Giới thiệu dự án

Thị trường bất động sản (BĐS) đóng vai trò huyết mạch trong nền kinh tế Việt Nam, đóng góp trung bình 18.7% tổng vốn đầu tư đăng ký (đạt xấp xỉ 3.5 tỷ USD năm 2022) và tạo hiệu ứng lan tỏa tới hơn 40 ngành kinh tế liên quan. Tuy nhiên, thị trường chứng khoán (TTCK) Việt Nam nói chung và nhóm cổ phiếu bất động sản nói riêng giai đoạn 2012 - 2022 đã trải qua những chu kỳ biến động khốc liệt: từ giai đoạn tái cơ cấu nợ xấu 2012 - 2014, bùng nổ 2015 - 2019, đến cú sốc thanh khoản và khủng hoảng trái phiếu doanh nghiệp cuối năm 2022 (điển hình là các đợt sụt giảm trên 80% vốn hóa của các mã NVL, DIG, HPX).

+-----------------------------------------------------------------------------------+
|               BỐI CẢNH BIẾN ĐỘNG THỊ TRƯỜNG BẤT ĐỘNG SẢN (2012 - 2022)             |
+-----------------------------------------------------------------------------------+
|  2012-2014: Khủng hoảng nợ xấu BĐS (12%), chỉ số giá giảm 65%, vốn hóa thu hẹp.   |
|  2015-2019: Phục hồi mạnh mẽ, bùng nổ M&A, sự xuất hiện của condotel và sốt đất.  |
|  2020-2021: Lãi suất giảm, dòng tiền F0 đổ vào TTCK, hiệu ứng FOMO lan rộng.      |
|  2022:      Thắt chặt tín dụng, đóng băng trái phiếu, VN-Index giảm từ 1.520 điểm. |
+-----------------------------------------------------------------------------------+

Vấn đề nghiên cứu thực tế

Việc xác định chi phí vốn cổ phần ($k_e$) là tham số trọng yếu để định giá tài sản, lập kế hoạch ngân sách vốn và thẩm định dự án đầu tư theo phương pháp Chiết khấu dòng tiền (DCF/WACC). Dù vậy, các phương pháp truyền thống đang bộc lộ nhiều điểm hạn chế:

  • Mô hình định giá tài sản vốn truyền thống (CAPM): Giả định thị trường hoàn hảo, chỉ dùng duy nhất hệ số rủi ro hệ thống ($\beta$) để giải thích tỷ suất sinh lời kỳ vọng, bỏ qua đặc thù của thị trường cận biên/mới nổi.
  • Hiện tượng thông tin bất đối xứng và biến động phi tuyến tính: Cổ phiếu BĐS Việt Nam chịu tác động nặng nề bởi tính thanh khoản của tài sản ngắn hạn và tâm lý bầy đàn (herd behavior) của nhóm nhà đầu tư cá nhân (F0), dẫn đến các đợt định giá sai lệch nghiêm trọng.
  • Hạn chế của CAPM gián tiếp: Việc cộng gộp phần bù rủi ro quốc gia ($RP_c$) và phần bù rủi ro ngoại hối ($RP_e$) dựa trên chuẩn thị trường phát triển (Mỹ) thường phóng đại chi phí vốn thực tế của doanh nghiệp nội địa.

Mục tiêu nghiên cứu

  1. Hệ thống hóa cơ sở lý luận về chi phí vốn, mô hình CAPM trực tiếp, CAPM gián tiếp và mô hình đa nhân tố Fama - French (1993).
  2. Xây dựng mô hình 5 nhân tố mở rộng tích hợp yếu tố thanh khoản doanh nghiệp ($LQ$) và tâm lý bầy đàn thị trường ($CASD$) chuyên biệt cho ngành BĐS.
  3. Thu thập, xử lý bộ dữ liệu chuỗi thời gian (time-series panel data) của 65 doanh nghiệp BĐS niêm yết trên HOSE và HNX giai đoạn 2012 - 2022 (132 tháng).
  4. So sánh thực nghiệm năng lực giải thích ($R^2$, Adjusted $R^2$, sai số chuẩn) của 3 mô hình định giá nhằm cung cấp công cụ lượng hóa rủi ro tối ưu cho nhà đầu tư và nhà quản trị tài chính.

