BƯỚC 1: PHÂN TÍCH TÀI LIỆU

1. Vấn đề và câu hỏi nghiên cứu chính

  • Mức độ tác động của các chỉ số tài chính vi mô: Tỷ suất sinh lời trên vốn chủ sở hữu (ROE), hệ số giá trên thu nhập (P/E), hệ số đòn bẩy tài chính (LEV) và quy mô vốn hóa (SIZE) tác động cùng chiều hay ngược chiều tới thị giá cổ phiếu doanh nghiệp niêm yết?
  • Hiệu ứng điều tiết của quy mô doanh nghiệp: Tỷ suất lợi nhuận ROE tại các doanh nghiệp có quy mô vốn hóa lớn có tạo ra mức độ biến động thị giá cổ phiếu khác biệt so với doanh nghiệp quy mô nhỏ hay không (thông qua biến tương tác $SIZE \times ROE$)?
  • Quy trình xử lý khuyết tật mô hình trên dữ liệu bảng (Panel Data): Làm thế nào để lựa chọn mô hình tối ưu giữa Pooled OLS, Fixed Effects (FEM), Random Effects (REM) và khắc phục triệt để hiện tượng tự tương quan bậc 1, phương sai sai số thay đổi bằng phương pháp bình phương bé nhất tổng quát (GLS)?
  • Mô hình hóa và dự báo chuỗi thời gian tài chính: Quy trình ứng dụng kiểm định nghiệm đơn vị (ADF test), xác định bậc sai phân thích hợp ($d=2$), nhận diện cấu trúc tự hồi quy - trung bình trượt qua ACF/PACF để xây dựng mô hình ARIMA tối ưu dự báo chỉ số chứng khoán trong R.

2. Thuật ngữ chuyên ngành quan trọng

  1. Dữ liệu bảng (Panel Data)
  2. Hồi quy gộp (Pooled OLS)
  3. Mô hình tác động cố định (Fixed Effects Model - FEM)
  4. Mô hình tác động ngẫu nhiên (Random Effects Model - REM)
  5. Bình phương bé nhất tổng quát (Generalized Least Squares - GLS)
  6. Kiểm định Hausman (Hausman Test)
  7. Kiểm định Breusch-Pagan Lagrange Multiplier (LM Test)
  8. Hệ số phóng đại phương sai (Variance Inflation Factor - VIF)
  9. Hiện tượng đa cộng tuyến (Multicollinearity)
  10. Hiện tượng tự tương quan (Autocorrelation)
  11. Hiện tượng phương sai thay đổi (Heteroskedasticity)
  12. Kiểm định Levin-Lin-Chu & Hadri Lagrange (Unit Root Tests)
  13. Kiểm định nghiệm đơn vị Augmented Dickey-Fuller (ADF Test)
  14. Hàm tự tương quan (AutoCorrelation Function - ACF)
  15. Hàm tự tương quan riêng phần (Partial AutoCorrelation Function - PACF)
  16. Tiêu chuẩn thông tin Akaike & Bayesian (AIC / AICC / BIC)
  17. Mô hình ARIMA (Autoregressive Integrated Moving Average)
  18. Kiểm định Box-Pierce & Ljung-Box
  19. Dự báo động (Dynamic Forecast)
  20. Biến tương tác (Interaction Term)

3. Đóng góp và điểm mới của tài liệu

  • Tích hợp biến tương tác định lượng - định tính ($SIZE \times ROE$): Đánh giá chính xác vai trò khuếch đại của quy mô vốn hóa lên giá trị thặng dư từ năng lực sinh lời của doanh nghiệp đối với giá thị trường cổ phiếu.
  • Quy trình kiểm định kinh tế lượng thực chiến bài bản trên Stata: Hệ thống hóa chuỗi kiểm định lựa chọn mô hình (F-test, Breusch-Pagan LM, Hausman) và kiểm định chẩn đoán khuyết tật (Wooldridge, White test), xử lý dứt điểm vi phạm giả thiết OLS bằng ước lượng GLS.
  • Cung cấp cẩm nang dự báo chuỗi thời gian hoàn chỉnh trên R: Minh họa trực quan từ bước kiểm định tính dừng, lấy sai phân bậc 2, đọc giản đồ tương quan đến chẩn đoán tính độc lập phần dư (white noise) và dự báo chuỗi chỉ số tài chính đa kỳ.

