Giới thiệu dự án

Đại dịch COVID-19 bùng phát từ đầu năm 2020 đã gây ra một cuộc khủng hoảng y tế và kinh tế toàn cầu có quy mô chưa từng có tiền lệ. Tại Việt Nam, trải qua 4 đợt bùng phát dịch—đặc biệt là đợt thứ 4 từ mùa hè năm 2021—nền kinh tế đã phải gánh chịu những tổn thất nghiêm trọng. Tăng trưởng GDP quý III/2021 suy giảm xuống mức âm lần đầu tiên sau nhiều thập kỷ, chuỗi cung ứng bị đứt gãy, hơn 85.500 doanh nghiệp rút lui khỏi thị trường trong 8 tháng đầu năm 2021 (tăng hơn 24% so với cùng kỳ năm 2020), và trên 1,2 triệu người lao động rơi vào cảnh thất nghiệp.

Tuy nhiên, đối lập hoàn toàn với bức tranh ảm đạm của nền kinh tế thực, thị trường chứng khoán (TTCK) Việt Nam—tiêu biểu là sàn HOSE—lại chứng kiến sự bùng nổ kỷ lục. Sau cú sụt giảm ngắn hạn vào tháng 3/2020 (chỉ số VN-Index rơi về đáy 659,21 điểm ngày 23/03/2020), chỉ số này đã tăng vọt hơn 27% chỉ sau 2 tháng và vượt mốc 1.400 điểm vào giữa năm 2021. Thanh khoản thị trường thiết lập đỉnh lịch sử với giá trị giao dịch vượt 1 tỷ USD/phiên (đạt trên 366.000 tỷ đồng trong tháng 4/2021), cùng hơn 720.000 tài khoản cá nhân mở mới trong 7 tháng đầu năm 2021.

                  +-------------------------------------------------------+
                  |               KHỦNG HOẢNG ĐẠI DỊCH COVID-19          |
                  +---------------------------+---------------------------+
                                              |
                     +------------------------+------------------------+
                     |                                                 |
                     v                                                 v
        [ NỀN KINH TẾ THỰC ]                               [ THỊ TRƯỜNG CHỨNG KHOÁN ]
  - GDP Q3/2021 tăng trưởng âm                     - VN-Index phục hồi >100% từ đáy
  - 85.500 DN rút lui (8T/2021)                    - Thanh khoản đạt kỷ lục >1 tỷ USD/phiên
  - 1,2 triệu lao động mất việc                     - 720.000 tài khoản mở mới (7T/2021)
  - Đứt gãy chuỗi cung ứng cục bộ                  - Lãi suất thấp kích hoạt dòng vốn F0
                     |                                                 |
                     +------------------------+------------------------+
                                              |
                                              v
                              +-------------------------------+
                              |    NGHIÊN CỨU ĐỊNH LƯỢNG      |
                              |   MÔ HÌNH HÓA KINH TẾ LƯỢNG   |
                              |  (VAR & Granger Causality)    |
                              +-------------------------------+

Vấn đề nghiên cứu (Problem Statement)

Sự phân kỳ sâu sắc (divergence) giữa nền kinh tế thực suy thoái và thị trường chứng khoán tăng trưởng phi mã đặt ra một nghịch lý kinh tế học lớn. Giả thuyết thị trường hiệu quả (Efficient Market Hypothesis - EMH) truyền thống cho rằng TTCK là "phong vũ biểu" phản ánh trung thực sức khỏe nền kinh tế. Song, thực tế đại dịch lại làm nổi bật quan điểm của Karl Marx về "tư bản giả" (fictitious capital) và nhận định của Paul Krugman: “Thị trường chứng khoán không phải là nền kinh tế”. Vấn đề đặt ra là lượng hóa chính xác mối quan hệ tác động nhân quả giữa các biến số dịch tễ, chính sách can thiệp của chính phủ và biến động giá cổ phiếu trên sàn HOSE.