Phạm vi và giới hạn nghiên cứu

  • Không gian: 65 công ty cổ phần BĐS niêm yết trên HOSE và HNX có dữ liệu giao dịch và báo cáo tài chính kiểm toán liên tục.
  • Thời gian: Giai đoạn 11 năm (01/2012 - 12/2022), bao quát toàn bộ chu kỳ kinh tế từ suy thoái, hồi phục, bùng nổ đến điều chỉnh sâu.
  • Giới hạn: Không bao gồm các doanh nghiệp BĐS chưa niêm yết hoặc giao dịch trên sàn UPCoM có thanh khoản quá thấp (giao dịch dưới 50% số phiên trong năm).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Mô hình CAPM trực tiếp Mô hình CAPM gián tiếp Mô hình 3 nhân tố Fama - French Mô hình 5 nhân tố đề xuất
Cơ sở lý thuyết Sharpe (1964), Lintner (1965) Damodaran điều chỉnh cho thị trường mới nổi Fama & French (1993) Extended Factor Pricing Model
Biến giải thích $R_m - R_f$ (Phần bù rủi ro thị trường) $R_m^{US} - R_f^{US}$, $RP_c$, $RP_e$ $R_m - R_f$, $SMB$, $HML$ $R_m - R_f$, $SMB$, $HML$, $LQ$, $CASD$
Ưu điểm Đơn giản, dễ tính toán, dữ liệu sẵn có Khắc phục được độ nhiễu của Beta nội địa Bổ sung phần bù quy mô và giá trị sổ sách Phản ánh chính xác cấu trúc rủi ro thanh khoản và tài chính hành vi
Nhược điểm $R^2$ thấp ($< 35%$), bỏ qua rủi ro thanh khoản Phụ thuộc xếp hạng tín nhiệm quốc tế ($B1/Ba2$) Chưa nắm bắt được hành vi FOMO/hoảng loạn Đòi hỏi xử lý dữ liệu phức tạp trên từng mã cổ phiếu

Yêu cầu hệ thống lượng hóa (MoSCoW Prioritization)

  • Must-have: Tự động tính toán các biến $SMB$ (Small Minus Big), $HML$ (High Minus Low), $LQ$ (Liquidity Spread) và chỉ số độ lệch tuyệt đối $CASD$ (Cross-Sectional Absolute Deviation) từ dữ liệu giá đóng cửa điều chỉnh và báo cáo tài chính.
  • Should-have: Kiểm định toàn diện các khuyết tật hồi quy: Tự tương quan (Durbin-Watson $d \approx 2$), Đa cộng tuyến ($VIF < 5$), Phương sai sai số thay đổi (White test).
  • Could-have: Tích hợp thuật toán tái cân bằng danh mục (rebalancing) hàng tháng để cập nhật hệ số Beta động.
  • Won't-have: Dự báo giá cổ phiếu theo thời gian thực (real-time tick data).

Kiến trúc công nghệ và Stack tham chiếu

  • Data Engine: Python 3.10+, pandas v2.0.3, numpy v1.24.3 (Xử lý chuỗi thời gian, tính toán ma trận ma trận hiệp phương sai).
  • Econometric Modeling: statsmodels v0.14.0, scikit-learn v1.3.0, IBM SPSS Statistics v26.0.
  • Visualization: matplotlib v3.7.2, seaborn v0.12.2.
  • Benchmark Source: Lãi suất Trái phiếu Chính phủ Việt Nam kỳ hạn 10 năm ($R_f$), US Treasury 10Y Yield, Xếp hạng tín nhiệm Moody's ($Ba2/Ba3/B1$), Lãi suất tiền gửi VND/USD Vietcombank.