BƯỚC 2: NỘI DUNG CHI TIẾT (SEO CONTENT)

Tổng quan nghiên cứu

Thị trường chứng khoán luôn phản ánh sức khỏe nền kinh tế và kỳ vọng tăng trưởng của doanh nghiệp. Trong bối cảnh thị trường tài chính biến động mạnh mẽ, việc đưa ra quyết định đầu tư dựa trên cảm tính thường mang lại rủi ro rất cao. Do đó, việc lượng hóa các yếu tố ảnh hưởng đến giá cổ phiếu thông qua công cụ phân tích kinh tế lượng tài chính trở thành yêu cầu cấp thiết. Nghiên cứu khoa học thực nghiệm giúp nhà đầu tư và nhà quản trị bóc tách các động lực thực sự chi phối giá trị thị trường của cổ phiếu.

Tài liệu nghiên cứu tập trung giải quyết khoảng trống giữa lý thuyết tài chính doanh nghiệp và thực hành mô hình hóa định lượng. Cụ thể, nghiên cứu giải đáp câu hỏi: Các chỉ số tài chính nền tảng như ROE, P/E, đòn bẩy nợ và quy mô vốn hóa tác động như thế nào đến thị giá cổ phiếu tại Việt Nam? Đồng thời, nghiên cứu mở rộng phân tích hành vi chuỗi thời gian nhằm dự báo chỉ số chứng khoán quốc tế.

Phương pháp tiếp cận của nghiên cứu được xây dựng trên hai trụ cột vững chắc:

  1. Phân tích dữ liệu bảng (Panel Data) trên phần mềm Stata: Khảo sát 15 công ty niêm yết trong giai đoạn 8 năm (120 quan sát), áp dụng lần lượt các mô hình Pooled OLS, FEM, REM và xử lý khuyết tật bằng mô hình GLS.
  2. Phân tích chuỗi thời gian (Time Series) trên ngôn ngữ R: Khai thác dữ liệu 52 tuần của chỉ số chứng khoán NYSE, thiết lập mô hình Box-Jenkins ARIMA và kiểm định chẩn đoán phần dư phục vụ dự báo động (Dynamic Forecast).

Nội dung chi tiết

                           +----------------------------------------------------------------+
                           |    PHÂN TÍCH KINH TẾ LƯỢNG VỀ GIÁ CỔ PHIẾU & CHỈ SỐ TÀI CHÍNH |
                           +-------------------------------+--------------------------------+
                                                           |
                      +------------------------------------+------------------------------------+
                      |                                                                         |
                      v                                                                         v
      +-------------------------------+                                         +-------------------------------+
      |   ỨNG DỤNG STATA (PANEL DATA) |                                         |     ỨNG DỤNG R (TIME SERIES)  |
      +---------------+---------------+                                         +---------------+---------------+
                      |                                                                         |
    - 120 quan sát (15 DN / 8 năm)                                            - Chuỗi 52 tuần chỉ số NYSE
    - Biến: P, ROE, P/E, LEV, SIZE, SIZE*ROE                                  - Kiểm định ADF -> Sai phân d = 2
    - Kiểm định dừng: LLC & Hadri                                              - Nhận diện bậc: ACF & PACF
    - Lựa chọn mô hình: F-test, LM, Hausman                                   - Tiêu chí lựa chọn: Min AIC/BIC
    - Khắc phục khuyết tật tự tương quan/phương sai thay đổi                  - Mô hình tối ưu: ARIMA(0,2,1)
                      |                                                                         |
                      v                                                                         v
      +-------------------------------+                                         +-------------------------------+
      |    MÔ HÌNH GLS HIỆU CHỈNH     |                                         |   DỰ BÁO ĐỘNG (DYNAMIC FORECAST)
      |   P = f(P/E, LEV, SIZE*ROE)   |                                         |   Phần dư đạt chuẩn Nhiễu trắng|
      +-------------------------------+                                         +-------------------------------+

