Ảnh hưởng của ASVI tới lợi nhuận của các công ty trong nhóm VN30, sử dụng phương pháp phân tích GARCH

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:17

Thêm vào BST

Báo xấu

2
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết này nhằm mục tiêu phân tích ảnh hưởng của chỉ số khối lượng tìm kiếm của Google - Search Volume Index bất thường (ASVI) tới các chuỗi lợi nhuận theo tuần của 44 cổ phiếu trong nhóm VN30, ứng dụng mô hình GARCH, trên bộ dữ liệu 3/1/2018-29/12/2022.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Ảnh hưởng của ASVI tới lợi nhuận của các công ty trong nhóm VN30, sử dụng phương pháp phân tích GARCH

PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 ẢNH HƯỞNG CỦA ASVI TỚI LỢI NHUẬN CỦA CÁC CÔNG TY TRONG NHÓM VN30, SỬ DỤNG PHƯƠNG PHÁP PHÂN TÍCH GARCH Lương Minh Hoàng Đào Thị Thanh Bình Đào Mai Hương Phạm Thị Mỹ Phương Trường Đại học Hà Nội Email: hoanglm@hanu.edu.vn , binhdtt@hanu.edu.vn, maihuong@hanu.edu.vn, phuongptm@hanu.edu.vn Tóm tắt: Chỉ số VN30 bao gồm là các cổ phiếu có vốn hoá lớn, và có tính định hướng thị trường, cũng như mục tiêu làm các quỹ ETF. Chính vì vậy, các yếu tố ảnh hưởng lên lợi nhuận của cổ phiếu các công ty trong nhóm VN30 luôn được các nhà đầu tư đặc biệt quan tâm, vì nó là yếu tố quyết định tới tỷ suất sinh lời tại các thời điểm cụ thể. Bài viết này nhằm mục tiêu phân tích ảnh hưởng của chỉ số khối lượng tìm kiếm của Google - Search Volume Index bất thường (ASVI) tới các chuỗi lợi nhuận theo tuần của 44 cổ phiếu trong nhóm VN30, ứng dụng mô hình GARCH, trên bộ dữ liệu 3/1/2018-29/12/2022. Kết quả cho thấy chỉ có một số cổ phiếu có sự ảnh hưởng đáng kể của ASVI lên lợi nhuận, một số khác là không có ảnh hưởng có ý nghĩa thống kê. Ngoài ra phần lớn các chuỗi lợi nhuận trong nhóm VN30 là có phương sai sai số theo mô hình Garch(1,1). Từ khóa: VN30, lợi nhuận cổ phiếu, mô hình GARCH, SVI, ASVI. 1. Mở đầu Thị trường chứng khoán Việt Nam cũng giống như các thị trường chứng khoán khác trên thế giới, chịu sự ảnh hưởng của các biến động kinh tế cũng như sự thay đổi trong tâm trạng và quan tâm của nhà đầu tư. Ở một thị trường còn non trẻ, tâm trạng cũng như sự quan tâm của nhà đầu tư được kỳ vọng sẽ được phản ánh lên động lực và biến động của thị trường. Nhờ sự phát triển vượt bậc của công nghệ trong những năm gần đây, việc thu thập dữ liệu và định lượng các yếu tố tâm lý trở nên dễ dàng và thuận tiện hơn. Điều này mở ra các cơ hội mới để có thể thực hiện các nghiên cứu phân tích sâu rộng hơn mối quan hệ giữa lợi tức cổ phiếu và sự chú ý của nhà đầu tư. Nghiên cứu này được thực hiện nhằm đánh giá sự ảnh hưởng của sự chú ý của nhà đầu tư lên lợi tức của các cổ phiếu đã và đang trong chỉ số VN30, sử dụng dữ liệu trong giai đoạn từ ngày 1 tháng 1 năm 2018 đến ngày 31 tháng 12 năm 2022. Sử dụng chỉ số khối lượng tìm kiếm của Google - Search Volume Index (SVI) cho các mã cổ phiếu (stock ticker), sự thay đổi trong sự chú ý của nhà đầu tư sẽ được thể hiện ở sự biến động của chỉ số SVI. Trong nghiên cứu này, lợi tức theo tuần của các cổ phiếu trong chỉ số VN30 sẽ được hồi quy theo sự bất thường ở chỉ số SVI (ASVI) cùng biến điều khiển là phần bù rủi ro thị trường (MRP). Kết quả cho thấy ở hầu hết các cổ phiếu trong VN30, ASVI không có ý nghĩa thống kê trong việc dự báo lợi tức của cổ phiếu. 675
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Ngoài ra, trong nghiên cứu này, mô hình GARCH - Generalized Autoregressive Conditional Heteroskedasticity cũng được sử dụng để kiểm tra sự hợp lý của giả định về tính đồng phương của phương sai trong phương pháp hồi quy OLS. Ngoại trừ cổ phiếu GRV, độ biến động của các phần dư là không đồng nhất và phần lớn là theo mô hình GARCH(1,1) ở các cổ phiếu thuộc chỉ số VN30 được nghiên cứu. Bài nghiên cứu được cấu trúc như sau. Phần 2 là tổng quan lý thuyết trong đó thảo luận về các nghiên cứu đã được công khai và kết quả của chúng. Phần 3 mô tả dữ liệu và phương pháp luận của bài viết. Các kết quả và hạn chế của bài nghiên cứu sẽ được trình bày trong phần 4. Phần 5 là kết luận và các hướng nghiên cứu trong tương lai. 2. Tổng quan lý thuyết 2.1. Lý thuyết thị trường hiệu quả và sự quan tâm của nhà đầu tư Lý thuyết thị trường hiệu quả (EMH) có hàm ý quan trọng đối trong lĩnh vực nguyên cứu hàn lâm và thực tiễn trong việc giải thích hành vi giá cổ phiếu. Tuy nhiên, lý thuyết này cũng nhận được nhiều tranh cãi. Sau nhiều thập kỷ nghiên cứu, các nhà nghiên cứu vẫn chưa đạt được sự đồng thuận về việc liệu thị trường có hiệu quả hay không. Theo Giả thuyết Thị trường hiệu quả do Fama (1970) phát triển, một thị trường hiệu quả khi giá cổ phiếu phản ánh tất cả thông tin sẵn có. Nếu cổ phiếu bị định giá sai, các nhà kinh doanh chênh lệch giá sẽ nhanh chóng nắm giữ vị thế trên thị trường và giá cổ phiếu cuối cùng sẽ quay trở lại trạng thái cân bằng. Bản chất của một thị trường hiệu quả được xây dựng dựa trên hai ý tưởng chính: trong thị trường hiệu quả, thông tin có sẵn được phản ánh vào giá cổ phiếu và do đó, các nhà đầu tư không thể kiếm được lợi nhuận cao hơn so với thị trường Có nhiều tài liệu nghiên cứu thực nghiệm khẳng định EMH với nhiều mức độ hiệu quả thị trường khác nhau: Nisar và Hanif (2012a, 2012b) chỉ ra một số thị trường Châu Á Thái Bình Dương, Châu Mỹ và Châu Âu tuân theo hiệu quả thị trường dạng yếu – khi giá chứng khoán phản ánh đầy đủ mọi thông tin dữ liệu lịch sử, do đó nhà đầu tư sẽ không tìm kiếm được lợi