Tác Động Của COVID-19 Đến Lợi Tức Chứng Khoán Tại Sàn HOSE: Phân Tích Hành Vi Tìm Kiếm Thông Tin Qua Google Trends

Tóm tắt nghiên cứu (Research Summary)

  • Câu hỏi nghiên cứu chính (Research Question): Hành vi chủ động tìm kiếm thông tin về dịch bệnh COVID-19 (thông qua dữ liệu Google Trends) và diễn biến số ca nhiễm thực tế tác động như thế nào đến tỷ suất sinh lời (lợi tức) của các cổ phiếu niêm yết trên Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE) qua các giai đoạn dịch bệnh?
  • Tổng quan phương pháp luận (Methodology Snapshot): Đề tài sử dụng phương pháp nghiên cứu định lượng trên bộ dữ liệu chuỗi thời gian bao gồm 502 ngày giao dịch (từ 02/01/2020 đến 31/12/2021). Nhóm tác giả thực hiện so sánh giữa ba mô hình: Hồi quy gộp (Pooled OLS), Mô hình tác động ngẫu nhiên (REM) và Mô hình tác động cố định (FEM), kết hợp kiểm định Hausman, kiểm định Wooldridge (tự tương quan) và kiểm định Wald (phương sai sai số thay đổi) để lựa chọn mô hình tối ưu nhất.
  • Phát hiện cốt lõi (Key Findings):
    • Mô hình tác động cố định (FEM) là mô hình phù hợp nhất ($p < 0.0000$).
    • Nhìn chung trên toàn bộ giai đoạn 2020–2021, biến mức độ tìm kiếm thông tin COVID-19 trễ 1 ngày ($\text{search}{t-1}$) và số ca nhiễm mới ($\text{totalcase}{t-1}$) có tác động nghịch chiều đến lợi tức chứng khoán.
    • Tác động của hành vi tìm kiếm có sự phân hóa rõ rệt và phi tuyến tính theo từng làn sóng dịch: tác động cùng chiều (+) trong đợt 1 và đợt 4; tác động ngược chiều (-) trong đợt 2; và không có ý nghĩa thống kê trong đợt 3.
  • Hàm ý nghiên cứu (Implications): Dữ liệu lớn (Big Data) từ Google Trends là một chỉ báo hành vi hữu hiệu phản ánh tâm lý nhà đầu tư cá nhân (F0), hỗ trợ xây dựng các công cụ định lượng dự báo biến động thị trường trong các cuộc khủng hoảng y tế - tài chính.

Bối cảnh và tầm quan trọng (Context & Significance)

Thực trạng tri thức hiện hữu (Current State of Knowledge)

Thị trường chứng khoán là hàn thử biểu nhạy cảm của nền kinh tế. Khi đại dịch COVID-19 bùng nổ trên phạm vi toàn cầu từ đầu năm 2020, chuỗi cung ứng bị đứt gãy, các biện pháp giãn cách xã hội nghiêm ngặt đã làm đình trệ hoạt động sản xuất kinh doanh. Hàng loạt công trình quốc tế (như Barhini & Filfilan, 2020; Buszko et al., 2020) và tại Việt Nam (Đào Lê Trang Anh, 2020; Đào Văn Hùng et al., 2020; Lại Cao Mai Phương, 2020) đã tập trung kiểm chứng tác động của các biến số vĩ mô thụ động (số ca tử vong, số ca nhiễm mới, biến động giá dầu, chỉ số VIX, CPI, tăng trưởng GDP) lên tỷ suất sinh lời của các nhóm ngành.

Khoảng trống nghiên cứu (Research Gap Identified)

Phần lớn các nghiên cứu trước đây chỉ tiếp cận thông tin y tế dưới góc độ thụ động (số liệu công bố từ các cơ quan y tế). Tuy nhiên, trên thị trường tài chính hiện đại—đặc biệt là thị trường cận biên như Việt Nam với hơn 80-90% thanh khoản đến từ nhà đầu tư cá nhân—tâm lý bầy đàn và hành vi tìm kiếm thông tin chủ động đóng vai trò chi phối quyết định giải ngân. Chưa có nhiều nghiên cứu định lượng sử dụng dữ liệu tìm kiếm Google Trends theo thời gian thực để đo lường mức độ quan tâm và trạng thái lo ngại/kỳ vọng của nhà đầu tư tác động trực tiếp đến lợi tức sàn HOSE trong suốt 4 làn sóng dịch (2020–2021).

