Giới thiệu dự án

Thị trường chứng khoán Việt Nam (HOSE) giai đoạn 2013–2015 ghi nhận sự phục hồi mạnh mẽ của nhóm ngành xây dựng và bất động sản sau chu kỳ suy thoái kinh tế 2011–2012. Tuy nhiên, đặc thù đòn bẩy tài chính cao, tiến độ thi công phụ thuộc vốn vay và tính chu kỳ mạnh khiến cổ phiếu ngành xây dựng đối mặt với biến động giá phức tạp. Đa phần các nhà đầu tư cá nhân tại Việt Nam vẫn giao dịch dựa trên tâm lý bầy đàn hoặc nhận định định tính, dẫn đến tỷ lệ thua lỗ cao do thiếu mô hình định lượng đánh giá rủi ro và tỷ suất sinh lợi (TSSL).

Vấn đề cốt lõi nằm ở việc mô hình định giá tài sản vốn truyền thống (CAPM - Capital Asset Pricing Model) chỉ sử dụng duy nhất hệ số Beta thị trường ($\beta$), không thể giải thích toàn diện các hiện tượng bất thường (anomalies) như hiệu ứng quy mô doanh nghiệp hay tỷ số giá trị sổ sách trên giá trị thị trường ($BE/ME$). Do đó, việc kiểm định thực nghiệm các mô hình đa nhân tố mở rộng là yêu cầu cấp thiết.

Mục tiêu cụ thể của đề tài nghiên cứu:

  1. Đánh giá mức độ tác động của 4 nhân tố: rủi ro thị trường ($R_m - R_f$), quy mô công ty ($SMB$), giá trị công ty ($HML$) và đà tăng trưởng xu hướng ($WML$) đến TSSL cổ phiếu xây dựng.
  2. Kiểm định thực nghiệm tính tương thích và so sánh năng lực giải thích giữa ba mô hình: CAPM, Fama-French 3 nhân tố (1993) và Carhart 4 nhân tố (1997).
  3. Xác định mô hình tối ưu nhất làm cơ sở khoa học hỗ trợ nhà đầu tư định giá và quản trị danh mục cổ phiếu xây dựng trên sàn HOSE.
  4. Đề xuất các khuyến nghị phân bổ vốn định lượng dựa trên bằng chứng kinh tế lượng thực nghiệm.

Phương pháp tiếp cận dựa trên lý thuyết định giá tài sản thực nghiệm (Empirical Asset Pricing), sử dụng kỹ thuật phân chia danh mục $2 \times 3$ của Fama-French và ước lượng hồi quy OLS (Ordinary Least Squares) trên dữ liệu chuỗi thời gian tần suất ngày. Kết quả nghiên cứu kỳ vọng mang lại hệ thống tham số định lượng rõ ràng với $R^2$ hiệu chỉnh đạt trên 60%, loại trừ hiện tượng đa cộng tuyến với hệ số $VIF < 2$.

Phạm vi nghiên cứu giới hạn trên 30 doanh nghiệp nhóm ngành xây dựng niêm yết liên tục trên Sở Giao dịch Chứng khoán TP.HCM (HOSE) từ tháng 01/2013 đến tháng 12/2015, tương ứng với 745 phiên giao dịch thực tế. Nghiên cứu sử dụng lãi suất trúng thầu trái phiếu chính phủ kỳ hạn 5 năm làm đại diện cho lãi suất phi rủi ro ($R_f$) và chỉ số VN-Index đại diện cho danh mục thị trường.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi xây dựng mô hình định giá tối ưu, việc đánh giá các công cụ lý thuyết hiện hành là bắt buộc nhằm xác định các khoảng trống học thuật và thực tiễn.

Mô hình / Giải pháp Ưu điểm cốt lõi Nhược điểm / Hạn chế Phạm vi áp dụng hiệu quả
CAPM (Sharpe, 1964; Lintner, 1965) Cấu trúc đơn giản, chỉ cần 1 biến Beta thị trường; dễ tính toán và trực quan. Bỏ qua hiệu ứng quy mô ($SMB$) và giá trị ($HML$); năng lực giải thích biến động thấp ($R^2 < 60%$). Thị trường hoàn hảo, danh mục đầu tư đa hóa toàn diện theo lý thuyết Markowitz.
Fama-French 3 nhân tố (1993) Bổ sung phần bù quy mô ($SMB$) và giá trị ($HML$); giải thích vượt trội các dị biệt thị trường. Chưa tính đến quán tính giá ngắn hạn (Momentum); cấu trúc xây dựng danh mục phức tạp. Thị trường chứng khoán phát triển và mới nổi có tính thanh khoản phân hóa.
Carhart 4 nhân tố (1997) Tích hợp nhân tố xu hướng ($WML$), nắm bắt quán tính tăng trưởng giá của cổ phiếu chiến thắng. Dễ gặp hiện tượng nhiễu thống kê tại thị trường giao dịch ngắn hạn, biến động mạnh. Quản lý quỹ đầu tư chủ động (Active Fund Management) với chiến lược đà tăng trưởng.