nhuận dựa trên cơ sở các thông tin này; Brealey và cộng sự (2011) nhận thấy rằng tổng lợi nhuận thặng dư phải bằng 0 hoặc âm, Malkiel (2011) chỉ ra rằng hơn 66% quỹ tương hỗ của Hoa Kỳ mang lại ít lợi nhuận hơn so với chuẩn. Từ những thập kỷ cuối của thế kỷ 20, nhiều nghiên cứu về EMH đã kết luận về tính kém hiệu quả như: phản ứng thái quá của nhà đầu tư và hiệu ứng tháng Một (De Bondt và Thaler, 1985), hiệu ứng doanh nghiệp nhỏ (Malkiel, 2003), Hành vi bước đi ngẫu nhiên của giá (Malkiel, 2012). Nhiều nghiên cứu tìm ra các yếu tố khác nhau, được chứng minh là giải thích cho sự thay đổi tỷ suất sinh lợi cổ phiếu. Fama và French (1993) khuyến nghị rằng sự thay đổi trong lợi nhuận cổ phiếu được xác định bởi phần bù rủi ro thị trường, quy mô và giá trị công ty. Fama và French (2015) sau đó đã bổ sung thêm hai yếu tố nữa là khả năng sinh lời và đầu tư để giải thích sự biến động của tỷ suất sinh lợi của cổ phiếu. Jagadeesh và Titman (1993) xác định rằng hiệu ứng momentum có khả năng giải thích sự thay đổi của giá cổ phiếu. Hiệu ứng momentum là tình huống các cổ phiếu hoạt động tốt hơn (hoạt động kém hơn) thị trường trong vài tháng qua có xu hướng hoạt động tốt hơn (tệ hơn) so với thị trường trong những tháng tiếp theo. Một số minh chứng mâu thuẫn với EMH có thể được giải thích bằng Tài chính hành vi, trong đó chỉ ra rằng sự thay đổi trong lợi nhuận chứng khoán có thể phát sinh từ sự bất hợp lý của những người tham gia thị trường. Hành vi phi lý của các nhà đầu tư có thể dẫn đến việc định giá sai cổ phiếu trong ngắn hạn cũng như bong bóng tài sản dài hạn (Degutis & Novickyte, 676
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 2014). Một nghiên cứu của Baker và Nofsinger (2010) đã chỉ ra những hiện tượng phi lý phổ biến nhất bao gồm Hiệu ứng ám ảnh về mất mát (Loss aversion), tự tin quá mức (overconfidence), hiệu ứng mỏ neo (anchoring) hay thiên vị xác nhận (confirmation bias). Mô hình Tự tin thái quá (Overconfidence) do Daniel và cộng sự (1998) đề xuất khẳng định rằng các nhà đầu tư có thể quá tự tin về thông tin cá nhân mà họ đã dày công tạo ra. Tin tức công khai sau đó cũng ảnh hưởng đến giá theo cách tương tự do sự thiên vị tự quy của nhà đầu tư. Do đó, sự tự tin thái quá ban đầu càng trở nên trầm trọng hơn, từ đó tạo ra hiệu ứng momentum. Theo Da và cộng sự (2011), sự chú ý là điều kiện cần thiết để các hành vi thành kiến có ảnh hưởng đến giao dịch và giá tài sản, khi có nhiều nhà đầu tư cá nhân chú ý đến một cổ phiếu hơn, sự tự tin quá mức của họ tổng hợp lại có nhiều khả năng ảnh hưởng đến giá tài sản và tạo ra hiệu ứng momentum mạnh mẽ hơn. Vì sự chú ý là nguồn lực khan hiếm nên các nhà đầu tư bán lẻ chỉ tìm cách mua những cổ phiếu thu hút được sự chú ý của họ; ngược lại, khi muốn bán cổ phiếu, họ thường chỉ có thể nhìn thấy những cổ phiếu mà họ đã sở hữu (Barber và Odean, 2008). Trong thời đại internet và sự phổ biến của công cụ tìm kiếm như Google, các nhà đầu tư thường có những nguồn thông tin giống nhau và có thể đưa ra những đánh giá cổ phiếu tương tự nhau, điều này có thể dẫn đến hiệu ứng momentum mạnh mẽ hơn. Có một số biến đại diện gián tiếp đo lường sự quan tâm của nhà đầu tư như khối lượng giao dịch và lợi nhuận cực đại (Barber & Odean, 2008), thông tin mới (Baker & Wurgler, 2006), chi phí quảng cáo (Gustavo et al., 2004), bản tin mới (Tetlock, 2007). Những biện pháp này giả định rằng các nhà đầu tư sẽ quan tâm đến những cổ phiếu có tỷ suất lợi nhuận cực cao và các cổ phiếu được đề cập trên các phương tiện truyền thông hoặc tin tức. Tuy nhiên, điều này là không thể đảm bảo. Sau đó, Da và các đồng nghiệp (2011) đề xuất tần suất tìm kiếm tổng hợp (SVI) của Google là thước đo trực tiếp để đo lường sự quan tâm của các nhà đầu tư. Nguyên nhân chọn Google SVI là do Google chiếm khoảng 90% trên toàn thế giới (Statcounter, 2023) trong tổng số truy vấn tìm kiếm. Ở Việt Nam, con số này còn cao hơn, hơn 95% trong 10 năm qua (2013-2023). Quan trọng hơn, Google SVI cung cấp thước đo trực tiếp và rõ ràng về mức độ quan tâm của nhà đầu tư. Nghiên cứu của Da và cộng sự (2011), trên mẫu cổ phiếu Rusell 3000 từ năm 2004 đến năm 2008, đã kết luận rằng sự gia tăng bất thường của Google SVI (ASVI) có thể dẫn đến giá cổ phiếu cao hơn nhưng tác động có giảm dần trong năm. Điều này chứng minh giả thuyết EMH không đúng đối với thị trường cổ phiếu Mỹ trong giai đoạn nghiên cứu. Chỉ số khối lượng tìm kiếm bất thường, ASVI, là thước đo lường sự quan tâm bất thường của nhà đầu tư, cụ thể, ASVI được tính bằng log SVI của tuần hiện tại trừ log của SVI trung bình trong 8 tuần qua. Trong một nghiên cứu tương tự, Joseph và cộng sự (2011) nhận thấy rằng ASVI dự đoán lợi nhuận cao của cổ phiếu trong tương lai trong một đến hai tuần đầu tiên với sự đảo chiều tiếp theo. Preis và cộng sự (2013) nhận thấy rằng chiến lược trong đó danh mục đầu tư thị trường được mua hoặc bán dựa trên ASVI cho kết quả tốt hơn chỉ số thị trường ba lần. Một số lượng lớn các bài nghiên cứu gần đây cũng cho thấy mối quan hệ tích cực giữa ASVI và tỷ suất sinh lợi cổ phiếu, đi ngược lại với giả thuyết thị trường hiệu quả. Một nghiên cứu của Chen & Craig (2023), sử dụng dữ liệu hàng tuần về mức độ quan tâm của nhà đầu tư bán lẻ tích cực theo ASVI cho mã cổ phiếu, nhận thấy rằng sự quan tâm của nhà đầu tư bán lẻ tích cực và sự gia tăng quan tâm của nhà đầu tư bán lẻ tích cực có liên quan đến sự gia tăng nguồn lực của nhà đầu tư, có thể hiểu là liên quan tích cực đến nhu cầu về cổ phiếu và lợi nhuận 677
