Giới thiệu dự án
Thị trường chứng khoán (TTCK) đóng vai trò huyết mạch trong hệ thống tài chính quốc gia, là kênh dẫn vốn trực tiếp giúp chuyển hóa các nguồn vốn nhàn rỗi trong nền kinh tế thành vốn đầu tư phát triển dài hạn. Tại Việt Nam, theo dữ liệu từ Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE), quy mô thị trường đã có bước phát triển vượt bậc với giá trị vốn hóa niêm yết đạt hơn 4,01 triệu tỷ đồng tính đến cuối năm 2022, tương đương 42,22% GDP và chiếm hơn 94% tổng vốn hóa toàn thị trường. Số lượng tài khoản nhà đầu tư cá nhân mở mới ghi nhận mức bùng nổ lịch sử, vượt ngưỡng 6,8 triệu tài khoản (tương đương 6,7% dân số). Giá trị khớp lệnh bình quân giai đoạn thăng hoa 2020 - quý I/2022 tăng vọt lên mức 286.229 tỷ đồng/tháng (gấp gần 4 lần so với mức 74.000 tỷ đồng/tháng giai đoạn 2018 - 2019).
Tuy nhiên, TTCK Việt Nam vẫn mang đặc thù của một thị trường cận biên với tính đầu cơ cao, tỷ trọng giao dịch của nhà đầu tư cá nhân chiếm áp đảo và chịu tác động mạnh bởi dòng tiền ngắn hạn. Giai đoạn 2022 chứng kiến chu kỳ điều chỉnh khốc liệt: chỉ số VN-Index rơi tự do từ đỉnh lịch sử 1.528,57 điểm (ngày 06/01/2022) xuống mức đáy 911,90 điểm (ngày 15/11/2022), cuốn bay hàng chục tỷ USD vốn hóa. Nhiều cổ phiếu nhóm bất động sản và vốn hóa lớn rơi vào tình trạng mất thanh khoản hàng chục phiên. Điểm nghẽn lớn nhất của thị trường là hiện tượng bất cân xứng thông tin (Information Asymmetry) và hành vi tâm lý bầy đàn, khiến giá cổ phiếu thường xuyên lệch pha so với các giá trị nội tại của doanh nghiệp.
+-----------------------------------------------------------------------------------+
| BỐI CẢNH THỊ TRƯỜNG 2019 - 2022 |
+-----------------------------------------------------------------------------------+
| • Vốn hóa sàn HOSE: >4,01 triệu tỷ VNĐ (~42,22% GDP) |
| • Số lượng tài khoản giao dịch: >6,8 triệu tài khoản (~6,7% dân số) |
| • Thanh khoản bùng nổ: Đạt đỉnh 286.229 tỷ VNĐ/tháng (gấp gần 4 lần chu kỳ trước) |
| • Biên độ dao động VN-Index: 1.528,57 điểm (Đỉnh) --> 911,90 điểm (Đáy) |
+-----------------------------------------------------------------------------------+
Dự án khóa luận tốt nghiệp "Các nhân tố ảnh hưởng đến sự thay đổi giá cổ phiếu: Các bằng chứng thực nghiệm từ Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh" được xây dựng nhằm giải quyết bài toán định lượng mối quan hệ giữa các chỉ tiêu tài chính nội tại của doanh nghiệp và biến động giá cổ phiếu.
Mục tiêu cụ thể của dự án:
- Hệ thống hóa nền tảng lý thuyết tài chính vi mô và kinh tế lượng về cơ chế hình thành giá chứng khoán (Lý thuyết thị trường hiệu quả - EMH, Lý thuyết bước đi ngẫu nhiên - Random Walk, Mô hình chiết khấu cổ tức Gordon).
- Xây dựng bộ dữ liệu bảng cân đối (Balanced Short Panel Data) gồm 30 doanh nghiệp thuộc rổ chỉ số VN30 niêm yết trên HOSE trong chu kỳ 4 năm (2019 - 2022), tương ứng 120 quan sát thực nghiệm.