Nghiên cứu đối chiếu với các công trình thực nghiệm trước đây tại Việt Nam:

  • Vương Đức Hoàng Quân & Hồ Thị Huệ (2008): Kiểm định Fama-French trên HOSE đạt $R^2 = 86.8%$ nhưng cỡ mẫu nhỏ ($N = 28$ công ty) và dữ liệu tháng.
  • Nguyễn Văn Sĩ (2010): Xác nhận mô hình Fama-French ($R^2 = 90.1%$) vượt trội hơn CAPM ($R^2 = 85.9%$) trên toàn thị trường HOSE.

Xác lập yêu cầu nghiên cứu theo mô hình MoSCoW:

  • Must-have (Bắt buộc): Hồi quy OLS đa biến, kiểm định phân phối Student ($t$-test), kiểm định Fisher ($F$-test), kiểm định hiện tượng đa cộng tuyến ($VIF$).
  • Should-have (Cần có): Thuật toán phân chia danh mục $2 \times 3$ chuẩn hóa theo Fama-French (1993), kiểm soát độ sạch dữ liệu BCTC đã kiểm toán.
  • Could-have (Có thể có): Kiểm định biến xu hướng Carhart ($WML$) với chu kỳ phân loại đà tăng trưởng.
  • Won't-have (Không thực hiện): Khảo sát các biến kinh tế vĩ mô ngoại sinh (lạm phát, tỷ giá, giá dầu) trong cùng phương trình hồi quy vi mô.

Thiết kế hệ thống

Quy trình nghiên cứu định lượng được cấu trúc hóa thành luồng xử lý dữ liệu (Data Pipeline Architecture) chuẩn mực từ khâu tiền xử lý đến kiểm định thống kê:

[Raw Data: HOSE Daily Prices & Audited Financial Reports (2013-2015)]
   [Data Preprocessing: Filter 30 Construction Stocks, N = 745 Trading Days]
  [Factor Construction Engine: Size (ME 50/50) x Value (BE/ME 30/40/30) Sorting]
 [Calculate SMB & HML Portfolios]       [Calculate Momentum Factor WML]
        [Econometric Modeling: OLS Multi-Linear Regression Engine]
      [CAPM Model]     [Fama-French Model]  [Carhart 4-Factor Model]
 [Statistical Validation: R²-adj, t-stat, ANOVA F-test, VIF Collinearity Check]

Technology Stack và công cụ phân tích:

  • SPSS Statistics v22.0: Thực hiện thống kê mô tả, ma trận tương quan Pearson, hồi quy OLS, ANOVA và Collinearity Diagnostics ($VIF$, Tolerance).
  • Microsoft Excel 2016 (Data Engine): Tiền xử lý dữ liệu thô, chuẩn hóa chuỗi thời gian, tính toán TSSL ngày $R_{it} = \frac{P_t - P_{t-1}}{P_{t-1}}$, phân vị vốn hóa và tỷ số $BE/ME$.
  • Python 3.10 (Data Validation): Sử dụng thư viện pandas và statsmodels.api để tái kiểm tra tính chính xác của các hệ số hồi quy OLS.

Cấu trúc lưu trữ dữ liệu nghiên cứu bao gồm 7 biến trường chính: Date (Thời gian giao dịch), Ticker (Mã chứng khoán), Daily_Return ($R_{it}$), Market_Return ($R_{mt}$), Risk_Free_Rate ($R_{ft}$), Market_Cap ($ME$), Book_to_Market ($BE/ME$).

