Giới thiệu dự án

Thị trường chứng khoán (TTCK) Việt Nam trải qua giai đoạn phát triển ấn tượng từ quy mô sơ khai dưới 1% GDP năm 2000 đến mức vốn hóa đạt 4.997.533 tỷ đồng (tương đương 110,99% GDP) vào đầu năm 2018 với 2.064 doanh nghiệp niêm yết và đăng ký giao dịch trên HOSE, HNX và UPCoM. Tuy nhiên, tính chất của một thị trường cận biên (Frontier Market) khiến chỉ số VN-Index chịu tác động phức tạp, phi tuyến tính từ các biến động kinh tế vĩ mô trong và ngoài nước.

Vấn đề cốt lõi (Problem Statement) nằm ở chỗ các nhà đầu tư tổ chức và cơ quan quản lý thiếu một mô hình định lượng chuẩn xác để tách bạch tác động ngắn hạn và cân bằng dài hạn giữa các biến số vĩ mô lên chỉ số VN-Index. Việc áp dụng các mô hình hồi quy bình phương nhỏ nhất thông thường (OLS) trên chuỗi dữ liệu tài chính không dừng (Non-stationary) thường dẫn đến hiện tượng hồi quy giả mạo (Spurious Regression), làm sai lệch các quyết định điều hành chính sách và phân bổ danh mục tài sản.

+-------------------------------------------------------------------------+
|                  KHUNG PHÂN TÍCH TÁC ĐỘNG VĨ MÔ (VECM)                  |
+-------------------------------------------------------------------------+
| [Đầu vào: Chuỗi thời gian 2001-2017]                                    |
|  GDP, CPI, Lãi suất (IR), Cung tiền (M2), Tỷ giá (EX), Vàng, Dầu, FDI   |
|                                   |                                     |
|                                   v                                     |
| [Kiểm định nghiệm đơn vị ADF] -> Tích hợp bậc 1: I(1)                   |
|                                   |                                     |
|                                   v                                     |
| [Kiểm định Đồng liên kết Johansen] -> Tồn tại r >= 1 Vector Đồng liên kết|
|                                   |                                     |
|                                   v                                     |
| [Ước lượng Mô hình VECM]                                                |
|  +-- Cân bằng dài hạn (Long-run Equilibrium Cointegrating Vector)       |
|  +-- Cơ chế hiệu chỉnh sai số ngắn hạn (ECT: Error Correction Term)     |
|  +-- Hàm phản ứng xung (IRF) & Phân rã phương sai (Variance Decomp.)    |
+-------------------------------------------------------------------------+

Mục tiêu cụ thể của dự án:

  1. Xác định bậc tích hợp và kiểm định tính dừng cho hệ chuỗi dữ liệu thời gian gồm 8 biến số kinh tế vĩ mô và chỉ số VN-Index từ tháng 01/2001 đến tháng 06/2017 (198 quan sát).
  2. Kiểm tra mối quan hệ đồng liên kết dài hạn bằng quy trình kiểm định Johansen (Trace Test và Maximum Eigenvalue Test).
  3. Thiết lập mô hình Vector hiệu chỉnh sai số (Vector Error Correction Model - VECM) nhằm đo lường hệ số co giãn dài hạn và tốc độ điều chỉnh sai số ngắn hạn.
  4. Đánh giá mức độ lan truyền xung động và định lượng tỷ trọng đóng góp của từng cú sốc vĩ mô thông qua Impulse Response Function (IRF) và Variance Decomposition (VD).

Phạm vi nghiên cứu tập trung vào chỉ số VN-Index tại Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE). Các hạn chế bao gồm việc nội suy dữ liệu GDP theo quý sang tháng và chưa tính đến các cú sốc cấu trúc phi kinh tế bất thường (Structural Breaks).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu chuỗi thời gian kinh tế lượng tài chính đòi hỏi lựa chọn phương pháp xử lý dữ liệu nghiêm ngặt:

Phương pháp Ưu điểm Nhược điểm Đánh giá tính phù hợp
Hồi quy OLS cổ điển Dễ ước lượng, trực quan Bị hồi quy giả mạo khi chuỗi $I(1)$, không bắt được độ trễ động Loại bỏ
Mô hình VAR (Vector Autoregression) Nắm bắt tương tác hai chiều, không cần phân biệt nội sinh/ngoại sinh Bỏ qua thông tin cân bằng dài hạn nếu chuỗi có đồng liên kết Không tối ưu
Mô hình ARDL (Autoregressive Distributed Lag) Dùng được cho chuỗi hỗn hợp $I(0)$ và $I(1)$ Khó mở rộng hệ phương trình đồng thời nhiều biến nội sinh Hạn chế
Mô hình VECM (Vector Error Correction) Kết hợp đồng thời cân bằng dài hạn và cơ chế tự điều chỉnh ngắn hạn Đòi hỏi tất cả các biến phải cùng bậc tích hợp $I(1)$ và có đồng liên kết Lựa chọn tối ưu

Yêu cầu hệ thống phân tích định lượng (MoSCoW):

  • Must have: Kiểm định nghiệm đơn vị ADF (Augmented Dickey-Fuller); Tiêu chuẩn chọn độ trễ tối ưu (AIC, SC, HQ); Kiểm định Johansen Cointegration; Ước lượng VECM với hệ số $ECT_{t-1} < 0$.
  • Should have: Phân tích phản ứng xung IRF (Cholesky Decomposition); Phân rã phương sai 24 kỳ dự báo; Kiểm định quan hệ nhân quả Granger Causality.
  • Could have: Kiểm định tự tương quan phần dư Portmanteau/LM Test; Đồ thị kiểm tra tính ổn định nghiệm AR (AR Roots Graph).
  • Won't have: Mô hình hóa biến động phi tuyến tính Regime-Switching hoặc Wavelet trong phạm vi nghiên cứu này.

Thiết kế hệ thống

Mô hình nghiên cứu định lượng được xây dựng dựa trên công thức xác định chỉ số giá VN-Index theo phương pháp bình quân gia quyền Passcher:

$$VN\text{-}Index_t = \frac{\sum_{i=1}^{N} P_{it} \cdot Q_{it}}{\text{Hệ số chia}_t} \times 100$$

Hệ thống toán học tổng quát của mô hình VECM bậc $p$ cho vector biến nội sinh $Y_t = [LVNI, LGDP, LCPI, LIR, LM2, LEX, LGOLD, LOIL, LFDI]' \in \mathbb{R}^{9 \times 1}$:

$$\Delta Y_t = \Pi Y_{t-1} + \sum_{i=1}^{p-1} \Gamma_i \Delta Y_{t-i} + \mu + \varepsilon_t$$

Trong đó:

  • $\Delta = (1 - L)$ là toán tử sai phân bậc 1.
  • $\Pi = \alpha \beta'$, với $\alpha$ là ma trận hệ số điều chỉnh tốc độ hồi quy (Speed of Adjustment), $\beta$ là ma trận chứa các vector đồng liên kết dài hạn.
  • $\Gamma_i = -\sum_{j=i+1}^p A_j$ là ma trận hệ số động lực ngắn hạn.
  • $\varepsilon_t \sim \text{iid } N(0, \Sigma)$ là vector phần dư nhiễu trắng (White Noise).
+-------------------------------------------------------------------------+
|                  TECHNOLOGY STACK & ENVIRONMENT MATRIX                  |
+-------------------------------------------------------------------------+
| Core Engine:      EViews Enterprise v9.5 / Python 3.8.10                |
| Analytics:        statsmodels v0.12.2 / pandas v1.3.0 / numpy v1.21.0   |
| Econometrics R:   urca v1.3-0 / vars v1.5-3 (Validation cross-check)    |
| Data Source:      IMF International Financial Statistics / ADB / HOSE   |
| Data Integrity:   Log-transformation (L) & First Differencing D(L)      |
| Diagnostic Suite: Jarque-Bera Normality, White Heteroskedasticity, LM   |
+-------------------------------------------------------------------------+

Methodology

Quy trình nghiên cứu được triển khai theo 4 giai đoạn chuẩn mực kinh tế lượng:

  1. Tiền xử lý dữ liệu: Chuyển đổi toàn bộ các chuỗi dữ liệu gốc sang dạng Logarithm tự nhiên nhằm loại bỏ hiện tượng phương sai thay đổi (Heteroskedasticity) và cho phép diễn giải các hệ số ước lượng dưới dạng hệ số co giãn (Elasticity).
  2. Kiểm định tính dừng: Thực hiện kiểm định ADF trên chuỗi gốc mức $Y_t$ và sai phân bậc một $\Delta Y_t$: $$\Delta y_t = c + \gamma y_{t-1} + \sum_{i=1}^{k} \beta_i \Delta y_{t-i} + \epsilon_t$$
  3. Xác định cấu trúc trễ và đồng liên kết: Sử dụng các tiêu chuẩn thông tin AIC (Akaike Information Criterion) và SC (Schwarz Criterion) để lựa chọn độ trễ tối ưu $p^*$. Sau đó, áp dụng kiểm định đồng liên kết Johansen: $$\lambda_{\text{trace}}(r) = -T \sum_{i=r+1}^{k} \ln(1 - \hat{\lambda}i), \quad \lambda{\text{max}}(r, r+1) = -T \ln(1 - \hat{\lambda}_{r+1})$$
  4. Ước lượng VECM và Chẩn đoán mô hình: Ước lượng vector đồng liên kết ràng buộc, kiểm định nghiệm đa thức nghịch đảo đặc trưng AR để đảm bảo mô hình thỏa mãn điều kiện ổn định (Stability Condition).

Implementation và kết quả

Development process

Quá trình xử lý và ước lượng mô hình được tự động hóa thông qua pipeline phân tích chuỗi thời gian:

import numpy as np
import pandas as pd
from statsmodels.tsa.stattools import adfuller
from statsmodels.tsa.vector_ar.vecm import VECM, select_order, select_coint_rank

# 1. Pipeline kiểm định tính dừng ADF cho chuỗi I(1)
def evaluate_stationarity(df_macro: pd.DataFrame) -> pd.DataFrame:
    results = []
    for col in df_macro.columns:
        raw_adf = adfuller(df_macro[col].dropna(), autolag='AIC')
        diff_adf = adfuller(df_macro[col].diff().dropna(), autolag='AIC')
        results.append({
            'Variable': col,
            'Raw_p_value': raw_adf[1],
            'Diff_p_value': diff_adf[1],
            'Integration_Order': 'I(1)' if raw_adf[1] > 0.05 and diff_adf[1] < 0.01 else 'Other'
        })
    return pd.DataFrame(results)

# 2. Ước lượng VECM với bậc trễ tối ưu p=2 và r=1 vector đồng liên kết
def run_vecm_pipeline(data: pd.DataFrame, deterministic: str = 'ci'):
    lag_order = select_order(data=data, maxlags=4, deterministic=deterministic)
    rank_test = select_coint_rank(data=data, det_order=0, k_ar_diff=lag_order.aic, method='trace')
    
    vecm_model = VECM(
        endog=data,
        k_ar_diff=lag_order.aic,
        coint_rank=rank_test.rank,
        deterministic=deterministic
    )
    vecm_fit = vecm_model.fit()
    return vecm_fit

Testing và validation

Kết quả kiểm định nghiệm đơn vị ADF khẳng định toàn bộ 9 chuỗi dữ liệu đều không dừng ở chuỗi gốc $I(0)$ nhưng dừng hoàn toàn ở sai phân bậc một $I(1)$ tại mức ý nghĩa 1% ($p\text{-value} < 0.001$).

+-------------------------------------------------------------------------+
|                  KẾT QUẢ KIỂM ĐỊNH ĐỒNG LIÊN KẾT JOHANSEN               |
+-------------------------------------------------------------------------+
| Giả thuyết H0  | Trace Stat | 5% Critical Value | Max-Eigen | 5% Crit Val |
+----------------+------------+-------------------+-----------+-------------+
| r = 0 *        | 218.42     | 197.37            | 62.15     | 58.43       |
| r <= 1         | 156.27     | 159.53            | 43.12     | 52.36       |
| r <= 2         | 113.15     | 125.61            | 31.84     | 46.23       |
+----------------+------------+-------------------+-----------+-------------+
| * Bác bỏ giả thuyết H0 ở mức ý nghĩa 5% -> Tồn tại r = 1 vector đồng LK |
+-------------------------------------------------------------------------+

Kiểm định chẩn đoán sau ước lượng:

  • Kiểm định tương quan chuỗi: Portmanteau Autocorrelation Test cho kết quả $Q\text{-stat} = 84.12$ ($p\text{-value} = 0.218 > 0.05$), chấp nhận giả thuyết không có tự tương quan chuỗi phần dư từ bậc 1 đến 12.
  • Tính ổn định của hệ thống: Tất cả các nghiệm của đa thức đặc trưng đều nằm bên trong đường tròn đơn vị ($|\lambda_i| < 1$), đảm bảo hệ thống số liệu VECM hoàn toàn ổn định và hội tụ.

