Thông tin tài liệu
BỘ CÔNG THƯƠNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH BÁO CÁO TỔNG KẾT ĐỀ TÀI KHOA HỌC KẾT QUẢ THỰC HIỆN ĐỀ TÀI NGHIÊN CỨU KHOA HỌCCẤP TRƯỜNG Tên đề tài: TÁC ĐỘNG CỦA TÂM LÝ NHÀ ĐẦU TƯ ĐƯỢC ĐO LƯỜNG DỰA TRÊN CÁC CHỈ BÁO PHÂN TÍCH KỸ THUẬT ĐẾN LỢI NHUẬN CỔ PHIẾU: BẰNG CHỨNG THỰC NGHIỆM TRÊN VN100 Mã số đề tài: 21/1TCNH03 Chủ nhiệm đề tài: TS Lại Cao Mai Phương TS Vũ Cẩm Nhung Đơn vị thực hiện: Khoa Tài chính- Ngân hàng Tp Hồ Chí Minh, 2022 LỜI CÁM ƠN Lời nhóm tác giả đề tài “Tác động tâm lý nhà đầu tư đo lường dựa báo phân tích kỹ thuật đến lợi nhuận cổ phiếu: Bằng chứng thực nghiệm VN100” xin trân trọng gửi lời cảm ơn đến Ban giám hiệu, Hội đồng Khoa học Đào tạo Trường Đại học Cơng nghiệp Thành phố Hồ Chí Minh phê duyệt tài trợ để nhóm tác giả thực đề tài Nhóm tác giả xin trân trọng cảm ơn Lãnh đạo Phòng Quản lý Khoa học Hợp tác quốc tế, Trưởng tiểu ban Kinh tế Trưởng Khoa Tài chính-Ngân hàng Trường Đại học Cơng nghiệp Thành phố Hồ Chí Minh tạo điều kiện giúp đỡ nhóm tác giả q trình làm thủ tục lập Hội đồng từ giai đoạn phê duyệt đề tài đến giai đoạn lập Hội đồng nghiệm thu đề tài Nhóm tác giả trân trọng xin chân thành cảm ơn đến Quý Thầy/Cô Hội đồng nghiệm thu đề tài, góp ý q báu từ Q Thầy/Cơ giúp đề tài hồn thiện Xin kính chúc Q Lãnh đạo, Q Thầy/Cơ ln có sức khỏe, hạnh phúc thành công nghiệp giáo dục đào tạo Thay mặt nhóm tác giả TS Lại Cao Mai Phương PHẦN I THÔNG TIN CHUNG I Thông tin tổng quát 1.1 Tên đề tài: Tác động tâm lý nhà đầu tư đo lường dựa báo phân tích kỹ thuật đến lợi nhuận cổ phiếu: Bằng chứng thực nghiệm VN100 1.2 Mã số: 21/1TCNH03 1.3 Danh sách chủ trì, thành viên tham gia thực đề tài TT Họ tên (học hàm, học vị) Đơn vị cơng tác Vai trị thực đề tài TS Lại Cao Mai Phương Trường Đại học Công nghiệp TP.HCM Chủ nhiệm đề tài TS Vũ Cẩm Nhung Trường Đại học Công nghiệp TP.HCM Thành viên 1.4 Đơn vị chủ trì: Khoa Tài chính-Ngân hàng, Trường Đại học Cơng nghiệp TP.HCM 1.5 Thời gian thực hiện: 1.5.1 Theo hợp đồng: từ tháng năm 2021 đến tháng năm 2022 1.5.2 Gia hạn (nếu có): Khơng 1.5.3 Thực thực tế: từ tháng năm 2021 đến tháng 01 năm 2022 1.6 Những thay đổi so với thuyết minh ban đầu (nếu có): (Về mục tiêu, nội dung, phương pháp, kết nghiên cứu tổ chức thực hiện; Nguyên nhân; Ý kiến Cơ quan quản lý) Không thay đổi so với thuyết minh ban đầu đề tài 1.7 Tổng kinh phí phê duyệt đề tài: Bốn mươi lăm triệu đồng II Kết nghiên cứu Đặt vấn đề Daniel Kahneman, nhà tâm lý học người Mỹ, nhận giải nobel kinh tế năm 2002 cơng trình nghiên cứu liên quan đến vai trò tâm lý học định kinh tế người tình không chắn (Nobelprize, 2002) Sự công nhận cho thấy vai trị khơng thể phủ nhận yếu tố tâm lý định kinh tế Đồng thời đưa góc nhìn việc giải thích thay đổi giá cổ phiếu thị trường chứng khoán bên cạnh lý thuyết thị trường hiệu Fama mơ hình định giá tài sản chuẩn tắc Có nhiều cách đo lường tâm lý thị trường tài (Baker Wurgler, 2006), thị trường chứng khốn sử dụng báo phân tích kỹ thuật để đo lường tâm lý nhà đầu tư hàng ngày thường dùng phổ biến (Ryu cộng sự, 2017, Li, 2021) Tại Việt Nam, nghiên cứu học thuật ứng dụng phân tích kỹ thuật vào thị trường chứng khốn cịn hạn chế Đa số nghiên cứu Việt Nam đến chủ yếu tập trung vào báo riêng lẻ phân kỳ/hội tụ đường trung bình động Moving Average Convergence Divergence –MACD (Hung, 2016), báo tâm lý nhà đầu tư Psychological Line Index-PLI (Phuong, 2020), số sức mạnh tương đối Relative Strength Index-RSI (Phuong, 2021a), báo dòng tiền Money Flow Index-MFI (Phuong, 2021b) nghiên cứu kết hợp báo riêng rẽ thành báo tâm lý tổng hợp Những lý nêu tạo động lực để nghiên cứu thực Nghiên cứu kiểm tra xem liệu tâm lý nhà đầu tư đo lường dựa báo phân tích kỹ thuật có tác động đến lợi nhuận cổ phiếu thị trường chứng khốn Việt Nam hay khơng Để trả lời câu hỏi này, tác giả kiểm tra thực nghiệm báo tâm lý tổng hợp 57 công ty thuộc VN100 niêm yết thị trường chứng khoán Việt Nam giai đoạn từ đầu năm 2015 đến năm 2020 Mục tiêu a) Mục tiêu tổng quát Nghiên cứu tác động yếu tố tâm lý nhà đầu tư, đo số báo phân tích kỹ thuật, đến lợi nhuận cổ phiếu thuộc VN100 b) Mục tiêu cụ thể Nghiên cứu ảnh hưởng tâm lý nhà đầu tư, đo lường số sức mạnh tương đối (RSI) đến lợi nhuận cổ phiếu thuộc VN100 Nghiên cứu ảnh hưởng tâm lý nhà đầu tư, đo lường dựa báo tâm lý nhà đầu tư (PLI) đến lợi nhuận cổ phiếu thuộc VN100 Nghiên cứu ảnh hưởng tâm lý nhà đầu tư đo lường dựa báo phân tích kỹ thuật (PLC) đến lợi nhuận cổ phiếu thuộc VN100 Phương pháp nghiên cứu 3.1 Các mơ hình Nghiên cứu tham khảo mơ hình Ryu cộng (2017) có sửa đổi áp dụng vào thị trường chứng khoán Việt Nam Điểm khác mơ hình nghiên cứu so với Ryu cộng (2017) sử dụng phần bù rủi ro thị trường mơ hình định giá tài sản vốn vào mơ hình nghiên cứu Năm mơ hình nghiên cứu khác sử dụng để kiểm tra giả thuyết nghiên cứu nêu phần trên, cụ thể: - Mơ hình (1): cho biết ảnh hưởng tâm lý nhà đầu tư, đo lường báo sức mạnh tương đối (RSI) đến lợi nhuận cổ phiếu thuộc VN100 - Mơ hình (2): cho biết ảnh hưởng tâm lý nhà đầu tư, đo lường dựa báo tâm lý nhà đầu tư (PLI) đến lợi nhuận cổ phiếu thuộc VN100 - Mơ hình (3) (4): So sánh sức mạnh giải thích yếu tố tâm lý tổng hợp (mơ hình 4) hành vi giao dịch (mơ hình 3) nhà đầu tư đến lợi nhuận cổ phiếu thuộc VN100 - Mơ hình (5): cho biết ảnh hưởng tâm lý tổng hợp nhà đầu tư đo lường dựa báo phân tích kỹ thuật (PLC) đến lợi nhuận cổ phiếu thuộc VN100 Biến đo lường tâm lý nhà đầu tư nghiên cứu có ưu điểm so với Baker Wurgler (2006) đo lường tâm lý hàng ngày cổ phiếu Rei,t = β0 + β1(Rm- Rf) + β2RSIi,t + β3NNBSVdi,t + β4Sizei,t-1 + β5CFi,t-1 + (1) β6Volatilityi,t + ei,t Rei,t = β0 + β1(Rm- Rf) + β2PLIi,t + β3NBSVdi,t + β4Sizei,t-1 + β5CFi,t-1 + β6Volatilityi,t (2) + ei,t Rei,t = β0 + β1(Rm- Rf) + β2NBSVdi,t + β3Sizei,t-1 + β4CFi,t-1 + β5Volatilityi,t + ei,t (3) Rei,t = β0 + β1(Rm- Rf) + β2PLCi,t + β3Sizei,t-1 + β4CFi,t-1 + β5Volatilityi,t + ei,t (4) Rei,t = β0 + β1(Rm- Rf) + β2PLCi,t + β3NBSVdi,t + β4Sizei,t-1 + β5CFi,t-1 + (5) β6Volatilityi,t + ei,t Trong đó: Biến phụ thuộc excess return (Rei,t) chênh lệch return thô cổ phiếu i lãi suất phi rủi ro Lãi suất trái phiếu phủ năm sử dụng lãi suất phi rui ro Vế phải phương trình mở rộng mơ hình CAPM cách thêm biến đo lường tác động tâm lý tổng hợp nhà đầu tư (PLCi,t), hành vi giao dịch họ (NBSVi,t), biến kiểm sốt yếu tố (CFPSi,t-1), quy mơ đặc điểm giao dịch (Voli,t) cổ phiếu Tiếp theo diễn giải cách tính cho biến độc lập gồm biến đo lường tâm lý biến kiểm sốt mơ hình nghiên cứu Các biến đo lường tâm lý Tính RSI: RSI sử dụng để đo lường vận tốc chuyển động giá theo hướng Khoảng giá trị RSI từ đến 100, thường sử dụng để đưa tín hiệu mua bán thị trường tài Tín hiệu mua xuất RSI tăng vượt qua ngưỡng 30 theo chiều từ hướng lên Ngược lại, tín hiệu bán xảy RSI giảm xuống ngưỡng 70 theo chiều hướng xuống Vùng giá trị RSI mức 30 gọi vùng bán, vùng cao mức 70 goi vùng mua Giá trị 50 RSI gọi mức trung bình chia RSI thành hai phần Khi RSI 50 mức lãi trung bình kỳ tính tốn cao mức lỗ trung bình kỳ Trong trường hơp giá cổ phiếu xuất xu hướng tăng Ngược lại, RSI 50 cho thấy mức lỗ trung bình lớn so với mức lãi trung bình, xu hướng giảm xuất (Wilder, 1978) Tương tự báo đường trung bình động, RSI coi biến động giá làm mịn (smoothed) Ưu điểm RSI xác định trước thay đổi xu hướng dựa vào giá trị động lượng giảm trước xu hướng đảo chiều diễn ra, đường trung bình động khơng thể (Irwin & Park, 2004) (6) Bài viết sử dụng tham số RSI 14 ngày (ngày 13 ngày liền trước đó) theo đề xuất Wilder (1978) Tham số nhiều nghiên cứu sử dụng phân tích thị trường chứng khốn Hoa Kỳ (Ţăran-Moroşan, 2011); Ấn Độ (Gumparthi, 2017) Tử số RS biểu thị cho tổng số lời trung bình 14 ngày, mẫu số RS biểu thị cho tổng số lỗ trung bình 14 ngày Pi, t-k giá cổ phiếu i ngày (t-k) Tính PLI: (7) PLIi,t = 100 x PLI tính cách chia số ngày tăng giá cho tổng số ngày giai đoạn lựa chọn, cịn gọi quy tắc đa số (Majority Rule) Parmeter 12 ngày gồm ngày 11 ngày trước Giá trị PLI chạy từ đến 100 Tương tự RSI, PLI có hai ngưỡng để xác định tín hiệu mua bán Khi PLI vượt qua 75 di chuyển vào vùng mua khả giảm giá tăng lên Ngược lại, PLI thấp 25 di chuyển vào vùng bán khả tăng giá chiếm ưu Tính PLC Để kết hợp nhiều biến tâm