Giới thiệu dự án

Thị trường chứng khoán (TTCK) đóng vai trò là kênh dẫn vốn trung và dài hạn quan trọng bậc nhất của nền kinh tế. Trong cấu trúc thị trường, tính thanh khoản (Liquidity) được ví như "mạch máu" đảm bảo sự phân bổ vốn hiệu quả, giảm thiểu chi phí giao dịch và phản ánh mức độ hấp dẫn của tài sản tài chính. Tại Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) – sàn giao dịch chiếm tới hơn 80% giá trị và khối lượng giao dịch toàn thị trường Việt Nam – nhóm cổ phiếu ngành bất động sản luôn chiếm tỷ trọng vốn hóa lớn và thu hút dòng tiền đầu cơ lẫn đầu tư mạnh mẽ. Tuy nhiên, giai đoạn 2010–2021 chứng kiến nhiều chu kỳ biến động phức tạp của thị trường bất động sản, từ đóng băng, phục hồi đến sốt đất và chịu tác động của suy thoái kinh tế vĩ mô cũng như đại dịch COVID-19.

Vấn đề cốt lõi đặt ra là tính thanh khoản của nhóm cổ phiếu bất động sản chịu sự chi phối đa chiều bởi các yếu tố nội tại của doanh nghiệp (năng lực tài chính, quản trị công ty, cơ cấu sở hữu) và các biến số kinh tế vĩ mô. Sự bất cân xứng thông tin (Information Asymmetry) và rủi ro thanh khoản cao khiến nhiều nhà đầu tư cá nhân lẫn tổ chức đối mặt với nguy cơ "chôn vốn" hoặc chịu tổn thất tài chính nặng nề khi thị trường đảo chiều. Do đó, việc xây dựng một mô hình kinh tế lượng chuẩn xác để lượng hóa và giải thích các nhân tố tác động đến tính thanh khoản cổ phiếu ngành bất động sản là yêu cầu cấp thiết mang tính ứng dụng thực tiễn cao.

[Dữ liệu BCTC & Vĩ mô (2010 - 2021)]

Mục tiêu cụ thể của công trình nghiên cứu:

  1. Hệ thống hóa cơ sở lý luận về tính thanh khoản, đo lường thanh khoản thông qua khối lượng giao dịch ($Volume$) và xác định các kênh truyền dẫn tác động.
  2. Xây dựng bộ chỉ tiêu tài chính, phi tài chính và kinh tế vĩ mô gồm 10 biến độc lập và biến kiểm soát đặc trưng cho ngành bất động sản.
  3. Thu thập, xử lý và làm sạch dữ liệu bảng cân bằng (Balanced Panel Data) từ 59 doanh nghiệp bất động sản niêm yết trên HOSE trong 12 năm liên tục (2010–2021), đạt quy mô 708 quan sát.
  4. Kiểm định và so sánh các mô hình kinh tế lượng: Pooled OLS, Fixed Effects Model (FEM), Random Effects Model (REM) thông qua kiểm định Hausman và kiểm định khuyết tật mô hình (tự tương quan, phương sai sai số thay đổi).
  5. Đề xuất hệ thống giải pháp định lượng nhằm tối ưu hóa thanh khoản cho doanh nghiệp bất động sản, nâng cao hiệu quả phân bổ vốn cho nhà đầu tư và cơ quan quản lý (UBCKNN).