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 cổ phiếu trong bốn tuần tiếp theo. Tương tự, Desagre và D’Hondt (2021) (thị trường Bỉ, Mỹ, Pháp và Hà Lan), Yang và cộng sự (2021), Dharani và cộng sự (2021), Swamy và Dharani (2019) (thị trường Ấn Độ), Takeda và Wakao (2014) (thị trường Nhật Bản) cũng kết luận rằng ASVI có mối liên hệ thuận chiều với lợi nhuận cổ phiếu. Mặt khác, Bijl và cộng sự (2016) nhận thấy rằng lượng tìm kiếm cổ phiếu (theo mã) cao trên Google dẫn đến lợi nhuận âm, khi sử dụng mẫu các công ty S&P 500 từ năm 2008 đến năm 2013. Chen (2017) ghi nhận sự sụt giảm đáng kể về lợi nhuận chứng khoán toàn cầu sau khi có sự gia tăng chú ý của nhà đầu tư và tác động tiêu cực này rõ ràng hơn ở các nước phát triển như Mỹ. Tại Việt Nam, nghiên cứu của Cường Nguyễn và cộng sự (2020) trên mẫu các công ty niêm yết trên HOSE từ năm 2013 đến năm 2018, cho thấy cường độ tìm kiếm có mối tương quan dương với lợi nhuận cổ phiếu và khối lượng giao dịch sau đó. Một số nghiên cứu khác tại thị trường Việt Nam sử dụng Google SVI làm thước đo sự chú ý của nhà đầu tư nhưng không nghiên cứu mối liên hệ của nó với lợi nhuận cổ phiếu. Một nghiên cứu của Vũ Uyên (2022) điều tra tâm trạng của các nhà đầu tư liên quan đến đại dịch COVID-19 và phân tích tác động của nó đến lợi nhuận thị trường chứng khoán Việt Nam bằng cách xây dựng chỉ số sợ hãi COVID-19 Google SVI. Bài viết của Bùi Xuân Vinh và Nguyễn Thu Hằng (2019) nghiên cứu mối quan hệ giữa GSV với khối lượng giao dịch, tính thanh khoản và biến động. Một bài báo khác của Dư Nguyễn và Minh Phạm (2018) điều tra thước đo tâm lý sử dụng SVI của một số từ khóa trên Google tìm kiếm và ảnh hưởng của nó đến lợi nhuận cổ phiếu. Vì vậy, nghiên cứu của chúng tôi được thực hiện để khẳng định thêm mối quan hệ giữa ASVI và lợi nhuận của cổ phiếu VN30 trong giai đoạn gần đây từ 2018 đến 2022, từ đó kiểm định tính hiệu quả của thị trường cổ phiếu Việt Nam. Dựa vào tổng quan nghiên cứu, chúng tôi đưa ra giả thuyết sau: H1: Google ASVI có tác động tích cực lên tỉ suất lợi nhuận của cổ phiếu. 2.2. Mô hình GARCH cho lợi nhuận cổ phiếu Các nghiên cứu về Google SVI và lợi nhuận cổ phiếu ở đều không tính đến vấn đề phương sai thay đổi của phần dư (mô hình GARCH/ARCH). Engle phát triển mô hình ARCH năm 1982, dựa trên quan sát là mô hình lợi nhuận phiếu giông mô hình trung bình động hơn là dạng tự hồi quy Autoregressive, phương sai của sai sộ́ tại thời điểm t phụ thuộc vào phương sai nhiễu bình phương ở các giai đoạn trước. Bollerslev (1986) đề xuất mô hình thêm các biến trễ của phương sai có điều kiện vào phương trình phương sai theo dạng tự hồi quy, trên tạp chí Journal of Econometrics với tên gọi “Generalised Autogressive Conditional Heteroskedasticity”, và viết tắt là mô hình GARCH. GARCH (1,1) trở nên là mô hình phổ biến sử dụng trong dự báo lợi nhuận cổ phiểu. Nghiên cứu về mô hình GARCH trên thị trường chứng khoán Việt Nam có các nghiên cứu Vương (2004), Hồ và cộng sự (2017), Nguyễn và cộng sự (2022). H2: Mô hình lợi nhuận cổ phiếu, có phương sai phần dư là mô hình GARCH(1,1). 3. Phương pháp nghiên cứu 3.1. Dữ liệu nghiên cứu Dữ liệu được sử dụng trong nghiên cứu này là dữ liệu về các cổ phiếu và trái phiếu được thu thập theo tần suất ngày từ ngày 01 tháng 01 năm 2018 đến ngày 31 tháng 12 năm 2022. 678
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Nhóm nghiên cứu tính toán các biến tỷ suất sinh lợi cổ phiếu (R), lợi nhuận phi rủi ro, lợi nhuận của thị trường, chỉ số khối lượng tìm kiếm của Google (SVI) và chỉ số khối lượng tìm kiếm bất thường của Google (ASVI) theo bảng 1. Bảng 1: Các biến sử dụng trong nghiên cứu Biến Định nghĩa biến Nguồn dữ liệu Ri,t Tỷ suất sinh lợi cổ phiếu i tháng t Giá cổ phiếu từ Ri,t= log(Pt/ Pt-1) Investing.com Pt và Pt-1 lần lượt là giá đóng cửa điều chỉnh cuối tháng t và tháng t-1. rf Lợi nhuận phi rủi ro = lãi suất trái phiếu chính phủ 5 năm Investing.com Rm Lợi nhuận của thị trường HOSE - VN-Index hàng ngày Investing.com MRP Phần bù rủi ro thị trường MRP = Rm - rf SVI Chỉ số khối lượng tìm kiếm của Google (SVI) Google trend SVI = (Số lượng truy vấn của từ khóa)/ (Tổng số truy vấn trên Google) ASVI Chỉ số khối lượng tìm kiếm bất thường của Google (ASVI) Tính toán của ASVI= Log SVI của tuần hiện tại – Log SVI trung vị của 8 nhóm tác giả tuần trước dựa trên SVI Chỉ số Khối lượng Tìm kiếm của Google (Search Volume Index - SVI), là số liệu được sử dụng để đo lường mức độ phổ biến hoặc sở thích tìm kiếm của một từ khóa hoặc chủ đề cụ thể trong một khoảng thời gian cụ thể. SVI được thu thập từ trang web Google Xu hướng, website được thành lập từ năm 2004 chuyên phân tích mức độ phổ biến của các truy vấn tìm kiếm hàng đầu và cung cấp dữ liệu chỉ số lượng tìm kiếm từ năm 2004 đến nay. Dữ liệu tìm kiếm của Google có sẵn hàng ngày trong khoảng thời gian tối đa 90 ngày và trên cơ sở hàng tuần trong khoảng thời gian tối đa 5 năm và trên cơ sở hàng tháng trong khoảng thời gian hơn 5 năm kể từ năm 2004. Khoảng thời gian dữ liệu hàng ngày 90 ngày có thể có ảnh hưởng theo mùa và có thể không phản ánh hành vi của nhà đầu tư. Google tính toán SVI dựa trên chuẩn hoá số lượng tìm kiếm cho một cụm từ cụ thể so với tổng số lượng tìm kiếm trên Google trong một khung thời gian nhất định. SVI được tính như sau: SVI = (Số lượng truy vấn của từ khóa)/ (Tổng số truy vấn trên Google) Tóm lại, giá trị SVI của Google là giá trị tương đối và nằm trong phạm vi từ 0 đến 100 với 100 đại diện cho các từ khóa được tìm kiếm nhiều nhất và 0 ngụ ý các từ khóa có lượt tìm kiếm thấp nhất trong một khoảng thời gian nhất định. Kết quả là, các từ khóa có SVI bằng 0 không ngụ ý giá trị tuyệt đối là 0 cho tần suất tìm kiếm mà chỉ cho thấy mức độ tìm kiếm phổ biến cho từ khóa đó là thấp nhất. 679
