Tâm lý thị trường và tỷ suất sinh lời tiền mã hóa

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

Thêm vào BST

Báo xấu

7
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết sử dụng bộ dữ liệu theo tuần của các chỉ số đo lường tâm lý thị trường để ước tính mức ảnh hưởng của các yếu tố tâm lý lên tỷ suất sinh lời của các đồng tiền mã hóa trong giai đoạn 2020-2023 ứng dụng mô hình GARCH.

Chủ đề:

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

Lưu

Nội dung Text: Tâm lý thị trường và tỷ suất sinh lời tiền mã hóa

PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 TÂM LÝ THỊ TRƯỜNG VÀ TỶ SUẤT SINH LỜI TIỀN MÃ HOÁ Đào Thị Thanh Bình Trần Sơn Tùng Lại Hoài Phương Trường Đại học Hà Nội Email: binhdtt@hanu.edu.vn, tungts@hanu.edu.vn, lhphuong@hanu.edu.vn Tóm tắt: Sự biến động giá tiền mã hoá luôn được các nhà đầu tư đặc biệt quan tâm, vì nó là yếu tố quyết định tới tỷ suất sinh lời tại các thời điểm cụ thể. Bài viết sử dụng bộ dữ liệu theo tuần của các chỉ số đo lường tâm lý thị trường để ước tính mức ảnh hưởng của các yếu tố tâm lý lên tỷ suất sinh lời của các đồng tiền mã hoá trong giai đoạn 2020-2023 ứng dụng mô hình GARCH. Dữ liệu từ mạng xã hội, bất ổn kinh tế và các chỉ số chứng khoán đã được sử dụng để xác định mối liên hệ giữa thị trường tiền mã hoá, thị trường tài chính truyền thống và các yếu tố tâm lý cũng như vĩ mô. Kết quả cho thấy sự ảnh hưởng đáng kể của những yếu tố này, tuy nhiên mức độ ảnh hưởng và chiều ảnh hưởng có sự khác biệt giữa các đồng tiền mã hoá. Từ khóa: Bất ổn chính sách, biến động giá, mô hình GARCH, tâm lý thị trường, tiền mã hoá 1. Giới thiệu Tiền mã hóa là một loại tài sản kỹ thuật số phi tập trung dựa trên công nghệ chuỗi khối hoặc công nghệ sổ cái phân tán, cho phép thực hiện các giao dịch ngang hàng (P2P), sử dụng mật mã để bảo mật và có thể hoạt động độc lập với các trung gian như các ngân hàng và bộ xử lý thanh toán. Sự ra đời của tiền mã hoá được cho là hệ quả sau sự thất bại của hệ thống tài chính toàn cầu trước khủng hoảng kinh tế - tài chính thế giới năm 2008 - 2009, do nhu cầu của nhà đầu tư về một loại tiền tệ có tính năng vượt trội, không bị kiểm soát và chi phối bởi bất kỳ tổ chức tài chính truyền thống hay chính phủ nào. Hiện nay, trên thế giới có hàng nghìn loại tiền mã hoá khác nhau trong đó nổi bật nhất vẫn là sản phẩm tiền mã hoá đầu tiên, Bitcoin, được giới thiệu bởi Satoshi Nakamoto vào năm 2009. Tiền mã hóa đã tác động đến nhiều hệ sinh thái khác nhau, từ tài chính đến công nghệ, thông qua việc đưa ra các tính năng sáng tạo hơn các loại hình tiền tệ truyền thống. Tiền mã hoá có các đặc tính nổi bật như kiến trúc phi tập trung, tính minh bạch và bất biến, không biên giới, và có nguồn cung tiền xác định. Hiện nay, Bitcoin (BTC), Ethereum (ETH), Binance Coin (BNB), Tether (USDT) và Solana (SOL) là các loại tiền mã hóa hàng đầu theo vốn hóa thị trường. Theo số liệu của Binance Research, tổng vốn hóa thị trường tiền mã hoá đã có bước tăng trưởng mạnh mẽ, đạt 110% trong năm 2023, với mức vốn hóa thị trường tiền mã hoá toàn cầu được ước tính ở mức 1.7 nghìn tỷ đô la vào thời điểm bài nghiên cứu (Coinmarketcap, 12/1/2024). Đặc biệt hơn nữa, ngày 11/01/2024, Ủy ban giao dịch chứng khoán Mỹ SEC chính thức phê duyệt cho các quỹ giao dịch trao đổi (ETF) Bitcoin đầu tiên được niêm yết, đánh dấu bước ngoặt quan trọng trong việc phổ cập tiền mã hóa đến thị trường tài chính truyền thống. Tuy nhiên, tiền mã hoá cũng là một trong những tài sản có độ biến động cao. Các nhân tố ảnh hưởng đến giá tiền mã hoá bao gồm tâm lý thị trường, 617
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 tình hình kinh tế-chính trị, cung cầu, mối tương quan giữa các đồng tiền mã hoá. Tâm lý thị trường là trạng thái tâm lý chung của đại đa số các nhà đầu tư, nhà giao dịch trên thị trường trước một sự kiện, tin tức, vấn đề. Trong thị trường tiền mã hoá, tâm lý thị trường được phản ánh qua nhiều yếu tố, bao gồm tin tức tài chính, các sự kiện quốc gia và thế giới cũng như tâm lý của các nhà đầu tư. Một ví dụ về yếu tố này là việc Dogecoin (DOGE) tăng hơn 6000% trong năm 2021 khi Elon Musk đăng thông báo trên Twitter về việc chấp nhận thanh toán bằng Dogecoin khi khách hàng mua sản phẩm của Tesla. Tại thời điểm đó, Dogecoin nhận được sự quan tâm từ rất nhiều phương tiện truyền thông, dẫn đến tâm lý hưng phấn của nhà đầu tư. Thị trường đã có những phản hồi tích cực và nhiều nhà đầu tư đã mua Dogecoin mà hoàn toàn không chú ý đến khía cạnh kinh tế của đồng tiền này. Ở chiều ngược lại, cũng có những tin tức xấu kích hoạt tâm lý hoảng loạn, bán tháo, gây ra sự sụt giảm giá trị nhanh chóng của tiền mã hoá trong thời gian ngắn. Ví dụ như thời điểm dịch Covid bùng phát, giá Bitcoin khi đó đã giảm 60% chỉ trong vòng 1 tuần. Như vậy, tâm lý thị trường có ảnh hưởng lớn tới biến động giá của tiền mã hoá. Dữ liệu lịch sử cũng đã cho thấy các tác động của các yếu tố kinh tế - chính trị đến hệ thống tài chính, bao gồm cả tiền mã hoá. Vào