Giới thiệu dự án

Thị trường chứng khoán (TTCK) Việt Nam sau hơn 15 năm hình thành và phát triển (2000–2015) đã trở thành kênh dẫn vốn trung và dài hạn thiết yếu cho nền kinh tế. Tuy nhiên, thị trường giai đoạn này mang đặc thù của một thị trường cận biên (Frontier Market): tỷ lệ nhà đầu tư cá nhân chiếm trên 80% giao dịch, tâm lý bầy đàn (herd behavior) chi phối, và tính biến động cao trước các cú sốc vĩ mô (lạm phát 2011, tái cấu trúc ngân hàng 2012, sự kiện Biển Đông 2014, biến động giá dầu và nới room ngoại 2015).

Trong thực tiễn quản trị danh mục, phần lớn các quyết định phân bổ vốn tại Việt Nam vẫn dựa vào mô hình định giá tài sản vốn truyền thống (Capital Asset Pricing Model - CAPM), phương pháp chiết khấu dòng tiền (DCF), hoặc định giá tương đối (P/E, P/B). Việc chỉ dựa vào một nhân tố rủi ro duy nhất là beta thị trường ($\beta$) trong CAPM tỏ ra không đủ năng lực để giải thích sự phân hóa tỷ suất sinh lời (TSSL) của các nhóm cổ phiếu có đặc tính quy mô và giá trị khác nhau.

Đề tài "Kiểm định mô hình 3 nhân tố Fama–French trên thị trường chứng khoán Việt Nam" do tác giả Bùi Minh Khang thực hiện dưới sự hướng dẫn của TS. Trần Thị Bích Ngọc (Khoa Tài chính – Ngân hàng, Trường Đại học Kinh tế – Đại học Huế) giải quyết bài toán định lượng rủi ro đa chiều, giúp nâng cao độ chính xác trong định giá tài sản tài chính tại Việt Nam.

+-------------------------------------------------------------------------+
|                        MỤC TIÊU NGHIÊN CỨU                              |
+-------------------------------------------------------------------------+
| 1. Hệ thống hóa cơ sở lý luận định giá tài sản hiện đại (CAPM & FF3)     |
| 2. Xây dựng chuỗi nhân tố quy mô (SMB) và giá trị (HML) đặc thù cho HOSE|
| 3. Kiểm định kinh tế lượng chuỗi thời gian cho danh mục 25 Blue-chips   |
| 4. Đo lường hiệu quả mô hình trên 6 tiểu danh mục phân vị (2x3 Matrix) |
+-------------------------------------------------------------------------+

Phương pháp tiếp cận giải pháp

Nghiên cứu ứng dụng khung lý thuyết của Fama và French (1993) kết hợp phương pháp hồi quy chuỗi thời gian OLS của Black, Jensen và Scholes (1972). Bằng cách đưa thêm hai biến giải thích định lượng:

  1. Phần bù quy mô (Small Minus Big - SMB): Chênh lệch lợi nhuận giữa nhóm cổ phiếu vốn hóa nhỏ và vốn hóa lớn.
  2. Phần bù giá trị (High Minus Low - HML): Chênh lệch lợi nhuận giữa nhóm cổ phiếu có tỷ số giá trị sổ sách trên giá trị thị trường (Book-to-Market Equity - BE/ME) cao (cổ phiếu giá trị) và thấp (cổ phiếu tăng trưởng).

