Giới thiệu dự án

Thị trường chứng khoán Việt Nam ghi nhận nhóm ngành Ngân hàng thương mại cổ phần (NHTMCP) chiếm tỷ trọng vốn hóa áp đảo, đạt xấp xỉ 29% tổng quy mô vốn hóa toàn thị trường (theo thống kê của Bộ Tài chính, 2021). Đóng vai trò huyết mạch cung ứng vốn và truyền dẫn chính sách tiền tệ (Benston, 2004), sự biến động tỷ suất sinh lợi (TSSL) của nhóm cổ phiếu “vua” luôn là tâm điểm của các tổ chức tài chính và nhà đầu tư cá nhân.

Giai đoạn từ 01/12/2019 đến 30/06/2023 chứng kiến những cú sốc kinh tế chưa từng có: đại dịch COVID-19 bùng phát, gián đoạn chuỗi cung ứng, tiếp nối bởi làn sóng thắt chặt tiền tệ toàn cầu. Ngân hàng Nhà nước Việt Nam (NHNN) đã liên tục điều hành linh hoạt công cụ lãi suất (LS) điều hành, điều chỉnh biên độ tỷ giá hối đoái (TGHĐ) và can thiệp thị trường ngoại tệ để ổn định kinh tế vĩ mô. Tuy nhiên, sự biến động đa chiều này tạo ra độ trễ và rủi ro phi hệ thống rất lớn đến bảng cân đối kế toán của hệ thống ngân hàng (Deshmukh & cộng sự, 1983; Madura & Zarruk, 1995).

+-----------------------------------------------------------------------------------+
|                           MÔ HÌNH TRUYỀN DẪN VĨ MÔ                                |
|                                                                                   |
|  [Lãi suất BQLNH (IR)]  (-)                                                       |
|                                                                                   |
+-----------------------------------------------------------------------------------+

Vấn đề nghiên cứu thực tế

Phần lớn nhà đầu tư và nhà phân tích tại thị trường mới nổi thường áp dụng mô hình hồi quy tuyến tính cổ điển (OLS), vốn giả định phương sai phần dư không đổi (homoskedasticity). Giả định này hoàn toàn sụp đổ trước các chuỗi dữ liệu tài chính tần suất cao (daily data) do sự xuất hiện của hiện tượng cụm biến động (volatility clustering) và đuôi dày (fat tails). Thiếu vắng các phân tích định lượng chuyên sâu bằng mô hình phương sai có điều kiện khiến việc dự báo TSSL và quản trị rủi ro danh mục cổ phiếu ngân hàng thiếu chuẩn xác.

Mục tiêu dự án

  1. Lượng hóa tác động: Xác định chiều hướng và mức độ tác động của LS bình quân liên ngân hàng (BQLNH) qua đêm ($IR$) và TGHĐ $USD/VND$ ($FX$) đến TSSL của 5 NHTMCP lớn nhất Việt Nam (VPB, VCB, MBB, BID, CTG).
  2. Kiểm định giả thuyết thị trường: Đánh giá vai trò của chỉ số thị trường chứng khoán (VN-Index) đóng vai trò biến kiểm soát trong mô hình định giá đa nhân tố.
  3. Xây dựng khung lượng lượng hóa: Triển khai quy trình kiểm định chuỗi thời gian toàn diện gồm kiểm định nghiệm đơn vị Dickey-Fuller (DF), phân phối chuẩn Kolmogorov-Smirnov (KS), hiệu ứng Lagrange Multiplier (LM) ARCH và ước lượng mô hình GARCH(1,1).
  4. Đề xuất hàm ý chính sách: Cung cấp khuyến nghị quản trị rủi ro định lượng cho các nhà quản lý danh mục và cơ quan quản lý tiền tệ.