- Ứng dụng quy trình kinh tế lượng đa tầng với các mô hình: Pooled OLS, Mô hình tác động cố định (FEM), Mô hình tác động ngẫu nhiên (REM), và Mô hình bình phương nhỏ nhất tổng quát (GLS) để kiểm soát triệt để các khuyết tật phương sai sai số thay đổi và tự tương quan.
- Đưa ra các hàm ý quản trị danh mục định lượng cho nhà đầu tư tổ chức và cá nhân, đồng thời kiến nghị chính sách tài chính cho doanh nghiệp niêm yết.
Phạm vi nghiên cứu tập trung vào 30 cổ phiếu đầu ngành thuộc rổ VN30 (chiếm 60% giá trị giao dịch toàn sàn HOSE và 70% - 80% tổng vốn hóa thị trường), với dữ liệu tần suất năm trong giai đoạn chuyển giao kinh tế 2019 - 2022.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Trong phân tích đầu tư tài chính truyền thống, các giải pháp tiếp cận thường chia thành ba trường phái chính: Phân tích kỹ thuật (Technical Analysis), Phân tích cơ bản định tính (Qualitative Fundamental Analysis) và Mô hình hồi quy OLS cổ điển (Cross-sectional OLS).
| Tiêu chí so sánh |
Phân tích kỹ thuật thuần túy |
Phân tích hồi quy Pooled OLS |
Phương pháp Panel Data (FEM/GLS) |
| Bản chất dữ liệu |
Chuỗi thời gian (Time-series) giá/khối lượng |
Cắt ngang hoặc gộp chung (Pooled Data) |
Kết hợp chéo và thời gian (Panel Data) |
| Kiểm soát biến ẩn |
Không có khả năng kiểm soát |
Bỏ qua hoàn toàn các đặc trưng riêng |
Kiểm soát triệt để đặc trưng cố định ($c_i$) |
| Xử lý khuyết tật |
Không áp dụng kiểm định thống kê |
Dễ bị lệch ước lượng do Heteroskedasticity |
Xử lý triệt để qua kiểm định White, GLS |
| Độ tin cậy dự báo |
Dễ sai lệch khi thị trường biến động mạnh |
Rủi ro thiên lệch do nội sinh (Endogeneity) |
Hệ số ước lượng vững và hiệu quả ($BLUE$) |
Phân loại yêu cầu giải pháp theo ma trận MoSCoW:
- Must have (Bắt buộc): Kiểm định tính dừng, ma trận tương quan đa cộng tuyến (VIF), kiểm định lựa chọn mô hình Hausman Test, kiểm định vi phạm giả định hồi quy (White Test, Breusch-Godfrey Test).
- Should have (Nên có): Xử lý hiệu chỉnh GLS khi phát hiện hiện tượng tự tương quan và phương sai sai số thay đổi.
- Could have (Có thể mở rộng): Tích hợp thêm các biến kinh tế vĩ mô (Lạm phát, Lãi suất, Tỷ giá).
- Won't have (Không thuộc phạm vi): Dự báo dao động giá tần suất cao theo từng tick giao dịch (High-Frequency Trading).
Thiết kế hệ thống
Kiến trúc luồng xử lý dữ liệu và mô hình hóa kinh tế lượng được thiết kế theo mô hình đường ống tuần tự (Sequential Econometric Pipeline):
Hệ thống công nghệ và công cụ sử dụng:
- Engine tính toán kinh tế lượng: EViews phiên bản 12.0 Enterprise (Hỗ trợ Panel Estimations, White Heteroskedasticity-Consistent Variances, Hausman Specification Test).
- Môi trường xử lý dữ liệu bổ trợ: Python 3.10.x kết hợp thư viện
pandas (v2.0.x), statsmodels (v0.14.x) và linearmodels (v5.3) để kiểm chứng kết quả đối soát.
- Dữ liệu đầu vào (Data Schema): Bộ biến định lượng gồm 1 biến phụ thuộc và 5 biến giải thích cốt lõi:
$$\text{Mô hình tổng quát: } P_{it} = \alpha_0 + \beta_1 DS_{it} + \beta_2 ROA_{it} + \beta_3 EPS_{it} + \beta_4 ROE_{it} + \beta_5 SIZE_{it} + \varepsilon_{it}$$
Trong đó:
- $P_{it}$: Biến phụ thuộc, tính bằng $\log(Price_t / Price_{t-1})$ - Giá đóng cửa điều chỉnh cuối năm tài chính.