Phạm vi nghiên cứu giới hạn tại sàn HOSE đối với 59 mã cổ phiếu bất động sản đáp ứng đủ điều kiện dữ liệu xuyên suốt chu kỳ 2010–2021, loại trừ các doanh nghiệp hủy niêm yết hoặc thiếu báo cáo kiểm toán hợp nhất.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong nghiên cứu thực nghiệm tài chính, việc lựa chọn thước đo tính thanh khoản quyết định độ tin cậy của mô hình. Bảng phân tích dưới đây so sánh các phương pháp đo lường thanh khoản phổ biến:

Phương pháp đo lường Ưu điểm kỹ thuật Hạn chế Mức độ phù hợp với TTCK VN
Khối lượng giao dịch ($Volume / LN_VOL$) Dữ liệu sẵn có, tần suất chuẩn xác, phản ánh trực tiếp lực cầu và mức độ quan tâm của dòng tiền. Chưa tách biệt hoàn toàn giữa giao dịch chủ động và thụ động. Rất cao (Phù hợp nhất với dữ liệu bảng theo năm tại HOSE).
Tỷ lệ kém thanh khoản Amihud ($ILLIQ$) Đo lường tác động giá trên một đơn vị khối lượng ($ R_{it} / V_{it}$), nắm bắt chiều sâu thị trường.
Chênh lệch giá mua - bán (Bid-Ask Spread) Phản ánh chính xác chi phí giao dịch tức thời tần suất cao (Intraday Tick Data). Không khả dụng với chuỗi dữ liệu lịch sử dài hạn 10–12 năm do giới hạn lưu trữ dữ liệu lệnh. Thấp (Khó khả thi với dữ liệu bảng dài hạn).

Áp dụng phương pháp phân loại yêu cầu MoSCoW trong việc thiết lập hệ thống biến nghiên cứu:

  • Must have (Bắt buộc): Logarit khối lượng giao dịch ($LN_VOL$), Vốn chủ sở hữu ($EQUITY$), Lợi nhuận sau thuế ($NPAT$), Tỷ lệ sở hữu nhà nước ($STATE_OWN$), Tỷ lệ sở hữu tổ chức ($CORP_OWN$).
  • Should have (Nên có): Số năm niêm yết ($LIST_AGE$), Quy mô Hội đồng quản trị ($BOARD_SIZE$), Dịch vụ kiểm toán Top 4 ($AUDIT$).
  • Could have (Có thể có): Các biến kinh tế vĩ mô kiểm soát: Tăng trưởng $GDP$, Tỷ lệ lạm phát ($INF$), Dòng vốn đầu tư trực tiếp nước ngoài ($FDI$).
  • Won't have (Loại trừ): Các biến dữ liệu vi mô tần suất giây/phút (Order Book Depth) do không tương thích với khung thời gian nghiên cứu 12 năm.

Thiết kế hệ thống mô hình định lượng

Mô hình hồi quy tuyến tính đa biến cho dữ liệu bảng tổng quát được thiết lập dưới dạng phương trình sau:

$$LN_VOL_{i,t} = \beta_0 + \beta_1 LN_EQ_{i,t} + \beta_2 NPAT_{i,t} + \beta_3 AGE_{i,t} + \beta_4 STATE_{i,t} + \beta_5 CORP_{i,t} + \beta_6 AUDIT_{i,t} + \beta_7 BOARD_{i,t} + \beta_8 GDP_t + \beta_9 INF_t + \beta_{10} FDI_t + \epsilon_{i,t}$$

Trong đó:

  • $LN_VOL_{i,t}$: Logarit tự nhiên của tổng khối lượng giao dịch cổ phiếu $i$ trong năm $t$ (Biến phụ thuộc).
  • $LN_EQ_{i,t}$: Logarit vốn chủ sở hữu (Đại diện quy mô tài sản ròng).
  • $NPAT_{i,t}$: Lợi nhuận sau thuế thu nhập doanh nghiệp (Tỷ đồng).
  • $AGE_{i,t}$: Số năm niêm yết tính từ thời điểm IPO chính thức trên HOSE.
  • $STATE_{i,t}$: Tỷ lệ sở hữu của cổ đông Nhà nước (%).
  • $CORP_{i,t}$: Tỷ lệ sở hữu của các cổ đông tổ chức / pháp nhân (%).
  • $AUDIT_{i,t}$: Biến giả nhận giá trị 1 nếu BCTC được kiểm toán bởi Big 4 (PwC, EY, KPMG, Deloitte), ngược lại nhận giá trị 0.
  • $BOARD_{i,t}$: Tổng số lượng thành viên trong Hội đồng quản trị.
  • $GDP_t, INF_t, FDI_t$: Tốc độ tăng trưởng GDP, Tỷ lệ lạm phát CPI bình quân và Vốn FDI thực hiện hàng năm của Việt Nam.
  • $\epsilon_{i,t}$: Sai số ngẫu nhiên của mô hình.