Kết quả kỳ vọng và Phạm vi nghiên cứu

  • Độ chính xác kỳ vọng: Nâng hệ số xác định hiệu chỉnh ($R^2$) từ mức ~77% (CAPM) lên trên 85% với mô hình 3 nhân tố Fama–French.
  • Phạm vi không gian: Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE).
  • Phạm vi dữ liệu: 25 cổ phiếu đại diện (nằm trong Top 50 công ty niêm yết hàng đầu do Forbes Việt Nam bình chọn, chiếm hơn 60% tổng vốn hóa toàn sàn HOSE như VNM, VIC, VCB, FPT, HPG, DHG, MSN,...).
  • Phạm vi thời gian: Dữ liệu chuỗi thời gian tần suất tháng (monthly series) gồm 59 quan sát từ tháng 01/2011 đến tháng 12/2015.
  • Lãi suất phi rủi ro ($R_f$): Thu thập từ cơ sở dữ liệu Quỹ Tiền tệ Quốc tế (IMF).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Mô hình CAPM (Sharpe, 1964) Định giá Dòng tiền (DCF) Mô hình 3 nhân tố Fama–French
Số lượng nhân tố 1 nhân tố: Thị trường ($R_m - R_f$) Đa biến dự phóng tài chính 3 nhân tố: Thị trường, SMB, HML
Giả định cốt lõi Thị trường hiệu quả dạng mạnh Tốc độ tăng trưởng dài hạn cố định Tồn tại phần bù rủi ro đa chiều
Khả năng giải thích ($R^2$) ~70% - 77% tại TTCK Việt Nam Nhạy cảm cao với sai số dự báo 86.00% trên danh mục 25 cổ phiếu
Ưu điểm Đơn giản, dễ tính toán Chi tiết về nội tại doanh nghiệp Bắt trọn rủi ro quy mô và định giá
Nhược điểm Bỏ sót rủi ro phi thị trường Thiếu yếu tố thị giá động Cần xử lý dữ liệu ma trận phức tạp 
                MA TRẬN YÊU CẦU NGHIÊN CỨU (MoSCoW)
+------------------------------------+------------------------------------+
| MUST HAVE (Bắt buộc)               | SHOULD HAVE (Nên có)               |
| - Thu thập chuỗi giá & VN-Index    | - Phân tích chi tiết 6 danh mục    |
| - Tính toán chính xác SMB & HML    | - So sánh trực tiếp với CAPM       |
| - Kiểm định tính dừng (ADF test)   | - Kiểm định đa cộng tuyến hồi quy phụ|
+------------------------------------+------------------------------------+
| COULD HAVE (Có thể mở rộng)        | WON'T HAVE (Không thực hiện)       |
| - Tích hợp sàn HNX & UPCoM         | - Kiểm định mô hình 5 nhân tố      |
| - Phân tích đòn bẩy tài chính      | - Giao dịch tần suất cao (HFT)     |
+------------------------------------+------------------------------------+

Thiết kế hệ thống xử lý dữ liệu và kinh tế lượng

+--------------------------------------------------------------------------+
|                 KIẾN TRÚC PIPELINE XỬ LÝ KINH TẾ LƯỢNG                   |
+--------------------------------------------------------------------------+
|  [Dữ liệu thô] -> Giá đóng cửa P_t, BCTC, VN-Index, Lãi suất IMF         |
|         |                                                                |
|         v                                                                |
|  [Data Preprocessing] -> Tính TSSL tháng: R_{i,t} = (P_t - P_{t-1})/P_{t-1}|
|         |                                                                |
|         v                                                                |
|  [2x3 Sorting Matrix] -> Phân loại 50% Size (S/B) x 30-40-30% BE/ME (L/M/H)|
|         |                                                                |
|         v                                                                |
|  [Factor Engine] -> Tạo chuỗi thời gian SMB_t và HML_t                  |
|         |                                                                |
|         v                                                                |
|  [Econometric Modeling] -> Hồi quy OLS đa biến trên EViews 8.0           |
|         |                                                                |
|         v                                                                |
|  [Diagnostic Testing] -> ADF Test | Durbin-Watson | White Test           |
+--------------------------------------------------------------------------+

Technology Stack và Công cụ

  • Hệ thống phân tích kinh tế lượng: EViews phiên bản 8.0 (hỗ trợ kiểm định OLS, Unit Root, White Test, Newey-West).
  • Hệ thống tiền xử lý và lưu trữ: Microsoft Excel 2016 (lập bảng tính ma trận danh mục, tái cơ cấu danh mục hàng năm).
  • Nguồn dữ liệu: Dữ liệu chuẩn hóa từ HOSE, Vietstock, Bloomberg, và IMF Database.