Tính thời sự và mức độ liên quan (Timeliness & Relevance)

Giai đoạn 2020–2021 chứng kiến nghịch lý trên thị trường chứng khoán Việt Nam: bất chấp bức tranh kinh tế vĩ mô ảm đạm (GDP quý 3/2021 tăng trưởng âm 6,17%), số lượng tài khoản chứng khoán mở mới lại lập đỉnh lịch sử (hơn 1,5 triệu tài khoản trong năm 2021 theo VSD), chỉ số VN-Index vượt ngưỡng lịch sử 1.500 điểm. Việc giải mã hiện tượng này dưới lăng kính tài chính hành vi và dữ liệu tìm kiếm trực tuyến mang tính thời sự cấp thiết.

Tác động tiềm năng (Potential Impact)

Nghiên cứu mang lại cơ sở thực nghiệm vững chắc để các nhà hoạch định chính sách tại Ủy ban Chứng khoán Nhà nước (UBCKNN), Sở Giao dịch Chứng khoán TP.HCM (HOSE) và các định chế tài chính nắm bắt cơ chế lan truyền tâm lý, từ đó tối ưu hóa công tác quản trị rủi ro hệ thống và minh bạch hóa dòng thông tin thị trường.

Phương pháp nghiên cứu và tiếp cận (Methodology & Approach)

Thiết kế nghiên cứu (Research Design)

Nghiên cứu áp dụng phương pháp nghiên cứu định lượng hồi quy chuỗi thời gian kết hợp dữ liệu mảng (Panel/Time-series Data). Mục tiêu là lượng hóa tác động biên của mức độ tìm kiếm thông tin và các chỉ số tài chính lên tỷ suất sinh lời bình quân của rổ cổ phiếu niêm yết trên sàn HOSE.

Thu thập và đo lường biến số (Data Collection & Variables)

Dữ liệu được thu thập xuyên suốt 502 phiên giao dịch từ ngày 02/01/2020 đến 31/12/2021:

  • Biến phụ thuộc ($\text{stockreturn}_t$): Tỷ suất sinh lời bình quân toàn thị trường ngày $t$, đo lường bằng logarit tự nhiên của tỷ số giá đóng cửa: $$\text{stockreturn}t = \ln\left(\frac{P_t}{P{t-1}}\right)$$
  • Biến độc lập cốt lõi:
    • $\text{search}_{t-1}$: Chỉ số mức độ quan tâm từ khóa "covid" tại Việt Nam trích xuất từ Google Trends (chuẩn hóa trên thang đo 0–100), lấy độ trễ 1 phiên giao dịch.
    • $\text{totalcase}_{t-1}$: Logarit/Tổng số ca nhiễm COVID-19 tích lũy được Bộ Y tế công bố tại ngày $t-1$.
  • Biến kiểm soát tài chính vĩ mô:
    • $\text{lnmarketcap}_t$: Logarit tự nhiên tổng giá trị vốn hóa thị trường HOSE tại ngày $t$.
    • $\text{pb}_{t-1}$: Tỷ số giá trên giá trị sổ sách (Price-to-Book Ratio) bình quân sàn HOSE trễ 1 ngày.
    • $\text{lnvolume}_{t-1}$: Logarit tự nhiên khối lượng giao dịch toàn sàn HOSE trễ 1 ngày.
  • Biến giả phân kỳ 5 giai đoạn dịch bệnh ($\text{D_period}$):
    • $D_{\text{before}}$ (Trước giãn cách): 01/01/2020 – 31/03/2020 (58 quan sát).
    • $D_{\text{first}}$ (Đợt 1 - Giãn cách toàn quốc lần đầu): 01/04/2020 – 22/07/2020 (78 quan sát).
    • $D_{\text{second}}$ (Đợt 2 - Làn sóng Đà Nẵng): 23/07/2020 – 27/01/2021 (133 quan sát).
    • $D_{\text{third}}$ (Đợt 3 - Làn sóng Hải Dương): 28/01/2021 – 26/04/2021 (57 quan sát).
    • $D_{\text{fourth}}$ (Đợt 4 - Biến chủng Delta/Omicron bùng phát diện rộng): 27/04/2021 – 31/12/2021 (175 quan sát).