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Một lợi thế khác của việc sử dụng SVI cho các mã chứng khoán là tính rõ ràng khi các mã chứng khoán được chỉ định là duy nhất cho các công ty. Tuy nhiên, trong nghiên cứu này, chúng tôi chú trọng hơn đến Chỉ số Khối lượng Tìm kiếm bất thường của Google (Abnormal SVI - ASVI). ASVI được tính dựa trên Logarit cơ số tự nhiên của SVI hàng tuần. Để định lượng sự quan tâm bất thường của các nhà đầu tư đối với một cổ phiếu cụ thể, ASVI được sử dụng và tính toán bằng cách lấy log SVI của tuần hiện tại trừ đi log SVI trung vị trong 8 tuần trước đó. ASVI được tính theo Da và cộng sự (2011) như sau: 𝐴𝑆𝑉𝐼 = Log SVI của tuần hiện tại – Log SVI trung vị của 8 tuần trước Chúng tôi sử dụng ASVI để nghiên cứu ảnh hưởng của sự chú ý của nhà đầu tư qua tần suất tìm kiếm bất thường của các mã chứng khoán trên Google đến lợi nhuận của các công ty trong nhóm VN30. 3.2. Mô hình nghiên cứu: Mô hình GARCH Mô hình GARCH (tiếng Anh: Generalized Autoregressive Conditional Heteroskedasticity) là mô hình phương sai có điều kiện của sai số thay đổi tự hồi quy tổng quát, được phát triển vào năm 1986 bởi Tiến sĩ Tim Bollerslev, để giải quyết vấn đề dự báo sự biến động của giá tài sản (Bollerslev, 1986). Mô hình GARCH là một phần mở rộng của mô hình phương sai có điều kiện của sai số thay đổi tự hồi quy (ARCH - Autoregressive Conditional Heteroskedasticity) được xây dựng bởi Robert F. Engle, một nhà kinh tế học đoạt giải Nobel Kinh tế năm 2003 (Engle, 1982). Mở rộng hơn so với với mô hình ARCH, mô hình GARCH cho phép phương sai của sai số hiện tại không chỉ phụ thuộc vào giá trị quá khứ của sai số mà còn phụ thuộc vào giá trị quá khứ của chính phương sai của sai số đó trong quá khứ. Mô hình GARCH được sử dụng khi phương sai của sai số không cố định. Mô hình này giả định sự biến đổi của lợi nhuận tài chính không cố định theo thời gian mà có mối tương quan tự động hoặc có điều kiện/phụ thuộc lẫn nhau. Ví dụ, nhà đầu tư có thể thấy điều này trong lợi nhuận chứng khoán khi các giai đoạn biến động của lợi nhuận có xu hướng tập trung lại với nhau. Đó là khi sai số có tính không đồng nhất: tính không đồng nhất mô tả mô hình biến đổi không đều của một sai số hoặc một biến trong mô hình thống kê. Về cơ bản, bất cứ nơi nào có tính không đồng nhất thì các quan sát sẽ không tuân theo một mô hình tuyến tính; thay vào đó, chúng có xu hướng tập trung lại với nhau. Do đó, nếu sử dụng các mô hình thống kê giả định phương sai không đổi trên dữ liệu này thì kết luận và giá trị dự đoán mà người ta có thể rút ra từ mô hình sẽ không đáng tin cậy. Phương sai của sai số trong mô hình GARCH được giả định là thay đổi một cách có hệ thống, phụ thuộc vào kích thước trung bình của các sai số trong các giai đoạn trước. Nói cách khác, nó có tính không đồng nhất có điều kiện, và lý do cho tính không đồng nhất là do sai số đang tuân theo mô hình trung bình trượt tự hồi quy ARMA (Autoregressive Moving Average). Điều này có nghĩa rằng nó là một hàm trung bình của các giá trị trong quá khứ của chính nó. Mô hình GARCH (p,q) phát triển bởi Bollerslev (1986), trong đó p là bậc của các biến GARCH và q là bậc của các biến ARCH được phát triển như sau: 𝑦 𝑡 = 𝑥 ′𝑡 𝑏 + 𝜖 𝑡 680
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 𝜖 𝑡 |𝜑 𝑡−1 ~ 𝑁(0, 𝜎 2 ) 𝑡 𝜎 2 = 𝜔 + 𝛼1 𝜖 2 + ⋯ + 𝛼 𝑞 𝜖 2 + 𝛽1 𝜎 2 + ⋯ + 𝛽 𝑝 𝜎 2 𝑡 𝑡−1 𝑡−𝑞 𝑡−1 𝑡−𝑝 𝑞 𝑝 = 𝜔 + ∑ 𝛼 𝑖 𝜖 2 + ∑ 𝛽 𝑖 𝜎2 𝑡−𝑖 𝑡−𝑖 𝑖=1 𝑖=1 Mô hình GARCH coi phương sai ht phụ thuộc vào cả giá trị quá khứ của những cú sốc, đại diện bởi các biến trễ của hạng nhiễu bình phương, và các giá trị quá khứ của chính nó, đại diện bởi các biến ht-i. Nếu p = 0 thì mô hình GARCH (0, q) đơn giản là mô hình ARCH (q). Dạng đơn giản nhất của mô hình GARCH là mô hình GARCH (1,1) với p = 1, q = 1. Trong nghiên cứu này, chúng tôi sử dụng GARCH (1,1), tương ứng với mô hình tổng quát được trình bày như sau: 𝜎 2 = 𝜔 + 𝛼1 𝜖 2 + 𝛽1 𝜎 2 𝑡 𝑡−1 𝑡−1 GARCH(t) = 𝛼0 + 𝜃1 GARCH(t − 1) + 𝛼1 RESID(t − 1)2 Nhìn chung, kiểm tra lỗi ARCH và GARCH cũng rất phổ biến trong kiểm định tính không đồng nhất khi xử lý dữ liệu chuỗi thời gian trong các mô hình kinh tế lượng. Mặc dù mô hình GARCH có thể được sử dụng để phân tích một số loại dữ liệu tài chính khác nhau, chẳng hạn như dữ liệu kinh tế vĩ mô, các tổ chức tài chính thường sử dụng chúng để ước tính mức độ biến động của lợi nhuận đối với cổ phiếu, trái phiếu và chỉ số thị trường. Họ sử dụng thông tin thu được để giúp xác định giá và đánh giá tài sản nào có khả năng mang lại lợi nhuận cao hơn, cũng như dự báo lợi nhuận của các khoản đầu tư hiện tại để giúp phân bổ tài sản, phòng ngừa rủi ro, quản lý rủi ro và đưa ra các quyết định tối ưu hóa danh mục đầu tư. Nghiên cứu của chúng tôi sử dụng mô hình sau: 𝑅 𝑖𝑡 = 𝛽1 + 𝛽2 𝑀𝑅𝑃 𝑡 + 𝛽3 𝐴𝑆𝑉𝐼 + 𝑅𝐸𝑆𝐼𝐷 𝑡 Với: 𝑅𝐸𝑆𝐼𝐷 𝑡 ~𝐺𝐴𝑅𝐶𝐻(1,1) 𝐺𝐴𝑅𝐶𝐻(𝑡) = 𝛽4 + 𝛽5 𝑅𝐸𝑆𝐼𝐷(𝑡 − 1)2 + 𝛽6 𝐺𝐴𝑅𝐶𝐻(𝑡 − 1) 4. Kết quả và thảo luận Toàn bộ kết quả nghiên cứu được thể hiện ở bảng A1 trong phụ lục. Trong phần kết quả và thảo luận dưới đây, chúng tôi sẽ thảo luận theo 2 nhóm kiểm định giả thuyết nghiên cứu 1 và nghiên cứu 2, đồng thời cũng cung cấp thêm kết quả liên quan đến hệ số beta, rủi ro hệ thống của các cổ phiếu thành phần trong VN30. 681