1. Cơ sở lý thuyết và Mô hình hồi quy dữ liệu bảng (Panel Data)

Trong phân tích cơ bản, thị giá cổ phiếu ($P_{it}$) phản ánh toàn bộ dòng tiền kỳ vọng và năng lực sinh lời nội tại của doanh nghiệp. Để lượng hóa mối liên hệ này, mô hình nghiên cứu thiết lập phương trình hồi quy dữ liệu bảng đa biến:

$$P_{it} = \beta_0 + \beta_1 ROE_{it} + \beta_2 P/E_{it} + \beta_3 LEV_{it} + \beta_4 SIZE_{it} + \beta_5 (SIZE \times ROE){it} + \varepsilon{it}$$

Trong đó, các biến đại diện cho các khía cạnh tài chính cốt lõi:

  • Thị giá cổ phiếu ($P_{it}$): Biến phụ thuộc, ghi nhận mức giá đóng cửa cuối năm của cổ phiếu (nghìn VNĐ).
  • Tỷ suất sinh lời trên vốn chủ sở hữu ($ROE_{it}$): Đo lường hiệu quả sử dụng vốn chủ sở hữu tạo ra lợi nhuận sau thuế.
  • Hệ số giá trên thu nhập ($P/E_{it}$): Đại diện cho mức định giá thị trường và kỳ vọng tăng trưởng của nhà đầu tư.
  • Đòn bẩy tài chính ($LEV_{it}$): Tỷ lệ Tổng nợ / Tổng tài sản, phản ánh cấu trúc vốn và mức độ rủi ro tài chính của doanh nghiệp.
  • Quy mô vốn hóa ($SIZE_{it}$): Biến giả nhận giá trị 1 đối với doanh nghiệp quy mô lớn và 0 đối với doanh nghiệp quy mô nhỏ.
  • Biến tương tác ($SIZE \times ROE_{it}$): Đo lường mức độ tác động khác biệt của ROE lên giá cổ phiếu khi doanh nghiệp có quy mô vốn hóa lớn.

Về mặt lý thuyết kinh tế, các doanh nghiệp duy trì chỉ số ROE và P/E cao luôn nhận được sự săn đón từ dòng vốn thị trường. Tuy nhiên, tác động của đòn bẩy tài chính (LEV) thường mang tính hai chiều: vừa tạo đòn bẩy khuếch đại lợi nhuận, vừa làm tăng chi phí kiệt quệ tài chính. Việc đưa biến tương tác $SIZE \times ROE$ vào mô hình là điểm cải tiến quan trọng. Biến này giúp kiểm chứng giả thuyết: Năng lực sinh lời ở các doanh nghiệp đầu ngành (Large-cap) có tạo ra thặng dư định giá vượt trội hơn so với nhóm vốn hóa vừa và nhỏ (Mid/Small-cap) hay không.

2. Quy trình kiểm định Kinh tế lượng & Khắc phục khuyết tật bằng Stata

Để đảm bảo các ước lượng không bị chệch và nhất quán, quy trình xử lý dữ liệu bảng trên Stata được thực hiện qua các bước kiểm định nghiêm ngặt:

Bước 1: Kiểm định tính dừng, ma trận tương quan và hiện tượng đa cộng tuyến

  • Kiểm định tính dừng: Áp dụng kiểm định Levin-Lin-Chu (LLC) cho các chuỗi liên tục ($P$, $ROE$, $P/E$, $LEV$) và kiểm định Hadri Lagrange cho các biến rời rạc. Kết quả cho thấy các biến chuỗi thời gian đều đạt tính dừng ở các mức ý nghĩa 1%, 5% và 10%.
  • Kiểm định đa cộng tuyến: Ma trận tương quan Pearson chỉ ra mối liên kết đồng biến giữa nhiều cặp biến. Tuy nhiên, khi kiểm tra hệ số phóng đại phương sai (VIF), hệ số VIF cao nhất chỉ đạt 1.54 và VIF trung bình dưới 1.93 (nhỏ hơn rất nhiều so với ngưỡng cảnh báo 10). Điều này khẳng định mô hình không vi phạm giả thiết đa cộng tuyến.

