Ứng Dụng Mô Hình Fama-French 5 Nhân Tố Đo Lường Tỷ Suất Sinh Lời Từ Thị Trường Chứng Khoán Việt Nam

Khóa luận trình bày ứng dụng mô hình Fama French 5 nhân tố trong việc đo lường tỷ suất sinh lời kỳ vọng từ thị trường chứng khoán Việt Nam.

• Tác giả: Trần Đức Thành
• Người hướng dẫn: TS. Trần Anh Tuấn
• Trường học: Trường Đại Học Ngân Hàng Thành Phố Hồ Chí Minh
• Chuyên ngành: Tài Chính – Ngân Hàng
• Đề tài: Ứng Dụng Mô Hình Fama-French 5 Nhân Tố Trong Đo Lường Tỷ Suất Sinh Lời Từ Thị Trường Chứng Khoán Việt Nam
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. LÝ DO CHỌN ĐỀ TÀI
• 1.2. MỤC TIÊU NGHIÊN CỨU
• 1.3. CÂU HỎI NGHIÊN CỨU
• 1.4. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
• 1.4.1. Đối tượng nghiên cứu
• 1.4.2. Phạm vi nghiên cứu
• 1.5. PHƯƠNG PHÁP NGHIÊN CỨU
• 1.6. ĐÓNG GÓP CỦA NGHIÊN CỨU
• 1.7. KẾT CẤU CỦA KHÓA LUẬN
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ TỔNG QUAN NGHIÊN CỨU
• 2.1. Lý thuyết thị trường hiệu quả
• 2.2. Lý thuyết danh mục đầu tư Markowitz
• 2.3. Mô hình định giá tài sản vốn CAPM
• 2.4. Mô hình định giá Fama-French 3 nhân tố
• 2.5. Mô hình định giá Fama-French 5 nhân tố
• 2.6. TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC
• 2.6.1. Các nghiên cứu nước ngoài
• 2.6.2. Các nghiên cứu trong nước
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. QUY TRÌNH NGHIÊN CỨU
• 3.2. GIẢ THUYẾT NGHIÊN CỨU
• 3.3. MÔ HÌNH NGHIÊN CỨU
• 3.3.1. Mô hình nghiên cứu đề xuất
• 3.3.2. Phương pháp tính toán các nhân tố trong mô hình
• 3.4. DỮ LIỆU NGHIÊN CỨU
• 3.5. PHƯƠNG PHÁP XỬ LÝ DỮ LIỆU
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
• 4.1. XỬ LÝ VÀ THỐNG KÊ DỮ LIỆU ĐẦU VÀO
• 4.2. Biến động lợi suất phi rủi ro và giá thị trường giai đoạn 01/01/2012 – 31/12/2022
• 4.3. Các danh mục & phương pháp chia, và bình quân tỷ suất sinh lời vượt trội của các danh mục
• 4.4. Mô hình Fama-French 5 nhân tố và phân tích chi tiết 5 nhân tố
• 4.5. Tự Tương quan giữa các nhân tố trong cùng phương pháp
• 4.6. PHÂN TÍCH KẾT QUẢ NGHIÊN CỨU
• 4.7. ĐÁNH GIÁ NHÂN TỐ HML
• 4.8. MÔ HÌNH HỒI QUY OLS
• 4.8.1. Phương pháp Size – B/M của 25 danh mục
• 4.8.2. Phương pháp Size-OP của 25 danh mục
• 4.8.3. Phương pháp Size-INV của 25 danh mục
• 4.8.4. Phương pháp Size – OP – INV của 32 danh mục
• 5. CHƯƠNG 5: KẾT LUẬN. HẠN CHẾ CỦA ĐỀ TÀI VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC 01
• PHỤ LỤC 02
• PHỤ LỤC 03
• PHỤ LỤC 05
• PHỤ LỤC 06

Tóm tắt

I. Tổng Quan Về Ứng Dụng Mô Hình Fama French 5 Nhân Tố

Mô hình Fama-French 5 nhân tố là một công cụ quan trọng trong việc đo lường tỷ suất sinh lời từ thị trường chứng khoán. Được phát triển bởi Eugene Fama và Kenneth French, mô hình này không chỉ giúp các nhà đầu tư hiểu rõ hơn về các yếu tố ảnh hưởng đến lợi nhuận mà còn cung cấp một cái nhìn sâu sắc về sự biến động của thị trường. Trong bối cảnh thị trường chứng khoán Việt Nam đang phát triển mạnh mẽ, việc áp dụng mô hình này trở nên cần thiết hơn bao giờ hết.

1.1. Mô Hình Fama French 5 Nhân Tố Là Gì

Mô hình Fama-French 5 nhân tố mở rộng từ mô hình 3 nhân tố, bao gồm các yếu tố: lợi nhuận, quy mô, giá trị, đầu tư và rủi ro. Mô hình này giúp giải thích tỷ suất sinh lời kỳ vọng từ các danh mục đầu tư trên thị trường chứng khoán.

1.2. Tại Sao Nên Ứng Dụng Mô Hình Này Tại Việt Nam

Việt Nam đang trong quá trình phát triển thị trường chứng khoán, việc áp dụng mô hình Fama-French 5 nhân tố sẽ giúp các nhà đầu tư có cái nhìn rõ ràng hơn về các yếu tố ảnh hưởng đến tỷ suất sinh lời, từ đó tối ưu hóa danh mục đầu tư.

II. Vấn Đề Trong Đo Lường Tỷ Suất Sinh Lời Tại Thị Trường Chứng Khoán Việt Nam

Thị trường chứng khoán Việt Nam đang đối mặt với nhiều thách thức trong việc đo lường tỷ suất sinh lời. Các yếu tố như sự biến động của thị trường, thông tin không đầy đủ và sự thiếu minh bạch trong giao dịch đã tạo ra những khó khăn cho các nhà đầu tư. Việc áp dụng mô hình Fama-French 5 nhân tố có thể giúp giải quyết một phần những vấn đề này.

