Giới thiệu dự án

Thị trường chứng khoán Việt Nam đã trải qua hơn hai thập kỷ phát triển, trở thành kênh dẫn vốn trung và dài hạn quan trọng của nền kinh tế bên cạnh hệ thống tín dụng ngân hàng. Theo thống kê từ Trung tâm Lưu ký Chứng khoán Việt Nam (VSD), tính đến cuối năm 2021, số lượng tài khoản nhà đầu tư cá nhân đạt kỷ lục với hơn 1,5 triệu tài khoản mở mới—vượt tổng số tài khoản mở mới của cả giai đoạn 2017–2020 cộng lại (1,04 triệu tài khoản). Thanh khoản thị trường trong các giai đoạn bùng nổ chạm mốc gần 22.000 tỷ đồng/phiên (tăng 3,4 lần so với năm 2020), đưa chỉ số VN-Index thiết lập đỉnh lịch sử 1.500,81 điểm vào ngày 25/11/2021 sau cú sụt giảm sâu về 645 điểm trong đợt bùng phát đại dịch COVID-19 tháng 3/2020.

Tuy nhiên, sự biến động khó lường của thị trường tài chính đặt ra bài toán phức tạp cho các nhà đầu tư cá nhân và tổ chức trong việc định giá và phân bổ tài sản. Phần lớn các nghiên cứu trước đây tại Việt Nam chỉ tập trung cục bộ vào từng nhóm ngành (bất động sản, ngân hàng) hoặc sử dụng các biến số định tính rời rạc, thiếu một mô hình lượng hóa tổng thể tác động của các yếu tố vĩ mô và tài chính doanh nghiệp cốt lõi lên toàn bộ chỉ số VN-Index trên Sở Giao dịch Chứng khoán TP.HCM (HOSE).

+----------------------------------------------------------------------------------------------------+
|                                    BỐI CẢNH THỊ TRƯỜNG & VẤN ĐỀ                                    |
+----------------------------------------------------------------------------------------------------+
| • Biến động cực đoan: VN-Index chạm đáy 645 pts (03/2020) -> Tạo đỉnh 1.500,81 pts (11/2021)       |
| • F0 bùng nổ: 1,5 triệu tài khoản cá nhân mới năm 2021 (chiếm >98% tổng tài khoản toàn thị trường) |
| • Pain point: Nhà đầu tư thiếu công cụ lượng hóa rủi ro vĩ mô; phân tích rời rạc, nặng cảm tính    |
+----------------------------------------------------------------------------------------------------+
+----------------------------------------------------------------------------------------------------+
|                                      MỤC TIÊU NGHIÊN CỨU                                           |
+----------------------------------------------------------------------------------------------------+
| 1. Đo lường mức độ tác động của P/E, GDP, Lạm phát (INF), Lãi suất (INR), Tỷ giá (EXR) lên VN-Index|
| 2. Kiểm định độ tin cậy mô hình OLS và loại trừ biến dư thừa bằng EViews 8.0                       |
| 3. Xây dựng phương trình dự báo định lượng và khuyến nghị chính sách điều hành tỷ giá / lãi suất   |
+----------------------------------------------------------------------------------------------------+

Mục tiêu nghiên cứu cụ thể

  1. Xác định và lượng hóa hệ số tác động của các biến số: Tỷ lệ giá trên thu nhập ($P/E$), Tổng sản phẩm quốc nội ($GDP$), Tỷ lệ lạm phát ($INF$), Lãi suất ($INR$) và Tỷ giá hối đoái ($EXR$) đến chỉ số giá cổ phiếu đại diện là VN-Index.
  2. Kiểm định giả thuyết kinh tế lượng nhằm sàng lọc các biến số không có ý nghĩa thống kê, xây dựng mô hình tối ưu có khả năng giải thích tốt nhất hành vi thị trường.
  3. Thực hiện các kiểm định chẩn đoán vi phạm giả định OLS bao gồm hiện tượng tự tương quan (Autocorrelation), phương sai sai số thay đổi (Heteroskedasticity) và sai lệch dạng hàm (Ramsey RESET).
  4. Đề xuất hệ thống giải pháp tài chính - kinh tế thực tiễn cho Ngân hàng Nhà nước (NHNN), Ủy ban Chứng khoán Nhà nước (UBCKNN) và chiến lược quản trị danh mục cho nhà đầu tư.

