Luận văn Thạc sĩ Kinh tế: Mối quan hệ giữa tỷ suất sinh lợi, khối lượng giao dịch ở thị trường chứng khoán Việt Nam, Trung Quốc và Nhật Bản

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƢỜNG ĐẠI HỌC KINH TẾ THÀNH PHỐ HỒ CHÍ MINH

LÊ MINH TÂN

MỐI QUAN HỆ GIỮA TỶ SUẤT SINH LỢI, KHỐI LƯỢNG

GIAO DỊCH Ở THỊ TRƯỜNG CHỨNG KHOÁN

TẠI VIỆT NAM, TRUNG QUỐC VÀ NHẬT BẢN

LUẬN VĂN THẠC SĨ KINH TẾ

TP. Hồ Chí Minh – Năm 2018

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƢỜNG ĐẠI HỌC KINH TẾ THÀNH PHỐ HỒ CHÍ MINH

LÊ MINH TÂN

MỐI QUAN HỆ GIỮA TỶ SUẤT SINH LỢI, KHỐI LƯỢNG

GIAO DỊCH Ở THỊ TRƯỜNG CHỨNG KHOÁN

TẠI VIỆT NAM, TRUNG QUỐC VÀ NHẬT BẢN

Chuyên ngành: Tài chính-Ngân hàng

Mã số: 8340201

LUẬN VĂN THẠC SĨ KINH TẾ

NGƢỜI HƢỚNG DẪN KHOA HỌC:

TS. LÊ THỊ PHƢƠNG VY

TP. Hồ Chí Minh – Năm 2018

LỜI CAM ĐOAN

Tôi cam kết rằng bài luận này: “MỐI QUAN HỆ GIỮA TỶ SUẤT SINH LỢI,

KHỐI LƢỢNG GIAO DỊCH Ở THỊ TRƢỜNG CHỨNG KHOÁN TẠI VIỆT

NAM, TRUNG QUỐC VÀ NHẬT BẢN” là bài nghiên cứu đƣợc thực hiện bởi

cá nhân tôi.

Không có bài báo/nghiên cứu nào của ngƣời khác đƣợc sử dụng trong bài luận văn

này mà không có trích dẫn theo đúng quy định. Ngoại trừ những tài liệu tham khảo

đƣợc trích dẫn trong luận văn này, tôi cam kết rằng toàn bộ nội dung của bài luận

văn chƣa từng đƣợc công bố hoặc đƣợc sử dụng để nhận bằng cấp ở những trƣờng

đại học hay cơ sở đào tạo nào khác.

Tp.Hồ Chí Minh, ngày 17 tháng 09 năm 2018

Lê Minh Tân

MỤC LỤC

TRANG PHỤ BÌA

LỜI CAM ĐOAN

MỤC LỤC

DANH MỤC BẢNG BIỂU

DANH MỤC CÁC TỪ VIẾT TẮT

PHẦN 1. GIỚI THIỆU ĐỀ TÀI NGHIÊN CỨU ........................................................... 1

1.1. Lý do chọn đề tài ....................................................................................................... 1

1.2. Mục tiêu nghiên cứu .................................................................................................. 2

1.3. Câu hỏi nghiên cứu ................................................................................................... 2

1.4. Phạm vi nghiên cứu ................................................................................................... 2

1.4.1. Đối tượng nghiên cứu .................................................................................. 3

1.4.2. Phạm vi nghiên cứu ..................................................................................... 3

1.5 Ý nghĩa thực tiễn đề tài ............................................................................................. 3

PHẦN 2. TỔNG QUAN CÁC CƠ SỞ LÝ THUYẾT VÀ THỰC NGHIỆM ............... 4

2.1. Cơ sở lý thuyết .......................................................................................................... 4

2.1.1. Khái niệm .................................................................................................... 4

2.1.2. Mối quan hệ đồng thời giữa Tỷ Suất Sinh Lợi và Khối Lượng Giao Dịch

của thị trường chứng khoán. ....................................................................................... 4

2.1.3. Mối quan hệ nhân quả giữa Tỷ Suất Sinh Lợi và Khối Lượng Giao Dịch

của thị trường giao dịch. ............................................................................................. 7

2.2. Các nghiên cứu thực nghiệm ............................................................................... 9

PHẦN 3. PHƢƠNG PHÁP NGHIÊN CỨU VÀ MÔ HÌNH KINH TẾ LƢỢNG ....... 13

3.1. Giả thuyết nghiên cứu ............................................................................................. 13

3.2. Phƣơng pháp nghiên cứu ......................................................................................... 13

3.3. Mô hình kinh tế lƣợng ............................................................................................. 14

3.3.1. Phương trình trung bình có điều kiện ....................................................... 14

3.3.2. Phương trình phương sai – hiệp phương sai có điều kiện ........................ 15

3.3.3. Hàm log – likehood ................................................................................... 16

3.4. Lý do chọn phạm vi nghiên cứu .............................................................................. 17

3.5. Các biến độc lập đƣa mô hình ................................................................................. 17

3.6. Dữ liệu ..................................................................................................................... 19

PHẦN 4. KẾT QUẢ NGHIÊN CỨU ........................................................................... 21

4.1. Kiểm định tính dừng cho chuỗi thời gian ............................................................... 21

4.1.1. Kiểm định tính dừng với Dickey Fuller ..................................................... 21

4.1.2. Kiểm định tính dừng với Phillips Perron .................................................. 22

4.2. Kiểm tra hiệu ứng ARCH ....................................................................................... 23

4.2.1. Kiểm định hiệu ứng ARCH trong phương trình đánh giá tác động của khối

lượng giao dịch lên tỷ suất sinh lợi ........................................................................... 23

4.2.2. Kiểm định hiệu ứng ARCH trong phương trình đánh giá tác động của tỷ

suất sinh lợi lên khối lượng giao dịch ....................................................................... 25

4.3. Kết quả ƣớc lƣợng mô hình ARCH ........................................................................ 26

4.3.1. Lựa chọn độ trễ tối ưu cho mô hình ARCH với AIC và BIC ..................... 26

4.3.2. Kết quả ước lượng mô hình ARCH sau khi lựa chọn độ trễ tối ưu ........... 29

4.4. Kết quả ƣớc lƣợng mô hình GARCH ..................................................................... 31

4.4.1. Kết quả ước lượng mô hình GARCH (1;1) đánh giá tác động của (Vt) lên

................................................................................................................... 33 (Rt)

4.4.2. Kết quả ước lượng mô hình GARCH (1;1) đánh giá tác động của (Rt) lên

................................................................................................................... 34 (Vt)

4.5. Kết quả ƣớc lƣợng mô hình GJR-GARCH ............................................................. 35

4.6. Kiểm định nhân quả Granger .................................................................................. 38

4.6.1. Kiểm định nhân quả Granger cho mô hình ở Việt Nam ........................... 38

4.6.2. Kiểm định nhân quả Granger cho mô hình ở Trung Quốc ........................ 39

4.6.3. Kiểm định nhân quả Granger cho mô hình ở Nhật Bản ............................ 40

PHẦN 5. KẾT LUẬN................................................................................................... 41

5.1. Kết luận ................................................................................................................... 41

5.2. Hạn chế về đề tài ..................................................................................................... 41

TÀI LIỆU THAM KHẢO

PHỤ LỤC

(Nguồn tính toán từ phần mềm kinh tế lượng Stata 12.0)

DANH MỤC BẢNG BIỂU

STT Bảng Nội dung Ghi chú

01 Trang 21 Bảng 4.1 Tổng hợp kết quả kiểm định tính dừng ADF

02 Trang 22 Bảng 4.2 Tổng hợp kết quả kiểm định tính dừng PP

Kiểm định hiệu ứng ARCH trong phƣơng trình

03 Trang 24-25 Bảng 4.3 đánh giá tác động của khối lƣợng giao dịch lên tỷ

suất sinh lợi

Kiểm định hiệu ứng ARCH trong phƣơng trình

04 Trang 25-26 Bảng 4.4 đánh giá tác động của tỷ suất sinh lợi lên khối

lƣợng giao dịch

Lựa chọn độ trễ tối ƣu cho mô hình ARCH với 05 Trang 27 Bảng 4.5 AIC và BIC đánh giá tác động của (Vt) lên (Rt)

Lựa chọn độ trễ tối ƣu cho mô hình ARCH với 06 Trang 28 Bảng 4.6 AIC và BIC đánh giá tác động của (Rt) lên (Vt)

Trang 29-30 Kết quả ƣớc lƣợng mô hình ARCH đánh giá tác 07 Bảng 4.7 động của (Vt) lên (Rt)

Trang 30-31 Kết quả ƣớc lƣợng mô hình ARCH đánh giá tác 08 Bảng 4.8 động của (Rt) lên (Vt)

Trang 33-34 Kết quả ƣớc lƣợng mô hình GARCH đánh giá tác 09 Bảng 4.9 động của (Vt) lên (Rt)

10 Bảng 4.10 Kết quả ƣớc lƣợng mô hình GARCH đánh giá tác Trang 35

động của (Rt) lên (Vt)

Trang 36 Kết quả ƣớc lƣợng mô hình GJR-GARCH đánh 11 Bảng 4.11 giá tác động của (Vt) lên (Rt)

Trang 37 Kết quả ƣớc lƣợng mô hình GJR-GARCH đánh 12 Bảng 4.12 giá tác động của (Rt) lên (Vt)

Trang 39 Kiểm định nhân quả Granger cho mô hình ở Việt 13 Bảng 4.13 Nam

Trang 39 Kiểm định nhân quả Granger cho mô hình ở 14 Bảng 4.14 Trung Quốc

Trang 40 Kiểm định nhân quả Granger cho mô hình ở Nhật 15 Bảng 4.15 Bản

DANH MỤC CÁC TỪ VIẾT TẮT

STT Từ viết tắt Ý nghĩa

SSEC Shanghai Composite Index 01

HOSE Sở Giao dịch Chứng khoán TP. Hồ Chí Minh 02

ARCH AutoRegressive Conditional Heteroskedasticity 03

GARCH Generalised Autoregressive 04

ConditionalHeteroskedasticity

05 TOPIX Tokyo Stock Price Index

1

PHẦN 1. GIỚI THIỆU ĐỀ TÀI NGHIÊN CỨU

1.1. Lý do chọn đề tài

Mối quan hệ giữa tỷ suất sinh lợi và khối lƣợng giao dịch đã thu hút sự quan tâm

nhiều nhà nghiên cứu trong những năm gần đây. Động cơ xuất phát từ nỗ lực để đo lƣờng

và mô hình sự biến động tỷ suất sinh lợi của các tài sản tài chính. Khối lƣợng giao dịch

đƣợc chứng minh là một phần quan trọng trong định giá tài sản tài chính dƣới sự ảnh

hƣởng của thông tin. Khi khối lƣợng giao dịch có sự thay đổi, nó truyền đạt tín hiệu

thông tin mới, các nhà đầu tƣ có thể điều chỉnh kỳ vọng của họ và điều này là nguyên

nhân dẫn đến tỷ suất sinh lợi thay đổi và ngƣợc lại.

Tầm quan trọng giữa tỷ suất sinh lợi và khối lƣợng giao dịch đã đƣợc chỉ ra bởi

Karpoff (1987), ông cung cấp bốn lý do quan trọng để nghiên cứu mối quan hệ giữa tỷ

suất sinh lời và khối lƣợng giao dịch: Đầu tiên, mối quan hệ này cung cấp cái nhìn sâu

sắc về cấu trúc của thị trƣờng tài chính. Thứ hai, nó rất quan trọng trong các nghiên cứu

kết hợp dữ liệu của giá và khối lƣợng giao dịch để rút ra kết luận. Thứ ba, nó quan trọng

trong việc phân tích thực nghiệm của chiến lƣợc đầu cơ giá. Thứ tƣ, quan hệ tỷ suất sinh

lợi và khối lƣợng giao dịch có ý nghĩa quan trọng trong việc nghiên cứu trong các thị

trƣờng giao sau. Rõ ràng, thực sự cần thiết để kiểm định mối quan hệ giữa tỷ suất sinh lợi

và khối lƣợng giao dịch để có thể nâng cao sự hiểu biết về cấu trúc vi mô của thị trƣờng

chứng khoán và sau đó giúp các nhà hoạch định chính sách và những ngƣời tham gia thị

trƣờng trong chiến lƣợc của mình.

Sự ra đời của thị trƣờng chứng khoán Việt Nam năm 2000 là tƣơng đối trễ so với các

nƣớc và mức độ hiểu biết của các nhà đầu tƣ về nó cũng còn nhiều hạn chế. Theo số liệu

Ủy ban chứng khoán nhà nƣớc tính chung đến giữa năm 2018, trên hai sàn có 2090 cổ

phiếu, trái phiếu và chứng chỉ quỹ niêm yết với tổng vốn hóa thị trƣờng là 9.890 triệu tỷ

đồng. Chỉ số VN – Index đứng ở 956.79 điểm, tăng 21%; chỉ số HNX - Index đứng ở

mức 102.51 điểm, tăng 3% so với giữa năm 2017. Có một thực tế rằng có rất ít nghiên

2

cứu thực nghiệm dựa trên tỷ suất sinh lợi và khối lƣợng giao dịch ở thị trƣờng chứng

khoán Việt Nam. Vì vậy, sau hơn mƣời tám năm giao dịch ở thị trƣờng chứng khoán Việt

Nam cần có những thực nghiệm liên quan đến mối quan hệ giữa tỷ suất sinh lợi và khối

lƣợng giao dịch. Bên cạnh đó, theo Giffin et al. (2007) cho rằng mối quan hệ tỷ suất sinh

lợi và khối lƣợng giao dịch ở các thị trƣờng mới nổi sẽ mạnh hơn, và trƣớc đây có nhiều

nghiên cứu và thị trƣờng Mỹ và có rất ít nghiên cứu về thị trƣờng chứng khoán Châu Á,

đặc biệt là thị trƣờng Đông Nam Á. Thêm nữa, nhiều nghiên cứu đã cho thấy có một sự

tƣơng quan đồng thời đồng biến giữa tỷ suất sinh lợi và khối lƣợng giao dịch (Karpoff,

1987), nhƣng bằng chứng thực nghiệm về mối quan hệ nhân quả giữa hai biến là hỗn hợp

và trong một số trƣờng hợp có sự mâu thuẫn. Chính vì vậy, mối quan hệ này vẫn còn là

một lĩnh vực rất thú vị để kiểm định ở một số thị trƣờng chứng khoán nhƣ là thị trƣờng

chứng khoán Việt Nam, Trung Quốc, và Nhật Bản. Từ lý do đó tôi đã chọn đề tài: “Mối

quan hệ giữa tỷ suất sinh lợi, khối lƣợng giao dịch ở thị trƣờng chứng khoán Việt

Nam, Trung Quốc và Nhật Bản” để nghiên cứu.