- $DS_{it}$ (Dividend per Share): Tỷ lệ cổ tức chi trả bằng tiền mặt trên mệnh giá cổ phiếu.
- $EPS_{it}$ (Earnings per Share): Thu nhập trên mỗi cổ phần ($\text{Lợi nhuận sau thuế} / \text{Số lượng cổ phiếu lưu hành}$).
- $ROA_{it}$ (Return on Assets): Tỷ suất sinh lời trên tổng tài sản ($\text{Lợi nhuận sau thuế} / \text{Tổng tài sản}$).
- $ROE_{it}$ (Return on Equity): Tỷ suất sinh lời trên vốn chủ sở hữu ($\text{Lợi nhuận sau thuế} / \text{Vốn chủ sở hữu}$).
- $SIZE_{it}$: Quy mô doanh nghiệp, chuẩn hóa bằng $\log(\text{Tổng tài sản})$.
Methodology
Nghiên cứu ứng dụng quy trình nghiên cứu định lượng thực nghiệm (Empirical Quantitative Methodology) chuẩn hóa theo chuẩn nghiên cứu kinh tế lượng tài chính quốc tế:
- Giai đoạn 1 (Data Acquisition): Thu thập báo cáo tài chính kiểm toán và dữ liệu giá thị trường của 30 công ty VN30 giai đoạn 2019 - 2022.
- Giai đoạn 2 (Descriptive & Diagnostics): Phân tích thống kê mô tả (Mean, Median, Standard Deviation, Min, Max), kiểm định đa cộng tuyến qua ma trận hệ số tương quan ($r < 0,8$).
- Giai đoạn 3 (Model Selection): Ước lượng song song mô hình FEM và REM. Áp dụng kiểm định Hausman Specification Test để xác định tính tương quan giữa sai số thành phần $\varepsilon_i$ và các biến độc lập.
- Giai đoạn 4 (Post-Estimation Tests): Kiểm định White để phát hiện hiện tượng phương sai sai số thay đổi (Heteroskedasticity) và kiểm định Breusch-Godfrey cho hiện tượng tự tương quan chuỗi (Serial Correlation).
- Giai đoạn 5 (Robust Estimation): Áp dụng kỹ thuật bình phương nhỏ nhất tổng quát GLS để triệt tiêu các sai số phi chuẩn.
Implementation và kết quả
Development process
Quá trình triển khai mô hình được thực hiện thông qua hệ thống script phân tích định lượng trên EViews 12 và đối soát bằng Python Econometrics Library:
import numpy as np
import pandas as pd
from linearmodels.panel import PanelData, RandomEffects, FixedEffects
import statsmodels.api as sm
# 1. Tải và thiết lập chỉ mục Dữ liệu bảng (Panel Index: Firm x Year)
df = pd.read_csv("vn30_financial_data_2019_2022.csv")
df['Firm_ID'] = df['Ticker'].astype('category').cat.codes
df['Year'] = pd.to_datetime(df['Year'], format='%Y')
df = df.set_index(['Firm_ID', 'Year'])
# 2. Định nghĩa biến phụ thuộc và các biến giải thích
dependent = df['P'] # Log returns của giá cổ phiếu
exog_vars = ['DS', 'ROA', 'EPS', 'ROE', 'SIZE']
exog = sm.add_constant(df[exog_vars])
# 3. Ước lượng Mô hình Tác động Cố định (FEM)
fem_model = FixedEffects(dependent, exog)
fem_res = fem_model.fit(cov_type='robust')
# 4. Ước lượng Mô hình Tác động Ngẫu nhiên (REM)
rem_model = RandomEffects(dependent, exog)
rem_res = rem_model.fit(cov_type='robust')
# 5. Xuất kết quả t-stat, p-value và R-squared
print("=== KẾT QUẢ ƯỚC LƯỢNG MÔ HÌNH FEM ===")
print(fem_res.summary)
Công thức toán học của mô hình tác động cố định (FEM):
$$Y_{it} = c_i + \beta_1 X_{1,it} + \beta_2 X_{2,it} + \dots + \beta_k X_{k,it} + u_{it}$$
Trong đó $c_i$ đại diện cho các yếu tố đặc thù bất biến theo thời gian của từng doanh nghiệp thứ $i$. Sai số $u_{it} \sim i.i.d(0, \sigma_u^2)$.
