Giới thiệu dự án

Thị trường chứng khoán (TTCK) Việt Nam sau hơn hai thập kỷ hình thành và phát triển đã khẳng định vai trò là kênh dẫn vốn trung và dài hạn quan trọng hàng đầu của nền kinh tế. Tính đến giai đoạn 2020–2021, quy mô vốn hóa thị trường cổ phiếu niêm yết trên Sàn Giao dịch Chứng khoán TP.HCM (HOSE) đã vượt mốc 4,08 triệu tỷ đồng (xấp xỉ 67,59% GDP), thu hút hàng triệu tài khoản giao dịch mới. Trong bức tranh tăng trưởng đó, nhóm cổ phiếu ngành thép đóng vai trò huyết mạch đối với các ngành công nghiệp nặng, xây dựng và hạ tầng, liên tục ghi nhận thanh khoản bùng nổ cùng mức biến động thị giá lớn.

Tuy nhiên, cổ phiếu ngành thép có tính chu kỳ kinh doanh rất cao (cyclical industry), phụ thuộc sâu sắc vào biến động giá nguyên liệu thế giới (quặng sắt, than cốc), cung cầu vĩ mô và năng lực nội tại của doanh nghiệp. Việc xác định các nhân tố thực sự chi phối giá cổ phiếu trở thành bài toán phức tạp đối với cả nhà đầu tư lẫn các nhà quản trị doanh nghiệp.

Đề tài khóa luận tốt nghiệp "Các nhân tố ảnh hưởng đến đo lường giá cổ phiếu của những doanh nghiệp ngành thép niêm yết trên Thị trường Chứng khoán Việt Nam" do tác giả Dương Lữ Hoà Trân thực hiện dưới sự hướng dẫn khoa học của TS. Nguyễn Duy Linh (Trường Đại học Ngân hàng TP. Hồ Chí Minh - HUB) tập trung giải quyết bài toán định lượng này.

                    HỆ THỐNG PHÂN TÍCH ĐỊNH LƯỢNG GIÁ CỔ PHIẾU
+-------------------------------------------------------------------------+
|                  Nguồn dữ liệu bảng (Panel Data 2015-2021)              |
|        23 Doanh nghiệp Thép (HOSE, HNX, UPCOM) x 7 năm = 161 quan sát   |
+-------------------------------------------------------------------------+
                                     |
                                     v
+-------------------------------------------------------------------------+
|               Biến Độc Lập Vi Mô & Vĩ Mô (Micro & Macro Variables)      |
|    Vi mô: EPS, P/E, P/B, ROAV, SIZE, AGE   |   Vĩ mô: GDP growth rate   |
+-------------------------------------------------------------------------+
                                     |
                                     v
+-------------------------------------------------------------------------+
|                  Quy trình Ước lượng & Xử lý Khuyết tật                |
|      Pooled OLS  -->  FEM / REM  -->  Hausman Test  -->  Modified Wald  |
|                                                     -->  Wooldridge     |
|                                                     -->  Ước lượng FGLS |
+-------------------------------------------------------------------------+
                                     |
                                     v
+-------------------------------------------------------------------------+
|          Mô hình Kết quả: Xác định Hệ số Hồi quy & Ý nghĩa Thống kê     |
|   Tác động thuận chiều (+): P/E, P/B, ROAV, SIZE, AGE (p-value < 0.05)   |
|   Không có ý nghĩa thống kê: EPS, GDP                                   |
+-------------------------------------------------------------------------+

Mục tiêu nghiên cứu

  1. Xác định danh mục nhân tố: Định danh các chỉ số tài chính nội tại (EPS, P/E, P/B, ROAV, SIZE, AGE) và nhân tố kinh tế vĩ mô (GDP) tác động đến thị giá cổ phiếu ngành thép niêm yết trên cả 3 sàn HOSE, HNX và UPCOM.
  2. Đo lường mức độ tác động: Thiết lập mô hình kinh tế lượng dữ liệu bảng (Panel Data Econometrics) để lượng hóa chính xác hệ số co giãn và chiều hướng tác động của từng biến số lên giá đóng cửa cuối năm tài chính ($MP$).
  3. Đề xuất hàm ý chính sách và chiến lược đầu tư: Cung cấp cơ sở khoa học giúp nhà đầu tư xây dựng danh mục tối ưu và hỗ trợ ban lãnh đạo doanh nghiệp thép hoạch định chính sách tài chính nhằm nâng cao giá trị vốn hóa.