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 4.1. Giả thuyết nghiên cứu 1: ASVI ảnh hưởng tích cực lên lợi nhuận cổ phiếu Bảng 2a Bảng 2b Mã MRP giá trị p ASVI giá trị p Mã MRP giá trị p ASVI giá trị p SSB 0.2592 0.0001 -0.0560 0.0000 VIC 0.1615 0.0003 -0.0418 0.0809 SAB 0.1043 0.1899 0.0206 0.0009 GMD 0.5129 0.0000 0.0216 0.0649 PDR 0.5820 0.0000 0.0279 0.0104 MBB 0.7049 0.0000 0.0227 0.0913 STB 0.7301 0.0000 0.0415 0.0019 CTG 0.7221 0.0000 0.0266 0.0593 SSI 0.8331 0.0000 0.0411 0.0626 Nguồn: Kết quả thực hiện của nhóm tác giả Trong tổng số 44 cổ phiếu được nghiên cứu, chỉ có 4 cổ phiếu có hệ số của ASVI có ý nghĩa thống kê ở mức ý nghĩa thống kê 5%. Đó là những cổ phiếu SSB, SAB, PDR và STB. Trong đó, hệ số ASVI của SSB là âm, cho thấy rằng khi nhà đầu tư dành sự chú ý đặc biệt cho cổ phiếu, giá cổ phiếu sẽ giảm. Ở 3 cổ phiếu còn lại là SAB, PDR và STB, giá cổ phiếu sẽ tăng khi có sự biến động bất thường ở sự quan tâm của nhà đầu tư dành cho cổ phiếu. Khi mức ý nghĩa thống kê tăng lên 10%, số lượng cổ phiếu với hệ số ASVI có ý nghĩa tăng lên 9 với sự xuất hiện của VIC, GMD, MBB, CTG và SSI. Và các ảnh hưởng tích cực bao gồm GMD, MBB, CTG và SSI trong khi VIC là ảnh hưởng âm. Trong số 9 công ty có duy nhất SAB là không có ý nghĩa thống kê cho biến MRP. Hệ số beta cho MRP sẽ được phân tích kỹ hơn ở phần sau. Trong số 9 công ty có duy nhất SAB là không có ý nghĩa thống kê cho biến MRP. Hệ số beta cho MRP sẽ được phân tích kỹ hơn ở phần sau. Tuy nhiên có thể kết luận là giả thuyết nghiên cứu 1 chỉ được đáp ứng phần nhỏ, khi không có nhiều cổ phiếu có ASVI ảnh hưởng lên lợi nhuận và ảnh hưởng tích cực lên lợi nhuận và do đó, không thể bác bỏ giả thuyết thị trường hiệu quả EMH. 4.2. Rủi ro hệ thống - hệ số bê ta cho phần bù rủi ro thị trường MRP Bảng 3: Đặc điểm của hệ số beta Trung bình Trung vị Lớn nhất Nhỏ nhất Số quan sát 0,5221 0,4959 0,9940 0,1615 43 Nguồn: Kết quả thực hiện của nhóm tác giả Một kết quả khác của nghiên cứu là hệ số beta của các cổ phiếu với phần bù rủi ro thị trường. Trong tổng số 44 cổ phiếu, 43 cổ phiếu có hệ số beta có ý nghĩa thống kê. Trong đó, hệ số beta có giá trị nhỏ nhất là 0.16 và lớn nhất là 0.99 tương đương với hệ số beta của thị trường. Đây là một kết quả thú vị khi tất cả các cổ phiếu trong VN30 đều ít biến động hơn so với thị trường. Nói chung, lợi tức thị trường sẽ cao hơn tỷ suất lợi nhuận đòi hỏi ở từng cổ phiếu trong chỉ số. Xem xét vấn đề từ góc nhìn đầu tư, việc đầu tư theo chỉ số VN30 sẽ mang lại lợi nhuận lớn hơn so với việc đầu tư vào từng cổ phiếu riêng lẻ. Bên cạnh đó, hệ số beta của tất cả các cổ phiếu trong nhóm tài chính ngân hàng và bất động sản đều nhỏ hơn 1. Điều này trái ngược với niềm tin trên thị trường rằng nhóm ngành vốn lâu nay vẫn được coi là dẫn dắt thị trường sẽ phải có beta lớn hơn 1. 682
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 4.3. Giả thuyết nghiên cứu số 2: Mô hình lợi nhuận cổ phiếu, có phương sai phần dư là mô hình GARCH(1,1) Bảng 4: Tổng hợp các cổ phiếu theo mô hình GARCH (1,1) resid garch resid garch STT Mã p p STT Mã p p (t-1)^2 (t-1) (t-1)^2 (t-1) 1 BID 0.1480 0.0001 0.7845 0.0000 15 SAB 0.1665 0.0006 0.7763 0.0000 2 BVH 0.0763 0.0025 0.8328 0.0000 16 SBT 0.1002 0.0053 0.8404 0.0000 3 CII 0.1564 0.0010 0.7909 0.0000 17 SHB 0.2810 0.0000 0.7509 0.0000 4 CTD 0.1376 0.0053 0.8198 0.0000 18 SSB -0.1066 0.0001 1.0851 0.0000 5 DHG 0.0397 0.0080 0.8569 0.0000 19 STB 0.2091 0.0005 0.7136 0.0000 6 EIB 0.2171 0.0000 0.7536 0.0000 20 TCB 0.1154 0.0468 0.7312 0.0000 7 FPT 0.1543 0.0243 0.7491 0.0000 21 TCH 0.2168 0.0060 0.6863 0.0000 8 HDB 0.1063 0.0053 0.8393 0.0000 22 VHM 0.2632 0.0002 0.5619 0.0000 9 HPG 0.2029 0.0374 0.5650 0.0014 23 VIB -0.0276 0.0000 0.5969 0.0058 10 KDC 0.2583 0.0002 0.6279 0.0000 24 VIC 0.5045 0.0000 0.2453 0.0041 11 MBB 0.1125 0.0229 0.8014 0.0000 25 VJC -0.0768 0.0000 1.0324 0.0000 12 MSN 0.4353 0.0000 0.3160 0.0000 26 VNM 0.1289 0.0235 0.8409 0.0000 13 NT2 0.1098 0.0032 0.8396 0.0000 27 VPB 0.1178 0.0040 0.8275 0.0000 14 PNJ 0.2577 0.0000 0.7086 0.0000 28 VRE 0.2383 0.0065 0.5941 0.0000 Nguồn: Kết quả thực hiện của nhóm tác giả Bảng 4 thống kê các mã cổ phiếu tồn tại biến động ngẫu nhiên theo GARCH(1,1). Trong tổng số 44 mã, có 28 cổ phiếu chiếm khoảng 64% tồn tại biến động ngẫu nhiên theo GARCH(1,1). Có thêm 3 cổ phiếu là chỉ theo mô hình ARCH và không có GARCH (bảng số 5). Ngoài ra có 13 cổ phiếu phần ARCH không có ý nghĩa thống kê nhưng Garch có ý nghĩa thông kê (như bảng số 6). Bảng 5: Tổng hợp các cổ phiếu chỉ theo mô hình ARCH STT Công ty resid(t-1)^2 giá trị p 29 BCM 0.2761 0.0007 30 MWG 0.2360 0.0030 31 PDR 1.6078 0.0000 Nguồn: Kết quả thực hiện của nhóm tác giả Bảng 5 thống kê các mã cổ phiếu tồn tại biến động ngẫu nhiên theo ARCH. Trong tổng số 44 mã, có 3 cổ phiếu chiếm khoảng 7% tồn tại ARCH. Tính cộng cả tổng 28 cổ phiếu Garch (1,1) thì tổng số là 31. 683
