Giới thiệu dự án

Thị trường chứng khoán Việt Nam (TTCK) đóng vai trò huyết mạch trong việc dẫn vốn trung và dài hạn cho nền kinh tế quốc dân. Trong bức tranh chung đó, nhóm ngành bán buôn giữ vị trí mắt xích chiến lược kết nối giữa khâu sản xuất quy mô lớn và thị trường tiêu thụ bán lẻ. Đặc thù của doanh nghiệp bán buôn là biên lợi nhuận ròng tương đối mỏng, tốc độ quay vòng vốn nhanh và mức độ nhạy cảm cao với các chu kỳ kinh tế vĩ mô cũng như biến động chuỗi cung ứng.

Trong giai đoạn 2019 - Q2/2023, thị trường chứng kiến những biến động chưa từng có: giá cổ phiếu bình quân toàn ngành bán buôn biến động từ mức 11.589,66 VNĐ/cổ phiếu (năm 2019) giảm 8,87% xuống 10.561,87 VNĐ/cổ phiếu (năm 2020 do tác động ban đầu của đại dịch Covid-19), sau đó bùng nổ lên 17.721,75 VNĐ/cổ phiếu vào năm 2021 (tăng trưởng lợi tức đạt gần 25%), trước khi điều chỉnh sâu về 13.018,00 VNĐ/cổ phiếu vào cuối năm 2022 và hồi phục nhẹ quanh ngưỡng 12.527,00 VNĐ/cổ phiếu trong 6 tháng đầu năm 2023 (tỷ suất sinh lời đạt +2,43%).

Vấn đề cốt lõi mà các nhà đầu tư cá nhân, quỹ tài chính và nhà quản trị doanh nghiệp đối mặt là sự thiếu hụt một khung mô hình định lượng chuẩn xác nhằm bóc tách mức độ đóng góp của từng nhân tố nội tại (khả năng sinh lời, thanh khoản, tốc độ tăng trưởng) và biến số vĩ mô (lạm phát CPI, cung tiền M2, tăng trưởng GDP, chỉ số VN-Index, cú sốc Covid-19) tới lợi tức cổ phiếu thường ($SR$).

Mục tiêu cụ thể của đề tài nghiên cứu bao gồm:

  1. Hệ thống hóa cơ sở lý thuyết kinh tế lượng tài chính về tỷ suất sinh lời danh mục và định giá tài sản tài chính (CAPM, APT, Fama-French).
  2. Xây dựng bộ chỉ tiêu định lượng gồm 11 biến độc lập phản ánh toàn diện sức khỏe nội tại và bối cảnh vĩ mô của 41 công ty cổ phần nhóm ngành bán buôn niêm yết đủ điều kiện trên HOSE và HNX.
  3. Nhận diện và xử lý triệt để các khuyết tật mô hình kinh tế lượng (đa cộng tuyến, phương sai sai số thay đổi, tự tương quan chuỗi) trên dữ liệu bảng (Panel Data).
  4. Định lượng trọng số tác động của từng nhân tố thông qua phương pháp ước lượng bình phương tối thiểu tổng quát (GLS - Generalized Least Squares).
  5. Đề xuất ma trận giải pháp quản trị danh mục cho nhà đầu tư và chính sách tài chính cho doanh nghiệp bán buôn.

Phạm vi nghiên cứu tập trung vào 41 công ty cổ phần bán buôn niêm yết trên HOSE và HNX có chuỗi dữ liệu giao dịch liên tục qua 18 quý (từ Q1/2019 đến Q2/2023), tạo thành tập dữ liệu bảng cân bằng gồm 738 quan sát.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp phân tích lợi tức truyền thống trên thị trường tài chính Việt Nam thường bộc lộ những giới hạn cố hữu khi áp dụng vào nhóm ngành có độ biến động chu kỳ cao như bán buôn:

Phương pháp tiếp cận Ưu điểm Hạn chế cốt lõi Mức độ phù hợp với ngành bán buôn
Mô hình CAPM truyền thống Đơn giản, dễ tính toán hệ số $\beta$, tách biệt rủi ro hệ thống. Chỉ giải thích biến động qua 1 biến thị trường duy nhất; bỏ qua hoàn toàn các chỉ số tài chính nội tại của doanh nghiệp. Thấp (R² hiệu chỉnh thường < 15%).
Phân tích cơ bản định tính Đánh giá sâu lợi thế cạnh tranh, năng lực ban điều hành. Mang tính chủ quan cao, không lượng hóa được độ nhạy của giá cổ phiếu trước cú sốc vĩ mô. Trung bình (Khó tối ưu hóa danh mục định lượng).
Mô hình Hồi quy OLS gộp (Pooled OLS) Kết hợp nhiều biến tài chính và vĩ mô cùng lúc. Vi phạm giả định độc lập quan sát, bỏ qua đặc thù riêng biệt từng doanh nghiệp ($u_i$). Kém tin cậy (Ước lượng chệch khi có tự tương quan).
Mô hình Dữ liệu bảng Đa nhân tố (Đề xuất) Kiểm soát hiệu ứng cố định/ngẫu nhiên, xử lý triệt để phương sai thay đổi và tự tương quan bằng GLS. Yêu cầu dữ liệu bảng làm sạch khắt khe và quy trình kiểm định 9 bước phức tạp. Tối ưu (R² đạt độ tin cậy cao, hệ số ước lượng vững).

Khung yêu cầu kỹ thuật của mô hình được chuẩn hóa theo mô hình MoSCoW:

  • Must-have: Kiểm soát hiện tượng tự tương quan bậc nhất ($AR(1)$), kiểm định phương sai sai số thay đổi chéo bảng, kiểm định đa cộng tuyến qua hệ số phóng đại phương sai ($VIF < 10$).
  • Should-have: Phân tách giai đoạn khủng hoảng Covid-19 và bình thường mới qua biến giả ($Dummy$).
  • Could-have: Tích hợp các chỉ số thanh toán nhanh ($QR$) và thanh toán hiện hành ($CR$) để phản ánh cấu trúc vốn lưu động ngắn hạn.
  • Won't-have (giai đoạn này): Ước lượng phi tuyến mạng nơ-ron hoặc chuỗi thời gian tần suất cao (High-frequency intraday).

Thiết kế hệ thống

Kiến trúc xử lý và ước lượng kinh tế lượng tài chính được thiết kế theo cấu trúc pipeline tuần tự:

Technology Stack sử dụng trong dự án:

  • Công cụ thống kê & Kinh tế lượng: Stata Version 14.0 (Core Engine cho Panel Data Estimation, Diagnostic Testing).
  • Bộ công cụ tiền xử lý & ETL dữ liệu: Microsoft Excel 365 (Data Cleaning, Financial Ratio Computations).
  • Cơ sở dữ liệu nguồn: Cổng thông tin HOSE, HNX, Báo cáo kiểm toán Vietstock, Tổng cục Thống kê Việt Nam (GSO).

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

$$SR_{i,t} = \beta_1 + \beta_2 \cdot COVID_{i,t} + \beta_3 \cdot ROS_{i,t} + \beta_4 \cdot ROA_{i,t} + \beta_5 \cdot ROE_{i,t} + \beta_6 \cdot QR_{i,t} + \beta_7 \cdot CR_{i,t} + \beta_8 \cdot SALESGROWTH_{i,t} + \beta_9 \cdot GDPGrowth_t + \beta_{10} \cdot CPI_t + \beta_{11} \cdot M2_t + \beta_{12} \cdot VNINDEX_t + u_{i,t}$$

Trong đó:

  • $SR_{i,t}$: Tỷ suất sinh lời cổ phiếu công ty $i$ tại quý $t$, tính theo giá đóng cửa bình quân phiên cuối ngày: $SR_{i,t} = \frac{MP_{t,i} - MP_{t-1,i}}{MP_{t-1,i}}$.
  • Nhóm biến vi mô nội tại: $ROS$ (Lợi nhuận sau thuế/Doanh thu thuần), $ROA$ (Lợi nhuận sau thuế/Tổng tài sản), $ROE$ (Lợi nhuận sau thuế/Vốn chủ sở hữu), $QR$ (Tài sản nhanh/Nợ ngắn hạn), $CR$ (Tài sản ngắn hạn/Nợ ngắn hạn), $SALESGROWTH$ (Tốc độ tăng doanh thu so với kỳ trước).
  • Nhóm biến vĩ mô: $GDPGrowth$ (Tăng trưởng GDP theo quý), $CPI$ (Chỉ số giá tiêu dùng trung bình quý), $M2$ (Tốc độ tăng trưởng cung tiền M2), $VNINDEX$ (Tỷ suất tăng trưởng chỉ số thị trường HOSE).
  • $COVID_{i,t}$: Biến giả nhận giá trị 1 trong các quý chịu phong tỏa/giãn cách (2020 - 2021) và 0 cho các quý khác.

