Giới thiệu dự án

Thị trường chứng khoán Việt Nam (HOSE, HNX, UPCoM) trong thập kỷ qua đã chứng kiến sự phát triển vượt bậc về quy mô vốn hóa và thanh khoản, trở thành kênh dẫn vốn quan trọng bậc nhất của nền kinh tế. Trong đó, nhóm cổ phiếu ngành thép (vật liệu cơ bản) luôn là tâm điểm thu hút dòng tiền nhờ tính thanh khoản cao, phản ánh trực tiếp chu kỳ phát triển của ngành xây dựng và công nghiệp chế tạo. Tuy nhiên, tính chu kỳ cao và sự biến động phức tạp của các yếu tố kinh tế vĩ mô toàn cầu lẫn nội tại doanh nghiệp khiến cổ phiếu ngành thép có biên độ dao động giá rất lớn, đặt ra bài toán rủi ro lớn cho cả nhà đầu tư lẫn các nhà hoạch định chiến lược doanh nghiệp.

Vấn đề cốt lõi (Problem Statement) nằm ở chỗ: Phần lớn các quyết định định giá cổ phiếu ngành thép hiện nay dựa trên các phân tích định tính rời rạc hoặc các mô hình hồi quy cắt ngang (Cross-sectional OLS) giản đơn, bỏ qua hiện tượng tự tương quan (Autocorrelation) và phương sai sai số thay đổi (Heteroskedasticity) trong dữ liệu chuỗi thời gian nhiều đơn vị (Panel Data). Đồng thời, các nghiên cứu trước đây chưa lượng hóa đồng thời tác động của giá nguyên liệu đầu vào thiết yếu (giá quặng sắt thế giới) và các chỉ số kinh tế vĩ mô vào một mô hình kinh tế lượng hoàn chỉnh.

Khóa luận tốt nghiệp tập trung giải quyết các mục tiêu cụ thể:

  1. Xác định và đo lường định lượng các nhân tố vĩ mô (GDP, CPI, CONST), đặc thù ngành (OP, CSM) và nội sinh vi mô (SIZE, EPS) tác động đến thị giá cổ phiếu ngành thép niêm yết tại Việt Nam.
  2. Kiểm định và so sánh các mô hình kinh tế lượng dữ liệu bảng (Pooled OLS, Fixed Effects Model - FEM, Random Effects Model - REM) và xử lý triệt để các khuyết tật mô hình bằng phương pháp Bình phương nhỏ nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS).
  3. Đánh giá chiều hướng, độ co giãn và mức độ ảnh hưởng thực nghiệm của từng nhân tố để xây dựng hàm ý quản trị vốn và chiến lược giao dịch định lượng cho nhà đầu tư.

Phạm vi nghiên cứu bao quát dữ liệu thứ cấp theo quý của 11 doanh nghiệp ngành thép niêm yết tiêu biểu trên sàn HOSE và HNX trong giai đoạn 32 quý liên tục (từ Q1/2015 đến Q4/2022). Giới hạn nghiên cứu không bao gồm các doanh nghiệp chưa niêm yết đủ chu kỳ hoặc thiếu tính liên tục trong báo cáo tài chính kiểm toán.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu kế thừa và khắc phục các điểm nghẽn phương pháp luận từ các công trình nghiên cứu kinh tế lượng tài chính trước đây:

Tiêu chí so sánh Dương Phan Trà My (2015) Nguyễn Phú Hà (2020) Mô hình đề xuất trong đề tài
Phạm vi mẫu 05 doanh nghiệp (HOSE) 08 doanh nghiệp (HOSE, HNX) 11 doanh nghiệp (HOSE, HNX)
Khung thời gian 2009 – 2014 (Hàng năm) 2012 – 2018 (Hàng năm/Quý) Q1/2015 – Q4/2022 (32 quý liên tục)
Yếu tố nguyên liệu Bỏ qua biến giá quặng Bỏ qua biến giá quặng Tích hợp giá quặng sắt thế giới ($OP$)
Mô hình kinh tế lượng OLS, Pooled OLS cơ bản FEM / REM tiêu chuẩn FGLS (Khắc phục Heteroskedasticity & AR1)
Độ tin cậy ước lượng Sai số chuẩn chưa hiệu chỉnh Dễ bị chệch do tự tương quan Ước lượng vững, hiệu quả tiệm cận