Phương pháp tiếp cận và kết quả kỳ vọng

Đề tài sử dụng phương pháp định lượng hồi quy bình phương bé nhất thông thường (Ordinary Least Squares - OLS) trên chuỗi dữ liệu thời gian thứ cấp. Mô hình kỳ vọng đạt hệ số xác định $R^2 > 85%$, chứng minh vai trò dẫn dắt của định giá thị trường ($P/E$) và lãi suất điều hành đối với chỉ số VN-Index.

Phạm vi và giới hạn

  • Không gian: Toàn bộ các cổ phiếu niêm yết tạo nên rổ chỉ số VN-Index trên sàn HOSE (đại diện hơn 385 mã cổ phiếu vốn hóa lớn và thanh khoản cao).
  • Thời gian: 52 quý liên tục từ Quý 1/2010 đến Quý 4/2022 ($N = 52$ quan sát).
  • Giới hạn: Nghiên cứu chưa bóc tách yếu tố giao dịch tần suất cao (High-frequency data) và tác động tâm lý vi mô của các nhóm "đội lái" thao túng thị trường.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp phân tích Ưu điểm Nhược điểm Khả năng ứng dụng thực tế
Phân tích kỹ thuật (Technical Analysis) Phản ứng nhanh với biến động giá ngắn hạn, dễ áp dụng theo phiên. Dễ bị nhiễu bởi hiện tượng bẫy giá (bull/bear trap), thao túng cung cầu ảo. Phù hợp lướt sóng T+, không định hình được xu hướng dài hạn.
Phân tích cơ bản đơn lẻ (Single Fundamental) Đánh giá sâu sức khỏe nội tại từng mã cổ phiếu (báo cáo tài chính, EPS). Bỏ qua tác động của dòng tiền vĩ mô và sự dịch chuyển vốn giữa các kênh đầu tư. Phù hợp đầu tư giá trị từng doanh nghiệp biệt lập.
Mô hình Kinh tế lượng vĩ mô OLS (Đề tài ứng dụng) Lượng hóa đồng thời tác động vĩ mô và định giá toàn thị trường, có kiểm định thống kê nghiêm ngặt. Đòi hỏi dữ liệu chuỗi thời gian chuẩn hóa, nhạy cảm với biến ngoại sinh bị bỏ sót. Định hướng chiến lược phân bổ danh mục và hoạch định chính sách vĩ mô.

Ưu tiên hóa yêu cầu nghiên cứu (MoSCoW Matrix)

  • Must have: Dữ liệu chuẩn xác 52 quý của VN-Index ($SP$), $P/E$, $GDP$, $INF$, $INR$, $EXR$; Kiểm định giả định OLS cơ bản ($R^2$, $F$-statistic, $t$-statistic).
  • Should have: Kiểm định biến dư thừa (Redundant Variables Test) để loại bỏ $GDP$ và $INF$; Kiểm định phương sai thay đổi White Test và kiểm định dạng hàm Ramsey RESET.
  • Could have: So sánh đa chiều với các thị trường mới nổi tương đồng (UAE, Pakistan, Bangladesh, Síp).
  • Won't have (lần này): Tích hợp mô hình phi tuyến tính Machine Learning hoặc phân tích mạng nơ-ron LSTM dự báo chuỗi thời gian.