Thiết kế cấu trúc dữ liệu thực nghiệm

Table: Asset_Monthly_Data
- Ticker: VARCHAR(10) [Primary Key]
- Date: DATE [Monthly Timestamp]
- Close_Price (P_t): DECIMAL(18, 4)
- Shares_Outstanding: BIGINT
- Market_Equity (ME): DECIMAL(20, 2) = Close_Price * Shares_Outstanding
- Book_Equity (BE): DECIMAL(20, 2) [Vốn chủ sở hữu từ BCTC]
- BE_ME_Ratio: DECIMAL(10, 4) = BE / ME
- Monthly_Return (R_i): DECIMAL(10, 6) = (P_t - P_{t-1}) / P_{t-1}
- Risk_Free_Rate (R_f): DECIMAL(10, 6) [IMF Monthly Yield]

Phương pháp nghiên cứu thực nghiệm

Mô hình hồi quy chuỗi thời gian đa biến tổng quát: $$R_{i,t} - R_{f,t} = \alpha_i + \beta_i (R_{m,t} - R_{f,t}) + s_i \text{SMB}_t + h_i \text{HML}t + \varepsilon{i,t}$$

Trong đó:

  • $R_{i,t} - R_{f,t}$: Phần bù tỷ suất sinh lời vượt trội của tài sản $i$ (hoặc danh mục).
  • $R_{m,t} - R_{f,t}$: Phần bù rủi ro thị trường (dựa trên chỉ số VN-Index).
  • $\text{SMB}_t$: Nhân tố quy mô (Small Minus Big).
  • $\text{HML}_t$: Nhân tố giá trị (High Minus Low).
  • $\alpha_i$: Hệ số chặn Jensen's Alpha (đo lường lợi nhuận bất thường không giải thích được bởi mô hình).
  • $\varepsilon_{i,t}$: Phần dư ngẫu nhiên.
                      TIMELINE NGHIÊN CỨU VÀ TRIỂN KHAI
  Giai đoạn 1 (Tháng 1-2): Thu thập dữ liệu BCTC & Giá 25 cổ phiếu HOSE
  Giai đoạn 2 (Tháng 3): Xử lý TSSL, tính tỷ số BE/ME & Vốn hóa thị trường
  Giai đoạn 3 (Tháng 4): Thiết lập 6 danh mục 2x3 & Tạo chuỗi SMB, HML
  Giai đoạn 4 (Tháng 5): Chạy hồi quy OLS, thực hiện kiểm định chẩn đoán

Implementation và kết quả

Quy trình xây dựng nhân tố (Factor Construction)

Toàn bộ 25 cổ phiếu được xếp hạng và phân loại độc lập tại ngày 31/12 mỗi năm thành ma trận $2 \times 3$:

  1. Phân loại Quy mô (Size): Cổ phiếu có giá trị vốn hóa $\le 50%$ trung bình toàn thị trường xếp vào nhóm Small (S), còn lại xếp vào Big (B).
  2. Phân loại Giá trị (BE/ME): Cổ phiếu xếp theo tỷ số BE/ME tăng dần:
    • 30% thấp nhất: Low (L)
    • 40% tiếp theo: Medium (M)
    • 30% cao nhất: High (H)

Giao nhau giữa 2 tiêu chí tạo thành 6 danh mục con: SL, SM, SH, BL, BM, BH.

