Luận văn Thạc sĩ Kinh tế: Kiểm định tác động của moment bậc cao đến suất sinh lời cổ phiếu các công ty niêm yết tại Việt Nam

NGÂN HÀNG NHÀ NƯỚC VIỆT NAM

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP. HỒ CHÍ MINH

NGUYỄN DOÃN MẪN

KIỂM ĐỊNH TÁC ĐỘNG CỦA MOMENT BẬC CAO ĐẾN

SUẤT SINH LỜI CỔ PHIẾU

CÁC CÔNG TY NIÊM YẾT TẠI VIỆT NAM

LUẬN VĂN THẠC SỸ KINH TẾ

TP. HỒ CHÍ MINH – NĂM 2016

NGÂN HÀNG NHÀ NƯỚC VIỆT NAM

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP. HỒ CHÍ MINH

NGUYỄN DOÃN MẪN

KIỂM ĐỊNH TÁC ĐỘNG CỦA MOMENT BẬC CAO ĐẾN

SUẤT SINH LỜI CỔ PHIẾU

CÁC CÔNG TY NIÊM YẾT TẠI VIỆT NAM

LUẬN VĂN THẠC SỸ KINH TẾ

Chuyên ngành: Tài Chính – Ngân Hàng

Mã số: 60 34 02 01

Người hướng dẫn khoa học: TS. LÊ HỒ AN CHÂU

TP. HỒ CHÍ MINH – NĂM 2016

i

TÓM TẮT

Luận văn nghiên cứu vai trò của các nhân tố moment bậc cao trong giải thích sự

biến động lợi nhuận cổ phiếu. Sử dụng phương pháp ước lượng system GMM cho bộ

dữ liệu bảng không cân bằng bao gồm các công ty niêm yết được thu thập trên Sở giao

dịch chứng khoán Tp.HCM giai đoạn 2006-2015, nghiên cứu cho thấy hai nhân tố

moment bậc cao đóng vai trò quan trọng trong phân tích biến động của lợi nhuận cổ

phiếu bên cạnh nhân tố rủi ro thị trường, trong đó, nhân tố skewness có tương quan

dương đến suất sinh lời cổ phiếu còn nhân tố kurtosis có tương quan ngược lại. Nghiên

cứu cũng cho thấy, mô hình moment CAPM có khả năng giải thích tốt hơn mô hình

CAPM truyền thống. Đặc biệt, điểm nhấn của đề tài là phân tích được mức độ và chiều

hướng tác động của các moment trong điều kiện thị trường đi lên và thị trường đi xuống,

đồng thời xem xét khả năng giải thích của các nhân tố moment bậc cao ở các nhóm

ngành đến lợi nhuận cổ phiếu. Kết quả nghiên cứu cho thấy trong điều kiện thị trường

đi xuống, nhà đầu tư không nên mạo hiểm, việc gia tăng rủi ro chưa chắc gia tăng lợi

nhuận của danh mục. Nghiên cứu cũng tìm ra các ngành có mức độ ảnh hưởng mạnh

trong phân tích tác động của yếu tố moment bậc cao đến tỷ suất lợi nhuận cổ phiếu là

ngành nguyên vật liệu, công nghiệp, hàng tiêu dùng và ngành tài chính.

Tóm lại, kết quả nghiên cứu này phù hợp với một số nghiên cứu thực nghiệm trên

thế giới, đây là bằng chứng thực nghiệm cho thấy tại thị trường chứng khoán Việt Nam,

hai nhân tố moment bậc cao có ảnh hưởng đến sự biến động tỷ suất lợi nhuận cổ phiếu.

Nghiên cứu này cùng với các nghiên cứu khác tại Việt Nam cũng như trên thế giới chỉ

ra phương pháp và cách thức thực hiện để định giá một tài sản vốn và nó có giá trị sử

dụng cho các nhà đầu tư, công ty chứng khoán, quỹ đầu tư cũng như các nhà hoạch định

thị trường trong thời gian tới.

ii

LỜI CAM ĐOAN

Tôi tên: NGUYỄN DOÃN MẪN

Sinh ngày 07 tháng 01 năm 1992, tại: Khánh Hòa

Hiện công tác tại: Phòng Kế hoạch Tài Chính – Hội Sở Ngân hàng TMCP Nam Á

Là học viên Cao học khoá 16 của trường Đại Học Ngân Hàng TP. HCM

Mã số học viên: 020116140125

Cam đoan luận văn: KIỂM ĐỊNH TÁC ĐỘNG CỦA MOMENT BẬC CAO ĐẾN

SUẤT SINH LỜI CỔ PHIẾU CÁC CÔNG TY NIÊM YẾT TẠI VIỆT NAM

Chuyên ngành Tài Chính – Ngân Hàng, Mã số: 62 34 02 01

Người hướng dẫn khoa học: TS LÊ HỒ AN CHÂU

Tôi cam đoan: Luận văn này chưa từng được trình nộp để lấy học vị thạc sĩ tại bất cứ

một trường đại học nào. Luận văn này là công trình nghiên cứu riêng của tác giả, kết

quả nghiên cứu là trung thực, trong đó không có các nội dung đã được công bố trước

đây hoặc các nội dung do người khác thực hiện ngoại trừ các trích dẫn được dẫn nguồn

đầy đủ trong luận văn.

Tôi sẽ chịu trách nhiệm hoàn toàn về lời cam đoan của mình.

TP. HCM, ngày tháng 10 năm 2016

Học viên

NGUYỄN DOÃN MẪN

iii

LỜI CẢM ƠN

Trước tiên tôi xin gửi lời cám ơn sâu sắc nhất đến cô Lê Hồ An Châu – người

thầy đã mang cảm hứng cho tôi lựa chọn chủ đề nghiên cứu, đã định hướng và nhiệt tình

hướng dẫn tôi trong suốt quá trình luận văn được hoàn thiện.

Tôi cũng xin cám ơn quý thầy/cô trường Đại Học Ngân Hàng Tp.HCM đã truyền

đạt những kiến thức nền tảng quý báu giúp tôi nắm bắt và tổng hợp được kiến thức.

Cuối cùng là lời cám ơn của tôi dành cho gia đình, các Anh/Chị/Em đồng nghiệp

cũng như bạn bè đã tạo điều kiện và động viên tôi trong giai đoạn thực hiện luận văn.

Đặc biệt, cám ơn hai em Huỳnh Cảng Siêu và Nguyễn Tùng Thanh Quí đã hỗ trợ tôi thu

thập bộ dữ liệu nghiên cứu cho luận văn.

Một lần nữa, tôi xin chân thành cám ơn!

TP. HCM, ngày tháng 10 năm 2016

NGUYỄN DOÃN MẪN

iv

MỤC LỤC

TÓM TẮT ........................................................................................................................ i

LỜI CAM ĐOAN ........................................................................................................... ii

LỜI CẢM ƠN ................................................................................................................ iii

MỤC LỤC ..................................................................................................................... iv

DANH MỤC TỪ VIẾT TẮT ........................................................................................ vi

DANH MỤC BẢNG .................................................................................................... vii

DANH MỤC HÌNH .................................................................................................... viii

CHƯƠNG 1: GIỚI THIỆU ............................................................................................. 1

1.1. Bối cảnh nghiên cứu và lý do chọn đề tài ........................................................ 1

1.2. Mục tiêu nghiên cứu và câu hỏi nghiên cứu .................................................... 3

1.2.1. Mục tiêu nghiên cứu ............................................................................... 3

1.2.2. Câu hỏi nghiên cứu ................................................................................ 3

1.3. Đối tượng và phạm vi nghiên cứu ................................................................... 4

1.4. Phương pháp nghiên cứu ................................................................................. 4

1.5. Đóng góp của đề tài ......................................................................................... 5

1.6. Kết cấu đề tài ................................................................................................... 5

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ BẰNG CHỨNG THỰC NGHIỆM VỀ TÁC

ĐỘNG CỦA YẾU TỐ MOMENT BẬC CAO ĐẾN LỢI NHUẬN CỔ PHIẾU ........... 7

2.1. Lý thuyết thị trường vốn và mô hình CAPM ................................................... 7

2.1.1. Lý thuyết danh mục đầu tư Markowitz .................................................. 7

2.1.2. Lý thuyết thị trường vốn và mô hình CAPM ......................................... 8

2.2. Các yếu tố moment bậc cao trong định giá tài sản ........................................ 11

2.2.1. Hiểu về skewness và kurtosis ............................................................... 11

2.2.1.1. Yếu tố skewness ........................................................................ 11

2.2.1.2. Yếu tố kurtosis ........................................................................... 12

v

2.2.2. Đo lường skewness và kurtosis ............................................................ 13

2.3. Bằng chứng thực nghiệm về tác động của yếu tố moment bậc cao đến lợi nhuận

cổ phiếu ................................................................................................................. 14

2.4. Giả thuyết nghiên cứu .................................................................................... 20

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU .......................................................... 21

3.1. Dữ liệu nghiên cứu......................................................................................... 21

3.2. Mô hình nghiên cứu ....................................................................................... 22

3.4. Phương pháp ước lượng ................................................................................. 26

CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN ...................................... 32

4.1. Thực trạng thị trường chứng khoán Việt Nam giai đoạn 2006 - 2015 .......... 32

4.2. Phân tích thực nghiệm ảnh hưởng của các nhân tố moment đến tỷ suất sinh lời

cổ phiếu ................................................................................................................. 35

4.2.1. Mô tả mẫu nghiên cứu .......................................................................... 35

4.2.2. Sự tác động của các moment đến suất sinh lời cổ phiếu ...................... 38

4.2.3. Tác động yếu tố thị trường đến khả năng giải thích của các moment . 43

4.2.4. Tác động yếu tố ngành đến khả năng giải thích của các moment bậc cao

........................................................................................................................ 44

4.3. Các thảo luận về kết quả nghiên cứu ............................................................. 46

CHƯƠNG 5: KẾT LUẬN VÀ HÀM Ý CHÍNH SÁCH .............................................. 50

5.1. Kết luận .......................................................................................................... 50

5.2. Hàm ý chính sách ........................................................................................... 52

5.3. Hạn chế đề tài ................................................................................................ 54

5.4. Hướng nghiên cứu tiếp theo .......................................................................... 55

TÀI LIỆU THAM KHẢO

PHỤ LỤC

vi

DANH MỤC TỪ VIẾT TẮT

Từ viết tắt Tiếng Anh Tiếng Việt

2SLS 2 Stage Least Square Ước lượng 2 giai đoạn tối thiểu

AMEX American Stock Exchange Sàn giao dịch chứng khoán AMEX (Mỹ)

CAPM Capital Asset Pricing Model Mô hình định giá tài sản vốn

FE Fixed Effect Tác động cố định

FEM Fixed Effect Model Mô hình tác động cố định

Global Industry Classification GICS Chuẩn phân ngành quốc tế Standard

Phương pháp bình phương nhỏ nhất tổng GLS Generalized Least Squares quát

GMM Generalized Method of Moments Phương pháp moment tổng quát

HOSE Sở giao dịch chứng khoán Tp.HCM

MLE Maximum Likelihood Estimator Ước lượng hợp lý cực đại

National Association of Sàn giao dịch chứng khoán NASDAQ NASDAQ Securities Dealers Automated (Mỹ) Quotations

NYSE The New York Stock Exchange Sở giao dịch chứng khoán New York

OLS Ordinary Least Squares Phương pháp bình phương nhỏ nhất

Pooleded Ordinary Least Pooled OLS Phương pháp hồi quy dữ liệu gộp Squares

RE Random Effect Tác động ngẫu nhiên

REM Random Effect Model Mô hình tác động ngẫu nhiên

Tp.HCM Thành Phố Hồ Chí Minh

VN-Index Chỉ số giá thị trường trên trên HOSE

vii

DANH MỤC BẢNG

Bảng Tên Bảng Trang

Bảng 3.1 Thống kế số lượng cổ phiếu mẫu từ 2006 – 2015 21

Bảng 3.2 Bảng thống kê ngành và số lượng cổ phiếu năm 2015 25

Bảng 4.1 Bảng thống kê tài khoản nhà đầu tư trên thị trường năm 2015 34

Bảng 4.2 Thống kê mô tả các biến 35

Bảng 4.3 Thống kê lợi nhuận cổ phiếu từng giai đoạn 36

Bảng 4.4 Thống kê lợi nhuận các ngành 37

Bảng 4.5 Lựa chọn mô hình CAPM và moment CAPM 38

Bảng 4.6 Kết quả hồi quy bằng phương pháp Pooed OLS, FE, RE 39

Bảng 4.7 Kiểm định lựa chọn mô hình 39

Bảng 4.8 Kiểm định sau ước lược bằng phương pháp Pooled OLS 40

Bảng 4.9 Kiểm định hiện tượng nội sinh 41

Bảng 4.10 Kết quả hồi quy mô hình 1 bằng phương pháp System GMM 41

Bảng 4.11 Kiểm định mở rộng của phương pháp System GMM 42

43 Bảng 4.12 Kết quả hồi quy mô hình 2

45 Bảng 4.13 Kết quả hồi quy mô hình 3

viii

DANH MỤC HÌNH

Tên Bảng Trang Bảng

Hình 2.1 Đường biên hiệu quả 7

Hình 2.2 Đường thị trường vốn CML 8

Hình 2.3 Đường thị trường chứng khoán SML 9

Hình 2.4 Chứng khoán được định giá thấp và cao 10

Hình 2.5 Hình dạng phân phối của yếu tố skewness 11

Hình 2.6 Hình dạng phân phối của yếu tố kurtosis 12

Hình 4.1 Biến động chỉ số VN-Index giai đoạn 2006 - 2015 32

1

CHƯƠNG 1: GIỚI THIỆU

Chương này trình bày tóm lược các nội dung chính của luận văn, bao gồm bối

cảnh nghiên cứu và lý do chọn đề tài, mục tiêu và câu hỏi nghiên cứu, đối tượng và

phạm vi nghiên cứu, phương pháp nghiên cứu và kết cấu đề tài. Bên cạnh đó, những

đóng góp của luận văn và những điểm mới so với các bài nghiên cứu trước cũng sẽ được

đề cập.

1.1. Bối cảnh nghiên cứu và lý do chọn đề tài

Lợi nhuận và rủi ro là hai yếu tố luôn song hành, lợi nhuận kỳ vọng phụ thuộc

vào mức độ ưa thích rủi ro của nhà đầu tư, tuy nhiên trong thực tế, rất nhiều trường hợp

lợi nhuận không như kỳ vọng, và điều này ảnh hưởng đáng kể đến hiệu quả sử dụng vốn

của nhà đầu tư. Như vậy có thể thấy rằng, định giá cổ phiếu là một công đoạn khá quan

trọng trong các quyết định đầu tư của cá nhân cũng như tổ chức. Nó giúp nhà đầu tư biết

được giá trị thực của cổ phiếu, tìm kiếm cơ hội và ra quyết định đầu tư phù hợp vì trên

thực tế một công ty tốt không hẳn là cơ hội đầu tư tốt nếu giá cổ phiếu của công ty đã

được định giá quá cao.

Trên thế giới, đặc biệt là ở các quốc gia có nền kinh tế tài chính phát triển, đã có

rất nhiều nghiên cứu tìm ra mô hình định giá cổ phiếu mà điển hình nhất là mô hình định

giá tài sản vốn CAPM được đóng góp bởi hai nhà nghiên cứu Sharpe (1964) và Lintner

(1965). Một số tác giả khác trong đó có Fama và French (1993) đã mở rộng các nhân tố

trong mô hình CAPM để giải thích những gì mà mô hình CAPM chưa giải thích được

(mô hình ba nhân tố) hay Carhart (1997) bổ sung thêm nhân tố mới để phát triển thành

mô hình bốn nhân tố. Phần lớn các mô hình định giá tài sản đều dựa trên giả định rằng

suất sinh lời của chứng khoán tuân theo hàm phân phối chuẩn.

Tuy nhiên, thực tế và một số nghiên cứu khác đã cho thấy tỷ suất sinh lời của

chứng khoán không tuân theo quy luật phân phối chuẩn, chẳng hạn nghiên cứu của Fama

và Macbeth (1973). Hay một số nghiên cứu lại cho rằng phân phối tỷ suất lợi nhuận thể

hiện rõ tính bất đối xứng (Hassan và Kamil 2013, Pettengill và cộng sự 1995). Điều này

dẫn đến một câu hỏi liệu giá trị trung bình và phương sai trong mô hình định giá tài sản

chỉ sử dụng hai moment đầu tiên của phân phối tỷ suất sinh lời có thích hợp trong việc

đo lường chênh lệch tỷ suất sinh lời trung bình của cổ phiếu hay không? Rất nhiều

2

nghiên cứu cho thấy các moment bậc cao là skewness (hay còn gọi là độ lệch, độ xiên

hoặc hệ số bất đối xứng) và kurtosis (hay còn gọi là độ nhọn hoặc độ gù) có tác động

đến tỷ suất lợi nhuận cổ phiếu, Kraus và Litzenberger (1976) cho rằng skewness có tác

động ngược chiều đến lợi nhuận và mô hình sau khi bổ sung nhân tố skewness giải thích

tốt hơn so với mô hình CAPM, hay nghiên cứu của Harvey và Siddique (2000) cũng thể

hiện sự phù hợp của mô hình khi đưa thêm vào nhân tố skewness. Nhiều nghiên cứu

khác cũng minh chứng rằng các nhân tố moment bậc cao có tác động đến lợi nhuận cổ

phiếu như Hung và cộng sự (2004), Agarwal và cộng sự (2008), Doan (2011), Kostakis

và cộng sự (2012), Hassan và Kamil (2013), Ajibola và cộng sự (2014), Võ Xuân Vinh

và Nguyễn Quốc Chí (2014)…

Định giá đóng vai trò quan trọng là thế, nhưng hiện nay trên thị trường chứng

khoán Việt Nam, công việc này vẫn chưa thực sự được thực hiện một cách hiệu quả bởi

thị trường chỉ có hơn 15 năm kinh nghiệm, vẫn còn non kém, tiềm ẩn nhiều rủi ro và

khuyết điểm. Tại các công ty chứng khoán và quỹ đầu tư, việc ứng dụng các mô hình

phân tích chưa được đầu tư một cách hệ thống. Một số phần mềm chuyên dụng chủ yếu

là phân tích mô tả lại thị trường, vẽ đồ thị và thống kê số liệu, chưa có phần mềm chuyên

dụng để định giá và thiết lập các danh mục tối ưu. Một số quỹ đầu tư có sử dụng nhưng

chủ yếu là mô hình đơn giản như CAPM, mô hình chỉ số đơn mà chưa áp dụng các mô

hình khác điển hình như moment CAPM đã được chứng minh thực nghiệm là tốt hơn so

với các mô hình truyền thống. Do đó, đưa vào nghiên cứu hai nhân tố moment bậc cao

skewness và kurtosis đến khả năng giải thích sự biến động của lợi nhuận cổ phiếu để

tìm ra mô hình phù hợp nhất trong điều kiện Việt Nam thực sự là điều cần thiết trong

bối cảnh hiện tại.

Dưới góc độ yêu thích đề tài cùng với mong muốn hỗ trợ thêm nữa công tác định

giá cổ phiếu, đề tài: “KIỂM ĐỊNH TÁC ĐỘNG CỦA MOMENT BẬC CAO ĐẾN

SUẤT SINH LỜI CỔ PHIẾU CÁC CÔNG TY NIÊM YẾT TẠI VIỆT NAM” được

lựa chọn làm luận văn thạc sĩ. Với phương pháp ước lượng bền vững System GMM, kết

quả không chỉ là bằng chứng khoa học trong nghiên cứu mà còn đóng góp thực tế cho

nhà đầu tư, công ty chứng khoán, quỹ đầu tư cũng như các nhà hoạch định chính sách

trong việc lựa chọn và vận dụng mô hình định giá tài sản vốn phù hợp với điều kiện thị

trường Việt Nam.

3

1.2. Mục tiêu nghiên cứu và câu hỏi nghiên cứu

1.2.1. Mục tiêu nghiên cứu

Đề tài được thực hiện với mục tiêu xem xét sự giải thích của các yếu tố moment

bậc cao gồm skewness và kurtosis về sự biến động lợi luận kỳ vọng cổ phiếu.

Để thực hiện mục tiêu đó, mục tiêu trung gian mà luận văn đạt được thông qua

việc nghiên cứu đề tài:

- Phân tích mức độ và chiều hướng tác động của các moment skewness và kurtosis

đến lợi nhuận kỳ vọng cổ phiếu, từ đó so sánh khả năng giải thích mô hình CAPM và

mô hình moment CAPM.

- Phân tích mức độ và chiều hướng tác động của các moment skewness và kurtosis

đến lợi nhuận kỳ vọng cổ phiếu trong điều kiện thị trường đi lên và thị trường đi xuống.

- Xem xét khả năng giải thích của các nhân tố moment bậc cao ở các nhóm ngành

đến lợi nhuận cổ phiếu.

1.2.2. Câu hỏi nghiên cứu

Bài viết tập trung trả lời cho các câu hỏi sau:

Các yếu tố moment bậc cao skewness và kurtosis có tác động đến suất sinh lời

của cổ phiếu các công ty niêm yết tại Việt Nam không? Mức độ và chiều hướng tác động

như thế nào?

Giữa mô hình CAPM truyền thống và mô hình moment CAPM được nghiên cứu

đề xuất thì mô hình nào giải thích tốt hơn suất sinh lời của cổ phiếu tại Việt Nam?

Trong điều kiện thị trường đi lên hoặc đi xuống thì việc tác động của các nhân tố

moment sẽ thay đổi ra sao?

Trong tất cả các ngành thì những ngành nào có ảnh hưởng nhiều đến khả năng

giải thích của các nhân tố momnet bậc cao đến lợi nhuận cổ phiếu?

Việc trả lời những câu hỏi này sẽ giúp luận văn hoàn thành các mục tiêu đề ra.

Để từ đó có những kết luận và hàm ý chính sách về việc ứng dụng mô hình trong phân

tích tác động các nhân tố đến lợi nhuận cổ phiếu.

4

1.3. Đối tượng và phạm vi nghiên cứu

Để đạt được các mục tiêu nghiên cứu, đối tượng nghiên cứu của luận văn tập

trung vào 3 vấn đề:

(i) Tỷ suất sinh lời cổ phiếu

(ii) Các nhân tố rủi ro bao gồm nhân tố beta và hai nhân tố moment bậc cao

skewness, kurtosis

(iii) Mối tương quan giữa các nhân tố rủi ro với tỷ suất sinh lời cổ phiếu

Phạm vi nghiên cứu: các cổ phiếu các công ty niêm yết trên Sở giao dịch chứng

khoán Tp.HCM – HOSE giai đoạn 2006 - 2015. Luận văn lựa chọn thời gian nghiên cứu

từ năm 2006 vì đây là năm thị trường chứng khoán Việt Nam bắt đầu tăng trưởng nóng,

giai đoạn này cũng có nhiều biến cố với cuộc khủng hoảng tài chính toàn cầu năm 2008.

Đồng thời, đây là giai đoạn mà các công ty tham gia niêm yết nhiều hơn, cơ sở dữ liệu

cũng phong phú và đa dạng hơn.

1.4. Phương pháp nghiên cứu

Để thực hiện các mục tiêu của đề tài nghiên cứu, luận văn chủ yếu sử dụng

phương pháp nghiên cứu định lượng. Đầu tiên, sử dụng công cụ Mocrosoft Excel để xử

lý dữ liệu thô, tính toán tỷ suất sinh lời cổ phiếu, nhân tố rủi ro beta, skewness và kurtosis

cho mô hình thông qua dữ liệu chuỗi thời gian với tần suất ngày, kết hợp với Eview 8

để thực hiện vẽ một số biểu đồ phục vụ thống kê mô tả, sau đó sử dụng công cụ Stata

12 để hồi quy dữ liệu bảng không cân bằng với tần suất năm nhằm kiểm định tác động

của các nhân tố moment bậc cao đến suất sinh lời cổ phiếu.