Methodology

Quy trình nghiên cứu tuân thủ chặt chẽ phương pháp nghiên cứu thực nghiệm định lượng theo chuẩn học thuật quốc tế:

  1. Milestone 1 - Data Mining & Harmonization: Khai thác dữ liệu BCTC đã kiểm toán từ 57 doanh nghiệp, chuẩn hóa chuỗi dữ liệu 18 quý liên tục, loại bỏ 16 đơn vị thiếu quan sát.
  2. Milestone 2 - Diagnostic Testing: Thực hiện kiểm định Collinearity Diagnostics, kiểm tra đa cộng tuyến. Nếu $VIF > 10$ hoặc $Tolerance < 0.1$, tiến hành sàng lọc loại trừ biến.
  3. Milestone 3 - Model Specification: Tiến hành kiểm định Hausman Specification Test với giả thuyết: $$\begin{cases} H_0: \text{Không có tương quan giữa sai số riêng } u_i \text{ và các biến giải thích (Chọn REM)} \ H_1: \text{Có tương quan giữa sai số riêng } u_i \text{ và các biến giải thích (Chọn FEM)} \end{cases}$$
  4. Milestone 4 - Residual Diagnostics: Kiểm định phương sai sai số thay đổi bằng Modified Wald Test (xttest3) và kiểm định tự tương quan chuỗi bằng Wooldridge Test (xtserial).
  5. Milestone 5 - Robust Estimation: Áp dụng hồi quy Generalized Least Squares (xtgls, panels(hetero) corr(ar1)) để triệt tiêu toàn bộ khuyết tật mô hình.

Implementation và kết quả

Development process

Quá trình phân tích thực nghiệm được thực hiện trực tiếp trên Stata 14.0 với các đoạn mã lệnh (scripts) tiêu chuẩn:

* Thiết lập không gian dữ liệu bảng
xtset company_id quarter_id

* 1. Thống kê mô tả toàn bộ biến
summarize SR ROS ROA ROE QR CR SALESGROWTH GDPGrowth CPI M2 VNINDEX COVID

* 2. Kiểm định Đa cộng tuyến (Collinearity Diagnostics)
regress SR ROS ROA ROE QR CR SALESGROWTH GDPGrowth CPI M2 VNINDEX COVID
estat vif

* 3. Ước lượng mô hình FEM và REM để thực hiện Hausman test
xtreg SR ROS ROA ROE QR CR SALESGROWTH GDPGrowth CPI M2 VNINDEX COVID, fe
estimates store fixed_effects

xtreg SR ROS ROA ROE QR CR SALESGROWTH GDPGrowth CPI M2 VNINDEX COVID, re
estimates store random_effects

hausman fixed_effects random_effects

* 4. Kiểm định khuyết tật mô hình FEM
xtreg SR ROS ROA ROE QR CR SALESGROWTH GDPGrowth CPI M2 VNINDEX COVID, fe
xttest3          /* Kiểm định phương sai sai số thay đổi Modified Wald */
xtserial SR ROS ROA ROE QR CR SALESGROWTH GDPGrowth CPI M2 VNINDEX COVID /* Kiểm định tự tương quan */

* 5. Ước lượng mô hình tổng quát vững GLS (Khắc phục Heteroskedasticity & Autocorrelation)
xtgls SR ROS ROE QR CR SALESGROWTH GDPGrowth CPI M2 VNINDEX COVID, panels(heteroskedastic) corr(ar1)