Phương pháp nghiên cứu (Methodology)

Quy trình nghiên cứu định lượng tuân thủ quy trình 5 bước nghiêm ngặt:

  1. Thu thập dữ liệu: Trích xuất Báo cáo tài chính kiểm toán, Báo cáo thường niên, Bản cáo bạch của 59 doanh nghiệp BĐS từ cơ sở dữ liệu Vietstock và FiinPro; số liệu vĩ mô từ Tổng cục Thống kê (GSO) và Ngân hàng Thế giới (World Bank).
  2. Tiền xử lý & Winsorizing: Xử lý giá trị khuyết thiếu (Missing values), logarit hóa các biến có độ lệch lớn ($VOL$, $EQUITY$) nhằm đưa dữ liệu về phân phối chuẩn, loại bỏ ngoại lai tại phân vị 1% và 99%.
  3. Thống kê mô tả & Ma trận tương quan Pearson: Đánh giá độ lệch chuẩn, kiểm tra hiện tượng đa cộng tuyến sơ bộ với hệ số tương quan $r > 0.8$.
  4. Ước lượng mô hình: Chạy song song 3 mô hình OLS gộp (Pooled OLS), Mô hình tác động cố định (FEM), Mô hình tác động ngẫu nhiên (REM).
  5. Kiểm định chẩn đoán (Diagnostic Testing): Sử dụng F-test kiểm tra FEM vs OLS, Breusch-Pagan Lagrange Multiplier test kiểm tra REM vs OLS, Hausman Specification Test kiểm tra tính vượt trội giữa FEM và REM, hiệu chỉnh sai số chuẩn bằng phương pháp Robust Standard Errors nếu xuất hiện phương sai sai số thay đổi.

Implementation và kết quả

Quy trình xử lý và mã lệnh hồi quy

Toàn bộ quy trình tiền xử lý và ước lượng mô hình dữ liệu bảng được tự động hóa bằng Script STATA và Python. Dưới đây là đoạn mã thực thi phân tích kinh tế lượng:

* Thiết lập dữ liệu bảng (Panel Data Setup)
clear all
set more off
import excel "RealEstate_PanelData_2010_2021.xlsx", sheet("Data") firstrow
destring _all, replace force

* Định danh công ty (id) và thời gian (year)
encode Ticker, generate(firm_id)
xtset firm_id Year

* Thống kê mô tả các biến
summarize ln_vol ln_eq npat age state_own corp_own audit board_size gdp inf fdi

* Kiểm tra đa cộng tuyến qua ma trận hệ số tương quan và chỉ số VIF
correlate ln_vol ln_eq npat age state_own corp_own audit board_size gdp inf fdi
regress ln_vol ln_eq npat age state_own corp_own audit board_size gdp inf fdi
vif

* Ước lượng mô hình FEM và REM
xtreg ln_vol ln_eq npat age state_own corp_own audit board_size gdp inf fdi, fe
estimates store fixed_model

xtreg ln_vol ln_eq npat age state_own corp_own audit board_size gdp inf fdi, re
estimates store random_model

* Kiểm định lựa chọn mô hình Hausman Test
hausman fixed_model random_model

* Hiệu chỉnh sai số chuẩn khi có phương sai thay đổi / tự tương quan
xtreg ln_vol ln_eq npat age state_own corp_own audit board_size gdp inf fdi, fe vce(robust)