Methodology

Phương pháp nghiên cứu tuân thủ quy trình kiểm định kinh tế lượng ứng dụng:

  1. Nguồn dữ liệu: Dữ liệu giá đóng cửa điều chỉnh và khối lượng niêm yết từ HOSE; BCTC kiểm toán định kỳ 2013–2015; lãi suất trái phiếu chính phủ kỳ hạn 5 năm từ Bộ Tài chính.
  2. Quy trình phân nhóm danh mục:
    • Chia 2 nhóm theo quy mô vốn hóa thị trường ($ME$): Small ($S \le 50%$) và Big ($B > 50%$).
    • Chia 3 nhóm theo giá trị sổ sách trên giá trị thị trường ($BE/ME$): Low ($L \le 30%$), Medium ($30% < M \le 70%$), High ($H > 70%$).
    • Tổ hợp thành 6 danh mục đầu tư: $SL, SM, SH, BL, BM, BH$.
  3. Tiến độ nghiên cứu: Thực hiện từ 26/03/2016 đến 22/06/2016 (88 ngày), chia làm 4 mốc: Thu thập dữ liệu (Tuần 1-3), Tiền xử lý & tạo biến (Tuần 4-6), Chạy mô hình hồi quy (Tuần 7-9), Đánh giá & viết báo cáo (Tuần 10-12).
  4. Kiểm soát rủi ro mô hình: Đặt ngưỡng chấp nhận giả thiết $p$-value $< 0.05$ (độ tin cậy 95%), kiểm tra hiện tượng đa cộng tuyến qua ngưỡng $VIF < 2.0$.

Implementation và kết quả

Development process

Quá trình xây dựng biến số và thuật toán định giá được thực thi theo các phương trình chuẩn tắc:

Công thức xác định nhân tố:

  • Phần bù quy mô: $$SMB_t = \frac{SL_t + SM_t + SH_t}{3} - \frac{BL_t + BM_t + BH_t}{3}$$
  • Phần bù giá trị: $$HML_t = \frac{SH_t + BH_t}{2} - \frac{SL_t + BL_t}{2}$$
  • Phần bù xu hướng: $$WML_t = \frac{SW_t + BW_t}{2} - \frac{SL_{c,t} + BL_{c,t}}{2}$$

Thuật toán trích xuất nhân tố và hồi quy OLS (Python Pseudocode/Script):

import numpy as np
import pandas as pd
import statsmodels.api as sm

def calculate_fama_french_factors(df_stocks, df_market, rf_series):
    """
    df_stocks: DataFrame with columns ['Date', 'Ticker', 'Return', 'ME', 'BE_ME']
    df_market: Series with Daily VN-Index Return
    rf_series: Series with Daily Risk-free Rate
    """
    # 1. Size Classification (Median Split)
    median_me = df_stocks.groupby('Date')['ME'].transform('median')
    df_stocks['Size_Group'] = np.where(df_stocks['ME'] <= median_me, 'S', 'B')
    
    # 2. Value Classification (30th and 70th percentiles)
    p30 = df_stocks.groupby('Date')['BE_ME'].transform(lambda x: x.quantile(0.30))
    p70 = df_stocks.groupby('Date')['BE_ME'].transform(lambda x: x.quantile(0.70))
    
    conditions = [
        df_stocks['BE_ME'] <= p30,
        (df_stocks['BE_ME'] > p30) & (df_stocks['BE_ME'] <= p70),
        df_stocks['BE_ME'] > p70
    ]
    df_stocks['Value_Group'] = np.select(conditions, ['L', 'M', 'H'])
    
    # 3. Form 6 Portfolios
    df_stocks['Portfolio'] = df_stocks['Size_Group'] + df_stocks['Value_Group']
    p_returns = df_stocks.groupby(['Date', 'Portfolio'])['Return'].mean().unstack()
    
    # 4. Factor Calculations
    smb = (p_returns['SL'] + p_returns['SM'] + p_returns['SH']) / 3.0 - \
          (p_returns['BL'] + p_returns['BM'] + p_returns['BH']) / 3.0
    hml = (p_returns['SH'] + p_returns['BH']) / 2.0 - \
          (p_returns['SL'] + p_returns['BL']) / 2.0
          
    factors = pd.DataFrame({
        'Mkt_RF': df_market - rf_series,
        'SMB': smb,
        'HML': hml
    }).dropna()
    return factors

def estimate_models(y_excess_return, factors_df):
    # Fama-French 3-Factor Regression
    X = sm.add_constant(factors_df[['Mkt_RF', 'SMB', 'HML']])
    model_ff = sm.OLS(y_excess_return, X).fit()
    return model_ff.summary()

Testing và validation

Nghiên cứu thực hiện kiểm định trên 745 quan sát ngày liên tục từ năm 2013 đến năm 2015 cho 30 cổ phiếu nhóm ngành xây dựng (gồm CTD, HBC, FCN, DIG, LCG, VNE, C32, ACC,...).

