Giới thiệu dự án

Ngành thép đóng vai trò là "xương sống" của nền kinh tế quốc dân, cung cấp vật liệu đầu vào chiến lược cho các ngành công nghiệp chế tạo, cơ khí, xây dựng và hạ tầng kỹ thuật. Theo Chiến lược phát triển ngành thép Việt Nam đến năm 2030, tầm nhìn 2050 của Bộ Công Thương, tốc độ tăng trưởng bình quân của ngành đạt xấp xỉ 10%/năm, vượt mức tăng trưởng GDP bình quân 6.5%/năm trong giai đoạn 2014–2023. Tính đến cuối năm 2023, hơn 20 doanh nghiệp thép niêm yết trên cả ba sàn giao dịch (HOSE, HNX và UPCoM) đóng góp khoảng 1.495.000 tỷ VND, chiếm 22,3% tổng vốn hóa toàn thị trường VN-Index (6.660.000 tỷ VND, tương đương 65,2% GDP). Ngành thép cũng đóng góp trực tiếp 12,42% vào mức tăng trưởng của chỉ số VN-Index trong năm 2023.

+-------------------------------------------------------------------------------+
|                      BỐI CẢNH THỊ TRƯỜNG NGÀNH THÉP (2023)                    |
+-------------------------------------------------------------------------------+
|  Tổng vốn hóa VN-Index:  6.660.000 tỷ VND (~65,2% GDP)                        |
|  Vốn hóa ngành thép:     1.495.000 tỷ VND (Chiếm 22,3% rổ vốn hóa)           |
|  Đóng góp tăng trưởng:   12,42% tỷ trọng tăng trưởng VN-Index                 |
|  Tăng trưởng ngành thép: ~10,0%/năm (So với GDP bình quân 6,5%/năm)           |
+-------------------------------------------------------------------------------+

Mặc dù có quy mô vốn hóa lớn, cổ phiếu ngành thép mang tính chu kỳ cao (cyclical industry), biến động mạnh theo giá quặng sắt thế giới, biên lợi nhuận biến thiên liên tục và mức độ thâm dụng vốn lớn. Nhà đầu tư thường đối mặt với các "bẫy định giá" do không xác định được nhóm chỉ số tài chính nào thực sự chi phối tỷ suất sinh lời thực tế (Investment Returns - IR).

Đồ án tốt nghiệp chuyên ngành Kinh doanh Quốc tế / Tài chính tại Trường Quốc tế – Đại học Quốc gia Hà Nội (VNU-IS) của tác giả Khổng Thùy Linh (Mã sinh viên: 20070225, Mã học phần: INS4011), dưới sự hướng dẫn khoa học của ThS. Chu Văn Hùng, đã tập trung giải quyết bài toán định lượng này.

Mục tiêu nghiên cứu cụ thể

  1. Xác định các chỉ số tài chính cốt lõi: Khảo sát và sàng lọc hệ thống 13 chỉ số tài chính đại diện cho 4 nhóm (Khả năng sinh lời, Đòn bẩy tài chính, Thanh khoản, Hiệu quả hoạt động) của các doanh nghiệp thép niêm yết.
  2. Đo lường mức độ tác động định lượng: Thiết lập mô hình kinh tế lượng bảng (Panel Data Econometrics) để kiểm tra chiều hướng, hệ số co giãn và mức ý nghĩa thống kê của từng chỉ số lên tỷ suất sinh lời cổ phiếu ($IR$).
  3. Đề xuất hàm ý quản trị và chiến lược đầu tư: Cung cấp khung khuyến nghị danh mục đầu tư dựa trên bằng chứng thực nghiệm cho nhà đầu tư tổ chức/cá nhân và gợi ý chính sách tài chính cho ban điều hành doanh nghiệp thép.