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Bảng 6: Tổng hợp các cổ phiếu theo chỉ mô hình GARCH(0,1) Công resid garch Công resid garch stt p p stt p p ty (t-1)^2 (t-1) ty (t-1)^2 (t-1) 1 ACB 0.0643 0.1723 0.8296 0.0000 7 PLX 0.0479 0.1185 0.8728 0.0000 2 BMP 0.0857 0.0860 0.8325 0.0000 8 POW 0.0655 0.1707 0.8237 0.0000 3 CTG 0.0820 0.0872 0.8522 0.0000 9 REE 0.0643 0.1723 0.8296 0.0000 4 GAS 0.0623 0.0850 0.7924 0.0000 10 SSI 0.0766 0.1062 0.8439 0.0000 5 GMD 0.0335 0.2322 0.8961 0.0000 11 TPB -0.0400 0.1815 0.7388 0.0004 6 KDH 0.1139 0.0574 0.7966 0.0000 12 VCB 0.1568 0.0512 0.7332 0.0000 Nguồn: Kết quả thực hiện của nhóm tác giả Bảng 6 thống kê các mã cổ phiếu tồn tại biến động ngẫu nhiên theo GARCH(0,1) hoặc theo ARCH và các mã cổ phiếu không tồn tại biến động ngẫu nhiên theo GARCH(1,1) và ARCH. Bảng tổng gồm 12 mã ở trên có tồn tại biến động ngẫu nhiên theo GARCH(0,1). Như vậy nếu tính cả GARCH(1,1) thì tổng số cổ phiếu theo GARCH là 40/44 tương đương gần 91%. Như vậy, chúng ta hoàn toàn có thể kết luận rằng mức độ biến động của sai số không đồng nhất (43/44), chỉ duy nhất cổ phiếu GRV (STT 16) không có ý nghĩa thống kê theo GARCH(1,1) hay ARCH. 5. Kết luận Mục tiêu của nghiên cứu này là tìm hiểu mối quan hệ giữa sự chú ý của nhà đầu tư và lợi tức của các cổ phiếu trong chỉ số VN30 trong giai đoạn từ năm 2018 đến hết năm 2022. Sử dụng dữ liệu tuần của 44 cổ phiếu, chúng tôi nhận thấy rằng với phần lớn các cổ phiếu được xem xét, sự bất thường trong chỉ số SVI không có mối liên hệ đáng kể với lợi tức của cổ phiếu. Với mức ý nghĩa thống kê 5%, ASVI chỉ có ý nghĩa dự báo lợi tức ở 4 trong tổng số 44 cổ phiếu. Con số này tăng lên 9 cổ phiếu khi mức ý nghĩa thống kê là 10%. Điều này khẳng định tính hiệu quả của thị trường chứng khoán Việt Nam theo giả thuyết EMH, nghiên cứu dưới góc độ tài chính hành vi, cụ thể hơn là sự chú ý của nhà đầu tư. Ngoài ra, trong nghiên cứu, mô hình GARCH (1,1) đã được sử dụng để kiểm tra sự chính xác của một giả định quan trọng trong mô hình hồi quy Tổng bình phương nhỏ nhất - giả định về tính đồng nhất của phương sai. Kết quả thu được cho thấy ở hầu hết các cổ phiếu, sự biến động của lợi tức cổ phiếu ở hiện tại chịu ảnh hưởng bởi sự biến động trong quá khứ. Nói cách khác, giả định phương sai đồng nhất trong các mô hình hồi quy tuyến tính cho lợi tức cổ phiếu là không hợp lý. Điều này có thể ảnh hưởng đến sự hiệu quả của mô hình và do đó sẽ đòi hỏi các phương pháp xử lý cụ thể trong quá trình phân tích thống kê. Với việc sử dụng phần bù rủi ro thị trường như một biến điều khiển trong mô hình, một kết quả khác thu được là việc kiểm định lại quan điểm lâu nay về hệ số beta của các nhóm ngành trên thị trường chứng khoán. Một kết quả thú vị là hệ số beta của các cổ phiếu trong nhóm ngành vẫn được coi là dẫn dắt thị trường như ngân hàng, bất động sản đều nhỏ hơn 1. Dựa trên những hiểu biết đạt được từ nghiên cứu này, có một số hướng nghiên cứu tiềm năng mà nhóm nghiên cứu đang xem xét ở trong tương lai. Về định lượng sự chú ý của nhà đầu tư, cách tính toán ASVI có thể được thay đổi dựa trên đặc thù của thị trường chứng khoán Việt Nam. Đa phần các nhà đầu tư ở Việt Nam có xu hướng tìm kiếm cơ hội ngắn hạn, lợi nhuận nhanh. SVI trung vị của 4 tuần trước có thể được sử dụng để thay thế SVI trung vị của 8 tuần để phản ánh thực tế này. Ngoài ra, một phương pháp truyền thống trong việc đo lường sự chú 684
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 ý của nhà đầu tư là khối lượng giao dịch có thể được dùng trong mô hình thay cho SVI. Bên cạnh đó, phương pháp thống kê Fama-Macbeth cũng có thể được áp dụng để kiểm định mối quan hệ giữa sự chú ý của nhà đầu tư và lợi tức của cổ phiếu. Ngoài ra, một hướng nghiên cứu cũng rất đáng chú ý là mối liên hệ giữa tâm trạng đầu tư và động lực của thị trường. Chúng tôi hy vọng rằng kết quả của nghiên cứu này sẽ nhận được sự quan tâm và đóng góp của cộng đồng nghiên cứu và bài viết này sẽ là sự khởi đầu cho những nghiên cứu trong tương lai để làm sáng tỏ và thúc đẩy sự phát triển trong lĩnh vực tài chính hành vi ở Việt Nam. Trong khuôn khổ nghiên cứu này, chúng tôi chỉ đề cập đến một vấn đề trong các nghiên cứu về ảnh hưởng đến lợi nhuận và lợi nhuận bất thường do ASVI, theo mô hình GARCH (1,1). Tiếp theo nghiên cứu này, có thể mở rộng theo các hướng nghiên cứu trong tương lai như tính đến khối lượng giao dịch, yếu tố động lực (momentum) vào trong mô hình hồi quy theo Garch. Ngoài ra cũng có thể chạy theo mô hình Fama-Mcbeth để tính ảnh hưởng của động lực lên lợi nhuận bất thường. Một hướng nghiên cứu khác là có thể điều chỉnh cách tính ASVI cho phù hợp với thị trường Việt Nam, khi tâm lý các nhà đầu tư là ngắn hạn, nên tính theo trung vị của 4 tuần thay vì 8 tuần như hiện tại. 685
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 TÀI LIỆU THAM KHẢO [1]. Baker, H. K., & Nofsinger, J. R. (2010). “Behavioral Finance: An Overview”. In Behavioral Finance: Investors, Corporations, and Markets, Hoboken, NJ: John Wiley & Sons, Inc, pp.1- 21. [2]. Baker, M., Wurgler, J., 2006. “Investor sentiment and the cross-section of stock returns”. Journal of Finance, Vol. 61, pp. 1645–1680. [3]. Barber, B., & T. Odean. “All that Glitters: The Effect of Attention and News on the Buying Behavior of Individual and Institutional Investors.” Review of Financial Studies, Vol. 21 (2008), pp. 785–818. [4]. Bijl, L., Kringhaug, G., Molnár, P. & Sandvik, E. (2016). “Google searches and stock returns”, International Review of Financial Analysis, Vol. 45, pp. 150-156. [5]. Bollerslev, T., 1986, “Generalized autoregressive conditional heteroscedasticity”, Journal of Econometrics, Vol. 31, No. 03, pp. 307-327. [6]. Bollerslev, Tim (1986). "Generalized Autoregressive Conditional Heteroskedasticity". Journal of Econometrics, Vol. 