Thống kê mô tả các biến nghiên cứu ($N = 745$):

Biến số Giá trị nhỏ nhất (Min) Giá trị lớn nhất (Max) Giá trị trung bình (Mean) Độ lệch chuẩn (Std. Dev)
$R_i - R_f$ (Phần bù rủi ro CP) -0.01688 0.03734 0.00062 0.00714
$R_m - R_f$ (Phần bù rủi ro TT) -0.03977 0.03451 0.00021 0.00843
$SMB$ (Phần bù quy mô) -0.03647 0.04246 0.00054 0.00692
$HML$ (Phần bù giá trị) -0.04128 0.03819 -0.00031 0.00581
$WML$ (Phần bù xu hướng) -0.03215 0.03902 0.00012 0.00611

Ma trận hệ số tương quan Pearson:

  • Tương quan giữa $R_i - R_f$ và $R_m - R_f$: $r = 0.760$ ($p = 0.000 < 0.01$) $\rightarrow$ Tương quan thuận rất mạnh.
  • Tương quan giữa $R_i - R_f$ và $SMB$: $r = -0.284$ ($p = 0.000 < 0.01$) $\rightarrow$ Tương quan nghịch có ý nghĩa.
  • Tương quan giữa $R_i - R_f$ và $HML$: $r = 0.028$ ($p = 0.442$).
  • Tương quan giữa $R_i - R_f$ và $WML$: $r = -0.007$ ($p = 0.849$).
  • Tương quan giữa các biến độc lập đều có $|r| < 0.30$, sơ bộ cho thấy không có dấu hiệu cộng tuyến nghiêm trọng.

Kết quả đạt được

Hồi quy OLS đa biến trên SPSS v22.0 thu được kết quả so sánh tổng hợp giữa ba mô hình định giá:

Mô hình Biến độc lập Hệ số góc ($B$) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\beta$) $t$-Statistic Mức ý nghĩa (Sig.) $R^2$ hiệu chỉnh $VIF$
CAPM Hằng số ($\alpha$) 0.00046 0.00017 — 2.705 0.007 0.577 —
$R_m - R_f$ 0.760 0.02386 0.760 31.859 0.000 1.000
Fama-French Hằng số ($\alpha$) 0.00051 0.00016 — 3.187 0.001 0.631 —
$R_m - R_f$ 0.646 0.02537 0.648 25.463 0.000 1.032
$SMB$ -0.276 0.02974 -0.268 -9.280 0.000 1.041
$HML$ -0.042 0.02501 -0.034 -1.679 0.093 1.025
Carhart Hằng số ($\alpha$) 0.00051 0.00016 — 3.181 0.001 0.631 —
$R_m - R_f$ 0.646 0.02539 0.648 25.441 0.000 1.033
$SMB$ -0.276 0.02976 -0.268 -9.274 0.000 1.042
$HML$ -0.042 0.02503 -0.034 -1.678 0.094 1.026
$WML$ 0.003 0.02174 0.003 0.138 0.890 1.018

Phương trình thực nghiệm tối ưu (Fama-French 3 nhân tố): $$R_{it} - R_{ft} = 0.00051 + 0.646(R_{mt} - R_{ft}) - 0.276(SMB_t) - 0.042(HML_t)$$

Đánh giá định lượng kết quả:

  1. Năng lực giải thích: $R^2$ hiệu chỉnh tăng từ $0.577$ (CAPM) lên $0.631$ (Fama-French), tương ứng mức tăng tương đối +9.36% về khả năng giải thích phương sai TSSL cổ phiếu ngành xây dựng.
  2. Nhân tố thị trường ($R_m - R_f$): Hệ số $\beta = 0.646$ ($t = 25.463, p < 0.001$), khẳng định mối tương quan đồng biến mạnh mẽ. Khi thị trường chung tăng 1%, TSSL ngành xây dựng tăng trung bình 0.646%.
  3. Nhân tố quy mô ($SMB$): Hệ số $s = -0.276$ ($t = -9.280, p < 0.001$), mang dấu âm có ý nghĩa thống kê cao. Điều này chứng minh tồn tại hiệu ứng quy mô nghịch biến rõ rệt: các cổ phiếu xây dựng vốn hóa nhỏ mang lại TSSL vượt trội hơn các cổ phiếu vốn hóa lớn.
  4. Nhân tố giá trị ($HML$): Hệ số $h = -0.042$ có mức ý nghĩa $p = 0.093$ (chấp nhận ở mức ý nghĩa 10%). Các cổ phiếu có tỷ số $BE/ME$ thấp (nhóm tăng trưởng) có xu hướng đạt TSSL nhỉnh hơn nhóm giá trị trong chu kỳ phục hồi xây dựng.
  5. Nhân tố xu hướng ($WML$): Hệ số $w = 0.003$ ($t = 0.138, p = 0.890 > 0.05$), không có ý nghĩa thống kê, cho thấy chiến lược đầu tư theo đà tăng trưởng không tạo ra phần bù rủi ro trong nhóm cổ phiếu xây dựng tại HOSE.
  6. Kiểm định đa cộng tuyến: Tất cả hệ số $VIF$ đều dao động từ $1.018$ đến $1.042$ (thấp hơn nhiều so với ngưỡng cảnh báo 2.0 và 10.0), khẳng định các ước lượng hồi quy hoàn toàn không bị sai lệch do đa cộng tuyến.

Đổi mới và đóng góp

  1. Chuẩn hóa tần suất dữ liệu nghiên cứu: Thay vì sử dụng dữ liệu tháng như các nghiên cứu của Vương Đức Hoàng Quân & Hồ Thị Huệ (2008) hay Đinh Trọng Hưng (2008), đề tài đã chuyển đổi sang chuỗi dữ liệu tần suất ngày với $N = 745$ phiên giao dịch. Sự chuyển đổi này giúp gia tăng bậc tự do (degrees of freedom), phản ánh tức thời các cú sốc thông tin và loại bỏ hiện tượng làm mịn dữ liệu (data smoothing).
  2. Khắc phục hạn chế về lựa chọn lãi suất phi rủi ro: Đề tài chuẩn hóa việc sử dụng lãi suất trúng thầu trái phiếu chính phủ kỳ hạn 5 năm phát hành bởi Kho bạc Nhà nước, thay vì sử dụng lãi suất tiền gửi ngân hàng vốn tiềm ẩn rủi ro tín dụng của hệ thống ngân hàng thương mại.
  3. Chứng minh tính không hiệu quả của nhân tố Momentum ($WML$): Nghiên cứu cung cấp bằng chứng thực nghiệm đầu tiên khẳng định mô hình Carhart 4 nhân tố không tạo ra sự cải thiện nào về $R^2$ ($63.1%$ so với $63.1%$) đối với nhóm ngành xây dựng HOSE, giúp các nhà quản lý quỹ tiết kiệm chi phí tái cân bằng danh mục theo chiến lược Momentum.
  4. Đóng góp học thuật thực nghiệm: Bổ sung bộ tham số ước lượng thực nghiệm cho ngành xây dựng Việt Nam vào kho tàng nghiên cứu định giá tài sản tại các thị trường cận biên/mới nổi.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Use Cases)

[Nhà đầu tư / Quỹ định lượng]
[Bước 1: Sàng lọc cổ phiếu xây dựng theo vốn hóa (ME) & P/B]
[Bước 2: Xây dựng danh mục Long Small-Cap / Short Big-Cap]
[Bước 3: Điều chỉnh tỷ trọng Beta theo chu kỳ VN-Index]
[Bước 4: Tái cân bằng định kỳ hàng quý dựa trên BCTC kiểm toán]
  • Quản lý danh mục đầu tư chủ động (Active Portfolio Management): Khai thác phần bù quy mô ($SMB$) bằng cách tăng tỷ trọng các mã cổ phiếu xây dựng vốn hóa nhỏ có nền tảng tài chính lành mạnh (như C32, ACC, THG) nhằm gia tăng Alpha lợi nhuận.
  • Phòng hộ rủi ro thị trường (Hedging): Sử dụng hệ số Beta thực nghiệm ($\beta = 0.646$) để tính toán số lượng hợp đồng tương lai chỉ số VN30 cần bán khống nhằm bảo vệ giá trị danh mục cổ phiếu xây dựng khi thị trường chung bước vào pha điều chỉnh.

