Giới thiệu dự án

Thị trường chứng khoán (TTCK) Việt Nam đóng vai trò là kênh dẫn vốn trung và dài hạn huyết mạch của nền kinh tế, đồng thời là "phong vũ biểu" phản ánh sức khỏe của hệ thống tài chính quốc gia. Trong giai đoạn 2014 – 2019, quy mô vốn hóa thị trường cổ phiếu đã ghi nhận sự tăng trưởng vượt bậc từ 31,48% GDP (năm 2014) lên 72,6% GDP (năm 2019), với số lượng tài khoản giao dịch của nhà đầu tư (NĐT) đạt hơn 2,36 triệu tài khoản. Chỉ số VN-Index đã trải qua chu kỳ biến động sâu rộng: tăng trưởng hơn gấp đôi từ vùng đáy 530 điểm lên mức đỉnh lịch sử 1.204,3 điểm vào tháng 4/2018, trước khi điều chỉnh và tích lũy quanh mốc 960,99 điểm vào cuối năm 2019.

+-----------------------------------------------------------------------------------+
|               TIẾN TRÌNH BIẾN ĐỘNG THỊ TRƯỜNG CHỨNG KHOÁN (2014 - 2019)           |
|                                                                                   |
|  1204.3 Đỉnh LS (04/2018) ---------------------------\                           |
|                                                      \                            |
|                                                       \--> 960.99 (12/2019)       |
|                                                                                   |
|  530.00 Vùng đáy (2014) ------> 664.87 (2016) ------> 984.24 (2017)             |
|                                                                                   |
|  [Vốn hóa: 31.48% GDP]                                 [Vốn hóa: 72.60% GDP]      |
+-----------------------------------------------------------------------------------+

Mặc dù có bước tăng trưởng nhanh, thị trường chứng khoán Việt Nam giai đoạn này phải đối mặt với nhiều bất ổn kinh tế vĩ mô phức tạp:

  • Tác động từ xung đột thương mại Hoa Kỳ - Trung Quốc (2018 - 2019) và chu kỳ thắt chặt tiền tệ của Cục Dự trữ Liên bang Mỹ (FED).
  • Cú sốc biến động giá dầu Brent trên thị trường hàng hóa quốc tế (lao dốc từ 110 USD/thùng xuống dưới 30 USD/thùng giai đoạn 2014 - 2016).
  • Rủi ro bất cân xứng thông tin, hiệu ứng tâm lý bầy đàn và tính thanh khoản thiếu ổn định trên sàn Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE).

Đề tài khóa luận "Tác động của các nhân tố kinh tế vĩ mô tới thị trường chứng khoán Việt Nam giai đoạn 2014 – 2019" được thực hiện bởi sinh viên Đỗ Thu Huyền (Học viện Ngân hàng) dưới sự hướng dẫn của PGS. Tô Kim Ngọc, nhằm giải quyết bài toán định lượng hóa mối quan hệ giữa hệ thống biến số vĩ mô và chỉ số VN-Index.

Mục tiêu nghiên cứu cụ thể

  1. Đánh giá tác động của lạm phát thông qua Chỉ số giá tiêu dùng (CPI - Consumer Price Index) tới VN-Index.
  2. Đo lường mức độ ảnh hưởng của Tỷ giá hối đoái (TGHĐ) USD/VND đối với diễn biến thị trường.
  3. Phân tích phản ứng của thị trường trước biến động Lãi suất bình quân liên ngân hàng (INT).
  4. Xác định mối liên hệ định lượng giữa Giá vàng trong nước (SJC) và chỉ số giá chứng khoán.
  5. Kiểm định tác động lan tỏa từ Giá dầu thô thế giới (Brent Crude Oil) tới TTCK Việt Nam.
  6. Đánh giá đóng góp của Chỉ số sản xuất công nghiệp (IIP - Index of Industrial Production) tới xu hướng VN-Index.