Bước 2: So sánh và lựa chọn cấu trúc mô hình

Nghiên cứu tiến hành ước lượng song song ba mô hình chuẩn tắc trên dữ liệu bảng:

                            +--------------------------+
                            |     DỮ LIỆU BẢNG GỐC     |
                            +------------+-------------+
                                         |
                                         v
                            +--------------------------+
                            |       Pooled OLS         |
                            +------------+-------------+
                                         |
                 +-----------------------+-----------------------+
                 | (Kiểm định F-test)                            | (Kiểm định Breusch-Pagan LM)
                 | Prob > F = 0.0000                             | Prob > Chibar2 = 0.0000
                 v                                               v
    +--------------------------+                   +--------------------------+
    |    Fixed Effects (FEM)   |                   |   Random Effects (REM)   |
    +------------+-------------+                   +-------------+------------+
                 |                                               |
                 +-----------------------+-----------------------+
                                         | (Kiểm định Hausman Test)
                                         | Prob > Chi2 = 0.0000 (< 0.01)
                                         v
                            +--------------------------+
                            |     LỰA CHỌN MÔ HÌNH     |
                            |    Fixed Effects (FEM)   |
                            +------------+-------------+
                                         |
                                         | (Kiểm định khuyết tật)
                                         | + Wooldridge: Tự tương quan AR(1) (p = 0.0049)
                                         | + Breusch-Pagan LM: Phương sai thay đổi (p = 0.0000)
                                         v
                            +--------------------------+
                            |    ƯỚC LƯỢNG CUỐI CÙNG   |
                            |   Hồi quy GLS (Khắc phục)|
                            +--------------------------+
  1. Kiểm định F-test (FEM vs Pooled OLS): Giá trị $Prob > F = 0.0000$ bác bỏ giả thiết $H_0$, xác nhận mô hình tác động cố định (FEM) tối ưu hơn Pooled OLS.
  2. Kiểm định Breusch-Pagan LM (REM vs Pooled OLS): Giá trị $Prob > Chibar2 = 0.0000$ xác nhận mô hình tác động ngẫu nhiên (REM) phù hợp hơn Pooled OLS.
  3. Kiểm định Hausman (FEM vs REM): Giá trị $Prob > Chi2 = 0.0000 < 0.01$ bác bỏ giả thiết $H_0$, kết luận mô hình tác động cố định (FEM) là mô hình thích hợp nhất để loại bỏ các yếu tố tác động cố định không quan sát được theo từng công ty.

Bước 3: Chẩn đoán khuyết tật và ước lượng điều chỉnh bằng GLS

Mặc dù FEM được lựa chọn, mô hình vẫn mắc phải hai khuyết tật kinh tế lượng nghiêm trọng:

  • Tự tương quan bậc 1: Kiểm định Wooldridge cho giá trị $Prob > F = 0.0049 < 0.01$.
  • Phương sai sai số thay đổi: Kiểm định Breusch-Pagan LM cho giá trị $Prob > Chibar2 = 0.0000 < 0.01$.

Để khắc phục hiện tượng này, nghiên cứu áp dụng phương pháp hồi quy Bình phương bé nhất tổng quát (Cross-sectional Time-series FGLS/GLS). Kết quả ước lượng GLS cho thấy:

  • Hệ số P/E đạt giá trị $+0.292$ (mức ý nghĩa 1%), cho thấy khi P/E tăng 1 đơn vị, giá cổ phiếu tăng trung bình 292 đồng.
  • Hệ số đòn bẩy LEV đạt giá trị $+38.621$ (mức ý nghĩa 1%), chứng minh các doanh nghiệp sử dụng đòn bẩy hợp lý có xu hướng tăng giá trị thị trường.
  • Biến tương tác $SIZE \times ROE$ có hệ số hồi quy vượt trội $+81.975$ (mức ý nghĩa 1%). Điều này chứng minh rằng tại các doanh nghiệp có quy mô vốn hóa lớn, mỗi 1% tăng thêm của ROE giúp thị giá cổ phiếu bứt phá mạnh mẽ lên tới 81.975 nghìn VNĐ.