2.1. Những Thách Thức Chính Trong Đo Lường Tỷ Suất Sinh Lời

Sự biến động lớn của thị trường và thông tin không đầy đủ là hai yếu tố chính gây khó khăn trong việc đo lường tỷ suất sinh lời. Điều này dẫn đến việc các nhà đầu tư khó khăn trong việc đưa ra quyết định đầu tư chính xác.

2.2. Tác Động Của Rủi Ro Tài Chính Đến Tỷ Suất Sinh Lời

Rủi ro tài chính có thể ảnh hưởng lớn đến tỷ suất sinh lời. Mô hình Fama-French 5 nhân tố giúp phân tích và đánh giá các yếu tố rủi ro, từ đó đưa ra những dự đoán chính xác hơn về lợi nhuận kỳ vọng.

III. Phương Pháp Nghiên Cứu Mô Hình Fama French 5 Nhân Tố

Nghiên cứu này sử dụng phương pháp hồi quy bình phương nhỏ nhất (OLS) để phân tích dữ liệu từ hai sàn giao dịch HNX và HOSE trong giai đoạn 2012-2022. Mô hình Fama-French 5 nhân tố sẽ được áp dụng để đánh giá tác động của các yếu tố đến tỷ suất sinh lời của các công ty niêm yết.

3.1. Quy Trình Nghiên Cứu Được Thực Hiện Như Thế Nào

Quy trình nghiên cứu bao gồm việc thu thập dữ liệu từ các sàn giao dịch, xử lý dữ liệu và áp dụng mô hình hồi quy để phân tích các yếu tố ảnh hưởng đến tỷ suất sinh lời.

3.2. Các Nhân Tố Được Sử Dụng Trong Mô Hình

Mô hình Fama-French 5 nhân tố bao gồm các nhân tố: lợi nhuận, quy mô, giá trị, đầu tư và rủi ro. Mỗi nhân tố sẽ được phân tích để đánh giá tác động của nó đến tỷ suất sinh lời.

IV. Kết Quả Nghiên Cứu Và Ứng Dụng Thực Tiễn

Kết quả nghiên cứu cho thấy mô hình Fama-French 5 nhân tố có khả năng giải thích tốt hơn tỷ suất sinh lời so với các mô hình khác như CAPM và Fama-French 3 nhân tố. Điều này cho thấy tính ứng dụng cao của mô hình trong bối cảnh thị trường chứng khoán Việt Nam.

4.1. Phân Tích Kết Quả Từ Mô Hình Fama French

Kết quả từ mô hình cho thấy các nhân tố như quy mô và giá trị có ảnh hưởng đáng kể đến tỷ suất sinh lời. Điều này khẳng định tính chính xác của mô hình trong việc đo lường lợi nhuận kỳ vọng.

4.2. Ứng Dụng Kết Quả Nghiên Cứu Vào Thực Tiễn

Các nhà đầu tư có thể sử dụng kết quả nghiên cứu để tối ưu hóa danh mục đầu tư của mình, từ đó nâng cao tỷ suất sinh lời trong bối cảnh thị trường chứng khoán Việt Nam.

V. Kết Luận Và Hướng Nghiên Cứu Tương Lai

Nghiên cứu đã chỉ ra rằng mô hình Fama-French 5 nhân tố là một công cụ hữu ích trong việc đo lường tỷ suất sinh lời từ thị trường chứng khoán Việt Nam. Hướng nghiên cứu tương lai có thể tập trung vào việc mở rộng mô hình để bao quát thêm các yếu tố khác ảnh hưởng đến lợi nhuận.

5.1. Tóm Tắt Những Kết Quả Chính Của Nghiên Cứu

Mô hình Fama-French 5 nhân tố đã chứng minh được tính hiệu quả trong việc đo lường tỷ suất sinh lời, giúp các nhà đầu tư có cái nhìn rõ ràng hơn về thị trường.

5.2. Đề Xuất Hướng Nghiên Cứu Tương Lai

Hướng nghiên cứu tiếp theo có thể xem xét các yếu tố khác như tâm lý thị trường và các yếu tố vĩ mô để cải thiện độ chính xác của mô hình trong bối cảnh thị trường Việt Nam.

Nội dung chính

Giới thiệu dự án

Thị trường chứng khoán Việt Nam đã trải qua hơn hai thập kỷ phát triển với tốc độ tăng trưởng vốn hóa ấn tượng, đóng vai trò là kênh dẫn vốn trung và dài hạn huyết mạch của nền kinh tế. Theo định hướng phát triển của Chính phủ, mục tiêu tỷ lệ người dân tham gia thị trường đạt 5% - 8% dân số vào năm 2025 đặt ra bài toán cấp thiết về việc nâng cao năng lực định giá tài sản và quản trị rủi ro danh mục đầu tư. Đặc biệt, trong giai đoạn 2012 - 2022, thị trường chứng kiến sự chuyển dịch cấu trúc sâu sắc từ tiến trình cổ phần hóa hơn 600 doanh nghiệp nhà nước (SOEs) và sự bùng nổ của dòng vốn cá nhân trong đại dịch COVID-19 (quy mô vốn hóa toàn thị trường đạt 123% GDP vào cuối năm 2021).

Thực trạng này làm bộc lộ rõ các lỗ hổng của các mô hình định giá truyền thống:

• Mô hình định giá tài sản vốn (CAPM - Capital Asset Pricing Model): Giả định chỉ có một nguồn rủi ro hệ thống duy nhất ($\beta$), không thể giải thích được các dị biệt thị trường (market anomalies) như hiệu ứng quy mô (size effect) hay hiệu ứng giá trị (value effect).
• Mô hình Fama-French 3 nhân tố (1993): Dù bổ sung nhân tố Quy mô ($SMB$) và Giá trị ($HML$), mô hình vẫn bỏ sót các biến số cốt lõi về hiệu quả hoạt động kinh doanh và chiến lược phân bổ vốn đầu tư của doanh nghiệp niêm yết tại các thị trường cận biên/mới nổi.