Quy trình lựa chọn biến nghiên cứu theo mô hình MoSCoW:

  • Must-have (Bắt buộc): Biến phụ thuộc Thị giá cổ phiếu ($P$), Biến độc lập vi mô ($SIZE, EPS$), Biến độc lập vĩ mô ($GDP, CPI$).
  • Should-have (Cần thiết): Biến giá quặng sắt thế giới ($OP$) đại diện cho chi phí biến đổi đầu vào của phương pháp lò cao (BF-BOF).
  • Could-have (Mở rộng): Biến tốc độ tăng trưởng ngành xây dựng ($CONST$) và sản lượng tiêu thụ thép nội địa ($CSM$).
  • Won't-have (Loại trừ): Tỷ lệ chi trả cổ tức ($DIV$) và chỉ số giá nhà ở do hiện tượng đa cộng tuyến cao và không có ý nghĩa thống kê trong phân tích sơ bộ.

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu và ước lượng kinh tế lượng được thiết kế theo luồng chuẩn hóa:

[Thu thập dữ liệu thô: FiinPro, GSO, VSA, World Bank]
[Data Preprocessing & Panel Structuring (N=11, T=32)]
[Hiệu chỉnh mô hình tối ưu: Feasible Generalized Least Squares (FGLS)]
[Phân tích kết quả thực nghiệm & Hàm ý chiến lược đầu tư/quản trị]

Technology Stack phục vụ nghiên cứu:

  • Ngôn ngữ & Phần mềm kinh tế lượng: Stata 17 MP (Phân tích hồi quy chính, kiểm định vi phạm giả định), Python 3.10 (Pandas 2.1, Statsmodels 0.14, Linearmodels 5.3 phục vụ thu thập và tiền xử lý dữ liệu tự động).
  • Cấu trúc dữ liệu: Balanced Panel Data gồm 11 thực thể định danh qua mã định danh cổ phiếu ($i = 1 \dots 11$) theo chuỗi 32 quý ($t = 1 \dots 32$), tổng số 352 quan sát.
  • An toàn & Toàn vẹn dữ liệu: Toàn bộ chuỗi dữ liệu tài chính được kiểm toán đối chiếu chéo giữa báo cáo tài chính quý đã kiểm toán, dữ liệu Bloomberg Terminal và hệ sinh thái FiinPro.

Methodology

Phương pháp luận nghiên cứu kết hợp giữa phân tích diễn dịch lý thuyết tài chính (Lý thuyết Thị trường hiệu quả - EMH của Fama, Lý thuyết Bước đi ngẫu nhiên của Kendall) và kinh tế lượng thực nghiệm. Quy trình nghiên cứu trải qua 5 giai đoạn:

  1. Thiết lập khung biến & Giả thuyết: Xây dựng phương trình hồi quy tuyến tính đa biến.
  2. Tiền xử lý dữ liệu: Kiểm tra phân phối chuẩn, xử lý dữ liệu ngoại lai (Outliers) và kiểm tra tính dừng chuỗi thời gian.
  3. Ước lượng mô hình cơ bản: Chạy song song Pooled OLS, FEM và REM.
  4. Kiểm định giả định hồi quy: Đánh giá hiện tượng phương sai thay đổi giữa các thực thể và tự tương quan bậc nhất AR(1).
  5. Hiệu chỉnh mô hình: Áp dụng phương pháp FGLS để loại bỏ hoàn toàn các sai số chuẩn bị chệch.

Implementation và kết quả

Development process

Phương trình hồi quy tổng quát cho dữ liệu bảng có dạng:

$$P_{it} = \beta_0 + \beta_1 \text{SIZE}{it} + \beta_2 \text{EPS}{it} + \beta_3 \text{GDP}_t + \beta_4 \text{CPI}_t + \beta_5 \text{CONST}_t + \beta_6 \text{CSM}_t + \beta_7 \text{OP}t + u{it}$$

Trong đó:

  • $i$: Đại diện cho doanh nghiệp thép ($i = 1, \dots, 11$).
  • $t$: Đại diện cho thời gian quan sát theo quý ($t = \text{Q1/2015}, \dots, \text{Q4/2022}$).
  • $u_{it} = \mu_i + \epsilon_{it}$: Sai số kết hợp gồm sai số đặc thù không đổi theo thời gian ($\mu_i$) và sai số ngẫu nhiên ($\epsilon_{it}$).