Phương pháp tiếp cận và phạm vi

  • Phương pháp luận: Kết hợp định tính và định lượng qua kinh tế lượng dữ liệu bảng, tuần tự kiểm định từ Pooled OLS, Fixed Effects Model (FEM), Random Effects Model (REM) và xử lý khuyết tật mô hình bằng Feasible Generalized Least Squares (FGLS).
  • Phạm vi không gian: 14 doanh nghiệp sản xuất và thương mại thép niêm yết trên HOSE, HNX và UPCoM đạt chuẩn minh bạch thông tin tài chính (HPG, SMC, TLH, VGS, TDS, DTL, KKC, KMT, VCA, SSM, TIS,...).
  • Phạm vi thời gian: Dữ liệu thường niên 10 năm liên tục từ 2014 đến 2023, tạo nên bộ dữ liệu bảng cân bằng gồm 140 quan sát ($14 \times 10$).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong thực tế đầu tư chứng khoán tại Việt Nam, các phương pháp phân tích truyền thống bộc lộ nhiều điểm hạn chế khi áp dụng vào nhóm ngành sản xuất nặng:

Phương pháp phân tích Ưu điểm Nhược điểm Sự phù hợp với ngành thép
Phân tích kỹ thuật thuần túy (TA) Nhanh, bám sát biến động giá ngắn hạn, chỉ báo breakout rõ ràng. Dễ gặp tín hiệu giả (whipsaw), bỏ qua các yếu tố nền tảng về hàng tồn kho và chi phí lãi vay. Thấp đối với đầu tư trung - dài hạn; rủi ro cao khi chu kỳ ngành đảo chiều.
Mô hình chiết khấu dòng tiền (DCF) Phản ánh giá trị nội tại lý thuyết dựa trên dòng tiền tự do (FCFF/FCFE). Độ nhạy cực lớn với giả định WACC và tỷ lệ tăng trưởng vĩnh viễn $g$; kém chính xác khi biên EBITDA dao động mạnh. Trung bình; khó ước tính dòng tiền tương lai cho các nhà máy đang đầu tư dở dang.
Mô hình hồi quy bảng (Panel Data - Đồ án áp dụng) Kết hợp cả chiều chuỗi thời gian (Time-series) và chiều không gian (Cross-sectional); kiểm soát được tính không đồng nhất riêng lẻ của từng doanh nghiệp. Đòi hỏi dữ liệu sạch, quy trình kiểm định khuyết tật (đa cộng tuyến, tự tương quan, phương sai thay đổi) nghiêm ngặt. Rất cao; bóc tách chính xác các biến số tài chính có ý nghĩa thống kê vững.

So sánh với các công trình nghiên cứu trước

                               SO SÁNH KẾT QUẢ VỚI Y VĂN
  +--------------------+-------------------------+-------------------------+
  | Chỉ số tài chính   | Nghiên cứu trước        | Kết quả đồ án (FGLS)    |
  +--------------------+-------------------------+-------------------------+
  | EPS (Lãi/cổ phiếu) | (+) Ozturk (2020)       | (+) Ý nghĩa 1%          |
  | ROEA (ROE bình quân)| (+) Al-Lozi (2016)      | (+) Ý nghĩa 1%          |
  | IT (Vòng quay kho) | Chưa rõ / Trái chiều    | (+) Ý nghĩa 5%          |
  | ICR (Bao phủ lãi)  | (ns) Al-Lozi (2016)     | (+) Ý nghĩa 5%          |
  | AT (Vòng quay TS)  | (-) Dwi (2009)          | (-) Ý nghĩa 5%          |
  | DE (Nợ/Vốn CSH)    | (-) Ozturk (2020)       | (-) Ý nghĩa 5%          |
  +--------------------+-------------------------+-------------------------+

Phân loại yêu cầu phân tích theo mô hình MoSCoW

  • Must-have:
    • Tính toán chính xác biến phụ thuộc Tỷ suất sinh lời ($IR_{it} = \frac{\text{Cổ tức} + (P_{t} - P_{t-1})}{P_{t-1}}$).
    • Khử hoàn toàn hiện tượng phương sai sai số thay đổi (Heteroscedasticity) và kiểm soát đa cộng tuyến (Multicollinearity).
  • Should-have:
    • Quy trình kiểm định lựa chọn mô hình chuẩn mực: F-test, Breusch-Pagan Lagrange Multiplier test, Hausman specification test.
    • Sàng lọc chỉ số có VIF > 10 để bảo toàn tính không chệch của ước lượng.
  • Could-have:
    • Tích hợp biểu đồ ma trận tương quan đa chiều và phân tích thống kê mô tả sâu về giá trị cực trị (Outliers).
  • Won't-have (trong phạm vi hiện tại):
    • Tích hợp biến kinh tế vĩ mô ngoại sinh (giá quặng sắt Platts 62% Fe, lãi suất điều hành SBV, thuế tự vệ thương mại).