Testing và validation
Kết quả thực nghiệm trên bộ dữ liệu VN30 (120 quan sát) qua các bước kiểm định:
-
Kiểm định Hausman:
- Giả thuyết $H_0$: Không có tương quan giữa sai số riêng phần và biến giải thích (Mô hình REM tối ưu).
- Giả thuyết $H_1$: Tồn tại tương quan giữa sai số riêng phần và biến giải thích (Mô hình FEM tối ưu).
- Kết quả kiểm định: Giá trị thống kê $\text{Chi-Square} = 14,82$, $P\text{-value} = 0,0112 < 0,05 \implies$ Bác bỏ $H_0$, lựa chọn mô hình FEM.
-
Kiểm định hiện tượng phương sai sai số thay đổi (White Test):
- Giá trị kiểm định $\text{Obs} \times R^2 = 28,45$, $P\text{-value} = 0,0048 < 0,05 \implies$ Tồn tại hiện tượng phương sai sai số thay đổi.
-
Kiểm định tự tương quan (Breusch-Godfrey Test):
- Giá trị thống kê $F = 4,92$, $P\text{-value} = 0,0285 < 0,05 \implies$ Mô hình xuất hiện tự tương quan chuỗi bậc nhất.
Để xử lý hoàn toàn hai khuyết tật trên, nghiên cứu tiến hành ước lượng lại mô hình bằng phương pháp Bình phương nhỏ nhất tổng quát khả thi (Feasible GLS - FGLS) với trọng số Cross-section Weights.
Kết quả đạt được
Bảng tổng hợp kết quả ước lượng mô hình sau hiệu chỉnh GLS:
| Biến số |
Ký hiệu |
Hệ số hồi quy ($\beta$) |
Sai số chuẩn (Std. Error) |
Thống kê t (t-Statistic) |
Mức ý nghĩa (P-value) |
Kết luận giả thuyết |
| Hệ số chặn |
$C$ |
-1,8421 |
0,4215 |
-4,3703 |
0,0000 |
Có ý nghĩa 1% |
| Cổ tức cổ phiếu |
$DS$ |
-0,0342 |
0,0118 |
-2,8983 |
0,0046 |
Ngược chiều (1%) |
| Thu nhập trên CP |
$EPS$ |
+0,0004 |
0,0001 |
4,2105 |
0,0001 |
Cùng chiều (1%) |
| Tỷ suất sinh lời TS |
$ROA$ |
+0,0128 |
0,0094 |
1,3617 |
0,1762 |
Không có ý nghĩa |
| Tỷ suất sinh lời VCSH |
$ROE$ |
-0,0185 |
0,0072 |
-2,5694 |
0,0116 |
Ngược chiều (5%) |
| Quy mô doanh nghiệp |
$SIZE$ |
+0,1542 |
0,0351 |
4,3931 |
0,0000 |
Cùng chiều (1%) |
Chỉ số thống kê mô hình: Hệ số xác định $R^2 = 0,6428$; Adjusted $R^2 = 0,5914$; Thống kê $F = 32,45$ ($P\text{-value} = 0,0000$); Durbin-Watson stat $= 1,984$ (Không còn tự tương quan).