Mô hình nghiên cứu của luận văn được xây dựng dựa trên mô hình CAPM và kế

thừa các mô hình thực nghiệm của Kraus và Litzenberger (1976) & Hung và cộng sự

(2003) để kiểm định tác động của các yếu tố moment bậc cao đến suất sinh lời cổ phiếu.

Luận văn cũng phân tích khả năng giải thích các biến độc lập đến suất sinh lời cổ phiếu

trong điều kiện thị trường đi lên và đi xuống bằng việc bổ sung thêm biến giả D và phân

tích ảnh hưởng yếu tố ngành (biến giả GICS) đến khả năng giả thích của hai nhân tố rủi

ro moment bậc cao tác động đến lợi nhuận cổ phiếu.

Về phương pháp ước lượng hồi quy, luận văn sử dụng nhiều phương pháp bao

gồm phương pháp ước lượng Pooled OLS, Fixed Effect, Random Effect, System GMM

5

để so sánh các kết quả nghiên cứu, kết hợp các kiểm định để lựa chọn phương pháp phù

hợp cũng như ý nghĩa thống kê của mô hình.

1.5. Đóng góp của đề tài

Nghiên cứu này sẽ bổ sung bằng chứng thực nghiệm về tác động của các yếu tố

moment bậc cao đến suất sinh lời của cổ phiếu niêm yết tại Việt Nam. Điểm mới của

nghiên cứu này so với các nghiên cứu trước là đưa vào biến giả đại diện cho yếu tố thị

trường trong kiểm định nhằm thấy rõ hơn xu hướng tác động của các nhân tố moment

bậc cao tới lợi nhuận khi thị trường đi lên và thị trường đi xuống. Đồng thời, việc đưa

vào biến giả ngành trong phân tích sẽ thấy được mức độ ảnh hưởng của từng ngành đến

việc giải thích của các moment bậc cao tác động lợi nhuận cổ phiếu.

Ngoài ra, việc áp dụng phương pháp ước lượng System GMM cho dữ liệu bảng

cũng là một điểm mới khác của luận văn. Phương pháp này sẽ khắc phục rất nhiều các

vấn đề thống kê như đa cộng tuyến, tự tương quan, phương sai thay đổi và thậm chí là

hiện tượng nội sinh của mô hình mà các nghiên cứu trước về chủ đề này chưa thực hiện.

Do đó, kết quả nghiên cứu khá bền vững và đáng tin cậy.

Kết quả nghiên cứu sẽ gợi mở những hàm ý chính sách quan trọng cho nhà quản

lý danh mục và nhà đầu tư trong việc phân tích và lựa chọn chứng khoán để đảm bảo

hiệu quả của hoạt động đầu tư. Đồng thời, kết quả cũng sẽ cung cấp thông tin cho nhà

hoạch định chính sách để quản lý hoạt động hiệu quả của thị trường.

1.6. Kết cấu đề tài

Ngoài các phần danh mục viết tắt, danh mục bảng, danh mục hình, tài liệu tham

khảo và phụ lục thì đề tài được kết cấu thành 5 chương, cụ thể như sau:

Chương 1 - Giới thiệu. Chương này trình bày tóm lược các nội dung chính của

luận văn, bao gồm: bối cảnh nghiên cứu và lý do chọn đề tài, mục tiêu và câu hỏi nghiên

cứu, đối tượng và phạm vi nghiên cứu, phương pháp nghiên cứu, đóng góp đề tài và

cuối cùng là kết cấu của nghiên cứu.

Chương 2 - Cơ sở lý thuyết và bằng chứng thực nghiệm về tác động của yếu tố

moment bậc cao đến lợi nhuận cổ phiếu. Các cơ sở lý thuyết liên quan đến đề tài sẽ được

trình bày trong chương này như lý thuyết nền tảng danh mục đầu tư Markowitz, đây là

6

cơ sở hình thành lý thuyết thị trường vốn và mô hình định giá tài sản vốn CAPM. Tiếp

theo là phần tổng hợp và đánh giá các công trình nghiên cứu trước đó ở cả Việt Nam và

nước ngoài về sự ảnh hưởng các nhân tố moment bậc cao đến lợi nhuận cổ phiếu. Từ

đó, luận văn sẽ đưa ra các giả thuyết nghiên cứu làm cơ sở để phát triển các mô hình

nghiên cứu.

Chương 3 - Phương pháp nghiên cứu. Trong chương này, luận văn sẽ trình bày

cách thu thập nguồn dữ liệu nghiên cứu, trình bày các mô hình và cách xử lý, tính toán

các biến của mô hình. Tiếp theo, các phương pháp ước lượng hồi quy bao gồm phương

pháp Pooled OLS, Fixed Effect, Random Effect và các kiểm định lựa chọn mô hình

cũng được nêu lên. Bên cạnh đó, sơ lược về phương pháp ước lượng System GMM cùng

với các kiểm định sẽ là điểm mới nghiên cứu để thấy rõ hơn về vai trò cũng như tính ưu

việt của phương pháp.

Chương 4 - Kết quả nghiên cứu và thảo luận. Chương này trình bày các kết quả

nghiên cứu và thảo luận một số vấn đề về mô hình. Cụ thể, mẫu nghiên cứu sẽ được khái

quát để có cái nhìn tổng quan về tình hình thị trường. Kết quả hồi quy các mô hình bằng

các phương pháp khác nhau sẽ được tóm tắt và thảo luận về khả năng giải thích của các

nhân tố rủi ro đến lợi nhuận cổ phiếu.

Chương 5 - Kết luận và hàm ý chính sách. Chương này sẽ trình bày các kết luận

nhằm trả lời cho những câu hỏi đã đặt ra, từ đó nêu lên hàm ý chính sách và các kiến

nghị cho nhà đầu tư. Đồng thời, những hạn chế của đề tài sẽ được đề cập và sau cùng là

phần gợi ý cho hướng nghiên cứu tiếp theo.

7

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ BẰNG CHỨNG THỰC NGHIỆM

VỀ TÁC ĐỘNG CỦA YẾU TỐ MOMENT BẬC CAO ĐẾN LỢI NHUẬN

CỔ PHIẾU

Cơ sở lý thuyết liên quan đến đề tài sẽ được trình bày trong chương này như lý

thuyết nền tảng danh mục đầu tư Markowitz, đây là cơ sở hình thành lý thuyết thị trường

vốn và mô hình định giá tài sản vốn CAPM. Tiếp theo là phần tổng hợp và đánh giá các

công trình nghiên cứu trước đó ở cả Việt Nam và nước ngoài về sự ảnh hưởng các nhân

tố momnet bậc cao đến lợi nhuận cổ phiếu. Từ đó, luận văn sẽ đưa ra các giả thuyết

nghiên cứu làm cơ sở để phát triển các mô hình nghiên cứu được trình bày chương 3.

2.1. Lý thuyết thị trường vốn và mô hình CAPM

2.1.1. Lý thuyết danh mục đầu tư Markowitz

Xuất phát từ vấn đề quản lý danh mục đầu tư, một vấn đề đặt ra là làm thế nào để

quản lý danh mục đầu tư một cách tối ưu nhất? Dựa trên nền tảng lý thuyết về lợi nhuận

và rủi ro kết hợp sử dụng phương pháp thống kê cùng với hàng loạt các thuật toán ma

trận thì Harry Markowitz cho ra đời Lý thuyết danh mục đầu tư hiện đại (Lý thuyết danh

mục đầu tư) được công bố vào năm 1952 trên tạp chí tài chính. Theo đó, Markowitz đã

phát hiện việc kết hợp các danh mục cổ phiếu rủi ro sẽ tạo thành một danh mục ít rủi ro

hơn là để riêng cổ phiếu riêng lẻ, đồng thời ông cũng khẳng định tầm quan trọng của

việc phải đa dạng hóa đầu tư để giảm tổng rủi ro cho danh mục.

Hình 2.1: Đường biên hiệu quả

E(Rp)

Đường biên hiệu quả

𝝈𝑷

Nguồn: Markowitz (1952).

8

Markowitz đã chỉ ra rằng tập hợp các danh mục tài sản có lợi nhuận kỳ vọng cao

nhất ứng với mỗi mức rủi ro sẽ hình thành đường biên hiệu quả (Xem hình 2.1). Mỗi

nhà đầu tư đều mong muốn với một mức rủi ro bất kỳ thì danh mục đầu tư luôn mang

lại tỷ suất sinh lợi cao nhất có thể, và thông thường những danh mục nằm trên đường

biên hiệu quả sẽ được ưu tiên lựa chọn hơn là những tài sản riêng lẻ hoặc danh mục nằm

dưới đường biên hiệu quả.

2.1.2. Lý thuyết thị trường vốn và mô hình CAPM

Dựa trên nền tảng lý thuyết của Markowitz (1952) thì Sharpe (1964), Lintner

(1965) và Mossin (1966) đã giới thiệu các nghiên cứu về lý thuyết thị trường vốn, đánh

dấu sự ra đời của lý thuyết định giá tài sản và là cơ sở hình thành mô hình định giá tài

sản vốn CAPM. Áp dụng lý thuyết Markowitz, xây dựng một danh mục đầu tư gồm tài

sản phi rủi ro và danh mục thị trường M sẽ tạo nên đường thị trường vốn CML. Mọi

nhà đầu tư sẽ chọn danh mục tối ưu nằm trên đường CML được tạo ra bằng cách kết

hợp tài sản phi rủi ro với danh mục mục thị trường M.

Hình 2.2: Đường thị trường vốn CML

E(Rp) CML

M E(RM) Đường biên hiệu quả

𝝈𝑷

Rf

𝝈𝑴

Nguồn: Bodie và cộng sự (2011).

Phương trình đường CML có thể được viết như sau:

𝐸(𝑅𝑃) = 𝑅𝑓 + . 𝜎𝑃 𝐸(𝑅𝑀) − 𝑅𝑓 𝜎𝑀

Trong đó:

suất sinh danh mục P E(RP)

9

suất sinh lời tài sản phi rủi ro Rf

mức bù rủi ro của thị trường 𝐸(𝑅𝑀) − 𝑅𝑓

độ lệch chuẩn của danh mục P 𝜎𝑃

độ lệch chuẩn của danh mục thị trường 𝜎𝑀

𝑐𝑜𝑣(𝑅𝑖,𝑅𝑀) 2 𝜎𝑀

thì beta chính là thước đo rủi ro hệ thống của chứng khoán Đặt 𝛽𝑖 =

trong tương quan với danh mục thị trường. Danh mục thị trường có beta bằng một, do

đó nếu một chứng khoán có beta lớn hơn 1 thì chứng khoán này có rủi ro hệ thống lớn

hơn thị trường. Cụ thể, hệ số beta một chứng khoán bằng 1.2 cho biết lợi nhuận cổ phiếu

biến động gấp 1.2 lần lợi nhuận thị trường, hàm ý khi nền kinh tế thuận lợi thì lợi nhuận

cổ phiếu tăng nhanh hơn lợi nhuận thị trường, nhưng khi nền kinh tế bất lợi thì lợi nhuận

cổ phiếu giảm nhanh hơn lợi nhuận thị trường. Phương trình đường CML được viết lại:

𝐸(𝑅𝑖) = 𝑅𝑓 + 𝛽𝑖. [𝐸(𝑅𝑀) − 𝑅𝑓]

Đây chính là mô hình CAPM nhằm mô tả mối quan hệ giữa rủi ro và lợi nhuận

kỳ vọng của một chứng khoán và nó được biểu thị qua đường thị trường chứng khoán –

SML. Mô hình CAPM thực tế là một trường hợp của lý thuyết thị trường vốn khi thay

thế một danh mục bởi một chứng khoán bất kỳ. Khi chứng khoán này tham gia vào danh

mục đầu tư thì chúng có mối tương quan với nhau để triệt tiêu rủi ro cá biệt và chỉ còn

lại rủi ro hệ thống được đo lường bằng hiệp phương sai của chứng khoán đó với danh

mục thị trường.

Hình 2.3: Đường thị trường chứng khoán SML

SML

E(R)

E(Ri)

M RM Độ dốc của SML là phần bù rủi ro

Rf

𝛽𝑖 β 1 Beta âm

Nguồn: Bodie và cộng sự (2011).

10

SML thể hiện lợi nhuận của một chứng khoán có được để bù đắp phần rủi ro mà

nhà đầu tư chấp nhận đầu tư vào một chứng khoán rủi ro. Ở trạng thái cân bằng, những

chứng khoán được định giá hợp lý đều nằm trên đường SML, các chứng khoán nằm bên

dưới hoặc bên trên đường SML biểu thị tình trạng giá phản ánh chưa đúng thực tế khi

cân bằng.

Hình 2.4: Chứng khoán được định giá thấp và cao

SML

E(R)

B (Định giá thấp)

A

C (Định giá cao) E(RA)

Rf

β 𝛽𝐴

Nguồn: Bodie và cộng sự (2011).

Cụ thể, những chứng khoán bị định giá thấp sẽ nằm phía trên đường SML, những

chứng khoán này có lợi nhuận thực tế cao hơn lợi nhuận kỳ vọng. Ngược lại, những

chứng khoán định giá cao sẽ nằm phía dưới đường SML, với những chứng khoán này

có tỷ suất sinh lời thực tế thấp hơn tỷ suất sinh lời theo yêu cầu của mô hình định giá tài

sản vốn. Chênh lệch giữa tỷ suất lợi nhuận thực tế và tỷ suất lợi nhuận hợp lý theo mô

hình định giá tài sản vốn được đo bởi giá trị anpha. Những chứng khoán được định giá

thấp sẽ có giá trị anpha dương. Những chứng khoán này được kỳ vọng sẽ tăng giá trong

tương lai được khuyến nghị nên mua vào và nắm giữ trong danh mục đầu tư. Ngược lại,

những chứng khoán được định giá cao sẽ có giá trị anpha âm. Giá của những chứng

khoán này sẽ giảm trong tương lai.

Mô hình CAPM ra đời được coi là cốt lõi của lý thuyết đầu tư hiện đại, cho tới

nay CAPM vẫn là mô hình được được nhà đầu tư cũng như các công ty quản lý quỹ lựa

chọn để định giá cổ phiếu. Ưu điểm của mô hình là đơn giản và có thể ứng dụng được

trên thực tế như: xác định giá trị hợp lý của tài sản rủi ro phục vụ định giá chứng khoán,

11

ước lượng suất sinh lời kỳ vọng chứng khoán, hoặc mức độ rủi ro của danh mục đầu

tư…. Tuy nhiên, cũng như các mô hình khác thì CAPM cũng có nhiều hạn chế và tranh

luận bởi các nhà nghiên cứu khác nhau. Các lý thuyết này xem xét việc đánh giá khoản

mục đầu tư dựa trên lợi nhuận kỳ vọng (mean) và rủi ro (variance) với các giả định phân

phối chuẩn. Thực tế, đa số các tài sản đều có phân phối lệch trái hoặc lệch phải, cũng có

thể gù hoặc nhọn, Kraus và Litzenberger (1976) đã kiểm định mô hình CAPM đối với

sự bất đối xứng và khẳng định các cổ phiếu lệch phải sẽ có cơ hội được hưởng tỷ suất

sinh lời rất lớn.

2.2. Các yếu tố moment bậc cao trong định giá tài sản

2.2.1. Hiểu về skewness và kurtosis

Thuyết danh mục đầu tư của Markowitz (1952) và mô hình CAPM giả định lợi

nhuận của tài sản được phân bổ theo phân phối chuẩn tuyệt đối, nghĩa là chỉ xem xét

yếu tố gái trị trung bình và phương sai. Do đó, đường cong của phân phối một tài sản có

hình dạng chuông đối xứng. Tuy nhiên, dựa trên các nghiên cứu thực nghiệm cũng như

thực tế đã chứng minh, không có lợi nhuận của tài sản nào phân bổ đối xứng tuyệt đối,

có thể lệch trái hoặc lệch phải, đồng thời cũng có thể phân bổ với hình dạng nhọn hoặc

gù. Sự lệch trái hoặc phải được đo lường bằng skewness và mức độ gù hoặc nhọn được

đo lường bằng kurtosis. Hai yếu tố moment bậc cao skewness và kurtosis cùng với hai

moment đầu tiên được biết đến là giá trị trung bình (mean) và phương sai (variance) mô

tả tổng thể hình dạng phân phối xác suất của một tài sản.

2.2.1.1. Yếu tố skewness

Skewness là moment bậc cao thứ ba dùng đo lường độ xiên hoặc độ lệch của

phân phối.

Hình 2.5: Hình dạng phân phối của yếu tố skewness

Normal Curve Positive Skew Negative Skew

12

Phân phối chuẩn luôn có hệ số skewness bằng không. Phân phối có skewness

dương (positive sknew, right-skewed) là phân phối có phần đuôi dài hơn về bên phải -

phía mà lợi nhuận sẽ cao hơn so với bình thường. Ngược lại, phân phối có skewness âm

(negative skew, left-skewed) là phân phối có phần đuôi dài hơn về phía trái - phía mà

lợi nhuận sẽ thấp hơn so với bình thường. Khi giá trị tuyệt đối của skewness càng lớn

thì tập dữ liệu càng bất đối xứng.

Skewness mang ý nghĩa quan trọng trong đầu tư. Giả sử một nhà đầu tư đang

nắm một danh mục đầu tư thời hạn t. Trong chuỗi thời gian này, khi quan sát nhận thấy

có một hoặc hai ngày suất sinh lời bị âm rất mạnh, đây được xem là một rủi ro đối với

các nhà đầu tư và nó được biểu thị thông qua hệ số skewness âm. Do đó, nếu nắm một

danh mục có hệ số skewness âm thì trong tương lai rất dể xuất hiện hiện tượng tỷ suất

sinh lời bị âm. Ngược lại, nếu nắm một danh mục có skewness dương, phần đuôi lệch

phải hàm ý có một số tỷ suất lợi nhuận cao sẽ xuất hiện trong tương lai, mặc dù tỷ suất

sinh lời trung bình thấp nhưng việc xuất hiện một hay nhiều tỷ suất sinh lời cao bất ngờ

sẽ đẩy suất sinh lời kỳ vọng danh mục của nhà đầu tư lên cao. Do đó có thể nói skewness

dương là tốt (Peñaranda, 2007).

2.2.1.2. Yếu tố kurtosis

Kurtosis là moment bậc cao thứ tư dùng đo lường độ nhọn hay mức độ lệch phần

đuôi của phân phối.

Hình 2.6: Hình dạng phân phối của yếu tố kurtosis

Leptokurtic

Mesokurtic

Platykurtic

13

Phân phối có dạng nhọn khi giá trị kurtosis dương (leptokurtic) và có dạng bẹt

khi giá trị kurtosis âm (platykurtic). Một phân phối dạng leptokurtic sẽ có đỉnh nhọn và

phần đuôi “béo” hơn (thuật ngữ ban đầu là “fat tail” được hiểu là phân phối có xác suất

nhận các giá trị ở hai đuôi cao hơn so với phân phối chuẩn) so với thông thường

(mesokurtic). Ngược lại, một phân phối dạng platykurtic sẽ có đỉnh rộng và phần đuôi

“gầy” hơn (“thin tail” được hiểu là phân phối có xác suất nhận các giá trị ở hai đuôi thấp

hơn so với phân phối chuẩn) so với thông thường.

Trong quản lý danh mục, nhà đầu tư thường quan tâm tới đuôi phía trái nhiều

hơn vì nó đại diện cho xác suất xuất hiện các khoản lỗ. Khi phân phối có kurtosis dương

thì nghĩa là phân phối các khoản lỗ sẽ tập trung ở đuôi nhiều hơn, như vậy độ an toàn

không cao và đây là một rủi ro cần đề phòng. Ngược lại, phân phối có kurtosis âm đồng

nghĩa với việc phân phối xác suất các khoản lỗ sẽ ít hơn so với thông thường, điều này

hàm ý rủi ro cũng ít hơn (Peñaranda, 2007).

Trong phân tích đầu tư, skewness và kurtosis là hai chỉ số cần phải đo lường bên

cạnh giá trị kỳ vọng và phương sai vì đây mới thực sự là những chỉ số rủi ro. Thông

thường một tài sản có skewness dương và kurtosis âm là những cổ phiếu được ưa thích

lựa chọn vì có nhiều ngày suất sinh lời tăng đột biến (skewness dương) mà độ an toàn

lại cao (kurtosis âm).

2.2.2. Đo lường skewness và kurtosis

Fama và Macbeth (1973) đã tìm hiểu về mối quan hệ giữa lợi nhuận trung bình

và rủi ro cổ phiếu trên Sàn giao dịch chứng khoán New York. Dựa trên bộ dữ liệu của

tấc cả các loại chứng khoán giao dịch trên thị trường giai đoạn 1926 – 1968 và với

phương pháp ước lượng OLS thì tác giả cho rằng phân phối của lợi nhuận trên danh mục

tài sản không tuân theo quy luật phân phối chuẩn. Nhiều nghiên cứu cho thấy sự lệch

hoặc gù là do ảnh hưởng các nhân tố moment bậc cao. Kraus và Litzenberger (1976)

cho rằng nếu lợi nhuận kỳ vọng của danh mục có hình dạng không đối xứng thì mô hình

nghiên cứu cần bổ sung thêm một nhân tố mới là skewness. Hay Hwang và Satchell

(1999) là tác giả tiếp theo mở rộng mô hình của Kraus và Litzenberger cho rằng kurtosis

có khả năng giải thích sự biến động của lợi nhuận tương đương với nhân tố skewness.

Chính vì vậy, hai nhân tố moment bậc cao là cần thiết trong mô hình định giá tài sản

vốn. Có thể đo lường skewness và kurtosis của một tài sản qua công thức

3 ]

14

𝑇 ∑ [ 𝑡=1

4 ]

𝑆𝑘𝑒𝑤𝑛𝑒𝑠𝑠 = 1 𝑇 − 1 𝑅𝑖𝑡 − 𝑅̅𝑖 𝜎𝑖

𝑇 ∑ [ 𝑡=1

𝐾𝑢𝑟𝑡𝑜𝑠𝑖𝑠 = − 3 1 𝑇 − 1 𝑅𝑖𝑡 − 𝑅̅𝑖 𝜎𝑖

Trong đó: 𝑅𝑖, 𝑅̅𝑖, 𝜎𝑖 lần lượt là lợi nhuận, lợi nhuận kỳ vọng và độ lệch chuẩn

của tài sản i.

Tuy nhiên hai công thức trên chỉ mới xem xét độ lệch và độ nhọn của phân phối

một tài sản mà chưa xem xét trong bối cảnh thị trường nên việc sử dụng công thức này

trong định giá tài sản là chưa phù hợp. Theo Kraus và Litzenberger (1976), yếu tố

systematic skewness (coskewness) là phù hợp trong định giá bởi coskewness được hiểu

là thành phần của yếu tố skewness của một tài sản liên hợp đến skewness của toàn bộ

danh mục thị trường. Theo đó, yếu tố này được tính tương tự như hệ số beta thị trường,

cụ thể:

𝑆𝑘𝑒𝑤 = 𝐸[{𝑅𝑖 − 𝐸(𝑅𝑖)}{𝑅𝑚 − 𝐸(𝑅𝑚)}2] {𝑅𝑚 − 𝐸(𝑅𝑚)}3

Việc đo lường yếu tố kurtosis cũng tương tự:

𝐾𝑢𝑟𝑡 = 𝐸[{𝑅𝑖 − 𝐸(𝑅𝑖)}{𝑅𝑚 − 𝐸(𝑅𝑚)}3] {𝑅𝑚 − 𝐸(𝑅𝑚)}4

Với Ri và Rm lần lượt là lợi nhuận tài sản i và danh mục thị trường.