3. Phân tích chuỗi thời gian & Dự báo chỉ số NYSE bằng mô hình ARIMA trong R

Bên cạnh phân tích vi mô từng cổ phiếu, dự báo xu hướng chỉ số thị trường chung đóng vai trò then chốt trong quản trị rủi ro danh mục. Nghiên cứu thực hiện quy trình Box-Jenkins để mô hình hóa chuỗi thời gian 52 tuần của chỉ số chứng khoán NYSE trên môi trường R:

+----------------------------------------------------------------------------------------------------+
|                                 QUY TRÌNH DỰ BÁO CHUỖI THỜI GIAN ARIMA TRÊN R                     |
+----------------------------------------------------------------------------------------------------+
|                                                                                                    |
|  [Chuỗi gốc NYSE] ---> Kiểm định ADF (p=0.3061) ---> Không dừng                                   |
|                               |                                                                    |
|                               v                                                                    |
|  [Sai phân bậc 1]  ---> Kiểm định ADF (p=0.1319) ---> Không dừng                                   |
|                               |                                                                    |
|                               v                                                                    |
|  [Sai phân bậc 2]  ---> Kiểm định ADF (p=0.0100) ---> ĐẠT TÍNH DỪNG (d = 2)                        |
|                               |                                                                    |
|                               v                                                                    |
|  [Nhận diện p, q]  ---> Giản đồ ACF (q = 1) & Giản đồ PACF (p = 0..2)                              |
|                               |                                                                    |
|                               v                                                                    |
|  [So sánh AIC/BIC] ---> ARIMA(0,2,1) đạt AIC thấp nhất (754.58), BIC (758.40)                      |
|                               |                                                                    |
|                               v                                                                    |
|  [Kiểm định phần dư] -> White test (p=0.150), Box-Pierce (p=0.604), Box-Ljung (p=0.462)           |
|                         ==> Phần dư độc lập, đồng nhất phương sai (Nhiễu trắng)                   |
|                               |                                                                    |
|                               v                                                                    |
|  [Dự báo động]    ---> Dự báo tăng trưởng ổn định trong 5 kỳ tiếp theo (> 15,257 điểm)             |
+----------------------------------------------------------------------------------------------------+

Bước 1: Kiểm định tính dừng và lấy sai phân bậc d

Chuỗi dữ liệu gốc của chỉ số NYSE thể hiện xu hướng tăng rõ rệt. Kiểm định ADF cho chuỗi gốc ($p = 0.3061$) và sai phân bậc 1 ($p = 0.1319$) đều không thể bác bỏ giả thiết chứa nghiệm đơn vị (Unit Root). Khi tiếp tục lấy sai phân bậc 2 ($d = 2$), kiểm định ADF đạt giá trị $p = 0.01 < 0.05$. Kết quả xác nhận chuỗi đã hoàn toàn dừng và ổn định quanh giá trị trung bình.

Bước 2: Nhận diện cấu trúc bậc $p$ và $q$ qua ACF/PACF

  • Biểu đồ tự tương quan (ACF) cho thấy hệ số tự tương quan rớt vào khoảng tin cậy 95% sau độ trễ 1, gợi ý bậc trung bình trượt $q = 1$.
  • Biểu đồ tự tương quan riêng phần (PACF) cho thấy các giá trị nằm trong ngưỡng tin cậy, gợi ý bậc tự hồi quy $p \in [0, 2]$.
  • Tiến hành so khớp các cấu trúc mô hình cạnh tranh: ARIMA(0,2,0), ARIMA(0,2,1), ARIMA(1,2,0), ARIMA(1,2,1), ARIMA(2,2,0), ARIMA(2,2,1).

Bước 3: Lựa chọn mô hình tối ưu theo tiêu chuẩn thông tin

Mô hình ARIMA(0,2,1) đạt giá trị tối ưu nhất trên tất cả các thước đo:

  • $AIC = 754.58$
  • $AICC = 754.83$
  • $BIC = 758.40$
  • Tham số trung bình trượt $ma1 = -1.0000$, phản ánh mức độ điều chỉnh tức thời của chỉ số trước các cú sốc sai phân trong quá khứ. Các chỉ số sai số dự báo đạt độ tin cậy cao với $MAE = 328$ và $MASE = 0.95$.