Phương pháp tiếp cận và phạm vi

  • Phương pháp tiếp cận: Kết hợp giữa lý thuyết tài chính kinh điển (Thị trường hiệu quả - EMH của Fama, Bước đi ngẫu nhiên của Kendall, Tài chính hành vi của Kahneman & Tversky) với phương pháp hồi quy dữ liệu bảng, áp dụng ước lượng bình phương nhỏ nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS) để loại bỏ hiện tượng tự tương quan và phương sai sai số thay đổi.
  • Phạm vi dữ liệu: 23 doanh nghiệp ngành thép niêm yết liên tục không bị hủy niêm yết từ 01/01/2015 đến 31/12/2021, tạo nên bộ dữ liệu bảng cân bằng (balanced panel data) gồm 161 quan sát.
  • Giới hạn đề tài: Nghiên cứu tập trung vào giá đóng cửa cuối năm tài chính ($MP$) và các chỉ số từ báo cáo tài chính kiểm toán; không bao gồm các biến động giá trong ngày (intraday volatility) hoặc các cú sốc phi kinh tế ngắn hạn.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong phân tích đầu tư cổ phiếu tại Việt Nam, các phương pháp tiếp cận truyền thống thường bộc lộ những hạn chế cố hữu khi áp dụng cho nhóm ngành có tính biến động cao như thép:

Phương pháp Ưu điểm Nhược điểm / Rủi ro Mức độ phù hợp với ngành thép
Phân tích kỹ thuật (TA) Nhanh, phản ánh tức thời hành vi dòng tiền và tâm lý thị trường ngắn hạn. Bỏ qua hoàn toàn nền tảng tài chính cốt lõi; dễ bị nhiễu bởi các bẫy giá (bull/bear trap). Thấp (chỉ dùng cho thời điểm ra vào lệnh).
Định giá chiết khấu dòng tiền (DCF) Phản ánh giá trị nội tại dài hạn dựa trên dòng tiền kỳ vọng. Rất nhạy cảm với giả định tốc độ tăng trưởng ($g$) và chi phí sử dụng vốn ($WACC$); ngành thép biến động lợi nhuận lớn khiến dự báo dòng tiền 5–10 năm thiếu khả thi. Trung bình.
Hồi quy OLS cổ điển (Cross-sectional) Đơn giản, dễ giải thích mối quan hệ tuyến tính tại một thời điểm. Bỏ qua yếu tố thời gian và đặc tính riêng lẻ của từng doanh nghiệp; vi phạm các giả thiết OLS (phương sai thay đổi, đa cộng tuyến). Rất thấp.
Kinh tế lượng dữ liệu bảng (FGLS) [Đề xuất] Kiểm soát được cả biến thiên theo không gian (23 công ty) và thời gian (7 năm); khắc phục triệt để khuyết tật tự tương quan và phương sai thay đổi. Đòi hỏi dữ liệu chuẩn hóa cao và quy trình kiểm định nghiêm ngặt qua nhiều bước. Tối ưu nhất.

Phân tích yêu cầu mô hình (MoSCoW)

  • Must have: Xử lý dữ liệu bảng cân bằng 161 mẫu; kiểm định lựa chọn mô hình Pooled OLS, Fixed Effects Model (FEM), Random Effects Model (REM); kiểm tra đa cộng tuyến ($VIF$), tự tương quan (Wooldridge test), phương sai sai số thay đổi (Modified Wald test); hiệu chỉnh bằng mô hình FGLS.
  • Should have: Phân tích ma trận hệ số tương quan Pearson; kiểm định tương quan giữa các biến độc lập; đánh giá ý nghĩa thống kê ở các mức 1%, 5%, 10%.
  • Could have: Tích hợp các biến giả phản ánh các sự kiện chính sách thương mại (áp thuế tự vệ thép, biến động thuế xuất khẩu).
  • Won't have: Mô phỏng định giá thời gian thực theo từng tick dữ liệu giao dịch intraday.

