Giới thiệu dự án

Thị trường chứng khoán (TTCK) Việt Nam đóng vai trò là kênh dẫn vốn trung và dài hạn quan trọng bậc nhất của nền kinh tế. Trong đó, nhóm cổ phiếu ngành bất động sản (BĐS) luôn chiếm tỷ trọng vốn hóa lớn (xấp xỉ 20–25% toàn thị trường) và thu hút dòng tiền sôi động từ cả nhà đầu tư cá nhân lẫn tổ chức. Theo số liệu thống kê từ Hiệp hội Bất động sản và Tổng cục Thống kê, ngành bất động sản đóng góp trực tiếp và gián tiếp từ 10.49% đến 13.60% vào GDP quốc gia (giai đoạn 2016–2020 đóng góp 14.88% vào giá trị tăng thêm của khu vực doanh nghiệp). Tuy nhiên, giá cổ phiếu BĐS tại Việt Nam biến động phức tạp, chịu ảnh hưởng đan xen từ các yếu tố nội tại doanh nghiệp, chu kỳ kinh tế vĩ mô và các cú sốc ngoại sinh như đại dịch COVID-19.

Vấn đề cốt lõi đặt ra là sự bất cân xứng thông tin và thiếu hụt mô hình định lượng chuẩn xác khiến các nhà đầu tư thường đưa ra quyết định dựa trên tâm lý bầy đàn (herd behavior) hoặc phân tích kỹ thuật ngắn hạn mà bỏ qua các yếu tố nền tảng. Nghiên cứu "Những nhân tố tác động đến giá cổ phiếu của các doanh nghiệp ngành bất động sản niêm yết trên thị trường chứng khoán Việt Nam" của tác giả Trương Thị Thanh Tâm (Đại học Ngân hàng TP.HCM, 2023, hướng dẫn khoa học: TS. Bùi Đan Thanh) giải quyết bài toán định giá và phân tích định lượng tác động vi mô - vĩ mô lên thị giá cổ phiếu BĐS.

Mục tiêu nghiên cứu

  1. Xác định các nhân tố vi mô và vĩ mô tác động trực tiếp đến thị giá cổ phiếu của các doanh nghiệp BĐS niêm yết trên sàn HOSE và HNX.
  2. Đo lường mức độ tác động và chiều hướng ảnh hưởng của từng biến số thông qua các mô hình kinh tế lượng dữ liệu bảng (Panel Data Regression).
  3. Đề xuất hàm ý quản trị và chiến lược đầu tư định lượng cho doanh nghiệp niêm yết, nhà đầu tư cá nhân và các tổ chức tài chính.

Phương pháp tiếp cận và Phạm vi

  • Phương pháp tiếp cận: Kế thừa mô hình gốc của Shafiqul Alam et al. (2016), mở rộng tích hợp các biến đặc thù thị trường mới nổi gồm: Giá trị thị trường trên sổ sách ($P/B$), Quy mô tài sản ($\ln(SIZE)$), Khả năng sinh lời trên vốn chủ sở hữu ($ROE$) và biến số cú sốc ngoại sinh đại dịch COVID-19.
  • Phạm vi dữ liệu: 38 doanh nghiệp BĐS niêm yết liên tục trên sàn HOSE và HNX trong 11 năm (2012–2022), tạo thành tập dữ liệu bảng cân bằng (Balanced Panel Data) gồm 418 quan sát ($N = 38, T = 11$).
  • Giới hạn nghiên cứu: Không bao gồm các doanh nghiệp bị hủy niêm yết, doanh nghiệp thiếu dữ liệu tài chính liên tục, hoặc các yếu tố đầu cơ phi định lượng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp truyền thống Ưu điểm Hạn chế / Rủi ro Giải pháp của nghiên cứu
Phân tích kỹ thuật (TA) Nhanh, bám sát diễn biến giá ngắn hạn. Bỏ qua giá trị nội tại, dễ bị bẫy thanh khoản và thao túng giá. Tích hợp dữ liệu báo cáo tài chính kiểm toán dài hạn 11 năm.
Định giá DCF / DDM Dựa trên dòng tiền cơ bản. Phụ thuộc giả định chiết khấu chủ quan, khó áp dụng khi dòng tiền BĐS biến động mạnh. Sử dụng mô hình hồi quy đa biến với dữ liệu thị trường thực tế ($P/E, P/B$).
Mô hình OLS cổ điển Đơn giản, dễ ước lượng. Vi phạm giả định (phương sai thay đổi, tự tương quan chuỗi), sai lệch ước lượng. Sử dụng mô hình FGLS (Feasible Generalized Least Squares) kiểm soát khuyết tật.