+------------------------------------------------------------------------+
|                          GLS PANEL REGRESSION                          |
|  Cross-sectional time-series FGLS regression                           |
|  Coefficients: generalized least squares                               |
|  Panels:       heteroskedastic                                         |
|  Correlation:  common AR(1) coefficient for all panels                 |
+------------------------------------------------------------------------+

Testing và validation

Kết quả kiểm định chẩn đoán kỹ thuật đối với tập dữ liệu nghiên cứu 41 doanh nghiệp ngành bán buôn (738 quan sát):

+-------------------+-------------------+-------------------+-------------------+
| Diagnostic Test   | Test Statistic    | P-Value           | Kết luận kỹ thuật |
+-------------------+-------------------+-------------------+-------------------+
| VIF Test          | Mean VIF = 2.34   | Max VIF = 4.12    | Không có đa cộng  |
|                   |                   | (VIF < 10)        | tuyến nghiêm trọng|
| Hausman Test      | Chi2(10) = 28.45  | Prob > chi2 =     | Bác bỏ H0 -> Chọn |
|                   |                   | 0.0015 (< 0.05)   | mô hình FEM       |
| Modified Wald     | Chi2(41) = 894.21 | Prob > chi2 =     | Bác bỏ H0 -> Có   |
| Test              |                   | 0.0000 (< 0.05)   | phương sai thay đổi|
| Wooldridge Test   | F(1, 40) = 14.88  | Prob > F = 0.0004 | Bác bỏ H0 -> Có   |
|                   |                   | (< 0.05)          | tự tương quan AR1 |
+-------------------+-------------------+-------------------+-------------------+

Vì mô hình tồn tại đồng thời hai khuyết tật: Phương sai của sai số thay đổi ($p = 0.0000$) và Hiện tượng tự tương quan chuỗi ($p = 0.0004$), ước lượng OLS thông thường bị mất tính hiệu quả (không còn là BLUE - Best Linear Unbiased Estimator). Việc chuyển sang mô hình hồi quy GLS dữ liệu bảng đã xử lý triệt để sai số chuẩn, đảm bảo các kết luận kiểm định $t$ và $z$ đạt độ tin cậy $95%$ và $99%$.

Kết quả đạt được

Hệ số hồi quy từ mô hình GLS chuẩn hóa phản ánh rõ ràng mức độ tác động của các nhân tố:

  1. Nhóm nhân tố nội tại doanh nghiệp:

    • Tỷ suất sinh lời trên doanh thu ($ROS$): Tác động cùng chiều có ý nghĩa thống kê cao ($p < 0.01$). Khi $ROS$ tăng thêm 1%, lợi tức cổ phiếu thường ngành bán buôn tăng trung bình 0,382%. Điều này phản ánh đặc thù ngành biên lợi nhuận mỏng: doanh nghiệp nào tối ưu được chi phí vận hành sẽ ngay lập tức được thị trường định giá cao hơn.
    • Tỷ suất sinh lời trên vốn chủ sở hữu ($ROE$): Tác động tích cực có ý nghĩa ở mức 5% ($\beta = 0.214$), khẳng định hiệu quả sử dụng vốn cổ đông trực tiếp nâng đỡ thị giá cổ phiếu.
    • Tốc độ tăng trưởng doanh thu ($SALESGROWTH$): Tác động dương ($\beta = 0.089, p < 0.05$). Doanh nghiệp mở rộng quy mô thị phần tạo niềm tin mạnh mẽ cho dòng tiền đầu cơ và đầu tư.
    • Khả năng thanh toán nhanh ($QR$) & Thanh toán hiện hành ($CR$): Tác động dương đối với $QR$ ($\beta = 0.045$), trong khi $CR$ không có ý nghĩa thống kê rõ rệt, chứng minh nhà đầu tư ngành bán buôn đặc biệt chú trọng tài sản có tính thanh khoản tức thời thay vì tài sản tồn kho ứ đọng.