31, No. 03, pp. 307–327. [7]. Brealey, Richard A., Stewart C. Myers, & Franklin Allen. (2011). Principles of Corporate Finance, 10th ed. New York: McGraw-Hill/Irwin. [8]. Chen, T. (2017). “Investor Attention and Global Stock Returns”, Journal of Behavioral Finance, Vol. 18, No. 03, pp. 358-372. [9]. Chen, Z., & Craig, K.A., (2023). “Active attention, retail investor base, and stock returns”, Journal of Behavioral and Experimental Finance, Vol. 39 (2023). [10]. Da, Z., Engelberg, J., Gao, P., (2011). “In search of attention”. Journal of Finance, Vol. 66, pp.1461–1499. [11]. Daniel, K., Hirshleifer, D. & Subrahmanyam, A. (1988). “Investor Psychology and Security Market Under- and Overreactions”. The Journal of Finance. Vol. 53, pp. 1839–1885. [12]. De Bondt, W.F.M. & Thaler, R. (1985), “Does the Stock Market Overreact?”. The Journal of Finance, Vol. 40, pp. 793-805. [13]. Degutis, A., & Novickyte, L. (2014). “The Efficient Market Hypothesis: A Critical Review of Literature and Methodology”. Ekonomika. Vol. 93, pp. 07–23. [14]. Desagre, C., & D’Hondt, C. (2021). “Googlization and retail trading activity”. Journal of Behavioral and Experimental Finance, Vol. 29. [15]. Dharani, M., Hassan, K., Abedin, M.Z. & Ismail, M&A, (2022), “Does a search attention index explain portfolio returns in India?”, Borsa Istanbul Review, Vol. 22, No. 22, pp. 226-239. [16]. Dư Nguyễn & Phạm Minh, (2018). “Search-based Sentiment and Stock Market Reactions: An Empirical Evidence in Vietnam”. Journal of Asian Finance, Economics and Business, Vol 5, No 4 (2018), pp. 45-56. [17]. Engle, R. (1982). “Autoregressive conditional heteroskedasticity with estimates of the variance of UK inflation”. Econometrica. Vol. 50, pp.987–1008. [18]. Engle, Robert F. (1982). "Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation", Econometrica, Vol. 50, No. 04, pp. 987–1007. 686
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 [19]. Fama, E.F. & French, K. (2015), “A five-factor asset pricing model”, Journal of Financial Economics, Vol. 116, No. 01, pp. 1-22. [20]. Fama, E.F., & French, K. (1993). “Common Risk Factors in the Returns on Stocks and Bonds”. Journal of Financial Economics, Vol.33, pp. 03–56. [21]. Fama, Eugene, (1970), “Efficient Capital Markets: A Review of Theory and Empirical Work”, Journal of Finance, Vol.25, No. 02, pp. 383-417. [22]. Gustavo, G., Kanatas, G., & Weston, J. P. (2004). “Advertising, breath of ownership, and liquidity”. Review of Financial Studies, Vol. 17, No. 02, pp. 439-461. [23]. Hồ, Thủy Tiên, Hồ, Thu Hoài & Ngô, Văn Toàn (2017). “Mô hình hóa biến động thị trường chứng khoán: Thực nghiệm từ Việt Nam”, Tạp chí Khoa học ĐHQGHN: Kinh tế và Kinh doanh, Tập 33, Số 3 (2017), pp. 1-11. [24]. Jegadeesh, N. & Titman, S. (1993), “Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency”. The Journal of Finance, Vol. 48, pp. 65-91. [25]. Joseph, K., Wintoki, M. B. & Zhang, Z. (2011). “Forecasting abnormal stock returns and trading volume using investor sentiment: Evidence from online search”, International Journal of Forecasting, Vol. 27, pp. 1116-1127. [26]. Malkiel, B.G. (2012) A Random Walk Down Wall Street. New York: W.W. Norton and Company. P.26. [27]. Malkiel, Burton G. (2003). “The Efficient Market Hypothesis and Its Critics”. The Journal of Economic Perspectives, Vol.17, pp. 59–82. [28]. Malkiel, Burton G. 2011. “The Efficient-Market Hypothesis and the Financial Crisis”. Rethinking Finance: Perspectives on the Crisis. [29]. Nguyễn Thị Hiên, Đặng Thị Minh Nguyệt, Trần Thị Lan, Khuất Thị Vy, Trần Thị Linh (2022). “Ứng dụng mô hình ARCH, GARCH phân tích độ biến động của hợp đồng tương lai VN30F1M trên thị trường chứng khoán phái sinh Việt Nam”. Tạp chí Ngân hàng [online]. Available at: https://tapchinganhang.gov.vn/ung-dung-mo-hinh-arch-garch-phan-tich-do- bien-dong-cua-hop-dong-tuong-lai-vn30f1m-tren-thi-truong-ch.htm [30]. Nguyen, C., Hoang, L., Shim, J., & Truong, P. (2020). “Internet search intensity, liquidity and returns in emerging markets”. Research in International Business and Finance, Vol. 52, pp.101-166. [31]. Nisar, S., & Hanif, M. (2012a). “Testing Market Efficiency: Empirical Evidence from Developed Markets of Asia Pacific”. Econometrics: Econometric & Statistical Methods - General eJournal. [32]. Nisar, S., & Hanif, M. (2012b). “Testing Market Efficiency: Empirical Evidence from Developed Markets of Europe and North America”. [33]. Preis, T., Moat, H. S. & Stanley, H. E. (2013). “Quantifying Trading Behavior in Financial Markets Using Google Trends”. Scientific Reports, Vol. 03. [34]. Statcounter, (2023). Search engine market share. https://gs.statcounter.com/search- engine-market-share/all/viet-nam [35]. Swamy, V., & Dharani, M. (2019). “Investor attention using the Google search volume index- impact on stock returns”. Review of Behavioral Finance, Vol. 11, No. 01, pp. 55-69. 687
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 [36]. Takeda, F. & Wakao, T., (2014). “Google search intensity and its relationship with returns and trading volume of Japanese stocks”. Journal of Pacific-basin Finance, Vol. 27, pp. 01–18. [37]. Tetlock, P. C. (2007). “Giving content to investor sentiment: The role of media in the stock market”. The Journal of Finance, Vol. 62, No. 3, pp. 1139-1168. [38]. Vũ Thúy Mai Uyên (2022), “Impact of Covid-19 on stock market performance: The Evidence in Vietnam”, International Journal of Social Science and Economic Research, Vol. 07, No. 08, pp. 2456-2466 [39]. Vương, Quân Hoàng, (2004). “Hiệu ứng GARCH trên dãy lợi suất thị trường chứng khoán Việt Nam 2000-2003”. Tạp chí Ứng dụng Toán học, Tập II, số 1, 2004, pp. 15-30. [40]. Yang, D., Ma, T., Wang, Y. & Wang, G. (2021). “Does Investor Attention Affect Stock Trading and Returns? Evidence from Publicly Listed Firms in China”, Journal of Behavioral Finance, Vol. 22, No. 04, pp. 368-381. 688