Ưu tiên yêu cầu nghiên cứu theo mô hình MoSCoW

  • Must Have: Kiểm định dữ liệu bảng đa biến (Pooled OLS, Fixed Effects Model - FEM, Random Effects Model - REM); Kiểm định Hausman; Xử lý hiện tượng tự tương quan và phương sai sai số thay đổi bằng FGLS.
  • Should Have: Phân tích ma trận tương quan Pearson và kiểm định đa cộng tuyến qua hệ số phóng đại phương sai (VIF).
  • Could Have: Tích hợp biến giả khủng hoảng/dịch bệnh (COVID-19 Dummy Variable) để đo lường biến động cấu trúc thị trường.
  • Won't Have: Dự báo giá cổ phiếu realtime theo từng tick dữ liệu giao dịch trong ngày (High-Frequency Trading).

Thiết kế hệ thống và Mô hình định lượng

Phương trình kinh tế lượng tổng quát

Mô hình hồi quy log-tuyến tính được thiết lập như sau:

$$\begin{aligned} LNGIA_{it} = \beta_0 &+ \beta_1 EPS_{it} + \beta_2 PE_{it} + \beta_3 PB_{it} + \beta_4 GDP_t \ &+ \beta_5 INF_t + \beta_6 LNSIZE_{it} + \beta_7 ROE_{it} + \beta_8 COVID_t + \varepsilon_{it} \end{aligned}$$

Trong đó:

  • $LNGIA_{it}$: Logarit tự nhiên của giá đóng cửa cổ phiếu doanh nghiệp $i$ tại ngày giao dịch cuối cùng của năm $t$.
  • $EPS_{it}$: Thu nhập trên mỗi cổ phiếu = $(\text{Lợi nhuận sau thuế} - \text{Cổ tức ưu đãi}) / \text{Số CP lưu hành}$.
  • $PE_{it}$: Hệ số Giá trên thu nhập một cổ phiếu = $\text{Thị giá CP} / EPS$.
  • $PB_{it}$: Hệ số Giá thị trường trên giá trị sổ sách = $\text{Thị giá CP} / \text{Book Value per Share}$.
  • $GDP_t$: Tốc độ tăng trưởng GDP thực tế hàng năm (World Bank Indicator).
  • $INF_t$: Tỷ lệ lạm phát hàng năm tính theo chỉ số CPI (World Bank Indicator).
  • $LNSIZE_{it}$: Logarit tự nhiên của Tổng tài sản doanh nghiệp $i$ tại năm $t$.
  • $ROE_{it}$: Tỷ suất sinh lời trên vốn chủ sở hữu = $\text{Lợi nhuận sau thuế} / \text{Vốn chủ sở hữu}$.
  • $COVID_t$: Biến giả đại dịch (nhận giá trị 1 cho giai đoạn 2020–2022; 0 cho giai đoạn 2012–2019).
  • $\varepsilon_{it}$: Sai số ngẫu nhiên của mô hình.

Technology Stack & Công cụ xử lý

  • Phần mềm phân tích chính: Stata 16.0 (Hỗ trợ module xtreg, xttest3, xtserial, xtgls).
  • Ngôn ngữ bổ trợ: Python 3.10 (pandas v2.0.3, statsmodels v0.14.0, linearmodels v5.3).
  • Lưu trữ & Tiền xử lý dữ liệu: Microsoft Excel 2021 / CSV Database Schema.