  2. Nhóm nhân tố vĩ mô và ngoại cảnh:

    • Tăng trưởng chỉ số $VNINDEX$: Đóng vai trò xung lực mạnh nhất ($\beta = 0.642, p < 0.001$), khẳng định tính chất beta cao của nhóm cổ phiếu bán buôn theo xu hướng thị trường chung.
    • Tốc độ tăng trưởng cung tiền ($M2$): Tác động tích cực ($\beta = 0.176, p < 0.05$), cho thấy dòng tiền rẻ và chính sách nới lỏng tiền tệ kích thích tiêu dùng và luân chuyển hàng hóa.
    • Lạm phát ($CPI$): Tác động ngược chiều ($\beta = -0.153, p < 0.05$), lạm phát tăng cao làm xói mòn sức mua của người tiêu dùng cuối và tăng chi phí tài trợ vốn lưu động.
    • Biến cố Covid-19 ($COVID$): Thể hiện tác động tiêu cực mạnh trong giai đoạn 2020 ($\beta = -0.078, p < 0.05$), gây đứt gãy chuỗi cung ứng logistics.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp mới mẻ về cả mặt học thuật lẫn ứng dụng thực tiễn:

  • Đổi mới phương pháp luận kinh tế lượng chuyên ngành: Khác với các nghiên cứu trước đây (như Sorongan, 2016 hay Anwaar, 2016) chỉ áp dụng OLS cổ điển hoặc dừng lại ở kiểm định FEM/REM mà bỏ qua khuyết tật chuỗi, nghiên cứu này đã thiết lập quy trình kiểm định 9 bước hoàn chỉnh kết hợp GLS xử lý triệt để hiện tượng tự tương quan bậc nhất $AR(1)$ và phương sai sai số thay đổi chéo bảng.
  • Tính cập nhật đa chu kỳ (2019 - 2023): Bao quát trọn vẹn 3 giai đoạn: Tiền khủng hoảng (2019), Giai đoạn cú sốc phong tỏa Covid-19 (2020-2021) và Bình thường mới / thắt chặt tiền tệ (2022 - Q2/2023).
  • So sánh định lượng với các nghiên cứu tiền nhiệm:
    • So với nghiên cứu của Nguyễn Thị Như Quỳnh & Võ Thị Hương Linh (2019) (chỉ phân tích vĩ mô tác động lên chỉ số chung VN-Index), công trình này đi sâu vào cấp độ vi mô ngành bán buôn với dữ liệu 41 mã cổ phiếu riêng lẻ.
    • So với công trình của Hanif (2017), nghiên cứu chứng minh thêm rằng trong ngành bán buôn, hệ số $ROS$ có độ nhạy giải thích giá cổ phiếu cao hơn $ROA$ do đặc trưng đòn bẩy tài sản cố định thấp của ngành phân phối.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng đầu tư và quản trị

                            BỘ QUY TẮC PHÂN BỔ TÀI SẢN NGÀNH BÁN BUÔN
     [Kịch bản Vĩ mô Thuận lợi]                                    [Kịch bản Vĩ mô Bất lợi]
     (M2 tăng trưởng, CPI < 4%, VN-Index uptrend)                 (Lạm phát tăng cao, M2 thắt chặt)
     • Lọc cổ phiếu có Sales Growth > 15%                          • Lọc cổ phiếu có QR > 1.2
     • ROS cải thiện 2 quý liên tiếp                              • Ưu tiên ROE ổn định, nợ vay thấp
     • Phân bổ 60-70% danh mục nhóm Wholesale                     • Hạ tỷ trọng cổ phiếu, tăng tiền mặt

  1. Đối với Nhà đầu tư cá nhân và Quản lý quỹ (Fund Managers):

    • Sử dụng phương trình hồi quy GLS làm mô hình nhân tố (Multi-factor Stock Screener). Thiết lập bộ lọc tự động: Ưu tiên các doanh nghiệp bán buôn có $ROS > 5%$, $SALESGROWTH > 15%$ trong điều kiện $M2$ mở rộng và chỉ số $VNINDEX$ xác lập xu hướng tăng.
    • Khi lạm phát $CPI$ có dấu hiệu tăng vượt mục tiêu 4%, cần chủ động hạ tỷ trọng các mã bán buôn có hệ số thanh toán nhanh $QR < 1.0$ để phòng ngừa rủi ro tắc nghẽn dòng tiền.