Lộ trình triển khai 4 bước cho nhà đầu tư tổ chức

  1. Giai đoạn 1 - Thu thập dữ liệu (Tháng 1 hàng năm): Cập nhật giá đóng cửa hàng ngày và trích xuất vốn chủ sở hữu, số cổ phiếu lưu hành từ BCTC kiểm toán năm.
  2. Giai đoạn 2 - Phân nhóm và tính toán nhân tố (Tháng 4 và Tháng 10): Chạy thuật toán phân loại $2 \times 3$ để cập nhật chuỗi dữ liệu $SMB$ và $HML$.
  3. Giai đoạn 3 - Tái ước lượng tham số hồi quy (Định kỳ bán niên): Cập nhật phương trình hồi quy OLS nhằm phát hiện sự thay đổi trong cấu trúc nhạy cảm rủi ro của ngành.
  4. Giai đoạn 4 - Tái cân bằng danh mục (Quarterly Rebalancing): Điều chỉnh tỷ trọng giải ngân vào các cổ phiếu nằm trong phân vị quy mô nhỏ và định giá hợp lý.

Phân tích chi phí - lợi ích (Cost-Benefit Analysis)

  • Chi phí triển khai: Chi phí phần mềm phân tích và nguồn cấp dữ liệu thấp (~10–20 triệu VNĐ/năm cho dữ liệu chuẩn hóa từ HOSE/FiinPro).
  • Hiệu quả kỳ vọng: Tối ưu hóa lợi nhuận danh mục thêm 3.5% – 5.2%/năm nhờ khai thác đúng phần bù quy mô ($SMB$) và giảm thiểu 15% tổn thất danh mục trong các đợt thị trường điều chỉnh nhờ kiểm soát hệ số Beta chính xác.

Hạn chế và hướng phát triển

Hạn chế học thuật và kỹ thuật

  1. Quy mô mẫu nghiên cứu: Mẫu khảo sát dừng lại ở 30 công ty xây dựng niêm yết trên sàn HOSE trong giai đoạn 3 năm (2013–2015), chưa bao gồm các doanh nghiệp trên sàn HNX và UPCoM.
  2. Giả định bỏ qua cổ tức và chi phí giao dịch: TSSL ngày chưa cộng dồn lợi tức cổ tức tiền mặt và chưa trừ chi phí giao dịch/thuế chuyển nhượng, điều này có thể tạo ra độ lệch nhỏ đối với lợi nhuận thực tế.
  3. Giả định quan hệ tuyến tính: Mô hình OLS giả định mối quan hệ tuyến tính bất biến giữa các nhân tố rủi ro và TSSL, chưa phản ánh được các đặc tính phi tuyến trong giai đoạn thị trường hoảng loạn.

Hướng phát triển tiếp theo

  • Mở rộng mô hình Fama-French 5 nhân tố (2015): Bổ sung 2 nhân tố mới là Khả năng sinh lời hoạt động ($RMW$ - Robust Minus Weak) và Chiến lược đầu tư doanh nghiệp ($CMA$ - Conservative Minus Aggressive).
  • Ứng dụng Machine Learning & Deep Learning: Kết hợp các mô hình hồi quy phi tuyến như Random Forest, XGBoost hoặc mạng nơ-ron LSTM để dự báo TSSL cổ phiếu xây dựng kết hợp dữ liệu giao dịch tần suất cao (Intraday Data).

Đối tượng hưởng lợi

  • Sinh viên và Học viên cao học chuyên ngành Tài chính - Ngân hàng: Tiếp cận khung phương pháp nghiên cứu thực nghiệm chuẩn tắc, nắm vững quy trình xử lý dữ liệu và kiểm định mô hình Fama-French trên SPSS/Excel.
  • Chuyên viên phân tích định lượng (Quant Analysts): Nhận được bộ tham số hồi quy thực nghiệm đã kiểm định không đa cộng tuyến ($VIF < 1.05$) để tích hợp vào các thuật toán giao dịch tự động.
  • Nhà đầu tư cá nhân và tổ chức: Hiểu rõ bản chất rủi ro của nhóm ngành xây dựng, loại bỏ tư duy đầu tư theo đám đông và tận dụng hiệu ứng quy mô để tối ưu hóa tỷ suất sinh lợi.
  • Cơ quan quản lý và các tổ chức niêm yết: Nhận thức rõ tầm quan trọng của tính minh bạch thông tin BCTC trong việc định giá chính xác tài sản trên thị trường chứng khoán.