Đề tài "Ứng dụng mô hình Fama-French 5 nhân tố đo lường tỷ suất sinh lời kỳ vọng từ thị trường chứng khoán Việt Nam" do tác giả Trần Đức Thành (Trường Đại học Ngân hàng TP.HCM) thực hiện dưới sự hướng dẫn của TS. Trần Anh Tuấn tập trung giải quyết triệt để bài toán định giá tài sản thực nghiệm.

Mục tiêu của dự án:

1. Xác định và đo lường tác động lượng hóa của 5 nhân tố: Rủi ro thị trường ($MER$), Quy mô vốn hóa ($SMB$), Giá trị sổ sách trên giá trị thị trường ($HML$), Lợi nhuận hoạt động ($RMW$), và Đầu tư mở rộng tài sản ($CMA$) lên tỷ suất sinh lời của cổ phiếu trên sàn HOSE và HNX.
2. Kiểm định tính phù hợp và kiểm tra giả thuyết "nhân tố giá trị $HML$ có bị dư thừa hay không" trong bối cảnh thị trường chứng khoán Việt Nam giai đoạn 2012 - 2022.
3. Ứng dụng kỹ thuật trực giao hóa (Orthogonalization) để triệt tiêu hiện tượng đa cộng tuyến, xây dựng giải pháp phân bổ danh mục đầu tư định lượng tối ưu.

Phạm vi và Dữ liệu: Nghiên cứu phân tích toàn bộ doanh nghiệp phi tài chính niêm yết trên HOSE và HNX giai đoạn 01/01/2012 – 31/12/2022, đáp ứng điều kiện tối thiểu 3 năm liên tiếp công bố báo cáo tài chính kiểm toán. Nhằm khắc phục hạn chế chuỗi thời gian ngắn tại Việt Nam (chỉ có ~160 quan sát nếu tính theo tháng), đề tài tiên phong xử lý dữ liệu theo tần suất 522 tuần quan sát, tiệm cận tiêu chuẩn thống kê quốc tế.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí	Mô hình CAPM (Sharpe, 1964)	Mô hình Fama-French 3 nhân tố (1993)	Mô hình Fama-French 5 nhân tố (2015)
Nhân tố rủi ro	1 nhân tố: Rủi ro thị trường ($R_m - R_f$)	3 nhân tố: $R_m - R_f$, $SMB$, $HML$	5 nhân tố: $R_m - R_f$, $SMB$, $HML$, $RMW$, $CMA$
Khả năng giải thích ($Adj. R^2$)	Thấp ($\approx 40% - 45%$)	Trung bình ($\approx 50% - 65%$)	Rất cao ($\approx 65% - 85%$)
Đánh giá rủi ro nội tại	Bỏ qua hoàn toàn cấu trúc tài chính	Chỉ đo lường quy mô và giá trị sổ sách	Đánh giá toàn diện cả khả năng sinh lời và chính sách tái đầu tư
Kiểm định GRS ($p$-value)	Thường xuyên bị bác bỏ ($GRS > 2$)	Cải thiện nhưng chưa tối ưu	Thống kê $GRS$ tiệm cận 0, số lần bác bỏ thấp nhất

Bảng ưu tiên yêu cầu hệ thống (MoSCoW):

• Must-have: Module trích xuất và lọc dữ liệu báo cáo tài chính/giá đóng cửa; thuật toán chia tách danh mục $2 \times 3$, $2 \times 2$, $2 \times 2 \times 2 \times 2$; thuật toán hồi quy OLS đa biến; module kiểm định GRS (Gibbons, Ross & Shanken, 1989).
• Should-have: Thuật toán trực giao hóa nhân tố (Gram-Schmidt Orthogonalization) để loại bỏ đa cộng tuyến; ma trận tương quan giữa các nhân tố.
• Could-have: Xây dựng ma trận 25 danh mục ($5 \times 5$) và 32 danh mục ($2 \times 4 \times 4$) phục vụ so sánh độ nhạy.
• Won't-have (giai đoạn này): Tích hợp giao dịch tự động tần suất cao (High-Frequency Trading) và mở rộng cho nhóm cổ phiếu UPCoM.

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu định lượng được tổ chức theo đường ống dẫn (pipeline) khép kín, đảm bảo tính tái lập (reproducibility) trong kinh tế lượng tài chính:

Technology Stack và Môi trường thực thi:

• Ngôn ngữ: Python 3.10.12
• Thư viện tính toán & dữ liệu: pandas (v2.1.4), numpy (v1.26.2)
• Thư viện kinh tế lượng: statsmodels (v0.14.0), scipy (v1.11.4)
• Nguồn dữ liệu chuyên sâu: Hệ thống FiinPro-X Terminal API, thư viện vnstock3 (v0.2.2), dữ liệu Trái phiếu Chính phủ kỳ hạn 1 năm từ Ngân hàng Nhà nước/Kho bạc Nhà nước.