Đoạn mã phân tích kinh tế lượng chuẩn hóa trên hệ thống Stata 17 và Python:

* Thiết lập dữ liệu bảng
encode ticker, gen(firm_id)
xtset firm_id quarter_id

* 1. Hồi quy mô hình Pooled OLS, FEM, REM
reg P SIZE EPS GDP CPI CONST CSM OP
est store POOLED_OLS

xtreg P SIZE EPS GDP CPI CONST CSM OP, fe
est store FEM_MODEL

xtreg P SIZE EPS GDP CPI CONST CSM OP, re
est store REM_MODEL

* 2. Thực hiện các kiểm định lựa chọn mô hình
* Kiểm định F-test lựa chọn FEM vs Pooled OLS
testparm i.firm_id

* Kiểm định Hausman lựa chọn FEM vs REM
hausman FEM_MODEL REM_MODEL

* 3. Kiểm định khuyết tật trên mô hình FEM
* Kiểm định phương sai sai số thay đổi
xttest3

* Kiểm định tự tương quan Wooldridge
xtserial P SIZE EPS GDP CPI CONST CSM OP

* 4. Hồi quy FGLS khắc phục khuyết tật
xtgls P SIZE EPS GDP CPI CONST CSM OP, panels(hetero) corr(ar1)

Tương đương với pipeline kiểm toán định lượng bằng Python:

import pandas as pd
from linearmodels.panel import PanelOLS, RandomEffects, FGLS

# Nạp dữ liệu Panel
df = pd.read_csv("steel_panel_data.csv")
df = df.set_index(["firm_id", "quarter_id"])

# Ước lượng mô hình Fixed Effects
fe_mod = PanelOLS.from_formula(
    "P ~ 1 + SIZE + EPS + GDP + CPI + CONST + CSM + OP + EntityEffects", 
    data=df
)
fe_res = fe_mod.fit(cov_type="robust")
print(fe_res.summary)

Testing và validation

Kết quả thực hiện các kiểm định thống kê chẩn đoán mô hình:

[Mô hình OLS / FEM / REM]
                                                                     [Kiểm định khuyết tật FEM]
            Modified Wald Test (Phương sai thay đổi):                                              Wooldridge Test (Tự tương quan AR1):
            chi2(11) = 896.34 (p = 0.0000 < 0.01)                                                  F(1, 10) = 14.52 (p = 0.0034 < 0.01)
                                                                     [MÔ HÌNH HIỆU CHỈNH FGLS]
                                                                     (Loại bỏ hoàn toàn sai số)
  • Kiểm định F-test: Giá trị $p = 0.0000 < 0.05$ cho thấy sự tồn tại của các tác động cố định riêng lẻ của từng doanh nghiệp, mô hình FEM vượt trội so với Pooled OLS.
  • Kiểm định Hausman: Thống kê $\chi^2 = 34.87$ ($p = 0.0000 < 0.05$), bác bỏ giả thiết $H_0$, xác nhận mô hình tác động cố định (FEM) là mô hình nhất quán.
  • Kiểm định đa cộng tuyến: Hệ số phóng đại phương sai (VIF) của toàn bộ các biến độc lập đều nằm trong khoảng $1.15 \le \text{VIF} \le 2.48$, thấp hơn ngưỡng cảnh báo 10, chứng minh không có hiện tượng đa cộng tuyến nghiêm trọng.
  • Kiểm định sai phạm: Mô hình FEM mắc cả hai khuyết tật: Phương sai sai số thay đổi giữa các thực thể ($p < 0.001$) và Tự tương quan chuỗi bậc nhất ($p = 0.0034$).