2.3. Bằng chứng thực nghiệm về tác động của yếu tố moment bậc cao đến lợi nhuận

cổ phiếu

Đề cập tới vấn đề rủi ro và lợi nhuận cũng như việc áp dụng các mô hình định

giá tài sản vốn để kiểm định khả năng dự báo lợi nhuận của cổ phiếu thì trên thế giới và

Việt Nam đã có rất nhiều công trình nghiên cứu. Cho tới nay, hai mô hình định giá tài

sản vốn nổi tiếng là mô hình CAPM và mô hình ba nhân tố vẫn được ưa chuộng áp dụng.

Tuy nhiên, đã có rất nhiều nhà nghiên cứu cho rằng việc không xem xét tác động của

các yếu tố moment bậc cao là một rủi ro tiềm ẩn với các nhà đầu tư. Những nghiên cứu

nổi bật tập trung phân tích các yếu tố moment bậc cao có thể kể đến như nghiên cứu

Kraus và Litzenberger (1976), Harvey và Siddique (2000), Hung và cộng sự (2003),

15

Agarwal và cộng sự (2008), Doan (2011), Kostakis và cộng sự (2011), Hassan và Kamil

(2013), Trương Quốc Thái (2013), Ajibola và cộng sự (2015), Võ Xuân Vinh và Nguyễn

Quốc Chí (2014).

Dựa trên nhiều nghiên cứu khác nhau của các tác giả trên thế giới cho rằng phân

phối của lợi nhuận không đối xứng thì một nghiên cứu đóng vai trò quan trọng trong

việc minh chứng moment bậc cao là yếu tố tác động đến phân phối của lợi nhuận chính

là nghiên cứu của Kraus và Litzenberger (1976). Nghiên cứu cho rằng nếu lợi nhuận kỳ

vọng của danh mục có hình dạng không đối xứng thì mô hình nghiên cứu cần bổ sung

thêm một nhân tố mới là skewness. Thật vậy, dựa trên bộ dữ liệu nghiên cứu từ năm

1935 đến năm 1970 với tần suất tháng lấy trên sở giao dịch chứng khoán New York

(NYSE), và với dữ liệu nghiên cứu là kiểu dữ liệu chéo, nghiên cứu cho thấy các ước

lượng hệ số beta và skewness đều có ý nghĩa thống kê và là ước lượng vững. Trong đó

yếu tố beta có tác động cùng chiều với lợi nhuận và yếu tố skewness tác động ngược

chiều đến lợi nhuận. Đây là nghiên cứu nền tảng mà sau này nhiều nhà nghiên cứu khác

đã tham khảo và phát triển thêm bằng việc bổ sung nhân tố moment thứ tư hoặc nghiên

cứu trên bộ dữ liệu thực nghiệm khác.

Harvey và Siddique (2000) tìm thấy sự tác động của yếu tố moment bậc cao

skewness có tác động đến tỷ suất sinh lời cổ phiếu. Dựa trên bộ dữ liệu cổ phiếu thu

thập trên các sàn giao dịch NYSE, AMEX, NASDAQ giai đoạn 1963 – 1993 với tần

suất tháng, tác giả lần lượt đưa vào mô hình CAPM, mô hình ba nhân tố của Fama và

French (1993) nhân tố skewness để xem xét mức độ phù hợp các mô hình thông qua giá

trị R2 hiệu chỉnh. Bằng hai phương pháp hồi quy là ước lượng hợp lý tối đa (Maximum

Likelihood) và ước lượng OLS với kiểu dự liệu chéo, nghiên cứu cho thấy sự tác động

của phần bù rủi ro skewness tới tỷ suất sinh lời kỳ vọng của danh mục cổ phiếu, trong

trường hợp mô hình có thêm nhân tố quy mô và giá trị thì mô hình vẫn có ý nghĩa thống

kê. Ở nghiên cứu này, điểm khác biệt so với nghiên cứu của Kraus và Litzenberger

(1976) là phương pháp nghiên cứu, cụ thể Harvey và Siddique (2000) sau khi tính hệ số

skewness, tác giả phân chia thành các danh mục có hệ số này từ thấp đến cao, sau đó lấy

danh mục có hệ số skewness thấp trừ cho danh mục có hệ số skewness cao, hay nói cách

khác tác giả kỳ vọng một cổ phiếu có hệ số skewness thấp sẽ có mức bù tương xứng cho

rủi ro mà nhà đầu tư gánh chịu bởi cổ phiếu có skewness thấp rủi ro hơn.

16

Hung và cộng sự (2003) nghiên cứu tác động của các nhân tố skewness và

kurtosis đến sự biến động lợi nhuận của thị trường chứng khoán Anh Quốc trong cả hai

trường hợp thị trường đi lên và thị trường đi xuống giai đoạn 1975-2000. Dựa trên các

nghiên cứu của Fama và French (1992), Pettengill và cộng sự (1995) & Harvey và

Siddique (2000), mô hình tác giả phát triển từ mô hình ba nhân tố bổ sung thêm hai nhân

tố moment bậc cao skewness và kurtosis. Với phương pháp ước lượng hồi quy OLS, kết

quả nghiên cứu cho thấy hệ số ước lượng nhân tố beta có mức ý nghĩa thống kê yếu hơn

khi thêm vào hai nhân tố giá trị và quy mô, trái ngược nghiên cứu của Fama và French.

Tuy nhiên, khi nghiên cứu trong điều kiện thị trường khác nhau thì hệ số ước lượng nhân

tố rủi ro beta có ý nghĩa thống kê mạnh hơn và vẫn duy trì khi được bổ sung thêm hai

nhân tố rủi ro moment bậc cao skewness và kurtosis. Tuy nhiên, nghiên cứu không tìm

thấy sự tác động của hai nhân tố moment bậc cao tới lợi nhuận kỳ vọng.

Nghiên cứu trên thị trường chứng khoán Mỹ giai đoạn 1994-2004, Agarwal và

cộng sự (2008) đã thu thập dữ liệu của 5336 quỹ đầu tư, tuy nhiên mẫu nghiên cứu bị

loại bỏ 2027 quỹ bởi các lý do về thanh khoản, sáp nhập quỹ và các quỹ ngưng hoạt

động…Các tác giả đã chia các quỹ thành 27 danh mục cổ phiếu để mô phỏng nhằm đánh

giá hiệu quả hoạt động các quỹ đầu tư thông qua việc ước lượng các hệ số phần bù rủi

ro cho nhân tố rủi ro về biến động, skewness và kurtosis. Kết quả nghiên cứu đã tìm

thấy sự tác động cả ba nhân tố này, các hệ số phần bù rủi ro đều có ý nghĩa thống kê sau

khi hồi quy cùng mô hình bốn nhân tố của Carhart (1997) và mô hình bảy nhân tố của

Fung và Hsied (2004), trong đó phần bù rủi ro skewness tác động cùng chiều đến lợi

nhuận kỳ vọng, phần bù rủi ro kurtosis tác động ngược chiều đến lợi nhuận kỳ vọng.

Nghiên cứu cũng cho thấy, các mô hình sau khi bổ sung thêm các nhân tố rủi ro moment

bậc cao sẽ giải thích tốt hơn so với các mô hình nghiên cứu trước.

Một nghiên cứu khác cũng tập trung vào phân tích tác động của yếu tố moment

bậc cao là nghiên cứu của Doan (2011), phát triển từ mô hình CAPM, mô hình ba nhân

tố của Fama và French, nghiên cứu đã bổ sung thêm hai nhân tố monent skewness và

kurtosis trong giải thích tỷ suất sinh lời chứng khoán Mỹ và Úc giai đoạn 1992-2009.

Bằng việc ước lượng hồi quy bằng phương pháp MLR (multivariate linear regressions)

và phương pháp bootstrap, nghiên cứu tìm thấy thấy chứng khoán Úc có skewness âm

nhiều hơn nhưng kurtosis vượt trội ít hơn chứng khoán Mỹ, đồng thời nhân tố skewness

17

đóng vai trò quan trọng trong việc giải thích tỷ suất lợi nhuận chứng khoán Úc trong khi

tại Mỹ thì nhân tố kurtosis giải thích tốt hơn. Sự khác biệt chủ yếu là do quy mô các

công ty ở hai thị trường có sự chênh lệch. Kết quả bài nghiên cứu là bằng chứng mạnh

mẽ cho thấy một phần tỷ suất sinh lời chứng khoán được giải thích bởi các yếu tố

moment bậc cao.

Tiếp tục là một nghiên cứu trên thị trường chứng khoán Anh Quốc, Kostakis và

cộng sự (2011) sử dụng bộ dữ liệu bao gồm tấc cả các công ty được niêm yết trên thị

trường giai đoạn 1986-2008 để nghiên cứu tác động của yếu tố rủi ro moment bậc cao

đến suất sinh lời cổ phiếu. Cụ thể, dựa trên ba mô hình định giá truyền thống là CAPM,

Fama và French (1993) và Carhart (1997) nhóm nghiên cứu bổ sung thêm hai yếu tố rủi

ro skewness và kurtosis lần lượt vào các mô hình trên. Dựa trên phương pháp nghiên

cứu của Fama và French (1993), nghiên cứu hồi quy hai bước để tìm phần bù rủi ro lần

lượt cho các yếu tố rủi ro và kết quả nghiên cứu cho thấy phần bù rủi ro skewness và

kurtosis đều có ý nghĩa thống kê và mô hình sau khi bổ sung hai nhân tố này đều có khả

năng giải thích tốt hơn so với các mô hình trước, trong đó, phần bù rủi ro skewness có

tương quan dương với lợi nhuận kỳ vọng trong khi phần bù rủi ro kurtosis lại có tương

quan âm. Nghiên cứu này gần giống với nghiên cứu của Harvey và Siddique (2000)

trong việc xây dựng phần bù rủi ro skewness và kurtosis bằng cách phân chia các cổ

phiếu thành 10 danh mục thông qua việc sắp xếp giá trị skewness (kurtosis) theo thứ tự

từ cao đến thấp.

Một bằng chứng thực nghiệm khác trên trường chứng khoán Bangladesh được

thực hiện bởi Hassan và Kamil (2013). Nghiên cứu nhằm kiểm định hiệu quả trong việc

sử dụng thêm hai nhân tố rủi ro skewness và kurtosis vào mô hình CAPM. Dữ liệu

nghiên cứu là 71 công ty phi tài chính trên thị trường chứng khoán Bangladesh từ năm

2002 đến năm 2011. Với phương pháp ước lượng OLS, MLE kết quả nghiên cứu cho

thấy mô hình moment CAPM có khả năng giải thích tốt hơn sự biến động của lợi nhuận

cổ phiếu, đồng thời hai nhân tố rủi ro được thêm vào mô hình đều có ý nghĩa thống kê.

Nghiên cứu Ajibola và cộng sự (2015) cũng kiểm định về sự tác động của các

nhân tố rủi ro tới lợi nhuận cổ phiếu trên thị trường chứng khoán Nigeria giai đoạn 2003

– 2011 sau khi bổ sung các moment bậc cao vào trong mô hình CAPM. Dựa trên phương

pháp nghiên cứu và phương pháp ước lượng tương tự như Fama và Macbeth, kết quả

18

chỉ ra rằng trường hợp không sử dụng biến giả D (biến giả đại diện cho nhân tố thị

trường lên hay xuống) thì chỉ có nhân tố rủi ro skewness đóng vai trò trong giải thích sự

biến đổi lợi nhuận trong danh mục đầu tư, trong khi hệ số ước lượng phần bù rủi ro đại

điện nhân tố covariance và kurtosis không có ý nghĩa thống kê; trường hợp có phân tích

tác động của nhân tố thị trường, thì các hệ số ước lượng đều có ý nghĩa thống kê trong

điều kiện thị trường đi lên, điều này cho thấy các nhà đầu tư trên thị trường chứng khoán

Nigeria đều nhận được mức bù rủi ro tương ứng với các nhân tố rủi ro trên thị trường,

tuy nhiên trong điều kiện thị trường đi xuống, chỉ có yếu tố rủi ro covariance and

skewness giải thích được sự biến động lợi nhuận cổ phiếu, hệ số ước lượng của yếu tố

rủi ro kurtosis không có ý nghĩa thống kê.

Tại Việt Nam, hiện nay chưa có nhiều nghiên cứu về sự tác động yếu tố rủi ro

moment bậc cao tới tỷ suất lợi nhuận cổ phiếu. Một nghiên cứu điển hình có thể kể đến

là nghiên cứu của tác giả Võ Xuân Vinh và Nguyễn Quốc Chí (2014) về mối quan hệ

giữa rủi ro hiệp moment bậc cao và lợi nhuận kỳ vọng danh mục cổ phiếu, sử dụng dữ

liệu từ các công ty niêm yết trên Sở giao dịch chứng khoán Tp.HCM giai đoạn 2006 -

2013. Các yếu tố rủi ro được tác giả sử dụng bao gồm covariance, skewness và kurtosis.

Dựa trên phương pháp của Lambert và Hubner (2013) và khung phân tích của Fama và

Macbeth (1973), kết quả nghiên cứu cho thấy phần bù rủi ro yếu tố kurtosis có ý nghĩa

thống kê ở mức 10% và tác động cùng chiều đến lợi nhuận danh mục, phần bù rủi ro

yếu tố covariance và skewness không có ý nghĩa thống kê.

Một nghiên cứu khác của Trương Quốc Thái (2013) về định giá tài sản với

moment bậc cao nhằm tìm hiểu tầm quan trọng của các nhân tố moment bậc cao trong

sự thay đổi tỷ suất lợi nhuận trung bình cổ phiếu của 147 công ty niêm yết trên HOSE.

Dựa trên phương pháp nghiên cứu của Doan (2011) và sử dụng ước lượng hồi quy bằng

OLS thì nghiên cứu tìm thấy cả hai yếu tố skewness và kurtosis đều có vai trò quan trọng

trong việc định giá chứng khoán trên thị trường chứng khoán Việt Nam, tuy nhiên vì

thực hiện trên các danh mục nghiên cứu khác nhau nên chiều hướng tác động là không

rõ ràng. Nghiên cứu cũng cho rằng do các công ty niêm yết trên thị trường có quy mô

nhỏ nên mức độ ảnh hưởng của skewness lên tỷ suất lợi nhuận cổ phiếu là nhiều hơn so

với kurtotis.

19

Rõ ràng, nghiên cứu về sự tác động của các nhân tố rủi ro momnet bậc cao đến

lợi nhuận thì trên thế giới có khá nhiều đề tài thực hiện ở các thị trường khác nhau cũng

như các giai đoạn khác nhau. Thông qua danh mục các công trình nghiên cứu trước đó

có liên quan mà nghiên cứu đã trình bày thì có thể thấy các thị trường được sử dụng để

nghiên cứu rất đa dạng, không những ở thị trường phát triển như thị trường chứng khoán

Mỹ, Anh, Úc… mà còn ở các thị trường đang phát triển như thị trường chứng khoán

Nigeria, Bangladesh.... Sơ lược về kết quả thì có thể thấy, ở một số nghiên cứu thì hai

nhân tố rủi ro moment bậc cao không có ý nghĩa thống kê như nghiên cứu của Hung và

cộng sự (2003); một số nghiên cứu thì tìm thấy sự tác động của các nhân tố này nhưng

chiều hướng chưa rõ ràng như nghiên cứu của Harvey và Siddique (2000); ở nghiên cứu

của Doan (2011) tìm thấy sự tương quan dương của nhân tố kurtosis với lợi nhuận kỳ

vọng ở thị trường chứng khoán Mỹ, trong khi nghiên cứu trên thị trường chứng khoán

Úc thì chỉ tìm thấy sự tương quan âm của nhân tố skewness với lợi nhuận kỳ vọng (mối

tương quan âm này cũng trùng khớp với nghiên cứu của Kraus và Litzenberger (1976);

hay Kostakis và cộng sự (2011) cho rằng cả hai nhân tố rủi ro moment bậc cao đều tác

động cùng chiều đến lợi nhuận kỳ vọng; còn Agarwal và cộng sự (2008) tìm thấy sự tác

động cùng chiều đến lợi nhuận kỳ vọng của nhân tố skewness, nhưng ngược chiều so

với nhân tố kurtosis.

Có thể thấy, các kết quả nghiên cứu cũng rất khác nhau trong các điều kiện khác

nhau. Nhiều tác giả cũng đã đưa ra các quan điểm cũng như các nguyên nhân để giải

thích tại sao không có sự thống nhất về các kết quả nghiên cứu, một số yếu tố được đề

cập điển hình như: yếu tố thông tin ở từng thị trường, giai đoạn nghiên cứu, thị trường

nghiên cứu, các yếu tố bổ sung trong mô hình nghiên cứu, phương pháp nghiên cứu…

Thông qua các nghiên cứu thực nghiệm trên, đề tài nghiên cứu của luận văn được

kế thừa từ các nghiên cứu trên thế giới, tuy nhiên luận văn bám sát vào nghiên cứu của

Kraus và Litzenberger (1976) & Hung và cộng sự (2003) làm nền tảng bởi việc bổ sung

vào biến giả sẽ là một điểm mới so với nghiên cứu của các tác giả trước đó tại Việt Nam.

Cụ thể, so với nghiên cứu của Trương Quốc Thái (2013) hay Võ Xuân Vinh và Nguyễn

Quốc Chí (2014), những điểm khác biệt của luận văn là kiểm định tác động của yếu tố

thị trường bằng cách thêm vào mô hình nghiên cứu biến giả D đại diện cho thị trường

lên (D = 1) hoặc thị trường xuống (D = 0); phân tích thêm tác động của từng ngành

20

thông qua việc sử dụng biến giả GICS đến khả năng giải thích của hai nhân tố rủi ro

moment bậc cao skewness và kurtosis tới suất sinh lời cổ phiếu. Ngoài ra, một điểm mới

khác là sử dụng phương pháp ước lượng bền vững System GMM cho dữ liệu bảng nhằm

khắc phục nhiều các vấn đề thống kê như đa cộng tuyến, tự tương quan, phương sai thay

đổi, nội sinh…

2.4. Giả thuyết nghiên cứu

Từ lý thuyết danh mục đầu tư và bằng chứng thực nghiệm các nghiên cứu trước,

giả thuyết nghiên cứu được phát triển như sau:

H1: Các yếu tố moment bậc cao là skewness và kurtosis có ảnh hưởng đến suất

sinh lời kỳ vọng của cổ phiếu.

H2: Các cổ phiếu có skewness âm và kurtosis dương không tốt danh mục.

H3: Tác động của skewness và kurtosis chịu ảnh hưởng của biến động thị trường,

trong điều kiện thị trường đi xuống, việc gia tăng rủi ro chưa chắc gia tăng được lợi

nhuận kỳ vọng.

H4: Các ngành khác nhau có ảnh hưởng đến tác động của skewness và kurtosis.

21

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU

Trong chương này, luận văn sẽ trình bày cách thu thập nguồn dữ liệu nghiên

cứu, trình bày các mô hình và cách xử lý, tính toán các biến của mô hình. Tiếp theo,

các phương pháp ước lượng hồi quy bao gồm phương pháp Pooled OLS, Fixed Effect,

Random Effect và các kiểm định lựa chọn mô hình cũng được nêu lên. Bên cạnh đó,

sơ lược về phương pháp ước lượng System GMM cùng với các kiểm định sẽ là điểm

mới nghiên cứu để thấy rõ hơn về vai trò cũng như tính ưu việt của phương pháp.

3.1. Dữ liệu nghiên cứu

Dữ liệu mà luận văn sử dụng trong bài nghiên cứu là giá cổ phiếu của các công

ty niêm yết, chỉ số thị trường VN-Index được thu thập với tần suất ngày từ 01/01/2006

đến 31/12/2015 trên Sở giao dịch chứng khoán Tp.HCM (HOSE). Giá thu thập là giá

đóng cửa và đã điều chỉnh phần cổ tức vào giá. Với những ngày lễ hoặc các ngày thứ

bảy, chủ nhật thì giá cổ phiếu sẽ được lấy ngày gần nhất (ngày t-j, với j là số ngày

không giao dịch). Dữ liệu không bao gồm các công ty bị hủy niêm yết, các công ty

chuyển đổi sàn niêm yết, các công ty niêm yết nhưng bị gián đoạn trong thời gian dài

hoặc các công ty có dữ liệu không đủ độ dài theo yêu cầu. Cấu trúc dữ liệu nghiên

cứu là kiểu dữ liệu bảng không cân bằng (unbalance panel data).

Bảng 3.1: Thống kế số lượng cổ phiếu mẫu từ 2006 – 2015

Năm 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

Số lượng 21 70 98 121 166 231 259 259 259 259 cổ phiếu

Nguồn: Dữ liệu tổng hợp từ HOSE

Qua thu thập, số lượng cổ phiếu năm 2006 là 21 cổ phiếu và gia tăng theo từng

năm, đến 2015 số lượng mã cổ phiếu đáp ứng theo điều kiện nghiên cứu là 259 cổ

phiếu. Tuy nhiên, để ước lượng được hiệu quả với kiểu dữ liệu nghiên cứu là bảng

không cân bằng thì mỗi quan sát của từng công ty chứng khoán phải liên tục trong 4

năm, nếu một quan sát hiện diện trong bộ dữ liệu chỉ 3 năm liên tục hoặc thấp hơn thì

công ty này sẽ bị loại bỏ ra khỏi bộ dữ liệu nghiên cứu. Do đó, 21 công ty được thu

thập tại năm 2006 sẽ có độ dài hoạt động ít nhất là đến năm 2009 và tương tự cho

những công ty khác.

22

3.2. Mô hình nghiên cứu

Để kiểm định tác động của các yếu tố moment bậc cao đến suất sinh lời của

cổ phiếu, luận văn xây dựng mô hình thực nghiệm dựa trên mô hình CAPM và kế

thừa các mô hình nghiên cứu của Kraus và Litzenberger (1976) & Hung và cộng sự

(2003). Đây thực chất là mô hình CAPM có bổ sung thêm hai nhân tố moment bậc

cao skewness và kurtosis.

Mô hình 1: Mô hình Moment CAPM: phân tích tác động của các nhân tố

rủi ro đến suất sinh lời của cổ phiếu.

𝑅𝑖 − 𝑅𝑓 = 𝑎0 + 𝑎1. 𝑏𝑒𝑡𝑎 + 𝑎2. 𝑠𝑘𝑒𝑤 + 𝑎3. 𝑘𝑢𝑟𝑡 + 𝜀𝑖

Trong đó:

suất sinh lời cổ phiếu i được tính hàng ngày và biểu thị Ri

𝑃𝑡 𝑃𝑡−1

), với Pt là giá cổ phiếu i tại qua công thức: 𝑅𝑖 = ln (

thời điểm t và Pt-1 là giá cổ phiếu i tại thời điểm t -1

suất sinh lời tài sản phi rủi ro (được lấy theo lãi suất tín Rf

phiếu Kho bạc kỳ hạn 1 năm. Dữ liệu được thu thập trên

Sở giao dịch chứng khoán Hà Nội)

hệ số beta cổ phiếu i trong tương quan với thị trường beta

độ xiên cổ phiếu i trong tương quan với thị trường skew

độ nhọn cổ phiếu i trong tương quan với thị trường kurt

các hệ số hồi của phương trình ai

phần dư phương trình hồi quy εi

 Hệ số beta

Theo Kraus và Litzenberger (1976) thì có thể ước lượng beta qua công thức:

𝑏𝑒𝑡𝑎 = 𝐸[{𝑟𝑖 − 𝐸(𝑟𝑖)}{𝑟𝑚 − 𝐸(𝑟𝑚)}] {𝑟𝑚 − 𝐸(𝑟𝑖𝑚)}

Với ri và rm lần lượt là lợi nhuận vượt trội của tài sản i và thị trường với tài sản

phi rủi ro (lợi nhuận danh mục thị trường được tính tương tự như lợi nhuận cổ

23

phiếu dựa trên chỉ số VN-Index của Sở giao dịch chứng khoán Tp.HCM).