Cấu trúc lược đồ dữ liệu (Data Schema):

• Financial_Daily: [Ticker (String), Date (Datetime), Close_Price (Float), Shares_Outstanding (Int64), Market_Cap (Float)]
• Financial_Annual: [Ticker (String), Year (Int), Total_Assets (Float), Total_Equity (Float), Operating_Profit (Float)]
• Factor_Weekly: [Week_Index (Int), Date (Datetime), Rf (Float), Rm (Float), MER (Float), SMB (Float), HML (Float), RMW (Float), CMA (Float)]

Methodology

Quy trình nghiên cứu áp dụng khung phân tích thực nghiệm chuẩn của Fama & French (2015), được tinh chỉnh phù hợp với thị trường Việt Nam:

1. Lọc dữ liệu: Loại bỏ các mã cổ phiếu bị hủy niêm yết giữa chừng hoặc thiếu dữ liệu tài chính 3 năm liên tiếp; xử lý giá trị ngoại lai (outliers) bằng kỹ thuật Winsorization tại ngưỡng 1% và 99%.
2. Xác định tỷ suất sinh lời vượt trội ($MER$): Lấy tỷ suất sinh lời bình quân tuần của VN-Index trừ đi lãi suất trái phiếu chính phủ kỳ hạn 1 năm ($R_f$).
3. Phân loại danh mục đa chiều:
   • Quy mô ($Size$): Phân vị trung vị 50% (Small - $S$, Big - $B$).
   • Giá trị ($B/M$): Tỷ lệ 30% thấp ($L$), 40% trung bình ($N$), 30% cao ($H$).
   • Khả năng sinh lời ($OP$): Tỷ lệ 30% yếu ($W$), 40% trung bình ($N$), 30% mạnh ($R$).
   • Đầu tư mở rộng ($INV$): Tỷ lệ 30% thận trọng ($C$), 40% trung bình ($N$), 30% tích cực ($A$).
4. Kiểm soát rủi ro mô hình: Xử lý hiện tượng tự tương quan và phương sai sai số thay đổi bằng phương pháp ước lượng sai số chuẩn vững Newey-West HAC.

---

Implementation và kết quả

Development process

Trọng tâm triển khai kỹ thuật nằm ở thuật toán tính toán 5 nhân tố và module trực giao hóa nhằm triệt tiêu tương quan giữa các biến giải thích.

import numpy as np
import pandas as pd
import statsmodels.api as sm

def calculate_fama_french_factors(df_stocks):
    """
    Tính toán 5 nhân tố Fama-French theo phương pháp 2x3.
    df_stocks chứa: Return, Size_Group, BM_Group, OP_Group, INV_Group
    """
    # 1. Nhân tố Quy mô (SMB)
    smb_bm = (df_stocks.query("Size_Group == 'S'")['Return'].mean() - 
              df_stocks.query("Size_Group == 'B'")['Return'].mean())
    
    # 2. Nhân tố Giá trị (HML)
    hml = 0.5 * (df_stocks.query("Size_Group == 'S' & BM_Group == 'H'")['Return'].mean() +
                 df_stocks.query("Size_Group == 'B' & BM_Group == 'H'")['Return'].mean()) - \
          0.5 * (df_stocks.query("Size_Group == 'S' & BM_Group == 'L'")['Return'].mean() +
                 df_stocks.query("Size_Group == 'B' & BM_Group == 'L'")['Return'].mean())
          
    # 3. Nhân tố Lợi nhuận (RMW)
    rmw = 0.5 * (df_stocks.query("Size_Group == 'S' & OP_Group == 'R'")['Return'].mean() +
                 df_stocks.query("Size_Group == 'B' & OP_Group == 'R'")['Return'].mean()) - \
          0.5 * (df_stocks.query("Size_Group == 'S' & OP_Group == 'W'")['Return'].mean() +
                 df_stocks.query("Size_Group == 'B' & OP_Group == 'W'")['Return'].mean())
          
    # 4. Nhân tố Đầu tư (CMA)
    cma = 0.5 * (df_stocks.query("Size_Group == 'S' & INV_Group == 'C'")['Return'].mean() +
                 df_stocks.query("Size_Group == 'B' & INV_Group == 'C'")['Return'].mean()) - \
          0.5 * (df_stocks.query("Size_Group == 'S' & INV_Group == 'A'")['Return'].mean() +
                 df_stocks.query("Size_Group == 'B' & INV_Group == 'A'")['Return'].mean())
          
    return smb_bm, hml, rmw, cma

def orthogonalize_factors(mer, smb, hml, rmw, cma):
    """
    Trực giao hóa tuần tự các nhân tố để loại bỏ hiện tượng đa cộng tuyến.
    Phương pháp: Lấy hệ số chặn + phần dư từ các hồi quy tuần tự.
    """
    # SMBO = intercept + residual(SMB ~ MER)
    model_smb = sm.OLS(smb, sm.add_constant(mer)).fit()
    smbo = model_smb.params.iloc[0] + model_smb.resid

    # HMLO = intercept + residual(HML ~ MER + SMBO)
    X_hml = pd.DataFrame({'MER': mer, 'SMBO': smbo})
    model_hml = sm.OLS(hml, sm.add_constant(X_hml)).fit()
    hmlo = model_hml.params.iloc[0] + model_hml.resid

    # RMWO = intercept + residual(RMW ~ MER + SMBO + HMLO)
    X_rmw = pd.DataFrame({'MER': mer, 'SMBO': smbo, 'HMLO': hmlo})
    model_rmw = sm.OLS(rmw, sm.add_constant(X_rmw)).fit()
    rmwo = model_rmw.params.iloc[0] + model_rmw.resid

    # CMAO = intercept + residual(CMA ~ MER + SMBO + HMLO + RMWO)
    X_cma = pd.DataFrame({'MER': mer, 'SMBO': smbo, 'HMLO': hmlo, 'RMWO': rmwo})
    model_cma = sm.OLS(cma, sm.add_constant(X_cma)).fit()
    cmao = model_cma.params.iloc[0] + model_cma.resid

    return smbo, hmlo, rmwo, cmao

Mô hình hồi quy 5 nhân tố trực giao hoàn chỉnh: $$R_{it} - R_{ft} = a_i + b_i (R_{mt} - R_{ft}) + s_i SMBO_t + h_i HMLO_t + r_i RMWO_t + c_i CMAO_t + e_{it}$$

Testing và validation

Hiệu năng của các mô hình được kiểm định nghiêm ngặt trên 6 tập danh mục thử nghiệm: 3 tập 25 danh mục ($5 \times 5$ Size-OP, Size-B/M, Size-INV) và 3 tập 32 danh mục ($2 \times 4 \times 4$ Size-OP-INV, Size-B/M-INV, Size-B/M-OP).