Phương trình hồi quy tổng quát (Empirical Model)

$$\text{stockreturn}t = \alpha_1 + \alpha_2 \text{totalcase}{t-1} + \alpha_3 \text{search}{t-1} + \alpha_4 \text{lnmarketcap}t + \alpha_5 \text{pb}{t-1} + \alpha_6 \text{lnvolume}{t-1} + \alpha_7 D_{\text{period}} + \varepsilon_t$$

Tính hợp lệ và độ tin cậy của mô hình (Validity & Reliability)

  • Lựa chọn mô hình: Kiểm định Hausman cho giá trị $p = 0.0000 < 0.05$, bác bỏ giả thuyết $H_0$, xác nhận mô hình Tác động cố định (FEM) vượt trội hoàn toàn so với Mô hình tác động ngẫu nhiên (REM) và Pooled OLS.
  • Kiểm định khuyết tật:
    • Kiểm định Wooldridge về tự tương quan cho $Prob > F = 0.1248 > 0.05$, chấp nhận giả thuyết không có tự tương quan bậc một.
    • Kiểm định Wald về phương sai sai số thay đổi cho $p\text{-value} = 0.0557 > 0.05$, đảm bảo phương sai đồng nhất.

Phát hiện chính của nghiên cứu (Key Findings)

Dựa trên kết quả hồi quy mô hình FEM tổng thể (501 quan sát hữu dụng, thống kê $F = 65.85, p < 0.0001$) và các mô hình thành phần theo từng giai đoạn, nghiên cứu ghi nhận 4 phát hiện lớn mang tính đột phá:

Biến số / Tham số Mô hình Tổng thể (2020-2021) Đợt 1 ($D_{\text{first}}$) Đợt 2 ($D_{\text{second}}$) Đợt 3 ($D_{\text{third}}$) Đợt 4 ($D_{\text{fourth}}$)
Số quan sát ($N$) 501 78 133 57 175
Hệ số xác định ($R^2$) 17.13% 94.73% 44.71% 46.17% 4.61%
Tìm kiếm Google ($\text{search}_{t-1}$) Âm (-) ($p<0.05$) Dương (+) ($p<0.01$) Âm (-) ($p<0.01$) Không có ý nghĩa Dương (+) ($p<0.05$)
Số ca nhiễm ($\text{totalcase}_{t-1}$) Âm (-) ($p<0.01$) Âm (-) ($p<0.05$) Âm (-) ($p<0.01$) Không có ý nghĩa Âm (-) ($p<0.01$)
Vốn hóa ($\text{lnmarketcap}_t$) Dương (+) Dương (+) Dương (+) Dương (+) Dương (+)
Định giá ($\text{pb}_{t-1}$) Âm (-) Âm (-) Âm (-) Âm (-) Âm (-)
Thanh khoản ($\text{lnvolume}_{t-1}$) Âm (-) Không có ý nghĩa Âm (-) Không có ý nghĩa Âm (-)

1. Mối quan hệ giữa Mức độ tìm kiếm thông tin và Lợi tức có tính chất đảo chiều động (Dynamic Reversal)

  • Trong mô hình tổng thể, khi chỉ số tìm kiếm thông tin COVID-19 trễ một ngày tăng lên 1%, lợi tức thị trường có xu hướng giảm nhẹ. Điều này thể hiện phản ứng e ngại rủi ro chung của dòng vốn khi mối quan tâm về dịch bệnh dâng cao.
  • Tuy nhiên, theo từng phân kỳ, tác động này phân hóa sâu sắc:
    • Đợt 1: Chỉ số tìm kiếm tăng kéo theo lợi tức tăng. Khi dịch mới bắt đầu, các ca bệnh ban đầu được khoanh vùng và cách ly thần tốc; việc tìm kiếm thông tin đi liền với niềm tin vào năng lực dập dịch của Chính phủ và kỳ vọng gói kích thích kinh tế.
    • Đợt 2: Chỉ số tìm kiếm tăng làm lợi tức giảm mạnh. Ca tử vong đầu tiên xuất hiện cùng tâm lý hoảng loạn và tin đồn thất thiệt trên mạng xã hội khiến nhà đầu tư tháo chạy khỏi thị trường.
    • Đợt 4: Biến $\text{search}_{t-1}$ quay trở lại mang dấu dương (+). Ở giai đoạn này, nhà đầu tư đã thích ứng với trạng thái "bình thường mới". Việc tìm kiếm thông tin chuyển dịch sang việc theo dõi tiến độ tiêm chủng vaccine và kế hoạch mở cửa kinh tế trở lại, kích thích dòng tiền F0 đổ mạnh vào bắt đáy cổ phiếu.

2. Số ca nhiễm mới xác nhận luôn tạo áp lực tiêu cực lên thị trường

Hệ số của biến $\text{totalcase}_{t-1}$ mang dấu âm có ý nghĩa thống kê cao ở hầu hết các đợt bùng phát dịch. Mức độ tác động tiêu cực đạt đỉnh điểm trong đợt dịch thứ 4 (hệ số tác động âm lớn nhất), tương ứng với thời điểm biến thể Delta lây lan trên 63 tỉnh thành, các trung tâm kinh tế đầu tàu như TP.HCM và Hà Nội phải thực hiện giãn cách nghiêm ngặt theo Chỉ thị 16.