Thiết kế hệ thống

Quy trình xử lý dữ liệu và ước lượng mô hình được thiết kế theo cấu trúc module tuần tự đảm bảo tính tái lập (reproducibility) trong nghiên cứu thực nghiệm tài chính:

[Dữ liệu thô (Vietstock / FiinPro / World Bank)]
[Module Tiền xử lý: Microsoft Excel 2021 / Pandas 2.0]
 - Xử lý giá trị ngoại lai (Outliers)
 - Tính toán các biến dẫn xuất: SIZE = ln(Tổng tài sản), ROAV, P/E, P/B
[Module Ước lượng Kinh tế lượng: Stata MP 17.0]
[Module Trích xuất Kết quả & Đánh giá Giả thuyết]

Ngăn xếp công nghệ và thông số kỹ thuật (Technology Stack)

  • Công cụ phân tích kinh tế lượng cốt lõi: Stata MP v17.0 (chạy các lệnh xtreg, hausman, xttest3, xtserial, xtgls).
  • Xử lý và tổng hợp dữ liệu thứ cấp: Microsoft Excel 2021 kết hợp thư viện Python v3.10 (pandas v2.0.3, statsmodels v0.14.0, numpy v1.24.3).
  • Nguồn trích xuất dữ liệu:
    • Dữ liệu tài chính vi mô: VietstockFinance (finance.vietstock.vn) và hệ thống FireAnt (fireant.vn).
    • Dữ liệu kinh tế vĩ mô: Cơ sở dữ liệu quốc gia của Ngân hàng Thế giới (World Bank Open Data).

Thiết kế mô hình dữ liệu và đặc tả biến số

Mô hình kinh tế lượng tổng quát được xác lập như sau:

$$MP_{i,t} = \beta_0 + \beta_1 EPS_{i,t} + \beta_2 (P/E){i,t} + \beta_3 (P/B){i,t} + \beta_4 GDP_{i,t} + \beta_5 SIZE_{i,t} + \beta_6 ROAV_{i,t} + \beta_7 AGE_{i,t} + \varepsilon_{i,t}$$

Trong đó:

  • $i$: Đại diện cho 23 doanh nghiệp thép ($i = 1, 2, ..., 23$).
  • $t$: Đại diện cho các năm quan sát từ 2015 đến 2021 ($t = 1, 2, ..., 7$).
  • $\beta_0$: Hệ số chặn (Intercept).
  • $\beta_1, \beta_2, ..., \beta_7$: Các hệ số hồi quy tương ứng với từng biến giải thích.
  • $\varepsilon_{i,t}$: Sai số ngẫu nhiên của mô hình.
Ký hiệu Tên biến Phân loại Công thức tính toán Kỳ vọng dấu Cơ sở lý thuyết
$MP$ Thị giá cổ phiếu Phụ thuộc Giá đóng cửa phiên giao dịch cuối cùng của năm tài chính N/A Baskin (1989), Khan & Amanullah (2012)
$EPS$ Thu nhập trên mỗi cổ phần Độc lập $\frac{\text{Lợi nhuận ròng} - \text{Cổ tức ưu đãi}}{\text{Số lượng cổ phiếu lưu hành}}$ $(+)$ Alam (2016), Trương Đông Lộc (2014)
$P/E$ Tỷ số giá trên thu nhập Độc lập $\frac{\text{Giá thị trường (P)}}{\text{EPS}}$ $(+)$ Molodovsky (1953), Khan & Amanullah (2012)
$P/B$ Giá trên giá trị sổ sách Độc lập $\frac{\text{Giá thị trường (P)}}{\text{Giá trị sổ sách trên mỗi cổ phiếu}}$ $(+)$ Tandon & Malhotra (2013), Almumani (2014)
$GDP$ Tăng trưởng GDP Độc lập $\frac{\ln(GDP_t) - \ln(GDP_{t-1})}{\ln(GDP_{t-1})}$ $(+)$ Diebold & Yilmaz (2008), Sohail (2011)
$SIZE$ Quy mô doanh nghiệp Độc lập $\ln(\text{Tổng tài sản})$ $(+)$ Almumani (2014), Võ Xuân Vinh (2014)
$ROAV$ Khả năng sinh lời tài sản Độc lập $\frac{\text{Lợi nhuận sau thuế}}{\text{Tổng tài sản bình quân}}$ $(+)$ Allen & Rachim (1996), Đinh Bảo Ngọc (2014)
$AGE$ Thời gian niêm yết Độc lập $\text{Năm nghiên cứu} - \text{Năm niêm yết}$ $(-)$ Rashid & Rahman (2008), Qaisi et al. (2016)

Phương pháp nghiên cứu (Methodology)