Implementation và kết quả

Quy trình xây dựng nhân tố (Factor Construction)

Mô hình 5 nhân tố đề xuất có dạng phương trình hồi quy tuyến tính:

$$k_{ei} = E(R_{it}) - R_{ft} = \alpha_i + \beta_1 [E(R_{mt}) - R_{ft}] + \beta_2 SMB_t + \beta_3 HML_t + \beta_4 LQ_t + \beta_5 CASD_t + \varepsilon_{it}$$

Trong đó các nhân tố được định lượng cụ thể:

  1. Phần bù rủi ro thị trường ($R_{mt} - R_{ft}$): Suất sinh lời VN-Index trừ đi lợi suất Trái phiếu Chính phủ 10 năm.
  2. Nhân tố Quy mô ($SMB_t$): Sắp xếp 65 cổ phiếu theo vốn hóa thị trường ($ME_t = P_t \times S_t$). Phân chia 50% nhóm vốn hóa nhỏ ($S$) và 50% nhóm vốn hóa lớn ($B$). $SMB_t = R_{S,t} - R_{B,t}$.
  3. Nhân tố Giá trị trị ($HML_t$): Sắp xếp theo tỷ số $BE/ME$ (Giá trị sổ sách vốn CSH trên Giá trị thị trường). Phân chia 50% nhóm $BE/ME$ cao ($H$) và 50% nhóm $BE/ME$ thấp ($L$). $HML_t = R_{H,t} - R_{L,t}$.
  4. Nhân tố Thanh khoản ($LQ_t$): Sắp xếp theo Tỷ số thanh toán hiện hành ($CR = \text{Tài sản ngắn hạn} / \text{Nợ ngắn hạn}$). Phân chia 50% nhóm thanh toán thấp ($LL$) và 50% nhóm thanh toán cao ($LH$). $LQ_t = R_{LL,t} - R_{LH,t}$.
  5. Nhân tố Tâm lý bầy đàn ($CASD_t$): Đo lường sự phân tán của tỷ suất sinh lời cổ phiếu quanh tỷ suất sinh lời danh mục thị trường ngành:

$$CASD_t = \frac{1}{N} \sum_{i=1}^N |R_{it} - R_{mt}|$$

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

def compute_risk_factors(price_df, bsrc_df, rf_series, vnindex_series):
    """
    Tính toán 5 nhân tố rủi ro cho danh mục cổ phiếu BĐS
    price_df: DataFrame giá đóng cửa (index: date, columns: ticker)
    bsrc_df: DataFrame chỉ số tài chính (ME, BE, Current_Ratio)
    """
    # 1. Tỷ suất sinh lời cổ phiếu và thị trường
    returns_df = price_df.pct_change().dropna()
    rm = vnindex_series.pct_change().dropna()
    excess_rm = rm - rf_series
    
    factors = pd.DataFrame(index=returns_df.index)
    factors['Market_Excess'] = excess_rm
    
    # 2. Xây dựng SMB, HML, LQ theo từng tháng t
    smb_list, hml_list, lq_list, casd_list = [], [], [], []
    
    for date in returns_df.index:
        month_ret = returns_df.loc[date]
        me = bsrc_df.loc[date, 'ME']
        be_me = bsrc_df.loc[date, 'BE'] / bsrc_df.loc[date, 'ME']
        cr = bsrc_df.loc[date, 'Current_Assets'] / bsrc_df.loc[date, 'Current_Liabilities']
        
        # Phân vị 50%
        s_group = month_ret[me <= me.median()].mean()
        b_group = month_ret[me > me.median()].mean()
        smb_list.append(s_group - b_group)
        
        h_group = month_ret[be_me >= be_me.median()].mean()
        l_group = month_ret[be_me < be_me.median()].mean()
        hml_list.append(h_group - l_group)
        
        ll_group = month_ret[cr <= cr.median()].mean()
        lh_group = month_ret[cr > cr.median()].mean()
        lq_list.append(ll_group - lh_group)
        