lý với nhau, biến đo lường thông qua báo phân tích kỹ thuật riêng lẻ, phương pháp phân tích phần PCA thường áp dụng để tạo báo tâm lý tổng hợp (Ryu cộng sự, 2017) Trong này, biến PLC xây dựng việc trích xuất thành phần thứ PCA từ hai báo RSI PLI Các biến kiểm soát: Biến hành vi giao dịch nhà đầu tư (NBSV) xây dựng dựa cân khối lượng giao dịch cầu cung cổ phiếu riêng lẻ Nhu cầu đầu tư rịng (net) cổ phiếu (NBSV) tính chênh lệch khối lượng đặt mua (đại diện cho phía cầu) khối lượng đặt bán (đại diện cho phía cung) thực tế, so với tổng hai giá trị ngày giao dịch Nó thể cho cân giao dịch bên mua bên bán cổ phiếu cụ thể Nếu giá trị dương cao cho thấy cân cầu cung lớn Nói cách khác, phía cầu áp đảo phía cung Ngược lại, giá trị âm cho thấy phía cung cổ phiếu áp đảo so với phía cầu NBSV cổ phiếu tính theo tần suất ngày dựa công thức (8) NBSVi,t = (BVi,t – SVi,t) (8) (BVi,t + SVi,t) Trong đó: BVi,t SVi,t tổng khối lượng đặt mua tổng khối lượng đặt bán nhà đầu tư thị trường cổ phiếu i ngày t Để loại bỏ tác động lợi nhuận thị trường tính tốn số hành vi giao dịch nhà đầu tư, số thu từ phần dư thực ước lượng phương trình (9) BSdi,t = NBSVi,t = β0 + β1(Rmt - Rft)+ ui,t (9) Trong đó, (Rmt - Rft) phần bù thị trường, tính chênh lệch return thị trường (Rm) và lãi suất phi rủi ro (Rf) thời điểm t Biến động giá cổ phiếu (Volatility): tính dựa độ lệch chuẩn biến động giá đóng cửa hàng ngày cổ phiếu i khoảng thời gian định (10) Trong đó: Pi,t giá đóng cửa cổ phiếu i ngày t 252 số ngày giao dịch năm, n= khoảng thời gian 13 ngày trước đến ngày t áp dụng cho cổ phiếu i; Quy mơ cơng ty (Size): tính logarit khối lượng cổ phiếu lưu hành nhân với giá đóng cửa hàng ngày cổ phiếu Chỉ số dịng tiền cơng ty (CFPS) tính logarit giá trị dịng tiền từ hoạt động sản xuất kinh doanh tạo hàng quý cổ phiếu 3.2 Phương pháp ước lượng principal component analysis (PCA) Phân tích PCA dựa vào tiêu chí Số thành phần (Components) giữ lại mơ hình phân tích dựa vào Hệ số Eigenvalues Chỉ thành phần có Eigenvalues>1 giữ lại Kiểm định KMO đo lường mức độ đầy đủ việc lấy mẫu, nhận giá trị từ đến Kaiser (1974) cho giá trị KMO phải thỏa mãn điều kiện từ 0.5 trở lên (0.5 ≤ KMO ≤ 1) phù hợp để phân tích thành phần Kiểm định Bartlett để biết biến PCA có tương quan với hay khơng (Bartlett, 1950) Nếu kết kiểm định cho thấy P-value z [Khoảng tin cậy 95%] quy chuẩn Eigenvalues Comp1 1,6318 0,0084 194,16 0,000 1,6153 1,6483 Principal component loadings RSI 0,7071 0,0016 447,62 0,000 0,7040 0,7102 PLI 0,7071 0,0016 447,62 0,000 0,7040 0,7102 LR test for independence: chi2(1) = 38410,23 Prob > chi2 = 0,0000 LR test for sphericity (Bartlett test) chi2(2) = 38410,49 Prob > chi2 = 0,0000 Kaiser-Meyer-Olkin test (KMO test) 0,5000 Explained variance by components Components Eigenvalue Proportion SE_Prop Cumulative SE_Cum Bias Comp1 1,6318 0,8159 0,0011 0,8159 0,0011 6,3e-06 Comp2 0,3682 0,1841 0,0011 1,0000 0,0000 -6,3e-06 Giá trị KMO 0.5 cho thấy việc lấy mẫu đủ (sampling adequacy) để thực PCA (Kaiser, 1974) P-value kiểm định Bartlett 0.00 nhỏ 0.05 cho thấy hai biến RSI PLI có tương quan cao Kết kiểm định Bảng tái khẳng định kết Bảng tính tương quan cao biến RSI biến PLI Hệ số Eigenvalues thành phần 1.6318 lớn cho thấy thành phần nên giữ lại biến giải thích mơ hình nghiên cứu Thành phần giải thích 81.59% (1.6318/2) tổng phương sai phần phương sai khơng giải thích thành phần 18.41% Tải trọng thành phần biến RSI PLI 0.7071 Đây ngưỡng tốt theo chuẩn Hair cộng (2009) để lựa chọn biến giữ lại có ý nghĩa thống kê thực PCA Bảng 4: Kết hồi quy theo Fama Macbeth mơ hình nghiên cứu Variable FMBrsi FMBpli FMBnbsv FMBplc1 FMBplc (1) (2) (3) (4) (5) Rm- Rf 0,317*** 0,347*** 0,439*** 0,286*** 0,268*** NBSV 0,915*** 1,003*** 1,074*** 0,935*** Size (-1) -0,031*** -0,044*** -0,007 -0,041*** -0,051*** CFBS (-1) 0,002* 0,007*** 0,009*** -0,000 0,004*** Vol (-1) -0,551*** -0,898*** -0,396*** -0,899*** -0,918*** RSI 0,059*** PLI 0,026*** PLC 0,521*** 0,500*** _cons -1,176*** 0,442*** 0,322** 1,198*** 1,387*** N 75400 75400 75400 75400 75400 r2 0,277 0,209 0,159 0,211 0,252 adjr2 0,206 0,132 0,094 0,150 0,178 Ghi chú: *, **, *** có mức ý nghĩa 1%, 5% 10% Kết kiểm định giả thuyết thể Bảng Mơ hình 1: Hệ số hồi quy biến RSI có ý nghĩa thống kê 1% bác bỏ giả thuyết H01 Nói cách khác, tâm lý nhà đầu tư đo lường báo sức mạnh tương đối (RSI) có tác động đến lợi nhuận cổ phiếu mẫu nghiên cứu Tương tự, giả thuyết H02 bị bác bỏ hệ số hồi quy biến PLI mơ hình có ý nghĩa thống kê 1% Kết từ mơ hình cho thấy tâm lý nhà đầu tư đo lường báo tâm lý nhà đầu tư (PLI) có tác động đến lợi nhuận cổ phiếu thuộc VN100 Mơ hình mơ hình khác biến mơ hình hồi quy Trong mơ hình sử dụng biến hành vi giao dịch nhà đầu tư (NBSV), khơng có biến tâm lý tổng hợp nhà đầu tư (PLC) có R-bình phương điều chỉnh 9,4% Trong mơ hình khơng gồm biến hành vi giao dịch nhà đầu tư (NBSV) sử dụng biến tâm lý tổng hợp nhà đầu tư (PLC) có R-bình phương điều chỉnh j 15% Vì mơ hình có R-bình phương điều chỉnh 15% lớn R-bình phương điều chỉnh 9,4% mơ hình cho thấy sức mạnh giải thích biến PLI lớn so với biến NBSV, hay có khác sức mạnh giải thích yếu tố tâm lý tổng hợp hành vi giao dịch nhà đầu tư đến lợi nhuận cổ phiếu thuộc VN100 Với mức ý nghĩa thống kê 1% cho thấy yếu tố tâm lý tổng hợp nhà đầu tư đo lường báo kỹ thuật PLC tác động đến lợi nhuận cổ phiếu (Mơ hình 5) Kết đồng nghĩa với việc bác bỏ giả thuyết H04 Kết hồi quy từ Bảng cho thấy biến kiểm soát tác động đến lợi nhuận cổ phiếu thị trường chứng khoán Việt Nam Hệ số hồi quy biến đại diện cho tâm lý nhà đầu tư dương đáng kể bốn mơ hình (1) (2) (4) (5), cho thấy tâm lý cao có liên quan đến lợi nhuận cổ phiếu cao Nó khác so với kết Baker & Wurgler (2006) thị trường chứng khoán Hoa Kỳ Kết thực nghiệm ủng hộ cho nhận định thị trường chứng khốn Việt Nam khơng hiệu Các yếu tố liên quan mật thiết đến giao dịch hàng ngày mức độ biến động giá cổ phiếu, chênh lệch khối lượng giao dịch bên mua bên bán có ý nghĩa quan trọng việc giải thích lợi nhuận vượt trội chứng khốn Biến Volt-1 có hệ số hồi quy âm đáng kể cho thấy cổ phiếu có giá ngày (t-1) biến động mạnh làm tăng rủi ro ro đầu tư tác động tiêu cực đến lợi nhuận vượt trội ngày t cổ phiếu Phát ngược dấu với kết Ryu cộng (2017) thị trường chứng khoán Hàn Quốc mơ hình hình ước lượng hàng ngày Hệ số hồi quy biến hành vi giao dịch (NBSV) dương có ý nghĩa 1%, cho thấy cân cầu cung khối lượng giao dịch cổ phiếu cụ thể đóng vai trị quan trọng việc giải thích lợi nhuận vượt trội cổ phiếu Sự cân giao dịch tăng khả lợi nhuận vượt trội cổ phiếu tăng Bên cạnh yếu tố giao dịch, yếu tố đặc điểm doanh nghiệp quy mơ dịng tiền doanh nghiệp có ý nghĩa đáng kể việc giải thích lợi nhuận vượt trội cổ phiếu Các doanh nghiệp hoạt động hiệu quả, dòng tiền cổ phiếu (CFPS(1)) tăng khả lợi nhuận vượt trội cổ phiếu tăng Hệ số hồi quy biến sizet-1 âm có ý nghĩa cho thấy cơng ty có quy mơ lớn có khả kìm hãm lợi nhuận vượt trội cổ phiếu cơng ty Thơng thường cơng ty có quy mô lớn thường thị trường đánh giá cao so với mức trung bình, khối lượng cổ phiếu lưu hành lớn, khả tăng giá cổ phiếu để tạo lợi nhuận vượt trội nhóm cơng ty khó so với cơng ty có quy mô nhỏ Hệ số hồi quy lập luận mơ hình CAPM tất mơ hình có ý nghĩa thống kê 1% cho thấy phần bù rủi ro ro thị trường có đóng góp đáng kể vào lợi nhuận vượt trội cổ phiếu Giá trị hệ số nhỏ chứng tỏ cổ phiếu mẫu có biến động nhỏ hơn, hay rủi ro so với rủi ro toàn thị trường Kết khác với Li (2021) sở giao dịch chứng khoán Thượng Hải-Trung Quốc theo tần suất hàng ngày Điều hợp lý mẫu nghiên cứu viết chủ yếu công ty lớn thị trường chứng khốn Việt Nam, mức độ rủi ro cổ phiếu thấp so với rủi ro chung tồn thị trường Khả giải thích từ mơ hình cho thấy số kết thú vị Trong năm mô hinh nghiên cứu, mô hình (1) có R2 điều chỉnh lớn bổ sung thêm lý giải thích RSI báo phân tích kỹ thuật sử dụng phổ biến So sánh mơ hình (3) (4) cho thấy khả giải thích mơ hình (3), loại trừ biến tâm lý PLC, thấp nhiều so với mơ hình (4), loại trừ biến hành vi giao dịch NBSV Hơn nữa, tâm quan trọng biến NBSV giảm rõ ràng biến tâm lý RSI, PLI, PLC sử dụng mơ hình (1) (2) (5) Kết cho thấy hành vi giao dịch tâm lý đầu tư yếu tố quan trọng việc giải thích lợi nhuận cổ phiếu