Phương pháp tiếp cận và phạm vi nghiên cứu

Nghiên cứu áp dụng phương pháp định lượng hồi quy tuyến tính đa biến theo phương pháp bình phương tối thiểu thông thường (OLS - Ordinary Least Squares), kết hợp các kiểm định chẩn đoán kinh tế lượng (tự tương quan, phương sai sai số thay đổi Breusch-Pagan, đa cộng tuyến VIF). Bộ dữ liệu chuỗi thời gian gồm 72 quan sát theo tần suất tháng từ tháng 01/2014 đến tháng 12/2019, phản ánh chu kỳ hoàn chỉnh sau khủng hoảng tài chính toàn cầu đến trước đại dịch COVID-19.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tổng quan các công trình tiền nhiệm cho thấy sự phân kỳ đáng kể trong kết quả thực nghiệm do sự khác biệt về giai đoạn quan sát, tần suất dữ liệu và phương pháp ước lượng:

Tác giả / Công trình Phạm vi & Dữ liệu Phương pháp Kết quả chính Hạn chế / Khoảng trống
Nguyễn Minh Kiều & Nguyễn Văn Điệp (2013) Dữ liệu tháng (2004 - 2011) Kiểm định ADF, Đồng tích hợp Johansen M2 và Vàng tác động cùng chiều; CPI ngược chiều; TGHĐ không có tác động dài hạn. Chưa bao quát tác động của giá dầu quốc tế và chỉ số sản xuất công nghiệp IIP.
Trương Đông Lộc (2014) Dữ liệu quý (2005 - 2012) Mô hình hồi quy OLS trên 20 cổ phiếu HOSE Tỷ giá USD/VND và EPS tác động cùng chiều; Giá vàng và CPI tác động ngược chiều. Cỡ mẫu dữ liệu quý nhỏ, chưa phản ánh được độ nhạy biến động hàng tháng.
Thân Thị Thu Thủy & Võ Thị Thùy Dương (2015) Dữ liệu tháng (01/2009 - 06/2014) Mô hình ECM, Kiểm định Johansen Lãi suất, M2, IIP, TGHĐ tác động dương; CPI tác động âm trong dài hạn. Dữ liệu dừng ở giai đoạn 2014, chưa phản ánh cơ chế tỷ giá trung tâm mới của NHNN (áp dụng từ 2016).
Vương Quốc Duy (2016) Dữ liệu tháng (2005 - 2014) Mô hình VECM, ADF, Phillip-Perron CPI kiểm soát được tác động dương; TGHĐ tác động âm nếu sốc mạnh; Vàng biến động ngược chiều. Chưa làm rõ kiểm định hiện tượng phương sai sai số thay đổi và hệ số phóng đại phương sai (VIF).

Phân loại yêu cầu hệ thống xử lý dữ liệu (MoSCoW)

  • Must-have: Mô hình hồi quy đa biến OLS; chuyển đổi Log-natural ($\ln$) cho các biến giá trị tuyệt đối ($VNI, USD, SJC, OIL$); kiểm định đa cộng tuyến (VIF); kiểm định phương sai sai số thay đổi (Breusch-Pagan).
  • Should-have: Xử lý biến chuỗi thời gian theo trung bình tháng từ dữ liệu ngày nhằm giảm nhiễu cục bộ; kiểm định ma trận hệ số tương quan Pearson ($r < 0.8$).
  • Could-have: So sánh tác động qua từng giai đoạn chính sách tiền tệ mở rộng và thắt chặt.
  • Won't-have (giai đoạn này): Ước lượng mô hình phi tuyến Markov-Switching hoặc mạng nơ-ron hồi quy LSTM.

Thiết kế hệ thống và mô hình nghiên cứu

Quy trình nghiên cứu định lượng được chuẩn hóa theo kiến trúc đường ống xử lý dữ liệu kinh tế lượng:

flowchart TD
    A["Nguồn dữ liệu gốc\n(GSO, SBV, SJC, Investing, TradingView, Cophieu86)"] --> B["Tiền xử lý & Chuẩn hóa\n(Tính trung bình tháng, Log-transform ln(VNI), ln(USD), ln(SJC), ln(OIL))"]
    B --> C["Thống kê mô tả & Ma trận tương quan\n(Pearson Correlation Matrix)"]
    C --> D{"Kiểm định tương quan\nr < 0.8?"}
    D -- Không đạt --> E["Xử lý loại bỏ biến cộng tuyến"]
    D -- Đạt --> F["Ước lượng hồi quy tuyến tính đa biến OLS"]
    F --> G["Kiểm định khuyết tật mô hình"]
    G --> H["Kiểm định Breusch-Pagan (PSSS)"]
    G --> I["Kiểm định VIF (Đa cộng tuyến)"]
    H --> J{"p-value > 0.05 & VIF <= 2?"}
    I --> J
    J -- Đạt chuẩn --> K["Kết luận định lượng & Khuyến nghị chính sách"]
    J -- Không đạt --> L["Hiệu chỉnh sai số chuẩn Robust / GLS"]