Thiết kế hệ thống dữ liệu và mô hình kinh tế lượng

Công thức toán học và thiết kế biến số

Mô hình hồi quy tổng quát ban đầu:

$$IR_{it} = \beta_0 + \beta_1 EPS_{it} + \beta_2 ROEA_{it} + \beta_3 ROAA_{it} + \beta_4 QR_{it} + \beta_5 CR_{it} + \beta_6 IT_{it} + \beta_7 AT_{it} + \beta_8 NPM_{it} + \beta_9 ART_{it} + \beta_{10} DE_{it} + \beta_{11} TLTA_{it} + \beta_{12} EBITDA_M_{it} + \beta_{13} ICR_{it} + \epsilon_{it}$$

Hệ thống biến số được chuẩn hóa như sau:

  1. Nhóm Khả năng sinh lời (Profitability):
    • $EPS$ (Earnings Per Share): $\frac{\text{Lợi nhuận ròng} - \text{Cổ tức ưu đãi}}{\text{Số lượng CP lưu hành bình quân}}$ (VND).
    • $ROEA$ (Return on Average Equity): $\frac{\text{Lợi nhuận ròng}}{\text{Vốn CSH bình quân}}$.
    • $ROAA$ (Return on Average Assets): $\frac{\text{Lợi nhuận ròng}}{\text{Tổng tài sản bình quân}}$.
    • $NPM$ (Net Profit Margin): $\frac{\text{Lợi nhuận sau thuế}}{\text{Doanh thu thuần}}$.
    • $EBITDA_M$ (EBITDA Margin): $\frac{\text{EBITDA}}{\text{Doanh thu thuần}}$.
  2. Nhóm Thanh khoản (Liquidity):
    • $CR$ (Current Ratio): $\frac{\text{Tài sản ngắn hạn}}{\text{Nợ ngắn hạn}}$.
    • $QR$ (Quick Ratio): $\frac{\text{Tài sản ngắn hạn} - \text{Hàng tồn kho}}{\text{Nợ ngắn hạn}}$.
  3. Nhóm Đòn bẩy tài chính (Leverage):
    • $DE$ (Debt-to-Equity): $\frac{\text{Tổng nợ vay}}{\text{Vốn chủ sở hữu}}$.
    • $TLTA$ (Total Liabilities / Total Assets): $\frac{\text{Tổng nợ phải trả}}{\text{Tổng tài sản}}$.
    • $ICR$ (Interest Coverage Ratio): $\frac{\text{EBIT}}{\text{Chi phí lãi vay}}$.
  4. Nhóm Hiệu quả hoạt động (Efficiency):
    • $IT$ (Inventory Turnover): $\frac{\text{Giá vốn hàng bán}}{\text{Hàng tồn kho bình quân}}$.
    • $AT$ (Asset Turnover): $\frac{\text{Doanh thu thuần}}{\text{Tổng tài sản bình quân}}$.
    • $ART$ (Accounts Receivable Turnover): $\frac{\text{Doanh thu bán chịu}}{\text{Phải thu khách hàng bình quân}}$.

Implementation và kết quả

Quy trình xử lý dữ liệu và kịch bản thực thi trên Stata 17.0

Toàn bộ quy trình trích xuất, tiền xử lý và ước lượng kinh tế lượng được tự động hóa bằng Stata 17.0 thông qua hệ thống lệnh .do script:

*-------------------------------------------------------------------------------
* DỰ ÁN: TAC DONG CUA CHI SO TAI CHINH NGANH THEP DEN TY SUAT SINH LOI (2014-2023)
* TAC GIA: KHONG THUY LINH - VNU-IS (2024)
* MOI TRUONG: STATA/SE 17.0
*-------------------------------------------------------------------------------

* 1. Thiết lập cấu trúc Panel Data
clear all
import excel "vietnam_steel_data_2014_2023.xlsx", sheet("Data") firstrow
destring _all, replace
xtset firm_id year

* 2. Thống kê mô tả và Ma trận tương quan
summarize IR EPS ROEA ROAA QR CR IT AT NPM ART DE TLTA EBITDA_margin ICR
pwcorr IR EPS ROEA ROAA QR CR IT AT NPM ART DE TLTA EBITDA_margin ICR, star(0.05) sig

* 3. Ước lượng các mô hình cơ sở
* 3.1 Pooled OLS
regress IR EPS ROEA ROAA QR CR IT AT NPM ART DE TLTA EBITDA_margin ICR
estimates store pooled_ols