1.2. Mục tiêu nghiên cứu

Xác định mối quan hệ giữa tỷ suất sinh lợi và khối lƣợng giao dịch trên thị trƣờng

chứng khoán Việt Nam, Trung Quốc và Nhật Bản trong giai đoạn 2010 – 2018.

1.3. Câu hỏi nghiên cứu

Có tồn tại mối quan hệ đồng thời giữa tỷ suất sinh lợi và khối lƣợng giao dịch trên thị

trƣờng chứng khoán Việt Nam, Trung Quốc và Nhật Bản trong giai đoạn 2010 – 2018

không?

Tỷ suất sinh lợi có tác động nhân quả lên khối lƣợng giao dịch trên thị trƣờng chứng

khoán Việt Nam, Trung Quốc và Nhật Bản trong giai đoạn 2010 – 2018 không?

Khối lƣợng giao dịch có tác động nhân quả lên tỷ suất sinh lợi trên thị trƣờng chứng

khoán Việt Nam, Trung Quốc và Nhật Bản trong giai đoạn 2010 – 2018 không?

1.4. Phạm vi nghiên cứu

3

1.4.1. Đối tượng nghiên cứu

Chỉ số giá chứng khoán VN-Index, Shanghai Composite (SSEC), TOPIX Index đóng

cửa cuối ngày và khối lƣợng giao dịch theo tần suất ngày tại thị trƣờng chứng khoán Việt

Nam, Trung Quốc và Nhật Bản.

1.4.2. Phạm vi nghiên cứu

Thị trƣờng chứng khoán Việt Nam, Trung Quốc và Nhật Bản. Mẫu dữ liệu sử dụng

trong bài nghiên cứu bao gồm chỉ số chứng khoán VN-Index, Shanghai Composite

(SSEC), TOPIX Index đóng cửa cuối ngày và khối lƣợng giao dịch theo tần suất ngày

của sở giao dịch chứng khoán thành phố Hồ Chí Minh, sở giao dịch chứng khoán Thƣợng

Hải, và sở giao dịch chứng khoán Tokyo giai đoạn từ năm 2010 đến 2018.

1.5 Ý nghĩa thực tiễn đề tài

Trong khi các bài kiểm định thực nghiệm về sự thay đổi giá chứng khoán và khối

lƣợng giao dịch thì phong phú ở thị trƣờng chứng khoán phát triển thì có tƣơng đối ít

nghiên cứu thực nghiệm trên thị trƣờng mới nổi, cũng nhƣ thị trƣờng chứng khoán Việt

Nam. Luận văn này cho phép chúng ta trả lời câu hỏi quan trọng là liệu có mối quan hệ

giữa sự thay đổi giá chứng khoán và khối lƣợng giao dịch trong trƣờng hợp thị trƣờng

chứng khoán Việt Nam, Trung Quốc và Nhật Bản hay không. Luận văn dùng nhiều kỹ

thuật kinh tế để kiểm định và tôi tin rằng luận văn này góp phần giúp các nhà đầu tƣ

trong nƣớc và quốc tế có một cái nhìn sâu hơn về đặc điểm và mối quan hệ giữa sự thay

đổi giá chứng khoán và khối lƣợng giao dịch ở thị trƣờng Việt Nam, Trung Quốc và Nhật

Bản. Sự hiểu biết mối quan hệ này có ý nghĩa quan trọng đối với cơ quan quản lý và

ngƣời tham gia thị trƣờng khác. Hơn nữa, luận văn này đề cập đến vấn đề thông tin về

giao dịch rất hữu ích trong dự báo sự chuyển động của thị trƣờng.

4

PHẦN 2. TỔNG QUAN CÁC CƠ SỞ LÝ THUYẾT VÀ THỰC NGHIỆM

2.1. Cơ sở lý thuyết

2.1.1. Khái niệm

Tỷ suất sinh lợi là thu nhập có đƣợc từ một khoản đầu tƣ, thƣờng đƣợc biểu thị bằng

tỷ lệ phần trăm giữa thu nhập và giá trị khoản đầu tƣ bỏ ra. Nói cách khác, tỷ suất sinh lợi

trên thị trƣờng chứng khoán là phần trăm chênh lệch giá chứng khoán.

Khối lƣợng giao dịch là số lƣợng đơn vị cổ phiếu đƣợc giao dịch trong một khoản

thời gian nhất định, thông thƣờng là trong một tuần.

Ghysels và cộng sự (2000) đã trình bày ngắn gọn những vấn đề tiêu biểu liên quan đến tỷ

suất sinh lợi và khối lƣợng trong nghiên cứu của ông. Có bốn vấn đề liên quan đến bài

nghiên cứu này:

 Tỷ suất sinh lợi kỳ vọng phụ thuộc vào khối lƣợng giao dịch, mặc dù hệ số âm đƣợc

kì vọng của hiện tƣợng hồi quy đồng thời dƣờng nhƣ phụ thuộc vào các biến điều

kiện và các biến có mặt trong phƣơng trình.

 Mối quan hệ đồng thời dƣơng giữa tính biến động của tỷ suất sinh lợi và khối lƣợng

giao dịch có ý nghĩa.

 Mối quan hệ phi tuyến mạnh giữa giá cả (tỷ suất sinh lợi) và khối lƣợng giao dịch của

thị trƣờng.

 Những biến điều kiện có thể suy yếu một cách đáng kể trong mối quan hệ tuyến tính

giữa tính biến động và khối lƣợng. Chúng tôi tiếp tục kiểm định lại lần nữa những

vấn đề nổi bật trên, và nhấn mạnh khía cạnh những cú sốc.

2.1.2. Mối quan hệ đồng thời giữa Tỷ Suất Sinh Lợi và Khối Lượng Giao Dịch

của thị trường chứng khoán.

Một trong những vấn đề giữa tỷ suất sinh lợi và khối lƣợng giao dịch mà các nhà

nghiên cứu rất quan tâm đó là mối quan hệ đồng thời. Tuy nhiên, kết quả thực nghiệm lại

5

cho ra những kết luận thú vị khác nhau xoay quanh mối quan hệ đồng thời giữa tỷ suất

sinh lợi và khối lƣợng giao dịch này. Mỗi kết quả đều có những ý nghĩa nhất định, tất cả

chúng cho chúng ta cái nhìn toàn diện và rõ nét về mối quan hệ này. Mối quan hệ đồng

thời giữa tỷ suất sinh lợi (sự thay đổi giá) và khối lƣợng ở hai thị trƣờng cổ phiếu và trái

phiếu đƣợc nghiên cứu rất kỹ trong các bài nghiên cứu trƣớc.

Đầu tiên, tồn tại mối quan hệ ngƣợc chiều giữa tỷ suất sinh lợi kỳ vọng và khối lƣợng

giao dịch đƣợc giải thích là kết quả của phần bù rủi ro thanh khoản. Amihud, Y.,

Mendelson, H. và Pedersen, L. H. (2005) thông qua sử dụng mô hình hồi quy chuỗi thời

gian và hồi quy chéo GLS với chuỗi dữ liệu tỷ suất sinh lợi chứng khoán 1961 – 1980 và

dữ liệu chênh lệch giá hỏi mua, chào bán từ năm 1960 -1989 từ chỉ số Fitch trên sàn

chứng khoán NYSE và AMEX. Ý tƣởng chủ đạo ở đây xem xét tác động tính thanh

khoản lên giá cả tài sản. Kết quả thực nghiệm cho thấy định giá tài sản dựa trên tính

thanh khoản đã làm sáng tỏ rằng chính tính thanh khoản giảm đã làm giảm giá chứng

khoán và tăng tỷ suất sinh lợi kỳ vọng; ngoài ra một vài giao dịch ảm đạm giá thấp liên

quan nhiều đến thanh khoản dòng tiền nhƣ hạn chế thiếu thanh khoản, hay chứng khoán

hạn chế, thanh khoản giữ vai trò trong giải quyết các vấn đề nan giải về giá nhƣ hiệu ứng

công ty nhỏ, phần bù lãi suất phi rủi ro. Việc mất tính thanh khoản đƣợc bù đắp bằng tỷ

suất sinh lợi cao hơn tuy nhiên giao dịch tài sản vẫn ảm đạm.

Mặt khác, cũng có nhiều bằng chứng trình bày mối tƣơng quan cùng chiều giữa tỷ

suất sinh lợi và khối lƣợng, điển hình là một bằng chứng vững chắc đƣợc Epps, T. W

(1976) đƣa ra bằng cách sử dụng hai lý thuyết là hàm cầu cá nhân và mô hình hành vi nhà

đầu tƣ, xem xét mối quan hệ giữa giá liên tục và khối lƣợng giao dịch đƣợc ghi nhận từ

tháng 1/1971với bộ dữ liệu gồm 20 trái phiếu lựa chọn ngẫu nhiên trên Sàn giao dịch

chứng khoán New York (NYSE). Tác giả xây dựng mô hình thị trƣờng chứng khoán và

dự đoán chính xác mối quan hệ cùng chiều giữa tỷ suất sinh lợi (thay đổi giá trái phiếu)

và khối lƣợng giao dịch. Mô hình cho thấy tỷ số khối lƣợng trên cho thay đổi giá nhiều

hơn kỳ vọng, lớn hơn tỷ số mà thay đổi giá ít hơn so kỳ vọng. Và độ dốc của đƣờng cầu

6

cá nhân khi thị trƣờng tăng điểm và giảm điểm không khác nhau rõ rệt. Sự khác nhau là

nhỏ, chủ yếu do quan điểm nhà đầu tƣ khác nhau.

Chúng ta sẽ không quá bất ngờ khi vẫn tồn tại những kết quả không rõ ràng trong mối

quan hệ đồng thời giữa tỷ suất sinh lợi và khối lƣợng giao dịch. Giả thuyết này đƣợc củng

cố mạnh mẽ qua nghiên cứu Epps, T. W., & Epps, M. L. (1976) sử dụng mô hình danh

mục hai tham số với dữ liệu từ 1 đến 4 tuần thay đổi giá chứng khoán và khối lƣợng giao

dịch trong tháng 1 năm 1971 của 20 chứng khoán trên Sàn giao dịch chứng khoán New

York(NYSE). Kết quả ủng hộ mạnh mẽ giả thuyết, do hàm phân phối không là hữu hạn

thông thƣờng và nhọn vƣợt chuẩn, và phƣơng sai (thay đổi trong log giá) và khối lƣợng

giao dịch tƣơng quan với nhau. Kết quả ƣớc lƣợng cho thấy khối lƣợng giao dịch và biến

động trong log giá từ giao dịch này đến giao dịch kế tiếp độc lập ngẫu nhiên. Trong khi,

Harris (1987) với cách tiếp cận khác cũng đƣa ra kết luận tƣơng tự. Bằng cách sử dụng

mô hình dữ liệu theo ngày để kiểm tra giả thuyết sự trộn lẫn của các phân phối với giả

định thay đổi của giá là hàm ngẫu nhiên phân phối không chuẩn và đồng nhất theo thời

gian. Tác giả lấy dữ liệu thay đổi giá và khối lƣợng giao dịch theo ngày của 50 chứng

khoán trên Sở giao dịch chứng khoán New York (NYSE) từ 1/12/1981 – 31/1/1983. Qua

mô hình tác giả tin rằng có thể dự báo khối lƣợng dựa vào thông tin không chứa biến

động của dữ liệu trong quá khứ và tất cả nhà đầu tƣ nhận tín hiệu giá cả mới một cách

đồng thời và sự cân bằng luân phiên đƣợc thiết lập. Tuy nhiên, phân tích thay đổi giá và

khối lƣợng giao dịch đƣợc đo lƣờng qua khoảng thời gian giao dịch không chắc các thuộc

tính đã đƣợc tạo ra bởi những thuộc tính giống nhau trong dữ liệu giao dịch đƣợc tìm

thấy. Một bằng chứng thực nghiệm của Richardson, G., Sefcik, S. E., và Thompson, R.

(1986) tìm thấy không có mối tƣơng quan đồng thời nào giữa khối lƣợng và tỷ suất sinh

lợi thông qua ngày công bố chi trả cổ tức. Bằng việc sử dụng mô hình OLS đơn giản, dữ

liệu gồm 192 công ty công bố chi trả cổ tức lần đầu tiên từ năm 1969 đến năm 1982.

Kiểm định về khối lƣợng giao dịch bất thƣờng tại ngày đầu tiên công bố chi trả cổ tức ta

có kết quả quan trọng, trong tuần công bố chi trả cổ tức đầu tiên của công ty, khối lƣợng

7

giao dịch tăng lên đáng kể. Khối lƣợng giao dịch tăng nhẹ sau tuần công bố kéo dài đến

cả tuần không hƣởng cổ tức. Khối lƣợng giao dịch bất thƣờng trong thời gian công bố

“chi trả” đƣợc giải thích là đại diện cho nội dung thông tin trong thông báo, thể hiện tỷ

suất sinh lợi bất thƣờng. Phần không liên quan đến nội dung đƣợc công bố thì không có ý

nghĩa. Mức độ quan trọng của giao dịch khối lƣợng bất thƣờng cho rằng những cản trở

giao dịch nhƣ chi phí và khả năng vốn hóa thị trƣờng vì mục đích thuế làm chậm lại quá

trình chuyển dịch khách hàng. Bên cạnh đó, Karpoff (1988) và Kocagil và Shachmurove

(1998) không tìm thấy bằng chứng về mối quan hệ dƣơng trong những thị trƣờng giao

sau.

2.1.3. Mối quan hệ nhân quả giữa Tỷ Suất Sinh Lợi và Khối Lượng Giao Dịch

của thị trường giao dịch.

Mối quan hệ nhân quả giữa tỷ suất sinh lợi và khối lƣợng giao dịch luôn là đề tài

nghiên cứu và tranh luận của các nhà kinh tế học. Với mỗi đề tài các tác giả lại nghiên

cứu theo những hƣớng tiếp cận khác nhau và dƣờng nhƣ vẫn chƣa đƣa ra kết luận thống

nhất. Một số nghiên cứu thực nghiệm tìm thấy đƣợc khả năng của khối lƣợng giao dịch

để dự báo cho tỷ suất sinh lợi, trong khi những phát hiện khác cho thấy kết quả ngƣợc lại.

Gebka, B., Wohar, M. E. (2013) thông qua phân tích phản ứng xung của mô hình

VAR và xem xét chi tiết dữ liệu biến động hàng ngày, tác giả đƣa ra một ý tƣởng mới để

xem xét tầm quan trọng của các cú sốc âm và dƣơng của tỷ suất sinh lợi lên khối lƣợng

giao dịch và xét cả tác động của các cú sốc có mức độ khác nhau. Kết quả mà các tác giả

tìm ra tồn tại mối tƣơng quan dƣơng mạnh với độ mạnh mối quan hệ giữa tỷ suất sinh lợi

–khối lƣợng giao dịch. Mối tƣơng quan này mạnh hơn đối với nhà đầu tƣ cá nhân và

tƣơng quan yếu đối với nhà đầu tƣ nƣớc ngoài.