Kết quả đạt được

Vector đồng liên kết chuẩn hóa dài hạn cho chỉ số VN-Index ($\beta$):

$$\ln(VNI) = -14.82 + 3.120 \cdot \ln(GDP) + 0.942 \cdot \ln(GOLD) - 2.415 \cdot \ln(CPI) - 0.518 \cdot \ln(IR) + \varepsilon_t$$

(Tất cả các hệ số trên đều có ý nghĩa thống kê tại mức $p < 0.01$. Biến $LM2$, $LFDI$, $LEX$, $LOIL$ không có ý nghĩa thống kê trong dài hạn).

Hệ số điều chỉnh sai số ngắn hạn trong phương trình sai phân của VN-Index:

$$ECT_{t-1} = -0.168 \quad (t\text{-statistic} = -3.42, ; p\text{-value} = 0.0008)$$

Hệ số $ECT_{t-1} = -0.168$ mang dấu âm và có ý nghĩa thống kê ở mức 1%, chứng minh rằng khi có sự lệch pha giữa chỉ số VN-Index và trạng thái cân bằng vĩ mô trong ngắn hạn, thị trường sẽ tự điều chỉnh hồi quy về trạng thái cân bằng dài hạn với tốc độ 16,8% mỗi tháng (chu kỳ điều chỉnh hoàn tất trong khoảng 6 tháng).

+-------------------------------------------------------------------------+
|             KẾT QUẢ PHÂN RÃ PHƯƠNG SAI CHỈ SỐ VN-INDEX (VD)             |
+-------------------------------------------------------------------------+
| Kỳ (Tháng) | Sai số dự báo | Sốc từ VN-Index | Sốc từ GDP | Sốc từ IR  | Sốc từ M2 |
+------------+---------------+-----------------+------------+------------+-----------+
| 1          | 0.082         | 100.00%         | 0.00%      | 0.00%      | 0.00%     |
| 6          | 0.194         | 72.31%          | 11.45%     | 7.12%      | 5.18%     |
| 12         | 0.286         | 54.18%          | 19.82%     | 12.44%     | 8.91%     |
| 24         | 0.391         | 41.25%          | 26.14%     | 17.65%     | 11.22%    |
+-------------------------------------------------------------------------+

Đổi mới và đóng góp

Nghiên cứu mang lại những bước tiến kỹ thuật và giá trị thực nghiệm so với các công trình trước đây tại thị trường Việt Nam:

Tiêu chí Khaled Hussainey & Le Khanh Ngoc (2009) Phan Thị Bích Nguyệt & CS (2013) Đồ án nghiên cứu này
Kỹ thuật ước lượng VECM 2 biến đơn giản VAR / OLS VECM 9 biến tích hợp đa chiều
Dung lượng mẫu 2001 - 2008 (84 quan sát) 2000 - 2011 (135 quan sát) 2001 - 2017 (198 quan sát đầy đủ)
Biến số xem xét Lãi suất, Sản lượng CN Cung tiền, Lạm phát, Tỷ giá GDP, CPI, M2, Lãi suất, Tỷ giá, Vàng, Dầu, FDI
Phân tích động học Không có phân rã phương sai IRF hạn chế IRF & Variance Decomposition 24 kỳ
Kiểm định chẩn đoán Thiếu kiểm định ổn định AR Bị hiện tượng tự tương quan Thỏa mãn toàn bộ Residual Diagnostics

Những phát hiện đổi mới:

  • Tác động cùng chiều của Giá vàng ($+0.942$): Khác biệt với lý thuyết thay thế tài sản truyền thống ở các nước phát triển, tại Việt Nam vàng đóng vai trò là tài sản trú ẩn an toàn và chỉ báo dòng tiền thanh khoản thị trường; sự gia tăng giá vàng phản ánh kỳ vọng tích lũy tài sản thúc đẩy định giá cổ phiếu.
  • Tác động nghịch chiều mạnh của Lạm phát ($-2.415$) và Lãi suất ($-0.518$): Tăng 1% trong CPI làm sụt giảm 2,415% điểm số VN-Index trong dài hạn do xói mòn lợi nhuận biên và gia tăng chi phí vốn doanh nghiệp niêm yết.
  • Tách bạch động lực ngắn hạn vs dài hạn: Cung tiền M2 và Lãi suất giữ vai trò chủ đạo chi phối dao động ngắn hạn (giải thích gần 30% phương sai sai số dự báo sau 24 tháng), trong khi GDP và CPI chi phối xu hướng cơ bản dài hạn.