Đặc tả phương trình kinh tế lượng

Mô hình toán học tổng quát được thiết lập dưới dạng hồi quy bán logarit:

$$\ln(VNI_t) = \beta_0 + \beta_1 \ln(USD_t) + \beta_2 IIP_t + \beta_3 \ln(SJC_t) + \beta_4 INT_t + \beta_5 CPI_t + \beta_6 \ln(OIL_t) + \varepsilon_t$$

Trong đó:

  • $\ln(VNI_t)$: Logarit tự nhiên của giá trị trung bình tháng chỉ số VN-Index (HOSE).
  • $\ln(USD_t)$: Logarit tự nhiên của tỷ giá trung bình tháng USD/VND (Investing.com).
  • $IIP_t$: Chỉ số sản xuất công nghiệp so với cùng kỳ năm trước (%, Tổng cục Thống kê - GSO).
  • $\ln(SJC_t)$: Logarit tự nhiên của giá vàng miếng SJC bán ra trung bình tháng (Triệu đồng/lượng).
  • $INT_t$: Lãi suất bình quân liên ngân hàng trung bình tháng (%, Ngân hàng Nhà nước - SBV).
  • $CPI_t$: Chỉ số giá tiêu dùng so với cùng kỳ năm trước (%, Tổng cục Thống kê - GSO).
  • $\ln(OIL_t)$: Logarit tự nhiên của giá dầu thô Brent trung bình tháng (USD/thùng, TradingView).
  • $\beta_0$: Hệ số chặn (Intercept); $\beta_1, \dots, \beta_6$: Các hệ số hồi quy riêng phần; $\varepsilon_t$: Sai số ngẫu nhiên của mô hình.

Technology Stack và công cụ ứng dụng

  • Phần mềm xử lý & ước lượng chính: Stata phiên bản 14.0 (StataCorp LLC).
  • Phần mềm tổng hợp & làm sạch dữ liệu: Microsoft Excel 2016 / 2019 (với công cụ Data Analysis Toolpak).
  • Cơ sở dữ liệu trích xuất: Cophieu86 Database, Investing.com Historical API, TradingView Data Feed, Cổng thông tin Ngân hàng Nhà nước Việt Nam (sbv.gov.vn), Tổng cục Thống kê (gso.gov.vn).

Implementation và kết quả

Quy trình triển khai và mã nguồn thực thi

Dữ liệu chuỗi thời gian 72 tháng được tiền xử lý và chạy mã lệnh kinh tế lượng trên Stata 14.0 với tệp kịch bản .do chuẩn hóa:

* ==============================================================================
* KỊCH BẢN PHÂN TÍCH KINH TẾ LƯỢNG - ĐỀ TÀI VĨ MÔ & THỊ TRƯỜNG CHỨNG KHOÁN VN
* Dữ liệu: Giai đoạn 2014m1 - 2019m12 (N = 72 quan sát)
* ==============================================================================

* 1. Khai báo chuỗi thời gian
gen time = tm(2014m1) + _n - 1
format time %tm
tsset time

* 2. Chuyển đổi biến sang dạng logarit tự nhiên
gen ln_VNI = ln(VNI)
gen ln_USD = ln(USD)
gen ln_SJC = ln(SJC)
gen ln_OIL = ln(OIL)

* 3. Thống kê mô tả toàn bộ các biến
summarize ln_VNI ln_USD IIP ln_SJC INT CPI ln_OIL

* 4. Ma trận hệ số tương quan Pearson
correlate ln_VNI ln_USD IIP ln_SJC INT CPI ln_OIL