Ghysels,E., Gourieroux C. và Jasiak J. (2000) nghiên cứu kiểm tra mối quan hệ nhân

quả các chuỗi tỷ suất sinh lợi và khối lƣợng giao dịch trong dữ liệu tần số cao của các

giao dịch chứng khoán Alcatel trên sàn chứng khoán Paris vào tháng 7, tháng 8/1996

bằng cách sử dụng mô hình hồi quy dƣờng nhƣ không tƣơng quan (SUR Model). Kết quả

8

thực nghiệm của tác giả chỉ ra rằng các phƣơng diện quan hệ nhân quả khác nhau về thời

gian và phụ thuộc vào các chƣơng trình lấy mẫu. Khi phân tích mối quan hệ nhân quả

cùng nhau và lựa chọn trạng thái cho chuỗi khối lƣợng giao dịch thì tồn tại mối quan hệ

tuyến tính đồng thời của khối lƣợng giao dịch lên tỷ suất sinh lợi ngƣỡng khối lƣợng giao

dịch tốt nhất là khoảng 8.28. Tuy nhiên, khi phân tích trong thời gian dƣơng lịch thì lại có

mối quan hệ nhân quả phi tuyến từ khối lƣợng giao dịch lên tỷ suất sinh lợi.

Lee, C. M. C. và Swaminathan, B. (2000) thông qua bộ dữ liệu mẫu bao gồm tất cả

các công ty đƣợc niêm yết trên sàn NYSE và AMEX trong suốt giai đoạn từ tháng 1/1965

đến 12/1995 với ít nhất 2 năm trƣớc ngày thông tin danh mục đầu tƣ cùng với giả thuyết

chu kỳ sống xu thế các tác giả tìm thấy khối lƣợng giao dịch quá khứ chứa đựng những

thông tin giá trị về tỷ suất sinh lợi chứng khoán trong tƣơng lai. Tức là tỷ suất sinh lợi

của chứng khoán sẽ thấp hơn (cao hơn) so với 5 năm trƣớc đó khi khối lƣợng giao dịch

cao hơn (thấp hơn) đƣợc kết hợp với tình trạng hoạt động hiện tại xấu (tốt), tình trạng

hoạt động quá khứ giảm mạnh (nhẹ), tỷ số giá trị sổ sách/giá thị trƣờng cao (thấp), ƣớc

lƣợng tăng trƣởng trong thu nhập dài hạn thấp (cao), các nhân tố phí tăng thêm trên nhân

tố Fama - French HML cao (thấp).

Chuang,C. C.,Kuan, C. M. và Lin H. Y. (2009) đã đo lƣờng mối quan hệ nhân quả

giữa tỷ suất sinh lợi và khối lƣợng giao dịch dựa trên các hồi quy phân vị tập trung vào 3

chỉ số thị trƣờng chứng khoán là: NYSE, S&P 500 và FTSE 100, dữ liệu theo ngày bắt

đầu từ ngày 2/1/1990 đến 30/6/2006. Các tác giả đã tìm thấy tác động nhân quả của khối

lƣợng giao dịch lên tỷ suất sinh lợi là luôn không đồng nhất thông qua các phân vị nhƣng

tác động nhân quả của tỷ suất sinh lợi lên khối lƣợng giao dịch lại ổn định hơn nhiều.

Gebka, B. và Wohar, M. E. (2013) phân tích mối quan hệ nhân quả giữa khối lƣợng

giao dịch trong quá khứ và chỉ số tỷ suất sinh lợi của các quốc gia khu vực Thái Bình

Dƣơng. Kết quả hồi quy OLS chỉ ra không có mối quan hệ nhân quả giữa khối lƣợng giao

dịch và tỷ suất sinh lợi. Tuy nhiên, theo phƣơng pháp hồi quy phân vị tồn tại mối quan hệ

9

nhân quả phi tuyến dƣơng phân vị tỷ suất sinh lợi cao và âm cho phân vị tỷ suất sinh lợi

thấp.

Trong lịch sử các nghiên cứu sớm hơn cũng tồn tại những ý kiến trái chiều về mối

tƣơng quan này. Cụ thể, Cambell và cộng sự (1993), Wang (1994) và Blume và cộng sự

(1994), và một số khác đã đƣa ra những mô hình lý thuyết dự đoán rằng: khối lƣợng giao

dịch chứa những thông tin liên quan đến tỷ suất sinh lợi chứng khoán trong tƣơng lai.

Ngƣợc lại, Shefrin, H. và Staatman, M. (1985) và Gervais, S. và Odean, T. (2001) tìm

thấy mối tƣơng quan dƣơng giữa tỷ suất sinh lợi đƣợc lấy trễ và khối lƣợng giao dịch

hiện tại có thể đƣợc giải thích qua mô hình tài chính hành vi. Và De Long và cộng sự

(1990) đã dung hòa đến một mức độ nhất định đối với những khác biệt của những lý

thuyết ấy.

2.2. Các nghiên cứu thực nghiệm

Đối với các thị trường chứng khoán phát triển:

Jacobs and Onochie (1998) cũng tập trung vào mối quan hệ giữa sự thay đổi tỷ suất sinh

lợi và khối lƣợng giao dịch trên thị trƣờng giao sau. Họ đã sử dụng mô hình GARCH ở

giá trị trung bình hai chiều (bivariate GARCH-M) để kiểm định dữ liệu hằng ngày của

sáu hợp đồng giao sau đƣợc giao dịch trên LIFFE. Các kết quả cũng ủng hộ mối quan hệ

đồng biến giữa khối lƣợng giao dịch và sự thay đổi giá. Hiemstra and Jones (1994) áp

dụng kiểm định nhân quả tuyến tính và phi tuyến ở thị trƣờng chứng khoán Mỹ và tìm

thấy bằng chứng của quan hệ nhân quả Granger một chiều từ tỷ suất sinh lợi chứng khoán

Dow Jones đến phần trăm thay đổi trong khối lƣợng lƣợng giao dịch tại Sở giao dịch

chứng khoán New York, nhƣng quan trọng hơn, họ tìm thấy mối quan hệ nhân quả phi

tuyến hai chiều có ý nghĩa giữa tỷ suất sinh lợi và khối lƣợng giao dịch. Họ cũng tìm thấy

bằng chứng về quan hệ phi tuyến từ khối lƣợng giao dịch đến tỷ suất sinh lợi sau khi điều

chỉnh sự biến động lâu bền trong tỷ suất sinh lợi.

Lee and Rui (2000) nghiên cứu mối quan hệ đồng thời và quan hệ nhân quả giữa khối

lƣợng giao dịch, tỷ suất sinh lợi chứng khoán và sự biến động tỷ suất sinh lợi ở bốn Sở

10

giao dịch chứng khoán tại Trung Quốc. Nghiên cứu sử dựng dữ liệu hằng ngày từ ngày

12/12/1990 đến ngày 31/12/1997 cho Shanghai A Index; từ ngày 21/02/1992 đến ngày

31/12/1997 cho Shanghai B Index; từ ngày 30/09/1992 đến ngày 31/12/1997 cho

Shenzhen A Index; và từ ngày 06/10/1992 đến ngày 31/12/1997 cho Shenzhen B Index.

Kết quả nghiên cứu cho thấy tồn tại quan hệ đồng thời đồng biến giữa khối lƣợng giao

dịch và tỷ suất sinh lợi trên tất cả bốn thị trƣờng tại Trung Quốc. Nghiên cứu sử dụng mô

hình GARCH (1,1), kết quả cho thấy mối quan hệ đồng thời đồng biến giữa khối lƣợng

giao dịch và tỷ suất sinh lợi bảo toàn khi tính đến phƣơng sai của sai số thay đổi. Nghiên

cứu cũng sử dụng mô hình VAR với năm độ trễ thêm vào mô hình GARCH để kiểm định

tác động của độ trễ khối lƣợng giao dịch và sự biến động tỷ suất sinh lợi cho hai chỉ số

giá chứng khoán của Trung Quốc. Kết quả thực nghiệm cho thấy rằng khối lƣợng giao

dịch không tác động nhân quả Granger lên tỷ suất sinh lợi chứng khoán tại các thị trƣờng

Trung Quốc. Hơn nữa, khi kiểm định ảnh hƣởng của thị trƣờng chéo, họ tìm thấy rằng tỷ

suất sinh lợi thị trƣờng Mỹ và Hồng Kông giúp dự đoán tỷ suất sinh lợi chứng khoán

Shanghai A và B trong khi khối lƣợng giao dịch ở các thị trƣờng Mỹ và Hồng Kông

không ảnh hƣởng đến khối lƣợng giao dịch ở các thị trƣờng Trung Quốc. Họ cũng tìm

thấy rằng có mối quan hệ phản hồi của tỷ suất sinh lợi ở các thị trƣờng Trung Quốc. Tỷ

suất sinh lợi Shenzen B có tác động nhân quả Granger lên khối lƣợng giao dịch Shanghai

A và Tỷ suất sinh lợi chứng khoán Shanghai B có thể đƣợc dự đoán bởi khối lƣợng giao

dịch Shenzen B.

Chen et al. (2001) đã kiểm định quan hệ giá khối lƣợng tại chín thị trƣờng chứng khoán

phát triển (Canada, Pháp, Hồng Kông, Ý, Nhật Bản, Hà Lan, Thụy Sĩ, Anh và Mỹ). Kết

quả tìm thấy mối quan hệ đồng biến giữa giá trị tuyệt đối của sự thay đổi giá chứng

khoán và khối lƣợng giao dịch. Họ cũng tìm thấy bằng chứng cho thấy tỷ suất sinh lợi tác

động Granger lên khối lƣợng giao dịch ở thị trƣờng Mỹ, Nhật Bản, Anh, Ý, Hồng Kông,

Hà lan, Pháp, và Thụy Sĩ. Hơn nữa, họ đã cho thấy quan hệ nhân quả Granger hai chiều

11

có ý nghĩa ở các thị trƣờng của Thụy Sĩ, Hà Lan, Canada, và Hồng Kông, chỉ ra rằng

khối lƣợng giao dịch đóng góp một số thông tin đến tỷ suất sinh lợi.

Đối với các thị trường mới nổi châu Á:

Moosa và Al Loughani (1995) kiểm định mối quan hệ giá – khối lƣợng giao dịch tại bốn

thị trƣờng chứng khoán châu Á (Malaysia, Singapore, Thái Lan và Philipines), sử dụng

dữ liệu hàng tháng. Họ đã tìm thấy bằng chứng mạnh mẽ cho quan hệ nhân quả từ khối

lƣợng đến sự thay đổi giá, và từ sự thay đổi giá đến khối lƣợng giao dịch ở Malaysia,

Singapore và Thái Lan, nhƣng không có quan hệ nhân quả ở Philipines do quy mô nhỏ

của thị trƣờng này.

Silvapulle and Choi (1999) sử dụng các kiểm định nhân quả tuyến tính và phi tuyến để

kiểm định mối quan hệ năng động giữa tỷ suất sinh lợi chứng khoán và khối lƣợng giao

dịch hằng ngày ở Hàn Quốc. Họ tìm thấy mối quan hệ nhân quả Granger tuyến tính và

phi tuyến hai chiều giữa tỷ suất sinh lợi chứng khoán và sự thay đổi khối lƣợng giao dịch.

Kamath et al. (2005) đã kiểm định mối quan hệ giữa tỷ suất sinh lợi chứng khoán và khối

lƣợng giao dịch trong bốn thị trƣờng mới nổi ở Malaysia, Indonesia, Thái lan và Hàn

Quốc. Ở Malaysia và Indonesia, họ thấy rằng quan hệ nhân quả cả hai hƣớng. Tuy nhiên,

ở Thái Lan và Hàn Quốc, họ thấy rằng chỉ có tỷ suất sinh lợi tác động nhân quả Granger

lên khối lƣợng giao dịch.

Một nghiên cứu khác của Kamath và Wang (2006) tại sáu thị trƣờng chứng khoán phát

triển ở Châu Á (Hồng Kông, Malaysia, Singapore, Hàn Quốc, Đài Loan, Indonesia) trong

thời gian từ tháng 01/2003 đến tháng 10/2005. Tại Malaysia, Singapore, Hàn Quốc, và

Đài Loan, họ đã cung cấp bằng chứng cho thấy sự đi lên của thị trƣờng đi kèm với sự gia

tăng trong khối lƣợng và ngƣợc lại. Hơn nữa, họ cũng phát hiện ra rằng, sự tƣơng quan

giữa tỷ suất sinh lợi dƣơng và khối lƣợng là đồng biến và sự tƣơng quan giữa tỷ suất sinh

lợi âm và khối lƣợng là nghịch biến. Mối quan hệ giữa giá thuần túy-khối lƣợng giao dịch

đƣợc tìm thấy là đồng biến có ý nghĩa thống kê ở hầu hết sáu thị trƣờng, ngoại trừ thị

12

trƣờng Indonesia. Họ cũng tìm thấy mối quan hệ nhân quả hai chiều ở bốn thị trƣờng là

Hồng Kông, Indonesia, Malaysia và Singapore. Nhƣng ở thị trƣờng Đài Loan, họ tìm

thấy khối lƣợng giao dịch có tác động Granger lên tỷ suất sinh lợi, tại thị trƣờng Hàn

Quốc, họ tìm thấy tỷ suất sinh lợi có tác động nhân quả Granger lên khối lƣợng giao dịch.

13

PHẦN 3. PHƢƠNG PHÁP NGHIÊN CỨU VÀ MÔ HÌNH KINH TẾ LƢỢNG

3.1. Giả thuyết nghiên cứu

Để làm rõ mục tiêu nghiên cứu, bài nghiên cứu này phân tích bao gồm hai phần:

- Về mối quan hệ đồng thời giữa thay đổi giá chứng khoán giao dịch, nhiều nghiên

cứu trƣớc đây đã cho thấy có mối quan hệ đồng thời đồng biến giữa chúng. Vì vậy,

bài nghiên cứu có giả thuyết nhƣ sau:

Giả thuyết 1: Khối lƣợng giao dịch ảnh hƣởng đồng thời đồng biến đến tỷ suất sinh lợi

chứng khoán.

- Về mối quan hệ nhân quả giữa sự thay đổi giá chứng khoán và khối lƣợng giao

dịch, các tài liệu chỉ ra rằng quan hệ nhân quả giữa chúng cần đƣợc xem xét. Vì

vậy, bài nghiên cứu có giả thuyết

Giả thuyết 2: Tỷ suất sinh lợi chứng khoán có tác động nhân quả lên khối lƣợng giao

dịch.