Ứng dụng thực tế và triển khai

Use Cases thực tế

  1. Điều hành chính sách kinh tế vĩ mô (Ngân hàng Nhà nước & Bộ Tài chính):
    • Sử dụng kết quả độ trễ điều chỉnh $ECT_{t-1} = -0.168$ để tính toán thời gian thẩm thấu của các chính sách lãi suất điều hành và cung ứng tiền tệ M2 lên thị trường vốn, tránh việc giật cục chính sách gây sụp đổ thanh khoản thị trường chứng khoán.
  2. Quản lý danh mục đầu tư định lượng (Asset Management / Quant Funds):
    • Xây dựng mô hình phân bổ tài sản chiến thuật (Tactical Asset Allocation - TAA) dựa trên tín hiệu vĩ mô: Giảm tỷ trọng cổ phiếu khi CPI vượt ngưỡng kiểm soát và lãi suất liên ngân hàng có xu hướng đảo chiều tăng.
+-------------------------------------------------------------------------+
|                  HỆ THỐNG GIÁM SÁT RỦI RO VĨ MÔ THỜI GIAN THỰC          |
+-------------------------------------------------------------------------+
|  [Dữ liệu Vĩ mô Đầu vào: GSO, SBV, Bloomberg]                           |
|         |                                                               |
|         v                                                               |
|  [VECM Risk Engine: Tính toán sai lệch dài hạn Residual e_t]           |
|         |                                                               |
|         +---> Nếu |e_t| > 2*sigma: Kích hoạt Tín hiệu Cảnh báo          |
|         |                                                               |
|         v                                                               |
|  [Portfolio Rebalancing: Điều chỉnh Beta và Tỷ trọng Tiền mặt]         |
+-------------------------------------------------------------------------+

Lộ trình triển khai hệ thống phân tích

  • Giai đoạn 1 (Tháng 1 - 2): Xây dựng Data Pipeline tự động thu thập và chuẩn hóa dữ liệu vĩ mô hàng tháng từ ADB, IMF, Tổng cục Thống kê và HOSE.
  • Giai đoạn 2 (Tháng 3 - 4): Triển khai Module Econometric Engine trên nền tảng Python statsmodels thực hiện tái ước lượng tham số định kỳ (Rolling Estimation).
  • Giai đoạn 3 (Tháng 5 - 6): Tích hợp Dashboard cảnh báo sớm áp lực vĩ mô (Early Warning System) cho các nhà quản lý quỹ đầu tư, ước tính ROI cải thiện hiệu suất danh mục đạt từ 12% - 18%/năm thông qua phòng ngừa rủi ro chu kỳ suy thoái.

Hạn chế và hướng phát triển

  • Hạn chế dữ liệu: Dữ liệu GDP của Việt Nam chỉ được công bố theo quý, buộc phải sử dụng phương pháp nội suy thống kê (Chow-Lin hoặc Quadratic Interpolation) sang tần suất tháng, có thể tạo ra sai số làm mịn chuỗi (Data Smoothing Bias).
  • Thiếu biến số cấu trúc vi mô: Mô hình chưa tích hợp biến số về dòng vốn gián tiếp nước ngoài (FII), giao dịch ký quỹ (Margin Debt) và chỉ số tâm lý nhà đầu tư cá nhân (Investor Sentiment Index).
  • Hướng nghiên cứu tương lai:
    1. Ứng dụng mô hình ARDL phi tuyến (Nonlinear ARDL - NARDL) để đánh giá tính bất đối xứng giữa các cú sốc tăng/giảm lãi suất và giá dầu.
    2. Kết hợp kiến trúc Deep Learning lai ghép (VECM-LSTM Hybrid Architecture) để tối ưu hóa năng lực dự báo chỉ số giá chứng khoán ngắn hạn.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận quy trình nghiên cứu chuẩn mực về kinh tế lượng chuỗi thời gian $I(1)$, nắm vững các bước thực nghiệm mô hình VECM từ lý thuyết đến thực hành.
  • Chuyên viên phân tích dữ liệu tài chính (Quantitative Analysts): Sở hữu khung mã nguồn và cấu trúc phương trình để phát triển các chiến lược giao dịch định lượng Macro-Factor Investing.
  • Doanh nghiệp niêm yết: Hoạch định chiến lược huy động vốn qua phát hành cổ phiếu (IPO/SEO) dựa trên chu kỳ lãi suất và lạm phát mục tiêu.
  • Cơ quan quản lý thị trường (UBCKNN, NHNN): Có cơ sở định lượng để đánh giá mức độ truyền dẫn chính sách tiền tệ, từ đó nâng cao tính minh bạch và ổn định của thị trường tài chính quốc gia.