vai trò tâm lý quan trọng so với yếu tố lại Robustness tests (Kiểm tra tính vững mơ hình) Bảng 5: Kết hồi quy theo GLS mơ hình nghiên cứu Variable GLSrsi GLSpli GLSnbsv GLSplc1 GLSplc (1) (2) (3) (4) (5) Rm- Rf 0,414*** 0,480*** 0,518*** 0,433*** 0,436*** NBSV 1,359*** 1,380*** 1,466*** 1,342*** Size (-1) -0,029*** -0,049*** -0,011** -0,040*** -0,052*** CFBS (-1) 0,003** 0,005*** 0,006*** -0,001 0,004*** Vol (-1) -0,403*** -1,027*** -0,715*** -0,790*** -0,832*** RSI 0,053*** 0,471*** PLI 0,026*** PLC 0,501*** 1,401*** 0,463*** _cons -1,680*** 0,663*** 1,748*** N 75400 75400 75400 75400 75400 r2 0,1718 0,1150 0,0870 0,1318 0,1509 adjr2 0,1717 0,1150 0,0869 0,1317 0,1509 F(56,75337) F(56,75337) F(56,75338) F(56,75338) F(56,75337) = 33,73 = 33,42 = 33,17 = 2,49 = 33,90 F test Prob > F = Prob > F = Prob > F = Prob > F = Prob > F = 0,0000 0,0000 0,0000 0,0000 0,0000 F(1, 56) = F(1, 56) = F(1, 56) = F(1, 56) = F(1, 56) = Wooldridge test 833,251 1215,707 1152,963 1598,188 1328,704 for Prob > F = Prob > F = Prob > F = Prob > F = Prob > F = autocorrelation 0,0000 0,0000 0,0000 0,0000 0,0000 chi2 (57) = chi2 (57) = chi2 (57) = chi2 (57) = chi2 (57) = Modified Wald 1424,83 1233,49 1295,56 1293,99 1309,40 test for Prob>chi2 Prob>chi2 = Prob>chi2= Prob>chi2= Prob>chi2 = heteroskedasticity = 0,0000 0,0000 0,0000 0,0000 0,0000 Ghi chú: *, **, *** có mức ý nghĩa 1%, 5% 10% Bên cạnh phương pháp ước lượng Fama-MacBeth, để đảm bảo tính vững kết ước ượng, viết sử dụng thêm phương pháp hồi quy GLS cho mơ hình nghiên cứu Bảng trình bày kết kiểm định kết hồi quy theo phương pháp GLS Sau khắc phục vấn đề tự tương quan phương sai thay đổi, kết hồi quy cuối mơ hình thể Bảng “Investor sentiment measurement based on technical analysis indicators affecting stock returns: Empirical evidence on VN100” AUTHORS Lai Cao Mai Phuong Vu Cam Nhung ARTICLE INFO Lai Cao Mai Phuong and Vu Cam Nhung (2021) Investor sentiment measurement based on technical analysis indicators affecting stock returns: Empirical evidence on VN100 Investment Management and Financial Innovations, 18(4), 297-308 doi:10.21511/imfi.18(4).2021.25 DOI http://dx.doi.org/10.21511/imfi.18(4).2021.25 RELEASED ON Friday, 03 December 2021 RECEIVED ON Monday, 18 October 2021 ACCEPTED ON Wednesday, 01 December 2021 LICENSE This work is licensed under a Creative Commons Attribution 4.0 International License JOURNAL "Investment Management and Financial Innovations" ISSN PRINT 1810-4967 ISSN ONLINE 1812-9358 PUBLISHER LLC “Consulting Publishing Company “Business Perspectives” FOUNDER LLC “Consulting Publishing Company “Business Perspectives” NUMBER OF REFERENCES NUMBER OF FIGURES NUMBER OF TABLES 34 © The author(s) 2021 This publication is an open access article businessperspectives.org Investment Management and Financial Innovations, Volume 18, Issue 4, 2021 Lai Cao Mai Phuong (Vietnam), Vu Cam Nhung (Vietnam) BUSINESS PERSPECTIVES LLC “СPС “Business Perspectives” Hryhorii Skovoroda lane, 10, Sumy, 40022, Ukraine www.businessperspectives.org Investor sentiment measurement based on technical analysis indicators affecting stock returns: Empirical evidence on VN100 Abstract Received on: 18th of October, 2021 Accepted on: 1st of December, 2021 Published on: 3rd of December, 2021 © Lai Cao Mai Phuong, Vu Cam Nhung, 2021 Lai Cao Mai Phuong, Ph.D., Faculty of Finance and Banking, Industrial University of Ho Chi Minh City, Vietnam (Corresponding author) Vu Cam Nhung, Ph.D., Faculty of Finance and Banking, Industrial University of Ho Chi Minh City, Vietnam The purpose of this study is to examine whether investor sentiment as measured by technical analysis indicators has an impact on stock returns The research period is from 2015 to mid-2020 1-year government bond yields, financial data, transaction data of 57 companies in the VN100 basket, and VNIndex are analyzed The investor sentiment variable is measured by each technical analysis indicator (Relative Strength Index – RSI, Psychological Line Index – PLI), and the general sentiment variable is established based on extracting the principal component from individual indicators The paper uses two regression methods – Fama-MacBeth and Generalized Least Square (GLS) – for five different research models The results show that sentiment plays an important role in stock returns in the Vietnamese stock market Even controlling the factors such as cash flow per share, firm size, market risk premium, and stock price volatility in the studied models, the impact of sentiment is significant in both the model using individual technical indicators and the model using the general sentiment variable Furthermore, investor sentiment has a stronger power to explain excess stock returns than their trading behavior The implication from the results shows that the Vietnamese stock market is inefficient, in which psychology is a very important issue and participants need to pay due attention to this factor Keywords excess return, relative strength index, psychological line index, principal component analysis, technical indicator JEL Classification G12, G14, G17, G41 INTRODUCTION Daniel Kahneman, an American psychologist, received the 2002 Nobel Prize in economics for the work related to the role psychology plays in people’s economic decisions in uncertain situations (The Nobel Prize, 2002) This recognition shows the undeniable role of psychology in economic decisions At the same time, it also provides a new perspective in explaining stock price changes in the stock market in addition to Fama’s efficient market theory and standard asset pricing models There are many ways to measure sentiment in financial markets (Baker & Wurgler, 2006) One can use technical analysis indicators to measure investor sentiment in the stock market on a daily basis (Baker & Wurgler, 2006; Ryu et al., 2017; Li, 2021) This is an Open Access article, distributed under the terms of the Creative Commons Attribution 4.0 International license, which permits unrestricted re-use, distribution, and reproduction in any medium, provided the original work is properly cited Conflict of interest statement: Author(s) reported no conflict of interest http://dx.doi.org/10.21511/imfi.18(4).2021.25 In Vietnam, academic studies on the application of technical analysis to the stock market are quite limited Most of the studies in Vietnam so far have mainly focused on individual indicators such as Moving Average Convergence Divergence – MACD (Hung, 2016), Psychological Line Index – PLI (Phuong, 2020), Relative Strength Index – RSI (Phuong, 2021a), and Money Flow Index – MFI (Phuong, 297 Investment Management and Financial Innovations, Volume 18, Issue 4, 2021 2021b) However, a few studies combine separate indicators into a general sentiment indicator Thus, this study investigates stock markets from this perspective This study examines whether investor sentiment as measured by technical analysis indicators has an impact on stock returns in the Vietnamese stock market To answer this question, the general sentiment indicator is examined for 57 companies under VN100 listed on the Vietnamese stock market in the period from early 2015 to mid-2020 This article further contributes to academic studies on measuring investor sentiment based on technical analysis indicators on the Vietnamese stock market in various aspects First, it develops a general investor sentiment indicator on the Vietnamese stock market based on individual technical analysis indicators Second, it provides empirical evidence demonstrating the impact of the general sentiment on stock excess returns Third, it proves that investor psychology plays a more important role in explaining excess returns than their trading behavior Finally, the results from the research models are suggestions for investors, enterprises, and capital market regulators to make future decisions LITERATURE REVIEW AND HYPOTHESES DEVELOPMENT According to Fama’s efficient market theory, price movement is a random walk, historical information has no effect on current prices, and market prices always reflect the fair value or fundamental price of stocks (Fama, 1965) However, Shiller 1.1 