# Thuật toán xây dựng nhân tố SMB và HML (Python/Pandas Pseudocode)
import numpy as np
import pandas as pd

def construct_fama_french_factors(portfolio_returns):
    """
    portfolio_returns: DataFrame chứa TSSL tháng của 6 danh mục:
                       ['SL', 'SM', 'SH', 'BL', 'BM', 'BH']
    """
    # Tính toán SMB (Small Minus Big)
    small_portfolio = (portfolio_returns['SL'] + portfolio_returns['SM'] + portfolio_returns['SH']) / 3.0
    big_portfolio = (portfolio_returns['BL'] + portfolio_returns['BM'] + portfolio_returns['BH']) / 3.0
    SMB = small_portfolio - big_portfolio
    
    # Tính toán HML (High Minus Low)
    value_portfolio = (portfolio_returns['SH'] + portfolio_returns['BH']) / 2.0
    growth_portfolio = (portfolio_returns['SL'] + portfolio_returns['BL']) / 2.0
    HML = value_portfolio - growth_portfolio
    
    return pd.DataFrame({'SMB': SMB, 'HML': HML})

Công thức toán học định lượng: $$\text{SMB}t = \frac{R{SL,t} + R_{SM,t} + R_{SH,t}}{3} - \frac{R_{BL,t} + R_{BM,t} + R_{BH,t}}{3}$$ $$\text{HML}t = \frac{R{SH,t} + R_{BH,t}}{2} - \frac{R_{SL,t} + R_{BL,t}}{2}$$

Kiểm định chẩn đoán kinh tế lượng (Diagnostic Testing)

Nhằm đảm bảo mô hình hồi quy không rơi vào hiện tượng "hồi quy giả mạo" (spurious regression), các kiểm định nghiêm ngặt đã được thực hiện:

1. Kiểm định tính dừng (Augmented Dickey-Fuller - ADF Test)

Giả thiết $H_0$: Chuỗi dữ liệu chứa nghiệm đơn vị (không dừng).

Biến số Thống kê ADF ($t$-Statistic) Giá trị tới hạn (1% Level) $p$-Value Kết luận
$R_i - R_f$ -6.548208 -3.548490 0.0000 Bác bỏ $H_0$, Chuỗi dừng ở mức 1%
$R_m - R_f$ -6.421510 -3.548490 0.0000 Bác bỏ $H_0$, Chuỗi dừng ở mức 1%
SMB -7.112450 -3.548490 0.0000 Bác bỏ $H_0$, Chuỗi dừng ở mức 1%
HML -6.892130 -3.548490 0.0000 Bác bỏ $H_0$, Chuỗi dừng ở mức 1%

2. Kiểm định Đa cộng tuyến, Tự tương quan và Phương sai sai số thay đổi

  • Ma trận tương quan và Hồi quy phụ: Hệ số tương quan giữa $(R_m - R_f)$, $\text{SMB}$, và $\text{HML}$ dao động trong khoảng an toàn $[0.08 - 0.33] < 0.8$. Các hồi quy phụ cho $R^2 \le 11%$, khẳng định không có đa cộng tuyến nghiêm trọng.
  • Kiểm định Durbin–Watson ($d$): Kết quả đạt $d = 2.175690$. Với $\alpha = 5%, n = 59, k' = 3 \Rightarrow D_U = 1.686 < 2.175690 < 4 - D_U = 2.314$, chấp nhận $H_0$: Không có tự tương quan bậc nhất.
  • Kiểm định White (Heteroskedasticity Test): Thống kê $\text{Obs} \times R^2 = 3.9155$ ($p\text{-value} = 0.4175 > 0.05$). Chấp nhận $H_0$: Phương sai phần dư đồng đều.
                KẾT QUẢ KIỂM ĐỊNH CHẨN ĐOÁN MÔ HÌNH
+------------------------+---------------------+-------------------------+
| KIỂM ĐỊNH              | CHỈ SỐ THỰC NGHIỆM  | TRẠNG THÁI MÔ HÌNH      |
+------------------------+---------------------+-------------------------+
| Tính dừng (ADF)        | t = -6.548 (p<0.01) | Dừng ở sai phân bậc 0   |
| Tự tương quan (DW)     | d = 2.175690        | Không có tự tương quan  |
| Phương sai thay đổi    | White p = 0.4175    | Phương sai đồng nhất    |
| Đa cộng tuyến          | Corr max = 0.33     | Hoàn toàn chấp nhận     |
+------------------------+---------------------+-------------------------+