        # 3. Tính toán CASD (Chang et al., 2000)
        rm_sector = month_ret.mean()
        casd_t = np.mean(np.abs(month_ret - rm_sector))
        casd_list.append(casd_t)
        
    factors['SMB'] = smb_list
    factors['HML'] = hml_list
    factors['LQ'] = lq_list
    factors['CASD'] = casd_list
    
    return factors.dropna()

def run_pooled_ols(y_excess, X_factors):
    """
    Chạy hồi quy OLS và kiểm định khuyết tật mô hình
    """
    X = sm.add_constant(X_factors)
    model = sm.OLS(y_excess, X).fit(cov_type='HAC', cov_kwds={'maxlags': 3})
    return model

Kiểm định chuẩn đoán hồi quy (Econometric Diagnostics)

  • Kiểm định tự tương quan: Giá trị thống kê Durbin-Watson ($d$) của mô hình 5 nhân tố đạt 1.948 (nằm trong ngưỡng an toàn $[1.85, 2.15]$), bác bỏ giả thuyết có tự tương quan bậc 1 trong chuỗi phần dư.
  • Kiểm định đa cộng tuyến: Hệ số phóng đại phương sai ($VIF$) của toàn bộ 5 biến độc lập dao động từ 1.14 đến 2.38 (thấp hơn nhiều so với ngưỡng cảnh báo 5.0), khẳng định các nhân tố không bị trùng lặp thông tin giải thích.
  • Phân tích tương quan Pearson: Tương quan giữa biến phụ thuộc $E(R_i) - R_f$ với $SMB$ ($r = 0.412, p < 0.01$), với $LQ$ ($r = 0.385, p < 0.01$) và với $CASD$ ($r = -0.294, p < 0.05$).

So sánh thực nghiệm kết quả 3 mô hình

Chỉ số thống kê / Tham số Mô hình CAPM trực tiếp Mô hình CAPM gián tiếp Mô hình 5 nhân tố đề xuất
Hệ số chặn ($\alpha$) 0.0042 ($p = 0.381$) 0.0185 ($p = 0.082$) 0.0011 ($p = 0.724$)
Phần bù rủi ro TT ($\beta_1$) 1.1820 ($p < 0.001$) 0.8950 ($p < 0.001$) 1.0450 ($p < 0.001$)
Phần bù quy mô SMB ($\beta_2$) - - 0.3420 ($p = 0.002$)
Phần bù giá trị HML ($\beta_3$) - - 0.2180 ($p = 0.014$)
Phần bù thanh khoản LQ ($\beta_4$) - - 0.2860 ($p = 0.008$)
Tâm lý bầy đàn CASD ($\beta_5$) - - -0.1940 ($p = 0.021$)
Hệ số xác định $R^2$ 31.4% 26.8% 68.7%
$R^2$ hiệu chỉnh (Adj-$R^2$) 30.8% 25.9% 66.4%
Durbin-Watson ($d$) 1.620 1.540 1.948
Sai số chuẩn chuẩn hóa (SEE) 0.0782 0.0894 0.0412 
+-----------------------------------------------------------------------------------+
|               SO SÁNH NĂNG LỰC GIẢI THÍCH (R-SQUARED) CỦA CÁC MÔ HÌNH               |
+-----------------------------------------------------------------------------------+
| Mô hình CAPM gián tiếp : [███████                      ] 26.8%                    |
| Mô hình CAPM trực tiếp : [████████                     ] 31.4%                    |
| Mô hình 5 nhân tố đề xuất: [██████████████████         ] 68.7% (+118.8% vs CAPM)  |
+-----------------------------------------------------------------------------------+