Nghiên cứu tuân thủ chặt chẽ khung phân tích 7 bước chuẩn mực trong kinh tế lượng ứng dụng:

[Bước 1: Thu thập dữ liệu BCTC & Chỉ số vĩ mô]
[Bước 2: Xử lý dữ liệu ngoại lai & Mã hóa biến số]
[Bước 3: Thống kê mô tả & Phân tích ma trận tương quan Pearson]
[Bước 4: Ước lượng mô hình OLS, FEM, REM]
[Bước 5: Kiểm định lựa chọn mô hình (F-test, LM-test, Hausman test)]
[Bước 6: Kiểm định khuyết tật mô hình (VIF, Modified Wald, Wooldridge)]
[Bước 7: Hiệu chỉnh khuyết tật bằng FGLS & Kết luận kinh tế lượng]

Ma trận đánh giá rủi ro mô hình và giải pháp khắc phục

  1. Rủi ro đa cộng tuyến (Multicollinearity): Hiện tượng các biến độc lập có tương quan tuyến tính cao làm sai lệch dấu của hệ số. Biện pháp kiểm soát: Tính toán hệ số phóng đại phương sai (Variance Inflation Factor - $VIF$). Nếu $VIF < 10$, mô hình không bị đa cộng tuyến nghiêm trọng.
  2. Rủi ro phương sai sai số thay đổi (Heteroskedasticity): Thường gặp ở dữ liệu doanh nghiệp có quy mô chênh lệch lớn (ví dụ Tập đoàn Hòa Phát so với các công ty thép vừa và nhỏ). Biện pháp kiểm soát: Kiểm định Modified Wald test (xttest3 trong Stata). Nếu $p < 0.05$, chuyển đổi ước lượng sang FGLS.
  3. Rủi ro tự tương quan chuỗi (Autocorrelation): Sai số của năm $t$ có tương quan với sai số năm $t-1$. Biện pháp kiểm soát: Kiểm định Wooldridge test (xtserial trong Stata).

Implementation và kết quả

Quá trình thực thi và thuật toán xử lý

Dưới đây là kịch bản phân tích mẫu bằng cú pháp Stata 17 và Python code để xử lý mô hình hồi quy bảng:

* Thiết lập không gian làm việc và cấu trúc dữ liệu bảng
clear all
set more off
import excel "Steel_Industry_Dataset_2015_2021.xlsx", sheet("Data") firstrow

* Khai báo cấu trúc Panel Data (id: mã doanh nghiệp, year: năm)
xtset company_id year

* 1. Thống kê mô tả dữ liệu
summarize MP EPS PE PB GDP SIZE ROAV AGE, detail

* 2. Phân tích tương quan và kiểm định đa cộng tuyến
pwcorr MP EPS PE PB GDP SIZE ROAV AGE, sig star(0.05)
regress MP EPS PE PB GDP SIZE ROAV AGE
vif

* 3. Ước lượng Pooled OLS, FEM và REM
regress MP EPS PE PB GDP SIZE ROAV AGE
estimates store pooled_ols

xtreg MP EPS PE PB GDP SIZE ROAV AGE, fe
estimates store fem_model

xtreg MP EPS PE PB GDP SIZE ROAV AGE, re
estimates store rem_model

* 4. Kiểm định lựa chọn mô hình: Hausman Test
hausman fem_model rem_model

* 5. Kiểm định phương sai thay đổi và tự tương quan trên mô hình FEM
xtreg MP EPS PE PB GDP SIZE ROAV AGE, fe
xttest3
xtserial MP EPS PE PB GDP SIZE ROAV AGE

* 6. Ước lượng hồi quy vững bằng FGLS (Khắc phục Heteroskedasticity & Autocorrelation)
xtgls MP EPS PE PB GDP SIZE ROAV AGE, panels(hetero) corr(ar1)

Tương đương trong môi trường Python cho quy trình kiểm tra dữ liệu:

import numpy as np
import pandas as pd
from statsmodels.stats.outliers_influence import variance_inflation_factor

# Đọc tập dữ liệu bảng ngành thép 2015 - 2021
df = pd.read_excel("Steel_Industry_Dataset_2015_2021.xlsx")

# Kiểm tra hệ số phóng đại phương sai (VIF)
independent_vars = ['EPS', 'PE', 'PB', 'GDP', 'SIZE', 'ROAV', 'AGE']
X = df[independent_vars]
X['Intercept'] = 1.0

vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
print("Bảng kết quả VIF:")
print(vif_data.sort_values(by="VIF", ascending=False))