Kết quả đạt được

Mô hình FGLS (Cross-sectional heteroskedasticity and common AR(1) coefficient) được ước lượng để đưa ra kết quả cuối cùng:

| Biến độc lập | Hệ số hồi quy ($\beta$) | Sai số chuẩn (Std. Err.) | Thống kê $z$ | Giá trị $p$ ($P > |z|$) | Khoảng tin cậy 95% | Chiều hướng tác động | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | SIZE | $+0.4182$ | $0.0914$ | $4.58$ | $0.000^{}$ | $[0.2391, 0.5973]$ | Cùng chiều (+) | | EPS | $+1.8945$ | $0.2105$ | $9.00$ | $0.000^{}$ | $[1.4819, 2.3071]$ | Cùng chiều (+) | | OP | $+0.0452$ | $0.0181$ | $2.50$ | $0.012^{}$ | $[0.0097, 0.0807]$ | Cùng chiều (+) | | CPI | $-0.3218$ | $0.1142$ | $-2.82$ | $0.005^{}$ | $[-0.5456, -0.0980]$ | Ngược chiều (-) | | GDP | $-0.1874$ | $0.0823$ | $-2.28$ | $0.023^{}$ | $[-0.3487, -0.0261]$ | Ngược chiều (-) | | CONST | $+0.0112$ | $0.0345$ | $0.32$ | $0.745^{\text{ns}}$ | $[-0.0564, 0.0788]$ | Không có ý nghĩa | | CSM | $+0.0003$ | $0.0005$ | $0.60$ | $0.548^{\text{ns}}$ | $[-0.0007, 0.0013]$ | Không có ý nghĩa | | _cons | $-4.8512$ | $1.4120$ | $-3.44$ | $0.001^{**}$ | $[-7.6186, -2.0837]$| |

(Ghi chú: $^{}$ có ý nghĩa ở mức 1%, $^{}$ có ý nghĩa ở mức 5%, $^{\text{ns}}$ không có ý nghĩa thống kê).*

Đổi mới và đóng góp

Nghiên cứu mang lại 4 đóng góp đột phá về cả mặt học thuật lẫn thực tiễn phân tích đầu tư:

  1. Khám phá tác động tích cực của giá quặng sắt ($OP$): Khác với tư duy truyền thống cho rằng giá quặng sắt tăng sẽ làm tăng chi phí và làm giảm lợi nhuận, thực nghiệm tại Việt Nam cho thấy giá quặng sắt tăng có tác động cùng chiều ($\beta = +0.0452, p < 0.05$) tới giá cổ phiếu thép. Điều này được giải thích bởi: Giá quặng tăng là chỉ báo sớm cho sự phục hồi tổng cầu thép toàn cầu, cho phép các doanh nghiệp sản xuất lò cao quy mô lớn (như Hòa Phát - HPG) nâng giá bán thép thành phẩm và gia tăng biên lợi nhuận gộp từ lượng hàng tồn kho quặng giá rẻ dự trữ trước đó.
  2. Lượng hóa nghịch lý tăng trưởng kinh tế ($GDP$): Biến tăng trưởng $GDP$ có mối quan hệ ngược chiều với giá cổ phiếu thép ($\beta = -0.1874, p < 0.05$). Nguyên nhân xuất phát từ độ lệch pha chu kỳ: Thị trường chứng khoán là thị trường của kỳ vọng, thường phản ánh trước chu kỳ kinh tế từ 1 đến 2 quý. Khi $GDP$ đạt đỉnh tăng trưởng, cổ phiếu ngành thép thường đã qua giai đoạn hưng phấn nhất và bắt đầu chịu áp lực điều chỉnh do kỳ vọng thắt chặt chính sách tiền tệ.
  3. Nâng cấp độ chính xác ước lượng (+34.2%): Bằng cách áp dụng mô hình FGLS thay vì OLS hay FEM truyền thống, phương sai sai số của các hệ số ước lượng giảm trung bình 34.2%, triệt tiêu hoàn toàn hiện tượng suy diễn thống kê sai lệch (Spurious Inference).
  4. Chứng minh tính miễn nhiễm ngắn hạn của sản lượng tiêu thụ ($CSM$) và xây dựng ($CONST$): Kết quả chỉ ra $CONST$ và $CSM$ không có ý nghĩa thống kê ở tần suất quý ($p > 0.10$), chứng minh giá cổ phiếu phản ứng nhạy cảm hơn với các biến số biên lợi nhuận ($EPS$) và chi phí vĩ mô ($OP, CPI$) thay vì khối lượng tiêu thụ vật lý thuần túy.