tháng 3/2021, giá Bitcoin đã tăng gần 7% trong vòng 1 ngày và nguyên nhân được cho là nhờ vào gói cứu trợ hậu Covid- 19 trị giá 1.900 tỷ USD của Mỹ. Bài viết này, do vậy, hướng tới kiểm tra tác động của tâm lý thị trường và các bất ổn chính sách kinh tế (EPU) đến biến động giá của các đồng tiền mã hoá. Nghiên cứu về biến động giá tiền mã hoá rất quan trọng, do kết quả nghiên cứu có thể giúp nhà đầu tư xây dựng chiến lược đa dạng hóa danh mục đầu tư. Hiểu được tác động của các yếu tố tâm lý tới biến động giá tiền mã hoá có thể giúp các nhà đầu tư đa dạng hóa danh mục đầu tư và quản lý rủi ro hiệu quả hơn bằng cách xác định các đồng tiền bị ảnh hưởng nhiều nhất bởi thị trường, giúp nhà đầu tư có thể đưa ra quyết định sáng suốt hơn về việc mua/bán đồng tiền mã hoá. Với mục tiêu nghiên cứu này, phần còn lại của bài viết được cấu trúc như sau: Mục 2 trình bày tổng quan các nghiên cứu trước về hiệu ứng lan truyền biến động đã thực hiện của các tác giả trong và ngoài nước; Mục 3 giới thiệu ngắn gọn về dữ liệu và phương pháp cũng như mô hình sử dụng; Mục 4 thể hiện kết quả nghiên cứu và thảo luận; Mục 5 kết luận và các hướng phát triển liên quan. 2. Tổng quan nghiên cứu Các nghiên cứu trước đây chỉ ra rằng tâm lý nhà đầu tư luôn có mối quan hệ gắn liền với giá tài sản, những bất thường và hành vi đầu cơ của thị trường tài chính truyền thống (Baker và Wurgler, 2006; Da và cộng sự, 2015; Ferreira và Morais, 2023). Với tốc độ tăng trưởng chưa từng có trong lịch sử, thị trường tiền mã hoá đã thu hút sự chú ý của các nhà đầu tư và học giả, trở thành một kênh đầu tư thay thế (Huynh và Phan, 2023; Yousaf và Goodell, 2023). Là một thị trường chứa nhiều rủi ro, thị trường tiền mã hoá có độ nhạy cảm lớn hơn đối với tâm lý của nhà đầu tư, đặc biệt là trong các tình huống cực đoan (Nicholas Taleb, 2021; Sifat, 2021). Theo Shiller (2014), các loại tiền mã hoá, ví dụ như Bitcoin có giá trị như bây giờ là do sự hào hứng của công chúng. Thực vậy, các nghiên cứu về tâm lý nhà đầu tư dựa trên các nền tảng truyền thông xã hội, như Twitter (Guégan và Renault (2020) trong giai đoạn 2017-2019; Aharon và cộng sự (2022) trong giai đoạn 2011-2020), Telegram (Smuts (2019) trong giai đoạn 2017- 2018) và Reddit (Nasekin và Chen (2020) trong giai đoạn 2013-2018), đã chỉ ra mối quan hệ giữa tâm lý nhà đầu tư và giá tiền mã hoá. Trên thực tế, mối quan hệ giữa tâm lý nhà đầu tư và 618
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 giá cũng được thể hiện rõ qua các sự kiện thị trường, điển hình như việc tiền mã hoá Dogecoin tăng giá 800% so với đồng Đô la Mỹ chỉ trong 24 giờ, một phần bị tác động bởi tâm lý tích cực của các nhà đầu tư hoạt động trên nền tảng Reddit (Kharpal, 2021). Baek và Elbeck (2015) đã chứng minh vai trò quan trọng của tâm lý nhà đầu tư trong quá trình hình thành giá tiền mã hoá trong giai đoạn từ 2010 đến 2014. Liu và Tsyvinski (2021) cũng phát hiện rằng các loại tiền mã hoá có rủi ro - lợi nhuận rất khác biệt so với cổ phiếu, tiền tệ và kim loại quý, và rằng lợi nhuận của tiền mã hoá được xác định bởi đà tăng/giảm theo thời gian và tâm lý của nhà đầu tư trong giai đoạn từ 2011 đến 2018. Một loạt các nghiên cứu khác cũng chỉ ra rằng thị trường tiền mã hoá bị ảnh hưởng bởi tâm lý nhà đầu tư qua các kênh phương tiện truyền thông xã hội và báo chí khác nhau (Chen và Hafner (2019) về Twitter trong giai đoạn 2013-2018; Kim và cộng sự (2016) về các cộng đồng trực tuyến cho đến năm 2016; Phillips và Gorse (2018) về Reddit trong giai đoạn 2016-2017; Ortu và cộng sự (2022) về Reddit trong năm 2019). Ngoài việc bị ảnh hưởng bởi các yếu tố trong thị trường truyền thống, như khối lượng giao dịch, giá tiền mã hoá còn chịu ảnh hưởng theo sự bất định về kinh tế toàn cầu, yếu tố công nghệ hoặc tài chính, v.v. (Balcilar và cộng sự, 2017; Burggraf và cộng sự, 2021; Wang và cộng sự, 2023). Nhiều bài viết gần đây đã nghiên cứu mức độ ảnh hưởng của các chỉ số tài chính-vĩ mô (Ciaian và cộng sự (2016) trong giai đoạn 2009–2015), sự bất định của chính sách kinh tế (Demir và cộng sự (2018) trong giai đoạn 2010–2017), và lưu lượng tìm kiếm trên Internet (Nasir và cộng sự (2019) trong giai đoạn 2013–2017) đến giá và hoạt động giao dịch của tiền mã hoá. Bên cạnh đó, Feng và cộng sự (2018) trong giai đoạn 2011–2017) phát hiện ra giá tiền mã hoá rất nhạy cảm đối với các sự kiện về quy định pháp lý và thị trường. 