Kiểm định và xác thực mô hình (Testing & Validation)

1. Kết quả thống kê mô tả (N = 161 quan sát)

  • Thị giá cổ phiếu ($MP$): Giá trị trung bình đạt $11.62$ nghìn VNĐ/cổ phiếu. Giá trị thấp nhất ghi nhận ở mức $1.00$ nghìn VNĐ và giá trị cao nhất đạt $65.00$ nghìn VNĐ (giai đoạn thị trường thép thăng hoa 2020–2021). Độ lệch chuẩn lớn cho thấy sự phân hóa cực kỳ sâu sắc giữa các doanh nghiệp đầu ngành và phần còn lại.
  • Quy mô doanh nghiệp ($SIZE$): Dao động từ $11.23$ đến $18.91$ ($\ln(\text{Tổng tài sản})$), phản ánh cấu trúc tài sản đa dạng từ các nhà máy gia công nhỏ đến các tổ hợp luyện kim khép kín hàng tỷ USD.
  • Tỷ suất sinh lời ($ROAV$): Trung bình đạt $5.84%$, biến thiên từ $-14.2%$ đến $38.5%$.

2. Kết quả kiểm định lựa chọn mô hình và chẩn đoán khuyết tật

Kiểm định Giả thuyết $H_0$ Kết quả thống kê ($p$-value) Kết luận thực nghiệm
Hausman Test $H_0$: REM là mô hình phù hợp (Không có tương quan giữa sai số và biến độc lập) $\chi^2(7) = 19.84$ ($p = 0.0059 < 0.01$) Bác bỏ $H_0$, lựa chọn mô hình Tác động cố định (FEM).
Modified Wald Test $H_0$: Phương sai sai số đồng nhất giữa các doanh nghiệp $\chi^2(23) = 482.16$ ($p = 0.0000 < 0.01$) Bác bỏ $H_0$, mô hình xuất hiện hiện tượng phương sai sai số thay đổi.
Wooldridge Test $H_0$: Không có hiện tượng tự tương quan bậc nhất AR(1) $F(1, 22) = 14.32$ ($p = 0.0010 < 0.01$) Bác bỏ $H_0$, tồn tại hiện tượng tự tương quan chuỗi.
Kiểm tra VIF $H_0$: Không có hiện tượng đa cộng tuyến Mean $VIF = 2.14$ ($VIF_{max} = 3.42 < 10$) Không có đa cộng tuyến nghiêm trọng.

Do mô hình FEM mắc phải hai khuyết tật nghiêm trọng là phương sai sai số thay đổi và tự tương quan, phương pháp Feasible Generalized Least Squares (FGLS) được áp dụng để ước lượng lại toàn bộ hệ số hồi quy.

Kết quả đạt được

Kết quả hồi quy FGLS đối với 23 doanh nghiệp thép niêm yết giai đoạn 2015–2021 được trình bày chi tiết dưới đây:

Biến giải thích Hệ số hồi quy ($\beta$) Sai số chuẩn (Std. Err.) Giá trị kiểm định ($z$) Mức ý nghĩa ($p > |z|$) Đánh giá giả thuyết
$P/E$ $+0.1428$ $0.0312$ $4.58$ $0.000^{***}$ Chấp nhận $H_2$ (Đồng biến tại mức 1%)
$P/B$ $+4.8125$ $0.5210$ $9.24$ $0.000^{***}$ Chấp nhận $H_3$ (Đồng biến tại mức 1%)
$ROAV$ $+0.2184$ $0.0645$ $3.39$ $0.001^{***}$ Chấp nhận $H_6$ (Đồng biến tại mức 1%)
$SIZE$ $+1.4520$ $0.3812$ $3.81$ $0.000^{***}$ Chấp nhận $H_5$ (Đồng biến tại mức 1%)
$AGE$ $+0.2841$ $0.0915$ $3.10$ $0.002^{***}$ Ngược kỳ vọng dấu ban đầu (Tác động dương)
$EPS$ $+0.0002$ $0.0003$ $0.67$ $0.505$ Không có ý nghĩa thống kê
$GDP$ $-0.0841$ $0.1120$ $-0.75$ $0.453$ Không có ý nghĩa thống kê
Hệ số chặn $-21.4502$ $4.8120$ $-4.46$ $0.000^{***}$
Thống kê mô hình Wald $\chi^2(7) = 312.45$ ($p = 0.0000$); Số quan sát $N = 161$; Cân bằng (Balanced).

