Bối cảnh và vấn đề nghiên cứu

Khóa luận tốt nghiệp "Ứng dụng mô hình ARIMA – ARCH/GARCH để dự báo thanh khoản của 30 cổ phiếu có giá trị vốn hóa và thanh khoản lớn nhất niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh trong ngắn hạn" được sinh viên Huỳnh Thị Phượng thực hiện vào tháng 05/2015 tại Khoa Tài chính – Ngân hàng, Trường Đại học Kinh tế Huế, dưới sự hướng dẫn của ThS. Đoàn Như Quỳnh.

Về lý do chọn đề tài, tác giả phân tích rằng thanh khoản đóng vai trò là "huyết mạch" của thị trường tài chính, quyết định tính linh hoạt, mức độ an toàn của vốn đầu tư và phản ánh thực chất quan hệ cung cầu mà không bị méo mó bởi các giao dịch thao túng giá. Trích dẫn nhận định của Handa và Schwartz (1996), nghiên cứu chỉ ra rằng điều nhà đầu tư mong muốn nhất từ thị trường là "thanh khoản, thanh khoản và thanh khoản". Tuy nhiên, thực tiễn tại Việt Nam cho thấy đa số thành viên thị trường chỉ dùng khối lượng giao dịch danh nghĩa để nhìn nhận thanh khoản – một chỉ báo mang tính bề nổi, chưa đo lường đa chiều sự biến động giá tương ứng với chi phí giao dịch. Bên cạnh đó, tính đến thời điểm năm 2015, các nghiên cứu trong nước về dự báo thanh khoản còn rất hạn chế; điển hình như nghiên cứu của tác giả Khoa (2012) mới chỉ tiếp cận nhóm cổ phiếu thủy sản qua mô hình ARMAX và VAR. Do đó, việc ứng dụng các mô hình kinh tế lượng chuỗi thời gian chuyên sâu để đo lường và dự báo thanh khoản nhóm cổ phiếu đầu ngành là một đòi hỏi cấp thiết.

Mục tiêu chung của đề tài là vận dụng các công thức kinh tế lượng và mô hình chuỗi thời gian để đo lường và dự báo tính thanh khoản của chỉ số VN30-Index trong ngắn hạn. Để thực hiện mục tiêu chung, tác giả xác định 4 mục tiêu cụ thể:

  1. Khái quát các vấn đề lý luận và thực tiễn về tính thanh khoản trên thị trường chứng khoán.
  2. Hệ thống hóa cơ sở lý luận về phân tích chuỗi thời gian và ứng dụng phương pháp kinh tế lượng trong công tác dự báo.
  3. Đánh giá thực trạng biến động thanh khoản của chỉ số VN-Index nói chung và nhóm 30 cổ phiếu có giá trị vốn hóa, thanh khoản cao nhất niêm yết trên HOSE thông qua VN30-Index từ năm 2012 đến đầu năm 2015.
  4. Xây dựng mô hình thực nghiệm và dự báo xu hướng thanh khoản của VN30-Index trong thời gian 2 tháng, từ ngày 03/04/2015 đến ngày 05/06/2015.

Đối tượng nghiên cứu của khóa luận là tính thanh khoản của chỉ số VN30-Index, đại diện cho 30 doanh nghiệp niêm yết dẫn đầu sàn HOSE. Nhóm cổ phiếu này chiếm khoảng 80% tổng giá trị vốn hóa và 60% tổng giá trị giao dịch của toàn bộ thị trường, với hơn 50% số mã có mức tăng trưởng bình quân cao hơn thị trường chung.

Phạm vi nghiên cứu được xác lập như sau:

  • Phạm vi không gian: Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) với rổ cổ phiếu VN30.
  • Phạm vi thời gian: Chuỗi dữ liệu lịch sử được thu thập theo ngày giao dịch từ ngày 06/02/2012 (thời điểm chỉ số VN30 chính thức vận hành) đến ngày 27/03/2015 (phục vụ ước lượng và kiểm định ngoài mẫu), cùng khoảng thời gian dự báo ngắn hạn từ tháng 04/2015 đến tháng 06/2015. Tác giả loại trừ giai đoạn 2000–2005 do quy mô thị trường còn sơ khai và giai đoạn khủng hoảng 2008–2009 do xuất hiện các bất thường gây nhiễu cấu trúc dữ liệu.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết của nghiên cứu tập trung vào bản chất đa chiều của thanh khoản thị trường tài chính và kỹ thuật kinh tế lượng chuỗi thời gian ứng dụng:

Về lý thuyết thanh khoản, tác giả tiếp cận theo khung phân tích của Harris (1990), Ranaldo (2000), Abdourahmane Sarr và Tonny Lybek (2002), chia thanh khoản thành 4 khía cạnh cấu thành:

  • Thời gian giao dịch (Trading time): Đo lường tốc độ khớp lệnh, tính bằng thời gian chờ giữa các giao dịch $W_t = t_i - t_{i-1}$ hoặc số giao dịch $N_t$ trong một khoảng thời gian.
  • Độ chặt (Tightness): Thể hiện chi phí giao dịch tức thời của nhà đầu tư, đo bằng độ rộng chênh lệch giá mua – bán (bid-ask spread) tuyệt đối $Spr_t = p_t^A - p_t^B$ hoặc dạng logarit tự nhiên $\ln(Spr_t)$.
  • Độ sâu (Depth): Khả năng hấp thụ khối lượng giao dịch lớn mà không gây biến động giá bất thường, thể hiện qua khối lượng giao dịch $Q_t$, doanh số giao dịch $V_t$, tỷ số vòng quay $T_n$, hoặc tổng khối lượng đặt mua và đặt bán $Dept = q_t^A + q_t^B$.
  • Độ co giãn (Resiliency): Khả năng giá phục hồi nhanh chóng về mức cân bằng ban đầu sau các cú sốc mất cân đối lệnh do các nhà đầu tư thiếu thông tin (uninformed traders) gây ra, đo lường qua tỷ suất sinh lợi trong ngày.
Khía cạnh thanh khoản Đặc trưng đo lường Chỉ tiêu / Phương pháp kỹ thuật
Thời gian giao dịch Tốc độ thực hiện giao dịch ở mức giá hiện tại Thời gian chờ giữa 2 lệnh ($W_t$); Số lượng giao dịch ($N_t$)
Độ chặt Chi phí giao dịch, chênh lệch giữa giá mua và giá bán Chênh lệch giá mua – bán ($Spr_t = p_t^A - p_t^B$); $\ln(Spr_t)$
Độ sâu Khối lượng cổ phiếu giao dịch không làm đổi giá Khối lượng $Q_t$; Doanh số $V_t$; Vòng quay $T_n$; Tổng dư mua/bán $Dept$
Độ co giãn Tốc độ hồi phục giá sau biến động mất cân đối Tỷ suất sinh lợi ngày; Tỷ số Hui-Heubel; Amivest; Amihud

Để lượng hóa thanh khoản cho rổ VN30, tác giả lựa chọn chỉ số Amivest (Cooper, Groth & Avera, 1985; Amihud, 1985). Chỉ số này tính toán giá trị giao dịch cần thiết để tạo ra 1% biến động giá, trong đó các phiên có tỷ suất sinh lợi bằng 0 sẽ bị loại trừ: $$\text{Amivest} = \frac{\sum_{i=1}^D V_{i,D}}{\sum_{i=1}^D |R_{i,D}|}$$ Chỉ số Amivest càng cao biểu thị tính thanh khoản của cổ phiếu hoặc rổ chỉ số càng lớn.

Về phương pháp kinh tế lượng chuỗi thời gian, nghiên cứu áp dụng quy trình 4 bước của Box–Jenkins (1976):