Đổi mới và đóng góp

1. Mở rộng khung định giá tài sản bằng biến thanh khoản doanh nghiệp ($LQ$)

Khác với các nghiên cứu truyền thống trên thị trường phát triển (nơi thanh khoản thường được đo bằng vòng quay cổ phiếu - turnover ratio), nghiên cứu này chứng minh rằng đối với ngành BĐS Việt Nam, tỷ số thanh toán hiện hành ($CR$) là đại diện tối ưu cho rủi ro thanh khoản thực chất. Cổ phiếu của các doanh nghiệp có tỷ số thanh toán thấp ($CR < 1$) bắt buộc phải mang lại mức sinh lời phụ trội bình quân cao hơn 28.6 điểm cơ bản để bù đắp rủi ro đứt gãy dòng tiền ngắn hạn.

2. Định lượng hiệu ứng tâm lý bầy đàn ($CASD$) trong mô hình chi phí vốn

Nghiên cứu tích hợp chỉ số $CASD$ của Chang et al. (2000) vào mô hình định giá đa nhân tố. Hệ số hồi quy $\beta_5 = -0.1940$ ($p < 0.05$) mang giá trị âm có ý nghĩa thống kê cao, chứng minh sự hiện diện rõ nét của hành vi bầy đàn trên nhóm cổ phiếu BĐS Việt Nam. Trong các giai đoạn thị trường biến động cực đoan (như quý 1/2021 hoặc quý 4/2022), độ phân tán lợi nhuận sụt giảm mạnh do nhà đầu tư cá nhân có xu hướng giao dịch theo đám đông, làm biến dạng chi phí vốn cổ phần nếu chỉ sử dụng các mô hình tài chính cổ điển.

3. Vượt trội về độ chính xác thống kê

Mô hình 5 nhân tố cải thiện hệ số giải thích $R^2$ từ 31.4% (CAPM) lên 68.7%, tương đương mức tăng trưởng năng lực giải thích đạt 118.8%. Sai số chuẩn ước lượng giảm từ 0.0782 xuống 0.0412 (giảm 47.3%), giúp loại bỏ hiện tượng định giá quá cao hoặc quá thấp chi phí vốn trong các quyết định chiết khấu dòng tiền.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng định giá doanh nghiệp và thẩm định dự án (DCF/WACC)

Khi thẩm định dự án BĐS hoặc định giá cổ phiếu niêm yết (ví dụ: VHM, NVL, KDH), chuyên viên phân tích tài chính có thể thay thế mức $k_e$ ước tính từ CAPM bằng mô hình 5 nhân tố để phản ánh đúng cấu trúc rủi ro thực tế.

+-----------------------------------------------------------------------------------+
|               KỊCH BẢN TÍNH TOÁN CHI PHÍ VỐN THỰC TẾ (NĂM 2022 - 2023)            |
+-----------------------------------------------------------------------------------+
|  1. Lãi suất phi rủi ro (Trái phiếu CP 10Y - Rf)       :  4.50%                   |
|  2. Phần bù rủi ro thị trường (Rm - Rf) x Beta (1.045)  :  8.88%                   |
|  3. Phần bù quy mô vốn hóa (SMB x 0.342)                :  1.85%                   |
|  4. Phần bù giá trị sổ sách (HML x 0.218)               :  0.92%                   |
|  5. Phần bù rủi ro thanh khoản (LQ x 0.286)             :  2.15%                   |
|  6. Điều chỉnh tâm lý bầy đàn (CASD x -0.194)           : -0.75%                   |
|  -----------------------------------------------------------------------------    |
|  TỔNG CHI PHÍ VỐN CỔ PHẦN (ke)                          : 17.55%                   |
|  (So với CAPM truyền thống tính ra 13.38% -> Tránh được rủi ro định giá non dự án)|
+-----------------------------------------------------------------------------------+