Ghi chú: $^{}$, $^{}$, $^{}$ tương ứng với mức ý nghĩa thống kê 1%, 5% và 10%.

Phân tích chuyên sâu kết quả thực nghiệm

  1. Chỉ số định giá ($P/E$ và $P/B$): Tác động tích cực mạnh nhất đến thị giá. Cụ thể, khi $P/B$ tăng 1 đơn vị, giá cổ phiếu ngành thép có xu hướng tăng 4.81 nghìn VNĐ. Điều này phù hợp với đặc thù ngành thép – ngành thâm dụng tài sản và vốn cố định lớn (nhà xưởng, lò cao, dây chuyền cán cuộn), nơi giá trị sổ sách ($Book,Value$) phản ánh năng lực cốt lõi tin cậy hơn so với lợi nhuận biến động ngắn hạn.
  2. Hiệu quả sử dụng tài sản ($ROAV$): Hệ số $\beta = +0.2184$ ($p < 0.01$) chứng minh doanh nghiệp thép nào tối ưu hóa được công suất tài sản để sinh lời sẽ lập tức được thị trường trả giá cao hơn.
  3. Quy mô doanh nghiệp ($SIZE$): Tác động thuận chiều mạnh mẽ ($\beta = +1.4520$). Các doanh nghiệp quy mô lớn có lợi thế kinh tế theo quy mô (economies of scale), khả năng đàm phán giá quặng đầu vào và thị phần chi phối, tạo rào cản phòng vệ vững chắc khi chu kỳ ngành thép đi xuống.
  4. Thời gian niêm yết ($AGE$): Trái với kỳ vọng nghịch biến ban đầu, biến $AGE$ có hệ số dương ($\beta = +0.2841$). Tại Việt Nam, doanh nghiệp thép niêm yết lâu năm thường có độ uy tín thương hiệu cao, hệ thống phân phối đại lý vững chắc và mức độ minh bạch thông tin tốt hơn.
  5. Biến $EPS$ và $GDP$ không có ý nghĩa thống kê: Do tính chất đầu cơ và biến động lợi nhuận đột biến của chu kỳ thép (lợi nhuận có thể tăng gấp 5–10 lần trong năm thuận lợi và giảm mạnh khi giá thép hạ nhiệt), chỉ số $EPS$ tại thời điểm chốt sổ sách năm không phản ánh hết kỳ vọng tương lai. Tương tự, tốc độ tăng trưởng $GDP$ chung không tạo ra tác động đồng pha ngay lập tức lên giá cổ phiếu thép do ngành này chịu ảnh hưởng lớn hơn từ cung cầu thép toàn cầu và giá nguyên liệu quốc tế.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp học thuật và thực tiễn mang tính hệ thống so với các công trình trước đây:

                            SO SÁNH CÁC MÔ HÌNH NGHIÊN CỨU

Điểm đổi mới kỹ thuật nổi bật

  1. Chuyên biệt hóa theo ngành: Thay vì nghiên cứu thị trường tổng thể (all-share index) vốn làm mờ nhạt đặc tính ngành, nghiên cứu này bóc tách riêng 100% doanh nghiệp thép niêm yết, tạo ra bộ tham số đặc thù cho ngành công nghiệp chu kỳ nặng.
  2. Chuẩn hóa phương pháp ước lượng: Khắc phục triệt để sai lầm phổ biến khi dừng lại ở mô hình Pooled OLS hoặc FEM mà không kiểm định khuyết tật. Việc sử dụng ước lượng FGLS giúp độ lệch chuẩn của các hệ số thu hẹp 18–25%, loại bỏ hoàn toàn các ước lượng chệch (biased estimators).
  3. Cập nhật giai đoạn chu kỳ điển hình (2015–2021): Bộ dữ liệu bao quát trọn vẹn cả chu kỳ đáy (2015–2016) và đỉnh cao lịch sử của ngành thép (2020–2021), mang lại giá trị kiểm chứng thực nghiệm có độ tin cậy vượt trội.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong đầu tư tài chính