3. Phương pháp nghiên cứu 3.1. Dữ liệu nghiên cứu Để thực hiện mục tiêu nghiên cứu, bài viết này sử dụng bộ dữ liệu bao gồm ba thành phần chính như sau. Thứ nhất, dữ liệu về giá bao gồm giá đóng cửa của 6 đồng tiền mã hoá (BTC, ETH, LTC, ADA, MATIC, LINK) theo tuần trong khoảng thời gian 3 năm từ tháng 07/12/2020 đến 01/01/2023. Ngoài ra, bài viết còn thu thập dữ liệu liên quan đến hiệu quả sinh lời trên giá của hai đồng tiền mã hóa chủ đạo trên thị trường là BTC và ETH, kèm theo chỉ số sinh lời trên giá của các chỉ số tài chính truyền thống: Russell 2000, Nasdaq 100, Dow Jones Industrial Average. Thứ hai, dữ liệu đo lường tâm lý thị trường Bao gồm chỉ số sợ hãi và tham lam của thị trường tiền mã hóa (thang 100), chỉ số đo lường tâm lý thị trường trên hai nền tảng xã hội chủ đạo của thị trường tiền mã hóa là Twitter và Telegram. Thứ ba, dữ liệu đo lường bất ổn kinh tế. Bao gồm các chỉ số: chỉ số bất ổn kinh tế (Mỹ và toàn cầu), chỉ số quản lý tài chính (Mỹ), chỉ số đo lường mức độ nợ quốc gia và khủng hoảng tiền tệ (Mỹ), chỉ số tin tức hàng ngày (Mỹ). Dữ liệu được xử lý bằng phần mềm thống kê Eviews, kết hợp với bảng biểu được minh họa bằng thư viện Seaborn của Python. 3.2. Phương pháp nghiên cứu Để ước tính tác động của tâm lý thị trường và các bất ổn chính sách kinh tế (EPU) đến biến động giá của các đồng tiền mã hoá, bài viết sử dụng mô hình ARCH/GARCH. Mô hình ARCH/GARCH giúp lập mô hình phương sai có điều kiện của từng chuỗi, thể hiện sự biến động của từng chuỗi, đồng thời cho phép sự biến động này thay đổi theo thời gian. 619
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Mô hình tự hồi quy với phương sai có điều kiện khác nhau (ARCH) Mô hình ARCH được sử dụng để đặc tả và mô hình hóa chuỗi thời gian (Engle, 1982). Mô hình ARCH coi phương sai của chuỗi thời gian hiện tại là một hàm số của các sai số ngẫu nhiên thời gian trước, hay nói cách khác phương sai thay đổi qua thời gian. Mô hình ARCH(p) có dạng tổng quát như sau: 𝑦𝑡 = 𝑋𝑡 𝛽 + 𝜀𝑡 (1) 𝜀 𝑡 ~ 𝑖. 𝑖. 𝑑(0, ℎ 𝑡 ) 𝑞 ℎ 𝑡 = 𝛼0 + ∑ 𝑗=1 𝛼 𝑗 𝜀 𝑡−𝑗 2 (2) Việc sử dụng mô hình ARCH(q) trong dự báo dữ liệu chuỗi thời gian tài chính có một số ưu điểm sau. Thứ nhất, xem xét các dạng dữ liệu trong đó cho phép phương sai của nó phụ thuộc vào các giá trị phương sai trong quá khứ nhằm ước lượng mức độ rủi ro. Thứ hai, dự báo mức độ dao động của chuỗi thời gian tài chính có độ dao động cao. Tuy nhiên, mô hình ARCH(q) cũng có nhược điểm như chưa có tiêu chuẩn xác định bậc q của mô hình. Một phương pháp để khắc phục vấn đề này là sử dụng tỷ số khả dĩ (likelihood ratio test); tuy nhiên, phương pháp này chưa phải là phương pháp tốt nhất, giá trị q của phần dư có thể là một số rất lớn, dẫn tới việc không thể kiểm soát được sự phụ thuộc của phương sai có điều kiện. Điều này dẫn đến mô hình phương sai có điều kiện không có giới hạn, và phương sai có thể bị âm. Càng nhiều thông số trong phương trình phương sai có điều kiện thì càng nhiều khả năng xuất hiện phương sai âm. Mô hình tổng quát tự điều chỉnh phương sai có điều kiện khác nhau GARCH Theo Engle (1995), một trong những hạn chế của mô hình ARCH là đồ thị biểu diễn giống mô hình trung bình di động hơn là mô hình tự hồi quy. Trên thực tế, có thể đưa thêm các biến trễ của phương sai có điều kiện vào phương trình của phương sai theo dạng tự hồi quy. Tuy nhiên, quá nhiều độ trễ sẽ ảnh hưởng tới kết quả ước lượng do số bậc tự do trong mô hình bị giảm đi đáng kể. Mô hình GARCH, được phát triển độc lập bởi các nhà kinh tế học Bollerslev (1986) và Taylor (1986), cho phép phương sai có điều kiện phụ thuộc vào độ trễ của chu kỳ trước. Mô hình tổng quát được trình bày như sau: 𝑦𝑡 = 𝑋𝑡 𝛽 + 𝜀𝑡 (3) 𝜀 𝑡 ~ 𝑖. 𝑖. 𝑑(0, ℎ 𝑡 ) 𝑝 𝑞 ℎ 𝑡 = 𝛼0 + ∑ 𝑖=1 𝜃 𝑖 ℎ 𝑡−𝑖 + ∑ 𝑗=1 𝛼 𝑗 𝜀 𝑡−𝑗 2 (4) Mô hình GARCH coi phương sai ht phụ thuộc vào cả giá trị quá khứ của những cú sốc, đại diện bởi các biến trễ của hạng nhiễu bình phương, và các giá trị quá khứ của chính nó, đại diện bởi các biến ht-i. Nếu p = 0 thì mô hình GARCH (0, q) đơn giản là mô hình ARCH (q). Dạng đơn giản nhất của mô hình GARCH là mô hình GARCH (1,1). Mô hình GARCH có ưu điểm là dự báo được phương sai của tài sản thời kỳ này bằng việc tạo ra một trọng số trung bình trong dài hạn và phương sai dự báo ở giai đoạn trước, cũng như những thông tin về sự dao động từ thời kỳ trước. Mô hình cho phép phương sai phụ thuộc vào các giá trị phương sai trong quá khứ do vậy có thể ước lượng mức độ rủi ro và dự báo mức độ dao động của chuỗi thời gian tài chính có độ dao động cao. 3.3. Mô hình nghiên cứu Để tiến hành nghiên cứu, bài viết sử dụng các biến đo lường tâm lý thị trường và bất ổn 620
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 chính sách kinh tế là biến độc lập cùng với giá của tiền mã hoá là biến phụ thuộc. Tỷ suất sinh lời của của tiền mã hoá được tính toán dưới dạng logarithm cho từng đồng tiền. Dữ liệu được tính toán theo tuần. Đối với hai đồng tiền mã hoá là BTC và ETH, nhóm nghiên cứu thu thập thêm biến so sánh tỷ suất sinh lời của Bitcoin và Ethereum so với tỷ suất sinh lời trên thị trường tài chính truyền thống (theo tuần). Biến này được chuẩn hóa bắt đầu từ 0 và thay đổi dựa trên khoảng thời gian được chọn. Các biến đo lường tâm lý thị trường bao gồm chỉ số tâm lý theo Telegram, chỉ số tâm lý theo Twitter, chỉ số thị trường mua/bán, chỉ số sợ hãi và tham lam. Trong đó, chỉ số tâm lý theo Telegram và Twitter được tính toán dựa trên thuật toán học máy để suy luận ý nghĩa của các tin nhắn trong các nhóm Telegram hoặc thảo luận trên Twitter về từng loại tiền mã hoá cụ thể. Các chỉ số tâm lý theo Telegram