Bước 4: Kiểm định chẩn đoán tính chất phần dư

Để mô hình ARIMA có giá trị dự báo, phần dư bắt buộc phải là chuỗi nhiễu trắng (White Noise):

  • Kiểm định phương sai thay đổi White: Giá trị $p = 0.15015 > 0.05$, không bác bỏ giả thiết đồng nhất phương sai.
  • Kiểm định tự tương quan Box-Pierce ($p = 0.6043$) & Box-Ljung ($p = 0.4621$): Cả hai kiểm định đều lớn hơn 0.05, xác nhận các giá trị sai số hoàn toàn độc lập và không tồn tại hiện tượng tự tương quan chuỗi.

Bước 5: Dự báo động (Dynamic Forecast)

Dựa trên mô hình ARIMA(0,2,1) đã xác thực, dự báo 5 kỳ tiếp theo (từ tuần 53 đến tuần 57) cho thấy chỉ số NYSE duy trì đà tăng trưởng tịnh tiến từ mốc 15,257.72 điểm, đi kèm khoảng tin cậy phương sai chuẩn xác.

Ai nên đọc tài liệu này?

Tài liệu mang tính ứng dụng cao, kết hợp chặt chẽ giữa lý thuyết tài chính và kỹ thuật xử lý dữ liệu hiện đại, phù hợp cho:

  • Sinh viên, học viên cao học chuyên ngành Tài chính - Ngân hàng, Kinh tế học: Tài liệu cung cấp khung mẫu chuẩn mực cho bài tiểu luận, khóa luận tốt nghiệp hoặc luận văn nghiên cứu kinh tế lượng tài chính thực hành.
  • Chuyên viên phân tích định lượng (Quantitative Analyst) & Chuyên viên nghiên cứu vĩ mô: Nắm vững phương pháp lập trình Stata và R để tự động hóa quy trình hồi quy dữ liệu bảng và dự báo chỉ số chứng khoán.
  • Nhà đầu tư cá nhân theo trường phái phân tích cơ bản (Fundamental Analysis): Hiểu rõ bản chất toán học của các chỉ số tài chính (P/E, ROE, LEV) và cách thức quy mô doanh nghiệp khuếch đại giá trị cổ phiếu.
  • Giảng viên và Nghiên cứu viên: Sử dụng làm tài liệu tham khảo bài giảng, thiết kế bài tập thực hành kinh tế lượng ứng dụng với dữ liệu thực tế tại Việt Nam.

[!NOTE] Kiến thức nền tảng cần có: Người đọc nên nắm vững nguyên lý thống kê mô tả, lý thuyết kiểm định giả thuyết thống kê, khái niệm cơ bản về báo cáo tài chính doanh nghiệp và thao tác dòng lệnh căn bản trên Stata/R.

Câu hỏi thường gặp

Biến tương tác ROE*SIZE trong mô hình kinh tế lượng mang ý nghĩa gì?

Biến tương tác $ROE \times SIZE$ phản ánh hiệu ứng điều tiết của quy mô vốn hóa lên mối quan hệ giữa khả năng sinh lời và thị giá cổ phiếu. Hệ số dương ($+81.975$) chứng minh rằng cùng một mức tăng trưởng ROE, các doanh nghiệp có quy mô lớn sẽ thúc đẩy thị giá cổ phiếu tăng trưởng mạnh hơn đáng kể so với các doanh nghiệp quy mô nhỏ.

Quy trình lựa chọn mô hình hồi quy dữ liệu bảng tối ưu gồm những bước nào?

Quy trình lựa chọn gồm ba bước kiểm định chuẩn tắc:

  1. Kiểm định F-test: So sánh Fixed Effects (FEM) với Pooled OLS để phát hiện hiệu ứng tác động cố định.
  2. Kiểm định Breusch-Pagan LM: So sánh Random Effects (REM) với Pooled OLS để phát hiện hiệu ứng tác động ngẫu nhiên.
  3. Kiểm định Hausman: So sánh FEM và REM. Nếu $p < 0.05$, chọn mô hình FEM làm mô hình tối ưu.