Phạm vi và giới hạn

  • Mẫu nghiên cứu: 5 NHTMCP niêm yết có vốn điều lệ lớn nhất thị trường (VPBank, Vietcombank, MBBank, BIDV, VietinBank) đại diện cho hơn 60% tổng tài sản hệ thống NHTMCP.
  • Thời gian quan sát: 01/12/2019 – 30/06/2023 (gồm 894 phiên giao dịch thực tế liên tục).
  • Nguồn dữ liệu: Cổng thông tin Ngân hàng Nhà nước Việt Nam (SBV) và Cổng thông tin tài chính toàn cầu Investing.com.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp phân tích Ưu điểm Nhược điểm / Hạn chế Độ phù hợp với chuỗi tài chính
Hồi quy OLS cổ điển Đơn giản, trực quan, dễ tính toán hệ số $\beta$ Vi phạm giả định phương sai đồng nhất; bỏ qua hiện tượng cụm biến động Kém (dễ dẫn đến ước lượng chệch và kết luận sai lệch)
Mô hình ARIMA Tốt trong dự báo chuỗi dừng đơn biến theo chuỗi thời gian Chỉ mô hình hóa kỳ vọng trung bình có điều kiện, không lượng hóa được rủi ro phương sai Trung bình (không đo lường được rủi ro biến động)
Mô hình ARCH/GARCH Nắm bắt cấu trúc biến động chuỗi thời gian, xử lý hiện tượng đuôi dày và phương sai thay đổi Yêu cầu số lượng quan sát lớn ($N > 500$), nhạy cảm với việc chọn bậc trễ $(p, q)$ Rất cao (chuẩn mực kinh tế lượng tài chính hiện đại)

Ưu tiên yêu cầu kỹ thuật (Mô hình MoSCoW)

  • Must have (Bắt buộc): Dữ liệu TSSL tính theo log/sai phân bậc nhất; kiểm định nghiệm đơn vị DF để đảm bảo tính dừng $I(0)$; kiểm định hiệu ứng ARCH-LM trước khi ước lượng.
  • Should have (Nên có): Ước lượng mô hình GARCH(1,1) đồng thời cho phương trình trung bình và phương trình phương sai có điều kiện.
  • Could have (Có thể có): So sánh giữa các dạng hàm phân phối phần dư (Gaussian Normal, Student-t, GED).
  • Won't have (Chưa thực hiện): Mô hình phi đối xứng mở rộng như EGARCH, TGARCH hoặc mô hình mạng nơ-ron học sâu (LSTM-GARCH) trong phạm vi nghiên cứu này.

Thiết kế kiến trúc giải pháp kinh tế lượng

[Dữ liệu thô (P_t, FX_t, IR_t, VNI_t)] 
[Tiền xử lý & Tính toán TSSL (r_t)] 
[Kiểm định phân phối chuẩn Kolmogorov-Smirnov (KS)]
[Hồi quy OLS trung bình & Kiểm định hiệu ứng ARCH (Lagrange Multiplier)]
[Ước lượng tham số Mô hình GARCH(1,1) qua Stata 17 / Python]
[Đánh giá ý nghĩa thống kê (p-value, z-statistic) & Đề xuất chính sách]

Công nghệ và công cụ sử dụng

  • Môi trường phân tích: Stata 17.0 MP (Multi-Processor), Python 3.10 (thư viện arch, pandas, statsmodels).
  • Framework lý thuyết: Lý thuyết thị trường hiệu quả (EMH - Fama, 1965), Mô hình định giá tài sản vốn liên thời gian (ICAPM - Merton, 1973), Lý thuyết kinh doanh chênh lệch giá (APT - Ross, 1976).

Implementation và kết quả

Quy trình triển khai thuật toán và phương trình kinh tế lượng

1. Đo lường tỷ suất sinh lợi thực nghiệm

TSSL hàng ngày ($r_t$) của từng cổ phiếu ngân hàng và chỉ số VN-Index được tính toán theo tỷ lệ phần trăm thay đổi giá đóng cửa nhằm triệt tiêu xu thế tuyến tính:

$$r_t = \frac{P_t - P_{t-1}}{P_{t-1}} \times 100$$

2. Thiết lập mô hình GARCH(1,1)

Mô hình toán học gồm 2 phương trình liên kết chặt chẽ:

  • Phương trình trung bình có điều kiện (Mean Equation): $$R_t = \beta_0 + \beta_1 IR_t + \beta_2 FX_t + \beta_3 VNI_t + u_t, \quad u_t | \Psi_{t-1} \sim N(0, \sigma_t^2)$$

  • Phương trình phương sai có điều kiện (Variance Equation): $$\sigma_t^2 = \alpha_0 + \alpha_1 u_{t-1}^2 + \beta_1 \sigma_{t-1}^2$$

Điều kiện ràng buộc: $\alpha_0 > 0, \alpha_1 \ge 0, \beta_1 \ge 0$ và $(\alpha_1 + \beta_1) < 1$ nhằm đảm bảo phương sai luôn dương và chuỗi có tính dừng hiệp phương sai.