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Phụ lục A1. Tổng hợp kết quả nghiên cứu STT Mã C p MRP p ASVI p C p-value resid(-1)^2 p garch(-1) p R^2 Adjusted R^2 1 ACB 0.0284 0.0000 0.9187 0.0000 0.0015 0.9568 0.0001 0.2917 0.0643 0.1723 0.8296 0.0000 0.4879 0.4837 2 BCM 0.0163 0.0061 0.3440 0.0025 0.0172 0.2495 0.0037 0.0009 0.2761 0.0007 -0.0211 0.9273 0.0272 0.0190 3 BID 0.0168 0.0001 0.5942 0.0000 0.0346 0.1573 0.0002 0.0136 0.1480 0.0001 0.7845 0.0000 0.0920 0.0846 4 BMP 0.0103 0.0046 0.4334 0.0000 0.0059 0.6433 0.0002 0.0490 0.0857 0.0860 0.8325 0.0000 0.0659 0.0583 5 BVH 0.0102 0.0344 0.4853 0.0000 0.0084 0.4993 0.0002 0.0108 0.0763 0.0025 0.8328 0.0000 0.0454 0.0376 6 CII 0.0097 0.0364 0.4673 0.0000 0.0066 0.5492 0.0002 0.0132 0.1564 0.0010 0.7909 0.0000 0.1348 0.1278 7 CTD 0.0085 0.1256 0.4959 0.0001 -0.0124 0.3499 0.0002 0.1281 0.1376 0.0053 0.8198 0.0000 0.0929 0.0855 8 CTG 0.0210 0.0000 0.7221 0.0000 0.0266 0.0593 0.0001 0.1565 0.0820 0.0872 0.8522 0.0000 0.1469 0.1399 9 DHG 0.0044 0.2511 0.2013 0.0161 0.0196 0.3429 0.0002 0.0006 0.0397 0.0080 0.8569 0.0000 0.0003 -0.0079 10 EIB 0.0098 0.0031 0.2400 0.0012 0.0195 0.3308 0.0001 0.0067 0.2171 0.0000 0.7536 0.0000 0.0277 0.0198 11 FPT 0.0139 0.0000 0.3666 0.0000 -0.0082 0.6775 0.0001 0.1084 0.1543 0.0243 0.7491 0.0000 0.1017 0.0944 12 GAS 0.0133 0.0028 0.4946 0.0000 -0.0079 0.8667 0.0003 0.0510 0.0623 0.0850 0.7924 0.0000 0.1163 0.1091 13 GMD 0.0156 0.0000 0.5129 0.0000 0.0216 0.0649 0.0001 0.0036 0.0335 0.2322 0.8961 0.0000 0.0963 0.0890 14 GRV 0.0241 0.0000 0.8599 0.0000 0.0176 0.1989 0.0008 0.6939 0.0264 0.5749 0.7705 0.1633 0.2060 0.1993 15 HDB 0.0190 0.0000 0.6600 0.0000 0.0125 0.2340 0.0001 0.0087 0.1063 0.0053 0.8393 0.0000 0.1148 0.1076 16 HPG 0.0181 0.0000 0.6397 0.0000 -0.0003 0.9848 0.0005 0.0320 0.2029 0.0374 0.5650 0.0014 0.1503 0.1433 17 KDC 0.0054 0.0565 0.2206 0.0003 -0.0048 0.7506 0.0002 0.0006 0.2583 0.0002 0.6279 0.0000 0.0597 0.0521 18 KDH 0.0141 0.0000 0.4501 0.0000 0.0033 0.5178 0.0001 0.2761 0.1139 0.0574 0.7966 0.0000 0.1677 0.1609 19 MBB 0.0211 0.0000 0.7049 0.0000 0.0227 0.0913 0.0001 0.0642 0.1125 0.0229 0.8014 0.0000 0.1807 0.1740 689
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 20 MSN 0.0126 0.0007 0.5107 0.0000 0.0128 0.3600 0.0009 0.0001 0.4353 0.0000 0.3160 0.0000 0.0810 0.0735 21 MWG 0.0119 0.0017 0.4295 0.0000 0.0089 0.5735 0.0008 0.0335 0.2360 0.0030 0.4103 0.0527 0.1167 0.1095 22 NT2 0.0028 0.4333 0.1775 0.0180 -0.0023 0.8276 0.0001 0.0230 0.1098 0.0032 0.8396 0.0000 0.0285 0.0206 23 PDR 0.0195 0.0000 0.5820 0.0000 0.0279 0.0104 0.0007 0.0000 1.6078 0.0000 0.0102 0.7563 -0.0056 -0.0138 24 PLX 0.0081 0.0275 0.4803 0.0000 -0.0019 0.9265 0.0001 0.0305 0.0479 0.1185 0.8728 0.0000 0.0729 0.0653 25 PNJ 0.0156 0.0000 0.4512 0.0000 -0.0106 0.4378 0.0002 0.0093 0.2577 0.0000 0.7086 0.0000 0.0808 0.0733 26 POW 0.0130 0.0026 0.5674 0.0000 0.0236 0.2517 0.0003 0.2851 0.0655 0.1707 0.8237 0.0000 0.1507 0.1436 27 REE 0.0099 0.0119 0.3058 0.0005 0.0223 0.2352 0.0004 0.2778 0.0881 0.1527 0.7135 0.0024 0.0653 0.0577 28 SAB 0.0030 0.2943 0.1043 0.1899 0.0206 0.0009 0.0001 0.0268 0.1665 0.0006 0.7763 0.0000 0.0210 0.0131 29 SBT 0.0198 0.0000 0.7263 0.0000 0.0050 0.3474 0.0002 0.0382 0.1002 0.0053 0.8404 0.0000 0.1275 0.1204 30 SHB 0.0274 0.0000 0.9940 0.0000 0.0345 0.3672 0.0001 0.0383 0.2810 0.0000 0.7509 0.0000 0.1571 0.1503 31 SSB 0.0106 0.0000 0.2592 0.0001 -0.0560 0.0000 0.0000 0.0860 -0.1066 0.0001 1.0851 0.0000 0.1649 0.1455 32 SSI 0.0234 0.0000 0.8331 0.0000 0.0411 0.0626 0.0002 0.2233 0.0766 0.1062 0.8439 0.0000 0.1955 0.1890 33 STB 0.0200 0.0000 0.7301 0.0000 0.0415 0.0019 0.0002 0.0430 0.2091 0.0005 0.7136 0.0000 0.1930 0.1865 34 TCB 0.0203 0.0000 0.8189 0.0000 -0.0006 0.9578 0.0003 0.0241 0.1154 0.0468 0.7312 0.0000 0.3003 0.2942 35 TCH 0.0092 0.1283 0.5390 0.0000 0.0116 0.5954 0.0005 0.0428 0.2168 0.0060 0.6863 0.0000 0.0678 0.0602 36 TPB 0.0174 0.0000 0.4534 0.0000 0.0087 0.5183 0.0006 0.1999 -0.0400 0.1815 0.7388 0.0004 0.1447 0.1373 37 VCB 0.0145 0.0000 0.4375 0.0000 0.0421 0.2060 0.0002 0.1329 0.1568 0.0512 0.7332 0.0000 0.1057 0.0985 38 VHM 0.0115 0.0030 0.5546 0.0000 0.0043 0.6521 0.0004 0.0015 0.2632 0.0002 0.5619 0.0000 0.1373 0.1298 39 VIB 0.0224 0.0000 0.7965 0.0000 0.0143 0.7445 0.0011 0.0507 -0.0276 0.0000 0.5969 0.0058 0.1987 0.1921 690
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 40 VIC 0.0012 0.6445 0.1615 0.0003 -0.0418 0.0809 0.0006 0.0000 0.5045 0.0000 0.2453 0.0041 0.0369 0.0290 41 VJC 0.0063 0.0060 0.2788 0.0000 -0.0040 0.6833 0.0001 0.0000 -0.0768 0.0000 1.0324 0.0000 0.0391 0.0313 42 VNM 0.0010 0.7378 0.2419 0.0002 0.0004 0.9717 0.0001 0.0476 0.1289 0.0235 0.8409 0.0000 0.0159 0.0079 43 VPB 0.0212 0.0000 0.7242 0.0000 0.0149 0.5056 0.0001 0.0552 0.1178 0.0040 0.8275 0.0000 0.1506 0.1437 44 VRE 0.0128 0.0006 0.5855 0.0000 0.0000 0.9969 0.0004 0.0288 0.2383 0.0065 0.5941 0.0000 0.0943 0.0869 691