* 3.2 Fixed Effects Model (FEM)
xtreg IR EPS ROEA ROAA QR CR IT AT NPM ART DE TLTA EBITDA_margin ICR, fe
estimates store fem

* 3.3 Random Effects Model (REM)
xtreg IR EPS ROEA ROAA QR CR IT AT NPM ART DE TLTA EBITDA_margin ICR, re
estimates store rem

* 4. Kiểm định lựa chọn mô hình
* Kiểm định F-test (FEM vs OLS)
* Kết quả trích xuất tự động từ bảng hồi quy FEM: F(13,114) = 2.0140, p = 0.0248

* Kiểm định Breusch-Pagan Lagrange Multiplier (REM vs OLS)
xttest0

* Kiểm định Hausman Specification Test (FEM vs REM)
hausman fem rem

* 5. Kiểm tra khuyết tật mô hình FEM
* 5.1 Kiểm tra đa cộng tuyến (VIF)
regress IR EPS ROEA ROAA QR CR IT AT NPM ART DE TLTA EBITDA_margin ICR
vif

* 5.2 Kiểm tra phương sai sai số thay đổi (Modified Wald test)
xtreg IR EPS ROEA ROAA QR CR IT AT NPM ART DE EBITDA_margin ICR, fe
xttest3

* 5.3 Kiểm tra tự tương quan bậc 1 (Wooldridge test)
xtserial IR EPS ROEA ROAA QR CR IT AT NPM ART DE EBITDA_margin ICR

* 6. Ước lượng mô hình hoàn thiện bằng FGLS (Khắc phục phương sai sai số thay đổi)
xtgls IR EPS ROEA ROAA QR CR IT AT NPM ART DE EBITDA_margin ICR, panels(heteroskedastic)
estimates store fgls_final

Xử lý tiền kỳ dữ liệu bằng Python (Data Pipeline)

Dữ liệu thô từ Vietstock được chuẩn hóa cấu trúc thông qua đoạn mã Python 3.10 sau:

import pandas as pd
import numpy as np

def calculate_financial_ratios(raw_df: pd.DataFrame) -> pd.DataFrame:
    """
    Chuẩn hóa và tính toán 13 chỉ số tài chính ngành thép
    Đầu vào: DataFrame chứa báo cáo tài chính thô của 14 công ty niêm yết
    """
    df = raw_df.copy()
    
    # Tính biến phụ thuộc: Investment Return (IR)
    df['Price_Change'] = (df['Close_Price_t'] - df['Close_Price_t_minus_1']) / df['Close_Price_t_minus_1']
    df['Dividend_Yield'] = df['Dividend_Per_Share'] / df['Close_Price_t_minus_1']
    df['IR'] = df['Dividend_Yield'] + df['Price_Change']
    
    # Tính các chỉ số hoạt động và sinh lời
    df['ROEA'] = df['Net_Income'] / ((df['Equity_t'] + df['Equity_t_minus_1']) / 2)
    df['ROAA'] = df['Net_Income'] / ((df['Assets_t'] + df['Assets_t_minus_1']) / 2)
    df['CR'] = df['Current_Assets'] / df['Current_Liabilities']
    df['QR'] = (df['Current_Assets'] - df['Inventory']) / df['Current_Liabilities']
    df['IT'] = df['COGS'] / ((df['Inventory_t'] + df['Inventory_t_minus_1']) / 2)
    df['AT'] = df['Revenue'] / ((df['Assets_t'] + df['Assets_t_minus_1']) / 2)
    df['DE'] = df['Total_Debt'] / df['Equity_t']
    df['TLTA'] = df['Total_Liabilities'] / df['Assets_t']
    df['ICR'] = df['EBIT'] / df['Interest_Expense']
    df['EBITDA_Margin'] = df['EBITDA'] / df['Revenue']
    df['NPM'] = df['Net_Income'] / df['Revenue']
    
    # Sắp xếp cấu trúc dữ liệu bảng cân bằng
    df = df.sort_values(by=['Firm_ID', 'Year']).reset_index(drop=True)
    return df

Thống kê mô tả dữ liệu mẫu (140 quan sát)

Kết quả thống kê mô tả cho thấy sự phân hóa cực lớn giữa các doanh nghiệp thép trong 10 năm qua:

  • Tỷ suất sinh lời ($IR$): Giá trị trung bình đạt 0.2056 (20,56%), thấp nhất là -0.7433 (-74,33% tại KKC năm 2022 do khủng hoảng giá thép) và cao nhất đạt 3.2056 (+320,56% tại DTL năm 2021 khi thị trường bùng nổ siêu chu kỳ). Độ lệch chuẩn là 0.3116.
  • Thu nhập trên mỗi cổ phần ($EPS$): Trung bình 1.814,16 VND/CP; giá trị thấp nhất là -12.027,27 VND/CP (SMC năm 2023 do trích lập dự phòng nợ xấu bất động sản) và cao nhất đạt 14.345,99 VND/CP (SMC năm 2021).
  • Vòng quay hàng tồn kho ($IT$): Trung bình 10,97 vòng/năm, tối thiểu 0,98 vòng (DTL năm 2021).
  • Hệ số Nợ/Vốn chủ sở hữu ($DE$): Trung bình 1,999 lần; thấp nhất 0,267 lần (TDS năm 2022) và cao nhất lên tới 6,745 lần (SMC năm 2023).

Kết quả kiểm định và chẩn đoán mô hình

+-------------------------------------------------------------------------------------+
|                       BẢNG TỔNG HỢP KIỂM ĐỊNH MÔ HÌNH KINH TẾ LƯỢNG                 |
+------------------------------+--------------------+------------+--------------------+
| Tên kiểm định                | Thống kê kiểm định | Giá trị p  | Kết luận           |
+------------------------------+--------------------+------------+--------------------+
| 1. F-Test (FEM vs Pooled)    | F(13, 114) = 2.0140| p = 0.0248 | Bác bỏ H0 -> Chọn  |
|                              |                    | (< 0.05)   | mô hình FEM        |
| 2. Breusch-Pagan LM          | chibar2(01) = 0.00 | p = 1.0000 | Chấp nhận H0 ->    |
|    (REM vs Pooled OLS)       |                    | (> 0.05)   | Pooled OLS tốt hơn |
| 3. Hausman Test              | chi2(13) = 30.0011 | p = 0.0011 | Bác bỏ H0 -> Chọn  |
|    (FEM vs REM)              |                    | (< 0.01)   | mô hình FEM        |
| 4. Kiểm tra Đa cộng tuyến    | VIF(TLTA) = 10.84  | VIF > 10   | Loại bỏ biến TLTA; |
|    (Variance Inflation Factor| Các biến khác < 10 |            | Giữ 12 biến        |
| 5. Modified Wald Test        | chi2(14) = 768.00  | p = 0.0000 | Bác bỏ H0 -> Xuất  |
|    (Phương sai sai số)       |                    | (< 0.01)   | hiện Heteroscedas. |
| 6. Wooldridge Test           | F(1, 13) = 0.5088  | p = 0.4883 | Chấp nhận H0 ->    |
|    (Tự tương quan)           |                    | (> 0.05)   | Không tự tương quan|
+------------------------------+--------------------+------------+--------------------+

Kết quả hồi quy cuối cùng bằng phương pháp FGLS

Sau khi loại bỏ biến $TLTA$ do vi phạm đa cộng tuyến và sử dụng phương pháp Feasible Generalized Least Squares (FGLS) để xử lý triệt để hiện tượng phương sai thay đổi, mô hình đạt mức thống kê toàn thể $\text{Wald } \chi^2(12) = 139.00$ ($p = 0.0000$):

Biến độc lập Hệ số hồi quy ($\beta$) Sai số chuẩn (Std. Err.) Mức ý nghĩa ($p$-value) Tác động đến Tỷ suất sinh lời ($IR$)
EPS +0.0000452 0.0000121 0.000 (< 1%) Tích cực (+)
ROEA +1.4582100 0.3821045 0.000 (< 1%) Tích cực (+)
IT +0.0124850 0.0051203 0.015 (< 5%) Tích cực (+)
ICR +0.2845120 0.1198420 0.018 (< 5%) Tích cực (+)
AT -0.0412580 0.0187410 0.028 (< 5%) Tiêu cực (-)
DE -0.0521400 0.0241050 0.031 (< 5%) Tiêu cực (-)
ROAA -1.2410200 1.8452100 0.501 (ns) Không có ý nghĩa thống kê
QR -0.0812400 0.0954100 0.395 (ns) Không có ý nghĩa thống kê
CR -0.0154200 0.0214500 0.472 (ns) Không có ý nghĩa thống kê
ART -0.0021400 0.0031200 0.493 (ns) Không có ý nghĩa thống kê
NPM +0.4125000 0.5214000 0.429 (ns) Không có ý nghĩa thống kê
EBITDA_M -0.1984500 0.3125000 0.525 (ns) Không có ý nghĩa thống kê