Implementation và kết quả

Quy trình thực hiện và Code triển khai

Quy trình phân tích kinh tế lượng được thực hiện chuẩn hóa qua các bước tính toán trên Stata 16:

* ==============================================================================
* QUY TRINH HOI QUY DU LIEU BANG VA KIEM DINH KHUYET TAT MO HINH
* Author: Truong Thi Thanh Tam (2023)
* ==============================================================================

* 1. Khai bao cau truc du lieu bang (Panel Data Setting)
egen id = group(ticker)
xtset id year

* 2. Thong ke mo ta va kiem dinh da cong tuyen (VIF)
summarize LNGIA EPS PE PB GDP INF LNSIZE ROE COVID
regress LNGIA EPS PE PB GDP INF LNSIZE ROE COVID
vif

* 3. Uoc luong mo tinh Pooled OLS, FEM va REM
regress LNGIA EPS PE PB GDP INF LNSIZE ROE COVID
estimates store pooled_ols

xtreg LNGIA EPS PE PB GDP INF LNSIZE ROE COVID, fe
estimates store fem

xtreg LNGIA EPS PE PB GDP INF LNSIZE ROE COVID, re
estimates store rem

* 4. Kiem dinh Hausman lua chon giua FEM va REM
hausman fem rem

* 5. Kiem tra khuyet tat mo hinh (Phuong sai thay doi & Tu tuong quan)
* Kiem tra phuong sai sai so thay doi (Modified Wald Test cho FEM)
xttest3

* Kiem tra tu tuong quan (Wooldridge Test cho Panel Data)
xtserial LNGIA EPS PE PB GDP INF LNSIZE ROE COVID

* 6. Uoc luong FGLS khac phuc toan dien khuyet tat mo hinh
xtgls LNGIA EPS PE PB GDP INF LNSIZE ROE COVID, panels(hetero) corr(ar1)

# Tái lập mô hình trên Python 3.10 sử dụng linearmodels
import pandas as pd
from linearmodels.panel import PanelOLS, RandomEffects

df = pd.read_csv("real_estate_panel_data_2012_2022.csv")
df = df.set_index(["ticker", "year"])

# Khởi tạo mô hình Fixed Effects
model_fe = PanelOLS.from_formula(
    "LNGIA ~ EPS + PE + PB + GDP + INF + LNSIZE + ROE + COVID + EntityEffects",
    data=df
)
results_fe = model_fe.fit(cov_type="clustered", cluster_entity=True)
print(results_fe.summary)

Testing và Validation (Kiểm định chẩn đoán mô hình)

  1. Kiểm tra Đa cộng tuyến (Multicollinearity): Hệ số phóng đại phương sai (VIF) của tất cả các biến độc lập đều nằm trong ngưỡng an toàn ($VIF < 5.0$, giá trị trung bình $VIF \approx 1.84$), chứng minh mô hình không bị sai lệch do đa cộng tuyến nghiêm trọng.
  2. Kiểm định Hausman Test: Giá trị thống kê $\chi^2$ đạt mức ý nghĩa $p < 0.05$, bác bỏ giả thuyết $H_0$ (sự khác biệt hệ số không mang tính hệ thống), khẳng định Mô hình Tác động Cố định (FEM) vượt trội hơn mô hình REM.
  3. Kiểm định Phương sai sai số thay đổi (Heteroskedasticity): Kiểm định Modified Wald Test cho mô hình FEM cho kết quả $p = 0.0000 < 0.01$, bác bỏ giả thuyết phương sai đồng nhất.
  4. Kiểm định Tự tương quan (Autocorrelation): Kiểm định Wooldridge Test cho $p = 0.0021 < 0.05$, chỉ ra sự tồn tại của hiện tượng tự tương quan bậc 1 trong chuỗi dữ liệu bảng.
  5. Hiệu chỉnh FGLS: Sử dụng phương pháp bình phương bé nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS) với tùy chọn panels(hetero) corr(ar1) để xử lý triệt để 2 khuyết tật trên, mang lại ước lượng vững và hiệu quả nhất (Best Linear Unbiased Estimator - BLUE).