Kết quả hồi quy thực nghiệm

Kết quả trên Danh mục tổng hợp 25 cổ phiếu (DMĐT Y)

Phương trình ước lượng OLS thực nghiệm (59 quan sát): $$(R_i - R_f)_t = -0.001721 + 0.9842(R_m - R_f)_t + 0.3125\text{SMB}_t - 0.087791\text{HML}_t + \varepsilon_t$$

  • Hệ số xác định ($R^2$): Đạt 86.00% (trong khi CAPM đơn biến chỉ đạt 77.00%).
  • Hệ số $\alpha$ (Jensen's Alpha): $\alpha = -0.001721$ ($p\text{-value} > 0.05$), xấp xỉ bằng 0. Điều này chứng minh mô hình Fama–French đã hấp thụ và giải thích trọn vẹn phần bù rủi ro, không để lại lợi nhuận vượt trội dị biệt ngoài mô hình.
  • Hệ số $\beta$ (Thị trường): Có ý nghĩa thống kê ở mức 1% ($p = 0.0000$).

Kết quả hồi quy trên 6 danh mục con ($2 \times 3$)

Danh mục Hằng số $\alpha$ Hệ số $\beta$ ($R_m - R_f$) Hệ số $s$ ($\text{SMB}$) Hệ số $h$ ($\text{HML}$) $R^2$ (%) Ý nghĩa thống kê ($F$-test)
BL (Big - Low) -0.0031 1.054*** -0.421*** -0.512*** 84.99% $p = 0.0000$
BM (Big - Med) 0.0012 0.912*** -0.385*** 0.124* 70.67% $p = 0.0000$
BH (Big - High) -0.0045 0.612** -0.298** 0.485*** 29.62% $p = 0.0002$
SL (Small - Low) -0.0022 1.121*** 0.584*** -0.478*** 70.74% $p = 0.0000$
SM (Small - Med) 0.0008 0.845*** 0.512*** 0.095 50.19% $p = 0.0000$
SH (Small - High) -0.0019 1.018*** 0.642*** 0.541*** 80.73% $p = 0.0000$

(Ghi chú: * $p < 0.1$, ** $p < 0.05$, *** $p < 0.01$)

Đổi mới và đóng góp

  1. Gia tăng năng lực giải thích phương sai lợi nhuận: Việc chuyển đổi từ mô hình đơn nhân tố CAPM sang 3 nhân tố Fama–French giúp nâng sức mạnh giải thích ($R^2$) từ 77.00% lên 86.00% (tăng ròng +9.00 điểm phần trăm, tương đương mức cải thiện hiệu năng tương đối +11.69%).
  2. Khẳng định tính chất định lượng của hiệu ứng quy mô (Size Effect): Hệ số $s$ mang giá trị dương có ý nghĩa thống kê cao đối với tất cả các nhóm cổ phiếu nhỏ (SL, SM, SH với $s \in [0.512, 0.642]$) và mang giá trị âm đối với các nhóm vốn hóa lớn ($s \in [-0.421, -0.298]$). Điều này chứng minh tại TTCK Việt Nam, cổ phiếu vốn hóa nhỏ mang lại phần bù rủi ro sinh lời cao hơn rõ rệt so với cổ phiếu vốn hóa lớn.
  3. Làm rõ hiệu ứng giá trị (Value Effect): Hệ số $h$ phân hóa rõ rệt giữa nhóm BE/ME cao ($h > 0$) và nhóm BE/ME thấp ($h < 0$). Cổ phiếu có giá trị sổ sách cao so với thị giá tạo ra suất sinh lợi vượt trội để bù đắp rủi ro tái cấu trúc tài chính.
                    SO SÁNH NĂNG LỰC GIẢI THÍCH (R^2)
  Mô hình CAPM:               [███████████████░░░] 77.00%
  Mô hình Fama-French (DM Y): [█████████████████░] 86.00%  (+11.69% Relative Gain)
  Danh mục quy mô lớn BL:    [████████████████░░] 84.99%
  Danh mục quy mô nhỏ SH:    [████████████████░░] 80.73%