3. Vốn hóa thị trường đóng vai trò bệ đỡ nâng đỡ định giá

Biến $\text{lnmarketcap}_t$ duy trì tác động dương nhất quán và có ý nghĩa thống kê ở mức 1% xuyên suốt tất cả các mô hình ($R^2$ của đợt 1 lên tới 94.73%). Điều này khẳng định các doanh nghiệp có quy mô vốn hóa lớn, tiềm lực tài chính vững mạnh và năng lực thanh khoản cao đóng vai trò là "hầm trú ẩn" an toàn cho dòng vốn đầu tư trong thời kỳ khủng hoảng.

4. Tác động của chỉ số P/B và Khối lượng giao dịch

Tỷ số giá trên sổ sách ($\text{pb}{t-1}$) tác động tiêu cực đến lợi tức. Khi thị trường bị định giá quá cao so với giá trị sổ sách thực tế, áp lực điều chỉnh và chốt lời kỹ thuật xuất hiện. Bên cạnh đó, khối lượng giao dịch ($\text{lnvolume}{t-1}$) mang dấu âm trong thời kỳ dịch bệnh phản ánh hiện tượng bán tháo khối lượng lớn (panic selling) trong các phiên thị trường rung lắc mạnh.

Đóng góp khoa học và thực tiễn (Research Contributions)

Đóng góp về mặt lý thuyết (Theoretical Contributions)

  • Bổ sung bằng chứng thực nghiệm quan trọng vào nhánh Lý thuyết Tài chính Hành vi (Behavioral Finance) tại thị trường mới nổi/cận biên Đông Nam Á.
  • Chứng minh rằng tâm lý đám đông không phải là một hằng số cố định mà có quá trình học hỏi thích nghi (Adaptive Market Hypothesis): phản ứng của thị trường trước cùng một loại tin tức thay đổi từ "sợ hãi rút lui" sang "chủ động tìm kiếm cơ hội đầu tư".

Đổi mới về mặt phương pháp luận (Methodological Innovations)

  • Tiên phong đưa biến số dữ liệu lớn hành vi (Big Data - Google Trends Search Volume Index) vào mô hình định lượng chuỗi thời gian tại thị trường chứng khoán Việt Nam thay vì chỉ dùng dữ liệu tài chính kế toán truyền thống.
  • Kỹ thuật chia tách chuỗi thời gian thành 5 giai đoạn bùng phát dịch biệt lập giúp bóc tách chi tiết các phản ứng bất đối xứng mà các mô hình hồi quy gộp toàn chuỗi thường bỏ qua hoặc làm triệt tiêu lẫn nhau.

Ứng dụng thực tiễn và chính sách (Practical & Policy Applications)

  • Đối với nhà quản lý thị trường (UBCKNN, HOSE): Cung cấp công cụ cảnh báo sớm về các đợt biến động thanh khoản bất thường thông qua việc giám sát tần suất tìm kiếm từ khóa nhạy cảm trên Internet; từ đó chủ động điều tiết kỹ thuật hệ thống giao dịch (tránh hiện tượng nghẽn lệnh sàn HOSE từng xảy ra năm 2021).
  • Đối với doanh nghiệp niêm yết: Nhấn mạnh tầm quan trọng của việc công bố thông tin minh bạch, kịp thời cập nhật kế hoạch kinh doanh ứng phó dịch bệnh nhằm giảm bớt tính bất đối xứng thông tin và xoa dịu tâm lý bất an của cổ đông.

Đối tượng quan tâm và giá trị ứng dụng (Target Audience & Benefits)

  • Nhà nghiên cứu học thuật & Giảng viên tài chính: Tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu hồi quy dữ liệu chuỗi thời gian, cách xử lý khuyết tật mô hình (Hausman, Wooldridge, Wald) và phương pháp tích hợp chỉ số Google Trends vào nghiên cứu kinh tế lượng tài chính.
  • Nhà đầu tư cá nhân & Tổ chức (Quỹ đầu tư, CTCK):
    • Xây dựng các thuật toán giao dịch theo xu hướng tâm lý (Sentiment Trading Algorithms).
    • Nhận biết chu kỳ thích ứng của thị trường để tránh bẫy tâm lý bán tháo hoảng loạn khi các đợt dịch mới bùng phát.
    • Tận dụng chỉ số Google Trends như một chỉ báo bổ trợ (Sentiment Indicator) bên cạnh các chỉ báo kỹ thuật truyền thống (RSI, MACD).
  • Cơ quan quản lý và hoạch định chính sách: Thiết lập hệ thống giám sát tâm lý thị trường, chuẩn bị các kịch bản điều hành lãi suất, cung ứng thanh khoản và bình ổn tâm lý xã hội trong các biến cố bất khả kháng tương lai.