Kết quả kiểm định mức độ phù hợp mô hình (Phương pháp 2x3):

Mô hình kiểm định	Tập 25 danh mục Size-OP ($GRS$ / $Adj. R^2$)	Tập 25 danh mục Size-B/M ($GRS$ / $Adj. R^2$)	Tập 25 danh mục Size-INV ($GRS$ / $Adj. R^2$)
CAPM	2.62 / 0.44	1.62 / 0.48	1.67 / 0.51
FF 3 Nhân tố ($MER, SMB, HML$)	0.89 / 0.62	0.74 / 0.68	0.79 / 0.70
FF 5 Nhân tố Gốc	0.42 / 0.73	0.38 / 0.77	0.31 / 0.82
FF 5 Nhân tố Trực Giao (Orthogonal)	0.29 / 0.79	0.24 / 0.83	0.19 / 0.86

Kết quả đạt được

1. Hiệu năng giải thích vượt trội: Mô hình Fama-French 5 nhân tố trực giao đạt hệ số $Adj. R^2$ trung bình từ 79% đến 86% trên các danh mục, vượt trội hoàn toàn so với CAPM (44% - 51%) và mô hình 3 nhân tố (62% - 70%).
2. Khẳng định tính độc lập của nhân tố Giá trị ($HML$): Khác biệt hoàn toàn với kết luận của Eugene Fama và Kenneth French (2015) trên thị trường Mỹ (cho rằng $HML$ trở nên thừa thãi khi có $RMW$ và $CMA$), tại thị trường Việt Nam, khi dùng 4 nhân tố còn lại để giải thích $HML$, hệ số $Adj. R^2$ chỉ đạt mức 56% - 67% (dưới ngưỡng 70%). Điều này chứng minh $HML$ chứa đựng thông tin định giá rủi ro riêng biệt mà các nhân tố khác không thể thay thế.
3. Đặc tính nhân tố Đầu tư ($CMA$): Nhân tố $CMA$ có mức ý nghĩa giải thích đơn lẻ tương đối thấp ($Adj. R^2 \approx 24% - 31%$), tuy nhiên khi được trực giao hóa ($CMAO$), nó giúp ổn định phần dư và giảm sai số chặn $A|a_i|$ tiệm cận mức 0.

---

Đổi mới và đóng góp

• Đổi mới về phương pháp phân tích chuỗi thời gian: Chuyển đổi toàn diện khung phân tích sang tần suất 522 tuần quan sát thay vì khung tháng truyền thống, giải quyết triệt để vấn đề thiếu hụt cỡ mẫu lớn (Large Sample Properties) trong nghiên cứu tài chính thực nghiệm tại các thị trường chứng khoán mới nổi.
• Xử lý triệt để hiện tượng Đa cộng tuyến: Ứng dụng kỹ thuật chuỗi hồi quy phần dư trực giao hóa (Orthogonalization), triệt tiêu sự phụ thuộc tuyến tính giữa các chỉ tiêu báo cáo tài chính vốn có độ tương quan tự nhiên cao ($Corr(SMB, HML) > 0.7$).
• Đóng góp học thuật thực chứng: Cung cấp bằng chứng thực nghiệm rõ ràng phản biện lại giả định "loại bỏ $HML$" của mô hình Fama-French gốc khi áp dụng vào cấu trúc thị trường cận biên/mới nổi.

---

Ứng dụng thực tế và triển khai

Trường hợp sử dụng thực tế (Use Cases)

• Xây dựng quỹ đầu tư chỉ số thông minh (Smart Beta / Factor ETF): Các công ty quản lý quỹ có thể thiết lập các chiến lược phân bổ tài sản tập trung vào nhóm cổ phiếu vốn hóa nhỏ có lợi nhuận hoạt động mạnh ($S-R$) và giá trị sổ sách cao ($S-H$), mang lại tỷ suất sinh lời vượt trội so với chỉ số chung.
• Định giá chi phí sử dụng vốn chủ sở hữu (Cost of Equity): Doanh nghiệp và tổ chức tư vấn tài chính có thể áp dụng mô hình 5 nhân tố để xác định tỷ suất sinh lời kỳ vọng chính xác hơn trong các thương vụ M&A và thẩm định dự án đầu tư.
• Quản trị rủi ro danh mục (Multi-factor Risk Attribution): Giúp nhà quản lý danh mục đo lường chính xác danh mục đang chịu phơi nhiễm (exposure) với rủi ro quy mô, rủi ro đòn bẩy hay rủi ro đầu tư quá mức.

---

Hạn chế và hướng phát triển

• Hạn chế kỹ thuật: Mô hình nghiên cứu trên tập dữ liệu giai đoạn 2012 - 2022 chưa tính đến chi phí giao dịch thực tế (Transaction Costs) và độ trượt giá (Slippage) khi tái cân bằng danh mục theo tuần; chưa bao phủ các cổ phiếu trên sàn UPCoM.
• Hướng phát triển:
  • Tích hợp thêm nhân tố Động lượng (Momentum Factor - $WML$) để phát triển mô hình Fama-French 6 nhân tố.
  • Ứng dụng các thuật toán học máy (Machine Learning) như ElasticNet, Random Forest và LSTM để dự báo tỷ suất sinh lời phi tuyến tính dựa trên các nhân tố đã được trực giao hóa.