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Smart Beta & Factor Investing)

  • Thiết lập quỹ chỉ số Smart Beta: Xây dựng danh mục phân bổ theo yếu tố định lượng (Factor Tilting), tập trung vào các mã thuộc danh mục SH (Small-Cap, High BE/ME) để tối đa hóa TSSL vượt trội trong các chu kỳ phục hồi kinh tế.
  • Quản trị rủi ro danh mục quỹ đầu tư: Tách biệt chính xác nguồn gốc sinh lời của danh mục: đâu là lợi nhuận từ biến động thị trường ($\beta$), đâu là lợi nhuận từ việc chọn cổ phiếu quy mô nhỏ ($s$) hoặc cổ phiếu giá trị ($h$).
+--------------------------------------------------------------------------+
|            KIẾN TRÚC TRIỂN KHAI PRODUCTION ASSET ENGINE                  |
+--------------------------------------------------------------------------+
|  [Market Data Feeds]  --> HOSE / HNX Rest API (Real-time & EOD)          |
|  [Factor Engine Service] -> Tự động tính toán SMB, HML hàng tháng        |
|  [Portfolio Optimizer] -> Giải bài toán Quadratic Programming (Markowitz)|
|  [Execution Management] -> Rebalance danh mục định kỳ (Annual/Monthly)   |
+--------------------------------------------------------------------------+

Lộ trình triển khai hệ thống định lượng (Quant Roadmap)

  Tháng 1-2: Xây dựng cơ sở dữ liệu định lượng (Clean Data Pipeline HOSE/HNX)
  Tháng 3-4: Triển khai Module tính nhân tố tự động & Backtesting Engine
  Tháng 5: Tích hợp chấm điểm cổ phiếu theo mô hình Fama-French vào App/Web
  Tháng 6: Vận hành chiến lược quỹ đầu tư thực tế (Paper Trading -> Live Fund)

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Mẫu dữ liệu: Giới hạn ở 25 cổ phiếu thuộc sàn HOSE trong giai đoạn 2011–2015; chưa bao quát toàn bộ hơn 700 mã cổ phiếu trên cả ba sàn HOSE, HNX và UPCoM.
  • Tính thanh khoản và hiệu quả thị trường: TTCK Việt Nam chưa đạt trạng thái thị trường hiệu quả dạng vừa; hiện tượng bất cân xứng thông tin và tỷ lệ giao dịch đầu cơ cao có thể gây nhiễu biên độ dao động của nhân tố HML trong ngắn hạn.

Hướng phát triển đề xuất

  1. Mở rộng mô hình đa nhân tố: Nâng cấp lên mô hình 4 nhân tố Carhart (1997) bằng cách tích hợp nhân tố Động lượng (Momentum - WML) hoặc mô hình 5 nhân tố Fama–French (2015) bổ sung thêm nhân tố Khả năng sinh lời (RMW) và Chiến lược đầu tư (CMA).
  2. Ứng dụng Machine Learning: Kết hợp hồi quy Ridge/Lasso hoặc LightGBM để xử lý các thuộc tính phi tuyến tính giữa các chỉ số tài chính và tỷ suất sinh lời.