Mục tiêu dự án

  1. Hệ thống hóa cơ sở lý luận: Phân tích bản chất của TTCK, tư bản giả theo học thuyết Marx và lý thuyết tài chính hành vi hiện đại trong bối cảnh cú sốc phi kinh tế.
  2. Lượng hóa tác động định lượng: Xây dựng mô hình chuỗi thời gian Vector Autoregression (VAR) và kiểm định quan hệ nhân quả Granger giữa tốc độ gia tăng số ca nhiễm COVID-19, tỷ lệ tử vong, Chỉ số Phản ứng Chính phủ (OxCGRT) và chỉ số VN-Index.
  3. Phân tích phân mảnh vi mô: Đánh giá hiệu quả sử dụng vốn của các doanh nghiệp niêm yết thông qua chỉ số ROE (Return on Equity) của 1.627 mã cổ phiếu, phân tách rõ các nhóm ngành hưởng lợi và chịu tổn thất.
  4. Khuyến nghị chính sách: Đề xuất các giải pháp kinh tế vĩ mô và điều tiết thị trường vốn nhằm ngăn ngừa rủi ro bong bóng tài sản và đình lạm (stagflation).

Phạm vi và giới hạn

  • Không gian: Thị trường chứng khoán Việt Nam, trọng tâm là Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE).
  • Thời gian: Giai đoạn từ tháng 03/2020 đến tháng 08/2021 (bao trọn 4 làn sóng dịch).
  • Đối tượng: Thị trường thứ cấp, dữ liệu chuỗi thời gian tần suất ngày của VN-Index và dữ liệu tài chính 12 tháng gần nhất (Trailing 12 Months - TTM).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh các phương pháp tiếp cận kinh tế lượng đã được các nghiên cứu quốc tế và trong nước áp dụng trước đây:

Phương pháp nghiên cứu Ưu điểm Nhược điểm Khả năng ứng dụng trong đồ án
Hồi quy OLS cổ điển / Dữ liệu bảng (Panel Data) (Dao Le & Gan, 2020) Dễ ước lượng hệ số tác động biên của số ca nhiễm lên từng nhóm cổ phiếu. Không xử lý được nội sinh, độ trễ phản ứng và mối quan hệ nhân quả hai chiều. Không phù hợp cho chuỗi thời gian tài chính có tính phụ thuộc động.
Mô hình GARCH(1,1) (Võ Hoàng Oanh et al., 2021) Đo lường hiệu quả biến động phương sai có điều kiện (volatility clustering). Chỉ tập trung vào rủi ro/biến động, không chỉ ra được hướng tác động nhân quả giữa các biến số vĩ mô. Dùng làm cơ sở tham chiếu phụ, không phản ánh toàn diện hệ thống tương tác.
Mô hình Vector Autoregression (VAR) & Granger Causality (Đề xuất) Cho phép mọi biến đều là nội sinh; đo lường được độ trễ lan truyền và chiều nhân quả thực tế. Yêu cầu chuỗi dữ liệu nghiêm ngặt về tính dừng và chọn bậc trễ tối ưu. Lựa chọn tối ưu để giải quyết tương tác giữa dịch tễ - chính sách - thị trường.

Yêu cầu phân tích theo chuẩn MoSCoW

  • Must have: Kiểm định tính dừng Augmented Dickey-Fuller (ADF); kiểm định đồng liên kết Johansen; ước lượng mô hình VAR; kiểm định Granger Causality giữa ca nhiễm/tử vong và VN-Index; thống kê ROE nhóm Top 50 vs Bot 100.
  • Should have: Tích hợp Chỉ số Phản ứng Chính phủ OxCGRT (Oxford COVID-19 Government Response Tracker) gồm 19 chỉ tiêu con; phân tích dòng vốn khối ngoại (FII).
  • Could have: Phân rã phương sai (Variance Decomposition) và hàm phản ứng đẩy (Impulse Response Functions - IRF).
  • Won't have: Mô hình dự báo giá cổ phiếu thời gian thực (real-time high-frequency trading) hoặc can thiệp dữ liệu giao dịch phái sinh nội ngày.

