Giới thiệu dự án

Nghiên cứu ứng dụng "Đánh giá tác động của các nhân tố vĩ mô tới giá cổ phiếu ngành Ngân hàng tại Việt Nam" tập trung giải quyết bài toán định lượng hóa sự biến động của nhóm cổ phiếu "vua" trên thị trường chứng khoán (TTCK) Việt Nam dưới tác động của các biến số kinh tế vĩ mô then chốt. Theo số liệu thống kê từ FiinPro, cổ phiếu ngành ngân hàng ghi nhận mức tăng trưởng lũy kế ấn tượng đạt 154,1% trong giai đoạn 5 năm (vượt trội so với mức tăng 96,5% của chỉ số VN-Index), đóng vai trò chi phối thanh khoản và vốn hóa toàn thị trường. Tuy nhiên, thị giá nhóm ngân hàng lại đối mặt với rủi ro hệ thống biến thiên liên tục theo biến động lạm phát, tỷ giá, lãi suất và chính sách tiền tệ.

+-------------------------------------------------------------------------------+
|                       KHUNG KINH TẾ LƯỢNG HỒI QUY ĐA BIẾN                      |
|                                                                               |
|  [ CPI ] [ EX ] [ IPI ] [ IR ] [ VN-Index ]                                   |
|      \      \      |      /        /                                          |
|       v      v     v     v        v                                           |
|    +------------------------------------+                                     |
|    |     Mô hình OLS đa biến (N=120)    |                                     |
|    |      Lý thuyết định giá APT        |                                     |
|    +------------------------------------+                                     |
|                      |                                                        |
|                      v                                                        |
|    +------------------------------------+                                     |
|    |  Kiểm định: ADF, PP, VIF, ARCH, BG |                                     |
|    +------------------------------------+                                     |
|                      |                                                        |
|                      v                                                        |
|   Giá cổ phiếu: ACB, CTG, EIB, SHB, STB, VCB                                  |
+-------------------------------------------------------------------------------+

Vấn đề thực tiễn (Problem Statement)

Các nhà đầu tư cá nhân, tổ chức quản lý quỹ và ban quản trị rủi ro tại các ngân hàng thương mại (NHTM) gặp khó khăn trong việc dự báo định lượng mức độ tổn thương của thị giá cổ phiếu trước các cú sốc vĩ mô. Các mô hình định giá truyền thống như CAPM (Capital Asset Pricing Model) bộc lộ hạn chế khi chỉ dựa vào một biến duy nhất là rủi ro thị trường, bỏ qua các yếu tố tiền tệ và vĩ mô nội tại của các nền kinh tế mới nổi (frontier/emerging market).

Mục tiêu nghiên cứu

  1. Đo lường và kiểm định tác động tuyến tính của Chỉ số giá tiêu dùng (CPI - đại diện Lạm phát) đến giá cổ phiếu ngân hàng.
  2. Xác định mối tương quan và chiều hướng tác động của Lãi suất cơ bản (IR) do Ngân hàng Nhà nước (NHNN) quy định.
  3. Đánh giá độ nhạy cảm của thị giá cổ phiếu trước biến động Tỷ giá hối đoái USD/VND (EX).
  4. Kiểm tra sự phản ứng của giá cổ phiếu trước tăng trưởng Chỉ số sản xuất công nghiệp (IPI).
  5. Định lượng mức độ chi phối của Chỉ số thị trường chứng khoán (VN-Index) lên 6 mã cổ phiếu ngân hàng đại diện.