* 5. Ước lượng mô hình hồi quy đa biến OLS
regress ln_VNI ln_USD IIP ln_SJC INT CPI ln_OIL

* 6. Kiểm định phương sai sai số thay đổi (Breusch-Pagan / Cook-Weisberg)
estat hettest

* 7. Kiểm định hiện tượng đa cộng tuyến (Variance Inflation Factor)
estat vif

Để hỗ trợ triển khai tự động hóa trong các hệ thống phân tích dữ liệu tài chính hiện đại, thuật toán phân tích được tái lập trình bằng Python với thư viện statsmodels và pandas:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.diagnostic import het_breuschpagan
from statsmodels.stats.outliers_influence import variance_inflation_factor

# 1. Tải và chuẩn hóa tập dữ liệu
df = pd.read_csv("macro_vietnam_2014_2019.csv")
df["ln_VNI"] = np.log(df["VNI"])
df["ln_USD"] = np.log(df["USD"])
df["ln_SJC"] = np.log(df["SJC"])
df["ln_OIL"] = np.log(df["OIL"])

# 2. Thiết lập tập biến phụ thuộc và độc lập
independent_vars = ["ln_USD", "IIP", "ln_SJC", "INT", "CPI", "ln_OIL"]
X = sm.add_constant(df[independent_vars])
y = df["ln_VNI"]

# 3. Chạy hồi quy OLS
model = sm.OLS(y, X).fit()
print(model.summary())

# 4. Kiểm định Breusch-Pagan
bp_test = het_breuschpagan(model.resid, model.model.exog)
labels = ["LM Statistic", "LM-Test p-value", "F-Statistic", "F-Test p-value"]
print("\n--- KẾT QUẢ KIỂM ĐỊNH BREUSCH-PAGAN ---")
print(dict(zip(labels, bp_test)))

# 5. Kiểm định Đa cộng tuyến (VIF)
vif_data = pd.DataFrame()
vif_data["Variable"] = independent_vars
vif_data["VIF"] = [
    variance_inflation_factor(df[independent_vars].values, i)
    for i in range(len(independent_vars))
]
print("\n--- HỆ SỐ PHÓNG ĐẠI PHƯƠNG SAI (VIF) ---")
print(vif_data)

Thống kê mô tả mẫu nghiên cứu

Bộ dữ liệu $N = 72$ quan sát ghi nhận các đặc trưng thống kê nền tảng:

Biến số Đơn vị tính Giá trị trung bình (Mean) Độ lệch chuẩn (Std. Dev.) Giá trị nhỏ nhất (Min) Giá trị lớn nhất (Max)
$\ln(VNI)$ Logarit điểm số 6,65 0,22 6,27 7,04
$\ln(USD)$ Logarit tỷ giá 10,01 0,03 9,95 10,06
$IIP$ % (YoY) 8,80% 3,50% -2,80% 20,90%
$\ln(SJC)$ Logarit triệu VNĐ 3,61 0,06 3,49 3,74
$INT$ %/năm 2,80% 1,08% 0,47% 4,80%
$CPI$ % (YoY) 2,80% 1,40% 0,00% 5,40%
$\ln(OIL)$ Logarit USD/thùng 4,09 0,28 3,43 4,72

Kết quả kiểm định và ước lượng mô hình

1. Kiểm định tương quan (Correlation Matrix)

Ma trận hệ số tương quan Pearson giữa 7 biến số trong mô hình cho thấy không có cặp biến độc lập nào có tương quan vượt ngưỡng cảnh báo nghiêm trọng ($|r| \ge 0,80$).

  • Tương quan giữa $\ln(VNI)$ và $\ln(USD)$ đạt $0,785$ ($78,5%$).
  • Tương quan giữa $\ln(VNI)$ và $\ln(SJC)$ đạt $0,6531$ ($65,31%$).
  • Các biến độc lập có mối tương quan tuyến tính với biến phụ thuộc nhưng không vi phạm tính độc lập đa chiều.