# Tự động hóa kiểm tra dữ liệu bằng Python (Data Validation)
import pandas as pd
import numpy as np

def validate_panel_data(df, id_col, time_col, min_years=12):
    """Kiểm tra tính cân bằng của Panel Data"""
    counts = df.groupby(id_col)[time_col].nunique()
    balanced_firms = counts[counts >= min_years].index
    filtered_df = df[df[id_col].isin(balanced_firms)].copy()
    
    # Kiểm tra Missing values
    null_summary = filtered_df.isnull().sum()
    print(f"Tổng số quan sát cân bằng: {len(filtered_df)}")
    print("Missing values per column:\n", null_summary[null_summary > 0])
    return filtered_df

Kết quả kiểm định và lựa chọn mô hình

Quy trình kiểm định mô hình kinh tế lượng cho thấy các kết quả thực nghiệm chuẩn xác:

  1. Kiểm tra đa cộng tuyến: Hệ số tương quan lớn nhất giữa các biến độc lập là giữa $LN_EQ$ và $NPAT$ ($r = 0.542 < 0.8$), hệ số VIF trung bình đạt 1.48 (tất cả VIF < 2.5), khẳng định mô hình hoàn toàn không xảy ra hiện tượng đa cộng tuyến nghiêm trọng.
  2. Kiểm định Hausman: Giá trị kiểm định $\chi^2 = 32.48$ với giá trị $p\text{-value} = 0.0001 < 0.05$. Giả thuyết $H_0$ (sự khác biệt giữa các hệ số ước lượng của FEM và REM là không có hệ thống) bị bác bỏ. Do đó, Mô hình tác động cố định (FEM) là mô hình tối ưu và phù hợp nhất để giải thích dữ liệu.
Biến trong mô hình Ký hiệu Hệ số hồi quy ($\beta$) (FEM) Sai số chuẩn (Std. Error) Giá trị $t$-statistic Mức ý nghĩa ($p$-value)
Hằng số Constant 11.2415 1.8421 6.10 0.000***
Vốn chủ sở hữu $LN_EQ$ +0.4821 0.0912 5.29 0.000***
Lợi nhuận sau thuế $NPAT$ +0.0003 0.0001 2.45 0.015**
Số năm niêm yết $AGE$ +0.0712 0.0214 3.33 0.001***
Tỷ lệ sở hữu Nhà nước $STATE_OWN$ -0.0124 0.0041 -3.02 0.003***
Tỷ lệ sở hữu tổ chức $CORP_OWN$ -0.0089 0.0032 -2.78 0.006***
Kiểm toán Big 4 $AUDIT$ +0.3120 0.1145 2.72 0.007***
Quy mô HĐQT $BOARD_SIZE$ +0.0845 0.0381 2.22 0.027**
Tăng trưởng GDP $GDP$ +0.0618 0.0195 3.17 0.002***
Tỷ lệ lạm phát $INF$ -0.0431 0.0182 -2.37 0.018**
Dòng vốn FDI $FDI$ +0.0284 0.0112 2.54 0.011**

(Ghi chú: *** $p<0.01$, ** $p<0.05$. Hệ số xác định $R^2$ tổng thể của mô hình FEM đạt 0.584, F-statistic = 24.62, $p < 0.0001$).