3. Kịch bản thực thi Script Stata 17

*===============================================================*
* SCRIPT STATA 17: QUY TRÌNH PHÂN TÍCH TÁC ĐỘNG LS & TỶ GIÁ     *
* TÁC GIẢ: HUỲNH THỊ NHẬT TIÊN (2023)                           *
*===============================================================*

* 1. Khai báo chuỗi thời gian
tsset date_id

* 2. Kiểm định tính dừng Dickey-Fuller cho các biến
dfuller R_VPB, lags(1)
dfuller R_VCB, lags(1)
dfuller R_MBB, lags(1)
dfuller R_BID, lags(1)
dfuller R_CTG, lags(1)
dfuller IR_rate, lags(1)
dfuller FX_rate, lags(1)
dfuller VNI_return, lags(1)

* 3. Kiểm định phân phối chuẩn Kolmogorov-Smirnov
ksmirnov R_VCB = normal((R_VCB - r(mean))/r(sd))
ksmirnov IR_rate = normal((IR_rate - r(mean))/r(sd))
ksmirnov FX_rate = normal((FX_rate - r(mean))/r(sd))

* 4. Hồi quy sơ bộ và kiểm định hiệu ứng ARCH bằng phương pháp Lagrange Multiplier (LM)
regress R_VCB IR_rate FX_rate VNI_return
estat archlm, lags(1/5)

* 5. Ước lượng mô hình GARCH(1,1) tổng quát
arch R_VCB IR_rate FX_rate VNI_return, arch(1) garch(1) vce(robust)

# Kịch bản tương đương bằng Python (arch library)
import pandas as pd
from arch import arch_model

# Chuẩn bị dữ liệu chuỗi thời gian
data = pd.read_csv("banking_stock_returns.csv")
y = data['R_VCB']
X = data[['IR_rate', 'FX_rate', 'VNI_return']]

# Khởi tạo mô hình GARCH(1,1) với biến ngoại sinh (Exogenous regressors)
garch_setup = arch_model(y, x=X, mean='ARX', lags=0, vol='Garch', p=1, q=1, dist='Normal')
model_results = garch_setup.fit(update_freq=5, disp='off')
print(model_results.summary())

Kết quả kiểm định và phân tích định lượng

Kiểm định nghiệm đơn vị (Dickey-Fuller Unit-Root Test)

Toàn bộ 894 quan sát của 5 mã cổ phiếu ngân hàng, biến lãi suất liên ngân hàng qua đêm ($IR$), tỷ giá ($FX$) và chỉ số $VNI$ đều cho giá trị thống kê $t$-statistic nhỏ hơn đáng kể so với giá trị tra bảng ở mức ý nghĩa 1%, bác bỏ giả thuyết $H_0$ (chuỗi không dừng). Dữ liệu hoàn toàn đủ điều kiện dừng $I(0)$ để chạy mô hình.

Kiểm định hiệu ứng ARCH (Lagrange Multiplier Test)

Kết quả kiểm định LM tại các bậc trễ từ 1 đến 5 đều cho giá trị $Prob > \chi^2 < 0.001$ ($< 5%$). Điều này bác bỏ giả thuyết $H_0$, xác nhận sự hiện diện mạnh mẽ của hiệu ứng ARCH (phương sai thay đổi có điều kiện). Việc sử dụng GARCH(1,1) là lựa chọn tối ưu bắt buộc.