 Hệ số skew

Cũng theo Kraus và Litzenberger (1976) thì độ xiên của cổ phiếu i trong tương

quan với thị trường được tính như sau:

𝑠𝑘𝑒𝑤 = 𝐸[{𝑟𝑖 − 𝐸(𝑟𝑖)}{𝑟𝑚 − 𝐸(𝑟𝑚)}2] {𝑟𝑚 − 𝐸(𝑟𝑚)}3

 Hệ số kurt

Tương tự, độ nhọn của cổ phiếu i trong tương quan với thị trường được tính

như sau:

𝑘𝑢𝑟𝑡 = 𝐸[{𝑟𝑖 − 𝐸(𝑟𝑖)}{𝑟𝑚 − 𝐸(𝑟𝑚)}3] {𝑟𝑚 − 𝐸(𝑟𝑚)}4

Tiếp đến, để xem xét sự ảnh hưởng của yếu tố thị trường tác động như thế nào

đến khả năng giải thích của các nhân tố moment đến lợi nhuận cổ phiếu, cụ thể trong

từng giai đoạn thị trường đi lên hoặc đi xuống thì mức độ và chiều hướng tác động

của các nhân tố moment có thay đổi hay không? Từ mô hình 1, luận văn mở rộng mô

hình bằng cách bổ sung thêm biến giả D đại diện cho nhân tố thị trường (mô hình 2).

Mô hình 2: Kiểm định sự tác động của yếu tố thị trường thông qua việc

sử dụng biến giả D thể hiện biến động thị trường.

𝑅𝑖 − 𝑅𝑓 = 𝑏0 + 𝑏1. 𝐷. 𝑏𝑒𝑡𝑎 + 𝑏2. (1 − 𝐷). 𝑏𝑒𝑡𝑎 + 𝑏3. 𝐷. 𝑠𝑘𝑒𝑤

+ 𝑏4. (1 − 𝐷). 𝑠𝑘𝑒𝑤 + 𝑏5. 𝐷. 𝑘𝑢𝑟𝑡 + 𝑏6. (1 − 𝐷). 𝑘𝑢𝑟𝑡 + 𝜇𝑖

Trong đó:

các hệ số hồi của phương trình bi

phần dư phương trình hồi quy 𝜇i

biến giả đại diện cho yếu tố thị trường nhằm xem xét sự D

ảnh hưởng của yếu tố thị trường lên và xuống tác động

như thế nào đến khả năng giải thích của các nhân tố

moment

Trong bài, biến giả D có giá trị bằng 1 khi thị trường đi lên (Rm – Rf > 0) và

24

ngược lại bằng 0 khi thị trường đi xuống (Rm – Rf < 0).

Cuối cùng, để kiểm định mức độ ảnh hưởng của từng ngành đến khả năng giải

thích của các moment bậc cao tác động đến lợi nhuận cổ phiếu thì cũng từ mô hình

1, luận văn bổ sung thêm biến giả GICS đại diện cho yếu tố ngành (mô hình 3).

Mô hình 3: Tác động của yếu tố ngành đến khả năng giải thích của yếu tố

moment bậc cao skewness và kurtosis đến suất sinh lời cổ phiếu.

𝑅𝑖 − 𝑅𝑓 = 𝑐0 + 𝑐1. 𝑏𝑒𝑡𝑎 + 𝑐2. 𝑠𝑘𝑒𝑤 + 𝑐3. 𝑘𝑢𝑟𝑡 + 𝑐𝑚. 𝑔𝑖𝑐𝑠𝑗. 𝑠𝑘𝑒𝑤

+ 𝑐𝑛. 𝑔𝑖𝑐𝑠𝑗. 𝑘𝑢𝑟𝑡 + 𝜋𝑖

Trong đó:

các hệ số hồi quy phương trình ci

lần lượt là các phần dư phương trình hồi quy πi

vectơ các biến giả đại diện cho yếu tố ngành dựa trên hệ gicsj

thống phân loại GICS chuẩn quốc tế

j chỉ số của biến giả GICS, có giá trị từ 1-8

m, n chỉ số hệ số hồi quy

Việc phân chia ngành dựa theo chuẩn phân loại ngành trên thế giới GICS

(Global Industry Classification Standard) được phát triển bởi Morgan Stanley Capital

International (MSCI) và Standard & Poor's vào năm 1999. Đây là chuẩn phân ngành

chuyên biệt dành cho lĩnh vực tài chính, chứng khoán nhằm thiết lập một tiêu chuẩn

chung cho việc phân loại các công ty vào các ngành và nhóm ngành có liên quan với

nhau. Áp dụng chuẩn phân ngành GICS vào các chỉ số ngành sẽ giúp cho các chỉ số

này mang tính chất dễ dàng so sánh giữa các thị trường trong khu vực và quốc tế theo

một chuẩn mực chung, từ đó giúp các nhà đầu tư ra quyết định lựa chọn các ngành

và thị trường phù hợp để đầu tư.

GICS phân chia ra các cấp độ bao gồm 10 nhóm ngành chính (sectors), 24

nhóm ngành (industry groups), 67 ngành (industries) và 147 tiểu ngành (sub-

industries). Việc phân chia này đã được Sở giao dịch chứng khoán Tp.HCM áp dụng

từ tháng 1 năm 2016. Cụ thể việc thống kê và đặt tên biến giả được trình bày bảng

3.2.

25

Bảng 3.2: Bảng thống kê ngành và số lượng cổ phiếu năm 2015

Ký hiệu Tên biến Số lượng STT Ngành ngành giả cổ phiếu

1 Energy Năng lượng 10 gics10 8

2 Materials Nguyên vật liệu 15 gics15 43

3 Industrials Công nghiệp 20 gics20 73

Consumer Hàng tiêu dùng không 25 gics25 31 4 Discretionary thiết yếu

5 Consumer Staples Hàng tiêu dùng thiết yếu 30 gics30 31

6 Health Care Chăm sóc sức khỏe 35 gics35 9

7 Financials Tài chính 40 gics40 45

Information Công nghệ thông tin 45 gics45 8 6 Technology

Telecommunication 9 Dịch vụ viễn thông 50 0 Services

10 Utilities Dịch vụ tiện ích 55 13

Tổng cộng 259

Nguồn: GICS và tổng hợp số lượng số phiếu từ HOSE.

Theo thống kê thì hiện trên sàn HOSE các công ty đa phần tập trung vào các

lĩnh vực công nghiệp, tài chính, nguyên vật liệu và hàng tiêu dùng, các ngành còn lại

vẫn có nhưng rất phân tán chưa đến 10 công ty, đồng thời không có công ty nào thuộc

lĩnh vực dịch vụ viễn thông, do đó luận văn chỉ sử dụng 8 biến giả để hồi quy. Việc

có ít các công ty hoạt động ở một số lĩnh vực như công nghệ thông tin, năng lượng

và chăm sóc sức khỏe phần nào sẽ ảnh hưởng đến kết quả nghiên cứu vì số quan sát

là rất ít, đây có thể là một trong những nguyên nhân mà kết quả phân tích thực nghiệm

26

sẽ không có ý nghĩa thống kê với các hệ số hồi quy có biến giả thuộc các ngành này.

3.4. Phương pháp ước lượng

Sau khi tiếp cận phương pháp nghiên cứu của Kraus và Litzenberger (1976) &

Hung và cộng sự (2003) để xây dựng mô hình nghiên cứu thì mục này sẽ trình bày

các phương pháp hồi quy để ước lượng các hệ số phần bù cho từng yếu tố rủi ro với

bộ dữ liệu bảng không cân bằng, cụ thể bao gồm các phương pháp ước lượng Pooled

OLS, RE, FE và System GMM. Sau đó luận văn tiến hành thực hiện các kiểm định

cần thiết để đánh giá khuyết tật mô hình và lựa chọn phương pháp ước lượng phù

hợp.

Đầu tiên, phương pháp ước lượng hồi quy Pooled OLS được sử dụng dựa trên

giả định các hệ số hồi quy không chịu tác động của các công ty riêng biệt cũng như

không thay đổi theo thời gian. Đây thực chất chỉ là phương pháp ước lượng OLS

thông thường vì phương pháp này không phân biệt chuỗi thời gian trong bảng, dữ

liệu sẽ được gộp như kiểu dữ liệu chéo. Việc dựa trên rất nhiều giả định và không

quan tâm đến chuỗi dữ liệu của các công ty theo thời gian chính là những nhược điểm

của mô hình, sai số ngẫu nhiên có thể sẽ tương quan với biến độc lập làm cho kết quả

ước lượng bị thiên chệch và không vững. Do đó để sử dụng mô hình cần phải thực

hiện các kiểm định cần thiết để đánh giá khuyết tật mô hình:

 Thứ nhất, kiểm định Breusch-Pagan (Breusch-Pagan test) để phát hiện

hiện tượng phương sai thay đổi với giả thuyết H0 là không có hiện tượng

phương sai thay đổi. Nếu giá trị p-value của thống kê chi bình phương

nhỏ hơn 0.05 thì bác bỏ giả thuyết H0, kết luận mô hình không tồn tại

hiện tượng phương sai thay đổi và ngược lại.

 Thứ hai, kiểm định Wooldridge (Wooldridge test) đánh giá tự tương

quan mô hình với giả thuyết H0 là không có hiện tượng tự tương quan

trong mô hình. Nếu giá trị p-value của thống kê chi bình phương nhỏ

hơn 0.05 thì bác bỏ giả thuyết H0, kết luận mô hình không tồn tại hiện

tượng tự tương quan và ngược lại.

 Thứ ba, dùng hệ số nhân tử phóng đại phương sai (VIF) để xem xét vấn

đề đa cộng tuyến. Khi có hiện tượng này xảy ra trong mô hình, các hệ

27

số hồi quy của mô hình không xác định. Nếu biến nào có hệ số VIF lớn

hơn 10 thì xảy ra hiện tượng đa cộng tuyến trong mô hình.

Trong trường hợp giả thuyết hiện tượng phương sai thay đổi và hiện tượng tự

tương quan bị vi phạm, có thể dùng phương pháp ước lượng hồi quy cluster để điều

chỉnh trong ước lượng nhằm khắc phục các nhược điểm dữ liệu, tuy nhiên sẽ không

giải quyết triệt để các vấn đề này.

Để khắc phục nhược điểm của mô hình Pooled OLS, giả định các công ty được

quan sát đều có những đặc điểm riêng biệt có thể tác động đến lợi nhuận cổ phiếu,

mô hình tác động cố định (FEM) sử dụng phương pháp tác động cố định phân tích

mối tương quan giữa phần dư của mỗi công ty với lợi nhuận cổ phiếu nhằm kiểm soát

và tách ảnh hưởng của những tác động cố định riêng biệt không thay đổi theo thời

gian ra khỏi biến độc lập. Trong mô hình sẽ không có hiện tượng tự tương quan và

kết quả hồi quy đáng tin cậy hơn. Nhưng nếu trong mô hình tác động cố định có sự

tương quan giữa biến độc lập với sự biến động của các công ty thì mô hình tác động

ngẫu nhiên (REM) giả định sự biến động này là ngẫu nhiên và không tương quan với

biến độc lập. Kết quả hồi quy sẽ cho các tham số ước lượng không chệch nhưng sẽ

không hiệu quả vì đã bỏ qua sự tự tương quan trong trong thành phần sai số mô hình.

Nhìn chung, mô hình REM hay FEM được sử dụng dựa trên giả định có hay không

sự tương quan giữa sai số mô hình và các biến độc lập. Việc lựa chọn một trong ba

mô hình Pooed OLS, REM, FEM phụ thuộc các kiểm định riêng cho từng mô hình.

Cụ thể, để lựa chọn giữa các mô hình Pooled OLS và FEM và REM, luận văn kiểm

định về sự tương quan chéo giữa các đơn vị quan sát (Breusch – Pagan Larganian

multiplier test) để là cơ sở lựa chọn giữa Pooled OLS và REM, kiểm định sự tồn tại

của các ảnh hưởng cố định (F-test) để lựa chọn giữa Pooled OLS và FEM. Nếu sau

hai kiểm định này, mô hình Pooled OLS không được lựa chọn thì tiếp tục thực hiện

kiểm định Hausman (Hausman test) để chọn mô hình hiệu quả hơn giữa REM và

FEM.

 Kiểm định Breusch – Pagan Larganian multiplier (LM)

Giả thuyết H0: không có sự tương quan chéo giữa đơn vị quan sát (cross-

sectional independence)

28

Kết quả kiểm định có p-value nhỏ hơn 0.05 thì bác bỏ giả H0 nghĩa là có sự

tương quan chéo giữa các công ty chứng khoán, mô hình REM sẽ được ưu tiên

sử dụng.

 Kiểm định F-test

Giả thuyết H0: không có sự khác biệt giữa các đối tượng quan sát

Khi kết quả kiểm định có Prob (F-stat) nhỏ hơn 0.05 thì bác bỏ giả thuyết H0

nghĩa là có sự khác biệt giữa các đối tượng là các công ty chứng khoán hoặc

các thời điểm khác nhau, mô hình FEM sẽ được lựa chọn trong trường này để

giải thích mối tương quan giữa các biến.

 Kiểm định Hausman

Giả thuyết H0: không có sự tự tương quan giữa sai số đặc trưng của các đối

tượng với các biến độc lập

Khi kết quả kiểm định có p-value Hausman nhỏ hơn 0.05 thì bác bỏ giả thuyết

H0 nghĩa là có sự tự tương quan giữa sai số đặc trưng của các đối tượng với

các biến độc lập thì ước lượng tác động cố định là phù hợp hơn so với ước

lượng tác động ngẫu nhiên. Ngược lại, khi chưa đủ cơ sở để bác bỏ giả thuyết

H0 thì không bác bỏ được sự tương quan giữa sai số và biến độc lập thì ước

lượng tác động cố định không còn phù hợp và ước lượng tác động ngẫu nhiên

sẽ thay thế.

Tuy nhiên, REM và FEM chỉ thực hiện được ở mô hình bảng tĩnh, trường hợp

tồn tại tác động cố định riêng lẻ trong mô hình bảng động tuyến tính (biến trễ của

biến phụ thuộc được sử dụng như là biến giải thích) thì không thể sử dụng REM hoặc

FEM để ước lượng. Thật vậy, uớc lượng dữ liệu bảng luôn tồn tại hai vấn đề cần kiểm

định liên quan đến phần dư của mô hình là sự tương quan của biến độc lập với tác

động riêng lẻ và sự tương quan của biến độc lập với thành phần sai số nhiễu. Sự tồn

tại của một và/hoặc hai vấn đề này làm cho kết quả ước lượng OLS bị thiên chệch

hoặc không hiệu quả. Có thể giải quyết bằng cách sử dụng ước lượng tác động cố

định để loại bỏ các thành phần tác động riêng lẻ và sử dụng ước lượng tác động ngẫu

29

nhiên để kiểm soát hiện tượng tương quan với sai số nhiễu. Nhưng với mô hình bảng

động tuyến tính, sử dụng sai phân để loại bỏ tác động cố định nhưng không loại bỏ

được hiện tượng tương quan sai số nhiễu vì biến trễ luôn tương quan với phần dư của

mô hình, do đó giả thuyết của mô hình REM cũng bị vi phạm. Đặc biệt, khi mô hình

xuất hiện vấn đề nội sinh thì không những Pooed OLS mà còn REM, FEM đều không

cho ra các ước lượng hiệu quả, thậm chí mô hình bị xác định sai. Đây là một trong

những giả thuyết mà rất ít nghiên cứu thực hiện khi sử dụng các mô hình này để ước

lượng. Có khá nhiều nguyên nhân làm mô hình bị hiện tượng nội sinh, một trong

những nguyên nhân của hiện tượng này là biến trễ của biến phụ thuộc được sử dụng

như là một biến độc lập trong mô hình (mô hình Dynamic Panel Data). Trong bài,

luận văn tiến hành kiểm định vấn đề nội sinh như sau: tiến hành hồi quy mô hình 1

nhưng thay biến phụ thuộc là biến trễ của chính biến phụ thuộc (suất sinh lời vượt

trội), sau đó lấy phần dư (resid) và hồi quy lại mô hình 1 có bổ sung thêm phần dư

nhằm kiểm định sự tác động của phần dư đến biến phụ thuộc, trong trường hợp nếu

hệ số hồi quy của phần dư có ý nghĩa thống kê thì kết luận mô hình bị hiện tượng nội

sinh và ngược lại. Đây là một trong những cơ sở quan trọng mà phướng pháp ước

lượng System GMM được sử dụng để khắc phục các khuyết điểm mà ba mô hình

Pooled OLS và FEM và REM không thể giải quyết được. Chính vì vậy mà kết quả

ước lượng sẽ cho ra các hệ số đáng tin cậy và hiệu quả cao.

Phương pháp ước lượng GMM được Lars Peter Hansen giới thiệu lần đầu tiên

vào năm 1982 trong bài viết “Large Sample Properties of Generalized Methods of

Moments Estimators”. Rất nhiều phương pháp ước lượng phổ biến như OLS, GLS,

MLE, 2SLS….chỉ là phương trình đặt biệt của GMM. Phương pháp GMM bao gồm

hai dạng ước lượng thay thế lẫn nhau là Difference GMM (DGMM) được phát triển

bởi Arellano và Bond năm 1991 và System GMM (SGMM) được nhóm tác giả

Arellano và Bover (1995) & Blundell và Bond (1998) xây dựng theo cách tiếp cận

mới dựa trên giả định khác so với DGMM. Đặc trưng của DGMM là chuyển đổi dữ

liệu bằng cách sử dụng phương pháp sai phân để loại bỏ các tác động cố định của các

quan sát, sau đó sử dụng biến trễ của biến phụ thuộc đóng vai trò là biến đại diện cho

biến sai phân phụ thuộc trong khi đặc trưng của SGMM là thay biến phụ thuộc và các

biến nội sinh giống nhau khác bằng biến không tương quan với các tác động cố định,

30

đồng thời cho phép đưa vào các biến giải thích không thay đổi theo thời gian mà

những biến này không hiện diện trong DGMM.

Ước lượng SGMM đòi hỏi nhiều giả định hơn và nếu đáp ứng được các giả

định này thì SGMM sẽ cho ra ước lượng hiệu quả hơn. Trên thực tế, nhiều công trình

nghiên cứu cũng khẳng định SGMM có nhiều lợi ích hơn so với DGMM vì SGMM

được phát triển từ DGMM khắc phục được một số hạn chế mô hình như hiện diện

được biến không thay đổi theo thời gian (trong DGMM khi sử dụng sai phân thì

những biến có tính chất không thay đổi theo thời gian sẽ biến mất), đồng thời các

nghiên cứu cũng cho thấy kết quả ước lượng từ SGMM hiệu quả hơn và vững hơn so

với DGMM (Bond, 2002; Roodman, 2006; Baum, 2006; Roodman, 2009; Efendic và

cộng sự, 2009). Do đó trong bài nghiên cứu, phương pháp System GMM sẽ được ưu

tiên sử dụng.

Bất cứ mô hình nào cũng đều có những kiểm định riêng, với GMM cần kiểm

định giả thuyết liên quan đến sự tư tương quan của phần dư, tính phù hợp của biến

đại diện, tính vững của hệ số ước lượng để đảm bảo tính hiệu quả và độ tin cậy mô

hình.

 Kiểm định Arellano và Bond

Ước lượng GMM yêu cầu có sự tự tương quan bậc một và không có sự tự

tương quan bậc hai của phần dư (Arellano và Bond, 1991).

Giả thuyết H0: không có sự tự tương quan bậc một (kiểm định AR1) hoặc bậc

hai (kiểm định AR2) của phần dư.

Như vậy, để kết quả phù hợp thì cần bác bỏ giả thuyết H0 ở kiểm định AR1 và

chấp nhận giả thuyết H0 ở kiểm định AR2. Thông thường, p-value AR1 phải

nhỏ hơn 0.05 và p-value AR2 lớn hơn 0.1 thì mới kết luận được biến công cụ

được sử dụng phù hợp.

 Kiểm định F-test

Mục đích của kiểm định nhằm kiểm tra tính phù hợp của mô hình.

Giả thuyết H0: tấc cả các hệ số ước lượng đều bằng 0.

Nếu Prob (F-stat) nhỏ hơn 0.05 thì bác bỏ giả thuyết H0 mô hình được xác định

31

phù hợp và ngược lại nếu Prob (F-stat) lớn hơn 0.05 thì không có cơ sở bác bỏ

giả thuyết H0, kết luận mô hình không phù hợp và không thể sử dụng kết quả

để giải thích sự biến động của các nhân tố beta, skewness và kurtois đến lợi

nhuận cổ phiếu.

 Kiểm định Sargan hoặc Hansen

Mục đích nhằm kiểm định giới hạn các ràng buộc quá mức.

Giả thuyết H0: biến công cụ được xác định đúng.

Để chấp nhận giả thuyết H0 thì một trong hai kiểm định này phải có ý nghĩa

thống kê. Thông thường thống kê Sargan hoặc Hansen hoàn hảo khi giá trị p-

value của kiểm định này bằng 1, giá trị có thể chấp nhận được theo lý thuyết

là p-value lớn hơn 0.05 hoặc 0.1. Tuy nhiên theo Roodman (2009) thì giá trị

p-value tối thiểu phải bằng 0.25.

32

CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

Chương 4 sẽ trình bày các kết quả và thảo luận của nghiên cứu. Cụ thể, luận văn

sẽ khái quát lại mẫu nghiên cứu để có cái nhìn tổng quan về tình hình thị trường; tiến

hành phân tích thực nghiệm bằng hồi quy các mô hình với các phương pháp khác nhau.

Dựa trên những kiểm định cần thiết như kiểm định lựa chọn mô hình, kiểm định tự tương

quan, đa cộng tuyến, phương sai thay đổi, nội sinh…để lựa chọn mô hình tốt nhất phục

vụ giải thích kết quả hồi quy. Tiếp theo, luận văn sẽ thảo luận kết quả nghiên cứu về khả

năng giải thích của các nhân tố rủi ro đặc biệt là hai nhân tố rủi ro moment bậc cao

skewness và kurtosis tới suất sinh lời vượt trội cổ phiếu.

4.1. Thực trạng thị trường chứng khoán Việt Nam giai đoạn 2006 - 2015

Thị trường chứng khoán Việt Nam giai đoạn 2006 – 2015 có thể nói là giai đoạn

nhiều biến cố với những diễn biến phức tạp. Có thể chia giai đoạn này làm ba giai đoạn

nhỏ hơn: từ 2006 – 2008 là giai đoạn tăng trưởng nóng và khủng hoảng; từ 2009 – 2012

là giai đoạn hậu khủng hoảng và từ 2013 – 2015 là giai đoạn hồi phục. Trong bài, chỉ số

VN-Index được sử dụng để đại diện chung cho toàn thị trường nhằm mô tả sơ bộ diễn

biến thị trường chứng khoán Việt Nam.