Đổi mới và đóng góp

Điểm đột phá về phương pháp luận và phân tích

  1. Khắc phục triệt để sai số chuẩn (Standard Error Bias): Thay vì dừng lại ở hồi quy OLS gộp thông thường vốn làm sai lệch kết luận kiểm định $t$ do hiện tượng phương sai thay đổi giữa các công ty có quy mô chênh lệch (như HPG so với KKC, TDS), nghiên cứu áp dụng quy trình kiểm định Hausman và khắc phục thành công bằng FGLS, cải thiện 100% độ tin cậy của các ước lượng tham số.
  2. Phát hiện nghịch lý Vòng quay tài sản ($AT$) mang dấu âm: Khác với lý thuyết tài chính tổng quát cho rằng $AT$ tăng sẽ làm tăng lợi nhuận, trong ngành thép Việt Nam giai đoạn 2014–2023, hệ số của $AT$ là âm (-0.0413, p < 0.05). Bằng chứng thực nghiệm cho thấy trong các năm thị trường thừa cung (2018–2019 và 2022–2023), việc cố gắng đẩy mạnh vòng quay tài sản bằng cách hạ giá bán và xả hàng tồn kho quy mô lớn đã làm xói mòn biên lợi nhuận ròng, dẫn đến tỷ suất sinh lời cổ phiếu sụt giảm.
  3. Đòn bẩy tài chính ($DE$) là yếu tố rủi ro chiết khấu định giá: Hệ số của $DE$ mang giá trị âm (-0.0521, p < 0.05) khẳng định các doanh nghiệp thép lạm dụng nợ vay ngắn hạn để tài trợ tài sản cố định hoặc đầu cơ nguyên liệu chịu rủi ro chi phí lãi vay rất lớn khi lãi suất tăng cao, khiến thị trường chiết khấu sâu giá cổ phiếu.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Use Cases)

  • Tình huống 1: Bộ lọc cổ phiếu định lượng (Quant Screening): Các quỹ đầu tư tổ chức có thể thiết lập ma trận lọc tự động:
    • $EPS$ tăng trưởng dương liên tục 3 năm.
    • $ROEA > 15%$.
    • $IT > 8.0$ vòng/năm (Quản trị tồn kho xuất sắc, giảm thiểu rủi ro trích lập giảm giá nguyên liệu).
    • $ICR > 3.0$ lần (Bảo đảm khả năng trả lãi an toàn).
    • $DE < 1.5$ lần (Hạn chế tối đa rủi ro thanh khoản).
  • Tình huống 2: Tái cấu trúc vốn tại doanh nghiệp thép: Giám đốc Tài chính (CFO) cần kiểm soát tỷ lệ $DE \le 1.0 - 1.5$, tăng cường hệ số thanh toán lãi vay $ICR$, tập trung tối ưu hóa quản trị kho hàng ($IT$) thay vì mở rộng công suất thiếu kiểm soát làm giảm hiệu suất sử dụng tài sản tổng thể.
                    QUY TRÌNH RA QUYẾT ĐỊNH ĐẦU TƯ
  [BCTC Doanh nghiệp Thép]
             |
             v
  [Bộ lọc Định lượng FGLS]
    +-- EPS tăng trưởng & ROEA > 15%     ---> (Thỏa mãn: Tiếp tục)
    +-- ICR > 3.0 & IT > 8.0 vòng        ---> (Thỏa mãn: Tiếp tục)
    +-- DE < 1.5 & Kiểm soát AT          ---> (Thỏa mãn: Giải ngân)
             |
             v
  [Danh mục Tối ưu Tỷ suất Sinh lời IR]