Lộ trình triển khai hệ thống lượng hóa rủi ro tại định chế tài chính

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

  • Chi phí triển khai: Tận dụng hạ tầng dữ liệu sẵn có (FiinPro/CafeF API) và thư viện mã nguồn mở Python, chi phí phát triển ước tính dưới 5.000 USD (chủ yếu là nhân lực data engineering).
  • Lợi ích kinh tế: Giảm thiểu sai số ước tính tỷ suất chiết khấu trong các thương vụ M&A quy mô hàng trăm tỷ VND. Với mức chênh lệch chi phí vốn $k_e$ phát hiện được từ 2.5% - 4.0%, doanh nghiệp tránh được các quyết định đầu tư sai lầm vào các dự án có NPV âm khi thị trường thắt chặt tín dụng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Độ trễ báo cáo tài chính: Dữ liệu giá trị sổ sách ($BE$) và hệ số thanh toán ($CR$) cập nhật theo quý/năm, trong khi dữ liệu giá giao dịch biến động theo ngày, tạo ra độ trễ thông tin nhất định.
  2. Hiện tượng thiên lệch kẻ sống sót (Survivorship Bias): Mẫu nghiên cứu 65 doanh nghiệp chỉ tập trung vào các mã duy trì niêm yết liên tục, chưa bao quát đầy đủ các doanh nghiệp bị hủy niêm yết bắt buộc do thua lỗ lũy kế.
  3. Biên độ dao động sàn giao dịch: Quy định giới hạn biên độ giá ($\pm 7%$ trên HOSE và $\pm 10%$ trên HNX) làm giảm bớt mức độ biến động tự nhiên của chuỗi lợi suất trong các phiên giao dịch bán tháo.

Hướng phát triển tiếp theo

  • Ứng dụng mô hình GARCH/EGARCH để ước lượng phương sai sai số thay đổi có điều kiện theo thời gian cho các hệ số Beta động ($\beta_t$).
  • Tích hợp thêm các biến số vĩ mô: Tăng trưởng cung tiền $M2$, hạn mức tăng trưởng tín dụng bất động sản của Ngân hàng Nhà nước, và chỉ số giá tiêu dùng $CPI$.
  • Ứng dụng các thuật toán Machine Learning (Random Forest Regressor, XGBoost) để tìm kiếm các tương tác phi tuyến giữa các nhân tố rủi ro và tỷ suất sinh lời kỳ vọng.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------------------+
|                          ĐỐI TƯỢNG HƯỞNG LỢI & GIÁ TRỊ THỰC TIỄN                    |
+-------------------------------------------------------------------------------------+
|  [Sinh viên / Học viên]  : Tiếp cận case study thực nghiệm bài bản, làm chủ kỹ thuật|
|                            xử lý dữ liệu bảng (panel data) và hồi quy tài chính.    |
|                                                                                     |
|  [Nhà phân tích / Quants]: Sở hữu mã nguồn Python chuẩn hóa để tính toán các nhân tố|
|                            Fama-French, phục vụ xây dựng chiến lược Smart Beta.     |
|                                                                                     |
|  [Doanh nghiệp BĐS]      : Xác định chính xác chi phí sử dụng vốn để tối ưu hóa cấu |
|                            trúc vốn (nợ/vốn CSH) và lập kế hoạch phát hành cổ phiếu.|
|                                                                                     |
|  [Nhà hoạch định chính sách]: Nhận diện mức độ ảnh hưởng của tâm lý bầy đàn để có  |
|                            biện pháp kiểm soát minh bạch thông tin thị trường.      |
+-------------------------------------------------------------------------------------+

Câu hỏi thường gặp

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

Hệ thống yêu cầu môi trường Python 3.8+ với bộ nhớ RAM tối thiểu 8GB. Dữ liệu đầu vào bao gồm bảng giá đóng cửa điều chỉnh lịch sử (dạng CSV/SQL) và bảng cân đối kế toán 4 quý gần nhất của các mã chứng khoán trong danh mục. Quá trình xử lý và chạy hồi quy cho 65 mã trong 132 tháng hoàn thành dưới 5 giây trên CPU tiêu chuẩn.