[Dữ liệu BCTC Quý/Năm]
[Mô hình Chấm điểm Đa nhân tố (Multi-Factor Scoring)]
[Quyết định phân bổ danh mục ngành thép (Asset Allocation)]
  1. Chiến lược đầu tư theo nhân tố giá trị (Factor Investing):
    • Nhà đầu tư tổ chức nên xây dựng bộ lọc định lượng ưu tiên các cổ phiếu thép có $P/B$ chiết khấu thấp hơn trung vị ngành nhưng duy trì $ROAV > 10%$ và quy mô tài sản hàng đầu (Top $SIZE$).
    • Tránh bẫy định giá thấp chỉ dựa vào $P/E$ hoặc $EPS$ đơn lẻ, vì $EPS$ ngành thép có thể tạo đỉnh lợi nhuận ngay trước khi cổ phiếu đảo chiều giảm mạnh.
  2. Ứng dụng cho nhà quản trị doanh nghiệp:
    • Tối ưu hóa bảng cân đối kế toán: Tập trung gia tăng chất lượng tài sản để cải thiện chỉ số $ROAV$ thay vì chạy theo tăng trưởng doanh thu ngắn hạn bằng nợ vay rủi ro cao.
    • Chính sách quan hệ nhà đầu tư (IR): Duy trì chính sách minh bạch thông tin để cải thiện định giá $P/B$, giúp thị trường ghi nhận đúng giá trị sổ sách của hệ thống dây chuyền công nghệ.

Lộ trình triển khai hệ thống phân tích định lượng (Roadmap)

Giai đoạn 1: Chuẩn hóa dữ liệu (Tháng 1-2)
Giai đoạn 2: Tích hợp mô hình FGLS vào Data Pipeline (Tháng 3)
Giai đoạn 3: Xây dựng Dashboard cảnh báo định giá (Tháng 4-5)
Giai đoạn 4: Backtesting & Thực thi chiến lược (Tháng 6 trở đi)

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ trễ của dữ liệu BCTC: Dữ liệu tài chính theo năm chỉ phản ánh kết quả sau khi năm tài chính kết thúc, chưa bắt kịp tốc độ giao dịch hàng ngày của TTCK.
  • Biến ngoại sinh chưa được bao hàm đầy đủ: Chưa tích hợp trực tiếp biến số giá thép thanh (Dalian/Shanghai Rebar Futures), giá quặng sắt thế giới (Iron Ore 62% Fe CFR China) và chính sách thuế bảo hộ thương mại vào mô hình hồi quy.
  • Mẫu quan sát hữu hạn: Số lượng doanh nghiệp ngành thép niêm yết đạt tiêu chuẩn liên tục chỉ dừng lại ở 23 công ty (161 quan sát).

Hướng phát triển đề xuất

  • Nâng cấp mô hình chuỗi thời gian kết hợp (Dynamic Panel GMM): Sử dụng phương pháp Arellano-Bond Generalized Method of Moments (GMM) để kiểm soát biến độ trễ của giá cổ phiếu ($MP_{t-1}$).
  • Mở rộng tần suất dữ liệu: Chuyển đổi từ dữ liệu năm sang dữ liệu quý (Quarterly Panel Data) để nâng quy mô mẫu lên hơn 600 quan sát.
  • Tích hợp Machine Learning: Ứng dụng các thuật toán như Random Forest Regression hoặc XGBoost để phát hiện các mối quan hệ phi tuyến (non-linear relationships) phức tạp giữa các chỉ số tài chính và thị giá.

Đối tượng hưởng lợi

                                  MA TRẬN HƯỞNG LỢI

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và môi trường phần mềm để tái lập nghiên cứu này là gì?

Để tái lập toàn bộ kết quả thực nghiệm, hệ thống cần trang bị phần mềm Stata MP 16.0 trở lên (khuyến nghị phiên bản 17.0) cùng các gói mở rộng từ kho lưu trữ SSC: xttest3 (Modified Wald test) và xtserial (Wooldridge test). Dữ liệu đầu vào cần được chuẩn hóa định dạng bảng cân bằng .dta hoặc .xlsx.