và Twitter được tính bằng chênh lệch giữa số lượng tin nhắn tích cực và tin nhắn tiêu cực đối với từng đồng tiền mã hoá. Chỉ số thị trường mua/bán ghi nhận số lượng nhà đầu tư lớn (mua/bán) đối với từng đồng tiền mã hoá. Nhà đầu tư lớn được hiểu là người mua hoặc bán hơn 1% tổng lượng giao dịch trong một ngày. Những người mua hơn 1% tổng lượng giao dịch được phân loại là thị trường mua và những người bán hơn 1% là thị trường bán. Chỉ số mua/bán được tính bằng chênh lệch giữa số lượng người mua và người bán. Chỉ số sợ hãi và tham lam của thị trường tiền mã hóa được tính toán dựa trên các tiêu chí bao gồm: biến động giá (25%), khối lượng giao dịch toàn thị trường (25%), đánh giá các nền tảng xã hội (15%), khảo sát (15%), chỉ số thống trị của Bitcoin (10%), và xu hướng tìm kiếm Google (10%). Các chỉ số này được cho là có mối tương quan tỷ lệ thuận với biến động giá tiền mã hoá. Ví dụ như, chỉ số sợ hãi và tham lam của người dùng Bitcoin giảm thấp nhất (cực kỳ sợ hãi) vào giai đoạn giữa tháng 6/2022, tại thời điểm sụp đổ của hệ sinh thái Terra. Các biến đo lường bất ổn chính sách kinh tế bao gồm chỉ số đo lường mức độ quản lý tài chính, chỉ số đo lường mức độ khủng hoảng tiền tệ, nợ quốc gia và chỉ số bất ổn chính sách của Mỹ (theo tháng). Trong đó, hai chỉ số đo lường mức độ quản lý tài chính và chỉ số đo lường mức độ khủng hoảng tiền tệ, nợ quốc gia của Mỹ được tạo ra bằng cách tổng hợp tin tức liên quan đến quản trị tài chính, mức độ khủng hoảng tiền tệ, nợ công từ cơ sở dữ liệu Access World News với hơn 2,000 tờ báo ở Mỹ. Dữ liệu được chuẩn hóa để có giá trị trung bình là 100. Bên cạnh đó, mô hình còn sử dụng chỉ số bất ổn về chính sách kinh tế toàn cầu (theo tháng), được tính toán dựa trên GDP được điều chỉnh theo sức mua hàng hóa (PPP) và chỉ số bất ổn về chính sách kinh tế Mỹ dựa trên tin tức hàng ngày được xây dựng dựa trên lưu trữ báo chí từ dịch vụ NewsBank của Access World News. Ngoài ra, các chỉ số đo lường hiệu suất sinh lời trên giá của bộ 3 chỉ số chứng khoán đại diện cho thị trường tài chính truyền thống của Mỹ là Russell 2000 (đại diện cho 2000 công ty có vốn hóa nhỏ), Nasdaq 100 (đại diện cho 100 công ty công nghệ và có liên quan trên sàn Nasdaq), Dow Jones IA (đại diện cho 30 công ty lớn và đa ngành nghề) cũng được đưa vào trong mô hình. 621
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Các biến được sử dụng trong mô hình được trình bày ở Bảng 1. Bảng 1: Các biến sử dụng trong mô hình Tên biến Định nghĩa Nguồn Biến phụ thuộc R Biến đo lường tỷ suất sinh lời dưới dạng Nhóm tác giả logarithm của từng đồng tiền mã hóa, được tính đề xuất 𝑃𝑡 toán theo công thức 𝑅 𝑡 = 𝑙𝑜𝑔 ( 𝑃 ) 𝑡−1 Biến độc lập P Chỉ số so sánh tỷ suất sinh lời của Bitcoin và Nhóm tác giả Ethereum so với tỷ suất sinh lời trên thị trường đề xuất tài chính truyền thống (theo tuần). TELE Chỉ số tâm lý theo Telegram Smuts (2019) TW Chỉ số tâm lý theo Twitter Aharon và cộng sự (2022) BB Chỉ số thị trường mua/bán Nhóm tác giả đề xuất Russell; Nasdaq; Chỉ số đo lường hiệu suất sinh lời trên giá Wang và cộng Dow Jones của bộ 3 chỉ số chứng khoán là Russell 2000, sự (2023) Nasdaq 100, và Dow Jones IA. EPU; FG; Các chỉ số đo lường bất ổn chính sách kinh Wang và cộng SDCC; GEPU; tế của Mỹ (EPU), mức độ quản lý tài chính (FG), sự (2023); Baker mức độ khủng hoảng tiền tệ, nợ quốc gia và cộng sự UDNI (SDCC), bất ổn chính sách kinh tế toàn cầu (2016); Husted và (GEPU) và chỉ số bất ổn chính sách kinh tế Mỹ cộng sự (2016) theo tin tức hàng ngày (UDNI). FNG Chỉ số sợ hãi và tham lam Wang và cộng sự (2023) Nguồn: Nhóm nghiên cứu tổng hợp 4. Kết quả và thảo luận 4.1. Thống kê mô tả 622
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Bảng 2: Bảng thống kê mô tả giá và tỷ suất sinh lời PDO RMA RLIN PRUS PNAS RBTC RETH RADA RLTC PBTC PETH WJO EPU FG SDCC GEPU UDNI FNG TIC K SELL DAQ NES - Trung 0.0051 0.0083 0.0083 0.0237 0.0008 32.935 257.10 0.5642 1.8300 0.6993 129.89 131.61 44.665 255.26 159.83 46.372 0.0010 bình 03 22 83 76 1 9 83 3 91 03 74 7 51 81 14 67 3 - - Trung 0.0027 0.0053 0.0079 0.0039 29.721 223.81 0.5287 1.8373 0.7159 126.39 103.97 28.788 257.37 0.0011 0.0010 149.57 47 vị 2 17 02 99 9 21 33 35 91 06 64 44 86 8 5 Cao 0.2281 0.4283 0.5282 0.6408 0.3317 0.2514 63.819 571.15 0.9084 2.4495 0.8917 224.82 778.68 155.02 377.08 435.03 95 nhất 02 96 6 04 3 66 99 64 78 71 54 7 22 34 34 - - - - - Nhỏ - 14.704 69.750 0.3083 1.2466 0.4776 88.731 15.845 8.5417 185.97 0.2774 0.4263 0.3303 0.3946 0.4384 14.69 9 nhất 0.4571 77 3 23 74 84 28 54 31 7 4 5 2 5 8 Độ 0.0857 0.1001 0.1157 0.1725 0.1142 0.1176 12.458 108.04 0.1513 0.3200 0.0872 25.581 136.65 39.703 42.706 74.941 23.247 lệch 62 31 7 43 05 27 7 62 65 13 33 42 15 26 03 37 53 chuẩn - - - - - Độ 1.0772 0.9061 0.5708 0.9293 0.3142 - 1.3225 3.3251 1.2386 0.4506 0.9479 0.2819 0.2750 0.2830 0.4636 0.5037 0.5543 lệch 85 71 81 77 18 0.0425 75 32 38 64 25 94 3 3 6 2 2 Độ 4.0294 7.2370 6.5049 5.0069 4.0121 4.2458 2.4065 3.2830 1.8492 1.9203 2.9125 4.8785 14.789 3.7137 2.3689 4.0259 1.9766 nhọn 78 29 2 93 61 87 69 38 42 63 06 44 56 16 26 91 19 Quan 162 162 162 162 162 162 162 162 162 162 162 162 162 162 162 162 162 sát Nguồn: Nhóm nghiên cứu 623