  • Nhận dạng mô hình: Đánh giá tính dừng thông qua đồ thị, hàm tự tương quan (ACF), hàm tự tương quan riêng phần (PACF) và kiểm định nghiệm đơn vị Dickey-Fuller (ADF).
  • Ước lượng mô hình: Sử dụng phương pháp bình phương nhỏ nhất (OLS) để ước lượng các hệ số của mô hình tự hồi quy tích hợp trung bình trượt $\text{ARIMA}(p,d,q)$.
  • Kiểm định chẩn đoán tính thích hợp: Kiểm tra phần dư $u_t$ có phải là nhiễu trắng (white noise) hay không thông qua kiểm định tương quan $Q$ của Ljung–Box. Khi phần dư xuất hiện hiện tượng phương sai thay đổi theo thời gian, tác giả tiếp tục sử dụng kiểm định nhân tử Lagrange (ARCH-LM) với thống kê $T \times R^2$ theo phân phối Chi-bình phương ($\chi^2$).
  • Ước lượng mô hình biến động phương sai có điều kiện: Thiết lập mô hình $\text{ARCH}(q)$ của Engle (1982) và mô hình $\text{GARCH}(p,q)$ của Bollerslev và Engle (1995) để mô hình hóa đồng thời phương trình giá trị trung bình và phương trình phương sai điều kiện $h_t$: $$h_t = \gamma_0 + \sum_{i=1}^p \delta_i h_{t-i} + \sum_{j=1}^q \gamma_j u_{t-j}^2$$
  • Đánh giá độ chính xác dự báo: So sánh các mô hình bằng tiêu chuẩn thông tin Akaike (AIC), Schwarz (SIC), hệ số xác định $R^2$, sai số tuyệt đối trung bình (MAE), sai số phần trăm tuyệt đối trung bình (MAPE), sai số bình phương trung bình gốc (RMSE), hệ số bất bình đẳng Theil $U$ (giá trị $U < 0{,}55$ được coi là tốt) và tỷ lệ chệch (Bias Proportion).

Nguồn dữ liệu: Tác giả thu thập dữ liệu thứ cấp gồm giá đóng cửa và khối lượng giao dịch hàng ngày của chỉ số VN30-Index từ hai cổng thông tin tài chính là cophieu68.com và Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (hsx.vn).

Nội dung chính theo từng chương

Chương 1: Lý luận thanh khoản và các mô hình đo lường, dự báo

Chương 1 hệ thống hóa cơ sở lý luận về tính thanh khoản, các yếu tố ảnh hưởng, phương pháp đo lường và các mô hình chuỗi thời gian dự báo. Tác giả định nghĩa tính thanh khoản của cổ phiếu gắn liền với khả năng chuyển đổi thành tiền mặt nhanh chóng với chi phí thấp và thị trường giao dịch rộng. Thanh khoản cổ phiếu chịu sự chi phối trực tiếp từ hai nhóm nhân tố: kết quả hoạt động kinh doanh của doanh nghiệp phát hành (phản ánh qua tỷ số P/E, chính sách chi trả cổ tức) và quy luật cung - cầu trên thị trường (áp lực bán tháo, dòng tiền đầu cơ hoặc sự thao túng thị trường).

Phần thứ hai của chương trình bày toán học chuỗi thời gian, khẳng định một chuỗi thời gian dừng phải thỏa mãn kỳ vọng không đổi ($E(Y_t) = \mu$), phương sai không đổi ($\text{Var}(Y_t) = \sigma^2$) và hiệp phương sai chỉ phụ thuộc độ trễ $k$ ($\text{Cov}(Y_{t-k}, Y_t) = \gamma_k$). Tác giả nhấn mạnh hậu quả của việc ước lượng trên chuỗi không dừng là hiện tượng hồi quy giả mạo (spurious regression) đã được Yule (1926) cùng Granger và Newbold (1974) chứng minh. Toàn bộ quy trình Box-Jenkins từ xác định bậc sai phân $d$, bậc tự hồi quy $p$, bậc trung bình trượt $q$ đến kiểm định phần dư bằng thống kê Ljung-Box được mô tả cụ thể. Cuối chương, tác giả trình bày lý thuyết mô hình ARCH và GARCH, giải thích cơ chế gom cụm biến động (volatility clustering) trên thị trường tài chính và sự ưu việt của GARCH(1,1) trong việc tiết kiệm bậc tự do so với mô hình ARCH bậc cao.