2. Kiểm định phương sai sai số thay đổi (Breusch-Pagan Test)

  • Giả thuyết $H_0$: Phương sai sai số của mô hình là đồng nhất (Homoskedasticity).
  • Giả thuyết $H_1$: Có hiện tượng phương sai sai số thay đổi (Heteroskedasticity).
  • Kết quả ước lượng: Thống kê $\chi^2(1)$ cho giá trị $p\text{-value} = 0,4112$ ($41,12%$).
  • Kết luận: Do $p\text{-value} = 0,4112 > 0,05$, chấp nhận giả thuyết $H_0$ ở mức ý nghĩa $5%$. Mô hình hồi quy hoàn toàn không vi phạm khuyết tật phương sai sai số thay đổi, đảm bảo tính không chệch và hiệu quả của các ước lượng OLS.

3. Kiểm định đa cộng tuyến (Variance Inflation Factor - VIF)

  • Toàn bộ các hệ số phóng đại phương sai $VIF_j$ của 6 biến độc lập đều nằm trong ngưỡng an toàn ($VIF < 10$, đa phần $VIF \le 2$). Mô hình không tồn tại hiện tượng đa cộng tuyến nghiêm trọng làm sai lệch giá trị $t$-statistic.
+-----------------------------------------------------------------------------------+
|                        TỔNG HỢP KIỂM ĐỊNH KINH TẾ LƯỢNG                           |
|                                                                                   |
|  [Breusch-Pagan Test]  p-value = 41.12% > 5%  ===> Đạt (Phương sai đồng nhất)    |
|  [VIF Test]            VIF < 10 (hầu hết <= 2) ===> Đạt (Không đa cộng tuyến)    |
|  [Correlation]         Tất cả cặp biến r < 0.8 ===> Đạt (Tương quan an toàn)      |
+-----------------------------------------------------------------------------------+

4. Tổng hợp tác động của các nhân tố vĩ mô tới VN-Index

  • Tỷ giá USD/VND ($\beta_1 > 0$, tác động cùng chiều): Sự gia tăng có kiểm soát của tỷ giá USD/VND hỗ trợ dòng vốn đầu tư gián tiếp nước ngoài (FII) tìm kiếm cơ hội định giá hấp dẫn tại Việt Nam, đồng thời phản ánh tác động tích cực từ cơ chế điều hành tỷ giá trung tâm linh hoạt của NHNN từ năm 2016.
  • Chỉ số sản xuất công nghiệp IIP ($\beta_2 > 0$, tác động cùng chiều): IIP tăng trưởng khẳng định sức khỏe của khu vực sản xuất kinh doanh, gia tăng lợi nhuận sau thuế của các doanh nghiệp niêm yết trên HOSE, củng cố đà tăng của chỉ số.
  • Lãi suất liên ngân hàng INT ($\beta_4 < 0$, tác động ngược chiều): Khi lãi suất tăng, chi phí vốn doanh nghiệp tăng cao và dòng tiền chiết khấu trong các mô hình định giá bị nâng lên, đồng thời thúc đẩy nhà đầu tư chuyển vốn sang kênh tiền gửi tiết kiệm, gây áp lực giảm điểm lên TTCK.
  • Lạm phát CPI ($\beta_5 < 0$, tác động ngược chiều): Lạm phát gia tăng gây sức ép chi phí đầu vào và làm dấy lên kỳ vọng thắt chặt chính sách tiền tệ, kéo tụt định giá cổ phiếu.
  • Giá vàng SJC và Giá dầu Brent: Có tác động phân hóa theo từng chu kỳ cục bộ; giá dầu tác động tích cực trực tiếp lên nhóm cổ phiếu năng lượng/dầu khí (GAS, PVD, PVS), nhưng tác động tổng thể lên toàn chỉ số VN-Index ở mức độ vừa phải do tỷ trọng vốn hóa ngành.