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Bảng thống kê cho thấy giá trị trung bình và trung vị của tỷ suất sinh lời các loại tiền mã hóa gần nhau và có phân phối đối xứng, ngoại trừ đồng tiền ADA. Giá trị độ nhọn dương làm nổi bật tính chuẩn của phân phối lợi nhuận, ngoại trừ ETH và ADA, với giá trị độ nhọn cao hơn, biểu thị các giá trị ngoại lai. Độ xiên của các biến trong phạm vi -1 đến +1 cho thấy phân phối đối xứng, ngoại trừ LTC và ADA có độ xiên vượt qua 1, biểu thị phân phối lệch phải với sự xuất hiện của các giá trị lớn bất thường. Bảng 2 cho thấy hiệu suất sinh lời của BTC và ETH cao hơn so với các chỉ số tài chính truyền thống, nhưng cũng đi kèm với biến động cao hơn. Điều này chỉ ra mức độ rủi ro cao trong thị trường tiền mã hóa. Ngược lại, các chỉ số thị trường truyền thống cho ra hiệu suất trung bình và biến động thấp hơn, phản ánh tính ổn định và tin cậy trong thị trường chứng khoán truyền thống. Các chỉ số về bất ổn kinh tế như EPU, FG, SDCC, GEPU, UDNI cho thấy sự biến động và bất ổn kinh tế toàn cầu trong thời gian quan sát. Chỉ số tham lam và sợ hãi (FNG) thấp dưới 50, cho thấy tâm lý thị trường tiền mã hóa trong thời gian này bị chi phối bởi yếu tố sợ hãi, kèm theo độ nhọn thấp và phân phối đối xứng. Hình 1. Biểu đồ biến động giá của 6 đồng tiền mã hóa Nguồn: Nhóm nghiên cứu Hình 1 minh họa sự biến động giá của sáu đồng tiền mã hóa: Bitcoin (BTC), Ethereum (ETH), Cardano (ADA), Polygon (MATIC), Chainlink (LINK), và Litecoin (LTC) từ cuối năm 2020 đến cuối năm 2023. BTC và ETH có chu kỳ tăng trưởng chung với đỉnh vào quý I và quý IV năm 2021, sau đó là chuỗi thời gian sụt giảm, rồi ổn định dần qua năm 2022 sau đó có dấu hiệu tăng trưởng trở lại vào cuối năm 2023. Sự sụt giảm nghiêm trọng trong năm 2022 là kết quả của tâm lý nhà đầu tư sau sụp đổ của hệ sinh thái Terra và các quy định mới của chính phủ Mỹ. Từ quý II năm 2022 đến hết quý III năm 2023, thị trường duy trì giá ở mức thấp do các chính sách tiền tệ thắt chặt của chính phủ Mỹ. Sự phục hồi chỉ bắt đầu từ quý IV năm 2023, sau khi FED ra dấu hiệu ngừng tăng lãi suất và SEC phê duyệt ETF Spot Bitcoin đầu tiên. 624
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Hình 2. Biểu đồ phân phối của tỷ suất sinh lời và hàm mật độ kernel Nguồn: Nhóm nghiên cứu Hình 2 biểu thị phân phối tỷ suất sinh lời của sáu loại tiền mã hóa. BTC, ETH và ADA có phân phối đối xứng quanh 0, gần giống phân phối chuẩn, cho thấy sự ổn định trong biến động lợi nhuận, mặc dù ETH và ADA có một số lợi nhuận cao hơn bình thường. Phân phối của MATIC lệch trái với đuôi dài hơn về phía lợi nhuận dương, biểu thị sự xuất hiện của lợi nhuận bất thường từ các sự kiện tích cực. Trong khi đó, LTC có phân phối lệch phải với tần suất lợi nhuận âm bất thường. LINK có độ nhọn thấp, biểu thị sự biến động lớn về lợi nhuận và thua lỗ, thể hiện tính rủi ro và không chắc chắn trong giá của đồng tiền này. Hình 3. Biểu đồ hiệu suất của BTC và ETH so sánh với các chỉ số thị trường Nguồn: Nhóm nghiên cứu Hình 3 biểu thị sự biến động trong hiệu suất của Bitcoin (BTC), Ethereum (ETH), và một số chỉ số chứng khoán chính từ cuối năm 2020 đến 2023. Trên biểu đồ “PBTC” và “PETH”, thể hiện rõ sự hiệu suất đầu tư cao trong giai đoạn đầu năm 2021, sau đó là sụp đổ và phục hồi một phần vào năm 2023. ETH cho thấy độ trễ trong hiệu suất so với BTC nhưng có biên độ lớn hơn, phản ánh sự dẫn đầu của BTC trong thị trường tiền mã hóa. Các chỉ số tài chính như “Russell 2000”, “Nasdaq 100” và “Dow Jones Industrial Average” cũng ghi nhận đỉnh hiệu 625
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 suất vào quý IV năm 2021 trước khi vào chu kỳ suy thoái. Tuy nhiên, từ nửa sau năm 2022, các chỉ số này đã bắt đầu phục hồi, đặc biệt là Dow Jones với đà tăng mạnh mẽ. Mặc dù cả tiền mã hóa và chứng khoán đều phục hồi vào năm 2023, nhưng tốc độ và mức độ phục hồi khác nhau, cho thấy sự chênh lệch về rủi ro và thanh khoản giữa hai thị trường. Bảng 4 cho thấy có sự tương quan mạnh giữa BTC và ETH (0,80), thể hiện xu hướng thuận trong đà tăng, giảm của hai đồng tiền này. Hiệu suất giá của các chỉ số chứng khoán Russell, NASDAQ, và Dow Jones cũng thể hiện sự tương quan cao, đặc biệt là giữa NASDAQ và Dow Jones (0,78), điều này phản ánh sự di chuyển đồng nhất trong thị trường chứng khoán truyền thống. Ma trận cũng cho thấy mối tương quan tương đối giữa hiệu suất giá của tiền mã hóa và các chỉ số chứng khoán, với BTC có mối liên hệ cao nhất với Russell (0,81). Bảng 4 cho thấy các chỉ số bất ổn kinh tế EPU, FG, SDCC, và GEPU cho ra mức độ tương quan yếu, điều này thể hiện những yếu tố này có thể độc lập và không ảnh hưởng mạnh mẽ lẫn nhau. Bất ổn kinh tế toàn cầu (GEPU) có mức độ tương quan ngược chiều với chỉ số tham lam và sợ hãi (FNG) (-0,19), cho thấy rằng bất ổn về kinh tế toàn cầu có thể ảnh hưởng tiêu cực đến tâm lý nhà đầu tư trong thị trường tiền mã hóa. Ngoài ra, nợ công và khủng hoảng tài chính (SDCC) cũng có tương quan âm với FNG (-0,37), chỉ ra rằng lo ngại về khủng hoảng nợ công tăng lên có thể dẫn đến tâm lý sợ hãi trong thị trường tiền mã hóa. 626