Thiết kế hệ thống dữ liệu và kiến trúc phân tích

Hệ thống xử lý và mô hình hóa dữ liệu được chuẩn hóa theo quy trình sau:

Ngũ công nghệ và thư viện kỹ thuật

  • Ngôn ngữ xử lý & Phân tích: Python 3.9.12 / R 4.1.2
  • Bộ công cụ kinh tế lượng: statsmodels v0.13.2 (VAR, ADF, Granger Causality), scipy v1.8.0
  • Xử lý dữ liệu bảng: pandas v1.4.2, numpy v1.22.3
  • Trực quan hóa: matplotlib v3.5.1, seaborn v0.11.2
  • Phần mềm kinh tế lượng chuyên dụng: EViews 12.0 Enterprise

Cơ sở dữ liệu và cấu trúc biến (Data Schema)

Tên biến Kiểu dữ liệu Nguồn Ý nghĩa kinh tế
VNI_RETURN Float (Chuỗi thời gian) HOSE / Investing.com Tỷ suất sinh lợi hàng ngày của chỉ số VN-Index: $\ln(P_t / P_{t-1})$
COVID_CASES_DIFF Float OurWorldInData / Bộ Y tế Tốc độ biến động số ca nhiễm mới: $Case_t - \text{MA}3(Case{t-1})$
COVID_DEATHS_DIFF Float OurWorldInData / Bộ Y tế Tốc độ biến động số ca tử vong: $Death_t - \text{MA}7(Death{t-1})$
GRI_INDEX Float ($0 - 100$) Blavatnik School (Oxford) Chỉ số nghiêm ngặt trong phản ứng chính sách của chính phủ
ROE_TTM Float (%) BCTC kiểm toán sàn HOSE Tỷ suất lợi nhuận ròng trên vốn chủ sở hữu trong 12 tháng

Implementation và kết quả

Quy trình triển khai thuật toán kinh tế lượng

Dưới đây là đoạn mã Python chuẩn hóa để thực hiện tiền xử lý, kiểm định tính dừng ADF và mô hình hóa VAR / Granger Causality:

import numpy as np
import pandas as pd
from statsmodels.tsa.stattools import adfuller, grangercausalitytests
from statsmodels.tsa.api import VAR

def run_econometric_pipeline(df_raw: pd.DataFrame):
    """
    Quy trình kiểm định chuỗi thời gian tài chính và kiểm định Granger
    """
    # 1. Tính toán lợi suất VN-Index và tốc độ biến động dịch tễ
    df = pd.DataFrame()
    df['vni_ret'] = np.log(df_raw['VNINDEX'] / df_raw['VNINDEX'].shift(1))
    
    # Biến động cục bộ so với trung bình trượt
    df['cases_shock'] = df_raw['NewCases'] - df_raw['NewCases'].rolling(window=3).mean().shift(1)
    df['deaths_shock'] = df_raw['NewDeaths'] - df_raw['NewDeaths'].rolling(window=7).mean().shift(1)
    df['gri'] = df_raw['GovernmentResponseIndex']
    
    df = df.dropna()

    # 2. Kiểm định tính dừng Augmented Dickey-Fuller (ADF)
    print("--- KẾT QUẢ KIỂM ĐỊNH TÍNH DỪNG (ADF TEST) ---")
    for col in df.columns:
        result = adfuller(df[col])
        print(f"Biến {col}: ADF Stat = {result[0]:.4f}, p-value = {result[1]:.4e}")
        if result[1] > 0.05:
            # Lấy sai phân nếu chuỗi không dừng
            df[col] = df[col].diff().dropna()

    # 3. Lựa chọn bậc trễ tối ưu cho VAR
    model = VAR(df.dropna())
    lag_order = model.select_order(maxlags=10)
    optimal_lag = lag_order.aic
    print(f"\nBậc trễ tối ưu được chọn theo AIC: p = {optimal_lag}")

    # 4. Ước lượng mô hình VAR
    var_fitted = model.fit(optimal_lag)
    
    # 5. Kiểm định nhân quả Granger đối với VN-Index
    print("\n--- KẾT QUẢ KIỂM ĐỊNH NHÂN QUẢ GRANGER VỚI VN-INDEX ---")
    for predictor in ['cases_shock', 'deaths_shock', 'gri']:
        print(f"\nKiểm tra: {predictor} -> vni_ret")
        gc_res = grangercausalitytests(df[['vni_ret', predictor]].dropna(), maxlag=optimal_lag, verbose=False)
        for lag in range(1, optimal_lag + 1):
            f_stat = gc_res[lag][0]['ssr_ftest'][0]
            p_val = gc_res[lag][0]['ssr_ftest'][1]
            print(f"  Lag {lag}: F-stat = {f_stat:.4f}, p-value = {p_val:.4f}")

    return var_fitted

Kết quả kiểm định thống kê và định lượng

  1. Kiểm định tính dừng (Unit Root Test):

    • Chuỗi $VNI_RETURN$ dừng ở bậc gốc $I(0)$ với thống kê $ADF = -14.821$ ($p\text{-value} < 0.0001$).
    • Các chuỗi biến động số ca nhiễm ($COVID_CASES_DIFF$) và tử vong ($COVID_DEATHS_DIFF$) đạt tính dừng sau khi loại bỏ xu thế trung bình trượt cục bộ ($p\text{-value} < 0.01$).