Chương 2: Chỉ số chứng khoán VN30-Index và diễn biến thanh khoản của thị trường chứng khoán Việt Nam giai đoạn 2012 - 2015

Chương này đi sâu vào cấu trúc rổ VN30-Index và diễn biến thực tế của thị trường chứng khoán Việt Nam. Chỉ số VN30 được HOSE đưa vào vận hành từ ngày 06/02/2012, áp dụng kỹ thuật tính toán vốn hóa thị trường có điều chỉnh tỷ lệ cổ phiếu tự do chuyển nhượng (free-float), tần suất cập nhật 1 phút/lần, giới hạn tỷ trọng mỗi cổ phiếu không vượt quá 10%, và định kỳ rà soát thành phần 6 tháng/lần vào tháng 1 và tháng 7. Quy trình sàng lọc cổ phiếu vào rổ VN30 được quy định qua 3 bước:

  1. Sàng lọc giá trị vốn hóa: Lấy top 50 cổ phiếu có giá trị vốn hóa bình quân ngày trong 6 tháng chưa điều chỉnh free-float cao nhất.
  2. Sàng lọc tỷ lệ free-float: Loại bỏ toàn bộ cổ phiếu có tỷ lệ free-float $\le 5%$.
  3. Sàng lọc thanh khoản: Xếp hạng top 50 còn lại theo giá trị giao dịch bình quân ngày 6 tháng. Cổ phiếu thuộc top 20 mặc nhiên vào rổ; từ vị trí 21 đến 40 ưu tiên các mã thành phần cũ; các mã xếp hạng từ 41 trở đi bị loại. Sau quy trình, 30 mã chính thức được chọn và 10 mã kế tiếp đưa vào danh mục dự phòng.

Tại kỳ 1/2015, rổ VN30 gồm 30 mã cổ phiếu lớn: FLC, VIC, SSI, HAG, PVD, MSN, KDC, FPT, ITA, VNM, HPG, OGC, HVG, PVT, REE, CII, DPM, HCM, MBB, GMD, VCB, IJC, PPC, HSG, STB, CSM, DRC, VSH, BVH.

Về diễn biến thị trường năm 2012, tác giả phân chia thành hai pha đối lập:

  • Giai đoạn tăng trưởng (06/02/2012 – 09/05/2012): Thị trường phục hồi mạnh từ vùng đáy nhờ bối cảnh vĩ mô cải thiện (lạm phát hạ nhiệt, Ngân hàng Nhà nước ban hành Thông tư 14 khống chế trần lãi suất cho vay 15%/năm cho 4 lĩnh vực ưu tiên, cam kết giữ ổn định tỷ giá, đưa tín dụng bất động sản ra khỏi nhóm không khuyến khích, mở phiên giao dịch chiều từ 05/03/2012). Chỉ số VN-Index tăng 38,7% (từ 351,55 lên 487,6 điểm); VN30-Index tăng 35,2%. Khối lượng giao dịch ngày 09/05/2012 của toàn thị trường đạt 109.813.000 cổ phiếu (gấp 3,84 lần đầu năm) và rổ VN30 đạt 26.645.270 cổ phiếu (gấp 1,98 lần đầu năm).
  • Giai đoạn sụt giảm (10/05/2012 – 31/12/2012): Tăng trưởng tín dụng chậm, nợ xấu hệ thống ngân hàng được công bố chính thức ở mức 10% (vượt xa mức 4% do các ngân hàng thương mại báo cáo), sự kiện Habubank bộc lộ tỷ lệ nợ xấu 13% phải sáp nhập giải cứu cùng hàng loạt vụ khởi tố kinh tế. Tính đến ngày 06/11/2012, VN-Index giảm 22,7% (về 376,9 điểm), VN30-Index giảm gần 20% (về 466,4 điểm). Khối lượng giao dịch toàn thị trường và rổ VN30 trong tháng 11/2012 giảm lần lượt 50% và 38% so với đỉnh tháng 5/2012.
Tiêu chí Giai đoạn 06/02/2012 – 09/05/2012 Giai đoạn 10/05/2012 – 31/12/2012
Xu hướng điểm số Tăng trưởng: VN-Index tăng 38,7%; VN30-Index tăng 35,2% Giảm sâu: VN-Index rơi 22,7%; VN30-Index rơi gần 20% (tính đến 06/11)
Đỉnh/Đáy khối lượng Ngày 09/05/2012: Thị trường đạt 109,81 triệu CP; VN30 đạt 26,65 triệu CP Tháng 11/2012: Thị trường giảm 50%; rổ VN30 giảm 38% so với đỉnh tháng 5
Yếu tố vĩ mô & chính sách Thông tư 14 trần lãi vay 15%; ổn định tỷ giá; mở phiên giao dịch chiều Nợ xấu ngân hàng công bố 10%; sự kiện Habubank nợ xấu 13%; biến cố pháp lý