Tại sao cần chuyển sang hồi quy GLS khi mô hình FEM bị tự tương quan và phương sai thay đổi?

Khi mô hình FEM vi phạm giả thiết phương sai không đổi và không có tự tương quan, các ước lượng OLS thông thường sẽ mất tính hiệu quả (không còn là BLUE), làm sai lệch giá trị thống kê $t$, $p$-value và khoảng tin cậy. Hồi quy GLS giúp tái cấu trúc ma trận hiệp phương sai, loại bỏ hoàn toàn hiện tượng tự tương quan và phương sai thay đổi, đảm bảo hệ số ước lượng vững và chính xác.

Khi nào cần lấy sai phân bậc 2 (d=2) trong mô hình ARIMA?

Sai phân bậc 2 ($d=2$) được áp dụng khi chuỗi thời gian gốc có xu hướng biến động phi tuyến mạnh hoặc chứa nghiệm đơn vị bậc cao. Nếu chuỗi gốc và chuỗi sai phân bậc 1 ($d=1$) đều không vượt qua kiểm định ADF ($p > 0.05$), việc lấy sai phân bậc 2 là bắt buộc để triệt tiêu xu hướng, đưa chuỗi về trạng thái dừng hoàn toàn.

Làm thế nào để kiểm tra tính độc lập và phân phối chuẩn của phần dư trong ARIMA?

Tính độc lập và chuẩn hóa của phần dư được xác nhận qua ba kiểm định chính:

  1. Kiểm định White: Kiểm tra hiện tượng phương sai thay đổi ($p > 0.05$ là đạt chuẩn).
  2. Kiểm định Box-Pierce & Ljung-Box: Kiểm tra tự tương quan phần dư ($p > 0.05$ xác nhận không có tương quan chuỗi).
  3. Phân tích phân phối: So sánh phần dư với phân phối chuẩn để khẳng định phần dư là chuỗi nhiễu trắng thuần túy.

Kết luận

Nghiên cứu đã cung cấp bức tranh toàn diện và sâu sắc về các động lực vi mô chi phối giá cổ phiếu doanh nghiệp, đồng thời chuẩn hóa quy trình phân tích kinh tế lượng tài chính thực nghiệm.

4 Điểm cốt lõi rút ra từ nghiên cứu:

  • Năng lực sinh lời đi đôi với quy mô: Hiệu quả sinh lời ROE kết hợp với quy mô vốn hóa lớn ($SIZE \times ROE$) là yếu tố chi phối mạnh mẽ nhất đến sự tăng giá của cổ phiếu trên thị trường niêm yết.
  • Định giá thị trường và đòn bẩy có tác động tích cực: Cả hệ số định giá P/E và tỷ lệ nợ LEV đều tác động cùng chiều đến giá cổ phiếu trong điều kiện cấu trúc vốn được tối ưu hóa.
  • Ước lượng GLS là công cụ xử lý khuyết tật vượt trội: Phương pháp GLS loại bỏ triệt để hiện tượng tự tương quan và phương sai thay đổi trên dữ liệu bảng, đem lại hệ số ước lượng chuẩn xác.
  • ARIMA(0,2,1) tối ưu cho dự báo chỉ số chứng khoán: Quy trình Box-Jenkins trên R xử lý hiệu quả chuỗi thời gian không dừng qua sai phân bậc 2 và kiểm định chẩn đoán phần dư nhiễu trắng nghiêm ngặt.

Hướng phát triển tiếp theo

Các nghiên cứu mở rộng trong tương lai có thể:

  1. Mở rộng không gian mẫu sang toàn bộ các doanh nghiệp niêm yết trên cả hai sàn HOSE và HNX theo từng phân ngành chuyên biệt (bất động sản, ngân hàng, sản xuất).
  2. Bổ sung các biến số vĩ mô (lãi suất điều hành, lạm phát CPI, tỷ giá USD/VND, cung tiền M2) vào mô hình dữ liệu bảng.
  3. Kết hợp các mô hình biến động điều kiện phi tuyến tính như GARCH, ARIMAX hoặc các thuật toán học máy (Machine Learning) như LSTM, XGBoost để nâng cao độ chính xác dự báo chuỗi thời gian tài chính.