Phương pháp tiếp cận & Phạm vi

  • Cơ sở lý thuyết: Lý thuyết kinh doanh chênh lệch giá (Arbitrage Pricing Theory - APT) của Stephen Ross (1976), cho phép mở rộng phân tích đa nhân tố.
  • Phạm vi dữ liệu: Chuỗi thời gian theo tháng gồm 120 quan sát ($N=120$) liên tục từ 01/01/2009 đến 31/12/2018 (loại trừ giai đoạn nhiễu khủng hoảng 2008).
  • Mã cổ phiếu khảo sát: 6 ngân hàng niêm yết có lịch sử lâu đời và thanh khoản dẫn dắt: ACB, CTG, EIB, SHB, STB, VCB.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp Ưu điểm Nhược điểm Đánh giá tính phù hợp
Mô hình CAPM Đơn giản, dễ tính toán tham số Beta thị trường. Giả định phi thực tế, bỏ qua yếu tố lạm phát, tỷ giá, lãi suất. Không đủ năng lực giải thích thị trường cận biên.
Mô hình OLS Đơn biến Phân tích trực tiếp mối quan hệ cặp biến $X-Y$. Thiên lệch do bỏ sót biến quan trọng (Omitted Variable Bias). Không phản ánh được tính phức tạp đa chiều của kinh tế vĩ mô.
Mô hình Đa biến APT - OLS Tích hợp đa nhân tố vĩ mô, kiểm soát phương sai sai số, phân tách rõ tác động từng biến. Yêu cầu chuỗi dữ liệu dừng $I(1)$, kiểm định khắt khe tính phù hợp. Tối ưu nhất cho bài toán chuỗi thời gian 10 năm tại Việt Nam.

Yêu cầu phân loại theo MoSCoW

  • Must-have: Kiểm định nghiệm đơn vị (ADF, PP); Ước lượng OLS đa biến; Kiểm định đa cộng tuyến (VIF); Kiểm định tự tương quan (Breusch-Godfrey); Kiểm định phương sai thay đổi (ARCH LM Test).
  • Should-have: Kiểm định biến bỏ sót Ramsey RESET; Phân tích phân phối phần dư Jarque-Bera.
  • Could-have: Mở rộng mô hình phi tuyến tính hoặc chuỗi GARCH dự báo phương sai có điều kiện.
  • Won't-have: Dự báo giá theo thời gian thực (real-time streaming ticks).

Thiết kế hệ thống & Quy chuẩn Kỹ thuật

[Dữ liệu thô (Daily/Monthly)] 
[Data Preprocessing (Monthly Resampling & Log Transform)]
[Unit Root Testing: ADF & Phillips-Perron]
[Chuỗi dừng I(1) hoàn toàn]
[Ước lượng Hồi quy OLS Đa biến]
[Hệ thống Kiểm định Post-Estimation]

Ngăn xếp công nghệ & Môi trường thực thi

  • Phần mềm Kinh tế lượng: EViews phiên bản 10.0 Enterprise.
  • Ngôn ngữ bổ trợ định lượng: Python 3.10 (pandas 2.1.0, statsmodels 0.14.0, scipy 1.11.0, matplotlib 3.8.0).
  • Data Pipeline Schema:
    • Time: Tháng/Năm định dạng YYYY-MM (120 intervals).
    • Dependent Variables ($R_t$): Giá đóng cửa bình quân tháng của ACB, CTG, EIB, SHB, STB, VCB (VND/cổ phiếu).
    • Independent Variables: CPI (điểm số), EX (tỷ giá USD/VND), IPI (chỉ số %), IR (%/năm), VNINDEX (điểm).

Phương pháp nghiên cứu

Mô hình kinh tế lượng tổng quát xác lập: $$R_t = \beta_0 + \beta_1 \text{CPI}_t + \beta_2 \text{EX}_t + \beta_3 \text{IPI}_t + \beta_4 \text{IR}_t + \beta_5 \text{VN-Index}_t + \mu_t$$

Trong đó:

  • $\beta_0$: Hệ số chặn (Intercept).
  • $\beta_1, \beta_2, \beta_3, \beta_4, \beta_5$: Các hệ số hồi quy đo lường độ nhạy cảm của giá cổ phiếu.
  • $\mu_t$: Sai số ngẫu nhiên (White Noise Error Term).
import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.diagnostic import het_arch, acorr_breusch_godfrey
from statsmodels.stats.outliers_influence import variance_inflation_factor

def run_econometric_pipeline(df: pd.DataFrame, ticker: str) -> dict:
    """
    Quy trình hồi quy OLS và kiểm định sau ước lượng cho cổ phiếu ngân hàng
    """
    X = df[['CPI', 'EX', 'IPI', 'IR', 'VNINDEX']]
    X_const = sm.add_constant(X)
    y = df[ticker]
    
    # 1. Ước lượng OLS
    model = sm.OLS(y, X_const).fit()
    
    # 2. Tính VIF kiểm tra Đa cộng tuyến
    vif_data = [variance_inflation_factor(X_const.values, i) for i in range(1, X_const.shape[1])]
    
    # 3. Kiểm định Tự tương quan Breusch-Godfrey (Lag 1)
    bg_test = acorr_breusch_godfrey(model, nlags=1)
    
    # 4. Kiểm định Phương sai sai số thay đổi ARCH LM
    arch_test = het_arch(model.resid)
    
    return {
        'r_squared': model.rsquared,
        'adj_r_squared': model.rsquared_adj,
        'f_pvalue': model.f_pvalue,
        'params': model.params,
        'pvalues': model.pvalues,
        'max_vif': max(vif_data),
        'bg_pvalue': bg_test[1],
        'arch_pvalue': arch_test[1]
    }

Implementation và kết quả

Quy trình triển khai dữ liệu

  • Giai đoạn 1 (Thu thập & Chuẩn hóa): Tập hợp dữ liệu thô từ FiinPro, Tổng cục Thống kê (GSO), Ngân hàng Nhà nước (SBV) và Sở GDCK TP.HCM (HOSE). Chuyển đổi dữ liệu tần suất ngày sang tần suất tháng thông qua phương pháp bình quân số học $SMA_{30}$.
  • Giai đoạn 2 (Kiểm tra Tính dừng):
    • Tại chuỗi dữ liệu gốc $I(0)$, đa số các chuỗi tài chính thể hiện tính không dừng (Non-stationary) với giá trị thống kê ADF/PP không vượt qua giá trị tới hạn ở mức ý nghĩa 5%.
    • Tiến hành lấy sai phân bậc 1 ($\Delta Y_t = Y_t - Y_{t-1}$). Toàn bộ 6 mã cổ phiếu và 5 nhân tố vĩ mô đều đạt tính dừng $I(1)$ với $p\text{-value} < 0,001$.

Kết quả kiểm định nghiệm đơn vị (Unit Root Test)

Biến số ADF Level (Không xu thế) ADF 1st Diff (Không xu thế) PP Level (Không xu thế) PP 1st Diff (Không xu thế) Trạng thái tích hợp
ACB -1.8515 -7.5657*** -1.7901 -7.6699*** $I(1)$
CTG -3.6375** -7.8636*** -3.5900*** -7.5545*** $I(1)$
EIB -3.7648*** -9.0913*** -3.7375*** -9.0699*** $I(1)$
SHB -6.5728*** -15.1019*** -1.8631 -13.0793*** $I(1)$
STB -2.6098* -6.9729*** -2.1314 -6.9132*** $I(1)$
VCB -2.1909 -8.1019*** -1.6214 -7.8666*** $I(1)$
CPI -1.6892 -10.7131*** -1.7131 -10.7139*** $I(1)$
EX -2.6028* -8.2423*** -2.3550 -7.9769*** $I(1)$
IPI -3.1384** -10.9151*** -3.1384** -11.1606*** $I(1)$
IR -2.0578 -3.9269*** -1.5539 -8.1222*** $I(1)$
VN-Index -0.6751 -9.3501*** -0.8275 -9.3552*** $I(1)$

(Ghi chú: *, **, *** tương ứng với mức ý nghĩa 10%, 5% và 1%)

Kết quả ước lượng OLS và Chẩn đoán mô hình

Toàn bộ 6 phương trình hồi quy đạt độ tin cậy thống kê cao với $\text{Prob}(F\text{-statistic}) \approx 0.0000$.

Chỉ số Chẩn đoán ACB CTG EIB SHB STB VCB Tiêu chuẩn chấp nhận
Hệ số $R^2$ 0.842 0.816 0.768 0.795 0.634 0.887 Càng cao giải thích càng tốt
Max VIF 3.916 3.493 3.596 3.548 3.916 3.515 $< 5.0$ (Không đa cộng tuyến)
ARCH Test ($p$-value) 0.142 0.231 0.315 0.098 0.187 0.420 $> 0.05$ (Phương sai đồng nhất)
Breusch-Godfrey ($p$) 0.0636 0.0874 0.0916 0.1269 0.0695 0.0577 $> 0.05$ (Không tự tương quan)
Durbin-Watson 1.716 1.649 2.346 2.078 1.735 1.906 $1.6 \le DW \le 2.4$ (Đạt chuẩn)
Ramsey RESET ($p$) 0.112 0.078 0.214 0.156 0.089 0.183 $> 0.05$ (Mô hình đúng dạng)

Chi tiết tương quan tác động từ các biến vĩ mô:

  1. VN-Index ($\beta_5 > 0$, $p < 0.001$): Tác động tích cực đồng thuận mạnh mẽ nhất lên toàn bộ 6 cổ phiếu. Khi VN-Index tăng 1 điểm, giá ACB tăng 0,056 đơn vị giá; VCB tăng mạnh nhất nhờ tỷ trọng vốn hóa đầu ngành.
  2. Tỷ giá EX ($\beta_2 < 0$, $p < 0.05$): Tỷ giá USD/VND tăng gây sức ép giảm giá lên 5/6 mã (ACB, CTG, EIB, SHB, STB), phản ánh rủi ro rút vốn của khối ngoại và chi phí vốn ngoại tệ tăng.
  3. Lãi suất IR ($\beta_4$, $p < 0.01$): Là biến vĩ mô có biên độ dao động tác động mạnh nhất. Với ACB, CTG, EIB, lãi suất có quan hệ nghịch biến đáng kể đối với định giá dòng tiền chiết khấu.
  4. Lạm phát CPI ($\beta_1 < 0$): Tác động tiêu cực có ý nghĩa thống kê tới ACB, STB, VCB và CTG, do lạm phát bào mòn thu nhập thực tế và gia tăng nợ xấu tiềm ẩn.
  5. Chỉ số IPI ($\beta_3 > 0$): Tác động tích cực có ý nghĩa đối với CTG ($p < 0.05$) và VCB ($p < 0.01$) – hai ngân hàng có dư nợ cho vay khối doanh nghiệp sản xuất công nghiệp lớn nhất cả nước.

Đổi mới và đóng góp

  1. Khắc phục khoảng trống dữ liệu giai đoạn hậu khủng hoảng: Thiết lập bộ mẫu 10 năm ($2009 - 2018$) chuẩn hóa, loại bỏ nhiễu cấu trúc từ cuộc khủng hoảng tài chính toàn cầu 2008, tạo bức tranh chuẩn xác về chu kỳ tăng trưởng mới của hệ thống ngân hàng Việt Nam.
  2. So sánh tương quan đa mô hình:
    • So với mô hình của Choi et al. (1992) trên thị trường Mỹ (chỉ tập trung vào rủi ro lãi suất ngắn hạn), nghiên cứu này chứng minh tại thị trường Việt Nam, VN-Index và Tỷ giá USD/VND có mức độ chi phối giải thích phương sai vượt trội hơn rủi ro lãi suất đơn lẻ.
    • So với nghiên cứu của Kasman et al. (2011) tại Thổ Nhĩ Kỳ, kết quả tại Việt Nam chỉ ra biến IPI có sự phân hóa rõ nét giữa ngân hàng thương mại quốc doanh (VCB, CTG) và khối ngân hàng cổ phần tư nhân (EIB, SHB).
  3. Độ chính xác và tính vững của mô hình: Mô hình OLS đa biến đạt hệ số giải thích $R^2$ trung bình trên 80% (ngoại trừ STB đạt 63,4% do các sự kiện tái cơ cấu nội bộ), vượt qua 100% các bài kiểm định khắt khe về đa cộng tuyến, tự tương quan và phương sai thay đổi.

Ứng dụng thực tế và triển khai

+-------------------------------------------------------------------------------+
|                    ỨNG DỤNG THỰC TẾ & KHUYẾN NGHỊ VẬN HÀNH                    |
+-----------------------------------+-------------------------------------------+
| Nhóm Quản lý Quỹ & Đầu tư         | Nhóm Quản trị Rủi ro Ngân hàng (ALM)      |
|  - Xây dựng danh mục Beta-hedging |  - Thiết lập kịch bản Stress-testing      |
|  - Dự báo chu kỳ định giá ngành   |  - Dự phòng biến động chi phí vốn         |
|  - Tối ưu hóa phân bổ tỷ trọng    |  - Điều hành khe hở lãi suất và tỷ giá    |
+-----------------------------------+-------------------------------------------+

Kịch bản ứng dụng cụ thể

  • Quản lý danh mục đầu tư (Asset Allocation): Khi chỉ số CPI và Lãi suất có xu hướng tạo đỉnh chu kỳ, nhà đầu tư thực hiện giải ngân gia tăng tỷ trọng nhóm cổ phiếu có độ nhạy IPI cao (VCB, CTG) nhằm đón đầu làn sóng phục hồi sản xuất kinh doanh.
  • Chiến lược phòng vệ Tỷ giá (FX Hedging): Với hệ số $\beta_2 < 0$ rõ rệt trên hầu hết các mã ngân hàng, khi tỷ giá USD/VND chịu áp lực mất giá vượt ngưỡng 2%, các quỹ đầu tư ngoại cần thực hiện mua hợp đồng tương lai chỉ số VN30 hoặc các công cụ phái sinh tiền tệ để bù đắp sụt giảm danh mục cổ phiếu ngân hàng.
  • Quản trị rủi ro thanh khoản ngân hàng: Bộ phận ALM (Asset-Liability Management) tại các ngân hàng thương mại có thể áp dụng trực tiếp các hệ số nhạy cảm $\beta$ để xây dựng mô hình Stress Testing danh mục tài sản sinh lời khi các chỉ số vĩ mô biến động bất lợi.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Mô hình OLS giả định mối quan hệ tuyến tính cố định qua thời gian, chưa nắm bắt trọn vẹn các tác động phi đối xứng (Asymmetric effects) trong các giai đoạn biến động mạnh của thị trường. Tần suất dữ liệu theo tháng giúp tránh tương quan giả nhưng làm mịn (smoothing) các cú sốc thanh khoản ngắn hạn theo tuần/ngày.
  • Hướng nghiên cứu tương lai:
    • Ứng dụng mô hình NARDL (Non-linear Autoregressive Distributed Lag) để phân tách tác động tích cực và tiêu cực riêng biệt của việc tăng/giảm lãi suất.
    • Tích hợp mô hình VECM (Vector Error Correction Model) và chuỗi mô hình GARCH/EGARCH để đo lường mức độ lan truyền biến động phương sai (volatility spillover).
    • Khai thác thuật toán Machine Learning (Random Forest Regressor, XGBoost, LSTM) để kiểm tra tính phi tuyến trên dữ liệu tần suất cao (High-frequency data).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận hệ thống phương pháp luận nghiên cứu định lượng chuẩn tắc, quy trình thực thi mô hình APT và kỹ thuật kiểm định chuỗi thời gian trên EViews/Python.
  • Chuyên viên phân tích định lượng (Quant Analysts): Sở hữu bộ tham số $\beta$ thực nghiệm chi tiết của 6 ngân hàng trụ cột, hỗ trợ tính toán chi phí vốn (Cost of Equity) và định giá cổ phiếu chính xác hơn.
  • Khối Quản trị Rủi ro & Nhà hoạch định chính sách: Bổ sung cơ sở dữ liệu thực nghiệm để dự báo tác động lan truyền từ các quyết định điều hành lãi suất cơ bản và tỷ giá của Ngân hàng Nhà nước tới thị trường vốn.

Câu hỏi thường gặp

1. Tại sao chuỗi dữ liệu gốc bắt buộc phải kiểm tra tính dừng trước khi chạy hồi quy OLS?

Hầu hết các chuỗi dữ liệu tài chính vĩ mô đều có xu thế tăng/giảm theo thời gian (Non-stationary). Nếu chạy hồi quy trực tiếp trên chuỗi không dừng, mô hình sẽ gặp hiện tượng hồi quy giả tạo (Spurious Regression) với $R^2$ rất cao và $t\text{-statistic}$ có ý nghĩa nhưng hoàn toàn không phản ánh đúng bản chất kinh tế. Việc kiểm định ADF/PP và chuyển đổi sai phân bậc 1 đảm bảo các giả định của Mô hình hồi quy cổ điển (CRM) được tuân thủ.

2. Ý nghĩa của việc kiểm tra hệ số phóng đại phương sai (VIF) là gì?

VIF (Variance Inflation Factor) dùng để phát hiện hiện tượng đa cộng tuyến giữa các biến độc lập vĩ mô (ví dụ: lãi suất và lạm phát thường có xu hướng biến động cùng chiều). Giá trị VIF của toàn bộ các biến trong đề tài đều $< 3.92$ (dưới ngưỡng cảnh báo 5.0), chứng minh các biến độc lập không bị trùng lặp thông tin và ước lượng OLS hoàn toàn vững.

3. Tại sao cổ phiếu STB có hệ số $R^2$ (0.634) thấp hơn đáng kể so với các ngân hàng còn lại?

Trong giai đoạn 2011 - 2018, Sacombank (STB) trải qua quá trình sáp nhập Ngân hàng TMCP Phương Nam (Southern Bank) và tiến hành tái cơ cấu nợ xấu nội tại quy mô lớn. Những biến động nội tại doanh nghiệp (Microeconomic shocks) chiếm tỷ trọng giải thích lớn hơn, làm giảm mức độ phụ thuộc thuần túy vào các biến số vĩ mô so với các ngân hàng duy trì cấu trúc ổn định như VCB hay ACB.

4. Dữ liệu trung bình tháng được xử lý như thế nào để loại bỏ nhiễu?

Thay vì lấy giá đóng cửa tại một ngày cố định (có thể bị bóp méo bởi biến động cục bộ phiên chốt phái sinh hoặc cơ cấu quỹ ETF), nghiên cứu sử dụng giá trị trung bình cộng của tất cả các ngày giao dịch trong tháng: $$\bar{P}{\text{month}} = \frac{1}{k} \sum{i=1}^{k} P_i$$ Phương pháp này phản ánh toàn diện trạng thái giao dịch của cổ phiếu trong suốt chu kỳ tháng.

5. Kết quả nghiên cứu có thể tích hợp vào các thuật toán giao dịch tự động không?

Có. Các hệ số nhạy cảm vĩ mô có thể được cấu hình thành các trọng số điều chỉnh (Weight factors) trong các mô hình chấm điểm định lượng (Multi-factor Ranking Models) hoặc làm tín hiệu lọc (Filter regime) cho các chiến lược giao dịch định lượng theo xu hướng trên thị trường chứng khoán Việt Nam.


Kết luận

Nghiên cứu đã ứng dụng thành công khung lý thuyết định giá chênh lệch giá (APT) kết hợp phương pháp kinh tế lượng OLS đa biến trên chuỗi thời gian 120 tháng ($2009 - 2018$). Kết quả thực nghiệm khẳng định VN-Index, Tỷ giá USD/VND và Lãi suất là ba nhân tố vĩ mô có sức ảnh hưởng chi phối lớn nhất đến biến động giá cổ phiếu ngành ngân hàng tại Việt Nam. Toàn bộ các kiểm định sau ước lượng (VIF, ARCH, Breusch-Godfrey, Ramsey RESET) đều xác thực tính chuẩn mực và độ tin cậy khoa học của mô hình. Đây là tài liệu tham khảo giá trị cho công tác phân tích đầu tư, hoạch định chính sách tiền tệ và quản trị rủi ro tài chính hiện đại.