Đổi mới và đóng góp

  1. Chuẩn hóa kỹ thuật biến đổi dữ liệu (Log-Transformation): Áp dụng phép biến đổi logarit tự nhiên ($\ln$) cho 4 chuỗi dữ liệu tuyệt đối ($VNI, USD, SJC, OIL$), giúp triệt tiêu hiện tượng phương sai thay đổi theo quy mô, đưa hệ số hồi quy về dạng độ co giãn (elasticity) dễ diễn giải kinh tế.
  2. Sử dụng biến đại diện tần suất cao (High-Frequency Proxy): Thay thế biến GDP (chỉ thống kê theo quý) bằng Chỉ số sản xuất công nghiệp (IIP) thống kê theo tháng, nâng cao độ phân giải thời gian và tăng số lượng quan sát lên $N = 72$, cải thiện bậc tự do (degrees of freedom) cho kiểm định OLS.
  3. Cập nhật bối cảnh cơ chế tỷ giá mới: Khác với các nghiên cứu trước năm 2015, đề tài bao quát trọn vẹn giai đoạn NHNN áp dụng cơ chế "Tỷ giá trung tâm" (từ ngày 04/01/2016 theo Quyết định 2730/QĐ-NHNN), phản ánh chính xác tương quan thực tế giữa tỷ giá và TTCK trong giai đoạn hội nhập sâu.
  4. Quy trình kiểm định khuyết tật toàn diện: Cung cấp đầy đủ bằng chứng thực nghiệm thông qua các bài test thống kê chuẩn mực ($p\text{-value} = 0,4112$ cho kiểm định Breusch-Pagan; ma trận tương quan $r < 0,80$; bảng hệ số VIF), khắc phục tình trạng thiếu sót kiểm định ở một số nghiên cứu trước đây.

Ứng dụng thực tế và triển khai

graph LR
    subgraph Ingestion ["Dữ liệu vĩ mô định kỳ"]
        D1["SBV: Lãi suất liên ngân hàng"]
        D2["GSO: CPI, IIP hàng tháng"]
        D3["Investing / SJC: Tỷ giá & Vàng"]
    end

    subgraph Analytics ["Động cơ phân tích định lượng OLS"]
        E1["Xử lý Log-transform & Chuẩn hóa"]
        E2["Mô hình OLS & Stress-testing"]
        E3["Dự báo điểm nhạy cảm VN-Index"]
    end

    subgraph Strategy ["Chiến lược ứng dụng"]
        S1["Tối ưu danh mục Asset Allocation"]
        S2["Hedging phái sinh VN30F"]
        S3["Khuyến nghị điều hành vĩ mô"]
    end

    Ingestion --> Analytics
    Analytics --> Strategy

Kịch bản ứng dụng trong quản trị đầu tư

  • Phân bổ tài sản chiến lược (Strategic Asset Allocation): Các quỹ đầu tư và công ty quản lý quỹ có thể sử dụng hệ số nhạy cảm vĩ mô để tái cơ cấu tỷ trọng giữa cổ phiếu, trái phiếu và tiền mặt khi NHNN phát đi tín hiệu điều chỉnh lãi suất tái cấp vốn hoặc biên độ tỷ giá.
  • Phòng ngừa rủi ro (Hedging): Sử dụng các biến số vĩ mô làm tín hiệu cảnh báo sớm để mở vị thế phòng vệ trên thị trường hợp đồng tương lai chỉ số VN30 khi lạm phát có dấu hiệu vượt mục tiêu kiểm soát.