Kết quả đạt được

Tên biến Kỳ vọng dấu Hệ số FGLS ($\beta$) Mức ý nghĩa thống kê ($p$-value) Kết luận giả thuyết
Thu nhập trên mỗi CP ($EPS$) $(+)$ $+0.00018$ $p < 0.01$ (Ý nghĩa 1%) Chấp nhận $H_1$ (Tác động dương mạnh)
Hệ số giá/thu nhập ($P/E$) $(+)$ $+0.00231$ $p < 0.01$ (Ý nghĩa 1%) Chấp nhận $H_2$ (Tác động dương)
Hệ số giá/sổ sách ($P/B$) $(+)$ $+0.14250$ $p < 0.01$ (Ý nghĩa 1%) Chấp nhận $H_3$ (Tác động dương rất cao)
Tăng trưởng kinh tế ($GDP$) $(+)$ $+0.00412$ $p > 0.10$ (Không có ý nghĩa) Bác bỏ $H_4$ (Chưa đủ bằng chứng)
Tỷ lệ lạm phát ($INF$) $(-)$ $-0.02891$ $p < 0.05$ (Ý nghĩa 5%) Chấp nhận $H_5$ (Tác động âm rõ nét)
Quy mô doanh nghiệp ($LNSIZE$) $(+)$ $+0.21540$ $p < 0.01$ (Ý nghĩa 1%) Chấp nhận $H_6$ (Tác động dương vượt trội)
Tỷ suất sinh lời ($ROE$) $(+)$ $+0.00115$ $p > 0.10$ (Không có ý nghĩa) Bác bỏ $H_7$ (Không có ý nghĩa thống kê)
Đại dịch ($COVID$) $(+)$ $+0.18730$ $p < 0.01$ (Ý nghĩa 1%) Chấp nhận $H_8$ (Tác động dương bất ngờ)

Tóm tắt phát hiện:

  • $LNSIZE$ ($\beta = +0.2154$) và $P/B$ ($\beta = +0.1425$) là hai nhân tố nội tại tác động tích cực lớn nhất đến giá cổ phiếu BĐS. Doanh nghiệp có quy mô tài sản càng lớn và được định giá tài sản ròng cao sẽ có thị giá vượt trội.
  • Biến $COVID$ mang dấu dương có ý nghĩa thống kê ($\beta = +0.1873$), phản ánh thực tế giai đoạn 2020–2021 dòng tiền rẻ do lãi suất thấp đã kích hoạt làn sóng đầu cơ tài sản tài chính và cổ phiếu bất động sản tăng trưởng nóng tại Việt Nam.
  • $INF$ ($\beta = -0.02891$) thể hiện áp lực lạm phát bào mòn dòng tiền chiết khấu và chi phí vốn của doanh nghiệp BĐS.
  • Biến $GDP$ và $ROE$ không có ý nghĩa thống kê trong mẫu khảo sát 2012–2022, phản ánh đặc thù chu kỳ hạch toán doanh thu BĐS có độ trễ lớn so với thời điểm ghi nhận tăng trưởng GDP.

Đổi mới và đóng góp

  1. Cải tiến mô hình định lượng thị trường cận biên: Kế thừa mô hình Shafiqul Alam (2016) nhưng đã hiệu chỉnh loại bỏ các biến không phù hợp (như CPI tổng quát, Lãi suất công bố vốn có độ trễ) và tích hợp các chỉ số phản ánh cấu trúc tài sản hữu hình đặc thù ngành BĐS ($P/B, LNSIZE$).
  2. Khắc phục triệt để sai số dữ liệu bảng: Hầu hết các nghiên cứu trước đây (như Phạm Hữu Hồng Thái & Lê Dũng Hiệp, 2016; Lê Tấn Phước, 2016) chỉ dừng lại ở FEM/REM tiêu chuẩn. Đề tài đã áp dụng kiểm định Modified Wald và Wooldridge, từ đó triển khai ước lượng FGLS giúp triệt tiêu hoàn toàn hiện tượng tự tương quan chuỗi và phương sai thay đổi, tăng độ tin cậy của tham số ước lượng lên trên 95%.
  3. Phát hiện thực nghiệm về cú sốc COVID-19: Bổ sung bằng chứng học thuật về phản ứng bất đối xứng của thị trường cổ phiếu BĐS Việt Nam trong đại dịch (chính sách tiền tệ nới lỏng tạo hiệu ứng đòn bẩy tài sản mạnh hơn rủi ro đình trệ kinh tế thực).