Chương 3: Dự báo thanh khoản của nhóm 30 cổ phiếu có giá trị vốn hóa và khối lượng giao dịch lớn niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh

Chương 3 trình bày kết quả thực nghiệm mô hình hóa chuỗi chỉ số thanh khoản Amivest của VN30-Index:

  • Thống kê mô tả và kiểm định tính dừng: Chuỗi số liệu Amivest tính theo tuần thể hiện tính dừng ngay ở mức sai phân bậc 0 ($d=0$) qua kiểm định ADF, cho phép xây dựng mô hình dạng $\text{ARIMA}(p,0,q)$.
  • Lựa chọn mô hình ARIMA: Qua kiểm tra đồ thị ACF và PACF, tác giả tiến hành thử nghiệm các mô hình $\text{ARIMA}(p,0,q)$ kết hợp với kiểm tra phần dư. Mô hình $\text{ARIMA}(1,0,1)$ được dùng để dự báo thử nghiệm ngoài mẫu giai đoạn từ 06/02/2015 đến 27/03/2015, cho kết quả bám sát chuỗi thực tế.
  • Ước lượng mô hình GARCH: Khi tiến hành kiểm định phần dư của phương trình trung bình, tác giả phát hiện sự hiện diện rõ nét của hiệu ứng ARCH (phương sai phần dư thay đổi theo thời gian). Do đó, tác giả ước lượng các cấu trúc $\text{ARCH}(q)$ và $\text{GARCH}(p,q)$.
  • Tiêu chí lựa chọn mô hình tốt nhất: Dựa trên phương pháp thử và sai với các tiêu chuẩn AIC, SIC, $R^2$, MAE, MAPE, Theil Inequality Coefficient ($U$) và tỷ lệ chệch Bias, mô hình $\text{GARCH}(1,2)$ được xác định là mô hình tối ưu nhất.
  • Kết quả dự báo ngắn hạn: Mô hình $\text{GARCH}(1,2)$ được ứng dụng để dự báo thanh khoản Amivest theo tuần cho giai đoạn từ ngày 03/04/2015 đến 06/05/2015 (kéo dài đến 05/06/2015). Kết quả dự báo cho thấy giá trị trung bình của chỉ số Amivest có chiều hướng tăng dần trong ngắn hạn, phản ánh xu thế thanh khoản của rổ VN30 được cải thiện tích cực và mức độ dao động phương sai bám sát số liệu thực tế ngoài mẫu.

Kết quả và đóng góp

Về kết quả chính:

  • Nghiên cứu đã đo lường thành công chuỗi thanh khoản đa chiều của rổ cổ phiếu VN30 từ ngày 06/02/2012 đến ngày 27/03/2015 bằng chỉ số Amivest, loại bỏ được các nhược điểm đo lường đơn biến của khối lượng giao dịch thuần túy.
  • Xác định được mô hình kinh tế lượng tối ưu là $\text{GARCH}(1,2)$ (với phương trình trung bình bậc thấp $\text{ARIMA}(1,0,1)$), khắc phục triệt để hiện tượng phương sai sai số thay đổi của chuỗi thanh khoản.
  • Đưa ra bảng số liệu dự báo giá trị thanh khoản chỉ số Amivest từ 03/04/2015 đến 06/05/2015 (và 05/06/2015), chỉ ra xu hướng tăng dần của thanh khoản nhóm cổ phiếu Bluechip niêm yết trên HOSE.

Về khuyến nghị:

  • Đối với nhà đầu tư: Cần theo dõi chỉ số Amivest và sự biến động phương sai thanh khoản thay vì chỉ căn cứ vào khối lượng giao dịch khớp lệnh khi giao dịch các mã vốn hóa lớn; sử dụng kết quả dự báo thanh khoản để căn thời điểm tái cơ cấu danh mục và hạn chế tổn thất do trượt giá khi mua bán khối lượng lớn.
  • Đối với các cơ quan quản lý và hoạch định chính sách: Cần sử dụng chỉ số VN30-Index và các công cụ đo lường độ sâu thị trường để nắm bắt chính xác mức độ hấp thụ vốn, phòng ngừa hiện tượng một vài mã vốn hóa lớn bóp méo chỉ số chung VN-Index, đồng thời điều tiết chính sách tiền tệ và khung giám sát thanh khoản phù hợp với sức khỏe hệ thống tài chính.