Background theories (1983) showed that in many cases stock prices deviate from fair value Technical analysis using Working (1949, 1961) defined a perfect futures historical data can predict stock prices (Irwin & market: the market price is the best estimate tak- Brorsen, 1987) showing the shortcomings of effiing into account available information and the cient markets delivery date of the futures contract This definition can be seen as a separate case but is similar Based on the prospect theory of Kahneman and in nature to the well-known definition of efficient Tversky (1979), Shiller (1981, 1983) suggested that market proposed by Fama (2021) Through the- human irrationality and psychology caused this oretical discussion, analysis of empirical results phenomenon Therefore, standard asset pricing on stock price movements, the efficient market models, such as the capital asset pricing model theory was proposed It has become a standard (CAPM), should add behavioral and psychological theory in the financial literature According to variables to increase efficiency Fama (2021), a market is considered “efficient” when stock prices reflect all available informa- 1.2 Investor sentiment tion, and the subset of information reflected in stock prices is classified into three levels: weak, Baker and Wurgler (2006) define investor sentisemi-strong, and strong When prices only reflect ment as the optimism or pessimism of investors historical information, which is indicative of the towards stocks in general There are three main weak form, the information set is supplemented ways to measure investor sentiment: a direct with other information such as publicly availa- measurement based on primary data (surveys), an ble information, which is indicative of the semi- indirect measurement using secondary data, and strong form, and the information set includes a meta measurement using a combination of both both proprietary and inside information, which direct and indirect ways are manifestations of the strong form The efficient market theory implies that an investor will To measure investor sentiment in the financial not be able to obtain excess returns based solely market, the focus was put on an in-depth study of on the set of information on which the market only one technical analysis indicator (Anderson & has been classified Li, 2015; Bhargavi et al., 2017; Phuong, 2020, 2021a, 298 http://dx.doi.org/10.21511/imfi.18(4).2021.25 Investment Management and Financial Innovations, Volume 18, Issue 4, 2021 2021b) Ryu et al (2017) and Li (2021) simultaneously applied many different technical analysis indicators in a research model Thus, the paper review empirical studies using relative strength index (RSI), psychological line index (PLI), and general sentiment indicator of investors in financial markets Bhargavi et al (2017) researched the Indian stock market and showed that RSI can be used as one of the tools for selecting stocks when setting up a portfolio It is necessary to select 10 stocks with the highest EPS and 10 stocks with the highest P/E listed on the Stock Exchange of India to form a portfolio Bhargavi et al (2017) wanted to investigate whether RSI could be used to construct an Relative Strength Index (RSI) RSI was introduced optimal portfolio from this portfolio By calcuby Wilder (1978) and became one of the most fa- lating RSI on a daily basis from January 2011 to mous momentum oscillators (Park & Irwin, 2004) December 2013, it was found that short-term inMeasuring investor sentiment on a daily basis vestment performance using RSI-14 is mostly based on the closing price of Singapore’s STI index positive when applied in March 2014 Therefore, from January 1, 1974, to December 31, 1994, Wong Bhargavi et al (2017) argue that the use of RSI in et al (2003) showed that RSI can give positive re- the Indian stock market is valid turns considering the establishment of signals from different threshold values Similar to Wong Psychological Line Index (PLI) It was first introet al (2003), Schulmeister (2009) measured intra- duced by Pring (1985) Mizuno et al (1998) used it day sentiment in the spot and futures markets for in a neural network model to predict buying and the S&P500 at a 30-minute frequency from 1983 to selling time for the TOPIX index on the Tokyo 2007 It was shown that a trading strategy using a stock exchange Using PLI-25 days to compare combination of RSI with a moving average result- with neural network model and buy-hold strateed in an average gross profit of 7.2% per year The gy, it was found that in the buying situation, PLI evidence from these studies also shows that trading generates higher returns than the neural network strategies based on signals from RSI provide better model and the buy-hold strategy, but in the sell sitperformance than a moving average strategy uation, the neural network model gives better results than the signal from the PLI In general, the Ţăran-Moroşan (2011) investigated the neural network model applied to the TOPIX index performance of the revised RSI (RSIM) for the still prevails over the strategy using only signals US stock market (S&P500 Index) to compare its from PLI performance (buy/sell) against the RSI classical period from March 1, 2004, to April 30, 2010 The Hsu (2011) used RSI-13 trading days and some results show that the RSIM indicator for buy (bull- other technical indicators in the process of inteish sentiment) and sell (negative sentiment) for the grating a self-organizing map and genetic proS&P500 is more effective than the classic RSI gramming to forecast stock prices through the Financial and Insurance Index on the Taiwan The choice of analytical parameters is extreme- Stock Exchange (sub-index of TAIEX) The results ly important and can affect the results (Ţăran- show that frequently alternating ups and downs Moroşan, 2011), especially using only the buy-sell and daily closing price ranges increase the diffisignal of an indicator Therefore, to reduce risk, culty of prediction, but it was confirmed that the studies need to use many other factors in making integrated prediction process is an effective and investment decisions feasible tool for forecasting stock price prediction Anderson and Li (2015) used daily data on the US Dollar/Swiss Franc exchange rate from January 5, 1998, to May 22, 2009, with a total of 2,955 observations showing that the use of RSI as a trading signal is still profitable However, it was noted that the buy-sell threshold of RSI needs to be adjusted slightly from the standard threshold proposed by Wilder (1978) to be more effective http://dx.doi.org/10.21511/imfi.18(4).2021.25 Recently, Phuong (2020) using PLI-12 trading days for various thresholds on the Vietnamese stock market showed a significant impact of this indicator on stock returns PLI values less than 25 have a negative impact on stock returns; conversely, PLI values greater than 50, PLI greater than 75, and total PLI have a positive impact on stock returns 299 Investment Management and Financial Innovations, Volume 18, Issue 4, 2021 General sentiment indicator based on principal component analysis (PCA) Baker and Wurgler (2006) used variables such as the closed-end fund discount, dividend premium, the turnover of shares on the New York Stock Exchange, volume and an average return on the first day of IPO, and newly issued equity to measure investor sentiment These variables were collected annually from 1962 to 2001 and the study extracted the first component in PCA to form the explanatory variable representing investor sentiment towards stock returns It was found that stocks with high subjective characteristics and difficulty to arbitrage are characterized by low psychology that brings high profits, and high psychology brings low profits cal indicators including RSI, PLI, the logarithm of trading volume, and adjusted turnover rate Investor behavior is determined based on buying and selling imbalances for 257 companies It was asserted that investor sentiment plays a more important role than their trading behavior in explaining stock returns Complementing Ryu et al (2017), Seok et al (2019) showed that investor sentiment has a positive impact on realized profits of companies that are difficult to value on the Korean stock market The purpose of this study is to investigate the role of investor sentiment as measured by technical analysis indicators in the excess returns of stocks Kumar and Lee (2006) studied whether the trading in the VN100 basket on the Vietnamese stock behavior of individual investors (retail investors) market To achieve this purpose, five research hyhas an impact on stock prices in the US stock mar- potheses are raised, including: ket Trading behavior is measured by calculating the difference between the bid and ask volume for H01: Investor sentiment is measured by the relaeach stock on a monthly basis from 1991 to 1996 tive strength index (RSI), which has no imIt was shown that macro information and analysts’ pact on the stock returns of VN100 earnings forecast adjustments for stocks have no significant impact on stock returns Stocks with a H02: Investor sentiment is measured by the psyhigh percentage of individual investor ownership, chological line index (PLI), which has no imsuch as low capitalization, low institutional ownpact on VN100 stock returns ership, and undervalued stocks, have returns that are explained by the trading behavior of investors H03: There is no difference in the explanatory in the market Kumar and Lee (2006) asserted power of the general sentiment and investor that investor sentiment has a significant impact trading behavior to VN100stock returns on stock returns H04: The general sentiment of investors is measKim and Ha (2010) investigated the influence of ured based on technical analysis indicators investor sentiment on stock prices traded on the (PLC), which has no impact on VN100 stock Korean stock market Data were collected on a returns monthly basis from December 1993 to December 2008 excluding the period of the Korean exchange crisis from 1997 to 1998 The PCA method is used METHODOLOGY to build a representative variable of investor sentiment The results demonstrated that investor sen- 2.1 Models timent has a systematic influence on stock prices of Korean companies, especially companies with The study refers to the model of Ryu et al (2017) small capitalization, low market price, and low with amendments when applied to the Vietnamese stock market The difference of the model in this market price study compared to Ryu et al (2017) is to use the Ryu et al (2017) investigated investor sentiment market risk premium in the capital asset pricing and trading behavior that affect stock returns model in the research models on the Korean stock market from 2000 to 2015 Investor sentiment is the first component when Five different research models are used to test the performing PCA on daily data for four techni- research hypotheses, including: 300 http://dx.doi.org/10.21511/imfi.18(4).2021.25 Investment Management and Financial Innovations, Volume 18, Issue 4, 2021 • Model (1) shows the influence of investor sen- yield used is the risk-free rate The right-hand side timent, measured by the relative strength in- of the equations is an extension of the CAPM dex (RSI) on VN100 stock returns model by adding variables measuring the general sentiment of investors PLCi ,t their trading beModel (2) shows the influence of investor sen- havior (NBSVi,t), control variables on fundamentiment, measured based on psychological line tals CFPSi ,t −1 , size, and trading characteristics Voli ,t of each stock indicator (PLI) on VN100 stock returns ( • ( ( ) ) ) • Models (3) and (4) compare the explanatory power of general investor sentiment (model 4) and investor trading behavior (model 3) to the returns of stocks belonging to investors Each independent variable including psychometric variables and control variables in the research models is calculated in their ways Psychometric variables are calculated the following way • Model (5) shows the influence of general investor sentiment measured based on technical analysis indicators (PLC) on VN100 stock returns RSI is used to measure the velocity of directional price movement RSI values range from to 100 and are commonly used to give buy and sell signals in financial markets A buy signal occurs when the RSI rises above 30 in the upward direction Conversely, a sell signal occurs when the RSI falls below 70 in the downtrend The RSI value below 30 is called the oversold, and the area above 70 is called the overbought The RSI value of 50 is called the average and it divides the RSI into two parts When the RSI is above 50 it indicates that the average gain for the calculation period is higher than the average loss for that period In this case, it indicates that the stock price is in an uptrend Conversely, when the RSI is below 50 it shows that the average loss is larger than the average gain, and a downtrend occurs (Wilder, 1978) Similar to the moving average indicator, RSI can be thought of as smoothed price movements The advantage of RSI is that it is possible to pre-determine a change in trend based on decreasing momentum before a trend reversal occurs, but it is different for moving averages (Park & Irwin, 2004) The variable measuring investor sentiment in this study has an advantage over that of Baker and Wurgler (2006) as it can measure daily sentiment for each stock: β β1 ( Rm − R f ) +β RSI i ,t + Rei ,t =+ + β3 N NBSVdi ,t + β Sizei ,t −1 + (1) + β5CFi ,t −1 + β 6Volatilityi ,t + ei ,t , β β1 ( Rm − R f ) +β PLI i ,t + Rei ,t =+ + β3 NBSVdi ,t + β Sizei ,t −1 + (2) + β5CFi ,t −1 + β 6Volatilityi ,t + ei ,t , β β1 ( Rm − R f ) +β NBSVdi ,t + Rei ,t =+ (3) + β3 Sizei ,t −1 + β 4CFi ,t −1 + β5Volatilityi ,t + ei ,t , Rei ,t =+ β β1 ( Rm − R f ) +β PLCi ,t + + β3 Sizei ,t −1 + β 4CFi ,t −1 + (4) 100 RSI i ,t =− + β5Volatilityi ,t + ei ,t , β β1 ( Rm − R f ) +β PLCi ,t + Rei ,t =+ + β3 NBSVdi ,t + β Sizei ,t −1 + RSi , t = (5) + β5CFi ,t −1 + β 6Volatilityi ,t + ei ,t , where the dependent variable Rei ,t (excess return) is the difference between the raw return of stock i and the risk-free rate The 1-year government bond http://dx.doi.org/10.21511/imfi.18(4).2021.25 ∑ ∑ 13 k =0 13 100 ⋅ RSi ,t 100 = , + RSi ,t + RSi ,t max ( 0, Pi , t − k − Pi , t −1− k ) max ( 0, Pi , t −1− k − Pi , t − k ) k =0 (6) This paper uses the RSI parameter of 14 days (current day and previous 13 days) as suggested by Wilder (1978) This parameter is also used by Ţăran-Moroşan (2011) and Bhargavi et al (2017) when analyzing stock markets The numerator of RS represents the average total losses over 14 days, 301 Investment Management and Financial Innovations, Volume 18, Issue 4, 2021 the denominator of the RS represents the average total losses over 14 days Pi, t-k is the price of stock i at day (t–k) where BVi,t and SVi,t are the total bid volume and total sell order volume of investors in the market for stock i at day t, respectively PLI is calculated by dividing the number of bullish days by the total number of days in the selected period, so it is also known as the majority rule The 12-day parameter consists of the current date and the previous 11 days The value of PLI runs from to 100 Similar to RSI, PLI also has two thresholds for determining buy and sell signals When PLI crosses 75, it has moved into the overbought zone, the downside potential increases On the contrary, when the PLI is lower than 25, it is moving into the oversold zone, the upside possibility prevails To eliminate the effect of market returns when calculating the investor trading behavior index, the index is obtained from the residuals by PLI i ,t = = max ( 0, Pi , t − k − Pi , t −1− k ) 100 ⋅ ∑ k =0 12 P P − − − − , , i t k i t k (7) = BSdi ,t NBSV = i ,t (9) =β + β1 ( Rmt − Rft ) + ui ,t , where (Rmt – Rf t) is the market premium, calculated as the difference between the market return (Rm) and the risk-free rate (Rf) at time t Volatility is calculated based on the standard deviation of the daily closing price movement of stock i over a certain period 11 PLC To combine many psychological variables, each of which is measured through an individual technical analysis indicator, the