Thiết kế hệ thống

Hệ thống xử lý và ước lượng mô hình kinh tế lượng được thiết kế chuẩn hóa qua 5 giai đoạn:

flowchart TD
    A["Nguồn dữ liệu: Investing, World Bank, CafeF, GSO"] --> B["Tiền xử lý & Chuẩn hóa chuỗi thời gian (Excel 2016)"]
    B --> C["Mô hình OLS ban đầu: SP = f(P/E, GDP, INF, INR, EXR) (EViews 8.0)"]
    C --> D{"Kiểm định T-stat & F-stat: Loại biến không ý nghĩa"}
    D -- "Loại bỏ GDP (p=0.058) & INF (p=0.164)" --> E["Mô hình tinh chỉnh: SP = f(P/E, INR, EXR)"]
    E --> F["Kiểm định khuyết tật mô hình"]
    F --> F1["Durbin-Watson d=1.14: Tự tương quan"]
    F --> F2["White Test p=0.8055: Phương sai đồng nhất"]
    F --> F3["Ramsey RESET p=0.0209: Bỏ sót biến"]
    F1 & F2 & F3 --> G["Kết luận định lượng & Khuyến nghị chính sách"]

Technology Stack & Data Schema

  • Hệ điều hành & Nền tảng: Windows 11 Enterprise x64 / macOS Monterey.
  • Công cụ phân tích định lượng: EViews phiên bản 8.0 (Build 2013-06-25), Microsoft Excel 2016 (MSO 16.0).
  • Ngôn ngữ thực thi bổ trợ (Cross-validation): Python 3.10 với các thư viện statsmodels 0.14.0, pandas 2.1.0, scikit-learn 1.3.0.

Bảng cấu trúc dữ liệu biến số (Variables Data Dictionary)

Tên biến Mã ký hiệu Đơn vị tính Nguồn thu thập Kỳ vọng dấu
Giá đóng cửa VN-Index $SP$ (Biến phụ thuộc) Điểm số (Index) Sở GDCK TP.HCM (HOSE) / Investing.com N/A
Tỷ lệ Giá trên Thu nhập $PE$ Lần (Ratio) Bloomberg, Dstock, CafeF Dương (+)
Tổng sản phẩm quốc nội $GDP$ Tỷ VNĐ Tổng cục Thống kê (GSO), Vietstock Dương (+)
Tỷ lệ lạm phát $INF$ Phần trăm (%) Tổng cục Thống kê, World Bank Âm (-)
Lãi suất điều hành/tiền gửi $INR$ Phần trăm (%) World Bank, Quỹ Tiền tệ Quốc tế (IMF) Âm (-)
Tỷ giá hối đoái USD/VND $EXR$ VNĐ/USD Ngân hàng Nhà nước Việt Nam Dương (+)

Methodology

Nghiên cứu sử dụng phương pháp định lượng thực nghiệm suy diễn (Deductive Quantitative Empirical Research). Quy trình kiểm định chất lượng dữ liệu tuân thủ quy chuẩn Gauss-Markov:

$$SP_t = \beta_1 + \beta_2 PE_t + \beta_3 GDP_t + \beta_4 INF_t + \beta_5 INR_t + \beta_6 EXR_t + u_t \quad (1)$$

  • Quy trình đảm bảo chất lượng (QA):
    1. Kiểm tra tính dừng của chuỗi dữ liệu.
    2. Ước lượng hệ số hồi quy theo phương pháp OLS.
    3. Đánh giá ý nghĩa thống kê của từng hệ số qua giá trị P-value ($p < \alpha = 0.05$).
    4. Thực hiện kiểm định chẩn đoán vi phạm: White Heteroskedasticity Test, Durbin-Watson Autocorrelation Test, Ramsey RESET Specification Test.