Về đóng góp học thuật:

  • Tác giả khẳng định tại thời điểm thực hiện (năm 2015), đây là một trong những công trình nghiên cứu thực nghiệm đầu tiên trong nước ứng dụng kết hợp chuỗi mô hình Box-Jenkins (ARIMA) và biến động phương sai có điều kiện (GARCH) để dự báo thanh khoản ngắn hạn cho rổ chỉ số VN30-Index. Nghiên cứu khắc phục khoảng trống của các đề tài trước đó (vốn chỉ khảo sát ngành hẹp như thủy sản hoặc sử dụng mô hình VAR đơn giản), cung cấp một quy trình định lượng hoàn chỉnh từ kiểm định tính dừng đến đánh giá sai số dự báo bằng hệ số Theil.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ ra một số hạn chế gắn liền với phạm vi nghiên cứu:

  • Giới hạn chuỗi dữ liệu: Dữ liệu nghiên cứu bắt đầu từ ngày 06/02/2012 (ngày chỉ số VN30 ra đời) đến tháng 03/2015, độ dài chuỗi thời gian hơn 3 năm ở tần suất tuần tương đối ngắn, chưa trải qua đầy đủ các chu kỳ thăng trầm dài hạn của nền kinh tế.
  • Đặc tính công thức Amivest: Chỉ số Amivest bắt buộc phải loại trừ các phiên giao dịch có tỷ suất sinh lợi bằng 0, làm mất đi một số quan sát trong chuỗi dữ liệu gốc.
  • Tính đơn biến của mô hình: Mô hình ARIMA–GARCH được thiết lập dựa trên chuỗi thời gian nội sinh của chính thanh khoản rổ VN30, chưa kết hợp các biến giải thích kinh tế vĩ mô ngoại sinh (như lãi suất điều hành, biến động tỷ giá, tăng trưởng tín dụng) trong cùng một hệ phương trình đa biến.

Hướng nghiên cứu tiếp:

  • Mở rộng tập dữ liệu với độ dài thời gian lớn hơn khi chỉ số VN30 tích lũy đủ số phiên giao dịch theo năm.
  • Ứng dụng mô hình dự báo thanh khoản cho từng cổ phiếu riêng lẻ trong rổ VN30 hoặc tiến hành so sánh đối chiếu với rổ chỉ số HNX30 của Sở Giao dịch Chứng khoán Hà Nội.
  • Kết hợp thêm các mô hình chuỗi thời gian đa biến (như ARMAX, VAR-GARCH) và thử nghiệm các thước đo thanh khoản khác như chỉ số Amihud hoặc chênh lệch giá mua – bán để nâng cao độ tin cậy dự báo trung và dài hạn.

Giá trị tham khảo

Công trình là tài liệu tham khảo cho:

  • Sinh viên, học viên cao học và nghiên cứu viên các ngành Tài chính – Ngân hàng, Kinh tế học, Kinh tế lượng ứng dụng và Quản trị rủi ro tài chính khi thực hiện các nghiên cứu về cấu trúc vi mô thị trường (market microstructure).
  • Các nhà đầu tư tổ chức, chuyên viên phân tích định lượng (quant analyst) tại các quỹ đầu tư chỉ số hoặc công ty chứng khoán quan tâm đến mô hình hóa biến động rủi ro thanh khoản.

Các phần đáng tham khảo trực tiếp gồm:

  • Khung hệ thống hóa lý luận về 4 khía cạnh thanh khoản (bảng 1.1) và các công thức toán học đo lường độ sâu, độ chặt, độ co giãn (Amivest, Amihud, Hui-Heubel, Bruner).
  • Quy trình kiểm định nghiệm đơn vị, chẩn đoán phần dư Box-Jenkins và kiểm định hiệu ứng ARCH.
  • Phương pháp đánh giá độ chính xác mô hình dự báo thông qua bộ chỉ tiêu so sánh thống kê (AIC, SIC, Theil $U$, Bias Proportion).