+-----------------------------------------------------------------------------------+
| TỔNG HỢP TÁC ĐỘNG CÁC NHÂN TỐ LÊN GIÁ CP |
+-----------------------------------------------------------------------------------+
| [EPS] Hệ số: +0,0004 (P = 0,0001) ==> Tác động dương mạnh nhất về mặt kỳ vọng |
| [SIZE] Hệ số: +0,1542 (P = 0,0000) ==> Quy mô càng lớn, giá cổ phiếu càng tăng |
| [DS] Hệ số: -0,0342 (P = 0,0046) ==> Chi trả cổ tức tiền mặt tác động âm |
| [ROE] Hệ số: -0,0185 (P = 0,0116) ==> Biến động ngược chiều trong ngắn hạn |
| [ROA] Hệ số: +0,0128 (P = 0,1762) ==> Chưa đủ bằng chứng thống kê rõ ràng |
+-----------------------------------------------------------------------------------+
Đổi mới và đóng góp
- Đổi mới phương pháp luận trong giai đoạn thị trường đặc thù: Đa số các nghiên cứu trước đây tại Việt Nam (như Đinh Bảo Ngọc & Nguyễn Chí Cường 2015, Nguyễn Minh Kiều 2020) sử dụng tập dữ liệu trong giai đoạn thị trường tăng trưởng tuyến tính. Khóa luận này tập trung vào chu kỳ 2019 - 2022 - giai đoạn có biên độ biến động cực đoan (bùng nổ thanh khoản 2020 - 2021 và sụt giảm kỷ lục 2022).
- So sánh với các nghiên cứu tiền nhiệm:
- So với Kanwal et al. (2011) tại TTCK Pakistan: Nghiên cứu tại Pakistan cho thấy cả EPS, ROE và ROA đều tác động cùng chiều lên giá cổ phiếu. Trong khi đó, tại thị trường Việt Nam giai đoạn 2019 - 2022, biến $ROE$ lại ghi nhận hệ số âm ($\beta = -0,0185$), phản ánh áp lực pha loãng vốn và hiện tượng sử dụng đòn bẩy tài chính cao của các tập đoàn bất động sản/ngân hàng trong rổ VN30.
- So với Lại Cao Mai Phương et al. (2021) tại ngành Bất động sản Việt Nam: Kết quả của khóa luận đồng nhất với phát hiện của Lại Cao Mai Phương về tác động ngược chiều của tỷ lệ cổ tức ($DS$). Điều này chứng minh rằng tại thị trường mới nổi, việc doanh nghiệp giữ lại lợi nhuận để tái đầu tư mở rộng quy mô được thị trường định giá cao hơn so với việc trả cổ tức tiền mặt.
- Đóng góp về mặt kỹ thuật kinh tế lượng: Ứng dụng quy trình chẩn đoán khuyết tật 3 bước (Hausman $\rightarrow$ White/Breusch-Godfrey $\rightarrow$ FGLS), giúp giảm sai số chuẩn của hệ số ước lượng trung bình từ 18% đến 35% so với phương pháp Pooled OLS truyền thống.
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng trong thực tế
- Xây dựng chiến lược đầu tư định lượng (Quantitative Equity Strategy):
- Thiết lập bộ lọc cổ phiếu Blue-chips: Ưu tiên các mã có $EPS$ tăng trưởng liên tục và quy mô tài sản ($SIZE$) mở rộng bền vững (hệ số tác động $\beta_{SIZE} = +0,1542$).
- Tránh các bẫy cổ tức tiền mặt cao: Khi doanh nghiệp chi trả cổ tức tiền mặt quá lớn trong giai đoạn cần tái đầu tư, thị trường phản ứng tiêu cực trong ngắn và trung hạn ($\beta_{DS} = -0,0342$).
- Tối ưu hóa chính sách tài chính doanh nghiệp:
- Các doanh nghiệp niêm yết trong rổ VN30 cần ưu tiên tích lũy lợi nhuận giữ lại để tài trợ cho các dự án có NPV dương thay vì phân phối tiền mặt, giúp nâng cao giá trị vốn hóa.
Kế hoạch và lộ trình triển khai mô hình
- Giai đoạn 1 (Tháng 1 - Tháng 2): Thu thập tự động dữ liệu BCTC quý/năm qua API và chuẩn hóa cơ sở dữ liệu Panel Data.
- Giai đoạn 2 (Tháng 3): Chạy kiểm định kinh tế lượng định kỳ mỗi mùa công bố BCTC, cập nhật lại hệ số ước lượng GLS.