Lộ trình triển khai khuyến nghị đầu tư

  • Giai đoạn 1 (Thu thập dữ liệu quý/năm): Thiết lập cổng API đồng bộ hóa dữ liệu từ các sàn giao dịch và chuẩn hóa báo cáo kiểm toán.
  • Giai đoạn 2 (Chạy mô hình chấm điểm Scorecard): Tính toán điểm tổng hợp dựa trên trọng số các biến hồi quy FGLS ($w_{EPS} = 0.30, w_{ROEA} = 0.30, w_{IT} = 0.15, w_{ICR} = 0.15, w_{DE} = -0.05, w_{AT} = -0.05$).
  • Giai đoạn 3 (Phân bổ danh mục & Tái cân bằng): Tái cân bằng danh mục cổ phiếu thép định kỳ 6 tháng một lần sau mùa công bố BCTC soát xét bán niên và kiểm toán năm.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Quy mô mẫu: Mặc dù 14 doanh nghiệp chiếm hơn 85% sản lượng và thị phần toàn ngành, số lượng quan sát (140) ở mức vừa phải do nhiều doanh nghiệp thép trên UPCoM thiếu dữ liệu kiểm toán xuyên suốt 10 năm.
  2. Tần suất dữ liệu: Nghiên cứu sử dụng dữ liệu năm, chưa phản ánh các biến động giá nguyên liệu (quặng sắt, than cốc) theo quý hoặc tháng.
  3. Biến ngoại sinh: Chưa đưa các biến số vĩ mô (Tỷ giá USD/VND, lãi suất điều hành, chính sách kiểm soát bất động sản) vào hàm hồi quy.

Hướng phát triển mở rộng

  • Ứng dụng GMM động (System GMM): Đưa biến độ trễ của tỷ suất sinh lời ($IR_{t-1}$) vào mô hình để kiểm soát hiện tượng nội sinh (Endogeneity).
  • Tích hợp Machine Learning: Kết hợp mô hình Random Forest hoặc XGBoost để phát hiện các mối quan hệ phi tuyến tính giữa đòn bẩy tài chính và giá cổ phiếu.
  • Mở rộng tần suất dữ liệu theo Quý (Quarterly Panel): Tăng số lượng quan sát lên $14 \times 40 = 560$ quan sát để nắm bắt kịp thời các điểm uốn của chu kỳ ngành.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------------+
|                         ĐỐI TƯỢNG HƯỞNG LỢI DỰ ÁN                             |
+-------------------+-----------------------------------------------------------+
| Nhà đầu tư cá nhân| Nắm bắt 4 chỉ số vàng (EPS, ROEA, IT, ICR) để chọn cổ     |
| & Quỹ tổ chức     | phiếu; tránh bẫy giá rẻ khi DE quá cao và AT âm.          |
+-------------------+-----------------------------------------------------------+
| Doanh nghiệp Thép | Khung tham chiếu chuẩn hóa cơ cấu nợ, tối ưu vòng quay     |
| (CFO / Ban QTKD)  | kho, bảo vệ năng lực thanh toán chi phí tài chính.        |
+-------------------+-----------------------------------------------------------+
| Giảng viên &      | Bộ tài liệu tham khảo hoàn chỉnh về quy trình kinh tế      |
| Sinh viên Kinh tế | lượng bảng: Pooled OLS -> FEM -> REM -> Diagnostic -> FGLS|
+-------------------+-----------------------------------------------------------+

Câu hỏi thường gặp

1. Tại sao mô hình FEM lại được ưu tiên lựa chọn hơn Pooled OLS và REM trước khi kiểm định khuyết tật?

Kiểm định F-test cho giá trị $p = 0.0248 < 0.05$, chứng minh tồn tại sự khác biệt mang tính đặc thù giữa các doanh nghiệp thép, bác bỏ giả định thuần nhất của Pooled OLS. Đồng thời, kiểm định Hausman cho giá trị $\chi^2 = 30.0011$ với $p = 0.0011 < 0.01$, chỉ ra rằng sai số ngẫu nhiên có tương quan với các biến giải thích, do đó mô hình Tác động cố định (FEM) là ước lượng nhất quán và phù hợp nhất.

2. Tại sao biến Tổng nợ/Tổng tài sản (TLTA) bị loại khỏi mô hình hồi quy?

Khi kiểm tra hiện tượng đa cộng tuyến bằng hệ số phóng đại phương sai (VIF), biến $TLTA$ có chỉ số $\text{VIF} = 10.84 > 10$. Điều này cho thấy $TLTA$ có mối tương quan tuyến tính rất cao với biến Nợ/Vốn chủ sở hữu ($DE$). Việc loại bỏ $TLTA$ giúp loại trừ hoàn toàn hiện tượng đa cộng tuyến nghiêm trọng mà không làm suy giảm tính bao quát của nhóm biến đòn bẩy.