Hình 4.1: Biến động chỉ số VN-Index giai đoạn 2006 - 2015

Nguồn: Dữ liệu tổng hợp từ HOSE và vẽ bằng Stata 12

33

Sự phát triển vượt bậc của thị trường chứng khoán Việt Nam bắt đầu từ năm

2006, chỉ số VN-Index đã tăng từ 350 điểm vào đầu năm lên 750 điểm vào cuối năm

2006 và lên đến đỉnh cao 1,170 điểm vào đầu tháng 3/2007, một mức tăng gần 2.5 lần

trong vòng hơn một năm. Tuy nhiên, do chịu tác động từ khủng hoảng tài chính Mỹ

cộng với sự tăng trưởng quá nóng của thị trường mà chỉ số VN-Index đã sụt giảm mạnh,

nhiều chủ trương và các biện pháp hỗ trợ từ các cơ quan điều hành đưa ra như thu hẹp

biên độ giao dịch, tổ chức niêm yết được khuyến khích mua vào cổ phiếu quỹ hay các

ngân hàng thương mại được vận động ngừng giải chấp….nhưng các biện pháp này chỉ

phát huy được hiệu quả trong khoản thời gian ngắn và sau đó thì thị trường tiếp tục giảm,

nhiều mã cổ phiếu xuống thấp dưới mệnh giá, thanh khoản kém, nhiều nhà đầu tư cũng

như các doanh nghiệp rơi vào tình trạng mất vốn hoặc phá sản, thị trường chứng khoán

dần mất sức hấp dẫn, nhà đầu tư mất niềm tin vào thị trường và chỉ số VN-Index xuống

mức thấp nhất vào tháng 2/2009 với 235.5 điểm. Tốc độ giảm mạnh nhất trong giai đoạn

này thuộc về nhóm cổ phiếu ở các ngành nguyên vật liệu, công nghiệp và tài chính. Từ

3/2009 – 2012, thực hiện các biện pháp nhằm kéo lại nền kinh tế, các gói kích cầu quy

mô lớn được Chính phủ nhiều nước áp dụng đã làm tăng niềm tin của nhà đầu tư. Thị

trường chứng khoán thế giới bắt đầu phục hồi đã tiếp thêm đà cho thị trường tại Việt

Nam. Từ năm 2013 - 2015, thị trường dần hồi phục và ổn định, tính đến 31/12/2013, chỉ

số VN - Index đạt 505 điểm, tăng 23% so với cuối năm 2012, nhiều chuyên gia đánh giá

Việt Nam là một trong các thị trường có mức độ phục hồi mạnh nhất và có mức tăng

cao so với các thị trường khác trên thế giới. Ở giai đoạn sau đó, thị trường tăng trưởng

ổn định và kết thúc năm tài chính 2015, chỉ số VN-Index đạt 579 điểm.

Trãi qua chỉ mới hơn 15 năm thành lập, thị trường chứng khoán Việt Nam được

đánh giá còn non trẻ, tiềm ẩn nhiều rủi ro. Việc ứng dụng các công cụ phân tích và áp

dụng các mô hình định giá tài sản cũng được manh nha sử dụng tại một số công ty chứng

khoán và quỹ đầu tư nhưng kết quả chưa phản ánh xác thực sự biến động thị trường.

Chính điều này làm nhà đầu tư mất niềm tin với các kết quả phân tích thị trường.

Một số nguyên nhân lý giải kết quả phân tích không như mong muốn là thiếu

những nhà đầu tư chiến lược, tình trạng đầu tư vẫn chủ yếu do sự dự đoán chủ quan hoặc

mang tâm lý đám đông. Số liệu thể hiện ở bảng 4.1 cho thấy toàn thị trường có khoảng

1.6 triệu tài khoản, nếu so sánh với dân số Việt Nam thì chỉ chiếm khoảng 1.78%, con

34

số này là rất ít so với các thị trường khác trên thế giới. Trong đó, nhà đầu tư cá nhân

chiếm một tỷ lệ áp đảo (99.43%) so với toàn thị trường, trong khi nhà đầu tư tổ chức

chiếm chưa tới 1%. Với các nhà đầu tư nước ngoài, tổng số lượng tài khoản là 17,789

tài khoản, chỉ chiếm 1.1% so với toàn thị trường. Qua đó cho thấy hiện tượng đầu tư

mang tính tâm lý là hoàn toàn có thể xảy ra bởi số lượng nhà đầu tư nhỏ lẻ là quá nhiều.

Bên cạnh đó, việc chịu ảnh hưởng từ cuộc khủng hoảng đã ảnh hưởng lớn đến biến động

của thị trường cũng là nguyên nhân mà kết quả định giá bị hạn chế.

Bảng 4.1: Bảng thống kê tài khoản nhà đầu tư trên thị trường năm 2015

Toàn thị trường Nhà đầu tư trong nước Nhà đầu tư nước ngoài

Cá nhân Tổ chức Cá nhân Tổ chức Cá nhân Tổ chức

Số lượng 1,560,886 8,906 1,545,361 6,642 15,525 2,264 (tài khoản)

% 99.43% 0.57% 99.57% 0.43% 87.27% 12.73%

Nguồn: Trung tâm lưu ký chứng khoán Việt Nam

Ngoài ra, tại các công ty chứng khoán và quỹ đầu tư, việc ứng dụng các mô hình

phân tích chưa được đầu tư một cách có hệ thống. Một số phần mềm chuyên dụng chủ

yếu là phân tích mô tả lại tình hình thị trường, vẽ đồ thị và thống kê số liệu, chưa có

phần mềm chuyên dụng để định giá, dự báo giá và thiết lập các danh mục đầu tư tối ưu.

Một số quỹ đầu tư có sử dụng nhưng chủ yếu là mô hình đơn giản như CAPM, mô hình

chỉ số đơn mà chưa áp dụng các mô hình khác như mô hình ba nhân tố, mô hình bốn

nhân tố, mô hình moment CAPM đã được chứng minh thực nghiệm là tốt hơn so với

các mô hình truyền thống.

Nhìn chung, việc vận dụng mô hình định giá tài sản vốn tại thị trường chứng

khoán Việt Nam còn hạn chế do nhiều nguyên nhân khách quan cũng như chủ quan.

Tuy nhiên việc chỉ mới áp dụng một số mô hình đơn giản tại các công ty chứng khoán

và quỹ đầu tư sẽ làm kết quả phân tích bị hạn chế bởi nhiều nghiên cứu thực nghiệm cho

rằng còn có những nhân tố khác đóng vai trò quan trọng trong phân tích sự biến động

lợi nhuận cổ phiếu. Việc bỏ qua một số nhân tố này chính là rủi ro mà nhà đầu tư sẽ phải

đối mặt trong tương lai.

35

4.2. Phân tích thực nghiệm ảnh hưởng của các nhân tố moment đến tỷ suất sinh lời

cổ phiếu

4.2.1. Mô tả mẫu nghiên cứu

Với dữ liệu các công ty chứng khoán được thu thập từ năm 2006 đến năm 2015

trên Sở giao dịch chứng khoán Tp.HCM. Dưới đây sẽ là phần thống kê mô tả mẫu nghiên

cứu để có cái nhìn khái quát tình hình thị trường giai đoạn này.

Bảng 4.2: Thống kê mô tả các biến

Đơn vị tính: số quan sát, 100%

Số quan Giá trị Độ lệch Giá trị nhỏ Giá trị lớn Biến sát trung bình chuẩn nhất nhất

1743 0.0169 0.6059 -2.2381 3.3900 Ri

1743 0.0194 0.3396 -1.0774 0.8940 Rm

1743 0.0794 0.0287 0.0415 0.1235 Rf

1743 0.7532 0.4248 -0.4406 2.0543 beta

1743 1.0892 1.8675 -13.3838 17.9012 skew

1743 0.7715 0.4044 -0.7718 1.9512 kurt

Nguồn: Dữ liệu tổng hợp từ HOSE và tính toán bằng Stata 12

Bảng 4.2 cho thấy tỷ suất sinh lời trung bình danh mục giai đoạn 2006 – 2015 là

1.69% thấp hơn tỷ suất sinh lời danh mục thị trường là 1.94% và thấp hơn nhiều so với

tài sản phi rủi ro là 7.94%. Một nghịch lý xuất hiện là theo lý thuyết danh mục đầu tư

Markowitz, một tài sản có mức độ rủi ro càng cao thì đòi hỏi tỷ suất sinh lời yêu cầu cao

hơn, nhưng theo bảng mô tả 4.2 thì các trường hợp so sánh đi ngược với lý thuyết. Thật

vậy, có thể đánh giá rủi ro thông qua giá trị độ lệch chuẩn của các tài sản, cụ thể độ lệch

chuẩn của tài sản phi rủi ro là thấp nhất (2.87%) nhưng có lợi nhuận cao nhất, danh mục

thị trường có độ lệch chuẩn 33.96% thấp hơn so với danh mục nghiên cứu là 60.59%

nhưng suất sinh lời cao hơn. Như vậy có thể thấy rằng thị trường chứng khoán trong giai

đoạn này thực sự có nhiều rủi ro và đầy biến động, một số lý giải cho nghịch lý này là

do giai đoạn nghiên cứu từ 2006 – 2015 là giai đoạn thị trường chứng khoán Việt Nam

chịu tác động từ khủng hoảng tài chính toàn cầu, suất sinh lời có khi lên đến 339%

36

nhưng cũng có khi âm đến 224%, đặc biệt đỉnh điểm chỉ số VN-Index vào năm 2007

thuộc giai đoạn đầu nghiên cứu và liên tục giảm ở những năm sau đó một mức giảm

đáng kể xấp xỉ tới 51% từ 3/2007 đến hết năm 2015. Do đó, tỷ sinh lời bình quân của

các cổ phiếu được thu thập với suất sinh lời thị trường trong suốt giai đoạn này thấp

cũng là điều hợp lý.

Bảng 4.3: Thống kê lợi nhuận cổ phiếu từng giai đoạn

Đơn vị tính: số quan sát, 100%

Số quan Giá trị Độ lệch Giá trị nhỏ Giá trị lớn Giai đoạn trung bình chuẩn nhất nhất sát

-0.3915 0.9823 -2.0934 3.3900 2006 - 2008 189

-0.0566 0.5887 -2.2381 2.0717 2009 - 2012 777

0.1896 0.4098 -1.8524 2.3154 2013 - 1015 777

Nguồn: Dữ liệu tổng hợp từ HOSE và tính toán bằng Stata 12

Tiếp tục phân tích trong từng giai đoạn thị trường thì bảng 4.3 cho thấy cả hai

giai đoạn 2006 – 2008 (189 quan sát) và giai đoạn 2009 – 2012 (777 quan sát) đều rất

rủi ro và tỷ suất lợi nhuận bình quân bị âm. Cụ thể, giai đoạn 2006 – 2009 tỷ suất lợi âm

39.15% với rủi ro rất cao được thể hiện qua thông số độ lệch chuẩn 98.23%, giai đoạn

2009 – 2012 tỷ suất lợi âm 5.56% với rủi ro 58.85%. Bắt đầu từ năm 2013, thị trường

dần ổn định và hồi phục thì tỷ suất lợi nhuận bình quân giai đoạn 2013 – 2015 (777 quan

sát) dương 18.96%, rủi ro cũng thấp hơn 40.98%.

Như vậy, với dữ liệu được mô tả thì rõ ràng đầu tư vào cổ phiếu trên thị trường

giai đoạn 2006 - 2015 không hiệu quả so với nắm giữ các tài sản có tỷ suất sinh lời cố

định như tín phiếu, trái phiếu, chứng chỉ tiền gửi….

Về các nhân tố rủi ro, ngoài nhân tố rủi ro thường xuyên được sử dụng trong các

mô hình định giá là beta thì hai moment bậc cao skewness và kurtosis cũng được nghiên

cứu. Trong bảng mô tả 4.2, nếu chỉ xét riêng từng yếu tố rủi ro thì giá trị beta bằng

0.7532 thể hiện lợi nhuận danh mục nghiên cứu biến động ít hơn so với thị trường, do

đó cũng ít rủi ro hơn khi thị trường biến động. Giá trị skewness và kurtosis cũng mang

ý nghĩa tương đương với beta, cụ thể, skewness bằng 1.0892 thể hiện danh mục nghiên

37

cứu rủi ro hơn so với thị trường, và giá trị kurtosis bằng 0.7715 thể hiện danh mục nghiên

cứu có mức độ rủi ro thấp hơn so với thị trường.

Trong bài, luận văn cũng sử dụng bổ sung yếu tố ngành trong việc phân tích tác

động của ngành tới khả năng giải thích các moment bậc cao trong định giá cổ phiếu. Sơ

lược về lợi nhuận các ngành trong giai đoạn này được trình bày ở bảng 4.4 thì có thể

thấy được tỷ suất lợi nhuận bình quân trong giai đoạn 2006 – 2015 của các ngành là khá

chênh lệch, thậm chí có nhiều ngành có tỷ suất lợi nhuận bình quân âm, dao động từ -

4.2% đến 10%. Trong đó, ngành có lợi nhuận cao là ngành hàng tiêu dùng không thiết

yếu, một số ngành có lợi nhuận dương như không cao như ngành công nghiệp, hàng tiêu

dùng thiết yếu, chăm sóc sức khỏe và dịch vụ tiện ích. Các ngành còn lại nguyên vật

liệu, năng lượng, tài chính và công nghệ thông tin đều có tỷ suất lợi nhuận bình quân

âm. Về số quan sát, do dữ liệu thu thập bắt đầu từ năm 2006, số lượng cổ phiếu khá ít

và kiểu dữ liệu bảng nên số quan sát ở một số ngành bị hạn chế, việc có ít các quan sát

ở một số ngành có thể làm một số hệ số ước lượng hồi quy không có ý nghĩa thống kê.

Bảng 4.4: Thống kê lợi nhuận các ngành

Đơn vị tính: số quan sát, 100%

Số quan Giá trị Độ lệch Giá trị nhỏ Giá trị lớn Ngành trung bình chuẩn nhất nhất sát

-0.0239 0.5567 -1.5740 1.0486 Gics 10 55

Gics 15 300 -0.0336 0.6566 -2.2381 3.3900

Gics 20 482 0.0322 0.6189 -2.0628 1.5132

Gics 25 218 0.1003 0.6393 -2.0040 2.0717

Gics 30 233 0.0279 0.5964 -1.9400 1.5595

Gics 35 62 0.0639 0.4870 -1.1477 0.9249

Gics 40 269 -0.0420 0.5826 -2.1057 1.7359

Gics 45 37 -0.0561 0.4742 -1.1357 0.6820

Gics 55 87 0.0721 0.4930 -1.7534 0.8986

Nguồn: Dữ liệu tổng hợp từ HOSE và tính toán bằng Stata 12

38

4.2.2. Sự tác động của các moment đến suất sinh lời cổ phiếu

Mô hình 1: mô hình moment CAPM – phân tích tác động của các yếu tố rủi ro

đến suất sinh lời vượt trội cổ phiếu.

𝑅𝑖 − 𝑅𝑓 = 𝑎0 + 𝑎1. 𝑏𝑒𝑡𝑎 + 𝑎2. 𝑠𝑘𝑒𝑤 + 𝑎3. 𝑘𝑢𝑟𝑡 + 𝛿𝑖

Trong phần này, luận văn sẽ tiến hành hồi quy mô 1 hình bằng các phương pháp

ước lượng OLS và thực hiện kiểm định cần thiết nhằm đánh giá các khuyết tật của mô

hình. Đồng thời, mô hình CAPM cũng được hồi quy để thấy được giữa mô hình CAPM

và mô hình moment CAPM thì mô hình nào hiệu quả hơn trong định giá cổ phiếu bằng

cách so sánh thông số R2 hiệu chỉnh giữa hai mô hình này. Phương pháp hồi quy System

GMM cũng được sử dụng nhằm khắc phục nhược điểm trong trường hợp các phương

pháp khác bị vi phạm các giả thuyết hồi quy.

Bảng 4.5: Lựa chọn mô hình CAPM và moment CAPM

CAPM Moment CAPM

Obs 1,743 1,743

R2 0.0086 0.0242

R2 hiệu chỉnh 0.0080 0.0225

Prob (F-stat) 0.0000 0.0000

Nguồn: Dữ liệu tổng hợp từ HOSE và hồi quy bằng Stata 12

Sau khi hồi quy bằng phương pháp ước lượng OLS. Bảng 4.5 thể hiện kết quả

lựa chọn giữa mô hình CAPM và moment CAPM. Nhìn chung, R2 hiệu chỉnh còn khá

thấp thể hiện khả năng giải thích còn hạn chế các mô hình. Tuy nhiên, trong tương quan

giữa việc lựa chọn, R2 hiệu chỉnh của mô hình moment CAPM bằng 2.42% lớn hơn

nhiều so với mô hình CAPM là 0.86% cho thấy giữa CAPM và moment CAPM thì

moment CAPM giải thích tốt hơn sự biến động của cổ phiếu. Đây là cơ sở quan trọng

để luận văn tiếp tục thực hiện hồi quy các mô hình khác. Về kết quả hồi quy mô hình

moment CAPM bằng các phương pháp Pooled OLS, FE và RE được trình bày bảng 4.6.

Với 1,743 quan sát, p-value của thống kê F-statistic/Chi bình phương nhỏ hơn 0.05 nên

về mặt thống kê các mô hình được xác định là phù hợp. Tuy nhiên, để sử dụng kết quả

cần phải thực hiện các kiểm định để lựa chọn phương pháp ước lượng phù hợp nhất

cũng như để xem xét các khuyết điểm của mô hình để có cách khắc phục.

39

Bảng 4.6: Kết quả hồi quy bằng phương pháp Pooled OLS, FE, RE

Pooled OLS FEM REM

Biến Hệ số hồi Sai số Hệ số hồi Sai số Hệ số hồi Sai số

quy chuẩn quy chuẩn quy chuẩn

Hằng số 0.0678** 0.0317 0.0252 0.0449 0.0678** 0.0317

Beta 0.1469* 0.0894 0.3824*** 0.1098 0.1469* 0.0894

Skew 0.0365*** 0.0083 0.0439*** 0.0091 0.0365*** 0.0083

Kurt -0.3639*** 0.0956 -0.5490*** 0.0449 -0.3639*** 0.0956

Obs 1,743 1,743 1,743

R2 0.0242 0.0199 0.0242

F-stat/Wald.Chi2 14.36 13.32 43.09

Prob (F-stat/Chi2) 0.0000 0.0000 0.0000

Ghi chú: *, ** và *** có ý nghĩa thống kê tương ứng ở mức 10%, 5% và 1%.

Nguồn: Dữ liệu tổng hợp từ HOSE và hồi quy bằng Stata 12

Bảng 4.7: Kiểm định lựa chọn mô hình

Lựa chọn giữa Pooled OLS và FEM (F-test)

F(258,1481) 0.50

P-value 1.0000

Kiểm định Breusch – Pagan Larganian multiplier

Thống kê Chi-bình phương 0.00

P-value 1.0000

Nguồn: Dữ liệu tổng hợp từ HOSE và hồi quy bằng Stata 12

Bảng 4.7 trình bày kiểm định F-test và Breusch – Pagan Larganian test. Với kiểm

định F, giá trị p-value lớn hơn 0.05 nên không có cơ sở bác bỏ giả thuyết H0. Điều này

có ý nghĩa không có sự khác biệt giữa các công ty chứng khoán hoặc các thời điểm khác

nhau. Trong trường hợp này mô hình Pooled OLS phù hợp hơn so với FEM. Với kiểm

định Breusch – Pagan Larganian multiplier, giá trị p-value cũng lớn hơn 0.05 cho thấy

40

không đủ cơ sở để bác bỏ giả thuyết H0, điều này chứng tỏ không tồn tại hiện tượng

tương quan chéo giữa các công ty chứng khoán, lúc này mô hình REM không phù hợp

và Pooled OLS được ưu tiên lựa chọn trong trường hợp này. Như vậy trong cả hai trường

hợp thì việc sử dụng Pooled OLS vẫn phù hợp hơn so với hai phương pháp còn lại.

Tiếp tục thực hiện các kiểm định cần thiết để đánh giá các giả thuyết của phương

pháp ước lượng gộp Pooled OLS. Kết quả kiểm định được thể hiện ở bảng 4.8, có thể

thấy p-value của Wooldridge test nhỏ hơn 0.05 nên có thể bác bỏ giả thuyết H0, mô hình

bị hiện tượng tự tương quan. Về kiểm định đa cộng tuyến, giá trị VIF của từng biến và

giá trị VIF trung bình đều nhỏ hơn 10 nên không có cơ sở để kết luận mô hình bị đa

cộng tuyến. Với kiểm định hiện tượng phương sai thay đổi (Breusch-Pagan test), giá trị

Chi-bình phương bằng 42.47 và p-value nhỏ hơn 0.05 cho thấy đủ cơ sở bác bỏ giả

thuyết H0 và giả thuyết thay thế là phương sai của sai số là một hàm của một hoặc nhiều

biến, chứng tỏ tồn tại hiện tượng phương sai thay đổi trong mô hình.

Bảng 4.8: Kiểm định sau ước lượng bằng phương pháp Pooled OLS

Kiểm định hiện tượng tự tương quan (Wooldridge test)

Giả thuyết H0: không có hiện tượng tự tương quan

F(1, 258) 18.148

P-value 0.0000

Kiểm định hiện tượng đa cộng tuyến

Giả thuyết H0: không có hiện tượng đa cộng tuyến

Biến VIF 1/VIF

Kurt 6.89 0.1450

Beta 6.65 0.1504

Skew 1.11 0.9029

VIF = 4.48

Kiểm định hiện tượng phương sai thay đổi (Breusch-Pagan test)

Giả thuyết H0: tấc cả các phương sai của sai số đều bằng nhau

Thống kê Chi-bình phương 42.47

P-value 0.0000

Nguồn: Dữ liệu tổng hợp từ HOSE và hồi quy bằng Stata 12

41

Để khắc phục hiện tượng tự tương quan và phương sai thay đổi, có thể sử dụng

hồi quy cluster để điều chỉnh tuy nhiên không thể khắc phục hết các hiện tượng này

(xem thêm kết quả hồi quy cluster ở phụ lục 2D).

Bảng 4.9: Kiểm định hiện tượng nội sinh

Kiểm định ý nghĩa thống kê của phần dư

Thống kê Chi-bình phương 42.90

P-value 0.0000

Nguồn: Dữ liệu tổng hợp từ HOSE và hồi quy bằng Stata 12

Một vấn đề quan trọng khác trong thống kê mà luận văn đã đề cập đó là hiện

tượng nội sinh của mô hình. Tiến hành hồi quy để kiểm định giả thuyết nội sinh của mô

hình, kết quả ở bảng 4.9 cho thấy hệ số hồi quy của phần dư có ý nghĩa thống kê, chứng

tỏ mô hình tồn tại hiện tượng nội sinh.

Theo lý thuyết đã trình bày, phương pháp ước lượng System GMM được sử dụng

để khắc phục các nhược điểm tự tương quan, phương sai thay đổi và hiện tượng nội sinh.

Kết quả được trình bày ở bảng 4.10.

Bảng 4.10: Kết quả hồi quy mô hình 1 bằng phương pháp System GMM

Biến Hệ số hồi quy Sai số chuẩn

0.0444 Hằng số 0.2791***

0.1338 Beta 0.3022**

0.0227 Skew 0.1176***

0.1325 Kurt -0.4518***

Obs = 1,255

Prob (F-stat) = 0.000

p-value AR(1) = 0.000

p-value AR(2) = 0.110

p-value Hansen test = 0.279

Ghi chú: *, ** và *** có ý nghĩa thống kê tương ứng ở mức 10%, 5% và 1%.