Giả thuyết 3: Khối lƣợng giao dịch có tác động nhân quả lên tỷ suất sinh lợi chứng

khoán.

3.2. Phƣơng pháp nghiên cứu

Bài nghiên cứu sử dụng phƣơng pháp thống kê mô tả các biến chi tiết về số quan sát,

trung bình mẫu, thống kê D của kiểm định Kolmogorov – Smirnov để kiểm tra phân phối

chuẩn, hệ số tự tƣơng quan bậc 1, , tổng của 5 hệ số tự tƣơng quan đầu tiên, S5, và

kiểm định LM cho tín hiệu ARCH với độ trễ là 8, cho tỷ suất sinh lợi và khối lƣợng giao

dịch đã đƣợc loại bỏ yếu tố xu hƣớng.

Bài nghiên cứu sử dụng kiểm định quan hệ nhân quả Granger và mô hình GJR –

GARCH hai chiều để kiểm định các giả thuyết đƣợc đề xuất. Về mặt lý thuyết, các kiểm

định này chỉ thích hợp khi các biến phân tích là có tính dừng. Do đó, trƣớc cần phải tiến

14

hành kiểm định tính dừng của chuỗi dữ liệu. Bài nghiên cứu áp dụng nghiệm đơn vị dựa

trên kiểm định Dickey – Fuller mở rộng (ADF) để kiểm định tính dừng.

Theo các nghiên cứu trƣớc đây, bài nghiên cứu sử dụng tiêu chuẩn thông tin Schwarz

để lựa chọn độ trễ (k) tối ƣu cho mô hình ADF. Trong bài nghiên cứu này, tiêu chuẩn

AIC đƣợc sử dụng để xác định chiều dài độ trễ tối ƣu của mô hình Granger.

3.3. Mô hình kinh tế lƣợng

3.3.1. Phương trình trung bình có điều kiện

Để điều tra mối quan hệ giữa tỷ suất sinh lợi và khối lƣợng giao dịch, bài nghiên cứu

này sử dụng phƣơng trình phƣơng sai có điều kiện của mô hình GJR – GARCH hai

chiều, theo nhƣ nghiên cứu của Wen – I Chuang và cộng sự (2012):

(3) ∑ ∑

Trong đó là tỷ suất sinh lợi của chứng khoán tại ngày t.

Vtlà khối lƣợng giao dịch tại thời điểm t.

Độ trễ của phƣơng trình (3) đƣợc chọn theo tiêu chuẩn AIC (Akaike Information

đại diện cho tính biến động

Criterion).

Bài nghiên cứu này sử dụng sai số bình phƣơng độ trễ

(rủi ro). Theo nghiên cứu của Lamoureux và Lastrapes (1990), Jones và cộng sự (1994),

cấu trúc phƣơng trình này cho phép tôi kiểm tra xem liệu biến động tỷ suất sinh lợi có

ảnh hƣởng tới khối lƣợng giao dịch.

Mặc dù các tiêu chuẩn kỹ thuật trong phƣơng trình trung bình có điều kiện (3) không

phải là một hình thức chuẩn của mô hình VAR. Tính hợp lý của kiểm định nhân quả cũng

tƣơng tự nhƣ kiểm định nhân quả Granger (Granger 1969).

Trong phƣơng trình (3)

15

Hệ số đo lƣờng mối quan hệ nhân quả giữa tỷ suất sinh lợi hiện tại và khối

lƣợng giao dịch đƣợc lấy trễ.

Sự bác bỏ giả thuyết H0 rằng khối lƣợng giao dịch không có mối quan hệ nhân quả

với tỷ suất sinh lợi (tức là, , với tất cả b). Điều này cho thấy rằng có một mối

quan hệ nhân quả chạy từ khối lƣợng giao dịch tới tỷ suất sinh lợi. Theo nhƣ nghiên cứu

của Chordia và Swaminathan (2000), bài nghiên cứu này cũng kiểm tra xem liệu tổng của

các hệ số trong phƣơng trình (3) có lớn hơn 0. Do đó, bài nghiên cứu này không chỉ

kiểm định nhân quả Granger mà còn kiểm định tác động ròng của nhân quả Granger.

3.3.2. Phương trình phương sai – hiệp phương sai có điều kiện

Để lập mô hình cú sốc cho xu hƣớng thứ hai của tỷ suất sinh lợi và KLGD, bài

nghiên cứu này sử dụng mô hình GARCH tƣơng quan hai chiều, đƣợc đề xuất bởi

Bollerslev (1990). Đối với phƣơng sai có điều kiện, bài nghiên cứu này sử dụng mô hình

GJR – GARCH hai chiều, đƣợc đề xuất bới Glosten và cộng sự (1993). Chi tiết kỹ thuật

này cho phép cú số âm và cú sốc dƣơng có tác động khác nhau, tức là tác động bất cân

xứng tới phƣơng sai có điều kiện. Quy trình GJR – GARCH đối với tỷ suất sinh lợi và

khối lƣợng giao dịch đƣợc xem xét dƣới đây:

( )

∑

∑ ( ) ∑

(4)

là phƣơng trình phƣơng sai có điều kiện của tỷ suất sinh lợi

Trong đó

là biến giả nhận giá trị 1 nếu và ngƣợc lại nhận giá trị 0. Chính điều này

làm cho mô hình linh hoạt hơn, cho phép kiểm tra tín hiệu ARCH và tín hiện GARCH

trong phƣơng trình (4) có tác động tới tỷ suất sinh lợi và khối lƣợng giao dịch. Mô hình

GARCH tƣơng quan cố định (CC – GARCH) áp đặt những giới hạn tới hiệp phƣơng sai

giữa tỷ suất sinh lợi và khối lƣợng giao dịch:

16

(5)

Trong đó đại diện cho hệ số tự tƣơng quan.

Tác động bất cân xứng của thông tin xấu đƣợc đại diện bởi tham số trong phƣơng

trình (4). Thí dụ, nếu , một cú sốc tỷ suất sinh lợi âm có tác động lớn hơn tới

phƣơng sai có điều kiện của tỷ suất sinh lợi hơn là cú sốc tỷ suất sinh lợi dƣơng có cùng

mức độ.

Thêm vào đó, để phát hiện mối quan hệ nhân quả giữa biến động tỷ suất sinh lợi và

khối lƣợng giao dịch, bài nghiên cứu kết hợp độ trễ của khối lƣợng giao dịch trong

phƣơng trình (4). Do đó tham số có thể đƣợc sử dụng để kiểm tra tác động khối

lƣợng giao dịch đƣợc lấy trễ tới biến động tỷ suất sinh lợi hiện tại. Thí dụ, nếu khối lƣợng

giao dịch lấy trễ có tác động tới biến động tỷ suất sinh lợi hiện tại thì tham số có ý

nghĩa thống kê.

3.3.3. Hàm log – likehood

Để tính toán độ nhọn vƣợt mức của các cú sốc tới tỷ suất sinh lợi và khối lƣợng giao

dịch, đƣợc đề cập trong bảng 3.1, bài nghiên cứu này học tập theo Bollerslev (1987) bằng

cách giả sử rằng cú sốc có điều kiện trong phƣơng trình (3) tuân theo phân phối t-Student

đa chiều. Mô hình hoàn chỉ theo công thức sau:

| [ ]

(6) | ( )

]

(7) [

Trong đó là thông tin đƣợc thiết lập tại thời điểm t – 1 và s là mức tham số tự do

của phân phối t – Student đa chiều trong phƣơng trình (6). Trong mô hình GARCH tƣơng

quan cố định, chỉ có ma trận là ma trận biến đổi theo thời gian, nhƣng phƣơng trình

chéo tƣơng quan có điều kiện đƣợc giả sử là cố định. Giả sử này dẫn đến giảm phần lớn

17

các tính toán phức tạp và thƣờng đƣợc sử dụng trong mô hình GARCH nhiều chiều –

xem Baille và Bollerslev (1990), Chan và cộng sự (1991), Tse và Tsui (2002).

Mô hình GJR – GARCH hai chiều đƣợc ƣớc lƣợng bằng cách tối đa hóa hàm log –

likelihood:

( ) ∑ [ (

) ( ) [( ) ]]

∑ [ | | ( ) (

]

Trong đó n là số đại lƣợng ngẫu nhiên trong mô hình, với bài nghiên cứu này là 2, tức

là và là vector tham số của mô hình đƣợc ƣớc lƣợng. Các suy luận thống kê của

mô hình đƣợc tạo ra bằng cách sử dụng các sai số chuẩn đƣợc phát triển bởi Bollerslev và

Wooldridge (1992).

3.4. Lý do chọn phạm vi nghiên cứu

Theo phân loại MSCI, tháng 6/2018, Nhật Bản thuộc nhóm đã phát triển, Trung

Quốc thuộc nhóm mới nổi và Việt Nam thuộc nhóm cận biên. Do đó, tác giả chọn thị

trƣờng Trung Quốc, và Nhật Bản để nghiên cứu vì quy mô thị trƣờng lớn và lƣợng thông

tin đầy đủ, để so sánh với đại diện cho thị trƣờng cận biên là Việt Nam để đƣa ra kết luận

chính xác hơn.

Lý do chọn thời điểm nghiên cứu từ tháng 01/2010 đến tháng 08/2018 vì trƣớc đây

đã có rất nhiều các nghiên cứu trên thị trƣờng phát triển, cũng nhƣ là thị trƣờng Mỹ trƣớc

giai đoạn khủng hoảng kinh tế toàn cầu năm 2007. Vì vậy tác giả chọn thời điểm sau giai

đoạn khủng hoảng 3 năm để thị trƣờng tƣơng đối ổn định cho ra kết quả tốt và chính xác

hơn để đƣa ra kết luận gần nhất với thực tiễn, nhằm giúp cho các cơ quản quản lý và nhà

đầu tƣ trong chiến lƣợc của mình.

3.5. Các biến độc lập đƣa mô hình

18

Tỷ suất sinh lợi theo ngày của thị trƣờng chứng khoán Việt Nam, đƣợc đại diện

bằng chỉ số VN – INDEX, Shanghai Composite (SSEC), TOPIX Index theo công thức

sau:

) (

Trong đó: là tỷ suất sinh lợi theo ngày

là chỉ số thị trƣờng ngày t

là chỉ số thị trƣờng ngày t-1.

Theo bài nghiên cứu của Wen – I Chuang và cộng sự (2012) cho 10 thị trƣờng chứng

khoán Đông Bắc Á và Đông Nam Á có một tác động nhân quả dƣơng chạy từ tỷ suất sinh

lợi tới khối lƣợng giao dịch trên thị trƣờng chứng khoán. Từ phát hiện này, các nhà đầu

tƣ trên thị trƣờng chứng khoán có thể suy luận rằng mức độ thanh khoản đƣợc đo lƣờng

bởi khối lƣợng giao dịch sẽ tăng sau khi thị trƣờng tăng giá.

Khối lƣợng giao dịchtheo ngày của thị trƣờng chứng khoán Việt Nam, Trung Quốc

và Nhật Bản đƣợc làm đại diện bằng lấy logarit số lƣợng cổ phiếu giao dịch trong ngày.

Theo nghiên cứu của Lo và Wang (2000), khi tính logarit của số lƣợng cổ phiếu giao

dịch trong ngày là một biện pháp đo lƣờng khối lƣợng giao dịch thô. Theo nhƣ các

nghiên cứu thực nghiệm thì trong chuỗi dữ liệu khối lƣợng giao dịch tồn tài cả xu hƣớng

tuyến tính và xu hƣớng phi tuyến bậc hai và do đó khử xu hƣớng của nó thì sẽ đạt đƣợc

một chuỗi dữ liệu dừng, thí dụ xem Gallant và cộng sự (1992) và Lo và Wang (2000).

Bài nghiên cứu này kiểm tra tính dừng của chuỗi dữ liệu về khối lƣợng giao dịch thô

bằng cách hồi quy khối lƣợng giao dịch theo một hàm xác định của hàm xu hƣớng tuyến

tính và một hàm xác định của xu hƣớng theo tuyến tính và phi tuyến bậc hai.

Phƣơng trình hồi quy theo xu hƣớng tuyến tính:

(1)

19

Trong đó: Trend là biến xu hƣớng.

Phƣơng trình hồi quy theo xu hƣớng tuyến tính và phi tuyến bậc hai:

(2)

Trong đó: Trend là biến xu hƣớng.

Nếu biến xu hƣớng tuyến tính và (hoặc) biến xu hƣớng phi tuyến bậc hai có ý nghĩa

thống kê trong hai phƣơng trình hồi quy trên, bài nghiên cứu này sử dụng phần dƣ của

phƣơng trình hồi quy đại điện cho biến khối lƣợng giao dịch đã loại bỏ yếu tố xu hƣớng.

Theo nghiên cứu của Wen – I Chuang và cộng sự (2012) không có tác động nhân quả

từ khối lƣợng giao dịch tới tới tỷ suất sinh lợi trị trƣờng chứng khoán các nƣớc Đông Bắc

Á và Đông Nam Á (trừ thị trƣờng chứng khoán Đài Loan và Trung Quốc). Điều này kỳ

vọng giống trƣờng hợp Việt Nam, các nhà đầu tƣ trên thị trƣờng chứng khoán Việt Nam

không thể dựa vào khối lƣợng giao dịch để dự đoán xu hƣớng tƣơng lai của thị trƣờng

chứng khoán Việt Nam.

Độ rủi ro đƣợc đo lƣờng bằng phần dƣ tỷ suất sinh lợi bình phƣơng đƣợc lấy trễ tới

khối lƣợng giao dịch, đƣợc đo lƣờng bằng .

Chordia và cộng sự (2008) tìm thấy rằng thanh khoản kích thích hoạt động kinh

doanh chênh lệch giá. Do đó, những phát hiện của bài nghiên cứu này cho thấy rằng biến

động tỷ suất sinh lợi và tỷ suất sinh lợi quá khứ có thể hàm chứa những thông tin hữu ích

cho hoạt động kinh doanh chênh lệch giá. Kết quả này cho thấy kỳ vọng một tác động

nhân quả dƣơng chạy từ biến động tỷ suất sinh lợi tới khối lƣợng giao dịch trên thị trƣờng

chứng khoán Việt Nam.

3.6. Dữ liệu

Bài nghiên cứu sử dụng dữ liệu cuối ngày của chỉ số giá chứng khoán VN – INDEX,

Shanghai Composite, TOPIX Index và khối lƣợng giao dịch, từ ngày 04/01/2010 đến

20

ngày 08/08/2018, đại diện cho thị trƣờng chứng khoán Việt Nam, Trung Quốc và Nhật

Bản. Dữ liệu này đƣợc lấy từ website cophieu68.vn, và vn.investing.com.