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Real-world Use Cases)

  • Đối với Nhà đầu tư định lượng (Quantitative Portfolio Managers):
    • Xây dựng mô hình chấm điểm cổ phiếu (Stock Scoring Model) dựa trên trọng số các biến có ý nghĩa thống kê ($LNSIZE, P/B, EPS, P/E$).
    • Phòng ngừa rủi ro vĩ mô: Giảm tỷ trọng cổ phiếu BĐS khi chỉ số lạm phát $INF$ vượt ngưỡng mục tiêu của Ngân hàng Nhà nước.
  • Đối với Ban lãnh đạo Doanh nghiệp BĐS (Corporate Executives):
    • Tập trung mở rộng quy mô tài sản hợp lý ($LNSIZE$) đi đôi với quản trị minh bạch giá trị sổ sách ($P/B$), thay vì chạy theo các chỉ tiêu ngắn hạn như $ROE$ vốn không tác động nhiều đến định giá thị trường.

Chiến lược triển khai và Yêu cầu hệ thống

  • Yêu cầu phần cứng/phần mềm: Máy chủ tính toán tiêu chuẩn (CPU 4 Cores, 16GB RAM), cài đặt Stata v16+ hoặc Python runtime với môi trường ảo hóa Docker.
  • Dữ liệu đầu vào: API tích hợp dữ liệu giao dịch từ FiinGroup, Vietstock hoặc CafeF.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Mẫu dữ liệu: Giới hạn ở 38 doanh nghiệp BĐS niêm yết liên tục qua 11 năm. Việc loại bỏ các doanh nghiệp mới niêm yết có thể dẫn đến hiện tượng thiên lệch kẻ sống sót (Survivorship Bias).
  • Tần suất dữ liệu: Dữ liệu sử dụng theo năm ($T = 11$), chưa phản ánh được các biến động biến thiên theo quý hoặc dữ liệu chuỗi thời gian tần suất cao (High-frequency data).

Hướng nghiên cứu mở rộng

  • Ứng dụng Machine Learning: Kết hợp mô hình hồi quy kinh tế lượng truyền thống với các thuật toán Random Forest, XGBoost và mạng nơ-ron LSTM để dự báo chuỗi thời gian phi tuyến tính.
  • Phân tích cảm xúc mạng xã hội (Sentiment Analysis): Khai phá dữ liệu văn bản từ các diễn đàn chứng khoán và báo chí kinh tế bằng NLP để lượng hóa chỉ số tâm lý nhà đầu tư.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp khung nghiên cứu hoàn chỉnh, phương pháp xử lý dữ liệu bảng chuẩn mực từ Pooled OLS, FEM/REM đến FGLS trên Stata 16.
  • Chuyên viên phân tích dữ liệu & Quant Traders: Khung tham chiếu trọng số định lượng cho các thuật toán sàng lọc cổ phiếu BĐS.
  • Doanh nghiệp BĐS niêm yết: Cơ sở khoa học để hoạch định chiến lược quan hệ nhà đầu tư (IR), tái cấu trúc tài sản và công bố thông tin minh bạch.
  • Các nhà nghiên cứu kinh tế: Bằng chứng thực nghiệm bổ sung vào kho tàng nghiên cứu thị trường chứng khoán mới nổi tại khu vực Đông Nam Á.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn mô hình FGLS thay vì dừng lại ở FEM hay REM?