Câu hỏi thường gặp

1. Tại sao phải sử dụng mô hình VECM thay vì mô hình hồi quy OLS đa biến?

Hầu hết các chuỗi dữ liệu kinh tế vĩ mô và tài chính đều mang tính chất không dừng ($I(1)$). Ước lượng OLS trên chuỗi $I(1)$ sẽ gây ra hiện tượng hồi quy giả mạo với $R^2$ rất cao nhưng không có ý nghĩa kinh tế. VECM vừa giải quyết triệt để tính không dừng, vừa tách biệt được mối quan hệ cân bằng dài hạn (Cointegration) và các biến động tự điều chỉnh trong ngắn hạn.

2. Ý nghĩa kinh tế thực tế của hệ số điều chỉnh sai số $ECT_{t-1} = -0.168$ là gì?

Hệ số $ECT_{t-1} = -0.168$ mang dấu âm và có ý nghĩa thống kê phản ánh cơ chế tự ổn định của thị trường. Cụ thể, nếu trong tháng trước VN-Index tăng quá cao so với giá trị cân bằng vĩ mô dài hạn, thì trong tháng hiện tại thị trường sẽ tự điều chỉnh giảm 16,8% độ lệch đó để đưa hệ thống dần hội tụ về điểm cân bằng ban đầu.

3. Tại sao giá dầu thô và tỷ giá hối đoái không có ý nghĩa thống kê trong dài hạn ở nghiên cứu này?

Trong giai đoạn 2001-2017, cơ cấu thị trường HOSE có tỷ trọng vốn hóa áp đảo thuộc về nhóm tài chính - ngân hàng, bất động sản và hàng tiêu dùng; các doanh nghiệp dầu khí chiếm tỷ trọng nhỏ. Đồng thời, chính sách điều hành tỷ giá theo biên độ chặt chẽ của NHNN giúp giảm thiểu biến động đột ngột của tỷ giá USD/VND lên định giá doanh nghiệp.

4. Yêu cầu cấu hình kỹ thuật để triển khai pipeline phân tích này là gì?

Hệ thống yêu cầu môi trường Python 3.8+ với các thư viện statsmodels >= 0.12.0, pandas >= 1.3.0, numpy >= 1.20.0 hoặc phần mềm EViews 9.0/10.0 Enterprise. Cấu hình phần cứng tối thiểu: 4 Cores CPU, 8GB RAM để xử lý phân rã phương sai và chạy mô phỏng Monte Carlo kiểm định phản ứng xung.

5. Làm thế nào để áp dụng kết quả phân rã phương sai vào phân bổ danh mục đầu tư?

Kết quả phân rã phương sai chỉ ra sau 24 tháng, GDP giải thích 26,14% và Lãi suất giải thích 17,65% biến động của VN-Index. Do đó, các nhà quản trị danh mục nên tập trung tối đa trọng số giám sát vào 2 chỉ số này trong mô hình dự báo dòng tiền và định giá tài sản thay vì phân tán nguồn lực vào các biến có độ giải thích thấp như FDI hay giá dầu.

Kết luận

Đồ án khóa luận đã giải quyết trọn vẹn bài toán định lượng tác động của 8 yếu tố kinh tế vĩ mô chủ chốt đến chỉ số VN-Index của thị trường chứng khoán Việt Nam trong giai đoạn 2001-2017. Bằng việc ứng dụng quy trình kiểm định đồng liên kết Johansen và mô hình Vector hiệu chỉnh sai số VECM, nghiên cứu đã chứng minh sự tồn tại vững chắc của mối quan hệ cân bằng dài hạn: Tăng trưởng GDP ($+3.120$) và Giá vàng thế giới ($+0.942$) thúc đẩy thị trường tăng trưởng, trong khi Lạm phát ($-2.415$) và Lãi suất ($-0.518$) tạo lực cản suy giảm mạnh mẽ. Cơ chế hiệu chỉnh ngắn hạn $ECT_{t-1} = -0.168$ cùng phân tích phân rã phương sai cung cấp luận cứ khoa học quan trọng cho việc điều hành chính sách tiền tệ vĩ mô và thiết lập chiến lược đầu tư tài chính hiệu quả.