  2. Kiểm định nhân quả Granger (Granger Causality Results):

    • Số ca nhiễm mới $\rightarrow$ VN-Index: Tác động tiêu cực có ý nghĩa thống kê trong ngắn hạn (độ trễ 1–3 ngày, $p < 0.05$) trong giai đoạn bùng phát đợt 1 và đợt 2. Tuy nhiên, sang đợt 4 (mùa hè 2021), phản ứng giảm dần do thị trường xuất hiện tâm lý thích ứng.
    • Chỉ số phản ứng của Chính phủ (GRI) $\rightarrow$ VN-Index: Cho thấy mối liên hệ đồng biến đáng kể sau 5–7 ngày công bố lệnh giãn cách nghiêm ngặt. Khi chính phủ siết chặt phong tỏa xã hội, dòng tiền từ nền kinh tế thực không thể tái đầu tư vào sản xuất kinh doanh đã dịch chuyển mạnh vào tài khoản chứng khoán cá nhân.
    • Chiều ngược lại (VN-Index $\rightarrow$ Số ca nhiễm/Chính sách): Không có ý nghĩa thống kê ($p > 0.60$), bác bỏ giả định về tương tác ngược.
                  +----------------------------------------------+
                  | Tác động dịch tễ & Chính sách giãn cách     |
                  +----------------------+-----------------------+
                                         |
                     +-------------------+-------------------+
                     |                                       |
                     v (Độ trễ 1-3 ngày: p < 0.05)           v (Độ trễ 5-7 ngày: Dòng tiền)
         [ Cú sốc tâm lý ngắn hạn ]            [ Phong tỏa đóng cửa kinh doanh ]
                     |                                       |
                     v (Tác động giảm dần)                   v (Lãi suất thấp / Dư thừa vốn)
         [ Bán tháo cục bộ sàn HOSE ]          [ Đổ vốn vào tài khoản chứng khoán ]
                     |                                       |
                     +-------------------+-------------------+
                                         |
                                         v
                         +-------------------------------+
                         | VN-INDEX PHỤC HỒI & TĂNG KỶ LỤC |
                         | (Biểu hiện của 'Tư bản giả')  |
                         +-------------------------------+

Kết quả phân tích vi mô: Phân hóa ROE doanh nghiệp niêm yết

Phân tích 1.627 doanh nghiệp trên sàn HOSE cho thấy sự phân hóa cực đoan về năng lực tài chính:

Nhóm ngành Tỷ trọng trong Top 50 ROE cao nhất (%) Tỷ trọng trong Bot 100 ROE thấp nhất (%) Đặc điểm hoạt động trong đại dịch
Xây dựng & Kỹ thuật 8.0% 26.0% Phân mảnh rõ: Nhóm Top 50 chuyên xây dựng hạ tầng công, kho vận logistics; nhóm Bot 100 chuyên xây dựng dân dụng tư nhân và thương mại.
Sản xuất Thực phẩm 16.0% 4.0% Nhóm Top 50 tập trung thực phẩm thiết yếu (Vinamilk, Tường An, Son La Sugar); nhóm Bot 100 chịu tổn thất do xuất khẩu thủy sản đình trệ (Hùng Vương, Đà Nẵng Seafood).
Du lịch, Khách sạn, Hàng không 0.0% 18.0% Tổn thất toàn diện do các chuyến bay thương mại và chuỗi lưu trú bị đóng băng hoàn toàn.
Vật liệu cơ bản (Thép, Hóa chất) 14.0% 2.0% Hưởng lợi từ sự tăng giá hàng hóa toàn cầu và đầu tư công nội địa (tiêu biểu như Tập đoàn Hòa Phát).