Implementation và kết quả

Development process

Quá trình xây dựng mô hình được chia thành 3 giai đoạn tinh chỉnh trên tập dữ liệu $N = 52$ mẫu:

# Đoạn mã Python tương đương kịch bản xử lý trên EViews 8.0
import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.diagnostic import het_white, linear_reset
from statsmodels.stats.stattools import durbin_watson

# 1. Khởi tạo và nạp dữ liệu chuỗi 52 quan sát (Q1/2010 - Q4/2022)
df = pd.read_csv("vnindex_macro_dataset.csv")
X_init = df[['PE', 'GDP', 'INF', 'INR', 'EXR']]
X_init = sm.add_constant(X_init)
y = df['SP']

# 2. Ước lượng Mô hình (1)
model_1 = sm.OLS(y, X_init).fit()
print(model_1.summary())

# 3. Tinh chỉnh loại biến GDP và INF (Mô hình 3)
X_refined = df[['PE', 'INR', 'EXR']]
X_refined = sm.add_constant(X_refined)
model_3 = sm.OLS(y, X_refined).fit()

# 4. Kiểm định chẩn đoán
dw_stat = durbin_watson(model_3.resid)
white_test = het_white(model_3.resid, X_refined)
reset_test = linear_reset(model_3, power=2, use_f=True)

print(f"Durbin-Watson: {dw_stat:.4f}")
print(f"White Test p-value: {white_test[1]:.4f}")
print(f"Ramsey RESET F-pvalue: {reset_test.pvalue:.4f}")

Kết quả ước lượng Mô hình ban đầu (1)

Phương trình ước lượng thu được từ EViews 8.0:

$$\widehat{SP}_t = -837.047 + 35.787 \cdot PE_t + 0.119 \cdot GDP_t - 12.048 \cdot INF_t - 31.335 \cdot INR_t + 0.047 \cdot EXR_t$$

  • Hệ số xác định: $R^2 = 0.873803$ ($87,38%$ biến thiên của VN-Index được giải thích bởi 5 biến vĩ mô).
  • Hệ số $P/E$ ($\beta_2 = 35.787, p = 0.000 < 0.05$): Có ý nghĩa thống kê cao, tác động cùng chiều.
  • Hệ số Lãi suất $INR$ ($\beta_5 = -31.335, p = 0.000 < 0.05$): Có ý nghĩa thống kê, tác động ngược chiều mạnh mẽ.
  • Hệ số Tỷ giá $EXR$ ($\beta_6 = 0.047, p = 0.000 < 0.05$): Có ý nghĩa thống kê, tác động cùng chiều.
  • Hệ số $GDP$ ($\beta_3 = 0.119, p = 0.058 > 0.05$) và Lạm phát $INF$ ($\beta_4 = -12.048, p = 0.164 > 0.05$): Không có ý nghĩa thống kê ở mức $5%$.

Testing và validation

Nhằm tối ưu hóa mô hình và tránh hiện tượng đa cộng tuyến hoặc dư thừa biến số, tác giả tiến hành kiểm định biến dư thừa (Redundant Variables Test).

Bảng tổng hợp kiểm định giả thuyết và chẩn đoán mô hình

Tên kiểm định Giả thuyết $H_0$ Giá trị thống kê P-value Kết luận thống kê ($\alpha = 0.05$)
Kiểm định biến dư thừa GDP $\beta_{GDP} = 0$ (Loại bỏ GDP) $F\text{-statistic} = 1.0427$ $p = 0.0580$ Chấp nhận $H_0 \rightarrow$ Loại $GDP$ khỏi mô hình
Kiểm định biến dự phòng INF $\beta_{INF} = 0$ (Loại bỏ INF) $F\text{-statistic} = 1.1414$ $p = 0.1643$ Chấp nhận $H_0 \rightarrow$ Loại $INF$ khỏi mô hình
Kiểm định tự tương quan (Durbin-Watson) Không có tự tương quan bậc 1 $d = 1.140367$ ($d < d_L = 1.674$) N/A Tồn tại hiện tượng tự tương quan dương bậc 1
Kiểm định phương sai thay đổi (White Test) Phương sai sai số đồng nhất $F\text{-statistic} = 0.7908$ $p = 0.8055$ Chấp nhận $H_0 \rightarrow$ Phương sai sai số đồng nhất
Kiểm định sai lệch dạng hàm (Ramsey RESET) Mô hình không bỏ sót biến $F\text{-statistic} = 2.0146$ $p = 0.0209$ Bác bỏ $H_0 \rightarrow$ Mô hình còn bỏ sót biến ngoại sinh