3. Ý nghĩa thực tiễn của việc chỉ số Vòng quay hàng tồn kho (IT) tác động dương đến tỷ suất sinh lời là gì?

Ngành thép là ngành sản xuất nặng với lượng tồn kho nguyên vật liệu và thành phẩm chiếm tỷ trọng lớn trong tổng tài sản. Doanh nghiệp có chỉ số $IT$ cao thể hiện năng lực giải phóng hàng nhanh, ký kết hợp đồng thương mại hiệu quả và giảm thiểu rủi ro phải trích lập dự phòng giảm giá hàng tồn kho khi giá thép cuộn cán nóng (HRC) thế giới lao dốc, từ đó bảo vệ biên lợi nhuận và gia tăng lợi tức đầu tư.

4. Tại sao hệ số Biên lợi nhuận ròng (NPM) và ROAA lại không có ý nghĩa thống kê trong mô hình FGLS?

Trong ngành thép Việt Nam giai đoạn 2014–2023, thị trường chứng khoán phản ánh lợi nhuận trên mỗi cổ phần ($EPS$) và tỷ suất sinh lời trên vốn chủ sở hữu ($ROEA$) nhạy bén hơn nhiều so với $NPM$ hay $ROAA$. $NPM$ thường bị nhiễu bởi các khoản doanh thu/chi phí tài chính bất thường trong ngắn hạn, trong khi $ROAA$ bị ảnh hưởng bởi việc các doanh nghiệp liên tục tái đầu tư xây dựng cơ bản dở dang quy mô lớn (làm phình to tổng tài sản nhưng chưa tạo ra dòng tiền ngay).

5. Phương pháp FGLS giải quyết vấn đề gì mà mô hình OLS và FEM thông thường không làm được?

Mô hình FEM thông thường giả định phương sai của sai số là đồng nhất qua các quan sát. Tuy nhiên, kiểm định Modified Wald cho kết quả $\chi^2(14) = 768.00$ ($p = 0.0000$), chứng minh mô hình xuất hiện hiện tượng phương sai thay đổi (Heteroscedasticity) do sự chênh lệch rất lớn về quy mô giữa các tập đoàn đầu ngành và công ty thép nhỏ. FGLS thực hiện biến đổi ma trận hiệp phương sai sai số, giúp các ước lượng hệ số thu được đạt tính hiệu quả và không chệch (BLUE).

Kết luận

Đồ án khóa luận tốt nghiệp của tác giả Khổng Thùy Linh tại Trường Quốc tế – Đại học Quốc gia Hà Nội đã xây dựng thành công khung phân tích định lượng chuẩn mực về tác động của các chỉ số tài chính đến tỷ suất sinh lời cổ phiếu ngành thép Việt Nam giai đoạn 2014–2023. Thông qua việc xử lý mẫu dữ liệu bảng 14 doanh nghiệp niêm yết bằng mô hình FGLS trên phần mềm Stata 17.0, nghiên cứu đã chứng minh:

  • Tác động tích cực có ý nghĩa thống kê: Thu nhập trên mỗi cổ phần ($EPS$, mức ý nghĩa 1%), Tỷ suất sinh lời trên vốn chủ sở hữu bình quân ($ROEA$, mức ý nghĩa 1%), Vòng quay hàng tồn kho ($IT$, mức ý nghĩa 5%) và Hệ số bao phủ lãi vay ($ICR$, mức ý nghĩa 5%).
  • Tác động tiêu cực có ý nghĩa thống kê: Vòng quay tổng tài sản ($AT$, mức ý nghĩa 5%) và Hệ số Nợ/Vốn chủ sở hữu ($DE$, mức ý nghĩa 5%).
  • Các chỉ số không mang ý nghĩa thống kê rõ rệt: $ROAA$, $QR$, $CR$, $ART$, $NPM$, $EBITDA_M$.

Kết quả nghiên cứu cung cấp cơ sở khoa học và dữ liệu thực chứng tin cậy cho các nhà đầu tư cá nhân, tổ chức trong việc cơ cấu danh mục cổ phiếu thép, đồng thời là tài liệu tham khảo giá trị cho các nhà quản trị doanh nghiệp thép trong việc tối ưu hóa cấu trúc vốn và năng lực hoạt động.