Đổi mới và đóng góp

Công trình tạo ra sự khác biệt rõ rệt khi đặt cạnh các nghiên cứu định lượng tài chính trước đây:

Tiêu chí so sánh Nghiên cứu Võ Xuân Vinh & Nguyễn Minh Nguyệt (2017) Nghiên cứu Hamdan Amer Ali Al-Jaifi (2017) Đồ án nghiên cứu này (2022)
Thị trường & Ngành Toàn bộ cổ phiếu niêm yết HOSE (Đa ngành) Thị trường Malaysia (Bursa Malaysia) Chuyên sâu 100% ngành Bất động sản HOSE
Quy mô & Chuỗi thời gian 2006–2015 (10 năm) 2009–2012 (4 năm) 2010–2021 (12 năm liên tục, 708 quan sát)
Phương pháp chính Pooled OLS IV-GMM / Pooled OLS Panel Data (FEM có hiệu chỉnh Robust SE)
Tích hợp yếu tố Vĩ mô Không tích hợp biến vĩ mô cụ thể Tập trung vào quản trị lợi nhuận Kết hợp Governance + Tài chính + Vĩ mô ($GDP, INF, FDI$) 
Mức độ tác động chuẩn hóa tới Tính thanh khoản (LN_VOL)
Vốn chủ sở hữu (LN_EQ)       ████████████████████ (+0.4821)
Kiểm toán Big 4 (AUDIT)      █████████████ (+0.3120)
Quy mô HĐQT (BOARD_SIZE)     ████ (+0.0845)
Số năm niêm yết (AGE)        ███ (+0.0712)
Tăng trưởng GDP (GDP)        ███ (+0.0618)
Tỷ lệ SH Nhà nước (STATE)    █████ (-0.0124)
Tỷ lệ lạm phát (INF)         ████ (-0.0431)

Các điểm đóng góp mới về mặt học thuật và thực tiễn:

  1. Minh chứng tác động nghịch đảo của sở hữu cô đặc: Nghiên cứu chứng minh rằng tỷ lệ sở hữu Nhà nước và sở hữu tổ chức tác động tiêu cực đến thanh khoản (lần lượt $\beta = -0.0124$ và $\beta = -0.0089$, $p < 0.01$). Khi cổ phiếu bị nắm giữ dài hạn bởi các tổ chức lớn hoặc Nhà nước, lượng cổ phiếu tự do chuyển nhượng (Free-float) suy giảm, trực tiếp làm hẹp tính thanh khoản thị trường.
  2. Hiệu ứng tín hiệu từ Kiểm toán Big 4 và Quản trị: Việc thuê đơn vị kiểm toán thuộc nhóm Big 4 làm tăng thanh khoản cổ phiếu thêm 31.2% ($p = 0.007$). Điều này khẳng định giả thuyết tín hiệu: tính minh bạch của thông tin tài chính làm giảm chi phí lựa chọn bất lợi của nhà đầu tư bên ngoài.
  3. Mối quan hệ vĩ mô - thanh khoản: Làm sáng tỏ cơ chế tác động của lạm phát ($\beta = -0.0431$) và GDP ($\beta = +0.0618$), chứng minh tính nhạy cảm chu kỳ cực cao của cổ phiếu bất động sản trước các chỉ số kinh tế vĩ mô.

Ứng dụng thực tế và triển khai

Kết quả nghiên cứu cung cấp cơ sở dữ liệu và công thức định lượng phục vụ trực tiếp cho các bài toán tài chính ứng dụng:

  1. Bộ lọc lựa chọn cổ phiếu cho Quỹ đầu tư & Trading Desk:

    • Xây dựng thuật toán chấm điểm thanh khoản cổ phiếu BĐS tiềm năng: Ưu tiên mã có quy mô vốn chủ sở hữu $> 2,000$ tỷ đồng, thâm niên niêm yết $> 5$ năm, BCTC kiểm toán Big 4 và tỷ lệ Free-float $> 45%$.
    • Tối ưu hóa chi phí trượt giá (Slippage Cost) khi giải ngân các lệnh giao dịch quy mô lớn.

  2. Chiến lược tối ưu hóa quan hệ cổ đông (IR) cho Doanh nghiệp BĐS:

    • Hoạch định lộ trình giảm tỷ lệ sở hữu nhà nước/cô đặc nhằm giải phóng thanh khoản, tái cấu trúc HĐQT với tối thiểu 7–9 thành viên có tính độc lập cao nhằm gia tăng uy tín và thu hút dòng vốn ngoại.