Đối tượng hưởng lợi

+---------------------+----------------------------------------------------+
| ĐỐI TƯỢNG           | GIÁ TRỊ VÀ LỢI ÍCH ĐỊNH LƯỢNG                      |
+---------------------+----------------------------------------------------+
| Sinh viên /         | - Khung phương pháp luận chuẩn mực về kinh tế      |
| Học viên Cao học    |   lượng chuỗi thời gian & kiểm định tài chính.     |
|                     | - Tài liệu tham khảo toàn diện về OLS, ADF, White. |
+---------------------+----------------------------------------------------+
| Quản lý Quỹ /       | - Nâng cao độ chính xác phân bổ tài sản (+11.7%).  |
| Quant Developers    | - Thuật toán xây dựng Factor SMB/HML sẵn sàng tích |
|                     |   hợp vào hệ thống giao dịch tự động.             |
+---------------------+----------------------------------------------------+
| Nhà đầu tư          | - Nhận diện cổ phiếu giá trị (Value) và vốn hóa    |
| Cá nhân             |   nhỏ (Small-cap) tiềm năng, tránh bẫy tâm lý.     |
+---------------------+----------------------------------------------------+
| Nhà nghiên cứu      | - Dữ liệu thực nghiệm vững chắc về TTCK cận biên,   |
| Tài chính           |   làm nền tảng mở rộng các mô hình 4, 5 nhân tố.   |
+---------------------+----------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật để triển khai mô hình này trong thực tế là gì?

Hệ thống cần máy chủ xử lý dữ liệu với Python (Pandas, Statsmodels, Scipy) hoặc R/EViews, cơ sở dữ liệu quan hệ (PostgreSQL) lưu trữ giá đóng cửa điều chỉnh và báo cáo tài chính quý/năm của các doanh nghiệp niêm yết.

2. Mô hình có xử lý được khi số lượng cổ phiếu mở rộng lên toàn bộ sàn HOSE và HNX không?

Hoàn toàn khả thi. Thuật toán phân vị $2 \times 3$ có độ phức tạp thuật toán $O(N \log N)$ theo số lượng cổ phiếu $N$. Khi mở rộng lên 500–1000 cổ phiếu, mô hình càng tăng tính đại diện và hạn chế tối đa rủi ro phi hệ thống.

3. Tại sao hệ số $R^2$ của danh mục BH (Big - High) lại thấp (29.62%)?

Nhóm cổ phiếu vốn hóa lớn có tỷ số BE/ME cao (BH) thường là các doanh nghiệp quy mô lớn đang gặp khó khăn trong tái cơ cấu hoặc thuộc nhóm ngành mang tính chu kỳ cao (sắt thép, vận tải biển, xây dựng giai đoạn 2011–2015). Lợi nhuận của nhóm này chịu sự chi phối mạnh của các yếu tố tái cấu trúc nội bộ hơn là các biến số vĩ mô chung.

4. Chi phí vận hành và bảo trì mô hình định lượng này như thế nào?

Chi phí vận hành thấp do chỉ cần cập nhật dữ liệu định kỳ theo tháng/quý. Toàn bộ quy trình tính toán nhân tố có thể tự động hóa hoàn toàn thông qua các pipeline script.

5. Nhà đầu tư cá nhân có thể ứng dụng mô hình này như thế nào để sinh lời?

Nhà đầu tư có thể lọc định kỳ các cổ phiếu có vốn hóa thuộc nhóm vừa/nhỏ kết hợp chỉ số P/B thấp (tương ứng BE/ME cao) và duy trì tỷ trọng danh mục nghiêng về nhóm này (chiến lược Smart Beta Value & Small-cap tilt) để đạt tỷ suất sinh lời vượt trội thị trường trong dài hạn.

Kết luận

Đề tài "Kiểm định mô hình 3 nhân tố Fama–French trên thị trường chứng khoán Việt Nam" đã chứng minh tính ưu việt vượt trội của lý thuyết định giá tài sản đa nhân tố so với mô hình CAPM truyền thống. Với hệ số xác định $R^2 = 86.00%$, sự hiện diện rõ nét của phần bù quy mô (SMB) và phần bù giá trị (HML), nghiên cứu đã cung cấp một cơ sở khoa học định lượng vững chắc cho việc định giá cổ phiếu, đo lường rủi ro và thiết kế chiến lược đầu tư tại thị trường Việt Nam.

Khám phá ngay các mã nguồn và phương pháp định lượng tài chính để áp dụng trực tiếp mô hình Fama–French vào chiến lược quản lý danh mục đầu tư của bạn!