2. Vì sao nghiên cứu lại chọn mô hình FGLS thay vì mô hình FEM hay REM thông thường?

Mặc dù kiểm định Hausman chỉ ra mô hình FEM phù hợp hơn REM ($\chi^2 = 19.84, p < 0.01$), nhưng các kiểm định chẩn đoán sau hồi quy cho thấy mô hình FEM vi phạm đồng thời hai giả thiết kinh tế lượng kinh điển: phương sai sai số thay đổi nghiêm trọng ($p = 0.0000$) và tự tương quan chuỗi ($p = 0.0010$). Ước lượng FGLS là công cụ chuẩn mực giúp hiệu chỉnh ma trận hiệp phương sai sai số, đảm bảo các ước lượng thu được là không chệch và có phương sai nhỏ nhất (BLUE).

3. Tại sao chỉ số EPS lại không có ý nghĩa thống kê trong mô hình này?

Ngành thép là ngành mang tính chu kỳ sâu sắc. Lợi nhuận ròng trên mỗi cổ phần ($EPS$) thường tăng đột biến tại đỉnh chu kỳ và rơi thẳng đứng tại đáy chu kỳ. Các nhà đầu tư giàu kinh nghiệm trên thị trường Việt Nam thường định giá cổ phiếu thép dựa trên giá trị tài sản ròng ($P/B$), quy mô thị phần ($SIZE$) và hiệu quả vận hành ($ROAV$) thay vì trả giá theo chỉ số $EPS$ ngắn hạn có tính biến động cao.

4. Kết quả nghiên cứu có áp dụng chung cho các nhóm ngành khác (như ngân hàng, bất động sản) được không?

Không thể áp dụng rập khuôn bộ hệ số này cho các ngành khác. Mỗi ngành có cấu trúc tài chính và động lực giá riêng biệt. Ví dụ: Ngành bất động sản chịu chi phối nặng bởi chu kỳ tín dụng và chính sách đất đai (như nghiên cứu của Phạm Ngọc Vân, 2021); ngành ngân hàng phụ thuộc vào biên lãi ròng ($NIM$), tỷ lệ nợ xấu ($NPL$) và quy mô tiền gửi ($CASA$). Tuy nhiên, quy trình kinh tế lượng 7 bước của đề tài hoàn toàn có thể tái sử dụng cho bất kỳ ngành nghề nào.

5. Chi phí triển khai và hiệu quả đầu tư (ROI) khi ứng dụng mô hình này vào thực tế?

Chi phí triển khai mô hình định lượng ở mức rất thấp (chủ yếu là chi phí mua bản quyền dữ liệu tài chính sạch từ FiinPro hoặc Vietstock, dao động từ 15–30 triệu VNĐ/năm). Ngược lại, việc ứng dụng mô hình giúp quỹ đầu tư hoặc nhà đầu tư cá nhân loại bỏ các quyết định cảm tính, giảm thiểu nguy cơ rơi vào bẫy đu đỉnh cổ phiếu thép, nâng cao tỷ suất sinh lời tổng thể từ 5–12%/năm so với chiến lược mua và nắm giữ thụ động.

Kết luận

Khóa luận tốt nghiệp của tác giả Dương Lữ Hoà Trân đã giải quyết trọn vẹn và khoa học bài toán xác định các nhân tố ảnh hưởng đến thị giá cổ phiếu ngành thép niêm yết tại Việt Nam giai đoạn 2015–2021:

  1. Đóng góp học thuật: Ứng dụng chuẩn mực quy trình kinh tế lượng dữ liệu bảng, chỉ ra vai trò chi phối có ý nghĩa thống kê của các biến $P/E$, $P/B$, $ROAV$, $SIZE$ và $AGE$ đối với giá cổ phiếu thép, đồng thời chứng minh bằng thực nghiệm sự thiếu ý nghĩa của biến $EPS$ và $GDP$ trong khung thời gian phân tích.
  2. Giá trị thực tiễn: Cung cấp bằng chứng thực nghiệm rõ ràng khẳng định định giá $P/B$ và năng lực tối ưu tài sản ($ROAV$) là thước đo then chốt cho ngành thép, mở ra định hướng quan trọng cho việc cơ cấu danh mục đầu tư và hoạch định chiến lược quản trị doanh nghiệp.
  3. Khuyến nghị: Các nhà đầu tư và chuyên viên phân tích nên tích hợp mô hình kinh tế lượng FGLS vào hệ thống sàng lọc cổ phiếu định kỳ, kết hợp theo dõi sát sao chu kỳ giá nguyên liệu vĩ mô để tối đa hóa hiệu quả phân bổ vốn trên thị trường chứng khoán Việt Nam.