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Bảng 3. Ma trận tương quan PBTC PETH PRUSSELL PNASDAQ PDOWJONES EPU FG FNG GEPU UDNI SDCC PBTC 1 0,796126 0,807189 0,620252 0,495704 -0,157331 -0,155650 0,358224 -0,529259 0,021493 -0,240690 PETH 0,796126 1 0,664023 0,654433 0,684506 -0,248725 -0,082976 -0,000719 -0,398878 -0,071720 -0,205917 PRUSSELL 0,807189 0,664023 1 0,535154 0,482754 -0,143534 -0,128493 0,229373 -0,605100 0,027971 -0,302846 PNASDAQ 0,620252 0,654433 0,535154 1 0,770360 -0,353747 -0,251668 0,262838 -0,499650 -0,147859 -0,278640 PDOWJONES 0,495704 0,684506 0,482754 0,770360 1 -0,415651 -0,072858 0,015835 -0,458017 -0,164468 -0,344718 EPU -0,157331 -0,248725 -0,143534 -0,353747 -0,415651 1 0,341359 0,228407 0,246196 0,077730 -0,127581 FG -0,155650 -0,082976 -0,128493 -0,251668 -0,072858 0,341359 1 -0,003063 -0,009958 0,008963 -0,097111 FNG 0,358224 -0,000719 0,229373 0,262838 0,015835 0,228407 -0,003063 1 -0,186479 0,165468 -0,368917 GEPU -0,529259 -0,398878 -0,605100 -0,499650 -0,458017 0,246196 -0,009958 -0,186479 1 0,082173 0,304459 UDNI 0,021493 -0,071720 0,027971 -0,147859 -0,164468 0,077730 0,008963 0,165468 0,082173 1 -0,044170 SDCC -0,240690 -0,205917 -0,302846 -0,278640 -0,344718 -0,127581 -0,097111 -0,368917 0,304459 -0,044170 1 Nguồn: Nhóm nghiên cứu 627
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 4.2. Kết quả và thảo luận Bảng 4: Kết quả hồi quy GARCH (1,1) RBTC RETH RADA RMATIC RLINK RLTC C -0,16716 -0,076927 -0,112062 -0,586081 -0,250034 -0,273821 0,02353 PBTC [0,000969] 2,82*10^(-4) PETH *** [0,000282] 0,00176 -7,89*10^(-4) 1,296*10^(-3) -0,000798 0,001752 -0,005095 𝑩𝑩 𝒊 [0,006071] [0,001325] [0,005779] [0,001883] [0,001173] [0,08165] 1,75*10*(-6) 2,27*10^(-7) 4,94*10^(-7) 5,04*10^(-6) 9,67*10^(-7) 4,78*10^(-6) 𝑻𝑬𝑳𝑬 𝒊 ** ** *** [8,12*10^(-7)] [2,1*10^(-7)] [6,61*10^(-7)] [2,11*10^(-6)] [2,95*10^(-7)] [2,13*10^(-5)] 2,79*10^(-7) 4,72*10^(-7) 4,73*10^(-6) -1,36*10^(-7) 3,72*10^(-7) 3,43*10^(-6) 𝑻𝑾 𝒊 *** ** [1,81*10^(-7)] [1,59*10^(-7)] [3,99*10^-6)] [2,75*10^(-6)] [8,22*10^(-7)] [1,57*10^(-6)] 0,054456 0,024837 0,052258 -0,20468 0,101778 0,148841 Russell * [0,109083] [0,058709] [0,104774] [0,126136] [0,061857] [0,095388] -0,161085 -0,13698 -0,018936 0,039983 -0,165266 -0,028032 Nasdaq *** *** *** [0,044592] [7,83*10^(-5)] [0,040129] [0,062950] [6,39*10^(-6)] [0,057256] 0,425578 0,30319 0,131206 0,582203 00,692306 0,21807 Dowjones *** *** *** ** *** [0,152321] [0,000143] [0,005388] [0,280446] [0,001228] [0,000552] -1,57*10^(-4) 1,19*10^(-4) 7,62*10^(-5) 0,000668 1,44*10^(-4) 0,000422 EPU [0,000410] [0,000408] [0,000584] [0,000672] [0,000452] [0,000111] 5,13*10^(-5) 4,57*10^(-5) 0,000134 8,36*10^(-5) 4,5*10^(-5) 0,000105 FG [5,72*10^(-5)] [7,2*10^(-5)] [0,000104] [8,58*10^(-5)] [5,39*10^(-5)] [0,000279] SDCC 7,45*10^(-4) 4,18*10^(-4) 3,02*10^(-4) 4,25*10^(-4) 5,36*10^(-4) 5,1*10^(-4) 628
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 *** ** ** * [0,000221] [0,000218] [0,000333] [0,000382] [0,000241] [0,000277] 3,78*10^(-5) -5,76*10^(-5) 4,7*10^(-5) 0,000389 -3,2*10^(-4) 2,31*10^(-5) GEPU [0,000283] [0,000166] [0,000293] [0,000425] [0,000239] [0,000124] -0,0001 -1,51*10^(-4) -5,81*10^(-5) -6,02*10^(-5) 1*10^(-5) 2,53*10^(-6) UDNI ** [0,000115] [7,16*10^(-5)] [0,000175] [0,000214] [0,000107] [0,000531] -1,01*10^(-4) -3,03*10^(-4) -0,001308 -0,000394 0,0006 -7,02*10^(-4) FNG *** [0,000432] [0,000467] [0,000185] [0,000723] [0,000528] [0,000531] C 0,001983 1,64*10^(-5) -0,000317 0,004431 0,000358 8,6*10^(-5) -0,086876 -0,046085 -0,036231 0,201575 -0,077697 -0,043848 ARCH (1) *** *** 0,728458 1,060762 1,064327 0,622188 1,058964 1,048070 GARCH (1) * *** *** ** *** *** *, **, ***: Có ý nghĩa thống kê ở mức 10%, 5% và 1%; sai số tiêu chuẩn trong dấu ngoặc [ ] Nguồn: Nhóm nghiên cứu 629
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Bảng 4 trình bày kết quả của mô hình GARCH trong việc dự đoán biến động của tỷ suất sinh lời cho các đồng tiền mã hoá như BTC, ETH, ADA, MATIC, LINK và LTC. Hệ số GARCH(1) có ý nghĩa thống kê trong tất cả các mô hình, cho thấy tính hiệu quả trong việc ước lượng biến động điều kiện của các đồng tiền mã hoá. Tuy nhiên, chỉ có ETH có hệ số ARCH(1) có ý nghĩa thống kê, cho thấy sự tự hồi quy của biến động điều kiện chỉ áp dụng cho ETH, điều này phản ánh tính khó dự đoán của tỷ suất sinh lời trong thị trường tiền mã hoá dựa theo giá lịch sử. Kết quả xử lý dữ liệu cũng chỉ ra rằng các biến ngoại sinh như chỉ số thị trường mua/bán (BB), chỉ số bất ổn kinh tế (EPU), chỉ số quản lý tài chính của Mỹ (FG) và chỉ số bất ổn kinh tế toàn cầu (GEPU) không có ý nghĩa thống kê