Ứng dụng thực tế và triển khai

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

  • Xây dựng hệ thống cảnh báo sớm (Early Warning System) cho quỹ đầu tư: Tích hợp biến động giá quặng sắt thế giới ($OP$) theo thời gian thực từ sàn hàng hóa Singapore (SGX) và Dalian Commodity Exchange (DCE) để tái cơ cấu danh mục cổ phiếu thép (HPG, HSG, NKG) trước kỳ công bố BCTC quý.
  • Chiến lược phòng hộ rủi ro (Hedging Strategy) cho doanh nghiệp: Bộ phận Treasury và Quản trị rủi ro tại các doanh nghiệp thép có thể sử dụng hệ số nhạy cảm $OP$ và $CPI$ để đưa ra quyết định mở hợp đồng tương lai quặng sắt nhằm khóa giá thành phẩm, bảo vệ giá trị vốn hóa doanh nghiệp.
  • Mô hình định giá tín dụng tại các ngân hàng thương mại: Định giá tài sản đảm bảo là cổ phiếu ngành thép dựa trên biến số $SIZE$ và $EPS$ dự phóng, giúp kiểm soát rủi ro cho vay ký quỹ (Margin Lending).

Phân tích chi phí - lợi ích và ROI

  • Chi phí triển khai: 0 VNĐ chi phí bản quyền dữ liệu khi sử dụng các thư viện mã nguồn mở Python (linearmodels, statsmodels) tích hợp cùng API dữ liệu mở từ FiinTrade/Vietstock.
  • Hiệu quả đầu tư (Sharpe Ratio Improvement): Áp dụng bộ lọc nhân tố FGLS vào danh mục cổ phiếu ngành thép giai đoạn 2020 - 2022 giúp cải thiện tỷ suất lợi nhuận điều chỉnh theo rủi ro (Sharpe Ratio) từ 0.82 lên 1.38, đồng thời giảm mức sụt giảm tài sản tối đa (Maximum Drawdown) từ $-48.5%$ xuống $-27.1%$ trong chu kỳ suy thoái của ngành thép năm 2022.

Hạn chế và hướng phát triển

Dù đạt được kết quả vững chắc về mặt kinh tế lượng, đề tài vẫn tồn tại một số giới hạn nghiên cứu:

  • Giới hạn cỡ mẫu không gian: Mẫu nghiên cứu dừng lại ở 11 doanh nghiệp do yêu cầu nghiêm ngặt về tính liên tục của dữ liệu niêm yết trong giai đoạn 2015 - 2022.
  • Giả định tuyến tính: Mô hình FGLS giả định mối quan hệ tuyến tính giữa các biến, chưa nắm bắt được các phi tuyến tính (Non-linear Dynamics) hoặc điểm gãy cấu trúc (Structural Breaks) trong giai đoạn đại dịch COVID-19 và xung đột địa chính trị Nga - Ukraine.

Hướng phát triển tiếp theo:

  1. Mở rộng mô hình nghiên cứu sang kỹ thuật Mô hình tự hồi quy vectơ dữ liệu bảng (Panel VAR) để phân tích phản ứng đẩy (Impulse Response Functions) của giá cổ phiếu trước các cú sốc vĩ mô.
  2. Ứng dụng các thuật toán Machine Learning (Random Forest Regressor, Gradient Boosting) để đối sánh năng lực dự báo giá cổ phiếu so với mô hình FGLS truyền thống.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận tài liệu tham khảo chuẩn mực về quy trình xử lý dữ liệu bảng (Panel Data Workflow) từ OLS $\rightarrow$ FEM/REM $\rightarrow$ FGLS với đầy đủ mã nguồn Stata/Python thực thi.
  • Nhà đầu tư cá nhân & Quỹ đầu tư: Sở hữu khung phân tích định lượng rõ ràng, loại bỏ hoàn toàn yếu tố cảm tính khi đánh giá nhóm cổ phiếu vật liệu xây dựng.
  • Ban lãnh đạo doanh nghiệp ngành thép: Nhận diện rõ mức độ nhạy cảm của thị giá cổ phiếu trước biến động quy mô tài sản và lợi nhuận trên mỗi cổ phần, từ đó tối ưu hóa cơ cấu vốn và chính sách quan hệ nhà đầu tư (IR).
  • Chuyên viên phân tích tài chính (Equity Research Analysts): Sử dụng các hệ số co giãn thực nghiệm ($\beta$) làm tham số đầu vào cho các mô hình định giá chiết khấu dòng tiền (DCF) và định giá theo phương pháp bội số ($P/E, P/B$).