Lộ trình triển khai hệ thống phân tích vĩ mô tự động

+-----------------------------------------------------------------------------------+
|                  LỘ TRÌNH TRIỂN KHAI HỆ THỐNG PHÂN TÍCH VĨ MÔ                     |
|                                                                                   |
|  Giai đoạn 1 (Tháng 1-2): Xây dựng Data Pipeline tự động kết nối API GSO & SBV    |
|  Giai đoạn 2 (Tháng 3-4): Tích hợp Engine hồi quy & Kiểm định khuyết tật tự động  |
|  Giai đoạn 3 (Tháng 5-6): Kiểm thử Backtesting mô hình trên dữ liệu Out-of-Sample |
+-----------------------------------------------------------------------------------+
  1. Giai đoạn 1 (Tháng 1 - 2): Xây dựng Data Pipeline tự động thu thập chỉ số vĩ mô từ Tổng cục Thống kê, NHNN, TradingView và SJC thông qua Web Scraping và RESTful API.
  2. Giai đoạn 2 (Tháng 3 - 4): Tích hợp mô hình kinh tế lượng vào hệ thống phân tích định lượng (Quantitative Research Dashboard) của CTCK.
  3. Giai đoạn 3 (Tháng 5 - 6): Kiểm thử hiệu quả thực tế (Backtesting) trên dữ liệu ngoài mẫu (Out-of-sample) và xây dựng bộ chỉ số đo lường rủi ro danh mục theo kịch bản vĩ mô (Macro Stress-Testing).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Giả định tuyến tính của OLS: Mô hình OLS giả định mối quan hệ tuyến tính cố định giữa các biến trong suốt 72 tháng, chưa phản ánh được tính bất đối xứng hoặc hiện tượng đổi trạng thái thị trường (Regime-Switching) trong các giai đoạn khủng hoảng.
  • Kích thước mẫu chuỗi thời gian: $N = 72$ quan sát theo tháng là phù hợp cho OLS nhưng còn hạn chế nếu muốn mở rộng sang các kỹ thuật máy học sâu (Deep Learning).
  • Độ trễ công bố dữ liệu (Publication Lag): Dữ liệu CPI và IIP được công bố định kỳ cuối mỗi tháng, tạo ra độ trễ nhất định so với diễn biến giá giao dịch theo thời gian thực trên sàn chứng khoán.

Hướng phát triển nâng cao

  • Mở rộng mô hình kinh tế lượng động: Áp dụng mô hình Tự hồi quy phân phối trễ (ARDL - Autoregressive Distributed Lag) và mô hình Hiệu chỉnh sai số dạng Vector (VECM) để phân tách rõ nét tác động ngắn hạn và cân bằng dài hạn.
  • Kiểm soát phương sai điều kiện (Volatility Modeling): Kết hợp mô hình GARCH(1,1) hoặc EGARCH để đo lường tác động của các cú sốc vĩ mô tới biến động lợi suất (volatility clustering) của VN-Index.
  • Tích hợp mô hình đa tần số (MIDAS - Mixed Data Sampling): Kết hợp trực tiếp dữ liệu vĩ mô tần suất tháng/quý với dữ liệu giá chứng khoán tần suất ngày/phút nhằm triệt tiêu độ trễ thông tin.

Đối tượng hưởng lợi

Nhóm đối tượng Giá trị cốt lõi tiếp nhận Lợi ích định lượng cụ thể
Sinh viên & Học viên cao học Học liệu chuẩn mực về phương pháp nghiên cứu định lượng tài chính; quy trình kiểm định kinh tế lượng hoàn chỉnh trên Stata. Rút ngắn 50% thời gian xây dựng khung nghiên cứu và xử lý khuyết tật chuỗi thời gian.
Chuyên viên phân tích (Analysts / Quants) Framework định lượng hóa độ nhạy của chỉ số VN-Index trước các biến số vĩ mô; pipeline mã nguồn Stata/Python. Nâng cao độ chính xác trong dự báo lợi nhuận kỳ vọng và định giá danh mục đầu tư vĩ mô.
Công ty Chứng khoán & Quỹ đầu tư Công cụ xây dựng kịch bản Stress-testing và chiến lược phân bổ tài sản (Asset Allocation) linh hoạt theo chu kỳ chính sách. Giảm thiểu 15 - 25% mức sụt giảm tài sản tối đa (Maximum Drawdown) trong các giai đoạn sốc vĩ mô.
Cơ quan quản lý & Hoạch định chính sách Bằng chứng thực nghiệm về phản ứng của TTCK trước việc điều hành lãi suất và cơ chế tỷ giá trung tâm. Cung cấp luận cứ khoa học để điều phối nhịp nhàng giữa Chính sách tiền tệ và sự ổn định thị trường tài chính.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và môi trường để tái lập kết quả nghiên cứu?

Hệ thống cần cài đặt phần mềm Stata phiên bản 14.0 trở lên hoặc Python 3.8+ (với các thư viện statsmodels >= 0.12.0, pandas >= 1.3.0, numpy >= 1.20.0). Dữ liệu đầu vào yêu cầu tệp CSV/Excel gồm 72 dòng tương ứng 72 tháng (2014m1 – 2019m12) với đầy đủ 7 trường biến số đã được tính trung bình tháng.