main part analysis method of PCA is often applied to create a general sentiment indicator (Ryu et al., 2017) In this paper, the variable PLC is built by extracting the first principal component in PCA from two indicators RSI and PLI n =13 Pi ,t − k ⋅ ∑ ln Voli ,t =σ i ,t = 252 ⋅ n + k =0 Pi ,t −1− k , (10) where Pi,t is the closing price of stock i at day t; 252 is the number of trading days in a year; n = (0–13) is the period 13 days before date t applied to stock i Size of the company (Size) is calculated as the logarithm of the volume of shares outstanding multiControl variables are calculated the following way plied by the daily closing price of each share The investor trading behavior variable (NBSV) is built based on the volume imbalance between demand and supply for each stock The net investment demand (net) of each stock (NBSV) is calculated as the difference between the actual bid volume (representing the demand side) and the actual ask volume (representing the supply side), compared to the total of these two values in each trading day It represents an imbalance of transactions between buyers and sellers for a particular stock The higher this value is positive, the greater the imbalance between demand and supply In other words, the demand side is overwhelming the supply side Conversely, if this value is negative, the supply side of the stock is overwhelming the demand side The NBSV of each stock is calculated by NBSVi ,t = 302 BVi ,t – SVi ,t BVi ,t + SVi ,t (8) The company cash flow index (CFPS) is calculated as the logarithm of the quarterly value of cash flow from operating activities generated per share 2.2 Estimation method and principal component analysis (PCA) The number of components retained in the analytical model is based on the coefficients of Eigenvalues Only those components with Eigenvalues > are kept The KMO test measures the adequacy of sampling, it takes a value from to Kaiser (1974) said that the KMO value must satisfy the condition from 0.5 or more (0.5 ≤ KMO ≤ 1) to be suitable for principal component analysis Bartlett test helps to know whether variables in PCA are correlated or not (Bartlett, 1950) If the test re- http://dx.doi.org/10.21511/imfi.18(4).2021.25 Investment Management and Financial Innovations, Volume 18, Issue 4, 2021 the paper selects companies that have enough quarterly financial data from the first quarter of 2015 to the second quarter of 2020 and daily transaction data from January 1, 2015, to July 31, 2020, for analysis Data collected from FiinPro (n.d.) at Principal component loadings represent the relation- the beginning of August 2020 show that 57 comship of each analytic variable to the principal com- panies meet the criteria In addition, other data ponent The higher the principal component load of from FiinPro (n.d.) by daily frequency during this a variable, the greater the correlation between this period are also used in this study, such as 1-year variable and the principal component According to government bond yield representing the risk-free Hair et al (2009, p 116), the condition for a variable rate and the closing price of VNIndex, to calculate to be retained is that the absolute value of the min- market returns imum principal component load is 0.3 If this value is 0.5, the retained variable has good statistical significance; if the value is above 0.7, it shows that the re- RESULTS tained variable has very good statistical significance AND DISCUSSION sults show that P-value < 0.05, the tested variables are correlated with each other in the main component In this case, the use of PCA is appropriate for these variables All five models are estimated by two methods, GLS and Fama-MacBeth, to ensure the robustness of the models The tests performed include the F-test to remove unnecessary variables, the Wooldridge test for autocorrelation, and the Modified Wald test to check for variance If the model has variable variance, autocorrelation problems, then corrective measures are used to solve these problems Descriptive statistics of the variables are presented in Table Table shows that the correlation coefficient between the pairs of variables is less than 0.5, only for the pair of RSI and PLI a correlation coefficient is 0.63 This result shows that the correlation between RSI and PLI is strong (Pearson, 1896; Pearson & Filon, 1898), so it is not possible to include both of these variables as independent variables in the 2.3 Research data same regression equation This is appropriate when Based on 100 stocks listed on the Vietnamese stock RSI and PLI variables are regressed into two differmarket in the VN100 basket as of June 30, 2020, ent regression models, models (1) and (2) Table Descriptive statistics Variable re Rm– Rf NBSV Size (–1) CFBS (–1) Vol (–1) RSI PLI Obs Mean Std Dev Min Max 75,400 75,400 75,400 75,400 75,400 75,400 75,400 75,400 –0.0263 0.0149 5.76e–11 29.5551 3.3021 0.3234 49.6081 41.52 2.3784 1.0891 0.2724 1.4570 7.1163 0.1897 13.0984 15.0446 –68.831 –6.486 –1.0008 25.41645 –10.045 0.01 3.66 11.184 4.853 1.1093 33.6961 10.649 3.07 95.74 100 Table Correlation results between pairs of variables re Rm– Rf NBSV Size (–1) CFBS (–1) Vol (–1) RSI PLI re Rm– Rf NBSV Size (–1) CFBS (–1) Vol (–1) RSI PLI 1.0000 0.1478 0.0011 0.0057 0.0015 –0.0640 0.3377 0.1883 1.0000 0.0403 0.0599 –0.1176 0.0201 0.0390 0.0544 1.0000 0.4731 0.0789 –0.0119 0.0011 0.0608 1.0000 0.0988 –0.0902 0.0490 0.1363 1.0000 –0.0275 0.0390 0.0196 1.0000 –0.0967 0.1268 1.0000 0.6318 1.0000 http://dx.doi.org/10.21511/imfi.18(4).2021.25 303 Investment Management and Financial Innovations, Volume 18, Issue 4, 2021 Table Principal component analysis Coef Std Err z P>z 194.16 0.000 [95% Conf Interval] Comp1 1.6318 0.0084 RSI 0.7071 0.0016 447.62 0.000 0.7040 0.7102 PLI 0.7071 0.0016 447.62 0.000 0.7040 0.7102 Eigenvalues 1.6153 1.6483 Principal component loadings LR test for independence: chi2(1) = 38410.23 Prob > chi2 = 0.0000 LR test for sphericity (Bartlett test) chi2(2) = 38410.49 Prob > chi2 = 0.0000 Kaiser-Meyer-Olkin test (KMO test) 0.5000 Explained variance by components Eigenvalue Proportion Comp1 1.6318 0.8159 0.0011 0.8159 0.0011 6.3e-06 Comp2 0.3682 0.1841 0.0011 1.0000 0.0000 -6.3e-06 Components A KMO value of 0.5 indicates that sampling is sufficient (sampling adequacy) to perform PCA (Kaiser, 1974) P-value in the Bartlett test is 0.00, less than 0.05, showing that the two variables (RSI and PLI) are highly correlated The results of this test in Table confirm the results in Table about the high correlation between RSI and the PLI SE_Prop Cumulative SE_Cum Bias lect variables that are kept statistically significant when performing PCA The results of testing the hypotheses are shown in Table Model 1: The regression coefficient of the RSI variable has statistical significance of 1%, rejecting The coefficient of Eigenvalues of the first princi- the hypothesis H01 In other words, investor senpal component of 1.6318 is greater than 1, indicat- timent as measured by the relative strength index ing that this component should be kept as an ex- (RSI) has an impact on stock returns in the data planatory variable in the research model The first sample principal component explains 81.59% (1.6318/2) of the total variance, and the part of variance not ex- Similarly, hypothesis H02 is rejected when the replained by this principle component is 18.41% gression coefficient of variable PLI in model is also statistically significant 1% The results from The first principal component loads for the RSI model show that investor sentiment as measured and PLI variables are both 0.7071 This is the best by the psychological line index (PLI) has an imthreshold, according to Hair et al (2009), to se- pact on stock returns of VN100 Table Regression results according to the Fama-MacBeth method Variable Rm– Rf NBSV Size (–1) CFBS (–1) Vol (–1) RSI PLI PLC _cons N r2 adjr2 FMBrsi (1) FMBpli (2) FMBnbsv (3) FMBplc1 (4) FMBplc (5) 0.317*** 0.915*** –0.031*** 0.002* –0.551*** 0.059*** 0.347*** 1.003*** –0.044*** 0.007*** –0.898*** 0.439*** 1.074*** –0.007 0.009*** –0.396*** 0.286*** –0.041*** –0.000 –0.899*** 