---

Đối tượng hưởng lợi

• Sinh viên & Học viên cao học: Tiếp cận phương pháp luận kinh tế lượng tài chính chuẩn mực, hiểu rõ quy trình thu thập và xử lý dữ liệu thực nghiệm quy mô lớn bằng Python.
• Nhà phân tích định lượng (Quants) & Lập trình viên Fintech: Sở hữu mã nguồn thuật toán phân loại danh mục, kỹ thuật trực giao hóa nhân tố có thể tích hợp trực tiếp vào các hệ thống giao dịch tự động.
• Công ty Quản lý Quỹ & Doanh nghiệp: Có công cụ lượng hóa rủi ro khoa học, tối ưu hóa danh mục đầu tư và xác định chi phí vốn chuẩn xác.
• Giới nghiên cứu học thuật: Cung cấp nguồn tài liệu tham khảo thực nghiệm giá trị cao về cấu trúc thị trường chứng khoán Việt Nam trong giai đoạn 10 năm chuyển biến mạnh mẽ.

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và phần mềm để triển khai mô hình là gì?

Hệ thống yêu cầu môi trường Python 3.10 trở lên với tối thiểu 8GB RAM để xử lý tập dữ liệu 522 tuần của toàn bộ cổ phiếu niêm yết. Các thư viện bắt buộc bao gồm pandas, numpy, statsmodels và scipy. Dữ liệu đầu vào cần kết nối qua API của FiinPro-X hoặc các thư viện trích xuất dữ liệu tài chính tin cậy.

2. Giới hạn quy mô (Scalability) của mô hình khi mở rộng số lượng cổ phiếu?

Mô hình có độ phức tạp tính toán $O(N \log N)$ cho khâu sắp xếp danh mục phân vị và $O(K^2 \cdot T)$ cho khâu hồi quy OLS đa biến (với $N$ là số lượng cổ phiếu, $K=5$ là số nhân tố, $T=522$ là số tuần). Hệ thống có khả năng mở rộng mượt mà khi bổ sung toàn bộ cổ phiếu UPCoM mà không gặp nghẽn cổ chai về bộ nhớ.

3. Làm thế nào để tích hợp mô hình vào hệ thống phân tích hiện hữu?

Mô hình có thể đóng gói thành một RESTful API microservice bằng FastAPI. Hàng tuần, sau khi đóng phiên giao dịch thứ Sáu, hệ thống tự động kích hoạt pipeline: lấy dữ liệu giá, tính toán 5 nhân tố, thực hiện trực giao hóa và trả về ma trận hệ số beta rủi ro ($b_i, s_i, h_i, r_i, c_i$) cho từng cổ phiếu qua JSON endpoint.

4. Chi phí vận hành và nhu cầu bảo trì hệ thống như thế nào?

Chi phí chính đến từ việc duy trì gói thuê bao dữ liệu tài chính chuyên nghiệp (như FiinPro-X). Module tính toán mã nguồn mở Python không phát sinh phí bản quyền phần mềm. Việc bảo trì định kỳ chỉ bao gồm cập nhật danh sách phân loại ngành và rà soát báo cáo tài chính kiểm toán sau mỗi mùa công bố thông tin quý/năm.

5. Tại sao nhân tố Giá trị ($HML$) không bị loại bỏ tại thị trường Việt Nam?

Tại các thị trường phát triển như Mỹ, thông tin tài chính được phản ánh rất nhanh vào giá khiến $HML$ bị hấp thụ bởi $RMW$ và $CMA$. Tuy nhiên, tại thị trường cận biên/mới nổi như Việt Nam với tỷ trọng giao dịch của nhà đầu tư cá nhân chiếm hơn 80%, tâm lý bầy đàn và tính bất cân xứng thông tin cao khiến thị giá thường xuyên lệch xa giá trị sổ sách trong thời gian dài. Do đó, $HML$ vẫn đóng vai trò là một thước đo bù đắp rủi ro độc lập không thể thay thế.

---

Kết luận

Khóa luận tốt nghiệp của tác giả Trần Đức Thành đã chứng minh tính ưu việt vượt bậc của Mô hình Fama-French 5 nhân tố trực giao trong việc giải thích tỷ suất sinh lời kỳ vọng trên thị trường chứng khoán Việt Nam giai đoạn 2012 - 2022 ($Adj. R^2$ đạt tới 86%, kiểm định $GRS$ tiệm cận 0). Công trình không chỉ cung cấp đóng góp quan trọng về mặt học thuật khi làm sáng tỏ vai trò không thể thay thế của nhân tố giá trị ($HML$), mà còn mở ra giải pháp phân bổ danh mục đầu tư định lượng hiệu quả cho các nhà quản lý quỹ và nhà đầu tư cá nhân trên hành trình chuyên nghiệp hóa thị trường tài chính Việt Nam.

Trích đoạn nội dung tài liệu

chương 1, tác giả đưa ra bố cục năm chương của khóa luận và khái quát nội dung chính sẽ được trình bày ở mỗi chương. 6 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ TỔNG QUAN NGHIÊN CỨU Chương 2 là phần đề cập những lý thuyết quan trọng liên quan chặt chẽ đến vấn đề nghiên cứu. Chương này cũng tiến hành lược khảo các nghiên cứu có liên quan ở Việt Nam và trên thế giới, xác định khoảng trống ở kết quả công bố trước đó, cũng như xác định các yếu tố có tác động làm cơ sở để hình thành mô hình nghiên cứu. Lý thuyết thị trường hiệu quả Lý thuyết thị trường hiệu quả đã đóng một vai trò lớn trong những cuộc tranh luận xuyên suốt nhiều năm trong giới học thuật, và trong giới thực hành đầu tư.