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn rổ VN30-Index để dự báo thanh khoản thay vì toàn bộ chỉ số VN-Index?
Chỉ số VN-Index thời điểm đó chịu sự chi phối và bóp méo lớn bởi 4 mã vốn hóa lớn (BVH, MSN, VIC, VNM). Trong khi đó, rổ VN30 quy tụ 30 doanh nghiệp dẫn đầu đại diện cho 9/11 ngành kinh tế, chiếm khoảng 80% vốn hóa và 60% giá trị giao dịch toàn sàn HOSE, với tiêu chuẩn sàng lọc thanh khoản và tỷ lệ free-float khắt khe, giúp phản ánh chân thực và ổn định hơn xu thế vận động của thị trường.

2. Công thức chỉ số thanh khoản Amivest được tính toán như thế nào và có ưu điểm gì?
Chỉ số Amivest được tính bằng tổng giá trị giao dịch chia cho tổng giá trị tuyệt đối của tỷ suất sinh lợi trong các ngày có biến động giá khác 0 ($\text{Amivest} = \sum V_{i,D} / \sum |R_{i,D}|$). Chỉ số này đo lường cần bao nhiêu giá trị giao dịch để tạo ra 1% thay đổi giá; giá trị Amivest càng lớn thì cổ phiếu càng có tính thanh khoản cao vì hấp thụ khối lượng lớn mà không làm biến động mạnh về giá.

3. Vì sao tác giả phải sử dụng mô hình GARCH bên cạnh mô hình ARIMA?
Sau khi ước lượng mô hình trung bình ARIMA(1,0,1), kiểm định phần dư cho thấy chuỗi sai số có hiện tượng phương sai thay đổi có điều kiện (hiệu ứng ARCH). Việc ứng dụng mô hình GARCH (cụ thể là GARCH(1,2)) là bắt buộc để mô hình hóa đồng thời giá trị kỳ vọng và rủi ro biến động phương sai của chuỗi thời gian, khắc phục hiện tượng gom cụm biến động trong tài chính.

4. Hai giai đoạn biến động trái chiều của thị trường chứng khoán năm 2012 được tác giả lý giải bằng các sự kiện nào?
Giai đoạn đầu năm (06/02 – 09/05/2012) thị trường bứt phá nhờ Thông tư 14 áp trần lãi vay 15%/năm, cam kết ổn định tỷ giá và mở phiên giao dịch chiều. Ngược lại, giai đoạn nửa cuối năm 2012 thị trường lao dốc do Ngân hàng Nhà nước công bố tỷ lệ nợ xấu toàn hệ thống lên tới 10% (thay vì 4% báo cáo), sự kiện ngân hàng Habubank nợ xấu 13% phải sáp nhập giải cứu và các cú sốc điều tra pháp lý.

5. Kết quả thực nghiệm lựa chọn mô hình nào là tối ưu và xu hướng dự báo ra sao?
Qua so sánh các tiêu chí AIC, SIC, hệ số bất bình đẳng Theil $U$ và sai số MAPE/MAE, mô hình $\text{GARCH}(1,2)$ được chọn là mô hình tối ưu nhất. Kết quả dự báo theo tuần cho thấy giá trị trung bình của chỉ số Amivest có xu hướng tăng dần trong giai đoạn từ tháng 04/2015 đến tháng 05–06/2015, báo hiệu thanh khoản nhóm VN30 tiếp tục được cải thiện.

Kết luận

Khóa luận tốt nghiệp của tác giả Huỳnh Thị Phượng đã giải quyết trọn vẹn bài toán đo lường và dự báo tính thanh khoản ngắn hạn cho nhóm 30 cổ phiếu dẫn đầu sàn HOSE thông qua chỉ số Amivest. Bằng việc kết hợp chặt chẽ quy trình Box-Jenkins với mô hình phương sai có điều kiện $\text{GARCH}(1,2)$, tác giả đã xử lý triệt để các đặc tính phi tuyến và biến động cụm của chuỗi dữ liệu tài chính giai đoạn 2012–2015. Kết quả dự báo chỉ số Amivest gia tăng theo tuần không chỉ cung cấp luận cứ định lượng giá trị cho các quyết định phân bổ vốn của nhà đầu tư mà còn đặt nền móng phương pháp luận thực nghiệm cho các nghiên cứu tiếp theo về rủi ro thanh khoản trên thị trường chứng khoán Việt Nam.