0.268*** 0.935*** –0.051*** 0.004*** –0.918*** 0.322** 75400 0.159 0.094 0.521*** 1.198*** 75400 0.211 0.150 0.500*** 1.387*** 75400 0.252 0.178 0.026*** –1.176*** 75400 0.277 0.206 0.442*** 75400 0.209 0.132 Note: *, **, and *** have significance at 1%, 5% and 10%, respectively 304 http://dx.doi.org/10.21511/imfi.18(4).2021.25 Investment Management and Financial Innovations, Volume 18, Issue 4, 2021 Model and model differ only by variable in the regression model In model using investor trading behavior variable (NBSV), there is no composite investor sentiment variable (PLC) and there is an adjusted R-squared of 9.4% In model 4, the investor’s trading behavior variable (NBSV) is not included but uses the investor’s general sentiment variable (PLC) and has an adjusted r-squared j of 15% Because model has an adjusted R-squared of 15% larger than an adjusted R-squared of 9.4% in model 3, it shows that the explanatory power of the PLI variable is greater than that of the NBSV variable, or there is a difference in the explanatory power of general psychology and investor’s trading behavior to stock returns of VN100 1%, showing that the imbalance between demand and supply in terms of trading volume for a particular stock plays an important role in explaining the stock excess return The larger this trading imbalance increases, the more likely the stock excess return will be In addition to transactional factors, firm characteristics such as firm size and cash flow, are also significant in explaining the stock excess return The more efficient businesses operate, the more cash flow per share (CFPS(–1)) increases, the more stock excess return is likely to be The regression coefficients argued in the CAPM model in all models are statistically significant at 1%, indicating that the market risk premium has a significant contribution to the stock excess return Because the 1% statistical significance level has Values of this coefficient are all less than 1, indicatshown that the general sentiment of investors as ing that the stocks in the sample have less volatility measured by technical indicators PLC affects stock or less risk than the risk of the whole market This returns (Model 5) This result means rejecting hy- result differs from Li (2021) on the Shanghai-China pothesis H04 stock exchange in terms of daily frequency This is reasonable because the sample studied in this paRegression results from Table show that the per are mainly large companies on the Vietnamese control variables all affect stock returns on the stock market, so the risk level of these stocks is lowVietnamese stock market The regression coeffi- er than the overall risk of the whole market cients of the variables representing investor sentiment are all significantly positive in all four models: The explanatory power from the models also shows (1), (2), (4), and (5); this shows that higher sentiment some interesting results Of the five studied models, is associated with higher stock returns It differs model (1) has the largest adjusted R2, which adds from the results of Baker and Wurgler (2006) on another reason why RSI is one of the most comthe US stock market This empirical result also sup- monly used technical analysis indicators to date ports the view that the Vietnamese stock market is The comparison between models (3) and (4) shows that the explanatory power of model (3), excluding inefficient the psychological variable PLC, is much lower than Factors closely related to day-to-day trading, such as that of model (4), excluding the transaction behavstock price volatility, and the difference in trading ior variable NBSV volume between buyers and sellers, are all imporMoreover, the importance of the variable NBSV tant in explaining the excess returns of a security clearly decreases when the psychological variables The variable Volt-1 has a significant negative re- RSI, PLI, and PLC are used in models (1), (2), and gression coefficient, which shows that stocks with (5), respectively This result shows that although both strong daily (t-1) price fluctuations will increase in- trading behavior and investment sentiment are imvestment risk, so it has a negative impact on excess portant factors for explaining stock returns, the role returns at day t of the stock This finding is in con- of sentiment is more important than the other trast to Ryu et al (2017), who researched the Korean stock market using the daily estimation model The study further conducts the robustness tests Regression coefficients of the trading behavior var- Besides the Fama-MacBeth estimation method, iable (NBSV) are both positive and significant at to ensure the robustness of the estimation re- http://dx.doi.org/10.21511/imfi.18(4).2021.25 305 Investment Management and Financial Innovations, Volume 18, Issue 4, 2021 Table Regression results according to GLS Variable Rm– Rf NBSV Size (–1) CFBS (–1) Vol (–1) RSI PLI PLC _cons N r2 adjr2 F test Wooldridge test for autocorrelation Modified Wald test for heteroskedasticity GLSrsi (1) GLSpli (2) GLSnbsv (3) GLSplc1 (4) GLSplc (5) 0.414*** 1.359*** –0.029*** 0.003** –0.403*** 0.053*** 0.480*** 1.380*** –0.049*** 0.005*** –1.027*** 0.518*** 1.466*** –0.011** 0.006*** –0.715*** 0.433*** 0.436*** 1.342*** –0.052*** 0.004*** –0.832*** –0.040*** –0.001 –0.790*** 0.471*** 0.026*** 0.501*** 1.401*** 0.463*** –1.680*** 0.663*** 1.748*** 75400 75400 75400 75400 75400 0.1718 0.1150 0.0870 0.1318 0.1509 0.1717 0.1150 0.0869 0.1317 0.1509 F(56,75337) = 33.73 F(56,75337) = 33.42 F(56,75338) = 33.17 F(56,75338) = 2.49 F(56,75337) = 33.90 Prob > F = 0.0000 Prob > F = 0.0000 Prob > F = 0.0000 Prob > F = 0.0000 Prob > F = 0.0000 F(1, 56) = 833.251 F(1, 56) = 1215.707 F(1, 56) = 1152.963 F(1, 56) = 1598.188 F(1, 56) = 1328.704 Prob > F = 0.0000 Prob > F = 0.0000 Prob > F = 0.0000 Prob > F = 0.0000 Prob > F = 0.0000 chi2 (57) = 1424.83 chi2 (57) = 1233.49 chi2 (57) = 1295.56 chi2 (57) = 1293.99 chi2 (57) = 1309.40 Prob>chi2 = 0.0000 Prob>chi2 = 0.0000 Prob>chi2= 0.0000 Prob>chi2= 0.0000 Prob>chi2 = 0.0000 Note: *, **, and *** have significance at 1%, 5%, and 10%, respectively sults, this paper uses the GLS regression method for research models Table presents the test results and the regression results according to the GLS method After overcoming the problems of autocorrelation and variable variance, the final regression results of the models are shown in Table Comparing the regression results between Table and Table 5, it is shown that in all models the sign and statistical significance of the variables estimated by the Fama-MacBeth method and GLS method are consistent This consistency indicates the robustness of the research models, so the estimated results are reliable CONCLUSION This is one of the pioneering studies investigating the Vietnamese stock market on the impact of investor sentiment measured based on synthetic technical analysis indicators on stock returns This study used quarterly financial data (from Q1/2015 to Q2/2020) and daily transaction data (from January 1, 2015, to July 31, 2020) for 57 companies under VN100 to analyze general sentiment variable measured by first component extraction when applying principal component analysis to individual technical analysis indicators Research results show that investor sentiment plays an important role in stock returns in the Vietnamese stock market It exhibits more explanatory power than the trading behavior of investors in the research models even when controlling such factors as firm size, cash flow per share, coefficient of beta in CAPM, and stock price volatility Investor sentiment is positively related to stock returns In other words, the higher the sentiment, the more likely it is to increase stock returns Compared with previous studies, this study contributes more to academic studies on the use of technical analysis indicators to measure investor sentiment on the Vietnamese stock market in the following aspects: (i) It developed a general sentiment indicator of investors in the Vietnamese stock market based on individual technical analysis indicators, and this technique can be extended to many