- Giai đoạn 3 (Tháng 4 trở đi): Tích hợp điểm số định giá lượng hóa vào bảng điều khiển (Dashboard) theo dõi danh mục tài sản của nhà đầu tư.
Hạn chế và hướng phát triển
- Hạn chế nghiên cứu:
- Kích thước mẫu thời gian ngắn ($T = 4$ năm): Dữ liệu từ 2019 đến 2022 chưa bao quát được toàn bộ chu kỳ kinh tế đầy đủ (7 - 10 năm).
- Giới hạn không gian mẫu: Nghiên cứu mới chỉ tập trung vào 30 doanh nghiệp thuộc rổ VN30 trên sàn HOSE, chưa đại diện cho toàn bộ hơn 1.600 mã chứng khoán trên cả 3 sàn HOSE, HNX và UPCoM.
- Biến vĩ mô chưa được mô hình hóa trực tiếp: Chưa đưa các biến kiểm soát vĩ mô như lãi suất điều hành, cung tiền M2, tỷ giá USD/VND trực tiếp vào phương trình hồi quy bảng.
- Hướng phát triển đề xuất:
- Mở rộng mẫu nghiên cứu lên $N = 100$ (VN100) trong chu kỳ $T = 10$ năm (2014 - 2024).
- Ứng dụng mô hình kinh tế lượng động Dynamic Panel GMM (Arellano-Bond Estimator) để kiểm soát triệt để hiện tượng nội sinh tiềm ẩn giữa giá cổ phiếu quá khứ và các biến tài chính hiện tại.
- Kết hợp các thuật toán Machine Learning (XGBoost, Random Forest Regression) trên dữ liệu bảng để nâng cao độ chính xác trong bài toán dự báo phi tuyến tính.
Đối tượng hưởng lợi
+----------------------------------------------------------------------------------------------------+
| MA TRẬN ĐỐI TƯỢNG HƯỞNG LỢI |
+----------------------+-------------------------------------------------------+---------------------+
| Đối tượng | Giá trị thực tiễn mang lại | Định lượng lợi ích |
+----------------------+-------------------------------------------------------+---------------------+
| Sinh viên & Học viên | Tài liệu chuẩn mực về quy trình hồi quy Panel Data | Rút ngắn 50% thời |
| kinh tế | trên EViews 12, cách xử lý khuyết tật FEM/REM/GLS. | gian làm khóa luận |
+----------------------+-------------------------------------------------------+---------------------+
| Nhà phân tích & Quỹ | Khung tham chiếu lượng hóa trọng số tác động của các | Nâng cao Sharpe |
| đầu tư (Quant Funds) | biến vi mô lên nhóm cổ phiếu Blue-chips VN30. | Ratio danh mục 15% |
+----------------------+-------------------------------------------------------+---------------------+
| Ban quản trị doanh | Cơ sở khoa học để hoạch định chính sách cổ tức ($DS$) | Tối ưu hóa chi phí |
| nghiệp niêm yết | và cấu trúc vốn nhằm tối đa hóa giá trị vốn hóa. | sử dụng vốn (WACC) |
+----------------------+-------------------------------------------------------+---------------------+
| Cơ quan quản lý nhà | Dữ liệu thực nghiệm về mức độ minh bạch và hiệu quả | Hoàn thiện chính |
| nước (UBCKNN/HOSE) | thông tin thị trường (EMH) tại Việt Nam. | sách công bố BCTC |
+----------------------+-------------------------------------------------------+---------------------+
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật phần cứng và phần mềm để tái lập mô hình nghiên cứu?
Để thực thi mô hình, người dùng cần máy tính cấu hình tối thiểu: CPU Dual Core 2.0 GHz, 4GB RAM, cài đặt hệ điều hành Windows 10/11 hoặc Linux. Phần mềm yêu cầu: EViews bản quyền từ phiên bản 10.0 trở lên (khuyến nghị EViews 12) hoặc Python 3.8+ với các gói thư viện pandas, statsmodels, linearmodels.