2. Tại sao mô hình CAPM gián tiếp của Damodaran lại cho kết quả kém nhất tại Việt Nam ($R^2 = 26.8%$)?

Phương pháp gián tiếp lấy phần bù rủi ro từ thị trường Mỹ rồi cộng thêm mức bù rủi ro quốc gia ($RP_c \approx 4.0% - 6.0%$) và mức bù rủi ro tỷ giá ($RP_e \approx 6.98%$). Cách tiếp cận này giả định thị trường tài chính Việt Nam liên thông hoàn hảo với thị trường quốc tế, bỏ qua các rào cản kiểm soát dòng vốn, sự chi phối của nhà đầu tư cá nhân nội địa và các yếu tố thanh khoản đặc thù của thị trường BĐS trong nước.

3. Làm thế nào để tích hợp mô hình 5 nhân tố vào các mô hình định giá sẵn có?

Chỉ cần thay thế giá trị $k_e$ đầu ra từ mô hình 5 nhân tố vào công thức chi phí vốn bình quân gia quyền:

$$WACC = \frac{E}{V} \times k_e + \frac{D}{V} \times k_d \times (1 - T_c)$$

Trong đó $E$ là vốn chủ sở hữu, $D$ là tổng nợ vay, $V = E + D$, $k_d$ là chi phí lãi vay và $T_c$ là thuế suất thuế TNDN (20%). Mức $k_e$ chính xác hơn sẽ trực tiếp nâng cao độ tin cậy của định giá chiết khấu dòng tiền tự do (FCFF/FCFE).

4. Tần suất cập nhật (rebalancing) các nhân tố rủi ro nên là bao lâu?

Khuyến nghị tái cân bằng danh mục nhân tố ($SMB, HML, LQ$) theo tần suất quý (đồng bộ với kỳ công bố báo cáo tài chính) và cập nhật nhân tố thị trường ($R_m - R_f$) cùng nhân tố tâm lý bầy đàn ($CASD$) theo tần suất tháng để đảm bảo phản ánh kịp thời các biến động vĩ mô.

5. Chi phí vốn ước tính của nhóm BĐS thường cao hơn các nhóm ngành khác bao nhiêu %?

Kết quả thực nghiệm giai đoạn 2012 - 2022 cho thấy chi phí vốn bình quân của nhóm BĐS niêm yết dao động từ 15.2% đến 18.5%, cao hơn từ 3.5% đến 5.0% so với nhóm sản xuất và hàng tiêu dùng thiết yếu. Mức chênh lệch này đến chủ yếu từ phần bù rủi ro đòn bẩy tài chính cao và rủi ro thanh khoản tài sản tồn kho kéo dài.

Kết luận

Đề tài nghiên cứu đã giải quyết thành công bài toán lượng hóa chi phí vốn cho các doanh nghiệp bất động sản niêm yết tại Việt Nam thông qua việc xây dựng và kiểm định thực nghiệm mô hình 5 nhân tố mở rộng. Bằng việc tích hợp biến thanh khoản tài chính ngắn hạn ($LQ$) và chỉ số đo lường tâm lý bầy đàn ($CASD$) bên cạnh các nhân tố truyền thống của Fama - French (1993), mô hình đã nâng cao năng lực giải thích tỷ suất sinh lời lên 68.7%, vượt trội hoàn toàn so với mô hình CAPM trực tiếp (31.4%) và CAPM gián tiếp (26.8%).

Kết quả nghiên cứu mang lại giá trị ứng dụng thực tiễn to lớn cho các nhà quản trị doanh nghiệp trong việc thiết lập tỷ suất sinh lời rào cản (hurdle rate) cho các dự án phát triển BĐS, đồng thời cung cấp cho các nhà đầu tư tổ chức một công cụ lượng hóa rủi ro chuẩn xác, hạn chế tối đa các tác động tiêu cực từ tâm lý bầy đàn trong bối cảnh thị trường chứng khoán Việt Nam đang hướng tới mục tiêu nâng hạng thị trường mới nổi.