21

PHẦN 4. KẾT QUẢ NGHIÊN CỨU

4.1. Kiểm định tính dừng cho chuỗi thời gian

Trƣớc khi áp dụng bất kỳ mô hình nào cho chuỗi dữ liệu, cần kiểm định nghiệm đơn vị

để đảm bảo rằng tất cả các chuỗi là dừng, và để tránh hồi quy giả. Bài nghiên cứu sử

dụng các kiểm định nghiệm đơn vị dựa trên kiểm định Dickey-Fuller mở rộng (ADF) và

kiểm định Phillips-Perron (PP). Kiểm định ADF đƣợc sử dụng với chặn và không có xu

hƣớng.

4.1.1. Kiểm định tính dừng với Dickey Fuller

Kiểm định tính dừng cho chuỗi tỷ suất sinh lợi chứng khoán (Rt) và khối lƣợng giao dịch

(Vt):

Bảng 4.1: Tổng hợp kết quả kiểm định tính dừng ADF

Kiểm định tính dừng cho Rt

P-value cho ADF Test Statistic Critical Value 1% Critical Value 5% Critical Value 10% Việt Nam Trung Quốc Nhật Bản 0.0000 -43.824 -3.43 -2.86 -2.57 0.0000 -42.351 -3.43 -2.86 -2.57

0.0000 -41.965 -3.43 -2.86 -2.57 Kiểm định tính dừng cho Vt

P-value cho ADF Test Statistic Critical Value 1% Critical Value 5% Critical Value 10% Việt Nam Trung Quốc Nhật Bản 0.0000 -7.428 -3.43 -2.86 -2.57 0.0116 -3.381 -3.43 -2.86 -2.57 0.0000 -7.703 -3.43 -2.86 -2.57

Bảng 4.1 trình bày tổng hợp kết quả của các kiểm định tính dừng với ADF. Chuỗi tỷ suất

sinh lợi (Rt) của ba thị trƣờng chứng khoán Việt Nam, Trung Quốc, và Nhật Bản có giá

trị P-value cho kiểm định Dickey Fuller đều bằng 0, giá trị này nhỏ hơn mức α = 5%.

Điều này cho ta kết luận rằng chuỗi tỷ suất sinh lợi Rt của ba thị trƣờng chứng khoán là

22

một chuỗi dừng. Kết quả này là đồng nhất, khi mà kiểm định Dickey Fuller cho giá trị

Test Statistic nhỏ hơn giá trị Critical Value tại mức α = 5%.

Chuỗi khối lƣợng giao dịch (Vt) của hai thị trƣờng chứng khoán Việt Nam, Trung Quốc

có giá trị P-value cho kiểm định Dickey Fuller đều bằng 0, và p-value của thị trƣờng

chứng khoán Nhật Bản bằng 0.0116, giá trị này nhỏ hơn mức α = 5%. Điều này cho ta kết

luận rằng chuỗi khối lƣợng giao dịch Vt của ba thị trƣờng chứng khoán là một chuỗi

dừng. Kết quả này là đồng nhất, khi mà kiểm định Dickey Fuller cho giá trị Test Statistic

nhỏ hơn giá trị Critical Value tại mức α = 5%.

Điều này kết luận rằng tất cả các chuỗi kiểm định Rt và Vt đều có tính dừng tại mức α =

5%.

4.1.2. Kiểm định tính dừng với Phillips Perron

Bảng 4.2: Tổng hợp kết quả kiểm định tính dừng PP

Kiểm định tính dừng cho Rt

P-value cho PP Test Statistic Critical Value 1% Critical Value 5% Critical Value 10% Việt Nam Trung Quốc Nhật Bản 0.0000 -43.827 -3.43 -2.86 -2.57 0.0000 -42.39 -3.43 -2.86 -2.57

0.0000 -42.173 -3.43 -2.86 -2.57 Kiểm định tính dừng cho Vt

P-value cho PP Test Statistic Critical Value 1% Critical Value 5% Critical Value 10% Việt Nam Trung Quốc Nhật Bản 0.0000 -5.443 -3.43 -2.86 -2.57 0.0000 -5.505 -3.43 -2.86 -2.57 0.1967 -2.227 -3.43 -2.86 -2.57

Bảng 4.2 trình bày tổng hợp kết quả của các kiểm định tính dừng PP. Chuỗi tỷ suất sinh

lợi (Rt) của ba thị trƣờng chứng khoán Việt Nam, Trung Quốc, và Nhật Bản có giá trị P-

value cho kiểm định Phillips Perron đều bằng 0, giá trị này nhỏ hơn mức α = 5%. Điều

23

này cho ta kết luận rằng chuỗi tỷ suất sinh lợi Rt của ba thị trƣờng chứng khoán là một

chuỗi dừng. Kết quả này là đồng nhất, khi mà kiểm định Phillips Perron cho giá trị Test

Statistic nhỏ hơn giá trị Critical Value tại mức α = 5%. Do đó giả thuyết H0về chuỗi sự

thay đổi giá (Rt) là không dừng (Tức là tồn tại một nghiệm đơn vị) bị bác bỏ ở mức ý

nghĩa 5% cho tất cả các chuỗi.

Chuỗi khối lƣợng giao dịch (Vt) tại thị trƣờng Nhật Bản có p-value bằng 0.1967, giá trị

này lớn hơn mức α = 10%, 5%, và 1%. Do đó, khi kiểm định Phillips Perron cho chuỗi

khối lƣợng giao dịch (Vt), thì chuỗi (Vt) tại thị trƣờng Nhật Bản là không dừng. Tuy

nhiên theo kiểm định ADF, chuỗi khối lƣợng giao dịch (Vt) tại thị trƣờng Nhật Bản có

tính dừng tại mức ý nghĩa 5%. Nên ta vẫn có thể tiến hành ƣớc lƣợng mô hình.

4.2. Kiểm tra hiệu ứng ARCH

Để kiểm tra các phƣơng trình hồi quy có tồn tại hiệu ứng ARCH hay không để biết các

phƣơng trình này cần ƣớc lƣợng theo phƣơng pháp ƣớc lƣợng ARCH/GARCH thay vì

phƣơng pháp ƣớc lƣợng OLS, ta tiến hành các kiểm định hiệu ứng ARCH.

4.2.1. Kiểm định hiệu ứng ARCH trong phương trình đánh giá tác động của

khối lượng giao dịch lên tỷ suất sinh lợi

Mô hình ARCH nhằm đánh giá mức độ biến động của một chuỗi Yt bất kỳ thông qua

đánh giá sự biến động phƣơng sai của chuỗi Yt ấy. Trong bài nghiên cứu này thì chuỗi Yt

lần lƣợt đƣợc đại diện cho chuỗi tỷ suất sinh lợi của chứng khoán Rt ở mô hình ARCH

(4.1a)(4.1b) và chuỗi khối lƣợng cổ phiếu Vt ở mô hình (4.2a) (4.2b). Khi này mô hình

ARCH sẽ đƣợc sử dụng để đánh giá phƣơng sai của các kỳ trƣớc tác động nhƣ thế nào

đến phƣơng sai tại kỳ này từ đó giúp các nhà đầu tƣ đƣa ra các quyết định đầu tƣ hiệu quả

hơn, và để kiểm định chắc chắn rằng phƣơng sai của chuỗi Yt là thay đổi theo thời gian

và phƣơng sai của kỳ trƣớc tác động lên phƣơng sai của kỳ này tác giả sử dụng mô hình

ARCH với độ trễ Q, sau đó sử dụng kiểm định hiệu ứng ARCH để đánh giá xem liệu có

tồn tại tác động của phƣơng sai kỳ trƣớc lên phƣơng sai kỳ này hay không. Trong phần

24

kiểm định hiệu ứng ARCH tác giả chọn độ trễ Q bằng 8, lƣu ý rằng chúng ta có thể chọn

độ trễ Q với một giá trị N bất kỳ lớn hơn 1 (do đánh giá tác động phƣơng sai của nhiều kỳ

trƣớc chứ không phải 1 kỳ duy nhất). Ở phƣơng trình gốc (4.1a) thì chuỗi Vt đóng vai trò

nhƣ nhân tố có tác động đến mức độ biến động của chuỗi tỷ suất sinh lợi Rt, việc đƣa Vt

vào phƣơng trình gốc nhằm tránh hiện tƣợng bỏ sót biến từ đó đƣa ra những đánh giá sai

lệch trong mô hình ARCH.

(4.1a)

(4.1b)

Lƣu ý rằng đại diện cho mức độ biến động của phƣơng sai tính đến thời điểm (t-1),

còn đƣợc xem nhƣ là tập hợp của thông tin thị trƣờng tính đến thời điểm (t-1). Để

phƣơng sai luôn dƣơng chúng ta phải xét thêm điều kiện của một chuỗi ARCH bậc Q

nhƣ sau.

Điều kiện:

và

Chạy kiểm định ARCH bằng phần mềm Stata ta đƣợc các kết quả nhƣ sau:

Bảng 4.3: Kiểm định hiệu ứng ARCH trong phƣơng trình đánh giá tác động của

khối lƣợng giao dịch lên tỷ suất sinh lợi

Độ trễ Việt Nam Trung Quốc Nhật Bản

lags(p) 1 2 3 4 5 6 7 df 1 2 3 4 5 6 7 chi2 97.79 229.847 242.186 254.969 259.954 258.962 261.928 Prob > chi2 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 Prob > chi2 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 Prob > chi2 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 chi2 101.948 202.184 252.424 278.041 291.084 291.05 294.143 chi2 95.816 109.11 146.752 146.69 148.472 149.269 153.841

25

8 8 264.273 0.0000 0.0000 0.0000 295.093 162.193

Nhận xét: Mô hình đánh giá tác động của khối lƣợng giao dịch lên tỷ suất sinh lợi của

ba thị trƣờng chứng khoán Việt Nam, Trung Quốc và Nhật Bản sau khi đƣợc tác giả

kiểm định hiệu ứng ARCH từ độ trễ 1 cho đến độ trễ 8 đều cho giá trị p-value bằng 0

nhỏ hơn mức α = 5%. Điều này cho thấy các phƣơng trình hồi quy có hiệu ứng Arch từ

độ trễ 1 cho đến độ trễ 8.

4.2.2. Kiểm định hiệu ứng ARCH trong phương trình đánh giá tác động của tỷ

suất sinh lợi lên khối lượng giao dịch

Tƣơng tự trong phƣơng trình bên dƣới, tác giả đánh giá mức biến động của khối lƣợng

giao dịch xét thêm ảnh hƣởng của tỷ suất sinh lợi cổ phiếu.

(4.2a)

(4.2b)

Điều kiện:

và

Chạy kiểm định ARCH bằng phần mềm Stata ta đƣợc các kết quả nhƣ sau:

Bảng 4.4: Kiểm định hiệu ứng ARCH trong phƣơng trình đánh giá tác động của tỷ

suất sinh lợi lên khối lƣợng giao dịch

Độ trễ Việt Nam Trung Quốc Nhật Bản

lags(p) 1 2 3 4 5 6 7 df 1 2 3 4 5 6 7 Prob > chi2 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 Prob > chi2 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 Prob > chi2 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 chi2 1416.58 1487.47 1516.9 1524.71 1526.68 1526.12 1525.26 chi2 1660.83 1694.23 1705.05 1713 1712.69 1713.16 1712.37 chi2 1125.03 1161.92 1176.98 1183.77 1190.46 1190.29 1190.06

26

8 8 0.0000 0.0000 0.0000 1525.08 1713.84 1191.71

Nhận xét: Mô hình đánh giá tác động của tỷ suất sinh lợi lên khối lƣợng giao dịch của

ba thị trƣờng chứng khoán Việt Nam, Trung Quốc và Nhật Bản sau khi đƣợc tôi kiểm

định hiệu ứng ARCH từ độ trễ 1 cho đến độ trễ 8 đều cho giá trị p-value bằng 0 nhỏ hơn

mức α = 5%, tôi bác bỏ giả thiết H0. Điều này cho thấy các phƣơng trình hồi quy có

hiệu ứng Arch từ độ trễ 1 cho đến độ trễ 8.

4.3. Kết quả ƣớc lƣợng mô hình ARCH

4.3.1. Lựa chọn độ trễ tối ưu cho mô hình ARCH với AIC và BIC

Trong mô hình ARCH chúng ta kiểm tra hiệu ứng ARCH cho đến một độ trễ Q bất kỳ,

trong bài nghiên cứu này tác giả kiểm tra đến độ trễ Q bằng 8, tuy nhiên thực tế hiệu ứng

ARCH của ba chuỗi đại diện cho 3 thị trƣờng chứng khoán Việt Nam, Trung Quốc, Nhật

Bản có hiệu ứng ARCH lớn hơn độ trễ Q rất nhiều, và để giảm thiểu sự cồng kềnh của

mô hình ARCH khi phải kiểm soát độ trễ Q quá lớn tác giả quyết định chạy ARCH với

độ trễ tối ƣu căn cứ vào việc lựa chọn AIC và BIC cho mô hình ARCH với từng độ trễ từ

1 cho đến 8, kết quả các chuỗi ứng với 3 thị trƣờng Việt Nam, Trung Quốc, Nhật Bản có

độ trễ tối ƣu tƣơng ứng là 7, 7 và 4. Kết quả đƣợc trình bày ở bên dƣới:

- Lựa chọn độ trễ tối ƣu cho mô hình ARCH đánh giá tác động của khối lƣợng giao dịch

lên tỷ suất sinh lợi.

(4.1a)

(4.1b)

Điều kiện:

và

Bảng 4.5: Lựa chọn độ trễ tối ƣu cho mô hình ARCH với AIC và BIC đánh giá tác

động của (Vt) lên (Rt)

27

Việt Nam Trung Quốc Nhật Bản

AIC -13195.07 -13289.92 -13351.34 -13355.76 -13369.44 -13403.32 -13413 -13415.97 BIC -13172.39 -13261.58 -13317.33 -13316.08 -13324.09 -13352.31 -13356.32 -13353.62 AIC -12192.69 -12319.98 -12375.38 -12414.71 -12433.86 -12476.85 -12511.23 -12511.19 BIC -12170.11 -12291.75 -12341.5 -12375.19 -12388.69 -12426.04 -12454.77 -12449.09 AIC -10303.77 -10383 -10450.23 -10458.65 -10457.35 -10476.18 -10494.34 -10524.19 BIC -10281.98 -10355.77 -10417.55 -10420.53 -10413.77 -10427.16 -10439.87 -10464.28 Model arch1 arch2 arch3 arch4 arch5 arch6 arch7 arch8

Nhận xét:

Thị trƣờng chứng khoán Việt Nam

Căn cứ vào giá trị AIC và BIC có giá trị nhỏ nhất để ta lựa chọn mô hình ARCH với

độ trễ tƣơng ứng, ở thị trƣởng chứng khoán Việt Nam mô hình ARCH với độ trễ 7 có

giá trị AIC và BIC nhỏ nhất tƣơng ứng là -13414 và -13356.32. Ta kết luận rằng độ

trễ 7 là độ trễ tối ƣu để chạy mô hình ARCH đánh giá tác động của khối lƣợng giao

dịch lên tỷ suất sinh lợi cho thị trƣờng chứng khoán Việt Nam.