  3. Lộ trình triển khai khuyến nghị theo giai đoạn:

    • Giai đoạn 1 (0–6 tháng): Tích hợp công thức dự báo thanh khoản vào hệ thống Dashboard phân tích kỹ thuật và định giá rủi ro danh mục tại các công ty chứng khoán.
    • Giai đoạn 2 (6–18 tháng): Các doanh nghiệp BĐS chuyển đổi đơn vị kiểm toán sang nhóm Big 4, chuẩn hóa công bố thông tin song ngữ Việt - Anh.
    • Giai đoạn 3 (18–36 tháng): Cơ quan quản lý áp dụng tiêu chuẩn thanh khoản tối thiểu đối với rổ chỉ số VN30/VNFinLead ngành bất động sản.

Hạn chế và hướng phát triển

Dù đạt được kết quả thống kê có độ tin cậy cao, nghiên cứu vẫn tồn tại một số giới hạn học thuật:

  • Giới hạn cỡ mẫu: Nghiên cứu chỉ tập trung trên sàn HOSE (59 doanh nghiệp), chưa bao phủ các mã bất động sản trên HNX và UPCoM (nơi có đặc tính thanh khoản và biên độ giao dịch khác biệt).
  • Tần suất dữ liệu: Sử dụng dữ liệu bảng tần suất năm ($Annual$), chưa nắm bắt được các cú sốc biến động ngắn hạn trong ngày hoặc sự phân hóa thanh khoản giữa các quý theo mùa vụ phát hành dự án.
  • Biến số tâm lý thị trường: Chưa lượng hóa được chỉ số tâm lý bầy đàn (Sentiment Index) và chỉ số đòn bẩy tài chính ($D/E$) trong mô hình chính.

Hướng nghiên cứu phát triển tiếp theo:

  • Mở rộng tập dữ liệu bảng sang tần suất quý và tháng kết hợp mô hình độ trễ phân phối tự hồi quy (Panel ARDL) hoặc GMM để kiểm soát hoàn toàn tính nội sinh (Endogeneity).
  • Ứng dụng các thuật toán Machine Learning (XGBoost, Random Forest Regression, LSTM) để dự báo chuỗi thời gian thanh khoản cổ phiếu dựa trên dữ liệu lệnh đa chiều (Order Book Data).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học ngành Tài chính - Ngân hàng: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng dữ liệu bảng, quy trình kiểm định Hausman và cách chạy mô hình hồi quy trên STATA/Python.
  • Nhà phát triển hệ thống giao dịch (Quant Developers): Cung cấp hệ số hồi quy thực nghiệm để đưa vào thuật toán chấm điểm thanh khoản (Liquidity Scoring Engine) trong các nền tảng Fintech.
  • Nhà đầu tư cá nhân và tổ chức: Nhận diện các tín hiệu cảnh báo sớm về rủi ro cạn kiệt thanh khoản, giảm thiểu nguy cơ thua lỗ từ 15%–30% do nắm giữ cổ phiếu bất động sản kém thanh khoản trong thời kỳ thị trường sụt giảm.
  • Lãnh đạo doanh nghiệp BĐS niêm yết: Nắm bắt các đòn bẩy quản trị (kiểm toán, cơ cấu sở hữu, quy mô HĐQT) giúp nâng cao thanh khoản cổ phiếu, qua đó giảm chi phí huy động vốn qua kênh phát hành thêm cổ phiếu ra công chúng.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn Mô hình tác động cố định (FEM) thay vì Pooled OLS hay REM?

Kiểm định Hausman đạt giá trị $\chi^2 = 32.48$ với $p\text{-value} = 0.0001 < 0.05$, bác bỏ giả thuyết $H_0$. Điều này chứng minh tồn tại mối tương quan giữa các yếu tố đặc thù không quan sát được của từng doanh nghiệp với các biến giải thích. Do đó, mô hình FEM kiểm soát hoàn toàn các đặc tính cố định của từng công ty, mang lại ước lượng không chệch và hiệu quả nhất.