Kết quả đạt được

Sau khi loại bỏ hai biến không có ý nghĩa ($GDP$ và $INF$), mô hình tối ưu (Mô hình 3) được xác lập như sau:

$$\widehat{SP}_t = \beta_1 + \beta_2 PE_t + \beta_3 INR_t + \beta_4 EXR_t + e_t \quad (3)$$

  • Năng lực giải thích: Hệ số $R^2 = 0.857633$ ($85,76%$).
  • Độ lệch chuẩn sai số: Tiêu chuẩn thông tin Akaike (AIC) đạt $11.77656$.
  • Hệ số tác động cụ thể:
    • $P/E$ là yếu tố dẫn dắt lớn nhất với hệ số tác động lên tới xấp xỉ $+40$ điểm trên mỗi đơn vị tăng $P/E$.
    • Lãi suất ($INR$) gây áp lực suy giảm khoảng $-13.999$ đến $-31.335$ điểm khi lãi suất tăng $1%$.
    • Tỷ giá USD/VND ($EXR$) có tác động tích cực với mức điều chỉnh $+0.0473$ đến $+0.0729$ đơn vị.

Đổi mới và đóng góp

Đổi mới phương pháp và bằng chứng thực nghiệm

Nghiên cứu mang lại cái nhìn toàn diện trên mẫu dữ liệu 13 năm (2010–2022) của thị trường chứng khoán Việt Nam, phản ánh qua các chu kỳ suy thoái, phục hồi và bùng nổ vốn hóa.

Tiêu chí so sánh Nghiên cứu của Lê Hạ Vi (2023) Nghiên cứu của Phan Thị Bích Nguyệt & CS (2013) Nghiên cứu của Mehr-un-Nisa & Nishat (2012)
Không gian & Đối tượng Toàn bộ chỉ số VN-Index (HOSE, Việt Nam) VN-Index (Giai đoạn 2000–2011) 221 doanh nghiệp niêm yết tại Karachi (Pakistan)
Phương pháp ước lượng OLS tinh chỉnh + Kiểm định White, RESET, DW Phân tích hồi quy OLS Generalized Method of Moments (GMM)
Vai trò của P/E Tác động dương mạnh nhất ($p < 0.01$) Không đưa biến $P/E$ vào mô hình Tương quan thuận thông qua tỷ số $M/B$
Vai trò của Lạm phát (INF) Không có ý nghĩa thống kê ($p = 0.164$) Tương quan thuận nhưng không có ý nghĩa ($p > 0.05$) Tương quan nghịch có ý nghĩa ($p < 0.05$)
Vai trò của Tỷ giá (EXR) Tương quan thuận có ý nghĩa ($p < 0.05$) Tương quan nghịch Tương quan nghịch

Đóng góp thực tiễn cho ngành tài chính

  1. Làm rõ sự thiếu tác động ngắn hạn của GDP và Lạm phát lên chỉ số: Khác biệt với lý thuyết tài chính cổ điển, số liệu thực nghiệm tại Việt Nam cho thấy GDP theo quý và chỉ số CPI không tác động tức thời đến VN-Index do độ trễ công bố thông tin và tâm lý đầu cơ ngắn hạn chiếm ưu thế.
  2. Khẳng định tính chất nghịch đảo của Lãi suất: Cung cấp bằng chứng định lượng chính xác giúp các nhà quản trị quỹ dự báo các đợt sụt giảm thị trường mỗi khi chu kỳ nâng lãi suất điều hành của NHNN bắt đầu.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Real-world Use Cases)