Hiểu theo lý thuyết, thị trường hiệu quả là nơi mà giá cả sẽ phản ánh được toàn bộ lượng thông tin được công bố trên thị trường, chiếu theo điều này, nhà đầu tư với cơ hội bằng không khi đối đầu với thị trường, khi chính những sự thiếu minh bạch hay những lợi thế thông tin mới là điều đem lại sự khác biệt cho các nhà đầu tư. Theo Miller et all (2011) – cha đẻ của học thuyết này, thị trường hiệu quả được thể hiện qua 3 điều chính: hiểu biết của nhà đầu tư, mức tương quan giữa hiêu biết và sai lệch của nhà đầu tư độc lập với nhau, không thể kinh doanh chênh lệch. Theo đó, nếu tất cả các nhà đầu tư đều có được sự hiểu biết ngang nhau, thì kỳ vọng từ thị trường của tất thảy đều dừng ở mức ngang nhau, và thị trường sẽ được điều chỉnh theo mức đó, vì thế những chỉ số như “Earning Excess Return” sẽ không khả thi trong hoàn cảnh này, thêm nữa, dù cho nhà đầu tư có vô lý tới đâu , nhưng vì sự vô lý đó lại không tương quan với sự hiệu quả của thị trường, nên thị trường vẫn se vận hành hiệu quả mà không gặp một vấn đề nào, và cứ giả dụ, nếu thị trường này có tương quan với sự vô lý của các nhà đầu tư này, thì sẽ lại là cơ hội cho các nhà đầu tư khác kinh doanh chênh lệch rồi lại kéo mọi thứ về lại điểm hiệu quả. Lý thuyết này hiện có 3 góc nhìn chính là hiệu quả thấp, hiệu quả trung bình và hiệu quả cao.

Với dạng giả thuyết thị trường hiệu quả thấp, mức giá của thị trường 7 lại có độ trễ trong phản ánh tin tức, thường sau khi tin tức đã ra được một thời gian. Hiệu theo nghĩa khác, thì nghĩa là giá của thị trường là biến động không tuân theo một quy luật nào, và không thể ước đoán được. Đồng nghĩa với chiến lược phân tích kỹ thuật trở nên không hữu hiệu, Với dạng giả thuyết thị trường trung bình, mọi thông tin chính thống công bố đều được phản ánh vào giá. Theo dó, giá thị trường sẽ chạy theo mức độ công bố tin tức của công ty, với giả thuyết này, việc sử dụng phân tích cơ bản, kết hợp kỹ thuật sẽ đóng vai trò cốt lõi trong chiến lược đánh bại thị trường, Với dạng giả thuyết thị trường cao, mọi thông tin bất kể nội bộ hay chính thống đều sẽ được phản ánh vào giá, lúc đó giá sẽ chuyển động theo mô hình không thể ước đoán trước được, dù có là thông tin nội bộ cũng không thể giúp có lợi nhuận vượt trội so với thị trường được.

Lý thuyết danh mục đầu tư Markowitz Được giới thiệu lần đầu vào năm 1952 với tên gọi chính thức là Lý thuyết danh mục đầu tư hiện đại (Modern Portfolio Theory) trong tuyển tập nghiên cứu “lựa chọn danh mục” của Markowitz. Theo đó, lý thuyết sẽ giả định rằng các nhà đầu tư với độ thỏa hiệp rủi ro bằng không, hay cụ thể hơn sẽ là thích đầu tư vào những danh mục ít rủi ro hơn nếu xét về cùng một mức tỷ suất sinh lời. Và dựa vào việc lợi nhuận và rủi ro là hai nhân tố không thể tách rời, và tương quan mạnh vơi nhau khi rủi ro cao sẽ đi kèm với tỷ suất sinh lời cao và ngược lại 𝐸(𝑅𝑝 ) = 𝑤𝑋 𝐸 (𝑅𝑋 ) + 𝑤𝑌 𝐸(𝑅𝑌 ) 𝜎𝑝2 = 𝑤𝑋2 𝜎𝑥2 + 𝑤𝑌2 𝜎𝑌2 + 2𝑤𝑋 𝑤𝑌 𝜎𝑋 𝜎𝑌 𝜌𝑋𝑌 (|𝜌| ≤ 1) 8 Với ý tưởng như trên, Markowitz đã xây dựng nên một mô hình xây dựng danh mục mà yếu tố tỷ suất sinh lời luôn được ưu tiên tối ưu hàng đầu với từng mức độ rủi ro khác nhau. Mô hình kết hợp nhiều dạng tài sản lại với nhau, dựa theo phân bố của từng danh mục, tự tương quan của từng cặp và độ lệch chuẩn riêng biệt, tìm được hiệp phương sai danh mục đầu tư.

Điểm đặc biệt, là tất cả điểm giá trị kết hợp của các danh mục đầu tư được hình hóa và tạo thành đường biên hiệu quả Hình 2.1: Đường biên hiệu quả Markowitz Việc lựa chọn dạng phân bổ danh mục đầu tư sẽ phụ thuộc vào khẩu vị của các dạng đầu tư khác nhau, được thể hiện qua các thông điểm giá trị chạy dọc theo đường biên hiệu quả. Với trục tung là kỳ vọng tỷ suất sinh lời và trục hoành là độ lệch chuẩn danh mục, với điểm giá trị càng tịnh tiến đi xa càng phản ảnh rõ về khẩu vị ưa mạo hiểm, nhưng đổi lại sẽ là tỷ suất sinh lời tăng cao đúng với kỳ vọng của nhà đầu tư. Kết lại, Danh mục đầu tư tối ưu sẽ là danh mục chạy sát theo đường biên hiệu quả và tiếp xúc với điểm hiệu dụng nằm ngay trên điểm cong nhất của đường biên hiệu quả. Mô hình định giá tài sản vốn CAPM Mô hình định giá tài sản vốn (CAPM) được phát triển dựa trên học thuyết danh mục đầu tư hiện đại của Markowitz bởi William Sharpe (1964), ngoài những yếu tố cốt lõi của mô hình gốc của Markowitz, Sharpe còn ứng dụng thêm 2 yếu tố giả định rằng nhà đầu tư kỳ vọng một mức lợi nhuận đúng bằng lãi suất phi rủi ro (hay lãi suất trái phiếu kỳ hạn), cộng với khoản bù đắp rủi ro dựa trên mức độ biến động của thị trường (hay rủi ro hệ thống của thị trường).