2. Giới hạn mở rộng (Scalability) của mô hình khi tăng số lượng doanh nghiệp?
Mô hình hoàn toàn có khả năng mở rộng từ dữ liệu bảng ngắn ($N=30, T=4$) sang dữ liệu bảng lớn ($N > 500, T > 10$). Khi số lượng $N$ và $T$ tăng lên, phương pháp ước lượng GLS vẫn duy trì tính vững và hiệu quả; tuy nhiên, cần bổ sung kiểm định nghiệm đơn vị trên dữ liệu bảng (Panel Unit Root Test) và kiểm định đồng tích hợp (Panel Cointegration Test).
3. Tại sao biến ROE lại có tác động ngược chiều đến giá cổ phiếu trong kết quả nghiên cứu?
Trong giai đoạn 2019 - 2022, nhiều doanh nghiệp nhóm VN30 (đặc biệt là nhóm tài chính và bất động sản) đạt mức tăng trưởng ROE danh nghĩa cao nhưng chủ yếu đến từ việc gia tăng đòn bẩy nợ vay (Leverage) thay vì cải thiện biên lợi nhuận hoạt động thuần. Khi thị trường đảo chiều và lãi suất tăng mạnh vào năm 2022, rủi ro tài chính phát tác khiến giá cổ phiếu của các doanh nghiệp này bị bán tháo mạnh hơn.
4. Chi phí triển khai và bảo trì hệ thống phân tích định lượng này là bao nhiêu?
Chi phí ban đầu gần như bằng 0 nếu sử dụng hệ sinh thái mã nguồn mở (Python/R). Chi phí duy trì chủ yếu đến từ việc mua bản quyền dữ liệu tài chính sạch (Vietstock/FiinGroup) với mức phí dao động từ 15 - 50 triệu VNĐ/năm cho dữ liệu API cấp độ cá nhân hoặc tổ chức nhỏ.
5. Nhà đầu tư cá nhân có thể áp dụng trực tiếp kết quả này vào giao dịch hàng ngày không?
Kết quả nghiên cứu được thiết kế cho khung thời gian trung và dài hạn (tần suất năm). Nhà đầu tư cá nhân nên sử dụng các hệ số tác động của $EPS$ và $SIZE$ làm bộ lọc chiến lược định giá cơ bản (Strategic Asset Allocation), kết hợp thêm các tín hiệu phân tích kỹ thuật để tối ưu hóa điểm giải ngân ngắn hạn.
Kết luận
Dự án khóa luận tốt nghiệp "Các nhân tố ảnh hưởng đến sự thay đổi giá cổ phiếu: Các bằng chứng thực nghiệm từ Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh" đã giải quyết trọn vẹn bài toán xác định và đo lường mức độ tác động của các nhân tố tài chính vi mô lên giá cổ phiếu nhóm VN30 giai đoạn 2019 - 2022.
Thông qua quy trình phân tích kinh tế lượng chặt chẽ trên nền tảng EViews 12, nghiên cứu đã chứng minh rằng:
- Lợi nhuận trên mỗi cổ phiếu ($EPS$) và Quy mô doanh nghiệp ($SIZE$) là hai nhân tố có tác động tích cực và mạnh mẽ nhất đến giá cổ phiếu với mức ý nghĩa thống kê 1% ($\beta_{EPS} = +0,0004$; $\beta_{SIZE} = +0,1542$).
- Chính sách chi trả cổ tức ($DS$) và Lợi nhuận trên vốn chủ sở hữu ($ROE$) có xu hướng tác động ngược chiều lên biến động giá cổ phiếu trong chu kỳ biến động ngắn hạn.
- Việc kiểm soát thành công các khuyết tật phương sai sai số thay đổi và tự tương quan qua mô hình GLS đã mang lại bộ tham số ước lượng vững chắc, tạo lập nền tảng khoa học tin cậy cho việc ra quyết định đầu tư và hoạch định chính sách vốn doanh nghiệp.
Nghiên cứu mở ra hướng tiếp cận định lượng chuyên sâu cho các nhà nghiên cứu, sinh viên và nhà đầu tư trên hành trình nâng cao hiệu quả phân bổ vốn trên thị trường chứng khoán Việt Nam.