Đổi mới và đóng góp

  1. Cầu nối lý luận kinh tế chính trị và kinh tế lượng thực nghiệm:

    • Nghiên cứu đã chứng minh bằng số liệu thực nghiệm luận điểm của Karl Marx trong Tư bản luận (Tập 3, Chương 25): Sự vận động của tư bản giả (cổ phiếu, trái phiếu) tách rời khỏi tư bản thực tế.
    • Khẳng định giá trị thị trường của chứng khoán không đo lường sức khỏe hiện tại của nền kinh tế thực mà phản ánh kỳ vọng chiết khấu dòng tiền tương lai trong môi trường thanh khoản rẻ.

  2. Cải tiến phương pháp tiếp cận dịch tễ học tài chính:

    • Khác với các nghiên cứu trước chỉ sử dụng số ca nhiễm tuyệt đối, đồ án đề xuất biến số tốc độ gia tốc cục bộ (sai phân so với trung bình động 3 ngày và 7 ngày). Điều này phản ánh chính xác hiệu ứng bất ngờ trong tâm lý nhà đầu tư cá nhân.

  3. Phát hiện nghịch lý dòng vốn nội - ngoại:

    • Chỉ ra rằng trong khi khối ngoại bán ròng kỷ lục hơn 25.000 tỷ đồng trong 5 tháng đầu năm 2021 (do lo ngại rủi ro thị trường cận biên), thì chỉ số VN-Index vẫn liên tục lập đỉnh nhờ làn sóng nhà đầu tư cá nhân trong nước (F0), tái định hình cấu trúc sở hữu thị trường.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị và điều hành

  1. Hệ thống giám sát vĩ mô cho Ngân hàng Nhà nước & Bộ Tài chính:
    • Ứng dụng mô hình VAR để đo lường độ trễ hấp thụ dòng tiền rẻ, giúp nhà hoạch định chính sách ngăn chặn hiện tượng dòng tiền kích thích kinh tế chảy lệch vào đầu cơ tài sản thay vì sản xuất thực tế.
  2. Chiến lược phân bổ danh mục cho các định chế tài chính:
    • Mô hình phân loại ROE cung cấp bộ lọc chiến lược: tăng tỷ trọng nhóm cổ phiếu hưởng lợi từ đầu tư công và hàng hóa thiết yếu, đồng thời phòng hộ rủi ro cho các nhóm dịch vụ nhạy cảm với giãn cách xã hội.

Phân tích chi phí và hiệu quả (Cost-Benefit Analysis)

  • Chi phí triển khai: Rất thấp do tận dụng nguồn dữ liệu mở (Open-source datasets) và hệ sinh thái thư viện Python/R mã nguồn mở.
  • Lợi ích: Cung cấp công cụ dự báo định lượng giúp giảm thiểu rủi ro thua lỗ danh mục hàng triệu USD trong các giai đoạn khủng hoảng bất đối xứng.

Hạn chế và hướng phát triển

  • Giới hạn chuỗi dữ liệu: Nghiên cứu giới hạn mốc thời gian đến tháng 08/2021. Các biến động sau giai đoạn mở cửa bình thường mới (Nghị quyết 128/NQ-CP) và chu kỳ thắt chặt tiền tệ 2022 chưa được bao hàm trong mô hình.
  • Độ bao phủ khu vực phi chính thức: Dữ liệu tài chính chỉ phản ánh các doanh nghiệp lớn niêm yết trên sàn HOSE, chưa đại diện đầy đủ cho khu vực doanh nghiệp vừa và nhỏ (SMEs) và hộ kinh doanh cá thể—những đối tượng chịu thiệt hại nặng nề nhất trong đại dịch.
  • Hướng nghiên cứu tiếp theo: Mở rộng mô hình bằng mạng nơ-ron hồi quy LSTM (Long Short-Term Memory) kết hợp xử lý ngôn ngữ tự nhiên (NLP) để phân tích sắc thái tin tức (sentiment analysis) từ truyền thông xã hội và các diễn đàn tài chính.