trong bất kỳ mô hình nào. Điều này cho thấy rằng tỷ suất sinh lời của các đồng tiền mã hoá không chịu ảnh hưởng từ các giao dịch mua/bán của các nhà đầu tư sở hữu số lượng lớn các loại tiền mã hoá, cũng như từ biến động của bất ổn kinh tế. Đối với các chỉ số đánh giá tâm lý thị trường thông qua các nền tảng xã hội như Twitter và Telegram, chỉ có một số đồng tiền cụ thể chịu ảnh hưởng. BTC, MATIC và LINK có mối quan hệ tích cực với tâm lý của người dùng trên Telegram, trong khi ETH và LTC được ảnh hưởng tích cực bởi tâm lý trên Twitter. Điều này cho thấy tác động của bình luận tích cực và tiêu cực trên các nền tảng xã hội đối với giá của các đồng tiền cụ thể, mặc dù không phải tất cả. Chỉ số sợ hãi và tham lam (FNG) không có ý nghĩa thống kê trong các mô hình tỷ suất sinh lời, ngoại trừ mô hình của ADA, được hiểu rằng chỉ số này không đóng vai trò quan trọng trong tỷ suất sinh lời của thị trường tiền mã hoá nói chung. Kết quả của mô hình GARCH cũng chỉ ra tác động của các chỉ số thị trường khác. Chỉ số Russell 2000 ảnh hưởng đến tỷ suất sinh lời của LINK với ý nghĩa thống kê ở mức 10%. Trong khi đó, chỉ số Nasdaq 100 có tác động tiêu cực đến tất cả các đồng tiền mã hoá, nhưng chỉ có ý nghĩa thống kê đối với BTC, ETH và LINK. Chỉ số DJIA cũng có tác động tích cực đối với tất cả các đồng tiền mã hoá với ý nghĩa thống kê ở mức 1%. Chỉ số đo lường tin tức hàng ngày trên 2000 tờ báo của Mỹ (UDNI) chỉ có ý nghĩa thống kê 5% đối với tỷ suất sinh lời của ETH và mang hệ số âm. Trong khi đó, đa phần các đồng tiền mã hóa được quan sát (trừ ADA và MATIC) có mối quan hệ cùng chiều với các tin tức liên quan tới mức độ khủng hoảng tiền tệ và nợ quốc gia (SDCC), nhưng ở các mức ý nghĩa khác nhau. Như vậy, khi báo chí càng đề cập nhiều tới khủng hoảng tiền tệ và nợ quốc gia, tỷ suất sinh lời của tiền mã hoá càng cao. Điều này cho thấy nhà đầu tư coi tiền mã hoá là kênh đầu tư trong bối cảnh khủng hoảng kinh tế. 5. Kết luận và khuyến nghị Nghiên cứu này sử dụng dữ liệu theo tuần của 6 đồng tiền mã hoá để phân tích tác động của các yếu tố tâm lý thị trường, bất ổn kinh tế và biến động thị trường chứng khoán đối với tỷ suất sinh lời, dựa trên mô hình GARCH(1,1). Kết quả của nghiên cứu cung cấp những nhận định chính xác và quan trọng như sau: (1) Tâm lý thị trường, được đo lường qua hai nền tảng xã hội là Twitter và Telegram, có ảnh hưởng đáng kể đến tỷ suất sinh lời của một số đồng tiền mã hoá. Điều này không chỉ củng cố cho các nghiên cứu trước đó của Guégan và Renault (2020), Aharon và cộng sự (2022), Smuts (2019), và Nasekin và Chen (2020) về tầm quan trọng của tâm lý nhà đầu tư trên các nền 630
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 tảng mạng xã hội, mà còn làm nổi bật thêm sự tương tác động của các yếu tố này đối với thị trường tiền mã hoá. (2) Các chỉ số thị trường chứng khoán truyền thống thể hiện ảnh hưởng đáng kể đối với hiệu suất sinh lời của tiền mã hoá, cho thấy sự tương quan giữa thị trường tài chính truyền thống và thị trường tiền mã hoá. Kết quả này tương thích với các nghiên cứu trước đó của Baker và Wurgler (2006), Da và cộng sự (2015), chỉ ra rằng tâm lý nhà đầu tư có vai trò quan trọng trong hình thành giá và hành vi đầu cơ trong thị trường các thị trường tài chính. (3) Các chỉ số bất ổn kinh tế cũng có ảnh hưởng đáng kể đối với tỷ suất sinh lời của tiền mã hoá, nhưng có sự đa dạng trong mức độ và tác động của ảnh hưởng này đối với các loại tiền mã hoá khác nhau. Kết quả này hỗ trợ cho quan điểm của Nicholas Taleb (2021) và Sifat (2021), về sự nhạy cảm của thị trường tiền mã hoá đối với tâm lý nhà đầu tư, đặc biệt trong các tình huống cực đoan. Về các hạn chế của nghiên cứu này, nhóm tác giả cho rằng việc sử dụng dữ liệu theo tuần có thể làm giảm độ chính xác của phân tích, và việc sử dụng mô hình GARCH(1,1) có thể không phản ánh đầy đủ mức độ biến động của thị trường. Bên cạnh đó, dữ liệu từ các nền tảng xã hội cũng có thể không phản ánh đầy đủ tâm lý và hành vi của tất cả nhà đầu tư trên thị trường. Để nâng cao chất lượng nghiên cứu, nhóm tác giả cân nhắc sẽ mở rộng phạm vi dữ liệu cũng như sử dụng các phương pháp phân tích phức tạp hơn trong các nghiên cứu sau. Hướng nghiên cứu tiếp theo có thể bao gồm việc xem xét tác động của các yếu tố khác như chính sách pháp lý và sử dụng các mô hình học máy để dự báo độ biến động của thị trường tiền mã hoá một cách chính xác hơn. 631