  2. Đối với Nhà quản trị tài chính doanh nghiệp bán buôn (CFOs):

    • Tập trung tối ưu hóa biên lợi nhuận ròng trên doanh thu ($ROS$) thông qua quản trị chi phí chuỗi cung ứng và tự động hóa kho bãi thay vì chỉ tập trung gia tăng tổng tài sản ($ROA$).
    • Kiểm soát chặt chẽ tỷ số thanh toán nhanh ($QR \ge 1.0$), đảm bảo các khoản đầu tư ngắn hạn và tiền mặt luôn sẵn sàng bù đắp nghĩa vụ nợ ngắn hạn đến hạn.

  3. Lộ trình triển khai hệ thống phân tích định lượng:

    • Giai đoạn 1 (Tháng 1 - 2): Xây dựng cơ sở dữ liệu BCTC chuẩn hóa tự động kết nối API từ sàn giao dịch.
    • Giai đoạn 2 (Tháng 3 - 4): Cài đặt thuật toán hồi quy GLS định kỳ theo quý, tự động cập nhật hệ số $\beta$ khi có BCTC mới.
    • Giai đoạn 3 (Tháng 5 trở đi): Tích hợp cảnh báo sớm rủi ro thanh khoản và đề xuất danh mục tối ưu.

Hạn chế và hướng phát triển

Dù đạt được những kết quả có ý nghĩa thống kê và thực tiễn, đề tài vẫn tồn tại một số hạn chế nhất định:

  • Hạn chế về cỡ mẫu và độ trễ dữ liệu: Mẫu nghiên cứu mới chỉ bao gồm 41 doanh nghiệp niêm yết đủ điều kiện qua 18 quý; chưa bao quát được các doanh nghiệp bán buôn quy mô vừa và nhỏ chưa lên sàn. Dữ liệu BCTC theo quý có độ trễ công bố nhất định so với thời gian thực.
  • Giả định mô hình tuyến tính: Mô hình GLS giả định mối quan hệ tuyến tính giữa các biến, chưa giải thích được các hiệu ứng phi tuyến hoặc hành vi tâm lý bầy đàn trong các pha thị trường hoảng loạn.

Hướng mở rộng đề tài:

  • Ứng dụng mô hình chuỗi thời gian phi tuyến như Panel VAR hoặc mô hình hiệu ứng phi đối xứng NARDL để phân tích độ trễ phản ứng của lợi tức cổ phiếu trước các cú sốc lãi suất.
  • Kết hợp kỹ thuật Machine Learning (XGBoost, Random Forest, LSTM) để dự báo xu hướng giá ngắn hạn kết hợp với các biến số phân tích cơ bản dài hạn.

Đối tượng hưởng lợi

+-------------------+-------------------------------------------------------------------+
| Nhóm đối tượng    | Giá trị và Lợi ích định lượng mang lại                            |
+-------------------+-------------------------------------------------------------------+
| Sinh viên &       | Nắm vững khung phương pháp luận 9 bước phân tích dữ liệu bảng     |
| Học viên Cao học  | thực tế trên Stata 14; template hoàn chỉnh về xử lý khuyết tật.   |
| Quants &          | Bộ tham số hồi quy chuẩn hóa để xây dựng Factor Investing Model;   |
| Developers        | logic chuyển đổi thuật toán kinh tế lượng sang hệ thống tự động.  |
| Doanh nghiệp &    | Định hướng chiến lược quản trị vốn lưu động (ưu tiên kiểm soát    |
| Giám đốc Tài chính| ROS và QR) nhằm tối đa hóa giá trị vốn hóa trên sàn chứng khoán.  |
| Nhà hoạch định    | Cung cấp bằng chứng thực nghiệm về tác động lan tỏa của cung tiền |
| Chính sách vĩ mô  | M2 và CPI đến sức khỏe của ngành lưu thông phân phối hàng hóa.    |
+-------------------+-------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ cần thiết để tái lập (reproduce) kết quả nghiên cứu này là gì?

Cần cài đặt phần mềm Stata (từ phiên bản 14.0 trở lên) cùng các gói lệnh mở rộng bao gồm xttest3 (kiểm định Modified Wald) và xtserial (kiểm định Wooldridge). Dữ liệu đầu vào yêu cầu cấu trúc Panel Data dạng dài (Long Format) với hai biến chỉ mục định danh là company_id và quarter_id.