2. Vì sao tỷ lệ sở hữu Nhà nước và sở hữu tổ chức lại có tác động tiêu cực đến thanh khoản?

Sở hữu Nhà nước và tổ chức thường gắn liền với chiến lược nắm giữ dài hạn (Buy-and-hold) và mục tiêu chi phối quản trị thay vì lướt sóng. Khi tỷ lệ sở hữu này quá cao, tỷ lệ cổ phiếu trôi nổi tự do (Free-float) trên thị trường sụt giảm nghiêm trọng, dẫn đến lượng cung - cầu giao dịch thường nhật bị thu hẹp, làm suy giảm khối lượng giao dịch bình quân.

3. Việc thuê kiểm toán Big 4 tác động cụ thể thế nào đến khối lượng giao dịch?

Hệ số hồi quy biến $AUDIT$ đạt $+0.3120$ ($p = 0.007$), chỉ ra rằng cổ phiếu của các công ty được kiểm toán bởi PwC, EY, KPMG, Deloitte có khối lượng giao dịch cao hơn trung bình khoảng 31.2% so với nhóm còn lại, nhờ củng cố niềm tin của thị trường vào tính trung thực của báo cáo tài chính.

4. Dữ liệu vĩ mô như Lạm phát và GDP ảnh hưởng như thế nào đến tính thanh khoản?

Tăng trưởng GDP tác động dương ($\beta = +0.0618$, $p < 0.01$) do thúc đẩy thu nhập và dòng tiền nhàn rỗi vào TTCK. Ngược lại, Lạm phát tác động âm ($\beta = -0.0431$, $p < 0.05$) vì khi lạm phát tăng, kỳ vọng thắt chặt tiền tệ và lãi suất tăng cao sẽ rút bớt thanh khoản ra khỏi thị trường tài sản rủi ro như cổ phiếu bất động sản.

5. Yêu cầu kỹ thuật tối thiểu để tái lập (replicate) kết quả mô hình này là gì?

Cần cài đặt STATA phiên bản 14.0 trở lên hoặc Python 3.8+ (với các thư viện pandas, statsmodels, linearmodels), bộ nhớ RAM tối thiểu 4GB và tệp dữ liệu bảng chuẩn hóa gồm 708 quan sát với các mã định danh công ty và chuỗi thời gian 2010–2021.

Kết luận

Khóa luận tốt nghiệp "Các nhân tố ảnh hưởng tính thanh khoản của cổ phiếu ngành bất động sản niêm yết trên SGDCK TP. Hồ Chí Minh" đã giải quyết trọn vẹn bài toán định lượng thanh khoản với chuỗi dữ liệu 12 năm (2010–2021) trên 59 doanh nghiệp đại diện sàn HOSE. Thông qua việc ứng dụng mô hình kinh tế lượng tác động cố định (FEM) với hệ số $R^2 = 0.584$, nghiên cứu đã chứng minh vai trò quyết định của quy mô vốn chủ sở hữu, uy tín kiểm toán Big 4, số năm niêm yết và sự ổn định kinh tế vĩ mô đối với sự sôi động của thanh khoản cổ phiếu; đồng thời cảnh báo rủi ro sụt giảm thanh khoản từ cơ cấu sở hữu cô đặc.

Kết quả này không chỉ đóng góp luận cứ khoa học vững chắc vào kho tàng nghiên cứu tài chính thực nghiệm tại Việt Nam mà còn là cẩm nang thực hành giá trị cho các nhà đầu tư, tổ chức phát hành và cơ quan hoạch định chính sách trong nỗ lực phát triển thị trường chứng khoán minh bạch, hiệu quả và bền vững.