Đối tượng hưởng lợi

Nhóm đối tượng Lợi ích cụ thể và giá trị ứng dụng
Sinh viên & Học viên cao học Nắm vững phương pháp luận kết hợp giữa lý luận Kinh tế Chính trị Mác - Lênin và mô hình kinh tế lượng ứng dụng hiện đại (VAR, Granger, ADF).
Chuyên viên phân tích dữ liệu & Lập trình viên Sở hữu framework Python hoàn chỉnh để tiền xử lý chuỗi thời gian kinh tế lượng, kiểm định tính dừng và ước lượng tương quan trễ.
Nhà đầu tư cá nhân & Doanh nghiệp Nhận diện bản chất dòng tiền thị trường, hiểu rõ sự phân hóa hiệu quả kinh doanh qua ROE để tránh bẫy tâm lý "FOMO" trong khủng hoảng.
Cơ quan quản lý & Nhà nghiên cứu chính sách Có thêm cơ sở khoa học định lượng để đánh giá rủi ro đình lạm (stagflation) và điều tiết thị trường tài chính an toàn, bền vững.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật để triển khai pipeline phân tích này là gì?

Hệ thống yêu cầu môi trường Python >= 3.8 với các thư viện cốt lõi statsmodels, pandas, numpy, scipy. Cấu hình phần cứng tối thiểu là CPU 2 nhân, 4GB RAM; quá trình xử lý toàn bộ chuỗi dữ liệu lịch sử và chạy mô hình VAR chỉ mất dưới 15 giây.

2. Tại sao nghiên cứu sử dụng kiểm định Granger mà không dùng hồi quy tuyến tính OLS thông thường?

Hồi quy OLS trên chuỗi thời gian tài chính không dừng dễ dẫn đến hiện tượng "hồi quy giả mạo" (spurious regression) và không thể xác định chiều tác động nhân quả hai chiều. Mô hình VAR kết hợp kiểm định Granger xử lý đồng thời mọi biến số như các biến nội sinh có độ trễ.

3. Làm thế nào để tích hợp thêm các chỉ số kinh tế vĩ mô khác vào mô hình?

Người dùng chỉ cần đưa thêm các chuỗi thời gian dừng (như Lãi suất điều hành, Tỷ giá USD/VND, CPI) vào ma trận dữ liệu của hàm VAR(), sau đó tái ước lượng tiêu chí chọn bậc trễ thông tin AIC/SIC để mở rộng hệ phương trình.

4. Kết quả nghiên cứu có mâu thuẫn với Giả thuyết thị trường hiệu quả (EMH) không?

Có. Kết quả cho thấy trong giai đoạn khủng hoảng, thị trường chứng khoán bị chi phối nặng nề bởi yếu tố tâm lý đám đông, tính thanh khoản dư thừa và các chính sách phong tỏa thay vì phản ánh tức thời và chính xác năng lực tạo ra giá trị thực của nền kinh tế.

5. Dự án có thể ứng dụng trong điều kiện bình thường không có đại dịch không?

Hoàn toàn có thể. Khung phân tích VAR và phương pháp phân tầng ROE có thể được tái sử dụng để đánh giá tác động của các cú sốc vĩ mô khác như biến động địa chính trị, khủng hoảng năng lượng hoặc các chu kỳ thay đổi lãi suất của Cục Dự trữ Liên bang Mỹ (FED).

Kết luận

Nghiên cứu "Tác động của đại dịch COVID-19 đến nền kinh tế Việt Nam: Biểu hiện qua thị trường chứng khoán TP. Hồ Chí Minh" của tác giả Trần Đăng Khoa (UEH) đã làm sáng tỏ nghịch lý phân kỳ giữa nền kinh tế thực và thị trường tài chính trong giai đoạn 2020–2021. Bằng việc kết hợp chặt chẽ giữa lý luận tư bản giả của Karl Marx và phương pháp kinh tế lượng thực nghiệm hiện đại (mô hình VAR, kiểm định Granger, phân tích ROE 1.627 cổ phiếu sàn HOSE), đề tài chứng minh rằng sự tăng trưởng phi mã của chỉ số VN-Index trong đại dịch là kết quả của sự bùng nổ thanh khoản nội địa, chính sách tiền tệ nới lỏng và tâm lý kỳ vọng, chứ không đồng nhất với sức khỏe nội tại của nền sản xuất.

Công trình không chỉ đóng góp một bộ khung phương pháp luận vững chắc cho các nghiên cứu dịch tễ học tài chính mà còn cung cấp cơ sở thực tiễn quan trọng giúp các cơ quan quản lý điều tiết vĩ mô, cảnh báo rủi ro bong bóng tài sản và hỗ trợ nhà đầu tư ra quyết định an toàn trong các chu kỳ biến động phức tạp của nền kinh tế.