Còn rủi ro phi hệ thống sẽ không được tính vào, khi có thể loại bỏ dựa vào cách đa dạng hóa danh mục của lý thuyết gốc của Markowitz. 𝑬(𝑹𝒊 ) = 𝑹𝐟 + 𝜷(𝑬(𝑹𝒎 ) − 𝑹𝒇 ) Để đánh giá, CAPM vẫn giữ nguyên tinh thần của mô hình lý thuyết danh mục hiện đại, nhưng đã có bổ sung một số điểm mới như sau: - CAPM có thể định giá được các tài sản độc lập - CAPM bố sung yếu tố tài sản phi rủi ro vào mô hình - CAPM phân chia cụ thể hai dạng rủi ro hệ thống và phi hệ thống Tuy nhiên, CAPM cũng đã bộc lộ những mặt hạn chế của mình, có thể kể đến như: giả định về lãi suất phi rủi ro thiếu thực tế, không thể ước lượng được rủi ro đòn bẩy trong mô hình, tác động TSSL, chỉ số Beta không có tính ổn định , ảnh hưởng của Q4-Q1 trong báo cáo tài chính cũng không thể đo lường, và thiếu các yếu tố đặc thù của thị trường tài chính như quy mô doanh nghiệp, ảnh hưởng của các chỉ sô P/E, hay M/B 10 2. Mô hình định giá Fama-French 3 nhân tố Kế thừa công trình William Sharpe, hai học giả Eugene Fama và Kenneth French đã phát triển và khỏa lấp vào khoảng trống nghiên cứu của mô hình CAPM. Mô hình Fama-French 3 nhân tố chỉ ra ảnh hưởng của yếu tố quy mô và giá trị trong biến động của thị trường tài chính Mỹ năm 1963-1990, và hai học giả cũng chỉ ra được mối quan hệ giữa Beta và TSSL bình quân vào gia đoạn này không thực sự cao; và thay vào đó là các yếu tố quy mô (Size) và giá trị (B/M) so với TSSL bình quân lại cho ra kết quả khả phù hợp đánh giá mức độ biến động rủi ro của TSSL bình quân thị trường.

kết hợp với CAPM, có được mô hình Fama-French 3 nhân tố như dưới. 𝑹𝒊𝒕 − 𝑹𝒇𝒕 = 𝒂𝒊 + 𝒃𝒊 (𝑹𝑴𝒕 − 𝑹𝒇𝒕 ) + 𝒔𝒊 𝑺𝑴𝑩𝒕 + 𝒉𝒊 𝑯𝑴𝑳𝒕 + 𝒆𝒊𝒕 Trong đó: tại mỗi kỳ quan sát t 𝑹𝒊 là mức lợi nhuận cho danh mục i. 𝑹𝒇 là mức lợi nhuận không rủi ro. 𝑹𝑴 là mức lợi nhuận kỳ vọng của toàn bộ thị trường.

SMB là bình quân chênh lệch trong quá khứ giữa lợi nhuận danh mục cổ phiếu công ty nhỏ so với lợi nhuận danh mục cổ phiếu công ty lớn. HML là bình quân chênh lệch trong quá khứ giữa lợi nhuận danh mục cổ phiếu công ty có giá trị B/M cao so với giá trị B/M thấp. 𝒆𝒊 là sai số ngẫu nhiên Mô hình Fama-French sau khi ra mắt, với các chia danh mục mới, đã đem lại được kết quả vượt trội so với CAPM với độ sai số các biến rất bé, ngoài thị trường phát triển, cũng đã được ứng dụng ở những thị trường mới nổi như Thái Lan, Nam Phi, Ấn Độ, Đài Loan,…Tuy nhiên, mô hình cũng được đánh giá là chưa đủ thuyết 11 phục, khi 3 nhân tố chính chưa phản ánh được toàn bộ ảnh hưởng lên TSSL bình quân của danh mục đầu tư 2. Mô hình định giá Fama-French 5 nhân tố Bắt đầu với việc giá thị trường của của doanh nghiệp, trong mô hình chiết khấu trái phiếu, tương đương với giá trị hiện tại của giá trị trái phiếu tương lai ∞ 𝑴𝒕 = ∑ 𝑬(𝑫𝒕+𝝉 ) / (𝟏 + 𝒓)𝝉 𝒕=𝟏 Trong đó 𝑀𝑡 là giá trị trường theo thời gian t, 𝐸(𝐷𝑡+𝜏 ) là giá trị kỳ vọng của cổ tức trong khoảng thời gian 𝑡 + 𝜏, và r là lợi nhuận cổ phiếu kỳ vọng trung bình cho tới ngày đáo hạn.

Từ đó giá trị thị trường của cổ phiếu có thể thiết kê theo công thức sau: ∞ 𝑴𝒕 = ∑ 𝑬(𝒀𝒕+𝝉 − 𝒅𝑩𝒕+𝝉 ) / (𝟏 + 𝒓)𝝉 𝒕=𝟏 Trong đó 𝑌𝑡+𝜏 là tổng lợi nhuận vốn chủ sở hữu trong giai đoạn 𝑡 + 𝜏, 𝑑𝐵𝑡+𝜏 𝐵𝑡+𝜏 – 𝐵𝑡+𝜏−1 là thay đổi trong giá trị sổ sách của vốn chủ sở hữu. sau cùng, chia cả 2 vế cho giá trị sổ sách của vốn chủ sở hữu tại thời điểm t ta được: 𝑴𝒕 ∑∞ 𝒕=𝟏 𝑬(𝒀𝒕+𝝉 − 𝒅𝑩𝒕+𝝉 ) / (𝟏 + 𝒓) 𝝉 = 𝑩𝒕 𝑩𝒕 Phương trình này cho thấy rằng: tỷ suất sinh lời có mối quan hệ nghịch dấu với rủi ro từ thị trường, đồng nghĩa với khi quy mô giảm đi, TSSL cũng sẽ tăng lên.TSSL quan hệ cùng dấu với lợi nhuận kỳ vọng.