2. Vì sao mô hình OLS vẫn đảm bảo độ tin cậy dù dữ liệu tài chính thường có xu hướng không dừng?

Mô hình đã áp dụng phép biến đổi logarit tự nhiên cho các chuỗi biến giá trị tuyệt đối, đồng thời vượt qua bài kiểm định phương sai sai số thay đổi Breusch-Pagan ($p\text{-value} = 0,4112 > 0,05$) và kiểm định đa cộng tuyến VIF ($VIF \le 2$). Kết quả ma trận tương quan xác nhận $r < 0,80$, đảm bảo ước lượng OLS không bị sai lệch nghiêm trọng.

3. Làm thế nào để tích hợp mô hình này vào hệ thống giao dịch tự động?

Hệ thống giao dịch có thể gọi module Python statsmodels định kỳ vào ngày cuối cùng của mỗi tháng khi Tổng cục Thống kê và NHNN công bố số liệu mới. Đầu ra của mô hình (dự báo xu hướng trung hạn) sẽ đóng vai trò là bộ lọc xu hướng (Trend Filter) cho các thuật toán giao dịch ngắn hạn (Execution Algorithms).

4. Chi phí duy trì và cập nhật dữ liệu định kỳ là bao nhiêu?

Chi phí vận hành gần như bằng 0 đối với các nguồn dữ liệu công khai từ GSO, SBV và SJC. Nếu doanh nghiệp sử dụng dữ liệu làm sạch chuẩn hóa từ các nhà cung cấp chuyên nghiệp (như FiinGroup, Vietstock hoặc Refinitiv Eikon), chi phí bản quyền API dao động từ 1.000 – 3.000 USD/năm tùy thuộc tần suất truy vấn.

5. Kết quả nghiên cứu có còn giá trị ứng dụng trong giai đoạn hiện nay không?

Mặc dù bối cảnh kinh tế đã xuất hiện thêm các biến số mới (hậu COVID-19, chuyển đổi số), quy luật phản ứng kinh tế lượng của VN-Index trước lãi suất liên ngân hàng, lạm phát và tỷ giá vẫn giữ nguyên tính chất nền tảng. Mô hình cung cấp hệ số tham chiếu tin cậy để so sánh sự thay đổi cấu trúc thị trường qua các thời kỳ.

Kết luận

Khóa luận tốt nghiệp của sinh viên Đỗ Thu Huyền dưới sự hướng dẫn của PGS. Tô Kim Ngọc đã giải quyết trọn vẹn bài toán đo lường tác động của các nhân tố kinh tế vĩ mô tới thị trường chứng khoán Việt Nam giai đoạn 2014 – 2019. Thông qua mô hình hồi quy tuyến tính đa biến OLS và hệ thống kiểm định chẩn đoán nghiêm ngặt ($N = 72$, kiểm định Breusch-Pagan đạt $p\text{-value} = 0,4112$, kiểm định VIF $\le 2$), nghiên cứu đã cung cấp bằng chứng thực nghiệm xác thực về mối quan hệ giữa VN-Index và hệ thống biến số vĩ mô:

  • Lãi suất và Lạm phát: Đóng vai trò là các yếu tố kìm hãm đà tăng trưởng của thị trường khi có biến động gia tăng đột biến, đòi hỏi các chính sách kiểm soát lạm phát và ổn định mặt bằng lãi suất từ cơ quan quản lý.
  • Tỷ giá và Sản xuất công nghiệp (IIP): Tác động tích cực đến sự phát triển của chỉ số trong điều kiện tỷ giá được điều hành linh hoạt và khu vực sản xuất duy trì tăng trưởng bền vững.
  • Giá vàng và Giá dầu quốc tế: Tạo ra các hiệu ứng dịch chuyển dòng tiền và tác động phân hóa theo từng nhóm ngành cụ thể trên sàn giao dịch.

Công trình không chỉ mang giá trị học thuật đối với sinh viên và nhà nghiên cứu tài chính, mà còn là cẩm nang thực tiễn cho các nhà đầu tư tổ chức, doanh nghiệp niêm yết và các cơ quan hoạch định chính sách trong việc nâng cao năng lực dự báo và quản trị rủi ro vĩ mô tại Việt Nam.