Thị trƣờng chứng khoán Trung Quốc

Căn cứ vào giá trị AIC và BIC có giá trị nhỏ nhất để ta lựa chọn mô hình ARCH với

độ trễ tƣơng ứng, ở thị trƣởng chứng khoán Trung Quốc mô hình ARCH với độ trễ 7

có giá trị AIC và BIC nhỏ nhất tƣơng ứng là -12511.23 và -12454.77. Ta kết luận rằng

độ trễ 7 là độ trễ tối ƣu để chạy mô hình ARCH đánh giá tác động của khối lƣợng

giao dịch lên tỷ suất sinh lợi cho thị trƣờng chứng khoán Trung Quốc.

Thị trƣờng chứng khoán Nhật Bản

Căn cứ vào giá trị AIC và BIC có giá trị nhỏ nhất để ta lựa chọn mô hình ARCH với

độ trễ tƣơng ứng, ở thị trƣởng chứng khoán Nhật Bản mô hình ARCH với độ trễ 4 có

giá trị AIC và BIC nhỏ nhất tƣơng ứng là -10458.65 và -10420.53. Ta kết luận rằng

độ trễ 4 là độ trễ tối ƣu để chạy mô hình ARCH đánh giá tác động của khối lƣợng

giao dịch lên tỷ suất sinh lợi cho thị trƣờng chứng khoán Nhật Bản.

28

- Lựa chọn độ trễ tối ƣu cho mô hình ARCH đánh giá tác động của tỷ suất sinh lợi lên

khối lƣợng giao dịch

(4.2a)

(4.2b)

Điều kiện:

và

Bảng 4.6: Lựa chọn độ trễ tối ƣu cho mô hình ARCH với AIC và BIC đánh giá tác

động của (Rt) lên (Vt)

Việt Nam Trung Quốc Nhật Bản

AIC 3609.223 3556.015 3532.119 3529.836 3516.6 3512.299 3514.242 3516.2 BIC 3631.897 3584.358 3566.131 3569.516 3561.949 3563.316 3570.927 3578.554 AIC 2302.519 2279.185 2268.196 2269.259 2271.199 2269.823 2270.759 2265.802 BIC 2325.102 2307.414 2302.071 2308.78 2316.366 2320.636 2327.218 2327.907 AIC 3503.58 3497.037 3498.875 3498.126 3495.482 3497.432 3499.425 3498.146 BIC 3525.367 3524.27 3531.555 3536.252 3539.054 3546.451 3553.891 3558.058 Model arch1 arch2 arch3 arch4 arch5 arch6 arch7 arch8

Nhận xét:

Thị trƣờng chứng khoán Việt Nam

Căn cứ vào giá trị AIC và BIC có giá trị nhỏ nhất để ta lựa chọn mô hình ARCH với

độ trễ tƣơng ứng, ở thị trƣởng chứng khoán Việt Nam mô hình ARCH với độ trễ 6 có

giá trị AIC và BIC nhỏ nhất tƣơng ứng là 3512.299 và 3563.316. Ta kết luận rằng độ

trễ 6 là độ trễ tối ƣu để chạy mô hình ARCH đánh giá tác động của tỷ suất sinh lợi lên

khối lƣợng giao dịch cho thị trƣờng chứng khoán Việt Nam.

Thị trƣờng chứng khoán Trung Quốc

29

Căn cứ vào giá trị AIC và BIC có giá trị nhỏ nhất để ta lựa chọn mô hình ARCH với

độ trễ tƣơng ứng, ở thị trƣởng chứng khoán Trung Quốc mô hình ARCH với độ trễ 3

có giá trị AIC và BIC nhỏ nhất tƣơng ứng là 2268.196 và 2302.071. Ta kết luận rằng

độ trễ 3 là độ trễ tối ƣu để chạy mô hình ARCH đánh giá tác động của tỷ suất sinh lợi

lên khối lƣợng giao dịch cho thị trƣờng chứng khoán Trung Quốc.

Thị trƣờng chứng khoán Nhật Bản

Căn cứ vào giá trị AIC và BIC có giá trị nhỏ nhất để ta lựa chọn mô hình ARCH với

độ trễ tƣơng ứng, ở thị trƣởng chứng khoán Nhật Bản mô hình ARCH với độ trễ 2 có

giá trị AIC và BIC nhỏ nhất tƣơng ứng là 3497.037 và 3524.27. Ta kết luận rằng độ

trễ 2 là độ trễ tối ƣu để chạy mô hình ARCH đánh giá tác động của tỷ suất sinh lợi lên

khối lƣợng giao dịch cho thị trƣờng chứng khoán Nhật Bản.

4.3.2. Kết quả ước lượng mô hình ARCH sau khi lựa chọn độ trễ tối ưu

- Mô hình đánh giá tác động của khối lƣợng giao dịch lên tỷ suất sinh lợi:

Bảng 4.7: Kết quả ƣớc lƣợng mô hình ARCH đánh giá tác động của (Vt) lên (Rt)

Việt Nam 7 0.000297 -1.15 -0.00471 -1.00 Trung Quốc 7 0.00177*** -4.64 -0.0409*** -4.58 Nhật Bản 4 0.0000606 -0.28 -0.000253 -0.06

0.148*** -5.31 0.154*** -5.36 0.105*** -4.58 0.0450** -1.96 0.0714*** 0.0594*** -3.49 0.112*** -5.67 0.0824*** -4.72 0.105*** -7.63 0.0946*** 0.183*** -7.24 0.237*** -6.29 0.196*** -6.78 0.0868*** -4.96 Lag r v _cons ARCH L.arch L2.arch L3.arch L4.arch L5.arch

30

-2.8 0.128*** -5.5 0.0820*** -3.7

-4.57 0.140*** -7.99 0.140*** -6.95 0.0000394*** 0.0000561*** 0.0000572*** -16.5 2092 -13.27 2140 -14.45 1714 L6.arch L7.arch _cons N

Kết quả cho thấy ở bảng bên trên. Z-staticstics đƣợc trình bày dƣới hệ số các biến và

trong ngoặc đơn. ***, ** và * lần lƣợt đại diện cho ý nghĩa thống kê ở mức 1%, 5% và

10%.

Căn cứ vàokết quả của mô hình ARCH, tôi thấy rằng có thể sử dụng thông tin về khối

lƣợng cổ phiếu giao dịch để dự đoán tỷ suất sinh lợi của cổ phiếu, khi khối lƣợng cổ

phiếu giao dịch tăng lên sẽ có tác động tích cực đến tỷ suất sinh lợi của cổ phiếu điều

này đƣợc thể hiện thông qua hệ số của khối lƣợng giao dịch trong mô hình ARCH đều

mang dấu dƣơng. Các kết quả này phù hợp với hầu hết các nghiên cứu trƣớc đây, ví dụ:

Lee and Rui (2000), Khan and Rizwan (2008), Darwish (2012) và Attari et al. (2012).

Kết quả cung cấp sự ủng hộ quan điểm cho rằng chỉ số thị trƣờng tăng với sự gia tăng

khối lƣợng và chỉ số thị trƣờng giảm kèm theo khối lƣợng giảm, và điều đó phù hợp với

các mô hình lý thuyết, hàm ý rằng nội dung thông tin của khối lƣợng tác động đến sự

thay đổi giá chứng khoán tƣơng lai. Tuy nhiên kết quả chỉ có thị trƣờng Trung Quốc là

có ý nghĩa thống kê tại mức α = 1%.

-Mô hình đánh giá tác động của tỷ suất sinh lợi lên khối lƣợng giao dịch:

Bảng 4.8: Kết quả ƣớc lƣợng mô hình ARCH đánh giá tác động của (Rt) lên (Vt)

Việt Nam 6 -2.486*** -3.67 Trung Quốc 3 -0.0128 -0.03 Nhật Bản 2 -0.982** -2.40 Lag v r

31

18.41*** -2189.17 23.26*** -3322.57 21.35*** -3059.65

0.584*** -6.35 0.0734 -1.39 0.0967* -1.7 0.0269 -0.78 0.0789** -2.06 0.0856** -2.17 0.0251*** -8.66 2140 0.723*** -7.92 0.103* -1.86 0.133*** -2.84 0.0212*** -8.96 2092 0.699*** -5.63 0.212*** -2.72 0.0203*** -9.18 1714 _cons ARCH L.arch L2.arch L3.arch L4.arch L5.arch L6.arch _cons N

Kết quả cho thấy ở bảng bên trên. Z-staticstics đƣợc trình bày dƣới hệ số các biến và

trong ngoặc đơn. ***, ** và * lần lƣợt đại diện cho ý nghĩa thống kê ở mức 1%, 5% và

10%.

Căn cứ vàokết quả của mô hình ARCH, tôi thấy rằng có thể sử dụng thông tin vềtỷ suất

sinh lợi của cổ phiếu để dự đoán về khối lƣợng cổ phiếu giao dịch, khi tỷ suất sinh lợi

của cổ phiếu tăng lên sẽ có tác động nghịch biến đến khối lƣợng cổ phiếu giao dịch điều

này đƣợc thể hiện thông qua hệ số của tỷ suất sinh lợi cổ phiếu trong mô hình ARCH

đều mang dấu âm. Tuy nhiên kết quả chỉ có thị trƣờng Việt Nam và Nhật Bản là có ý

nghĩa thống kê tại mức α = 1%.

4.4. Kết quả ƣớc lƣợng mô hình GARCH

Lý thuyết về quá trình tự hồi quy AR(p) và quá trình trung bình trƣợt MA(q):

Một quá trình tự hồi quy có thể đƣợc viết dƣới dạng nhƣ sau:

32

B(L) = + AR(P)

Trong đó B(L) là đại diện cho đẳng thức toán tử lùi với độ trễ P.

Qúa trình trung bình trƣợt (MA) của chuỗi đƣợc biết dƣới dạng:

= + + + …. + MA(Q)

Sử dụng đăng thức toán học ta dễ dàng chứng minh đƣợc một chuỗi AR(1) có thể đƣợc

biến đổi về dạng MA( ) và ngƣợc lại, lý thuyết này đƣợc phát triển và sử dụng trong

nhiều mô hình kinh tế lƣợng, ngoài mô hình ARIMA thì nó còn đƣợc ứng dụng vào mô

hình GARCH để giải quyết những nhƣợc điểm của mô hình ARCH.

Lý thuyết GARCH và lý do sử dụng GARCH(1,1):

Mô hình ARCH nhƣ ta biết chỉ có thể đƣợc sử dụng nếu nhƣ nó có hiệu ứng ARCH

(phƣơng sai thay đổi theo thời gian), tuy nhiên do hiệu ứng ARCH thƣờng có độ trễ lớn

thậm chí xét đến vì thế để tránh cồng kềnh thì ngƣời ta sử dụng ARCH với độ trễ tối

ƣu nhƣ trong bài tác giả đã chạy ARCH với độ trễ tối ƣu đƣợc chọn. Tuy nhiên, nhƣợc

điểm của ARCH chính là khi ta xét hiệu ứng ARCH ở độ trễ tối ƣu Q bất kỳ thì đồng thời

ta cũng đang bỏ qua hiệu ứng ARCH cho những độ trễ sau đó, để khắc phục điều này

ngƣời ta sử dụng lý thuyết biến đổi MA( ) về dạng AR(1) để từ đó có thể kiểm soát

đƣợc tất cả độ trễ có hiệu ứng ARCH kể cả khi nó tiến đến ( ), và đó là lý do trong bài

tác giả sử dụng GARCH(1,1) để so sánh với mô hình ARCH với độ trễ tối ƣu nhằm đƣa

ra những kết luận chính xác hơn.

đƣợc thay thế để

(4.3a)

Trong phƣơng trình GARCH(1,1) ở trên thành phần tự hồi quy

kiểm soát hiệu ứng ARCH với một độ trễ Q bất kỳ. GARCH(1,1) đƣợc sử dụng hầu hết

trong các đề tài nghiên cứu bởi vì nhƣ đã lý giải thông qua lý thuyết biến đổi ở trên, quá

trình tự hồi quy AR(1) có thể đại diện cho một quá trình MA( ), điều này có nghĩa là khi

33

ta sử dụng tự hồi quy cho biến động phƣơng sai với độ trễ 1 nghĩa là ta cũng đang kiểm

soát tất cả những hiệu ứng ARCH ngay cả khi nó tiến đến ( ), việc sử dụng

GARCH(p,q) bất kỳ xét về phƣơng pháp nghiên cứu là hoàn toàn có thể, tuy nhiên

GARCH(1,1) bản thân nó đã bao hàm tất cả những hiệu ứng ARCH vì thế tác giả thấy

không cần thiết phải sử dụng thêm GARCH(p,q) nào nữa.

Trong mô hình ARCH chúng ta đã kiểm tra hiệu ứng ARCH cho độ trễ Q bằng 8 và từ đó

chọn ra độ trễ ARCH tối ƣu để hồi quy mô hình ARCH, tuy nhiên, với mô hình ARCH

với độ trễ tối ƣu nhƣ đã trình bày ở mục trƣớc thì ta giả định rằng các độ trễ trƣớc độ trễ

tối ƣu là không có tác động, điều này có thể bỏ sót các tác động của các độ trễ kỳ trƣớc

trong việc dự báo phƣơng sai của kỳ hiện tại, nếu chúng ta đƣa tất cả độ trễ Q vào mô

hình ARCH thì sẽ làm mô hình trở nên rất cồng kềnh, để khắc phục nhƣợc điểm này

ngƣời ta sử dụng mô hình GARCH. Trong bài nghiên cứu này tác giả chọn GARCH (1,1)

để đánh giá mức biến động của chuỗi Yt bất kỳ.