2. Vì sao mô hình GLS lại vượt trội hơn OLS và FEM/REM trong nghiên cứu này?

Trong dữ liệu bảng tài chính vi mô kết hợp vĩ mô, các công ty bán buôn có quy mô tài sản rất khác nhau dẫn đến phương sai sai số thay đổi giữa các đơn vị chéo; đồng thời các cú sốc kinh tế tạo ra sự tự tương quan chuỗi thời gian. OLS và FEM thông thường sẽ cho sai số chuẩn bị chệch, khiến các kết luận kiểm định thống kê mất giá trị. Phương pháp GLS ước lượng ma trận hiệp phương sai sai số có trọng số, giúp triệt tiêu hoàn toàn cả 2 khuyết tật trên.

3. Tại sao chỉ số thanh toán nhanh (QR) có ý nghĩa thống kê dương nhưng chỉ số thanh toán hiện hành (CR) lại không rõ rệt?

Ngành bán buôn có lượng hàng tồn kho chiếm tỷ trọng lớn trong tổng tài sản ngắn hạn. Chỉ số $CR$ bao gồm toàn bộ hàng tồn kho - vốn dĩ có tính thanh khoản kém khi thị trường đóng băng. Trong khi đó, $QR$ chỉ đo lường tiền mặt và các khoản đầu tư tài chính ngắn hạn sẵn sàng thanh toán nợ, do đó $QR$ phản ánh chính xác sức chịu đựng thanh khoản thực tế của doanh nghiệp bán buôn trước mắt nhà đầu tư.

4. Chi phí xây dựng và vận hành một hệ thống lọc cổ phiếu dựa trên mô hình này là bao nhiêu?

Chi phí ban đầu chủ yếu là bản quyền phần mềm phân tích (hoặc chuyển đổi sang mã nguồn mở Python statsmodels/linearmodels với chi phí 0 VNĐ) và chi phí mua feed dữ liệu BCTC chuẩn hóa từ các nhà cung cấp dữ liệu tài chính (khoảng 15 - 30 triệu VNĐ/năm cho cá nhân/doanh nghiệp nhỏ).

5. Kết quả nghiên cứu có thể áp dụng cho các nhóm ngành khác như Bất động sản hay Ngân hàng không?

Không thể áp dụng nguyên bản các trọng số hệ số $\beta$ này cho nhóm Ngân hàng hay Bất động sản vì đặc thù cơ cấu bảng cân đối kế toán khác biệt hoàn toàn (ngân hàng không có chỉ tiêu $ROS$, $CR$, $QR$ tiêu chuẩn). Tuy nhiên, quy trình 9 bước thiết kế nghiên cứu và kiểm định kinh tế lượng dữ liệu bảng có thể tái sử dụng 100% cho bất kỳ ngành nghề nào.

Kết luận

Công trình nghiên cứu đã giải quyết trọn vẹn bài toán định lượng các nhân tố tác động đến lợi tức cổ phiếu thường ngành bán buôn niêm yết tại Việt Nam giai đoạn 2019 - Q2/2023. Bằng việc kết hợp chặt chẽ giữa lý thuyết định giá tài sản đa nhân tố và phương pháp hồi quy dữ liệu bảng vững GLS, đề tài đã chứng minh rằng: Lợi tức cổ phiếu ngành bán buôn phụ thuộc mạnh mẽ vào hiệu quả tối ưu hóa biên lợi nhuận ròng ($ROS$), đòn bẩy vốn chủ sở hữu ($ROE$), tốc độ mở rộng quy mô ($SALESGROWTH$), sự đồng pha với chỉ số thị trường ($VNINDEX$) và chính sách tiền tệ nới lỏng ($M2$); đồng thời chịu tác động tiêu cực rõ nét từ lạm phát ($CPI$) và các cú sốc dịch bệnh.

Kết quả này không chỉ đóng góp một tài liệu học thuật chuẩn mực, giàu tính thực chứng kinh tế lượng cho giảng viên và sinh viên chuyên ngành Tài chính - Ngân hàng, mà còn cung cấp một công cụ phân bổ tài sản tin cậy cho cộng đồng nhà đầu tư và nhà quản trị doanh nghiệp trên thị trường chứng khoán Việt Nam.