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 TÀI LIỆU THAM KHẢO [1]. Aharon, D. Y.; Demir, E.; Lau, C. K. M.; Zaremba, A., (2022, Twitter-Based uncertainty and cryptocurrency returns, Research in International Business and Finance, Vol 59, 101546. [2]. Baek, C.; Elbeck, M., (2015), Bitcoins as an investment or speculative vehicle? A first look, Applied Economics Letters, Vol. 22, No. 1, pp. 30-34. [3]. Baker, M.; Wurgler, J., (2006), Investor sentiment and the cross‐section of stock returns, The Journal of Finance, Vol. 61, No. 4, pp. 1645-1680. [4] Baker, S. R.; Bloom, N.; Davis, S. J., (2016), Measuring economic policy uncertainty, Quarterly Journal of Economics, Vol. 131, pp. 1593–1636. [5]. Balcilar, M.; Bouri, E.; Gupta, R.; Roubaud, D., (2017), Can volume predict Bitcoin returns and volatility? A quantiles-based approach, Economic Modelling, Vol. 64, pp. 74-81. [6]. Bollerslev, T., (1986), Generalized autoregressive conditional heteroskedasticity, Journal of Econometrics, 31(3), pp. 307-327. [7]. Burggraf, T.; Huynh, T. L. D.; Rudolf, M.; Wang, M., (2021), Do FEARS drive bitcoin?, Review of Behavioral Finance, Vol. 13, No. 3, pp. 229-258. [8]. Chen, C. Y. H.; Hafner, C. M., (2019), Sentiment-induced bubbles in the cryptocurrency market, Journal of Risk and Financial Management, Vol. 12(2), 53. [9]. Ciaian, P.; Rajcaniova, M.; Kancs, D. A., (2016), The economics of BitCoin price formation, Applied economics, Vol. 48, No. 19, pp. 1799-1815. [10]. Da, Z.; Engelberg, J.; Gao, P., (2015), The sum of all FEARS investor sentiment and asset prices, The Review of Financial Studies, Vol. 28, No. 1, pp. 1-32. [11]. Demir, E.; Gozgor, G.; Lau, C. K. M.; Vigne, S. A., (2018), Does economic policy uncertainty predict the Bitcoin returns? An empirical investigation, Finance Research Letters, Vol. 26, pp. 145-149. [12]. Engle, R. F., (1982), Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation, Econometrica: Journal of the econometric Society, pp. 987-1007. [13]. Engle, R., (1995), ARCH: Selected Readings, Oxford University Press. [14]. Feng, W.; Wang, Y.; Zhang, Z., (2018), Informed trading in the Bitcoin market, Finance Research Letters, Vol. 26, pp. 63-70. [15]. Ferreira, J.; Morais, F., (2023), Predict or to be predicted? A transfer entropy view between adaptive green markets, structural shocks and sentiment index, Finance Research Letters, 104100. [16]. Guégan, D.; Renault, T., (2021), Does investor sentiment on social media provide robust information for Bitcoin returns predictability?, Finance Research Letters, Vol. 38, 101494. [17]. Husted, L.; Rogers, J.; Sun, B., (2016), Measuring cross country monetary policy uncertainty, IFDP Notes, Washington: Board of Governors of the Federal Reserve System. [18]. Huynh, N., Phan, H., (2023), Emotions in the crypto market: Do photos really speak?, Finance Research Letters, 103945. [19]. Kharpal, A., (2021), Reddit frenzy pumps up Dogecoin, a cryptocurrency started as a joke. 632
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 [20]. Kim, Y. B.; Kim, J. G.; Kim, W.; Im, J. H.; Kim, T. H.; Kang, S. J.; Kim, C. H., (2016), Predicting fluctuations in cryptocurrency transactions based on user comments and replies, PloS one, Vol. 11, No. 8, e0161197. [21]. Liu, Y.; Tsyvinski, A., (2021), Risks and returns of cryptocurrency, The Review of Financial Studies, Vol. 34, No. 6, pp. 2689-2727. [22]. Nasekin, S.; Chen, C. Y. H., (2020), Deep learning-based cryptocurrency sentiment construction, Digital Finance, Vol. 2, No. 1-2, pp. 39-67. [23]. Nasir, M. A.; Huynh, T. L. D.; Nguyen, S. P.; Duong, D., (2019), Forecasting cryptocurrency returns and volume using search engines, Financial Innovation, Vol. 5, No. 1, pp. 1-13. [24]. Ortu, M.; Uras, N.; Conversano, C.; Bartolucci, S.; Destefanis, G., (2022), On technical trading and social media indicators for cryptocurrency price classification through deep learning, Expert Systems with Applications, Vol. 198, 116804. [25]. Phillips, R. C.; Gorse, D., (2018, June), Mutual-excitation of cryptocurrency market returns and social media topics, In Proceedings of the 4th International Conference on Frontiers of Educational Technologies (pp. 80-86). [26]. Shiller, R. J., (2020), Narrative economics: How stories go viral and drive major economic events, Princeton University Press. [27]. Smuts, N., (2019), What drives cryptocurrency prices? An investigation of Google trends and telegram sentiment, ACM SIGMETRICS Performance Evaluation Review, Vol. 46, No. 3, pp. 131-134. [28]. Sifat, I., (2021), On cryptocurrencies as an independent asset class: Long-horizon and COVID-19 pandemic era decoupling from global sentiments, Finance Research Letters, Vol. 43, 102013. [29]. Taleb, N. N.; Investments, U. Bitcoin, Currencies, and Fragility: Supplementary Discussions. [30]. Taylor, S. J., (2008), Modelling financial time series, World Scientific. [31]. Wang, J. N.; Liu, H. C.; Lee, Y. H.; Hsu, Y. T., (2023), FOMO in the Bitcoin market: Revisiting and factors, The Quarterly Review of Economics and Finance, Vol. 89, pp. 244-253. [32]. Wang, Y.; Andreeva, G.; Martin-Barragan, B., (2023), Machine learning approaches to forecasting cryptocurrency volatility: Considering internal and external determinants, International Review of Financial Analysis, Vol. 90, 102914. [33]. Yousaf, I.; Goodell, J. W., (2023), Reputational contagion and the fall of FTX: Examining the response of tokens to the delegitimization of FTT, Finance Research Letters, Vol. 54, 103704. 633