4.4.1. Kết quả ước lượng mô hình GARCH (1;1) đánh giá tác động của (Vt) lên

(Rt)

- Mô hình đánh giá tác động của khối lƣợng giao dịch lên tỷ suất sinh lợi:

(4.3a)

(4.3b)

Điều kiện:

và

Bảng 4.9: Kết quả ƣớc lƣợng mô hình GARCH đánh giá tác động của (Vt) lên (Rt)

Việt Nam 0.000394* Trung Quốc 0.00169*** Nhật Bản 0.0000714 r v

34

-1.67 -0.00663 -1.55 -4.05 -0.0395*** -4.02 -0.33 -0.000578 -0.13

0.139*** -9.59 0.834*** -52.97 0.132*** -11.02 0.848*** -70.69

0.0479*** -11.57 0.950*** -257.41 0.00000423*** 0.000000601*** 0.00000395*** -4.4 2092 -5.18 2140 -5.39 1714 _cons ARCH L.arch L.garch _cons N

Kết quả cho thấy ở bảng bên trên. Z-staticstics đƣợc trình bày dƣới hệ số các biến và

trong ngoặc đơn. ***, ** và * lần lƣợt đại diện cho ý nghĩa thống kê ở mức 1%, 5% và

10%.

Căn cứ vàokết quả của mô hình GARCH, tôi thấy rằng có thể sử dụng thông tin về khối

lƣợng cổ phiếu giao dịch để dự đoán tỷ suất sinh lợi của cổ phiếu, khi khối lƣợng cổ

phiếu giao dịch tăng lên sẽ có tác động tích cực đến tỷ suất sinh lợi của cổ phiếu điều này

đƣợc thể hiện thông qua hệ số của khối lƣợng giao dịch trong mô hình GARCH đều

mang dấu dƣơng. Tuy nhiên kết quả chỉ có thị trƣờng Việt Nam và Trung Quốc là có ý

nghĩa thống kê tại mức α = 10% và mức α = 1%.

4.4.2. Kết quả ước lượng mô hình GARCH (1;1) đánh giá tác động của (Rt) lên

(Vt)

- Mô hình đánh giá tác động của tỷ suất sinh lợi lên khối lƣợng giao dịch:

(4.4a)

(4.4b)

Điều kiện:

35

và

Bảng 4.10: Kết quả ƣớc lƣợng mô hình GARCH đánh giá tác động của (Rt) lên (Vt)

Việt Nam -2.705*** -4.09 18.42*** -2194.18 Trung Quốc -0.00772 -0.02 23.26*** -3268.46 Nhật Bản -1.028** -2.51 21.35*** -3007.2

0.441*** -6.57 0.528*** -10.15 0.0126*** -5.49 2140 0.677*** -7.99 0.294*** -5.18 0.0148*** -6.36 2092 0.703*** -5.7 0.227*** -2.63 0.0155*** -5.14 1714 v r _cons ARCH L.arch L.garch _cons N

Kết quả cho thấy ở bảng bên trên. Z-staticstics đƣợc trình bày dƣới hệ số các biến và

trong ngoặc đơn. ***, ** và * lần lƣợt đại diện cho ý nghĩa thống kê ở mức 1%, 5% và

10%.

Căn cứ vào kết quả của mô hình GARCH, tôi thấy rằng có thể sử dụng thông tin vềtỷ

suất sinh lợi của cổ phiếu để dự đoán về khối lƣợng cổ phiếu giao dịch, khi tỷ suất sinh

lợi của cổ phiếu tăng lên sẽ có tác động nghịch biến đến khối lƣợng cổ phiếu giao dịch

điều này đƣợc thể hiện thông qua hệ số của tỷ suất sinh lợi trong mô hình GARCH đều

mang dấu âm. Tuy nhiên kết quả chỉ có thị trƣờng Việt Nam và Nhật Bản là có ý nghĩa

thống kê tại mức α = 1%.

4.5. Kết quả ƣớc lƣợng mô hình GJR-GARCH

, với là biến giả đánh giá mức phản ứng biến động của chuỗi Yt bất kỳ khi nhận thông tin tốt và thông tin xấu trên

Mô hình GJR-GARCH đƣợc thêm thành phần

thị trƣờng.

36

- Mô hình đánh giá tác động của khối lƣợng giao dịch lên tỷ suất sinh lợi:

(4.5a)

(4.5b)

Điều kiện:

nếu => Thị trƣờng phản ứng tin xấu mạnh

nếu => Thị trƣờng phản ứng tin tốt mạnh

Bảng 4.11: Kết quả ƣớc lƣợng mô hình GJR-GARCH đánh giá tác động của (Vt)

lên (Rt)

Việt Nam Trung Quốc Nhật Bản

0.000368 -1.44 -0.00625 -1.34 0.00170*** -4.03 -0.0396*** -4.00 -0.000046 -0.21 0.00152 -0.34

0.163*** -9.1 0.826*** -48.47 -0.0487** -2.44 0.199*** -9.99 0.846*** -56.63 -0.141*** -8.88

0.0465*** -9.25 0.950*** -257.22 0.00257 -0.41 0.00000498*** 0.000000593*** 0.00000461*** -4.37 2092 -5.71 2140 -5.83 1714 r v _cons ARCH L.arch L.garch L.tarch _cons N

Kết quả cho thấy ở bảng bên trên. Z-staticstics đƣợc trình bày dƣới hệ số các biến và

trong ngoặc đơn. ***, ** và * lần lƣợt đại diện cho ý nghĩa thống kê ở mức 1%, 5% và

10%.

Căn cứ vào kết quả của mô hình GJR-GARCH trong bảng tổng hợp 4.11, tôi thấy rằng

có thể sử dụng thông tin về khối lƣợng cổ phiếu giao dịch để dự đoán tỷ suất sinh lợi cổ

37

phiếu, khikhối lƣợng cổ phiếu giao dịch tăng lên sẽ có tác động đồng biến đếntỷ suất

sinh lợi của cổ phiếu, điều này đƣợc thể hiện thông qua hệ số của tỷ suất sinh lợi trong

mô hình GJR-GARCH đều mang dấu dƣơng. Thêm nữa, điều này cho thấy khi thị

trƣờng phản ứng mạnh với thông tin tốt. Tuy nhiên kết quả chỉ có thị trƣờng Trung

Quốc là có ý nghĩa thống kê tại mức α = 1%.

- Mô hình đánh giá tác động của tỷ suất sinh lợi lên khối lƣợng giao dịch:

(4.6a)

(4.6b)

Điều kiện:

nếu => Thị trƣờng phản ứng tin xấu mạnh

nếu => Thị trƣờng phản ứng tin tốt mạnh

Bảng 4.12: Kết quả ƣớc lƣợng mô hình GJR-GARCH đánh giá tác động của (Rt)

lên (Vt)

Việt Nam Trung Quốc Nhật Bản

-2.714*** -4.09 18.42*** -2119.94 -0.00647 -0.01 23.26*** -3129.06 -0.861** -2.17 21.35*** -2735.09

0.460*** -5.99 0.524*** -9.98 -0.0464 -0.72) 0.0130*** -5.53 2140 0.674*** -6.67 0.294*** -5.18 0.00571 -0.06 0.0148*** -6.36 2092 0.759*** -4.32 0.201** -2.07 -0.288* -1.71 0.0180*** -5.07 1714 v r _cons ARCH L.arch L.garch L.tarch _cons N

38

Kết quả cho thấy ở bảng bên trên. Z-staticstics đƣợc trình bày dƣới hệ số các biến và

trong ngoặc đơn. ***, ** và * lần lƣợt đại diện cho ý nghĩa thống kê ở mức 1%, 5% và

10%.

Căn cứ vào kết quả của mô hình GJR-GARCH, tôi thấy rằng có thể sử dụng thông tin

về tỷ suất sinh lợi của cổ phiếu để dự đoán về khối lƣợng cổ phiếu giao dịch, khi tỷ suất

sinh lợi của cổ phiếu tăng lên sẽ có tác động nghịch biến đến khối lƣợng cổ phiếu giao

dịch và ngƣợc lại, điều này đƣợc thể hiện thông qua hệ số của tỷ suất sinh lợi trong mô

hình GJR-GARCH đều mang dấu âm. Tuy nhiên kết quả chỉ có thị trƣờng Việt Nam có

ý nghĩa thống kê tại mức α = 1% và Nhật Bản làcó ý nghĩa thống kê tại mức α = 5%.

Sự thay đổi tích cực lớn về giá có ngụ ý sự tăng vốn cao hơn, không khuyến khích giao

dịch của các nhà đầu tƣ dẫn đến sụt giảm khối lƣợng. Điều này cho thấy có tồn tại yếu

tố rủi ro tại thị trƣờng Việt Nam và Nhật Bản sau cuộc khủng hoảng tài chính thế giới

2007. Bên cạnh đó, ta thấy hệ số T-ARCH có giá trị âm, cho thấy tại thị trƣờng Việt

Nam và Nhật Bản, cú sốc âm (hoặc tin tức xấu) trên thị trƣờng thƣờng có tác động

mạnh và dai dẳng hơn so với cú sốc dƣơng (hoặc tin tốt) vì nó làm cho các nhà đầu tƣ bị

tê liệt và trở nên bi quan chán nản và thậm chí chờ đợi một cách thụ động các dấu hiệu

thị trƣờng.

4.6. Kiểm định nhân quả Granger

Bài nghiên cứu không chỉ bao gồm mối quan hệ đồng thời thời mà còn là quan hệ nhân

quả giữa sự thay đổi giá chứng khoán và khối lƣợng giao dịch.

4.6.1. Kiểm định nhân quả Granger cho mô hình ở Việt Nam

Bảng 4.13: Kiểm định nhân quả Granger cho mô hình ở Việt Nam

39

Equation Excluded Chi2 df Prob > chi2

v ALL r ALL 1.2033 1.2033 111.77 111.77 1 1 1 1 0.273 0.273 0.000 0.000 r r v v

Kiểm định nhân quả Granger cho ta kết quả nhƣ sau:

Khi mà giá trị p-value là 0.273 lớn hơn mức α=5%, điều này đi tới kết luận chấp nhận H0,

nghĩa là không tồn tại tác động Granger của V lên R.

Tuy nhiên, kiểm định Granger lại đi tới kết luận rằng có tồn tại tác động nhân quả của tỷ

suất sinh lợi lên khối lƣợng giao dịch V bởi vì giá trị p-value là 0 nhỏ hơn mức α=5%, đi

tới kết luận bác bỏ H0 chấp nhận H1, nghĩa là có tồn tại tác động Granger của tỷ suất sinh

lợi R lên khối lƣợng giao dịch V.

4.6.2. Kiểm định nhân quả Granger cho mô hình ở Trung Quốc

Bảng 4.14: Kiểm định nhân quả Granger cho mô hình ở Trung Quốc

Equation Excluded Chi2 df Prob > chi2

r r v v v 0.74045 ALL 0.74045 84.148 84.148 r ALL 1 1 1 1 0.390 0.390 0.000 0.000

Kiểm định nhân quả Granger cho ta kết quả nhƣ sau:

Khi mà giá trị p-value là 0.39 lớn hơn mức α=5%, điều này đi tới kết luận chấp nhận H0,

nghĩa là không tồn tại tác động Granger của khối lƣợng giao dịch lên tỷ suất sinh lợi tại

thị trƣờng chứng khoán Trung Quốc.

Tuy nhiên, kết quả kiểm định Granger cho tôi thấy rằng có tồn tại tác động Granger của

tỷ suất sinh lợi lên khối lƣợng giao dịch bởi vì giá trị p-value là 0 nhỏ hơn mức α=5%, đi

tới kết luận bác bỏ H0 chấp nhận H1, nghĩa là có tồn tại tác động Granger của tỷ suất sinh

lợi R lên khối lƣợng giao dịch V.

40

4.6.3. Kiểm định nhân quả Granger cho mô hình ở Nhật Bản

Bảng 4.15: Kiểm định nhân quả Granger cho mô hình ở Nhật Bản

Equation Excluded Chi2 df Prob > chi2

0.943 0.943 0.441 0.441 r r v v v ALL r ALL .00511 .00511 .59339 .59339 1 1 1 1

Kiểm định nhân quả Granger cho ta kết quả nhƣ sau:

Khi mà giá trị p-value là 0.943 lớn hơn mức α=5%, điều này đi tới kết luận chấp nhận H0,

nghĩa là không tồn tại tác động Granger của khối lƣợng giao dịch lên tỷ suất sinh lợi tại

thị trƣờng chứng khoán Nhật Bản.

Bên cạnh đó, giá trị p-value là 0.441 lớn hơn mức α=5%, điều này đi tới kết luận chấp

nhận H0, nghĩa là không tồn tại tác động Granger của tỷ suất sinh lợi lên khối lƣợng cổ

phiếu giao dịch tại thị trƣờng chứng khoán Nhật Bản.

Kết luận: Tại thị trƣờng chứng khoán Nhật Bản, khối lƣợng cổ phiếu giao dịch và tỷ suất

sinh lợi độc lập nhau.

41

PHẦN 5. KẾT LUẬN

5.1. Kết luận

Theo nhƣ Gebka, B., Wohar, M. E. (2013) thông qua phân tích phản ứng xung của mô

hình VAR và xem xét chi tiết dữ liệu biến động hàng ngày, tác giả đƣa ra một ý tƣởng

mới để xem xét tầm quan trọng của các cú sốc âm và dƣơng của tỷ suất sinh lợi lên khối

lƣợng giao dịch và xét cả tác động của các cú sốc có mức độ khác nhau. Kết quả mà các

tác giả tìm ra tồn tại mối tƣơng quan dƣơng mạnh với độ mạnh mối quan hệ giữa tỷ suất

sinh lợi – khối lƣợng giao dịch. Mối tƣơng quan này mạnh hơn đối với nhà đầu tƣ cá

nhân và tƣơng quan yếu đối với nhà đầu tƣ nƣớc ngoài. Phù hợp với những phân tích

trƣớc đó, bài nghiên cứu đã tiến hành kiểm định thực nghiệm mối quan hệ giữa khối

lƣợng giao dịch và tỷ suất sinh lợi của VN-INDEX, Shanghai Composite, TOPIX Index

tại Việt Nam, Trung Quốc và Nhật Bản trong 9 năm. Kết quả nghiên cứu cho thấy rằng

khối lƣợng giao dịch có mối quan hệ đồng biến với tỷ suất sinh lợi tại thị trƣờng chứng

khoán Trung Quốc, Việt Nam điều này hoàn toàn phù hợp với các nghiên cứu trƣớc đây,

đặc biệt phù hợp với các nghiên cứu về thị trƣờng phát triển và mới nổi.Bên cạnh đó, tỷ

suất sinh lợi cổ phiếu có mối quan hệ nghịch biến với khối lƣợng cổ phiếu giao dịch tại

thị trƣờng chứng khoán Nhật Bản. Điều này cho thấy rằng nhà đầu tƣ Nhật Bản đang mất

lòng tin với thị trƣờng chứng khoán trong khoản thời gian này, sau cuộc khủng hoảng tài

chính thế giới năm 2007. Bên cạnh đó, tại thị trƣờng Việt Nam và Nhật Bản, cú sốc âm

(hoặc tin tức xấu) trên thị trƣờng thƣờng có tác động mạnh và dai dẳng hơn so với cú sốc

dƣơng (hoặc tin tốt) vì nó làm cho các nhà đầu tƣ bị tê liệt và trở nên bi quan chán nản và

thậm chí chờ đợi một cách thụ động các dấu hiệu thị trƣờng. Bài nghiên cứu cũng tìm

thấy bằng chứng về mối quan hệ nhân quả Granger một chiều từ sự thay đổi giá chứng

khoán lên khối lƣợng giao dịch tại thị trƣờng chứng khoán Việt Nam và Trung Quốc.