Ước lượng mô hình GARCH(1,1) thực nghiệm

| Biến số / Tham số | Hệ số ước lượng ($\beta / \alpha$) | Sai số chuẩn (Std. Err) | Thống kê $z$ ($z$-value) | Mức ý nghĩa ($p > |z|$) | Chiều hướng tác động | | :--- | :--- | :--- | :--- | :--- | :--- | | Lãi suất qua đêm (IR) | -0.0028 | 0.0009 | -3.11 | 0.0019 | Ngược chiều (Âm) | | Tỷ giá USD/VND (FX) | -0.0345 | 0.0112 | -3.08 | 0.0021 | Ngược chiều (Âm) | | Chỉ số VN-Index (VNI) | +0.8240 | 0.0215 | +38.32 | 0.0000 | Cùng chiều (Dương) | | Hệ số ARCH ($\alpha_1$) | 0.1420 | 0.0231 | 6.15 | 0.0000 | Có ý nghĩa | | Hệ số GARCH ($\beta_1$) | 0.8150 | 0.0284 | 28.70 | 0.0000 | Có ý nghĩa | | Tổng ($\alpha_1 + \beta_1$) | 0.9570 | - | - | - | Biến động có tính bền vững cao |

Ý nghĩa hệ số:
1. Lãi suất BQLNH (IR): Khi lãi suất liên ngân hàng qua đêm tăng 1%, TSSL trung bình của cổ phiếu ngân hàng giảm 0.28% (p < 0.01).
2. Tỷ giá USD/VND (FX): Khi tỷ giá USD/VND tăng 1% (VND mất giá), TSSL cổ phiếu ngân hàng giảm 3.45% (p < 0.01).
3. Biến động thị trường (VNI): Tác động cùng chiều mạnh nhất với hệ số beta xấp xỉ 0.824, khẳng định rủi ro thị trường chi phối lớn nhất lên cổ phiếu ngân hàng.
4. Độ bền vững phương sai (0.9570 < 1): Thể hiện các cú sốc vĩ mô tác động kéo dài nhiều phiên lên tâm lý và rủi ro cổ phiếu ngân hàng trước khi hấp thụ hết.

Đổi mới và đóng góp

  1. Khắc phục triệt để khiếm khuyết của các nghiên cứu hồi quy tĩnh: So với các nghiên cứu trước đây tại Việt Nam chỉ sử dụng hồi quy đa biến OLS hoặc fixed-effects tĩnh, nghiên cứu này giải quyết trọn vẹn hiện tượng phương sai thay đổi bằng cấu trúc GARCH(1,1).
  2. Cập nhật mẫu dữ liệu giai đoạn biến động lịch sử: Bộ dữ liệu bao phủ giai đoạn biến động bất thường từ đại dịch COVID-19 đến quý II/2023, mang lại giá trị thực tiễn cao cho bối cảnh điều hành tiền tệ hiện đại.
  3. Bằng chứng thực nghiệm xác thực tại thị trường cận biên: Chứng minh rằng sự gia tăng của lãi suất liên ngân hàng và sự mất giá của đồng nội tệ đều tác động tiêu cực đến giá cổ phiếu ngành ngân hàng Việt Nam, củng cố các lý thuyết tài chính quốc tế (Kasman & cộng sự, 2011; Muhammad & cộng sự, 2020).

Ứng dụng thực tế và triển khai

Trường hợp ứng dụng thực tế (Use Cases)

[Phòng Quản trị Rủi ro / Định phí Ngân hàng]
  • Quản trị danh mục đầu tư: Các quỹ đầu tư chủ động có thể thiết lập hệ số tương quan động để tự động giảm tỷ trọng cổ phiếu NHTMCP khi lãi suất liên ngân hàng có xu hướng vượt ngưỡng cảnh báo kỹ thuật.
  • Hoạch định chính sách tiền tệ: Giúp cơ quan quản lý (NHNN) dự báo được phản ứng tức thì của thị trường tài chính và vốn hóa hệ thống ngân hàng mỗi khi thực hiện các bước điều chỉnh biên độ tỷ giá trung tâm hoặc lãi suất tái cấp vốn.

Hạn chế và hướng phát triển

  • Hạn chế:
    • Mô hình GARCH(1,1) đối xứng chưa nắm bắt được tính chất bất đối xứng của thông tin (hiệu ứng đòn bẩy – tin xấu thường gây biến động lớn hơn tin tốt cùng biên độ).
    • Nghiên cứu mới dừng lại ở mẫu đại diện 5 ngân hàng lớn nhất, chưa mở rộng toàn bộ 31 NHTMCP.
  • Hướng phát triển:
    • Ứng dụng các mô hình phi tuyến nâng cao: EGARCH, TGARCH hoặc DCC-GARCH (Dynamic Conditional Correlation) để đo lường mức độ lan truyền rủi ro giữa các ngân hàng.
    • Tích hợp các thuật toán Machine Learning (LSTM-GARCH lai ghép) để nâng cao độ chính xác dự báo đa bước thời gian (Multi-step ahead forecasting).

Đối tượng hưởng lợi

  • Nhà đầu tư cá nhân & Tổ chức: Nắm bắt được quy luật chuyển dịch dòng tiền khi lãi suất và tỷ giá biến động để thiết lập chiến lược phòng vệ danh mục (Hedging).
  • Chuyên viên phân tích định lượng (Quant Analysts): Tiếp cận toàn bộ quy trình làm sạch dữ liệu chuỗi thời gian, script Stata/Python thực chiến và phương pháp kiểm định chuẩn tắc.
  • Sinh viên & Nghiên cứu sinh: Bộ tài liệu tham khảo hoàn chỉnh về ứng dụng kinh tế lượng tài chính nâng cao trong phân tích chứng khoán.

Câu hỏi thường gặp

1. Tại sao lãi suất liên ngân hàng qua đêm lại tác động ngược chiều đến giá cổ phiếu ngân hàng?

Khi lãi suất liên ngân hàng tăng cao, chi phí huy động vốn ngắn hạn của các ngân hàng thương mại đội lên nhanh chóng, làm thu hẹp biên lãi thuần (NIM - Net Interest Margin). Đồng thời, lãi suất cao kích thích dòng tiền rút khỏi thị trường cổ phiếu để quay về các kênh tài sản phi rủi ro.

2. Tỷ giá USD/VND tăng ảnh hưởng tiêu cực đến ngân hàng như thế nào?

VND mất giá làm gia tăng áp lực trả nợ ngoại tệ cho các doanh nghiệp khách hàng vay vốn bằng USD, gia tăng nguy cơ nợ xấu tiềm ẩn cho hệ thống ngân hàng. Ngoài ra, dòng vốn đầu tư gián tiếp nước ngoài (FII) có xu hướng rút ròng để bảo toàn vốn khi tỷ giá biến động mạnh.

3. Điều kiện tiên quyết để chạy mô hình GARCH(1,1) là gì?

Dữ liệu chuỗi thời gian bắt buộc phải dừng $I(0)$ (kiểm định qua Dickey-Fuller) và phần dư từ mô hình hồi quy trung bình phải tồn tại hiện tượng phương sai thay đổi (kiểm định qua ARCH-LM test với $p < 0.05$).

4. Tổng hệ số $\alpha_1 + \beta_1 = 0.957$ mang ý nghĩa gì?

Tổng hệ số gần bằng 1 thể hiện mức độ bền vững của phương sai (volatility persistence) rất cao. Khi thị trường xuất hiện cú sốc thông tin vĩ mô, độ biến động của giá cổ phiếu ngân hàng sẽ kéo dài liên tục qua nhiều phiên giao dịch trước khi trở về trạng thái ổn định.

5. Dữ liệu trong nghiên cứu có bị ảnh hưởng bởi tính thanh khoản kém không?

Không. Mẫu nghiên cứu chọn lọc 5 NHTMCP có vốn điều lệ và khối lượng giao dịch lớn nhất thị trường (VPB, VCB, MBB, BID, CTG), đảm bảo tính đại diện và thanh khoản liên tục trong toàn bộ 894 phiên giao dịch.

Kết luận

Nghiên cứu của tác giả Huỳnh Thị Nhật Tiên (2023) đã giải quyết thành công bài toán lượng hóa tác động của các biến số kinh tế vĩ mô cốt lõi lên TSSL cổ phiếu ngân hàng tại Việt Nam. Bằng việc ứng dụng chuẩn mực mô hình GARCH(1,1) trên 894 phiên giao dịch thực tế, nghiên cứu khẳng định rõ nét: Lãi suất bình quân liên ngân hàng và Tỷ giá USD/VND có tác động ngược chiều có ý nghĩa thống kê đến tỷ suất sinh lợi cổ phiếu ngân hàng, trong khi VN-Index đóng vai trò dẫn dắt cùng chiều chủ đạo. Kết quả nghiên cứu không chỉ đóng góp giá trị học thuật quan trọng cho mảng kinh tế lượng ứng dụng mà còn là kim chỉ nam định lượng giá trị cho các nhà quản trị danh mục đầu tư chuyên nghiệp.