Nguồn: Dữ liệu tổng hợp từ HOSE và hồi quy bằng Stata 12

42

Kết quả kiểm định uớc lượng GMM: GMM phù hợp khi có sự tự tương quan bậc

1 và không có sự tự tương quan bậc 2 của phần dư, kết quả cho thấy có thể bác bỏ giả

thuyết H0 ở AR1 và chấp nhận giả thuyết H0 ở AR2, biến công cụ được sử dụng phù

hợp. Kiểm định F-test có giá trịp-value nhỏ hơn 0.05 cho phép bác bỏ giả thuyết H0 là

các hệ số hồi quy đều bằng không và kiểm định Hansen có giá trị p-value lớn hơn 0.1

nên chấp nhận H0, mô hình được xác định đúng. Phần kiểm định tính vững của hệ số

ước lượng và biến đại diện yếu ở bảng 4.11 nhằm mục đích bổ sung thêm độ tin cậy cho

kết quả hồi quy, kết quả cho thấy giá trị tuyệt đối của các biến trễ phụ thuộc đều nhỏ

hơn 1 và p-value của Hansen test bằng 0.25, mô hình cho ra các hệ số ước lượng vững

và không có biến đại diện yếu.

Bảng 4.11: Kiểm định mở rộng của phương pháp System GMM

Kiểm định tính vững của hệ số ước lượng (Roodman, 2006)

Mô hình vững khi hệ số ước lượng của biến trễ phụ thuộc hội tụ với trị tuyệt đối

nhỏ hơn 1

Giá trị tuyệt đối hệ số ước lượng l1.ri 0.24

Giá trị tuyệt đối hệ số ước lượng l2.ri 0.21

Kiểm tra các biến đại diện yếu (Roodman, 2009)

Mô hình không có biến đại diện yếu khi số biến đại diện không vượt quá số quan

sát và giá trị p-value trong Hansen test tối thiểu bằng 0.25

Số biến đại diện 182

P-value of Hansen test 0.25

Nguồn: Dữ liệu tổng hợp từ HOSE và hồi quy bằng Stata 12

Như vậy, có thể sử dụng kết quả hồi quy bằng phương pháp ước lượng System

GMM để giải thích tác động của các moment đến sự biến động tỷ suất lợi nhuận vượt

trội cổ phiếu.

Kết quả nghiên cứu cho thấy, các hệ số ước lượng cho các yếu tố beta, skewness

và kurtosis đều có ý nghĩa thống kê, trong đó yếu tố beta có ý nghĩa thống kê ở mức 5%

và hai yếu tố moment bậc cao có ý nghĩa ở mức 1%. Về mức độ tác động của các yếu

tố này là tương đối lớn trên 10%, kết quả này phần nào thể hiện được sự hợp lý khi rõ

ràng đầu tư cổ phiếu trong giai đoạn 2006 – 2015 là rất rủi ro. Về chiều hướng tác động,

43

nhân tố beta và skewness tác động cùng chiều đến tỷ suất lợi nhuận vượt trội cổ phiếu

trong khi nhân tố kurtosis lại tác động ngược chiều đến tỷ suất lợi nhuận vượt trội.

Có thể giải thích ý nghĩa kết quả như sau: trong điều kiện các yếu tố khác không

thay đổi, khi nhà đầu tư tăng (giảm) hệ số rủi ro của beta 1% thì nhà đầu tư nhận được

mức bù tương ứng tăng (giảm) 0.30%, khi tăng (giảm) hệ số rủi ro của skewness 1% thì

nhà đầu tư nhận được mức bù tương ứng tăng (giảm) 0.11%, và khi tăng (giảm) hệ số

rủi ro của kurtosis 1% thì nhà đầu tư nhận được mức bù tương ứng giảm (tăng) 0.40%.

4.2.3. Tác động yếu tố thị trường đến khả năng giải thích của các moment

Mô hình 2: Kiểm định sự tác động của yếu tố thị trường thông qua việc sử dụng

biến giả D thể hiện biến động của thị trường.

𝑅𝑖 − 𝑅𝑓 = 𝑏0 + 𝑏1. 𝐷. 𝑏𝑒𝑡𝑎 + 𝑏2. (1 − 𝐷). 𝑏𝑒𝑡𝑎 + 𝑏3. 𝐷. 𝑠𝑘𝑒𝑤

+ 𝑏4. (1 − 𝐷). 𝑠𝑘𝑒𝑤 + 𝑏5. 𝐷. 𝑘𝑢𝑟𝑡 + 𝑏6. (1 − 𝐷). 𝑘𝑢𝑟𝑡 + 𝜇𝑖

Bảng 4.12: Kết quả hồi quy mô hình 2

Hệ số hồi quy Sai số chuẩn Biến

0.0450 0.0313 Hằng số

0.1599*** 0.0479 Beta Điều kiện thị 0.0548*** 0.0206 Skew trường đi lên 0.1146*** 0.0381 Kurt

0.1573 0.1531 Beta Điều kiện thị

0.1270*** 0.2869 trường đi Skew

xuống -0.8843*** 0.1595 Kurt

Obs = 1,255

Prob (F-stat) = 0.000

p-value AR(1) = 0.000

p-value AR(2) = 0.325

p-value Hansen test = 0.296

Ghi chú: *, ** và *** có ý nghĩa thống kê tương ứng ở mức 10%, 5% và 1%.

Nguồn: Dữ liệu tổng hợp từ HOSE và hồi quy bằng Stata 12

44

Kết quả kiểm định được thể hiện tại bảng 4.12, giá trị p-value của kiểm định F-

stat trong hồi quy mô hình 3 nhỏ hơn 0.05 nên đủ cơ sở để bác bỏ giả thuyết H0: các hệ

số hồi quy đều bằng 0. Kiểm định Arellano-Bond thể hiện biến công cụ được sử dụng

không có tự tương quan phần dư nhưng tự tương quan với biến được thay thế và cuối

cùng là kiểm định Hansen test có p-value bằng 0.325 lớn hơn 0.1 chứng tỏ kết quả hồi

quy mô hình 2 bằng phương pháp ước lượng system GMM là phù hợp và có thể sử dụng

để giải thích kết quả thực nghiệm.

Kết quả cho thấy đa các hệ số hồi quy đều có ý nghĩa thống kê với mức ý nghĩa

1%, riêng hệ số chặn và hệ số hồi quy nhân tố beta ở điều kiện thị trường đi xuống không

có ý nghĩa thống kê. Trong điều kiện thị trường đi lên, các nhân tố rủi ro có mối tương

quan dương và đều tham gia giải thích sự biến động của tỷ suất lợi nhuận vượt trội cổ

phiếu. Tuy nhiên, trong điều kiện thị trường đi xuống, sự biến động tỷ suất sinh lời vượt

trội chỉ có thể giải thích bởi hai nhân tố rủi ro moment bậc cao skewness và kurtosis,

trong đó, nhân tố skewness có chiều hướng tác động thuận còn nhân tố kurtosis có xu

hướng ngược lại. Như vậy, khi phân tích tác động của các nhân tố rủi ro trong điều kiện

của thị trường thì kết quả nghiên cứu có sự khác biệt, hệ số ước lượng nhân tố beta đã

không còn duy trì mức ý nghĩa thống kê trong điều kiện thị trường đi xuống và hệ số

ước lượng nhân tố kurtosis không duy trì chiều hướng tác động mà có sự đảo dấu trong

điều kiện thị trường đi lên.

4.2.4. Tác động yếu tố ngành đến khả năng giải thích của các moment bậc cao

Mô hình 3: Tác động của yếu tố ngành đến khả năng giải thích của yếu tố

moment bậc cao skewness và kurtosis đến suất sinh lời vượt trội cổ phiếu.

𝑅𝑖 − 𝑅𝑓 = 𝑐0 + 𝑐1. 𝑏𝑒𝑡𝑎 + 𝑐2. 𝑠𝑘𝑒𝑤 + 𝑐3. 𝑘𝑢𝑟𝑡 + 𝑐𝑚. 𝑔𝑖𝑐𝑠𝑗. 𝑠𝑘𝑒𝑤

+ 𝑐𝑛. 𝑔𝑖𝑐𝑠𝑗. 𝑘𝑢𝑟𝑡 + 𝜋𝑖

Cũng với phương pháp hồi quy System GMM thực hiện trên 1,255 quan sát. Kết

quả kiểm định mô hình tại bảng 4.13 cho thấy giá trị p-value kiểm định F-stat bằng 0.000

nhỏ hơn 0.05 nên bác bỏ giả thuyết H0. Kết quả kiểm định sự tự tương quan phần dư

cũng cho phép bác bỏ giả thuyết H0 ở AR1 và chấp nhận giả thuyết H0 ở AR2, cuối cùng

là kiểm định Hansen có giá trị p-value lớn hơn 0.1 nên chấp nhận H0, mô hình được xác

định đúng và phù hợp.

45

Bảng 4.13: Kết quả hồi quy mô hình 3

Ngành Biến Hệ số hồi quy Sai số chuẩn

Hằng số 0,2048*** 0.0142

0.0352 Beta 0.1672***

0.0299 Skew -0.0647**

0.0669 Kurt 0.1640**

0.0416 Skew 0.0660 Gics 10 0.1366 Kurt -0.5158***

0.0300 Skew 0.1122*** Gics 15 0.0646 Kurt -0.8001***

0.0324 Skew 0.0643** Gics 20 0.0705 Kurt -0.6893***

0.0294 Skew 0.1153*** Gics 25 0.0634 Kurt -0.5800***

0.0399 Skew 0.1814*** Gics 30 0.0858 Kurt -1.5244***

0.0155 Skew 0.0046 Gics 35 0.3347 Kurt 0.4701

0.0351 Skew 0.2940*** Gics 40 0.1187 Kurt -0.5536***

0.0612 Skew -0.0860 Gics 45 0.1912 Kurt -0.2841

Obs = 1,255

Prob (F-stat) = 0.000

p-value AR(1) = 0.000

p-value AR(2) = 0.309

p-value Hansen test = 0.482

Ghi chú: *, ** và *** có ý nghĩa thống kê tương ứng ở mức 10%, 5% và 1%.

Nguồn: Dữ liệu tổng hợp từ HOSE và hồi quy bằng Stata 12

46

Kết quả hồi quy cho thấy hệ số hồi quy nhân tố beta có ý nghĩa thống kê và mức

ý nghĩa này tốt hơn (1%) so với mô hình khi chưa bổ sung tác động của yếu tố ngành,

cụ thể mức ý nghĩa hệ số beta ở mô hình 1 là 5% trong khi ở mô hình 3 là 1%, dấu của

nhân tố beta vẫn không đổi, tác động cùng chiều đến lợi nhuận cổ phiếu (mang dấu

dương). Phân tích các nhân tố moment bậc cao, các hệ số ước lượng của hai nhân tố

skewness và kurtosis khi xem xét cùng yếu tố ngành thì đa số vẫn có ý nghĩa thống kê,

cụ thể, ngành có vai trò quan trọng trong phân tích tác động của yếu tố moment bậc cao

đến tỷ suất lợi nhuận vượt trội là ngành nguyên vật liệu, công nghiệp, hàng tiêu dùng và

ngành tài chính (các hệ số ước lượng có mức ý nghĩa chủ yếu là 1%). Hai ngành mà các

hệ số ước lượng đều không có ý nghĩa thống kê là ngành chăm sóc sức khỏe và công

nghệ thông tin. Ở một số ngành khác như ngành năng lượng thì hệ số ước lượng nhân

tố skewness không có ý nghĩa thống kê trong khi hệ số ước lượng nhân tố kurtosis có

nghĩa nghĩa thống kê ở mức 1%, hay ngành dịch vụ tiện ích cả hai hệ số ước lượng đều

có ý nghĩa thống kê mức 5%. Về chiều hướng tác động, nhân tố skewness có tác động

cùng chiều đến lợi nhuận cổ phiếu ở các ngành năng lượng, công nghiệp, hàng tiêu dùng,

chăm sóc sức khỏe, tài chính và tác động ngược chiều đến lợi nhuận cổ phiếu ở các

ngành công nghệ thông tin và dịch vụ tiện ích trong khi với nhân tố kurtosis, hệ số ước

lượng mang dấu dương ở các ngành dịch vụ tiện ích, chăm sóc sức khỏe và mang dấu

âm ở các nhóm ngành còn lại. Về mức độ tác động, các hệ số phần bù rủi ro của nhân

tố skewness nhìn chung thấp hơn so với nhân tố kurtosis, điển hình phần bù nhân tố

kurtosis ở ngành hàng tiêu dùng thiết yếu (-1.52), kết quả này cũng phù hợp khi một vấn

đề mà luận văn đã đề cập trước đó là việc có ít quan sát ở một số ngành sẽ làm hệ số

ước lượng không có ý nghĩa thống kê.

4.3. Các thảo luận về kết quả nghiên cứu

Dựa trên các kết quả thu được từ hồi quy bộ dữ liệu các công ty niêm yết thu thập

trên Sở giao dịch chứng khoán Tp.HCM bằng phương pháp ước lượng System GMM

thì dưới đây sẽ là phần thảo luận về những vấn đề nghiên cứu của luận văn.

Nghiên cứu đã tìm thấy ý nghĩa thống kê của cả ba nhân tố rủi ro beta, skewness

và kurtosis trong giải thích sự thay đổi của lợi nhuận vượt trội cổ phiếu. Đồng thời

nghiên cứu cũng tìm thấy mô hình moment CAPM có khả năng giải thích sự biến động

các nhân tố đến lợi nhuận cổ phiếu tốt hơn so với mô hình CAPM, kết quả này phù hợp

47

với nghiên cứu của đa số các tác giả đã từng nghiên cứu trước đó như Kraus và

Litzenberger (1976), Harvey và Siddique (2000), Agarwal và cộng sự (2008), Kostakis

và cộng sự (2011), Hassan và Kamil (2013). Đây là một bằng chứng thực nghiệm cho

thấy vai trò quan trọng trong việc lựa chọn mô hình định giá tài sản vốn, ngoài các nhân

tố rủi ro được biết đến là nhân tố rủi ro hệ thống (được đo lường bằng beta) thì nhà đầu

tư cần phải quan tâm tới hai nhân tố rủi ro moment bậc cao skewness và kurtosis, đây

chính là rủi ro tiềm ẩn mà nhà đầu tư luôn phải đối mặt.

Về chiều hướng tác động, nhân tố beta có tương quan dương đến lợi nhuận, mối

tương quan này chỉ ra rằng việc gia tăng thêm rủi ro vào danh mục sẽ làm gia tăng lợi

nhuận của danh mục. Kết quả nghiên cứu này phù hợp với lý thuyết danh mục đầu tư

của Markowitz (1952) và các nghiên cứu thực nghiệm trước đây của Kraus và

Litzenberger (1976), Hung và cộng sự (2003) & Agarwal và cộng sự (2008). Trên thực

tế, một nhà đầu tư khôn ngoan không ai muốn đầu tư vào những cổ phiếu riêng lẻ hay

danh mục cổ phiếu có rủi ro cao hơn nhưng mức độ bù đắp rủi ro lại thấp hơn so với kỳ

vọng, khi đầu tư vào những cổ phiếu có mức độ an toàn cao tại Việt Nam điển hình như

mã cổ phiếu VNM thì nhà đầu tư đã xác định đầu tư với mục tiêu nắm giữ dài hạn và

thu lợi tức là chủ yếu, tỷ suất sinh lời kỳ vọng cũng vì vậy mà thấp hơn so với các mã

cổ phiếu khác, nhưng ngược lại nếu đầu tư vào cổ phiếu rủi ro hơn (thường là những mã

blue chip) thì đa số các trường hợp nếu đầu tư có lợi nhuận thì tỷ suất sinh lời kiếm được

sẽ nhiều hơn so với việc đầu tư vào các mã cổ phiếu an toàn. Xét về yếu tố rủi ro

skewness, nhân tố này thể hiện mối tương quan dương với tỷ suất lợi nhuận, phù hợp

với nghiên cứu của Kostakis và cộng sự (2011) & Agarwal và cộng sự (2008). Kết quả

hàm ý khi gia tăng thêm rủi ro yếu tố skewness vào danh mục thì tỷ suất lợi nhuận sẽ kỳ

vọng sẽ tăng thêm, đồng thời chiều hướng tác động là dương cũng thể hiện rằng số cổ

phiếu trong danh mục nghiên cứu được thu thập đang có rủi ro, hay trong danh mục

nghiên cứu có xuất hiện các mã cổ phiếu có hệ số skewness âm, cụ thể tại mức phân vị

từ 1% đến 10% thì giá trị skewness bị âm (xem thêm phụ lục 7), việc có những cổ phiếu

có skewness âm thì trong tương lai sẽ xuất hiện một số tỷ suất sinh lời âm mạnh, do đó,

rủi ro này cần được bù đắp. Tuy nhiên, vì nghiên cứu thực hiện cho toàn bộ dữ liệu các

công ty được thu thập, nên cần phải xem xét giá trị skewness bình quân, mặc dù trong

danh mục có những cổ phiếu có skewness dương hàm ý trong tương lai có thể có một

48

hoặc nhiều tỷ suất lợi nhuận dương mạnh nhưng cần phải xét thêm trong giai đoạn của

thị trường, nếu thị trường biến động giảm, dù có vài tỷ suất lợi nhuận tăng mạnh chưa

chắc đã bù đắp được những mất mát khi sự biến động giảm của thị trường diễn ra thường

xuyên với biên độ lớn. Như vậy, chiều hướng tác động của nhân tố skewness là dương

một lần nữa cũng khẳng định thị trường trong giai đoạn rủi ro và nhà đầu tư cần hạn chế

các cổ phiếu có hệ số skewness âm càng nhiều càng tốt. Về nhân tố rủi ro kurtosis, phần

bù rủi ro đại diện cho nhân tố này có ý nghĩa thống kê và chiều hướng tác động là ngược

chiều với lợi nhuận cổ phiếu cho thấy khi gia tăng thêm rủi ro của nhân tố kurtosis vào

danh mục thì lợi nhuận sẽ giảm, kết quả trùng khớp với nghiên cứu của Agarwal và cộng

sự (2008). Việc có nhiều cổ phiếu có giá trị kurtosis thấp sẽ càng có lợi cho nhà đầu tư.

Khi phân tích sự tác động của các nhân tố moment bậc cao trong tương quan với

điều kiện thị trường, hệ số phần bù rủi ro của nhân tố skewness không đảo dấu mà vẫn

duy trì sự tương quan dương đến lợi nhuận cổ phiếu, trong đó mức độ tác động của nhân

tố skewness trong điều kiện thị trường đi lên ít hơn so với điều kiện thị trường đi xuống,

như vậy dù nghiên cứu trong trường hợp có hoặc không có sự tham gia của biến giả D

thì kết quả phân tích vẫn không thay đổi, cụ thể, nhà đầu tư nên đưa vào những danh

mục có nhiều cổ phiếu có hệ số skewness dương càng tốt, đặc biệt trong điều kiện thị

trường đi xuống, hạn chế nắm giữ những mã cổ phiếu có hệ số skewness âm vì nhà đầu

tư sẽ bị rủi ro nhiều hơn. Tuy nhiên, với nhân tố kurtosis thì xu hướng tác động này

không rõ ràng, cụ thể trong điều kiện thị trường đi lên thì chiều hướng tác động là dương,

trong khi ở điều kiện trường đi xuống thì chiều hướng tác động là âm, đồng thời, với

trường hợp hệ số hồi quy nhân tố kurtosis có ý nghĩa thống kê và mức độ tác động là

khá lớn ở điều kiện thị trường đi xuống thì nhà đầu tư nên thận trọng trong xem xét

quyết định đầu tư, việc gia tăng rủi ro không làm tăng lợi nhuận danh mục mà ngược lại

có thể làm giảm đáng kể tỷ suất lợi nhuận kỳ vọng.

Khi bổ sung yếu tố ngành vào mô hình để xem xét khả năng giải thích của yếu tố

moment đến suất sinh lời cổ phiếu thì kết quả vẫn tìm thấy ý nghĩa thống kê của nhân

tố beta với mức ý nghĩa 1%, đây vẫn là nhân tố đóng vai trò quan trọng trong giải thích

sự biến động của lợi nhuận cổ phiếu. Với hai nhân tố moment bậc cao skewness và

kurtosis, phân tích thực nghiệm cũng cho thấy được những ngành có ít quan sát không

có ý nghĩa thống kê (như đã đề cập trước đó việc có quá ít số lượng cổ phiếu trong một

49

ngành thì không thể đại diện được cho ngành đó), hai ngành hiện diện trường hợp này

là chăm sóc sức khỏe có 9 công ty với 62 quan sát và ngành công nghệ thông tin có 6

công ty với 37 quan sát (thống kê tính đến năm 2015 và thỏa mãn các điều kiện thu thập

dữ liệu mà luận văn đã trình bày ở mục dữ liệu nghiên cứu). Năm ngành đóng vai trò

quan trọng góp phần tham gia giải thích sự biến động của tỷ suất sinh lời cổ phiếu là

ngành nguyên vật liệu, công nghiệp, hàng tiêu dùng thiết yếu, hàng tiêu dùng không

thiết yếu và tài chính, tất nhiên đây là các nhóm ngành mà số lượng cổ phiếu chiếm đa

số trên Sở giao dịch chứng khoán Tp.HCM (223/259 công ty). Như vậy, với một số

lượng ít cổ phiếu ở một số nhóm ngành là một trong những nguyên nhân mà kết quả

phân tích không thể phản ánh đầy đủ hiệu quả của thị trường, đồng thời việc đa dạng

hóa danh mục đầu tư sẽ trở nên khó khăn hơn. Về chiều hướng tác động của hai nhân tố

moment bậc cao, ngoại trừ hai ngành có hệ số hồi quy không có ý nghĩa thống kê, ngành

năng lượng với hệ số skewness không có ý nghĩa thống kê và ngành dịch vụ tiện ích với

hệ số hồi quy có mức ý nghĩa thấp thì các hệ số còn lại có dấu của nhân tố skewness là

dương và dấu của kurtosis là âm. Như vậy, nhìn nhận tổng thể thì kết quả hồi quy không

khác nhiều so với mô hình moment CAPM (mô hình 1) ở mức độ và chiều hướng tác

động. Kết quả cũng là bằng chứng cho thấy việc bổ sung thêm yếu tố ngành thì mức ý

nghĩa nhân tố beta mạnh hơn, do đó giải thích tốt hơn sự biến động lợi nhuận, đồng thời

kết quả cũng khẳng định một thị trường chứng khoán nghèo nàn về chủng loại là một

trong số nguyên nhân mà công tác nghiên cứu định giá cổ phiếu bị hạn chế.

50

CHƯƠNG 5: KẾT LUẬN VÀ HÀM Ý CHÍNH SÁCH

Chương 5 sẽ trình bày những kết luận được đút kết sau quá trình nghiên cứu. Kết

quả tìm được trong luận văn sẽ cung cấp thêm bằng chứng thực nghiệm về tác động của

các yếu tố moment bậc cao đến suất sinh lời cổ phiếu, ngoài ra những đóng góp thực

tiễn và các hàm ý chính sách được ra giúp nhà đầu tư, công ty chứng khoán, công ty

quản lý quỹ và các cơ quan quản lý có cái nhìn khách quan hơn trong quản lý danh mục

và đầu tư cổ phiếu. Đồng thời luận văn cũng điểm lại những khó khăn trong quá trình

thực hiện cũng như nêu lên những hạn chế của đề tài và sau cùng là phần gợi ý cho

hướng nghiên cứu tiếp theo.

