ngoại trong ngắn hạn để tránh bẫy áp lực giá; thay vào đó, nên theo dõi chu kỳ cơ cấu 4 tuần của khối ngoại để tìm kiếm điểm vào lệnh tối ưu khi giá điều chỉnh về vùng cân bằng.

Kết luận

Công trình nghiên cứu khoa học của tác giả Nguyễn Phương Thảo đã cung cấp một bức tranh toàn diện, chuẩn xác và có giá trị thực tiễn cao về tác động của dòng vốn ngoại đối với rổ chỉ số VN30 trên TTCK Việt Nam giai đoạn 2013–2018. Thông qua hệ phương pháp kinh tế lượng hiện đại gồm kiểm định nghiệm đơn vị ADF, mô hình Vector tự hồi quy VAR(4), kiểm định nhân quả Granger và phân rã phương sai, đề tài đã chứng minh hoạt động mua/bán của NĐTNN giữ vai trò dẫn dắt tỷ suất sinh lời của VN30 mà không bị chi phối bởi biến động giá ngắn hạn. Kết quả nghiên cứu là tài liệu tham khảo giá trị cho các nhà nghiên cứu tài chính, các nhà quản lý quỹ và các cơ quan hoạch định chính sách trong tiến trình nâng hạng TTCK Việt Nam lên thị trường mới nổi (Emerging Market).