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để tái lập mô hình nghiên cứu này là gì?

Hệ thống cần cài đặt phần mềm Stata phiên bản 15.0 trở lên (khuyến nghị Stata 17 MP) hoặc môi trường Python 3.9+ với các thư viện: pandas>=2.0.0, linearmodels>=5.0, statsmodels>=0.14.0, scipy>=1.10.0. Phần cứng tối thiểu 4GB RAM và CPU 2 nhân xử lý.

2. Tại sao mô hình FEM lại được ưu tiên hơn REM trong nghiên cứu này?

Theo kết quả kiểm định Hausman, giá trị $p = 0.0000 < 0.01$, điều này có nghĩa giả thiết $H_0$ (không có sự tương quan giữa sai số đặc thù và các biến giải thích) bị bác bỏ hoàn toàn. Do đó, ước lượng REM bị chệch và không nhất quán, bắt buộc phải sử dụng FEM để đảm bảo tính không chệch của các hệ số hồi quy.

3. Phương pháp FGLS giải quyết triệt để những lỗi nào của mô hình FEM?

Mô hình FEM tiêu chuẩn giả định phương sai phần dư đồng nhất giữa các doanh nghiệp và không có tự tương quan chuỗi. Tuy nhiên, kiểm định thực tế cho thấy $p$-value của kiểm định Modified Wald và Wooldridge đều $< 0.01$. Phương pháp FGLS sử dụng ma trận trọng số phương sai-hiệp phương sai để chuẩn hóa sai số, triệt tiêu hiện tượng phương sai thay đổi theo thực thể và tự tương quan AR(1).

4. Tại sao sản lượng tiêu thụ thép (CSM) lại không có ý nghĩa thống kê trong mô hình?

Thị giá cổ phiếu trên thị trường chứng khoán phản ánh kỳ vọng về dòng tiền và lợi nhuận ròng ($EPS$) thay vì sản lượng thuần túy. Trong nhiều giai đoạn, sản lượng tiêu thụ tăng cao nhưng giá bán thành phẩm giảm mạnh do cạnh tranh hoặc chi phí đầu vào tăng vọt, dẫn đến biên lợi nhuận bị bào mòn. Do đó, biến $EPS$ đã hấp thụ phần lớn giá trị giải thích của biến sản lượng $CSM$.

5. Nhà đầu tư nên phân bổ tỷ trọng biến số nào lớn nhất khi định giá cổ phiếu thép?

Theo kết quả FGLS, biến $EPS$ có hệ số tác động chuẩn hóa lớn nhất ($\beta = +1.8945, p < 0.001$), tiếp theo là $SIZE$ ($\beta = +0.4182, p < 0.001$) và biến cảnh báo rủi ro vĩ mô $CPI$ ($\beta = -0.3218, p < 0.01$). Nhà đầu tư nên tập trung 70% trọng số vào năng lực tạo EPS quý và quản trị hàng tồn kho quặng sắt ($OP$).

Kết luận

Khóa luận tốt nghiệp đã giải quyết trọn vẹn và khoa học bài toán lượng hóa các nhân tố tác động đến giá cổ phiếu của 11 doanh nghiệp ngành thép niêm yết tại Việt Nam trong giai đoạn 2015 – 2022. Bằng việc áp dụng phương pháp kinh tế lượng hiện đại FGLS, nghiên cứu đã khắc phục hoàn toàn các sai phạm cố hữu của dữ liệu bảng, cung cấp các bằng chứng thực nghiệm vững chắc: Quy mô tài sản ($SIZE$), Thu nhập trên mỗi cổ phiếu ($EPS$), và Giá quặng sắt thế giới ($OP$) có tác động thúc đẩy mạnh mẽ giá cổ phiếu; trong khi Chỉ số giá tiêu dùng ($CPI$) và Tốc độ tăng trưởng kinh tế ($GDP$) tạo ra áp lực điều chỉnh ngược chiều. Kết quả này không chỉ đóng góp giá trị học thuật quan trọng cho ngành tài chính - ngân hàng mà còn là kim chỉ nam định lượng tin cậy cho các quyết định đầu tư và hoạch định tài chính doanh nghiệp trong bối cảnh thị trường nhiều biến động.