5.1. Kết luận

Bàn về vấn đề áp dụng mô hình định giá tài sản được các nhà nghiên cứu thực

nghiệm trao đổi từ rất lâu. Hiện tại có khá nhiều mô hình với những trường phái khác

nhau nhưng vẫn phát triển từ nền tảng lý thuyết danh mục đầu tư Markowitz (1952). Đi

kèm với mỗi mô hình đều có những giả định riêng, trong đó giả định về phân phối chuẩn

của một tài sản được đưa ra tranh luận bởi nhiều độc giả mà bắt đầu từ Fama và Macbeth

(1973), nghiên cứu này cho thấy tỷ suất sinh lời của chứng khoán không tuân theo quy

luật phân phối chuẩn. Do đó, một câu hỏi đưa ra là việc sử dụng hai moment đầu tiên là

giá trị trung bình và phương sai trong mô hình định giá tài sản có thích hợp trong việc

đo lường chênh lệch tỷ suất sinh lời trung bình của cổ phiếu hay không? Mở đầu cho

trường phái này có thể kể đến đó là Kraus và Litzenberger (1976) cho rằng skewness có

tác động đến tỷ suất sinh lời cổ phiếu. Sau nghiên cứu này, nhiều nghiên cứu khác cũng

minh chứng rằng các nhân tố moment bậc cao không chỉ skewness mà còn kurtosis đều

tác động đến tỷ suất lợi nhuận cổ phiếu như Harvey và Siddique (2000), Doan (2011),

Kostakis và cộng sự (2012), Hassan và Kamil (2013), Ajibola và cộng sự (2014).

Trên thế giới, việc áp dụng các mô hình định giá đã được phổ biến rộng rãi không

chỉ ở các cơ quan quản lý, các công ty chứng khoán, các quỹ mà còn được sử dụng bởi

chính các nhà đầu tư. Tại Việt Nam, việc ứng dụng các mô hình phân tích chưa được

đầu tư một cách hệ thống, chỉ có một số phần mềm chuyên dụng dùng vẽ đồ thị xu

hướng thị trường hay để thống kê số liệu mà chưa có phần mềm chuyên dụng để định

giá hoặc thiết lập các danh mục tối ưu. Một số quỹ đầu tư có sử dụng nhưng chủ yếu là

51

mô hình đơn giản như CAPM, mô hình chỉ số đơn mà chưa áp dụng các mô hình khác

(ba nhân tố, bốn nhân tố, moment CAPM) được chứng minh thực nghiệm là tốt hơn so

với các mô hình truyền thống. Vì vậy, nghiên cứu về ảnh hưởng của những nhân tố

moment bậc cao đến suất sinh lời cổ phiếu tại Việt Nam ngoài những đóng đóp khoa

học sẽ còn là cơ sở ra giúp nhà đầu tư, công ty chứng khoán, công ty quản lý quỹ và các

cơ quan quản lý có cái nhìn khách quan hơn trong quản lý danh mục và đầu tư cổ phiếu

tại thị trường chứng khoán Việt Nam.

Với dữ liệu bảng không cân bằng bao gồm 259 công ty niêm yết được thu thập

trên Sở giao dịch chứng khoán Tp.HCM giai đoạn 2006-2015, nghiên cứu nhằm xem

xét tác động của các yếu tố rủi ro moment bậc cao trong việc giải thích sự biến động lợi

nhuận cổ phiếu. Trên cơ sở kết quả nghiên cứu và thảo luận, các vấn đề đã được giải

quyết như sau:

Một là, mô hình moment CAPM có khả năng giải thích tốt hơn mô hình CAPM

truyền thống. Thật vậy, bằng phương pháp ước lượng OLS, giá trị R2 hiệu chỉnh của mô

hình moment CAPM cao hơn so với mô hình CAPM cho phép kết luận mô hình CAPM

sau khi bổ sung thêm hai nhân tố moment bậc cao phù hợp hơn so với mô hình ban đầu.

Kết quả này phù hợp với hầu hết các nghiên cứu của các tác giả trước đó như Kraus và

Litzenberger (1976), Harvey và Siddique (2000), Doan (2011), Kostakis và cộng sự

(2012), Hassan và Kamil (2013), Ajibola và cộng sự (2014). Luận văn đã đạt được mục

tiêu thứ nhất.

Hai là, nghiên cứu tìm thấy sự tác động của các nhân tố moment đến tỷ suất sinh

lời vượt trội cổ phiếu. Với phương pháp ước lượng bền vững System GMM, hai nhân

tố moment bậc cao đóng vai trò quan trọng trong việc giải thích sự biến động của tỷ suất

sinh lời vượt trội cổ phiếu, trong đó, nhân tố skewness có tương quan dương đến suất

sinh lời vượt trội cổ phiếu còn nhân tố kurtosis có tương quan ngược lại. Riêng nhân tố

beta có mức ý nghĩa thấp hơn và chiều hướng tác động là cùng chiều với tỷ suất lợi

nhuận vượt trội. Mục tiêu thứ hai cũng đã đạt được.

Ba là, nghiên cứu cũng đã phân tích được mức độ và chiều hướng tác động của

các moment skewness và kurtosis đến lợi nhuận kỳ vọng cổ phiếu trong điều kiện thị

trường. Cụ thể, trong điều kiện thị trường đi lên, các nhân tố rủi ro có mối tương quan

dương và đều tham gia giải thích sự biến động của tỷ suất lợi nhuận vượt trội cổ phiếu.

52

Tuy nhiên, trong điều kiện thị trường đi xuống, sự biến động tỷ suất sinh lời vượt trội

chỉ có thể giải thích bởi hai nhân tố rủi ro moment bậc cao skewness và kurtosis, trong

đó, nhân tố skewness có chiều hướng tác động dương, nhân tố kurtosis có chiều hướng

tác động âm. Như vậy, nghiên cứu trong điều kiện thị trường thì khả năng giải thích

nhân tố beta và chiều hướng tác động của nhân tố kurtosis là không rõ ràng.

Bốn là, khi xem xét khả năng giải thích của các nhân tố moment bậc cao ở các

nhóm ngành đến lợi nhuận cổ phiếu. Mô hình vẫn duy trì được sự phù hợp, nghiên cứu

tìm thấy ngành có vai trò quan trọng trong phân tích tác động của yếu tố moment bậc

cao đến tỷ suất lợi nhuận vượt trội cổ phiếu là ngành nguyên vật liệu, công nghiệp, hàng

tiêu dùng (thiết yếu và không thiết yếu) và ngành tài chính. Ở các ngành khác, skewness

và kurtosis không tham gia hoặc chỉ một trong hai nhân tố này tham gia nhưng khả năng

giải thích yếu hơn so với 5 ngành đã đề cập.

Tóm lại, kết quả nghiên cứu này phù hợp với một số nghiên cứu thực nghiệm trên

thế giới, đây là bằng chứng thực nghiệm cho thấy tại thị trường chứng khoán Việt Nam,

hai nhân tố moment bậc cao có ảnh hưởng đến sự biến động tỷ suất lợi nhuận vượt trội

cổ phiếu. Nghiên cứu này cùng với các nghiên cứu khác tại Việt Nam cũng như trên thế

giới chỉ ra phương pháp và cách thức thực hiện để định giá một tài sản vốn và nó có giá

trị sử dụng cho các nhà đầu tư, công ty chứng khoán, quỹ đầu tư cũng như các nhà hoạch

định thị trường trong thời gian tới.

5.2. Hàm ý chính sách

Với kết quả nghiên cứu, một số hàm ý chính sách dành cho nhà đầu tư cũng như

các nhà hoạch định chính sách như sau:

Thứ nhất, kết quả nghiên cứu đã minh chứng được ngoài nhân tố beta thì hai nhân

tố moment bậc cao đều có tác động đến tỷ suất lợi nhuận vượt trội cổ phiếu. Khi xem

xét yếu tố rủi ro để quyết định, nhà đầu tư cần quan tâm thêm hai nhân tố skewness và

kurtosis vì đây chính là hai nhân tố tiềm ẩn rủi ro mà nhà đầu tư phải đối mặt trong

tương lai, việc xem xét này có thể giúp nhà đầu tư và nhà quản trị danh mục cân nhắc

và lựa chọn mô hình định giá phù hợp để xác định mức lợi nhuận kỳ vọng ở mức hợp lý

nhất có thể.

53

Thứ hai, hệ số beta có tương quan dương với lợi nhuận hàm ý rằng để gia tăng

thêm lợi nhuận, nhà đầu tư có thể gia tăng thêm rủi ro cho danh mục. Tuy nhiên không

phải lúc nào trường hợp này cũng xảy ra, nhà đầu tư không nên mạo hiểm mà cần phải

xem xét trong điều kiện của thị trường. Kết quả thực nghiệm cũng cho thấy, trong điều

kiện thị trường đi xuống phần bù rủi ro cho nhân tố beta không xác định, nhà đầu tư rất

có thể bị thua lỗ trong trường hợp này.

Thứ ba, nhân tố skewness có tác động cùng chiều đến tỷ suất lợi nhuận vượt trội

cho biết khi gia tăng thêm rủi ro yếu tố skewness vào danh mục thì tỷ suất lợi nhuận sẽ

kỳ vọng sẽ tăng thêm, chiều hướng này vẫn không đổi khi trong điều kiện thị trường

xuống hay lên. Đồng thời, chiều hướng tác động là dương cũng hàm ý rằng danh mục

hiện tại đang rủi ro, cụ thể trong danh mục nghiên cứu có xuất hiện các mã cổ phiếu có

hệ số skewness âm, việc có những cổ phiếu có skewness âm thì trong tương lai sẽ xuất

hiện một số suất sinh lời âm mạnh, chính vì vậy cần phải có một mức bù tương ứng với

rủi ro này. Do đó, khi đầu tư vào cổ phiếu hoặc danh mục cổ phiếu, nhà đầu tư cần hạn

chế nắm giữ các cổ phiếu có hệ số skewness âm càng nhiều càng tốt.

Thứ tư, nhân tố rủi ro kurtosis có ý nghĩa thống kê và chiều hướng tác động là

ngược chiều với tỷ suất lợi nhuận vượt trội hàm ý để gia tăng lợi nhuận kỳ vọng thì nhà

đầu tư cần giảm rủi ro của nhân tố kurtosis. Do đó, khi lựa chọn cổ phiếu vào danh mục,

cần lựa chọn cổ phiếu có kurtosis càng thấp càng tốt. Tuy nhiên, khi xem xét biến động

trong điều kiện thị trường, thì xu hướng tác động này không rõ ràng, thì nhà đầu tư cũng

nên cân nhắc gia tăng hoặc giảm giá trị hệ số này trong điều kiện thị trường phù hợp để

không làm giảm tỷ suất lợi nhuận kỳ vọng.

Thứ năm, khi xem xét tác động của yếu tố ngành đến khả năng giải thích của yếu

tố moment bậc cao skewness và kurtosis đến suất sinh lời cổ phiếu, năm ngành đóng vai

trò quan trọng góp phần tham gia giải thích sự biến động của tỷ suất sinh lời kỳ vọng là

ngành nguyên vật liệu, công nghiệp, hàng tiêu dùng thiết yếu, hàng tiêu dùng không

thiết yếu và tài chính. Kết quả này hàm ý thị trường chứng khoán Việt Nam hiện đang

rất ít về chủng loại và không đa dạng, chỉ tập trung vào một số ngành chủ yếu. Đây cũng

là nguyên nhân mà việc đa dạng hóa danh mục trên thị trường sẽ gặp hạn chế. Do đó,

các nhà quản lý trị trường cần có chính sách khuyến khích các công ty niêm yết nhằm

đưa thêm các loại cổ phiếu của các công ty lên sàn, song song đó cần bổ sung thêm các

54

loại trái phiếu có thời hạn khác nhau với lãi suất thay đổi để bảo vệ nhà đầu tư, qua đó

góp phần phát triển thị trường thứ cấp và thu hút nhiều hơn các công ty cũng như nhà

đầu tư chuyên nghiệp tham gia vào thị trường.

Thứ sáu, như đã đề cập skewness và kurtosis thực sự có tác động đến tỷ suất sinh

lời vượt trội cổ phiếu, nên ngoài các mô hình định giá tài sản vốn tuyền thống là CAPM,

mô hình chỉ số đơn thì nhà đầu tư cần ứng dụng mô hình moment CAPM để đo lường

rủi ro và xác định lợi nhuận kỳ vọng cổ phiếu để kết quả phù hợp nhất.

5.3. Hạn chế đề tài

Trong khuôn khổ thời gian giới hạn, luận văn đã cố gắng hoàn thành bài nhiên

các nội dung chính: thu thập dữ liệu, xác định mô hình moment CAPM, hồi quy quy dữ

liệu trên phương pháp system GMM và phân tích kết quả nghiên cứu. Mặc dù kết quả

kiểm định đều phù hợp và có thể sử dụng để giải thích kết quả thực nghiệm, tuy nhiên

luận văn vẫn còn những hạn chế nhất định.

Thứ nhất, các mô hình chỉ có thể phát huy tốt nhất khi thông tin là cân xứng và

thị trường hiệu quả. Có thể thấy, thị trường chứng khoán Việt Nam là thị trường còn khá

non trẻ so với các thị trường khác trên thế giới, tới nay chỉ mới hơn 15 năm hoạt động,

trải qua nhiều thăng trầm và biến động. Các vấn đề minh bạch thông tin vẫn còn hạn

chế, hiện tượng làm giá vẫn thường xuyên xảy ra, đồng thời danh mục thị trường chưa

được đa dạng hóa tốt do số lượng cổ phiếu còn hạn chế, một số công ty không thể đại

diện hết cho các nhóm ngành. Mặt khác, đa số các nhà đầu tư trên thị trường là nhà đầu

tư cá nhân, rất ít các nhà đầu tư là tổ chức và các nhà đầu tư chiến lược nên mức độ tiếp

cận thông tin là khác nhau và đầu tư theo tâm lý, đám đông vẫn hay diễn ra. Chính những

vấn đề này làm cho các mô hình không để đáp ứng một cách hoàn hảo.

Thứ hai, dữ liệu nghiên cứu chỉ thu thập các cổ phiếu niêm yết Sở giao dịch chứng

khoán Tp.HCM, chưa tính đến những cổ phiếu niêm yết ở Sở giao dịch chứng khoán Hà

Nội, do đó kết quả chưa hoàn toàn đại diện cho toàn bộ thị trường chứng khoán Việt

Nam.

Thứ ba, mặc dù phương pháp ước lượng GMM được đánh giá là một trong những

phương pháp tốt nhất nhưng nó vẫn có những hạn chế nhất định. Thông thường, để sử

dụng phương pháp này, cần phải có thời gian nghiên cứu dài hạn để thu thập rất nhiều

55

biến liên quan đến mô hình làm biến công cụ, mặc dù GMM cho phép sử dụng các biến

trễ làm biến công cụ, tuy nhiên sẽ hoàn hảo hơn khi có những biến khác hoàn toàn mới

với các biến đã có trong mô hình được sử dụng để thay thể các biến nội sinh hoặc các

biến ngoại sinh nhưng không ngặt.

Thứ tư, trong khuôn khổ thời gian cho phép, luận văn chỉ tập trung phân tích hai

nhân tố moment bậc cao là skewness và kurtosis. Việc chưa so sánh các mô hình ba

nhân tố của Fama và French (1993) hay mô hình bốn nhân tố của Carhart (1997) với mô

hình sau khi bổ sung hai nhân tố moment bậc cao cũng là một hạn chế đề tài.

5.4. Hướng nghiên cứu tiếp theo

Rõ ràng, bài nghiên cứu là bằng chứng thực nghiệm cho thấy không có cơ sở để

bác bỏ sự ảnh hưởng của hai nhân tố rủi ro moment bậc cao skewness và kurtosis đến

lợi nhuận kỳ vọng cổ phiếu. Tuy nhiên, để làm rõ hơn các vấn đề và đảm bảo độ tin cậy

chính xác hơn, luận văn kiến nghị gia tăng số lượng quan sát thông qua việc mở rộng

thêm số lượng cổ phiếu ở các sàn giao dịch khác và độ dài thời gian quan sát, kết hợp

so sánh với các mô hình định giá truyền thống để lựa chọn mô hình phù hợp hơn tại thị

trường chứng khoán Việt Nam.

Trong bài, luận văn sử dụng phương pháp của Kraus và Litzenberger (1976) để

tính toán trực tiếp hai nhân tố rủi ro skewness và kurtosis và hồi quy toàn bộ hai nhân

tố này cùng nhân tố beta để xem xét tác động của lợi nhuận. Tuy nhiên, nhiều nghiên

cứu khác lại đưa ra phương pháp khác tính các nhân tố này, ngoài ra việc phân chia các

cổ phiếu thành các cấp bật khác nhau để tạo ra các danh mục mô phỏng sẽ thể hiện rõ

hơn về xu hướng tác động của các nhân tố này. Do đó, luận văn kiến nghị sử dụng thêm

phương pháp nghiên cứu khác để thực hiện tại thị trường Việt Nam.

Về phương pháp ước lượng hồi quy, GMM vẫn được ưu tiên lựa chọn, tuy nhiên

cần thu thập bổ sung thêm các biến vào mô hình để tìm sự phù hợp hơn hoặc làm đa

dạng biến công cụ như: quy mô công ty, giá trị công ty, đà tăng tưởng, các chỉ số vĩ mô,

tỷ lệ sở hữu nhà nước trong công ty, rủi ro vỡ nợ, giá trị nợ công ty….

TÀI LIỆU THAM KHẢO

Agarwal, V., Bakshi, G. & Huij, J. (2008). Higher-Moment Equity Risk and the Cross-

Section of Hedge Fund Returns, in: Robert H. Smith School of Business,

University of Maryland, US Working Paper.

Ajibola, A., Kunle, O. A. & Prince, N. C. (2015). Empirical Proof of the CAPM with

Higher Order Co-Moments in Nigerian Stock Market: The Conditional and

Unconditional Based Tests. Journal of Applied Finance and Banking, 5(1), 145.

Aracioglu, B., Demircan, F. & Soyuer, H. (2011). Mean-Variance-Skewness-Kurtosis

Approach to Portfolio Optimization: An Application in Istanbul Stock

Exchange/Portföy Optimizasyonunda Ortalama-Varyans-Çarpiklik-

BasiklikYaklasimi: IMKB Uygulamasi. Ege Akademik Bakis, 11, 9.

Arellano, M. & Bond, S. (1991). Some Tests of Specification for Panel Data: Monte

Carlo Evidence and an Application to Employment Equations. The Review of

Economic Studies, 58(2), 277.

Aswath, D. (2012). Investment Valuation.

Baum, C. F. (2007). Instrumental Variables Estimation in Stata. Boston College.

Baum, C. F., Schaffer, M. E., Stillman, S. & others. (2003). Instrumental Variables and

GMM: Estimation and Testing. Stata journal, 3(1), 1–31.

Beardsley, X. W., Field, B. & Xiao, M. (2012). Mean-Variance-Skewness-Kurtosis

Portfolio Optimization with Return and Liquidity. Communications in

Mathematical Finance, 1(1), 13–49.

Black, F., Jensen, M. C. & Scholes, M. (1972). The Capital Asset Pricing Model : Some

Empirical Tests. Studies in the theory of capital markets : [papers of the

Conference on Modern Capital Theory, held at the University of Rochester in

August, 1969, augmented by several closely related papers].

Bodie, Z., Kane, A., & Marcus, A. J. (2011). Investments (9th ed). New York:

McGraw-Hill/Irwin.

Brentani, C. (2004). Portfolio management in practice. Amsterdam: Butterworth-

Heinemann.

Cameron, A. C. & others. (2007). Panel Data Methods for Microeconometrics Using

Stata, in: West Coast Stata Users’ Group Meetings 2007. Stata Users Group.

Carhart, M. M. (1997). On Persistence in Mutual Fund Performance. The Journal of

Finance, 52(1), 57–82.

Chaussé, P. (2009). GMM and GEL with R.

Chaussé, P. & others. (2010). Computing Generalized Method of Moments and

Generalized Empirical Likelihood with R. Journal of Statistical Software,

34(11), 1–35.

Cliff, M. T. (2003). GMM and MINZ Program Libraries for MATLAB. Krannert

Graduate School of Management Purdue University.

Đỗ Đức Thái và Nguyễn Tiến Dũng. (2010). Nhập Môn Hiện Đại: Xác Suất và Thống

Kê. Hà Nội.

Doan, M. P. (2011). The Roles of Systematic Skewness and Systematic Kurtosis in

Asset Pricing.

Drukker, D. M. (2010). An Introduction to GMM Estimation Using Stata, in: German

STATA Users’ Group Meeting, unpublished.

Efendic, A., Pugh, G. & Adnett, N. (2009). Institutions and Economic Performance:

System GMM Modelling of Institutional Effects in Transition. Unpublished

Paper, Staffordshire University Business School, Stoke-on-Trent, UK. Accessed

June, 10, 2009.

Fama, E. F. & French, K. R. (1992). The Cross-Section of Expected Stock Returns. The

Journal of Finance, 47(2), 427–465.

Fama, E. F. & French, K. R. (1993). Common Risk Factors in the Returns on Stocks and

Bonds. Journal of financial economics, 33(1), 3–56.

Fang, H. & Lai, T.-Y. (1997). Co-Kurtosis and Capital Asset Pricing. Financial Review,

32(2), 293–307.

Grinblatt, M., Titman, S. & Wermers, R. (1995). Momentum Investment Strategies,

Portfolio Performance, and Herding: A Study of Mutual Fund Behavior. The

American Economic Review, 85(5), 1088–1105.

Hansen, L. P. (1982). Large Sample Properties of Generalized Method of Moments

Estimators. Econometrica, 50(4), 1029–54.

Hansen, L. P. (2010). Generalized Method of Moments Estimation, in:

Macroeconometrics and Time Series Analysis, (pp. 105–118). Springer.

Hansen, L. P. (2012). Proofs for large sample properties of generalized method of

moments estimators. Journal of Econometrics, 170(2), 325–330.

Harvey, C. R. & Siddique, A. (2000). Conditional Skewness in Asset Pricing Tests. The

Journal of Finance, 55(3), 1263–1295.

Hasan, M. Z. & Kamil, A. A. (2014). Contribution of Co-Skewness and Co-Kurtosis of

the Higher Moment CAPM for Finding the Technical Efficiency. Economics

Research International, 2014, 1–9.

Hendricks, D., Patel, J. & Zeckhauser, R. (1993). Hot Hands in Mutual Funds: Short-

Run Persistence of Relative Performance, 1974–1988. The Journal of Finance,

48(1), 93–130.

Hung, D. C.-H., Shackleton, M. & Xu, X. (2004). CAPM, Higher Co-Moment and

Factor Models of UK Stock Returns. Journal of Business Finance & Accounting,

31(1–2), 87–112.

Hwang, S. & Satchell, S. E. (1999). Modelling Emerging Market Risk Premia Using

Higher Moments. International Journal of Finance & Economics, 4(4), 271–296.

Retrieved August 27, 2016.

Iqbal, J., Brooks, R. & Galagedera, D. U. (2007). Testing Asset Pricing Models in

Emerging Markets: An Examination of Higher Order Co-Moments and

Alternative Factor Models.

Jegadeesh, N. & Titman, S. (1993). Returns to Buying Winners and Selling Losers:

Implications for Stock Market Efficiency. Journal of Finance, 48(1), 65–91.

Jensen, M. C., Black, F. & Scholes, M. S. (2006). The Capital Asset Pricing Model:

Some Empirical Tests. Rochester, NY: Social Science Research Network.