Câu hỏi thường gặp (FAQ)

1. Phát hiện quan trọng và mới nhất của nghiên cứu này là gì?

Nghiên cứu chứng minh rằng mức độ tìm kiếm thông tin về dịch bệnh trên Google có khả năng dự báo sự biến động của lợi tức chứng khoán, nhưng chiều hướng tác động không cố định mà đảo chiều tùy thuộc vào mức độ thích ứng tâm lý của nhà đầu tư qua từng giai đoạn dịch bệnh (tác động dương ở đợt 1 và đợt 4, nhưng tác động âm ở đợt 2).

2. Phương pháp nghiên cứu của đề tài có điểm gì đặc biệt?

Điểm đặc biệt nằm ở việc nhóm tác giả đã lượng hóa hành vi chủ động của nhà đầu tư bằng chỉ số Google Trends kết hợp với phương pháp phân tích mô hình tác động cố định (FEM) trên 5 giai đoạn dịch tễ học cụ thể. Mô hình đã vượt qua các kiểm định nghiêm ngặt về tính dừng, tự tương quan và phương sai thay đổi, đảm bảo tính vững của các ước lượng.

3. Kết quả nghiên cứu có thể tổng quát hóa (generalize) cho các cuộc khủng hoảng khác không?

Có. Cơ chế tác động của hành vi tìm kiếm thông tin lên thị trường chứng khoán hoàn toàn có thể mở rộng để nghiên cứu các cuộc khủng hoảng phi tài chính khác như chiến tranh thương mại, căng thẳng địa chính trị, khủng hoảng năng lượng hoặc các cú sốc biến đổi khí hậu.

4. Những bước phát triển tiếp theo (Next Steps) cho hướng nghiên cứu này là gì?

Các nghiên cứu tương lai có thể:

  1. Sử dụng kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) để phân tích sắc thái cảm xúc (Sentiment Analysis: Tích cực/Tiêu cực/Trung lập) trên báo chí và mạng xã hội thay vì chỉ đo lường tần suất tìm kiếm đơn thuần.
  2. Phân tích chi tiết tác động của tâm lý tìm kiếm đến từng nhóm ngành cụ thể (Ngân hàng, Bất động sản, Dược phẩm, Bán lẻ, Công nghệ).
  3. Áp dụng các mô hình phi tuyến tính nâng cao như GARCH, EGARCH hoặc mạng nơ-ron học sâu (Deep Learning) để dự báo độ biến động (Volatility).

5. Nhà đầu tư thực chiến có thể ứng dụng kết quả này như thế nào?

Nhà đầu tư có thể đưa chỉ số Google Trends của các từ khóa sự kiện vào hệ thống theo dõi hàng ngày: khi số lượt tìm kiếm tin tức khủng hoảng tăng vọt nhưng thị trường không còn giảm sâu, đó là tín hiệu cho thấy tâm lý thích ứng đã hình thành và cơ hội tích lũy cổ phiếu giá trị đã xuất hiện.

Kết luận (Conclusion)

Công trình nghiên cứu "Hành vi tìm kiếm về thông tin COVID-19 tác động đến lợi tức chứng khoán các doanh nghiệp niêm yết trên sàn HOSE" của nhóm tác giả Học viện Ngân hàng đã làm sáng tỏ mối liên hệ mật thiết giữa dữ liệu hành vi trực tuyến và thị trường tài chính Việt Nam. Bằng việc kết hợp nhuần nhuyễn giữa lý thuyết kinh tế lượng tài chính và dữ liệu lớn thời gian thực, đề tài đã chứng minh sức mạnh của chỉ báo tâm lý trong việc giải thích những nghịch lý tăng trưởng của sàn HOSE giai đoạn 2020–2021.

Kết quả nghiên cứu mở ra tiềm năng ứng dụng to lớn trong việc xây dựng các hệ thống giao dịch tự động dựa trên phân tích tâm lý thị trường, đồng thời đóng góp luận cứ khoa học thực tiễn cho công tác điều hành thị trường chứng khoán Việt Nam hướng tới mục tiêu nâng hạng thị trường mới nổi và phát triển bền vững.