  • Kịch bản 1: Quản trị phân bổ tài sản tại các Quỹ đầu tư (Asset Allocation Framework) Khi lãi suất tiền gửi ngân hàng ($INR$) có xu hướng tăng từ $6%$ lên $8%$, mô hình dự báo áp lực giảm mạnh lên VN-Index. Quỹ tiến hành tái cơ cấu danh mục: giảm tỷ trọng cổ phiếu từ $80%$ xuống $40%$, dịch chuyển dòng tiền sang chứng chỉ tiền gửi và trái phiếu ngắn hạn.
  • Kịch bản 2: Phòng ngừa rủi ro tỷ giá cho doanh nghiệp niêm yết (FX Hedging) Tỷ giá USD/VND tăng tạo cú hích định giá cho các nhóm ngành xuất khẩu (thủy sản, dệt may, thép), thúc đẩy chỉ số chung. Các doanh nghiệp nhập khẩu sử dụng tín hiệu này để ký hợp đồng phái sinh tiền tệ (Forward/Futures) nhằm khóa tỷ giá đầu vào.
+----------------------------------------------------------------------------------------------------+
|                             LỘ TRÌNH TRIỂN KHAI HỆ THỐNG DỰ BÁO VĨ MÔ                              |
+----------------------------------------------------------------------------------------------------+
|  Giai đoạn 1: Data Pipeline           Giai đoạn 2: Model Serving           Giai đoạn 3: Portfolio Engine   |
|  • Kết nối API CafeF/Vietstock        • Triển khai EViews/Python Worker    • Tích hợp tín hiệu cảnh báo    |
|  • Tự động làm sạch & chuẩn hóa       • Chạy OLS + Diagnostic test tự động • Tối ưu hóa tỷ trọng danh mục  |
|  (Thời gian: Tháng 1 - 2)            (Thời gian: Tháng 3 - 4)             (Thời gian: Tháng 5 - 6)        |
+----------------------------------------------------------------------------------------------------+

Đánh giá hiệu quả đầu tư và chi phí (Cost-Benefit Analysis)

  • Chi phí triển khai: Thấp (sử dụng nền tảng dữ liệu kinh tế vĩ mô công khai từ Tổng cục Thống kê, NHNN, Bloomberg Terminal hoặc Vietstock API).
  • Lợi ích kinh tế: Giảm thiểu rủi ro rút vốn lớn (Drawdown) trong các đợt thắt chặt tiền tệ, nâng cao hiệu suất đầu tư bình quân từ $15% - 25%$/năm cho danh mục cân bằng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật được thừa nhận

  • Quy mô mẫu dữ liệu: Cỡ mẫu $N = 52$ quan sát theo quý là mức tối thiểu trong phân tích kinh tế lượng chuỗi thời gian, chưa bao quát hết các cú sốc thiên nga đen tần suất cao theo ngày/tuần.
  • Hiện tượng bỏ sót biến (Omitted Variable Bias): Kiểm định Ramsey RESET cho giá trị $p = 0.0209 < 0.05$, chỉ ra rằng mô hình còn thiếu một số biến số vĩ mô quan trọng như Cung tiền M2, Giá dầu thô thế giới (Brent Oil), Giá vàng, hoặc chỉ số biến động thị trường toàn cầu (S&P 500, DXY).
  • Yếu tố can thiệp giá vi mô: Mô hình chưa phản ánh được hiện tượng thao túng giá cổ phiếu ("đội lái" làm giá các mã thanh khoản thấp như APL, MKV, AAA) vốn gây nhiễu giao dịch trên thị trường Việt Nam.