other technical analysis indicators that were not applied in this study 306 http://dx.doi.org/10.21511/imfi.18(4).2021.25 Investment Management and Financial Innovations, Volume 18, Issue 4, 2021 (ii) It demonstrated the impact of the general sentiment indicator on stock returns even when controlling such factors as trading behavior, company characteristics (size, cash flow), and risks (market, stock price volatility) (iii) It indicated that psychological impact has greater explanatory power than investor trading behavior (iv) Research results are valuable references for parties involved in the Vietnamese stock market Investors can establish criteria for selecting investment stocks based on the statistical significance of the variables in the research models Enterprises need to focus on increasing their production and business efficiency so that cash flow from this activity grows sustainably The greater the price volatility, the stronger the negative effect on the stock market, so capital market managers need to anticipate these things in their management process AUTHOR CONTRIBUTIONS Conceptualization: Lai Cao Mai Phuong, Vu Cam Nhung Data curation: Lai Cao Mai Phuong, Vu Cam Nhung Formal analysis: Lai Cao Mai Phuong Funding acquisition: Lai Cao Mai Phuong, Vu Cam Nhung Methodology: Lai Cao Mai Phuong Resources: Lai Cao Mai Phuong, Vu Cam Nhung Validation: Lai Cao Mai Phuong Writing – original draft: Lai Cao Mai Phuong Writing – review & editing: Lai Cao Mai Phuong ACKNOWLEDGMENT This study was funded by the Industrial University of Ho Chi Minh City (IUH), Vietnam (grant number: 21/1TCNH03) References Anderson, B., & Li, S (2015) An investigation of the relative strength index Banks and Bank Systems, 10(1), 92-96 Retrieved from https://www.businessperspectives.org/index.php/journals?c ontroller=pdfview&task=downloa d&item_id=6381 Baker, M., & Wurgler, J (2006) Investor sentiment and the cross‐section of stock returns The Journal of Finance, 61(4), 16451680 https://doi.org/10.1111/ j.1540-6261.2006.00885.x Bartlett, M S (1950) Tests of significance in factor analysis. British Journal of Statistical Psychology, 3(2), 77-85 https://doi org/10.1111/j.2044-8317.1950 tb00285.x http://dx.doi.org/10.21511/imfi.18(4).2021.25 Bhargavi, R., Gumparthi, S., & Anith, R (2017) Relative strength index for developing effective trading strategies in constructing optimal portfolio International Journal of Applied Engineering Research, 12(19), 8926-8936 Retrieved from https:// www.ripublication.com/ijaer17/ ijaerv12n19_124.pdf Fama, E F (1965) The behavior of stock-market prices. The Journal of Business, 38(1), 34-105 Retrieved from https://www.jstor org/stable/2350752 Fama, E F (2021) Efficient capital markets a review of theory and empirical work In The Fama Portfolio (pp 76121) The University of Chicago Press Retrieved from https:// www.degruyter.com/document/ doi/10.7208/9780226426983-007/ html FiinPro (n.d.) Main Page Retrieved from http://fiinpro.com/ Hair, J F., Black, B., Black, W C., Babin, B J., & Anderson, R E (2009) Multivariate Data Analysis: A Global Perspective (7th ed.) Upper Saddle River: Prentice Hall Hsu, C M (2011) A hybrid procedure for stock price prediction by integrating selforganizing map and genetic programming. Expert Systems with Applications, 38(11), 1402614036 https://doi.org/10.1016/j eswa.2011.04.210 10 Irwin, S H., & Brorsen, B W (1987) A note on the factors affecting technical trading 307 Investment Management and Financial Innovations, Volume 18, Issue 4, 2021 system returns. Journal of Futures Markets, 7(5), 591-595 https://doi org/10.1002/fut.3990070510 11 Kahneman, D., & Tversky, A N (1979) Prospect theory: An analysis of decision under risk Econometrica, 47(2), 263-292 https://doi.org/10.2307/1914185 12 Kaiser, H F (1974) An index of factorial simplicity. Psychometrika, 39(1), 31-36 https://doi org/10.1007/BF02291575 13 Kim, T., & Ha, A (2010) Investor sentiment and market anomalies. 23rd Australasian Finance and Banking Conference http://dx.doi.org/10.2139/ ssrn.1663649 14 Kumar, A., & Lee, C M (2006) Retail investor sentiment and return comovements. The Journal of Finance, 61(5), 2451-2486 https://doi.org/10.1111/j.15406261.2006.01063.x 15 Li, J (2021) The term structure effects of individual stock investor sentiment on excess returns International Journal of Finance & Economics, 26(2), 1695-1705 https://doi.org/10.1002/ijfe.1872 16 Mizuno, H., Kosaka, M., Yajima, H., & Komoda, N (1998) Application of neural network to technical analysis of stock market prediction. Studies in Informatic and Сontrol, 7(3), 111-120 17 Park, C H., & Irwin, S (2004) The profitability of technical analysis: a review (AgMAS Project Research Reports 2004-04) University of Illinois at UrbanaChampaign Retrieved from https://ageconsearch.umn.edu/ record/37487/?ln=en 18 Pearson, K (1896) VII Mathematical contributions to the theory of evolution – III Regression, heredity, and panmixia. Philosophical Transactions of the Royal Society of London Series A, containing papers of a mathematical or physical character, 187, 253318 https://doi.org/10.1098/ rsta.1896.0007 19 Pearson, K., & Filon, L N G (1898) VII Mathematical contributions to the theory 308 of evolution.—IV On the probable errors of frequency constants and on the influence of random selection on variation and correlation. Philosophical Transactions of the Royal Society of London Series A, Containing Papers of a Mathematical or Physical Character, 191, 229311 https://doi.org/10.1098/ rsta.1898.0007 20 Phuong, L C M (2020) Investor sentiment by psychological line index and stock return Accounting, 6(7), 1259-1264 http://dx.doi org/10.5267/j.ac.2020.8.026 21 Phuong, L C M (2021a) Investor sentiment by relative strength index and stock return: Empirical evidence on Vietnam’s stock market Accounting, 7(2), 451456 http://dx.doi.org/10.5267/j ac.2020.11.006 22 Phuong, L C M (2021b) Investor Sentiment by Money Flow Index and Stock Return International Journal of Financial Research, 12(4), 33-42 https://doi org/10.5430/ijfr.v12n4p33 23 Pring, M J (1985) Technical Analysis Explained McGraw-Hill 24 Ryu, D., Kim, H., & Yang, H (2017) Investor sentiment, trading behavior and stock returns Applied Economics Letters, 24(12), 826-830 https://doi.org/10 1080/13504851.2016.1231890 25 Schulmeister, S (2009) Profitability of technical stock trading: Has it moved from daily to intraday data? Review of Financial Economics, 18(4), 190-201 https://doi.org/10.1016/j rfe.2008.10.001 28 Shiller, R J (1983) Do stock prices move too much to be justified by subsequent changes in dividends? Reply American Economic Review, 73(1), 236-237 29 Ţăran-Moroşan, A (2011) The relative strength index revisited African Journal of Business Management, 5(14), 5855-5862 Retrieved from https://academicjournals.org/journal/AJBM/article-abstract/D7BE87A24350 30 The Nobel Prize (2002) The Sveriges Riksbank Prize in Economic Sciences in Memory of Alfred Nobel 2002 Retrieved February 18, 2021, from https:// www.nobelprize.org/prizes/economic-sciences/2002/summary/ 31 Wilder, J W (1978) New concepts in technical trading systems Trend Research 32 Wong, W K., Manzur, M., & Chew, B K (2003) How rewarding is technical analysis? Evidence from Singapore stock market Applied Financial Economics, 13(7), 543551 https://doi.org/10.1080/09603 10022000020906 33 Working, H (1949) The investigation of economic expectations The American Economic Review, 39(3), 150166 https://www.jstor.org/ stable/1831740 34 Working, H (1961) New concepts concerning futures markets and prices The American Economic Review, 51(2), 160-163 https:// www.jstor.org/stable/1914480 26 Seok, S I., Cho, H., & Ryu, D (2019) Firm-specific investor sentiment and daily stock returns The North American Journal of Economics and Finance, 50, 100857 https://doi.org/10.1016/j najef.2018.10.005 27 Shiller, R J (1981) Alternative tests of rational expectations models: The case of the term structure Journal of Econometrics, 16(1), 71-87 https://doi org/10.1016/0304-4076(81)900762 http://dx.doi.org/10.21511/imfi.18(4).2021.25
Ngày đăng: 19/05/2023, 22:42
Xem thêm:
