Giới thiệu dự án

Thị trường chứng khoán Việt Nam đã trải qua hơn hai thập kỷ phát triển vượt bậc, đạt quy mô hơn 1.500 doanh nghiệp niêm yết với tổng vốn hóa vượt 240 tỷ USD vào cuối năm 2023. Trong cấu trúc thị trường, nhóm cổ phiếu ngành Ngân hàng đóng vai trò trụ cột khi chiếm xấp xỉ 30% tổng mức vốn hóa toàn thị trường và là kênh dẫn truyền thanh khoản chính cho nền kinh tế. Tuy nhiên, trước các biến động kinh tế vĩ mô, các quyết định điều hành chính sách tiền tệ từ Ngân hàng Nhà nước (NHNN) – đặc biệt là công cụ lãi suất điều hành – luôn tạo ra những cú sốc ngắn hạn đáng kể đối với định giá tài sản tài chính.

Vấn đề thực tiễn đặt ra là các nhà đầu tư cá nhân và tổ chức tài chính tại Việt Nam thường thiếu một khung phân tích định lượng chuẩn mực để đo lường chính xác tốc độ và biên độ phản ứng của giá cổ phiếu trước các quyết định lãi suất. Đa phần các phân tích hiện hữu chỉ dựa trên cảm tính hoặc mô hình hồi quy dài hạn, bỏ qua hiện tượng rò rỉ thông tin trước sự kiện và phản ứng bất thường trong ngắn hạn.

Dự án khóa luận tốt nghiệp "Phản ứng của cổ phiếu ngành Ngân hàng trên thị trường chứng khoán Việt Nam trước thông tin thay đổi lãi suất điều hành của Ngân hàng Nhà nước" tập trung giải quyết bài toán trên thông qua 3 mục tiêu cụ thể:

  1. Đánh giá định lượng chiều hướng và mức độ tác động tức thời của thông tin thay đổi lãi suất điều hành lên thị trường chứng khoán chung thông qua chỉ số VN-Index.
  2. Đo lường tỷ suất sinh lời bất thường của nhóm 27 cổ phiếu ngành Ngân hàng niêm yết xung quanh các ngày công bố sự kiện lãi suất.
  3. Kiểm định sự khác biệt thống kê giữa phản ứng của cổ phiếu ngành Ngân hàng so với biến động của chỉ số VN-Index.

Giải pháp được lựa chọn là ứng dụng Phương pháp Nghiên cứu Sự kiện (Event Study Methodology) kết hợp kiểm định thống kê $t$-test và $p$-value trên nền tảng điện toán Google Colab với ngôn ngữ Python. Phạm vi dữ liệu bao gồm 40 sự kiện điều chỉnh lãi suất tái cấp vốn (12 đợt tăng, 28 đợt giảm) trong giai đoạn 17 năm (2007 – 2023), sử dụng lợi suất Trái phiếu Chính phủ Việt Nam kỳ hạn 10 năm làm lãi suất phi rủi ro chuẩn. Hạn chế của nghiên cứu là chưa bóc tách triệt để các yếu tố nhiễu đồng thời từ các thông tin vĩ mô quốc tế (như quyết định lãi suất của FED) trong cùng cửa sổ sự kiện.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu định lượng phản ứng thị trường đòi hỏi lựa chọn phương pháp xử lý dữ liệu chuỗi thời gian phù hợp nhằm loại bỏ các biến thiên thông thường và cô lập tác động của sự kiện.

Phương pháp Ưu điểm Nhược điểm Đánh giá ứng dụng
Mô hình VAR / SVAR (Vector Autoregression) Nắm bắt tốt động thái tương hỗ đa biến dài hạn giữa lãi suất, cung tiền M2, GDP và chỉ số giá. Kém nhạy bén với tác động ngắn hạn trong vài ngày; giả định tuyến tính chặt chẽ; khó cô lập ngày sự kiện. Phù hợp dự báo vĩ mô dài hạn, không tối ưu cho giao dịch ngắn hạn.
Mô hình GARCH (Generalized Autoregressive Conditional Heteroskedasticity) Đo lường hiệu quả sự biến động phương sai điều kiện (volatility clustering) theo thời gian. Tập trung vào mức độ biến động (volatility) thay vì xác định giá trị thặng dư lợi nhuận (abnormal returns). Thích hợp phân tích rủi ro biến động, không đo được lợi nhuận bất thường tích lũy.
Phương pháp Nghiên cứu Sự kiện (Event Study Methodology) Cô lập chính xác tác động của sự kiện trong cửa sổ hẹp; tính toán trực tiếp lợi nhuận bất thường ($AR, AAR, CAAR$). Nhạy cảm với việc chọn cửa sổ sự kiện ($T_0, T_1$); có thể bị nhiễu nếu xuất hiện sự kiện kép (confounding events). Tối ưu nhất để kiểm định giả thuyết thị trường hiệu quả và phản ứng giá tức thời.

Hệ thống yêu cầu xử lý dữ liệu được phân loại theo ma trận MoSCoW:

  • Must-have (Bắt buộc): Thu thập chính xác ngày công bố quyết định lãi suất tái cấp vốn; tính toán chuỗi lợi nhuận theo ngày của VN-Index và 27 mã cổ phiếu ngân hàng; xây dựng pipeline tính toán $AAR$ và $CAAR$.
  • Should-have (Nên có): Tích hợp dữ liệu lợi suất Trái phiếu Chính phủ kỳ hạn 10 năm làm tài sản phi rủi ro ($R_f$); tự động hóa kiểm định $t$-test hai phía.
  • Could-have (Có thể có): Biểu đồ hóa biến động $CAAR$ theo chuỗi thời gian cửa sổ sự kiện [-5, +5].
  • Won't-have (Chưa thực hiện): Tích hợp giao dịch tự động qua API môi giới thời gian thực.

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu được thiết kế theo mô hình đường ống phân tích định lượng (Quantitative Data Pipeline) 4 tầng:

+-------------------------------------------------------------------------+
|                          1. DATA INGESTION                              |
|   - FiinPro-X (VN-Index, 27 Bank Stocks, 10Y Gov Bond Yield 2007-2023)  |
|   - SBV Official Announcements (40 Policy Rate Events: 12 Hikes, 28 Cuts)|
+-------------------------------------------------------------------------+
                                    |
                                    v
+-------------------------------------------------------------------------+
|                        2. PREPROCESSING & CLEANING                      |
|   - Handling missing trading dates, corporate actions & dividend adj    |
|   - Log Return Transformation: R_t = ln(P_t / P_{t-1})                   |
+-------------------------------------------------------------------------+
                                    |
                                    v
+-------------------------------------------------------------------------+
|                     3. EVENT STUDY ENGINE (Python)                      |
|   - Window Configuration: Estimation [-30, -6], Event Window [-5, +5]   |
|   - Expected Return Modeling: E(R_M) = R_f, E(R_B) = R_M                |
|   - Metrics Computation: AR -> AAR -> CAAR                              |
+-------------------------------------------------------------------------+
                                    |
                                    v
+-------------------------------------------------------------------------+
|                     4. STATISTICAL INFERENCE & VIS                      |
|   - Two-tailed Student t-test (H0: CAAR = 0)                            |
|   - Comparative Sector vs. Market T-test                                |
|   - Matplotlib / Seaborn Trend Plotting                                 |
+-------------------------------------------------------------------------+

Technology Stack sử dụng trong nghiên cứu:

  • Ngôn ngữ lập trình: Python 3.10+
  • Thư viện phân tích dữ liệu: Pandas 2.1.4, NumPy 1.26.2
  • Thư viện thống kê & kinh tế lượng: SciPy 1.11.4, Statsmodels 0.14.1
  • Thư viện trực quan hóa: Matplotlib 3.8.2, Seaborn 0.13.0
  • Nền tảng thực thi: Google Colaboratory (Cloud-hosted Jupyter Environment)

Cấu trúc lược đồ dữ liệu đầu vào:

  • Events_Schema: {event_id: INT, event_date: DATE, event_type: ENUM('HIKE', 'CUT'), rate_change_bps: FLOAT}
  • Market_Prices_Schema: {trade_date: DATE, ticker: VARCHAR(10), close_price: FLOAT, log_return: FLOAT}
  • RiskFree_Schema: {trade_date: DATE, yield_10y: FLOAT, daily_rf: FLOAT}

Methodology

Quy trình nghiên cứu áp dụng chuẩn mực của Campbell, Lo & MacKinlay (1997) và Lucca & Moench (2015):

  1. Xác định ngày sự kiện ($t=0$): Là ngày NHNN ban hành quyết định thay đổi lãi suất điều hành (lãi suất tái cấp vốn).
  2. Xác định cửa sổ sự kiện (Event Window): Khung thời gian 11 ngày giao dịch, bao gồm 5 ngày trước sự kiện ($t=-5$) đến 5 ngày sau sự kiện ($t=+5$), nhằm nắm bắt hiệu ứng rò rỉ thông tin cũng như sự hấp thụ thông tin của thị trường.
  3. Khoảng thời gian ước lượng (Estimation Window): Cửa sổ 22 ngày trước giai đoạn sự kiện được dùng làm cơ sở chuẩn hóa dữ liệu. Các sự kiện liên tiếp được kiểm soát phân cách tối thiểu 33 ngày giao dịch để tránh hiện tượng chồng lấn cửa sổ (overlapping windows).
  4. Quản trị rủi ro nghiên cứu: Kiểm soát hiện tượng thiên lệch mẫu (survivorship bias) bằng cách đưa vào phân tích đầy đủ 27 ngân hàng thương mại niêm yết tại từng mốc thời gian thực tế trong giai đoạn 2007 – 2023.

Implementation và kết quả

Development process

Quá trình triển khai mã nguồn trên Google Colab được chia thành các hàm xử lý tính toán chuyên biệt. Toàn bộ thuật toán tính toán lợi nhuận bất thường ($AR$), lợi nhuận bất thường bình quân ($AAR$) và lợi nhuận bất thường tích lũy ($CAAR$) được cấu trúc như sau:

import numpy as np
import pandas as pd
from scipy import stats

def compute_event_study(
    price_df: pd.DataFrame, 
    events_df: pd.DataFrame, 
    rf_series: pd.Series, 
    window_pre: int = 5, 
    window_post: int = 5
) -> dict:
    """
    Tính toán AR, AAR, CAAR cho chuỗi sự kiện thay đổi lãi suất điều hành.
    """
    event_window_len = window_pre + window_post + 1
    event_dates = events_df['event_date'].tolist()
    
    # 1. Tính Tỷ suất sinh lời thực tế log-return
    returns_df = np.log(price_df / price_df.shift(1)).dropna()
    
    # 2. Ma trận chứa Abnormal Returns của từng sự kiện
    ar_matrix = []
    
    for event in event_dates:
        if event not in returns_df.index:
            continue
        idx = returns_df.index.get_loc(event)
        start_idx = idx - window_pre
        end_idx = idx + window_post + 1
        
        if start_idx < 0 or end_idx > len(returns_df):
            continue
            
        # Lợi nhuận thực tế trong cửa sổ sự kiện
        r_actual = returns_df.iloc[start_idx:end_idx].values
        # Lợi nhuận phi rủi ro tương ứng
        r_f = rf_series.iloc[start_idx:end_idx].values.reshape(-1, 1)
        
        # Mô hình Lợi nhuận kỳ vọng: E(R_M) = R_f
        ar_event = r_actual - r_f
        ar_matrix.append(ar_event)
        
    ar_array = np.array(ar_matrix) # Shape: (N_events, 11, N_assets)
    
    # 3. Tính Lợi nhuận bất thường bình quân AAR tại mỗi mốc t (-5 đến +5)
    # Trung bình qua các sự kiện (axis=0) và trung bình ngành (axis=2)
    aar_t = np.mean(ar_array, axis=0) # Shape: (11, N_assets)
    aar_sector = np.mean(aar_t, axis=1) # Shape: (11,)
    
    # 4. Tính Lợi nhuận bất thường tích lũy CAAR [-5, +5]
    caar = np.cumsum(aar_sector)
    
    # 5. Kiểm định thống kê Student t-test (H0: CAAR = 0)
    t_stat, p_val = stats.ttest_1samp(np.sum(np.mean(ar_array, axis=2), axis=1), 0.0)
    
    return {
        "AAR": aar_sector,
        "CAAR": caar,
        "t_statistic": t_stat,
        "p_value": p_val
    }

Công thức toán học áp dụng trong mô hình:

  • Lợi nhuận bất thường của thị trường: $$AR_{M,t} = R_{M,t} - E(R_{M,t}) = R_{M,t} - R_{f,t}$$
  • Lợi nhuận bất thường của cổ phiếu ngành ngân hàng: $$AR_{B,t} = R_{B,t} - E(R_{B,t}) = \left(\frac{1}{K}\sum_{i=1}^K R_{i,t}\right) - R_{M,t}$$
  • Lợi nhuận bất thường bình quân ($AAR$) tại ngày $t$: $$AAR_t = \frac{1}{N}\sum_{i=1}^N AR_{i,t}$$
  • Lợi nhuận bất thường tích lũy ($CAAR$): $$CAAR_{[-5, 5]} = \sum_{t=-5}^{5} AAR_t$$

Testing và validation

Nghiên cứu tiến hành phân tách mẫu thành 2 tập sự kiện riêng biệt để kiểm định giả thuyết thị trường:

  1. Mẫu 1: 12 sự kiện tăng lãi suất điều hành (Monetary Tightening)
  2. Mẫu 2: 28 sự kiện giảm lãi suất điều hành (Monetary Easing)

Mức ý nghĩa thống kê được thiết lập tại $\alpha = 0.05$. Bác bỏ giả thuyết $H_0$ nếu $p \le 0.05$.

BẢNG KIỂM ĐỊNH PHẢN ỨNG CỦA VN-INDEX VÀ CỔ PHIẾU NGÂN HÀNG [-5, +5]
--------------------------------------------------------------------------------------
Kịch bản sự kiện       Đối tượng nghiên cứu      CAAR [-5, +5]    t-statistic    p-value
--------------------------------------------------------------------------------------
Tăng lãi suất (N=12)   VN-Index                  -2.84%          -2.412        0.034 *
Tăng lãi suất (N=12)   Cổ phiếu Ngân hàng        -3.15%          -2.589        0.025 *
Giảm lãi suất (N=28)   VN-Index                  +3.42%          +3.104        0.004 *
Giảm lãi suất (N=28)   Cổ phiếu Ngân hàng        +3.88%          +3.315        0.002 *
--------------------------------------------------------------------------------------
(* Ý nghĩa thống kê tại mức 5%)

Kết quả đạt được

Các phát hiện thực nghiệm lượng hóa rõ nét các đặc tính phản ứng của thị trường tài chính Việt Nam:

  • Phản ứng ngược chiều nhất quán: Trong các sự kiện hạ lãi suất điều hành, chỉ số VN-Index và cổ phiếu ngành Ngân hàng ghi nhận mức sinh lời bất thường tích lũy dương đạt lần lượt $+3.42%$ và $+3.88%$ trong cửa sổ 11 ngày. Ngược lại, khi NHNN tăng lãi suất, $CAAR$ của cả hai nhóm đều rơi vào trạng thái âm sâu ($-2.84%$ và $-3.15%$).
  • Hiện tượng phản ứng trước sự kiện (Information Leakage / Anticipation): Tại các mốc $t=-2$ và $t=-1$, hệ số $AAR$ đã bắt đầu phân kỳ rõ rệt theo hướng của quyết định chính sách, phản ánh việc thị trường đã phần nào định giá trước thông tin thông qua các dự báo vĩ mô hoặc hiện tượng bất đối xứng thông tin.
  • Tương quan phản ứng giữa Ngân hàng và Thị trường: Kết quả kiểm định t-test cặp đôi giữa chuỗi $AAR$ của ngành Ngân hàng và VN-Index cho giá trị $p\text{-value} = 0.428 > 0.05$. Điều này chỉ ra không có sự khác biệt có ý nghĩa thống kê giữa biên độ biến động của ngành Ngân hàng so với VN-Index, chứng minh cổ phiếu ngân hàng đóng vai trò hạt nhân chi phối trực tiếp quỹ đạo của toàn bộ chỉ số.

Đổi mới và đóng góp

Nghiên cứu mang lại những cải tiến phương pháp luận và giá trị thực nghiệm vượt trội so với các công trình trước đây tại thị trường Việt Nam:

Tiêu chí so sánh Nghiên cứu Võ Xuân Vinh & Đặng Bửu Kiếm (2018) Nghiên cứu Nhan Đặng Hải Phương (2014) Khóa luận tốt nghiệp (Nghiên cứu này)
Đối tượng tác động Quyết định lãi suất của FED Biến động lãi suất trong nước Thông tin điều hành lãi suất của NHNN Việt Nam
Phương pháp chính Event Study (Ngoại sinh) Mô hình GARCH Event Study chuẩn hóa + T-test hai nhóm
Quy mô chuỗi thời gian 2007 – 2015 2009 – 2013 17 năm liên tục (2007 – 2023)
Số lượng sự kiện Giới hạn theo các kỳ họp FOMC Dữ liệu chuỗi thời gian liên tục 40 sự kiện chính sách (12 tăng, 28 giảm)
Tài sản phi rủi ro ($R_f$) Lãi suất liên ngân hàng ngắn hạn Không sử dụng Lợi suất TPCP 10 năm chuẩn mực
Mức độ bao phủ ngành VN-Index tổng thể Nhóm 10 ngân hàng lớn Toàn diện 27 ngân hàng niêm yết

Các đóng góp chính:

  1. Đóng góp học thuật: Cung cấp bằng chứng thực nghiệm củng cố Lý thuyết Thị trường Hiệu quả dạng bán mạnh (Semi-strong EMH) và Lý thuyết Tài chính Hành vi tại thị trường cận biên/mới nổi. Thị trường phản ứng nhanh nhưng có độ trễ hấp thụ và xuất hiện tâm lý bầy đàn trong 3 ngày đầu sau công bố.
  2. Đóng góp thực tiễn: Xây dựng cơ sở dữ liệu hoàn chỉnh về 40 sự kiện thay đổi lãi suất tái cấp vốn của NHNN từ 2007 đến 2023, đóng vai trò là benchmark chuẩn hóa cho các nghiên cứu định lượng tiếp theo.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong đầu tư và quản lý

+-------------------------------------------------------------------------+
|                ỨNG DỤNG CHO QUẢN TRỊ DANH MỤC ĐẦU TƯ                   |
+-------------------------------------------------------------------------+
|  TÍN HIỆU: Dự báo / Thông báo NHNN nới lỏng chính sách tiền tệ (Hạ LS)  |
|  -> HÀNH ĐỘNG: Tăng tỷ trọng cổ phiếu Ngân hàng tại T-2 đến T-1         |
|  -> CHIẾN LƯỢC: Nắm giữ qua T0, hiện thực hóa lợi nhuận tại T+3 đến T+5 |
|  -> HIỆU QUẢ KỲ VỌNG: Nắm bắt mức thặng dư CAAR trung bình +3.88%       |
+-------------------------------------------------------------------------+
|  TÍN HIỆU: Dự báo / Thông báo NHNN thắt chặt chính sách tiền tệ (Tăng LS)|
|  -> HÀNH ĐỘNG: Phòng hộ rủi ro (Hedging) qua HĐTL VN30F hoặc hạ margin |
|  -> CHIẾN LƯỢC: Cơ cấu giảm tỷ trọng cổ phiếu chu kỳ tài chính          |
|  -> HIỆU QUẢ KỲ VỌNG: Hạn chế mức sụt giảm danh mục trung bình -3.15%   |
+-------------------------------------------------------------------------+

Chiến lược triển khai và lộ trình mở rộng

  1. Giai đoạn 1 (Tích hợp dữ liệu vĩ mô): Kết nối API dữ liệu từ FiinPro-X hoặc Vietstock để tự động phát hiện văn bản điều hành của NHNN ngay khi công bố.
  2. Giai đoạn 2 (Xây dựng công cụ cảnh báo sớm): Triển khai dashboard giám sát lợi nhuận bất thường theo thời gian thực (Real-time Abnormal Return Monitor) phục vụ các quỹ đầu tư định lượng.
  3. Giai đoạn 3 (Backtesting chiến lược giao dịch sự kiện): Ứng dụng quy tắc giao dịch tự động dựa trên biên độ lệch chuẩn của $CAAR$ nhằm tối ưu hóa điểm vào/ra lệnh cho danh mục cổ phiếu ngân hàng.

Hạn chế và hướng phát triển

Nghiên cứu đã đạt được các kết quả định lượng chặt chẽ nhưng vẫn tồn tại một số hạn chế nội tại:

  • Giả định mô hình lợi nhuận kỳ vọng: Việc sử dụng lợi suất TPCP 10 năm làm lợi nhuận kỳ vọng thị trường ($E(R_M) = R_f$) mang tính quy ước đơn giản hóa, chưa phản ánh đầy đủ phần bù rủi ro vốn cổ phần (Equity Risk Premium) biến thiên theo thời gian.
  • Hiện tượng nhiễu sự kiện (Confounding Events): Trong các giai đoạn khủng hoảng tài chính toàn cầu 2008 hoặc đại dịch COVID-19 (2020 – 2021), các gói kích thích tài khóa và biến động lãi suất toàn cầu diễn ra đồng thời, có thể gây nhiễu biên độ tác động thuần túy của lãi suất điều hành NHNN.
  • Hướng phát triển đề xuất:
    1. Ứng dụng Mô hình 3 nhân tố hoặc 5 nhân tố của Fama-French (Fama-French Multi-Factor Model) để ước lượng tỷ suất sinh lời kỳ vọng chính xác hơn.
    2. Mở rộng nghiên cứu sang các công cụ điều hành khác như Lãi suất nghiệp vụ Thị trường mở (OMO), Lãi suất chiết khấu và Tỷ lệ dự trữ bắt buộc.
    3. Áp dụng kỹ thuật Xử lý Ngôn ngữ Tự nhiên (NLP) để phân tích sắc thái văn bản (Sentiment Analysis) từ các thông cáo báo chí của NHNN nhằm dự báo mức độ bất ngờ của chính sách (Policy Surprise).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học chuyên ngành Tài chính – Ngân hàng: Tiếp cận tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu sự kiện (Event Study), mã nguồn Python thực thi trên Google Colab và cách thức xử lý dữ liệu thực tế tại thị trường chứng khoán Việt Nam.
  • Nhà phát triển hệ thống & Quant Analysts: Khung thuật toán và cấu trúc code có thể tái sử dụng trực tiếp để phát triển các module phân tích sự kiện vĩ mô trong các nền tảng phân tích kỹ thuật hoặc thuật toán giao dịch định lượng.
  • Quỹ đầu tư & Doanh nghiệp tài chính: Dữ liệu thực nghiệm giúp xây dựng chiến lược phòng hộ (hedging) và phân bổ tài sản hiệu quả khi nền kinh tế bước vào chu kỳ xoay trục chính sách tiền tệ.
  • Cơ quan hoạch định chính sách (Ngân hàng Nhà nước): Hiểu rõ cơ chế dẫn truyền và độ trễ phản ứng của thị trường vốn, từ đó tối ưu hóa công tác truyền thông chính sách (Forward Guidance), giảm thiểu các cú sốc thanh khoản tiêu cực trên thị trường chứng khoán.

Câu hỏi thường gặp

1. Yêu cầu hệ thống và công cụ để tái lập lại nghiên cứu này là gì?

Hệ thống chỉ cần môi trường Python 3.10+ (khuyến nghị sử dụng Google Colab miễn phí), cài đặt các thư viện cơ bản gồm pandas, numpy, scipy, statsmodels, matplotlib. Dữ liệu giá lịch sử cần được trích xuất từ các nhà cung cấp uy tín như FiinPro-X, Vietstock hoặc qua các package mã nguồn mở như vnstock.

2. Tại sao lại chọn cửa sổ sự kiện 11 ngày [-5, +5] thay vì các khung ngắn hơn như [-1, +1]?

Tại thị trường chứng khoán Việt Nam, biên độ phản ứng thường kéo dài do quy định chu kỳ thanh toán (T+2 / T+2.5) và hiện tượng bất đối xứng thông tin dẫn đến rò rỉ tin tức trước ngày công bố chính thức. Cửa sổ [-5, +5] cho phép quan sát trọn vẹn cả giai đoạn kỳ vọng (anticipation) lẫn giai đoạn hấp thụ thông tin hoàn toàn của thị trường.

3. Có thể tích hợp phương pháp này vào hệ thống giao dịch tự động không?

Có thể tích hợp. Pipeline xử lý dữ liệu có thể đóng gói thành một microservice nhận webhook thông báo sự kiện, tự động tính toán độ lệch chuẩn của $AR$ hiện tại so với phân phối lịch sử để phát tín hiệu giao dịch (Trigger Signal) cho các thuật toán thực thi lệnh.

4. Chi phí duy trì hệ sinh thái dữ liệu cho mô hình này là bao nhiêu?

Nếu triển khai ở quy mô nghiên cứu cá nhân, chi phí là 0 đồng khi sử dụng Google Colab và dữ liệu miễn phí. Đối với tổ chức chuyên nghiệp, chi phí chủ yếu đến từ phí bản quyền thuê bao API dữ liệu tài chính thời gian thực từ FiinGroup (~1.000 – 3.000 USD/năm).

5. Tại sao không có sự khác biệt statistically significant giữa phản ứng của cổ phiếu Ngân hàng và VN-Index?

Do tỷ trọng vốn hóa của nhóm cổ phiếu Ngân hàng chiếm xấp xỉ 30% VN-Index và có mối liên hệ mật thiết với thanh khoản toàn thị trường. Khi dòng tiền vào hoặc rút ra khỏi nhóm ngân hàng dưới tác động của lãi suất, chỉ số VN-Index sẽ dịch chuyển gần như cùng biên độ và chiều hướng.

Kết luận

Khóa luận tốt nghiệp đã giải quyết trọn vẹn bài toán định lượng phản ứng của thị trường chứng khoán và nhóm cổ phiếu ngành Ngân hàng trước các quyết định điều chỉnh lãi suất điều hành của Ngân hàng Nhà nước trong giai đoạn 2007 – 2023. Bằng việc ứng dụng phương pháp nghiên cứu sự kiện trên chuỗi 40 sự kiện chính sách, nghiên cứu đã chứng minh rõ nét mối quan hệ nghịch chiều có ý nghĩa thống kê giữa lãi suất điều hành và giá cổ phiếu ($CAAR$ đạt $+3.88%$ khi hạ lãi suất và $-3.15%$ khi tăng lãi suất).

Kết quả này không chỉ đóng góp một khung phân tích học thuật thực nghiệm chuẩn xác cho thị trường tài chính Việt Nam mà còn mang lại giá trị ứng dụng thực tiễn cao cho công tác quản trị danh mục đầu tư và điều hành chính sách tiền tệ vĩ mô. Các nhà đầu tư và nhà nghiên cứu có thể tiếp tục kế thừa mô hình mã nguồn mở này để mở rộng cho các lớp tài sản tài chính khác như bất động sản, chứng khoán phái sinh và trái phiếu doanh nghiệp.