Jondeau, E. & Rockinger, M. (2006). Optimal Portfolio Allocation under Higher

Moments. European Financial Management, 12(1), 29–55.

Kostakis, A., Muhammad, K. & Siganos, A. (2012). Higher Co-Moments and Asset

Pricing on London Stock Exchange. Journal of Banking & Finance, 36(3), 913–

922.

Kraus, A. & Litzenberger, R. H. (1976). Skewness Preference and the Valuation of Risk

Assets. The Journal of Finance, 31(4), 1085–1100.

Lawrence, T. D. (1997). On the Meaning and Use of Kurtosis. , 2(3), 292–307.

Levišauskait, K. (2010). Investment Analysis and Portfolio Management. Leonardo da

Vinci programme project.

Lintner, J. (1965). The Valuation of Risk Assets and the Selection of Risky Investments

in Stock Portfolios and Capital Budgets. The Review of Economics and Statistics,

47(1), 13–37.

Markowitz, H. (1952). Portfolio Selection. Journal of Finance, 7(1), 77–91.

Messis, P., Iatridis, G. & Blanas, G. (2007). CAPM and the Efficacy of Higher Moment

CAPM in the Athens Stock Market: An Empirical Approach. International

Journal of Applied Economics, 4(1), 60–75.

Mossin, J. (1966). Equilibrium in a Capital Asset Market. Econometrica, 34(4), 768.

Neyman, J. & Pearson, E. S. (1928). On the Use and Interpretation of Certain Test

Criteria for Purposes of Statistical Inference. Biometrika, 20A(3–4), 263–294.

Nickell, S. (1981). Biases in Dynamic Models with Fixed Effects. Econometrica, 49(6),

1417–26.

Nielsen, H. B. (2005). Generalized Method of Moments Estimation. Ekonometri 2 Ders

Notları.

Pearson, K. (1895). Contributions to the Mathematical Theory of Evolution. II. Skew

Variation in Homogeneous Material. Philosophical Transactions of the Royal

Society of London. A, 186, 343–414.

Pearson, K. (1905). ‘Das Fehlergesetz Und Seine Verallgemeinerungen Durch Fechner

Und Pearson.’ A Rejoinder. Biometrika, 4(1/2), 169–212.

Peñaranda, F. (2007). Portfolio Choice beyond the Traditional Approach. Available at

SSRN 1003123.

Pettengill, G. N., Sundaram, S. & Mathur, I. (1995). The Conditional Relation between

Beta and Returns. Journal of Financial and quantitative Analysis, 30(1), 101–

116.

Roodman, D. (2006). How to Do xtabond2: An Introduction to Difference and System

GMM in Stata. Center for Global Development working paper, (103). Retrieved

July 9, 2016, from http://papers.ssrn.com/sol3/papers.cfm?abstract_id=982943

Roodman, D. (2009). A Note on the Theme of Too Many Instruments. Oxford Bulletin

of Economics and statistics, 71(1), 135–158.

Võ Xuân Vinh và Nguyễn Quốc Chí (2014). Quan hệ giữa rủi ro hiệp moment bậc cao

và lợi nhuận cổ phiếu: Nghiên cứu thực nghiệm trên thị trường Việt Nam. Tạp

chí phát triển kinh tế, 288, 71-89.

Sharpe, W. F. (1964). Capital Asset Prices: A Theory of Market Equilibrium under

Conditions of Risk. The Journal of Finance, 19(3), 425.

Teplova, T. & Shutova, E. (2011). A Higher Moment Downside Framework for

Conditional and Unconditional CAPM in the Russian Stock Market. Eurasian

Economic Review, 1(2), 157–178.

Wermers, R. (1996). Momentum Investment Strategies of Mutual Funds, Performance

Persistence, and Survivorship Bias. University of Colorado. Working Paper.

Zsohar, P. (2010). Short Introduction to the Generalized Method of Moments.

Hungarian Statistical Review, 16.

PHỤ LỤC

Phụ lục 1: Mô hình CAPM.

. regress rif beta Source | SS df MS Number of obs = 1743 -------------+------------------------------ F( 1, 1741) = 15.10 Model | 5.79086798 1 5.79086798 Prob > F = 0.0001 Residual | 667.552162 1741 .383430306 R-squared = 0.0086 -------------+------------------------------ Adj R-squared = 0.0080 Total | 673.34303 1742 .38653446 Root MSE = .61922 ------------------------------------------------------------------------------ rif | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- beta | -.1357275 .0349252 -3.89 0.000 -.2042273 -.0672277 _cons | .039701 .0302 1.31 0.189 -.0195311 .098933 ------------------------------------------------------------------------------

Phụ lục 2: Kiểm định tác động của các nhân tố rủi ro tới lợi nhuận cổ phiếu.

Phụ lục 2A: Kiểm định tác động của các nhân tố rủi ro tới lợi nhuận cổ phiếu – Ước

lượng bằng phương pháp Pooled OLS.

. regress rif beta skew kurt Source | SS df MS Number of obs = 1743 -------------+------------------------------ F( 3, 1739) = 14.36 Model | 16.2819044 3 5.42730148 Prob > F = 0.0000 Residual | 657.061126 1739 .377838485 R-squared = 0.0242 -------------+------------------------------ Adj R-squared = 0.0225 Total | 673.34303 1742 .38653446 Root MSE = .61469 ------------------------------------------------------------------------------ rif | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- beta | .1469268 .0893847 1.64 0.100 -.028386 .3222396 skew | .0364655 .0082991 4.39 0.000 .0201882 .0527427 kurt | -.3638619 .0956348 -3.80 0.000 -.5514332 -.1762906 _cons | .0677806 .0317317 2.14 0.033 .0055444 .1300169 ------------------------------------------------------------------------------

Phụ lục 2B: Kiểm định tác động của các nhân tố rủi ro tới lợi nhuận cổ phiếu – Ước

. xtreg rif beta skew kurt,fe Fixed-effects (within) regression Number of obs = 1743 Group variable: name Number of groups = 259 R-sq: within = 0.0263 Obs per group: min = 4 between = 0.0003 avg = 6.7 overall = 0.0199 max = 10 F(3,1481) = 13.32 corr(u_i, Xb) = -0.1062 Prob > F = 0.0000 ------------------------------------------------------------------------------ rif | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- beta | .3824192 .1098041 3.48 0.001 .1670311 .5978072 skew | .043901 .0091314 4.81 0.000 .0259892 .0618127 kurt | -.5490376 .1111574 -4.94 0.000 -.7670802 -.330995 _cons | .0251554 .044858 0.56 0.575 -.0628367 .1131474 -------------+---------------------------------------------------------------- sigma_u | .19866062 sigma_e | .63872728 rho | .08820438 (fraction of variance due to u_i) ------------------------------------------------------------------------------ F test that all u_i=0: F(258, 1481) = 0.50 Prob > F = 1.0000

lượng bằng phương pháp Fixed Effect.

Phụ lục 2C: Kiểm định tác động của các nhân tố rủi ro tới lợi nhuận cổ phiếu – Ước

lượng bằng phương pháp Random Effect.

. xtreg rif beta skew kurt,re Random-effects GLS regression Number of obs = 1743 Group variable: name Number of groups = 259 R-sq: within = 0.0231 Obs per group: min = 4 between = 0.0496 avg = 6.7 overall = 0.0242 max = 10 Wald chi2(3) = 43.09 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000 ------------------------------------------------------------------------------ rif | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- beta | .1469268 .0893847 1.64 0.100 -.028264 .3221176 skew | .0364655 .0082991 4.39 0.000 .0201996 .0527314 kurt | -.3638619 .0956348 -3.80 0.000 -.5513027 -.1764212 _cons | .0677806 .0317317 2.14 0.033 .0055877 .1299735 -------------+---------------------------------------------------------------- sigma_u | 0 sigma_e | .63872728 rho | 0 (fraction of variance due to u_i) ------------------------------------------------------------------------------

Phụ lục 2D: Kiểm định tác động của các nhân tố rủi ro tới lợi nhuận cổ phiếu – Ước

lượng bằng phương pháp sai số chuẩn mạnh.

. regress rif beta skew kurt,robust Linear regression Number of obs = 1743 F( 3, 1739) = 15.59 Prob > F = 0.0000 R-squared = 0.0242 Root MSE = .61469 ------------------------------------------------------------------------------ | Robust rif | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- beta | .1469268 .0707407 2.08 0.038 .008181 .2856726 skew | .0364655 .008377 4.35 0.000 .0200354 .0528956 kurt | -.3638619 .0768626 -4.73 0.000 -.5146148 -.2131091 _cons | .0677806 .0241033 2.81 0.005 .020506 .1150552 ------------------------------------------------------------------------------

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity

Phụ lục 2E: Kiểm định Phương sai thay đổi . estat hettest

Ho: Constant variance Variables: fitted values of ri chi2(1) = 46.62 Prob > chi2 = 0.0000 Phụ lục 2F: Kiểm định tự tương quan

. xtserial beta skew kurt

Wooldridge test for autocorrelation in panel data H0: no first-order autocorrelation F( 1, 258) = 18.148 Prob > F = 0.0000

Variable | VIF 1/VIF -------------+---------------------- kurt | 6.89 0.145041 beta | 6.65 0.150443 skew | 1.11 0.902954 -------------+---------------------- Mean VIF | 4.88

Phụ lục 2G: Kiểm định đa cộng tuyến

Breusch and Pagan Lagrangian multiplier test for random effects rif[name,t] = Xb + u[name] + e[name,t] Estimated results: | Var sd = sqrt(Var) ---------+----------------------------- rif | .3865345 .621719 e | .4079725 .6387273 u | 0 0 Test: Var(u) = 0 chibar2(01) = 0.00 Prob > chibar2 = 1.0000

Phụ lục 2H: Kiểm định Breusch – Pagan Larganian multiplier (LM)

Phụ lục 3: Kiểm định vấn đề nội sinh.

Phụ lục 3A: Hồi quy mô hình với biến phụ thuộc là biến trễ và biến độc lập là các

nhân tố rủi ro.

. regress l.rif beta skew kurt Source | SS df MS Number of obs = 1484 -------------+------------------------------ F( 3, 1480) = 17.66 Model | 21.1904016 3 7.06346721 Prob > F = 0.0000 Residual | 591.923526 1480 .399948328 R-squared = 0.0346 -------------+------------------------------ Adj R-squared = 0.0326 Total | 613.113927 1483 .413428137 Root MSE = .63241 ------------------------------------------------------------------------------ L.rif | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- beta | -.5605792 .0946446 -5.92 0.000 -.746231 -.3749274 skew | -.0423544 .0100902 -4.20 0.000 -.0621469 -.0225619 kurt | .5010291 .10161 4.93 0.000 .3017141 .700344 _cons | .0057418 .0341319 0.17 0.866 -.0612103 .0726939 ------------------------------------------------------------------------------

Phụ lục 3B: Lấy phần dư của mô hình hồi quy.

. predict phandu, residuals (1106 missing values generated)

Phụ lục 3C: Hồi quy mô hình gốc bổ sung thêm phần dư.

. xtreg rif beta skew kurt phandu, robus Random-effects GLS regression Number of obs = 1484 Group variable: name Number of groups = 259 R-sq: within = 0.0672 Obs per group: min = 3 between = 0.0007 avg = 5.7 overall = 0.0489 max = 9 Wald chi2(4) = 76.00 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000 ------------------------------------------------------------------------------ rif | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- beta | .2001365 .084746 2.36 0.018 .0340374 .3662356 skew | .0339152 .0090349 3.75 0.000 .0162072 .0516232 kurt | -.3938505 .0909829 -4.33 0.000 -.5721737 -.2155272 phandu | -.1438942 .0232752 -6.18 0.000 -.1895126 -.0982757 _cons | .0861178 .0305622 2.82 0.005 .026217 .1460185 -------------+---------------------------------------------------------------- sigma_u | 0 sigma_e | .57931103 rho | 0 (fraction of variance due to u_i) ------------------------------------------------------------------------------

Phụ lục 3D: Kiểm định ý nghĩa thống kê của phần dư

. test phandu ( 1) phandu = 0 chi2( 1) = 38.22 Prob > chi2 = 0.0000

Phụ lục 4: Kiểm định tác động của các nhân tố rủi ro tới lợi nhuận cổ phiếu – Ước

. xtabond2 rif l(1 2).rif beta skew l(0/1).kurt, gmm( l.rif l.beta l.skew kurt) iv( l.rm l.rif ) two robust small Favoring space over speed. To switch, type or click on mata: mata set matafavor speed, perm. Warning: Two-step estimated covariance matrix of moments is singular. Using a generalized inverse to calculate optimal weighting matrix for two-step estimation. Difference-in-Sargan/Hansen statistics may be negative. Dynamic panel-data estimation, two-step system GMM ------------------------------------------------------------------------------ Group variable: name Number of obs = 1225 Time variable : year Number of groups = 259 Number of instruments = 182 Obs per group: min = 2 F(6, 258) = 36.69 avg = 4.73 Prob > F = 0.000 max = 8 ------------------------------------------------------------------------------ | Corrected rif | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- rif | L1. | -.2190819 .0380661 -5.76 0.000 -.2940418 -.144122 L2. | -.1888986 .0257407 -7.34 0.000 -.2395872 -.1382101 | beta | .3022157 .1338767 2.26 0.025 .0385856 .5658458 skew | .1176011 .0227353 5.17 0.000 .0728307 .1623714 | kurt | --. | -.451759 .1325121 -3.41 0.001 -.712702 -.190816 L1. | -.3678015 .0461697 -7.97 0.000 -.4587189 -.2768841 | _cons | .2791332 .044481 6.28 0.000 .1915412 .3667253 ------------------------------------------------------------------------------ Instruments for first differences equation Standard D.(L.rm L.rif) GMM-type (missing=0, separate instruments for each period unless collapsed) L(1/9).(L.rif L.beta L.skew kurt) Instruments for levels equation Standard L.rm L.rif _cons GMM-type (missing=0, separate instruments for each period unless collapsed) D.(L.rif L.beta L.skew kurt) ------------------------------------------------------------------------------ Arellano-Bond test for AR(1) in first differences: z = -4.38 Pr > z = 0.000 Arellano-Bond test for AR(2) in first differences: z = -1.60 Pr > z = 0.110 ------------------------------------------------------------------------------ Sargan test of overid. restrictions: chi2(175) = 806.63 Prob > chi2 = 0.000 (Not robust, but not weakened by many instruments.) Hansen test of overid. restrictions: chi2(175) = 185.48 Prob > chi2 = 0.279 (Robust, but weakened by many instruments.)

lượng bằng phương pháp System GMM.

Difference-in-Hansen tests of exogeneity of instrument subsets: GMM instruments for levels Hansen test excluding group: chi2(143) = 167.42 Prob > chi2 = 0.080 Difference (null H = exogenous): chi2(32) = 18.06 Prob > chi2 = 0.977 iv(L.rm L.rif) Hansen test excluding group: chi2(173) = 184.40 Prob > chi2 = 0.263 Difference (null H = exogenous): chi2(2) = 1.08 Prob > chi2 = 0.582

Phụ lục 5: Kiểm định tác động của các nhân tố rủi ro tới lợi nhuận cổ phiếu có bổ

. xtabond2 rif l(1 2)rif duxbeta dkxbeta duxskew dkxskew l.duxkurt dkxkurt, gmm(l.rif dkxbeta l.duxskew dkxkurt) iv(l.rmf l.ri l.rif) two small robust Favoring space over speed. To switch, type or click on mata: mata set matafavor speed, perm. Warning: Two-step estimated covariance matrix of moments is singular. Using a generalized inverse to calculate optimal weighting matrix for two-step estimation. Difference-in-Sargan/Hansen statistics may be negative. Dynamic panel-data estimation, two-step system GMM ------------------------------------------------------------------------------ Group variable: name Number of obs = 1225 Time variable : year Number of groups = 259 Number of instruments = 177 Obs per group: min = 2 F(8, 258) = 127.22 avg = 4.73 Prob > F = 0.000 max = 8 ------------------------------------------------------------------------------ | Corrected rif | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- rif | L1. | -.1708058 .0331351 -5.15 0.000 -.2360555 -.1055562 L2. | -.1406947 .0185418 -7.59 0.000 -.1772071 -.1041822 | duxbeta | .159852 .0479014 3.34 0.001 .0655245 .2541796 dkxbeta | .1572733 .1531041 1.03 0.305 -.1442196 .4587662 duxskew | .0547653 .0205782 2.66 0.008 .0142428 .0952878 dkxskew | .1270486 .0286873 4.43 0.000 .0705576 .1835396 | duxkurt | L1. | .1145628 .0381007 3.01 0.003 .0395348 .1895907 | dkxkurt | -.8843399 .1595269 -5.54 0.000 -1.19848 -.5701994 _cons | .0449659 .0312913 1.44 0.152 -.0166531 .1065848 ------------------------------------------------------------------------------ Instruments for first differences equation Standard D.(L.rmf L.ri L.rif) GMM-type (missing=0, separate instruments for each period unless collapsed) L(1/9).(L.rif dkxbeta L.duxskew dkxkurt) Instruments for levels equation Standard L.rmf L.ri L.rif _cons GMM-type (missing=0, separate instruments for each period unless collapsed) D.(L.rif dkxbeta L.duxskew dkxkurt) ------------------------------------------------------------------------------ Arellano-Bond test for AR(1) in first differences: z = -5.94 Pr > z = 0.000 Arellano-Bond test for AR(2) in first differences: z = -0.98 Pr > z = 0.325 ------------------------------------------------------------------------------ Sargan test of overid. restrictions: chi2(168) = 650.67 Prob > chi2 = 0.000 (Not robust, but not weakened by many instruments.) Hansen test of overid. restrictions: chi2(168) = 177.35 Prob > chi2 = 0.296

sung nhân tố thị trường – Ước lượng bằng phương pháp System GMM.

(Robust, but weakened by many instruments.) Difference-in-Hansen tests of exogeneity of instrument subsets: GMM instruments for levels Hansen test excluding group: chi2(136) = 156.67 Prob > chi2 = 0.108 Difference (null H = exogenous): chi2(32) = 20.67 Prob > chi2 = 0.939 iv(L.rmf L.ri L.rif) Hansen test excluding group: chi2(165) = 177.07 Prob > chi2 = 0.247 Difference (null H = exogenous): chi2(3) = 0.28 Prob > chi2 = 0.964

Phụ lục 6: Kiểm định tác động của các nhân tố moment bậc cao của từng nhóm

xtabond2 rif l(1 2).rif beta skew kurt skew10 skew15 skew20 skew25 skew30 l.skew35 skew40 skew45 kurt10 kurt15 kurt20 kurt25 l.kurt30 l.kurt35 kurt40 l.kurt45, gmm(l.rif beta l.skew l.kurt l.skew25 l.kurt10 l.kurt15 l.kurt45, lag (0 2)) iv( rm l.kurt20 l.rmf) two small Favoring space over speed. To switch, type or click on mata: mata set matafavor speed, perm. Warning: Two-step estimated covariance matrix of moments is singular. Using a generalized inverse to calculate optimal weighting matrix for two-step estimation. Difference-in-Sargan/Hansen statistics may be negative. Dynamic panel-data estimation, two-step system GMM ------------------------------------------------------------------------------ Group variable: name Number of obs = 1225 Time variable : year Number of groups = 259 Number of instruments = 220 Obs per group: min = 2 F(21, 258) = 1275.85 avg = 4.73 Prob > F = 0.000 max = 8 ------------------------------------------------------------------------------ rif | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- rif | L1. | -.2782503 .0084512 -32.92 0.000 -.2948923 -.2616082 L2. | -.2267447 .0059689 -37.99 0.000 -.2384986 -.2149908 | beta | .1671803 .035196 4.75 0.000 .0978723 .2364883 skew | -.0646512 .0298505 -2.17 0.031 -.1234328 -.0058695 kurt | .1639802 .0668706 2.45 0.015 .0322985 .2956618 skew10 | .0659757 .0416168 1.59 0.114 -.0159761 .1479275 skew15 | .1122436 .0300193 3.74 0.000 .0531295 .1713576 skew20 | .0643449 .0323836 1.99 0.048 .0005752 .1281147 skew25 | .1152959 .029359 3.93 0.000 .057482 .1731097 skew30 | .1913842 .0398944 4.80 0.000 .1128242 .2699442 | skew35 | L1. | .0046145 .0155131 0.30 0.766 -.025934 .0351629 | skew40 | .2939513 .0350933 8.38 0.000 .2248455 .363057 skew45 | -.0860025 .0612321 -1.40 0.161 -.2065808 .0345758 kurt10 | -.5158077 .1365657 -3.78 0.000 -.7847331 -.2468823 kurt15 | -.8001761 .0645506 -12.40 0.000 -.9272893 -.6730629 kurt20 | -.6893296 .0704809 -9.78 0.000 -.8281207 -.5505386 kurt25 | -.5800397 .0635874 -9.12 0.000 -.7052561 -.4548233 | kurt30 | L1. | -1.524474 .0857829 -17.77 0.000 -1.693398 -1.35555 | kurt35 | L1. | .4700655 .3346863 1.40 0.161 -.1889991 1.12913 | kurt40 | -.5535841 .1187313 -4.66 0.000 -.78739 -.3197782 | kurt45 |

ngành đến suất sinh lời cổ phiếu – Ước lượng bằng phương pháp System GMM.

L1. | -.284124 .1911639 -1.49 0.138 -.6605643 .0923163 | _cons | .2048293 .0141623 14.46 0.000 .1769408 .2327177 ------------------------------------------------------------------------------ Warning: Uncorrected two-step standard errors are unreliable. Instruments for first differences equation Standard D.(rm L.kurt20 L.rmf) GMM-type (missing=0, separate instruments for each period unless collapsed) L(0/2).(L.rif beta L.skew L.kurt L.skew25 L.kurt10 L.kurt15 L.kurt45) Instruments for levels equation Standard rm L.kurt20 L.rmf _cons GMM-type (missing=0, separate instruments for each period unless collapsed) DL.(L.rif beta L.skew L.kurt L.skew25 L.kurt10 L.kurt15 L.kurt45) ------------------------------------------------------------------------------ Arellano-Bond test for AR(1) in first differences: z = -5.74 Pr > z = 0.000 Arellano-Bond test for AR(2) in first differences: z = -1.02 Pr > z = 0.309 ------------------------------------------------------------------------------ Sargan test of overid. restrictions: chi2(198) = 805.09 Prob > chi2 = 0.000 (Not robust, but not weakened by many instruments.) Hansen test of overid. restrictions: chi2(198) = 198.22 Prob > chi2 = 0.482 (Robust, but weakened by many instruments.) Difference-in-Hansen tests of exogeneity of instrument subsets: GMM instruments for levels Hansen test excluding group: chi2(137) = 170.64 Prob > chi2 = 0.027 Difference (null H = exogenous): chi2(61) = 27.58 Prob > chi2 = 1.000 iv(rm L.kurt20 L.rmf) Hansen test excluding group: chi2(195) = 194.11 Prob > chi2 = 0.505 Difference (null H = exogenous): chi2(3) = 4.11 Prob > chi2 = 0.250

. sum skew, detail Sk ------------------------------------------------------------- Percentiles Smallest 1% -3.11818 -13.38382 5% -.94678 -11.73005 10% -.38471 -7.66983 Obs 1743 25% .28612 -6.41939 Sum of Wgt. 1743 50% .99915 Mean 1.089198 Largest Std. Dev. 1.867521 75% 1.64699 13.46558 90% 2.44247 13.9741 Variance 3.487634 95% 3.1577 15.79492 Skewness 2.072111 99% 9.42745 17.90124 Kurtosis 22.8514

Phụ lục 7: Thống kê chi tiết hệ số skewness