Kiểm định Modified Wald và Wooldridge trên mô hình FEM cho thấy dữ liệu tồn tại đồng thời hai khuyết tật: phương sai sai số thay đổi ($p < 0.01$) và tự tương quan ($p < 0.05$). Nếu chỉ dùng FEM hoặc REM thông thường, các sai số chuẩn sẽ bị chệch, dẫn đến việc kiểm định ý nghĩa thống kê ($t$-test, $F$-test) mất độ tin cậy. Mô hình FGLS hiệu chỉnh trực tiếp ma trận hiệp phương sai sai số, đảm bảo ước lượng thu được là không chệch và có phương sai nhỏ nhất (BLUE).

2. Vì sao tốc độ tăng trưởng GDP lại không có tác động đáng kể đến giá cổ phiếu BĐS trong mô hình?

Đặc thù ngành bất động sản tại Việt Nam có chu kỳ bàn giao dự án và ghi nhận doanh thu kéo dài từ 2 đến 3 năm. Do đó, tăng trưởng GDP trong năm hiện tại thường chưa phản ánh ngay vào kết quả kinh doanh hay dòng tiền thực nhận của doanh nghiệp BĐS tại cùng thời điểm, tạo ra độ trễ cấu trúc giữa vĩ mô và giá cổ phiếu.

3. Chỉ số P/B có vai trò quan trọng như thế nào đối với việc định giá cổ phiếu ngành BĐS?

Bất động sản là ngành thâm dụng vốn và tài sản hữu hình (quỹ đất, chi phí xây dựng dở dang). Khác với ngành công nghệ hay dịch vụ vốn dựa vào tài sản vô hình, giá trị sổ sách ($Book\ Value$) của doanh nghiệp BĐS phản ánh trực tiếp quy mô quỹ đất sạch và dự án. Hệ số $P/B$ ($\beta = +0.1425, p < 0.01$) là chỉ báo đáng tin cậy về kỳ vọng của thị trường đối với việc hiện thực hóa giá trị các quỹ đất này.

4. Dữ liệu bảng (Panel Data) mang lại ưu thế gì so với dữ liệu chuỗi thời gian (Time Series) thuần túy?

Dữ liệu bảng kết hợp cả chiều không gian (38 doanh nghiệp) và chiều thời gian (11 năm, 2012–2022), tạo ra 418 quan sát. Phương pháp này giúp tăng bậc tự do (degrees of freedom), giảm hiện tượng đa cộng tuyến giữa các biến và cho phép kiểm soát tính không đồng nhất (heterogeneity) của từng doanh nghiệp riêng biệt.

5. Nhà đầu tư cá nhân có thể áp dụng trực tiếp kết quả nghiên cứu này như thế nào?

Nhà đầu tư nên ưu tiên chiến lược phân bổ vốn vào các doanh nghiệp BĐS có quy mô tài sản lớn ($LNSIZE$), tỷ lệ $P/B$ và $EPS$ tăng trưởng ổn định; đồng thời cần theo dõi sát chỉ số lạm phát $INF$ để kịp thời cơ cấu giảm tỷ trọng cổ phiếu khi áp lực vĩ mô gia tăng.

Kết luận

Nghiên cứu của tác giả Trương Thị Thanh Tâm đã chứng minh một cách khoa học các nhân tố then chốt chi phối thị giá cổ phiếu của các doanh nghiệp bất động sản niêm yết tại Việt Nam. Bằng việc thực hiện quy trình kiểm định kinh tế lượng khắt khe từ Pooled OLS, FEM, REM cho đến hiệu chỉnh FGLS, nghiên cứu khẳng định các biến $EPS$, $P/E$, $P/B$, $LNSIZE$ và biến giả $COVID$ có tác động tích cực cùng chiều, trong khi lạm phát $INF$ tác động tiêu cực ngược chiều đến giá cổ phiếu.

Những phát hiện này không chỉ cung cấp nền tảng lý thuyết vững chắc cho các nhà nghiên cứu tài chính mà còn là công cụ định lượng đắc lực giúp các nhà đầu tư và nhà quản lý doanh nghiệp đưa ra các quyết định chiến lược hiệu quả và tối ưu trên thị trường chứng khoán Việt Nam.