5.2. Hạn chế về đề tài

Trong quá trình thực hiện, đã có sự tìm kiếm, thu thập, tổng hợp và xử lý dữ liệu một

cách kỹ lƣỡng song vẫn không tránh khỏi một số hạn chế.

42

Bài nghiên cứu đƣợc thực hiện trên dữ liệu VN-INDEX, Shanghai Composite, và

TOPIX Index từ năm 2010 đến năm 2018, khoảng thời gian nghiên cứu còn tƣơng đối

ngắn và do thị trƣờng chứng khoán Việt Nam mới tồn tại trong giai đoạn gần đây cho nên

cũng không thể thực hiện nghiên cứu một cách đầy đủ. Thêm nữa, bài nghiên cứu này chỉ

kiểm định dựa trên số liệu chỉ số thị trƣờng, vì vậy những nghiên cứu sau có thể mở rộng

mẫu cho từng nhóm ngành hoặc cho tất cả các công ty niêm yết trên thị trƣờng. Mặc dù

số liệu còn một số hạn chế, nhƣng hy vọng bài nghiên cứu này sẽ giúp cho nhà đầu tƣ,

nhà quản trị, các định chế tài chính có một chiến lƣợc tốt trong quá trình đầu tƣ và quản

lý của mình.

TÀI LIỆU THAM KHẢO

GIÁO TRÌNH

Trần Ngọc Thơ, Tài chính doanh nghiệp hiện đại, NXB Thống kê 2005;

BÀI NGHIÊN CỨU

1. Ajayi, R.A., Mehdian, S., and M. Mougoue, 2006. The empirical relation

between price changes and trading volumes: Further evidence from European

stock markets. Alliance Journal of Business Research, 1: 3-20.

2. Attari, M.I.J., Rafiq, S., and H.M. Awan, 2012. The dynamic relationship

between stock volatility and trading volume. Asian Economic and Financial

Review, 2: 1085-1097.

3. Baker, M., & Wurgler, J. (2002). Market timing and capital structure. Journal of

Finance, 57, 1–32.

4. Berndt, E. R., Hall, B. H., Hall, R. E., & Hausman, J. A. (1974). Estimation and

inference in nonlinear structural models. Annals of Eco- nomic and Social

Measurement, 4, 653–665.

5. Blume, L., Easley, D., & O'Hara, M. (1994). Market statistics and technical

analysis: The role of volume. Journal of Finance, 49, 153–181.

6. Bollerslev, T. (1987). A conditional heteroskedastic time series model for

speculative prices and rates of return. The Review of Economics and Statistics,

69, 542–547.

7. Bollerslev, T. (1990). Modelling the coherence in short-run nominal exchange

rates: A multivariate generalized ARCH model. The Review of Economics and

Statistics, 72, 498–505.

8. Bollerslev, T., & Wooldridge, J. M. (1992). Quasi-maximum likelihood estimation

and inference in dynamic models with time-varying covariances. Econometric

Reviews, 11, 143–172.

9. Chen, C., and Z. Zhou, 2001. Stock returns, volatility, and trading volume:

Evidence from the Chinese stock markets. International Journal of Business, 6:

67-86.

10. Chen, G., Firth, M., and O.M. Rui, 2001. The Dynamic relation between stock

returns, trading volume, and volatility. Financial Review, 36:153-174.

11. Chuang, W. I., Liu, H. H., & Susmel, R. (2012). The bivariate GARCH approach

to investigating the relation between stock returns, trading volume, and return

volatility. Global Finance Journal. 23 (1) 1 – 15.

12. Darwish, M.J., 2012. Testing the contemporaneous and causal relationship

between trading volume and return in the Palestine exchange. Interdisciplinary

Journal of Contemporary Research in Business, 3:55-64.

13. De Medeiros, O.R., and B.F.V Doornik, 2006. The empirical relationship

between stock returns, return volatility and trading volume in the Brazilian stock

market.Brazilian Business Review, 5:01-17.

14. Deo, M., Srinivasan K., and K. Devanadhen, 2008. The empirical relationship

between stock returns, trading volume, and volatility: Evidence from selectAsia–

Pacific stock market. Finance and Administrative Sciences, 12: 58-68.

15. Edison, H. J., & Warnock, F. E. (2008). Cross-border listings, capital controls,

and equity flows to emerging markets. Journal of Inter- national Money and

Finance, 27, 1013–1027.

16. Epps, T. W. (1975). Security price changes and transaction volumes: Theory and

evidence.American Economic Review, 65, 586–597.

17. Epps, T. W., & Epps, M. L. (1976). The stochastic dependence of security price

changes and transaction volumes: Implications for the mixture – of distributions

hypothesis. Econometrica. Vol. 44, No. 2 (Mar., 1976), pp. 305-321

18. Gallant, A. R., Rossi, P. E., & Tauchen, G. (1992). Stock prices and volume.

Review of Financial Studies, 5, 199–242.

19. Gervais, S., Kaniel, R., & Mingelgrin, D. H. (2001). The high-volume return

premium. Journal of Finance, 56, 877–919.

20. Glosten, L. R., Jagannathan, R., & Runkle, D. (1993). On the relation between the

expected value and the volatility of the nominal excess return on stocks. Journal of

Finance, 48, 1779–1801.

21. Gunduz, L., and A. Hatemi-J, 2005. Stock price and volume relation in emerging

markets. Emerging Markets Finance and Trade, 41:29-44.

22. Harris, L. (1987). Transaction data tests of the mixture of distributions hypothesis.

Journal of Financial and Quantitative Analysis, 22,127–141.

International Business and Economic Research Journal, 7: 7-13.

23. Jacobs, M. JR., and J. Onochie, 1998.A Bivariate Generalized Autoregressive

Conditional Heteroscedasticity-in-Mean Study oftheRelationship between Return

Variability and Trading Volume inInternational Futures Markets.Journal of

Futures Markets, 18:379-397.

24. Kamath, R.R, Sharma, J., and J. Chusanachoti, 2005. The Stock Return- Volume

Relationship in Emerging Stock Markets.Journal of International Finance and

Economics, 1:30-35.

25. Kamath, R.R., 2007. Investigating causal relations between price changes and

trading volume changes in the Turkish market. ASBBS E-Journal, 3:30-40.

26. Kamath, R.R., 2008. The price-volume relationship in the Chilean stockmarket.

27. Kamath, R.R., and Y. Wang, 2006. The causality between stock index returns

and volumes in the Asian equity markets. Journal of International Business

Research, 5:63-74.

28. Khan, S.U and F. Rizwan, 2008. Trading volume and stock returns Evidence

from Pakistan's stock market. International Review of Business Research

papers, 4: 151-162.

29. Khan, S.U., and F. Rizwan, 2008. Trading volume and stock returns Evidence

from Pakistan's stock market. International Review of Business Research

papers, 4: 151-162.

30. Lee, B.S., and O.M. Rui, 2002. The dynamic relationship between stock returns

and trading volume: Domestic and cross-country evidence. Journal of Banking

and finance, 26:51-78.

31. Lee, C.F., and O.M. Rui, 2000. Does trading volume contain information to

predict stock returns? Evidence from China's stock markets. Review of

quantitative finance and accounting, 14:341-360.

32. Leon, N.K., 2007. An empirical study of the relation between stock return

volatility and trading volume in the BRVM. African Journal of Business

Management, 1:176-184.

33. Mahajan S., and B. Singh, 2009. The empirical investigation of relationship

between return, volume, and volatility dynamics in Indian stock market. Eurasian

Journal of Business and Economics, 2:113-137.

34. Moosa, I.A., and N.E. Al-Loughani, 1995. Testing the price-volume relation in

emerging Asian stock markets.Journal of Asian Economics, 6:407-422.

35. Phillip, P. C. B., & Perron, P. (1988). Testing for a unit root in time series

regression. Biometrica, 75, 335–346.

36. Pisedtasalasai, A., and A. Gunasekarage, 2007. Causal and dynamic

relationships among stock returns, return volatility, and trading volume:

Evidence from emerging markets in South-East Asia. Asia-Pacific Financial

Markets, 14:277-297.

37. Richardson, G., Sefcik, S. E., & Thompson, R. (1986). A test of dividend

irrelevance using volume reaction to a change in dividend policy. Journal of

Financial Economics, 17,313–333.

38. Saatcioglu, K., and L.T. Starks, 1998. The stock price – volume relationship in

emerging stock markets: The case of Latin America.International Journal of

forecasting, 14:215-225.

39. Silvapulle, P., and J. Choi, 1999. Testing for linear and nonlinear Granger

causality in the stock price-volume relation: Korean evidence.Quarterly Review

of Economics and Finance, 39:59-76.

40. Wang, J. (1994). A model of competitive stock trading volume. Journal of Political

Economy, 102, 127–168.

WEBSITES

Bộ Tài chính: www.mof.gov.vn;

Ủy ban Chứng khoán Việt Nam: www.ssc.gov.vn;

Sở Giao dịch Chứng khoán TP.HCM: www.hsx.vn;

Sở Giao dịch Chứng khoán Hà Nội: www.hnx.vn;

Công ty cổ phần tƣ vấn đầu tƣ Cây Cầu Vàng: www.cophieu68.com;

Công ty TNHH Fusion Media: www.vn.investing.com;

PHỤ LỤC

(Nguồn tính toán từ phần mềm kinh tế lượng Stata 12.0)

PHỤ LỤC 1: KẾT QUẢ KIỂM ĐỊNH TÍNH DỪNG

Phụ lục 1.1: Kết quả kiểm định tính dừng bằng kiểm định ADF

Chuỗi sự thay đổi giá (Rt) tại thị trƣờng Việt Nam

Chuỗi sự thay đổi giá (Rt) tại thị trƣờng Trung Quốc

Chuỗi sự thay đổi giá (Rt) tại thị trƣờng Nhật Bản

Chuỗi khối lƣợng giao dịch (Vt) tại thị trƣờng Việt Nam

Chuỗi khối lƣợng giao dịch (Vt) tại thị trƣờng Trung Quốc

Chuỗi khối lƣợng giao dịch (Vt) tại thị trƣờng Nhật Bản

Phụ lục 1.2: Kết quả kiểm định tính dừng bằng kiểm định PP

Chuỗi sự thay đổi giá (Rt) tại thị trƣờng Việt Nam, Trung Quốc và

Nhật Bản

Chuỗi khối lƣợng giao dịch (Vt) tại thị trƣờng Việt Nam, Trung Quốc và Nhật Bản

PHỤ LỤC 2: KIỂM TRA HIỆU ỨNG ARCH

Phụ lục 2.1: Kiểm tra hiệu ứng ARCH trong phƣơng trình đánh giá tác

động của khối lƣợng giao dịch lên tỷ suất sinh lợi

Kiểm tra hiệu ứng ARCH tại thị trƣờng Việt Nam

Kiểm tra hiệu ứng ARCH tại thị trƣờng Trung Quốc

Kiểm tra hiệu ứng ARCH tại thị trƣờng Nhật Bản

Phụ lục 2.2: Kiểm tra hiệu ứng ARCH trong phƣơng trình đánh giá tác

động củatỷ suất sinh lợi lên khối lƣợng giao dịch

Kiểm tra hiệu ứng ARCH tại thị trƣờng Việt Nam

Kiểm tra hiệu ứng ARCH tại thị trƣờng Trung Quốc

Kiểm tra hiệu ứng ARCH tại thị trƣờng Nhật Bản

PHỤ LỤC 3: KẾT QUẢ ƢỚC LƢỢNG ARCH CHO MÔ HÌNH

Phụ lục 3.1: Lựa chọn độ trễ tối ƣu cho mô hình ARCH với AIC và

BIC đánh giá tác động của (Vt) lên (Rt)

Lựa chọn độ trễ tối ƣu cho mô hình ARCH tại thị trƣờng Việt Nam

Lựa chọn độ trễ tối ƣu cho mô hình ARCH tại thị trƣờng Trung Quốc

Lựa chọn độ trễ tối ƣu cho mô hình ARCH tại thị trƣờng Nhật Bản

Phụ lục 3.2: Lựa chọn độ trễ tối ƣu cho mô hình ARCH với AIC và

BIC đánh giá tác động của (Rt) lên (Vt)

Lựa chọn độ trễ tối ƣu cho mô hình ARCH tại thị trƣờng Việt Nam

Lựa chọn độ trễ tối ƣu cho mô hình ARCH tại thị trƣờng Trung Quốc

Lựa chọn độ trễ tối ƣu cho mô hình ARCH tại thị trƣờng Nhật Bản

Phụ lục 3.3: Kết quả uớc lƣợng mô hình ARCH đánh giá tác động của

(Vt) lên (Rt) tại thị trƣờng Việt Nam

Thị trƣờng Trung Quốc

Thị trƣờng Nhật Bản

Phụ lục 3.4: Kết quả uớc lƣợng mô hình ARCH đánh giá tác động của

(Rt) lên (Vt)

Thị trƣờng Việt Nam

Thị trƣờng Trung Quốc

Thị trƣờng Nhật Bản

PHỤ LỤC 4: KẾT QUẢ ƢỚC LƢỢNG MÔ HÌNH GARCH

Phụ lục 4.1: Kết quả uớc lƣợng mô hình GARCH đánh giá tác động

của (Vt) lên (Rt)

Thị trƣờng Việt Nam

Thị trƣờng Trung Quốc

Thị trƣờng Nhật Bản

Phụ lục 4.2: Kết quả uớc lƣợng mô hình GARCH đánh giá tác động

của (Rt) lên (Vt)

Thị trƣờng Việt Nam

Thị trƣờng Trung Quốc

Thị trƣờng Nhật Bản

PHỤ LỤC 5: KẾT QUẢ ƢỚC LƢỢNG MÔ HÌNH GJR-GARCH

Phụ lục 5.1: Kết quả ƣớc lƣợng mô hình GJR-GARCH đánh giá tác

động của (Vt) lên (Rt)

Thị trƣờng Việt Nam

Thị trƣờng Trung Quốc

Thị trƣờng Nhật Bản

Kiểm định nhân quả Granger cho mô hình ở Việt Nam

Kiểm định nhân quả Granger cho mô hình ở Trung Quốc

Kiểm định nhân quả Granger cho mô hình ở Nhật Bản