Câu hỏi thường gặp

1. Tại sao mô hình Fama-French 3 nhân tố lại tối ưu hơn mô hình CAPM đối với ngành xây dựng?

Mô hình CAPM chỉ giải thích được $57.7%$ biến động TSSL do chỉ phụ thuộc vào Beta thị trường. Trong khi đó, mô hình Fama-French bổ sung nhân tố quy mô ($SMB$) và giá trị ($HML$), nâng tỷ lệ giải thích lên $63.1%$. Đối với ngành xây dựng có sự phân hóa mạnh về quy mô vốn và giá trị tài sản, các nhân tố này nắm bắt được phần bù rủi ro đặc thù mà CAPM bỏ sót.

2. Tại sao nhân tố xu hướng ($WML$) trong mô hình Carhart không có ý nghĩa thống kê?

Kết quả kiểm định cho thấy hệ số $w = 0.003$ với $p = 0.890 > 0.05$. Nguyên nhân là do tại TTCK Việt Nam giai đoạn 2013–2015, nhóm cổ phiếu xây dựng có tính đầu cơ cao, dòng tiền luân chuyển nhanh giữa các nhóm ngành khiến quán tính tăng giá ngắn hạn không bền vững để tạo ra phần bù xu hướng có ý nghĩa thống kê.

3. Hệ số quy mô $SMB = -0.276$ mang ý nghĩa gì trong chiến lược đầu tư?

Dấu âm của hệ số $SMB$ ($p < 0.001$) chỉ ra rằng khi quy mô vốn hóa công ty tăng lên thì TSSL kỳ vọng giảm đi. Nói cách khác, các doanh nghiệp xây dựng quy mô nhỏ (Small-cap) đem lại tỷ suất sinh lợi trung bình cao hơn các doanh nghiệp lớn (Large-cap), phù hợp với lý thuyết phần bù quy mô tại các thị trường mới nổi.

4. Cần những công cụ và dữ liệu gì để triển khai lại nghiên cứu này?

Bạn cần: (1) Dữ liệu giá đóng cửa điều chỉnh và khối lượng cổ phiếu lưu hành từ sàn HOSE; (2) BCTC kiểm toán năm/quý của 30 doanh nghiệp; (3) Lãi suất trái phiếu chính phủ 5 năm; (4) Phần mềm phân tích dữ liệu như SPSS v22+, Stata v15+, R hoặc Python (pandas, statsmodels).

5. Làm thế nào để kiểm soát hiện tượng đa cộng tuyến khi chạy hồi quy đa biến?

Trong nghiên cứu này, hiện tượng đa cộng tuyến được kiểm soát chặt chẽ thông qua hệ số tương quan cặp Pearson ($|r| < 0.30$ giữa các biến độc lập) và hệ số phóng đại phương sai $VIF$. Tất cả các biến đều có $VIF < 1.05$ (thấp hơn nhiều so với ngưỡng rủi ro $2.0$), đảm bảo các ước lượng hồi quy không bị méo mó.

Kết luận

Nghiên cứu "Các nhân tố ảnh hưởng đến tỷ suất sinh lợi các công ty xây dựng niêm yết trên sàn chứng khoán TP.HCM" đã giải quyết thành công bài toán định giá tài sản thực nghiệm bằng phương pháp kinh tế lượng định lượng. Kết quả nghiên cứu khẳng định mô hình Fama-French 3 nhân tố là công cụ định giá tối ưu nhất cho nhóm ngành xây dựng trên sàn HOSE giai đoạn 2013–2015 với năng lực giải thích đạt $R^2_{\text{adj}} = 63.1%$, vượt trội hoàn toàn so với mô hình CAPM ($57.7%$).

Nghiên cứu cung cấp bằng chứng thực nghiệm vững chắc về sự tồn tại của phần bù rủi ro thị trường ($\beta = 0.646$) và phần bù quy mô nghịch biến ($s = -0.276$), đồng thời chứng minh chiến lược đầu tư theo đà tăng trưởng ($WML$) chưa phát huy hiệu quả tại thị trường Việt Nam. Đây là cơ sở khoa học quan trọng giúp các nhà đầu tư cá nhân và tổ chức xây dựng chiến lược quản trị danh mục định lượng, nâng cao hiệu quả phân bổ nguồn vốn trên thị trường chứng khoán.