Hướng nghiên cứu mở rộng

  1. Mở rộng chuỗi dữ liệu sang tần suất tuần/ngày: Ứng dụng các mô hình chuỗi thời gian bậc cao như Vector Autoregression (VAR), Vector Error Correction Model (VECM) và mô hình phương sai thay đổi có điều kiện GARCH(1,1).
  2. Bổ sung các biến số vĩ mô mới: Cung tiền M2, Tăng trưởng tín dụng, Lợi suất trái phiếu chính phủ 10 năm và Dòng vốn khối ngoại (FII).
  3. Ứng dụng Machine Learning: Kết hợp thuật toán hồi quy Lasso/Ridge Regression và mạng hồi quy đệ quy LSTM để xử lý phi tuyến tính.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận tài liệu mẫu mực về phương pháp luận nghiên cứu kinh tế lượng ứng dụng, cách thức chạy hồi quy và xử lý khuyết tật mô hình trên EViews 8.0.
  • Chuyên viên phân tích định lượng (Quant Analysts): Nắm bắt hệ số co giãn thực nghiệm giữa $P/E$, Lãi suất và Tỷ giá để đưa vào thuật toán chấm điểm cổ phiếu.
  • Doanh nghiệp niêm yết: Xây dựng chiến lược dự báo chi phí vốn và chính sách quan hệ nhà đầu tư (IR) linh hoạt theo diễn biến lãi suất điều hành.
  • Nhà hoạch định chính sách (SBV & SSC): Cung cấp cơ sở khoa học để điều tiết cung tiền và ổn định tỷ giá hối đoái, giảm thiểu tác động tiêu cực đến thanh khoản thị trường tài chính.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật để tái lập mô hình nghiên cứu này là gì?

Cần cài đặt phần mềm EViews phiên bản 8.0 trở lên hoặc môi trường Python 3.10+ (thư viện statsmodels, pandas), tệp dữ liệu chuỗi thời gian chuẩn hóa 52 quan sát định dạng .xlsx hoặc .wf1.

2. Tại sao GDP và Lạm phát lại không có ý nghĩa thống kê trong mô hình?

Số liệu GDP được công bố theo quý với độ trễ từ 1–2 tháng, trong khi thị trường chứng khoán phản ánh kỳ vọng tức thời. Lạm phát tại Việt Nam trong giai đoạn 2012–2022 được kiểm soát tốt (dưới mức $4%$), do đó không tạo ra cú sốc rút vốn đột ngột như lãi suất.

3. Làm thế nào để khắc phục hiện tượng tự tương quan bậc 1 ($d = 1.1403$)?

Có thể sử dụng phương pháp Sai số chuẩn vững Newey-West (HAC Standard Errors) hoặc bổ sung biến trễ của chỉ số VN-Index ($SP_{t-1}$) vào phương trình hồi quy dạng $AR(1)$.

4. Kết quả nghiên cứu có áp dụng trực tiếp cho từng mã cổ phiếu riêng lẻ không?

Không. Kết quả áp dụng cho chỉ số tổng thể VN-Index. Đối với từng mã cổ phiếu, nhà đầu tư cần kết hợp mô hình CAPM hoặc Fama-French 3 nhân tố để đánh giá rủi ro phi hệ thống của từng doanh nghiệp.

5. Chi phí và thời gian triển khai một hệ thống dự báo tương tự?

Thời gian thu thập dữ liệu và kiểm định mô hình mất khoảng 2–4 tuần; chi phí gần như bằng 0 nếu sử dụng các nguồn dữ liệu vĩ mô mở từ World Bank, GSO và cổng thông tin HOSE.

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Lê Hạ Vi đã giải quyết trọn vẹn bài toán lượng hóa các yếu tố vĩ mô và tài chính tác động đến chỉ số VN-Index giai đoạn 2010–2022. Bằng việc ứng dụng phần mềm EViews 8.0 và phương pháp OLS kết hợp các kiểm định chẩn đoán nghiêm ngặt, nghiên cứu đã chứng minh:

  • Tỷ lệ $P/E$ và Tỷ giá hối đoái ($EXR$) có mối tương quan thuận mạnh mẽ với chỉ số VN-Index.
  • Lãi suất ($INR$) là nhân tố rủi ro hàng đầu gây áp lực suy giảm thị trường.
  • $GDP$ và Lạm phát ($INF$) không thể hiện tác động ngắn hạn rõ rệt trên chuỗi dữ liệu quý.

Kết quả này là tài liệu tham khảo giá trị cao cho các nhà đầu tư trong việc xây dựng chiến lược phòng vệ danh mục trước các biến động chính sách tiền tệ, đồng thời gợi mở hướng nghiên cứu sâu rộng hơn về việc kết hợp dữ liệu lớn và trí tuệ nhân tạo trong phân tích tài chính ứng dụng.