Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư: Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam

Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.Thị trường hiệu quả và việc sử dụng thông tin báo cáo tài chính của nhà đầu tư Bằng chứng thực nghiệm trên thị trường chứng khoán Việt Nam.

GIỚI THIỆU

Lý do chọn đề tài

Hiệu ứng PEAD là một trong số các bất thường vững vàng trong nghiên cứu hàn lâm trên TTCK Mỹ và được Fama (1998) xem là một trong những thách thức nổi bật đối với giả thuyết thị trường hiệu quả Tuy nhiên, độ lớn của PEAD có xu hướng giảm dần theo thời gian bởi vì sự giảm bớt các hạn chế đối với hoạt động kinh doanh chênh lệch giá, sự cải thiện của môi trường thông tin, và nhà đầu tư (NĐT) xử lý thông tin lợi nhuận lý trí hơn (Fink, 2021) Trong các nghiên cứu gần đây, Ball và Brown (2019) tái khẳng định vai trò của bất thường này khi thực hiện lại các kiểm định trong nghiên cứu trước đó

50 năm và cho thấy cả ý nghĩa thống kê lẫn ý nghĩa kinh tế của hiệu ứng này Thêm vào đó, Hou và cộng sự (2020), một trong các nghiên cứu nổi bật gần đây, tái kiểm định 452 bất thường trong nghiên cứu tài chính và phát hiện 65% trong số này thất bại sau khi các tác giả kiểm soát tác động của yếu tố cổ phiếu siêu nhỏ (microcaps) Tuy nhiên, hiệu ứng PEAD vẫn vững vàng bất chấp các kỹ thuật kiểm định tính vững được các tác giả thực hiện Điều này hàm ý rằng phản ứng của thị trường đối với thông tin lợi nhuận bất thường không có nhiều thay đổi mặc dù nó đã được giới thiệu tới đông đảo cộng đồng nghiên cứu lẫn cộng đồng đầu tư từ những năm 70 Trên cơ sở này, luận án tiến hành kiểm định PEAD trên TTCK Việt Nam nhằm cung cấp thêm bằng chứng thực nghiệm cho tranh luận về sự tồn tại và độ lớn của hiệu ứng này.

Các tranh luận về sự tồn tại và độ lớn của PEAD bắt đầu tăng lên khi mẫu nghiên cứu có xu hướng chuyển sang các thị trường chứng khoán bên ngoài Mỹ Tuy nhiên, nguyên nhân của hiệu ứng PEAD thậm chí còn thu hút nhiều sự quan tâm hơn từ cộng đồng nghiên cứu Các nghiên cứu lí giải cho quá trình phản ánh dần dần của giá cổ phiếu đối với lợi nhuận bất thường dựa vào rủi ro (Ball và cộng sự, 1993; Chordia và Shivakumar, 2005; Kim và Kim, 2003; Mendenhall, 2004; Chordia và cộng sự, 2009) hoặc sự không hiệu quả của thị trường (Bernard và Thomas, 1989, 1990; Bartov và cộng sự, 2000; Ali và cộng sự, 2004; Ke và Ramalingegowda, 2005; Hirshleifer và cộng sự,2009; Drake, 2012, Cai và cộng sự, 2021) Mặc dù các tranh cãi này diễn ra trong một thời gian dài, số lượng nghiên

4 cứu thực hiện kiểm định khả năng giải thích của các yếu tố khác nhau trên cùng một mẫu dữ liệu là hạn chế Điều này thúc đẩy luận án này thực hiện kiểm định các cách giải thích khác nhau như rào cản giao dịch, loại hình NĐT, sự không chắn chắn về mặt thông tin, và sự chú ý của NĐT trên cùng một mẫu dữ liệu các công ty niêm yết trên sàn HOSE và sàn HNX trong giai đoạn 2008-2021.

Vai trò của các loại hình NĐT (tổ chức, nước ngoài, nội bộ) đối với độ lớn của hiệu ứng PEAD ngày càng trở nên tranh cãi Các nghiên cứu ban đầu trên thị trường Mỹ cho rằng NĐT tổ chức thúc đẩy quá trình phản ánh hàm ý của lợi nhuận bất thường vào giá bởi vì đối tượng này có lợi thế trong việc thu thập và xử lý thông tin (Bartov và cộng sự, 2000; Ali và cộng sự, 2004; Ke và Ramalingegowda, 2005) Các nghiên cứu đưa ra kết luận ngược lại bắt đầu nổi lên trong thời gian gần đây, đặc biệt khi các kiểm định được thực hiện bên ngoài TTCK Mỹ với các bối cảnh định chế khác biệt (Chen và cộng sự, 2017; Voronkova và Bohl, 2005; Jiang và Kim,2015; Dasgupta và cộng sự, 2011) Cai và cộng sự (2021) tìm thấy rằng NĐT tổ chức trên TTCK Trung Quốc làm gia tăng (thay vì thuyên giảm) độ lớn của hiệu ứng PEAD Các tác giả lập luận NĐT tổ chức ở Trung Quốc có quyền lực hạn chế trong việc quản thúc, giám sát các quyết định của ban lãnh đạo doanh nghiệp và có xu hướng hành xử giống như NĐT ngắn hạn Do đó, những NĐT này sẽ giao dịch theo xu hướng thay vì khai thác các sai giá và tăng tốc quá trình phản ánh thông tin Sự đối lập trong kết quả kiểm định vai trò của NĐT tổ chức đối với độ lớn PEAD thúc đẩy luận án kiểm định mối liên hệ giữa hai yếu tố này trên một TTCK cụ thể như Việt Nam.

Bên cạnh đó, vai trò của NĐT nước ngoài ngày càng nhận được sự quan tâm của cộng đồng nghiên cứu lẫn cộng đồng đầu tư, đặc biệt trên các thị trường mới nổi Các nghiên cứu tìm thấy rằng NĐT nước ngoài có xu hướng tăng tốc quá trình phản ánh thông tin vào giá trên TTCK Trung Quốc (Chen và cộng sự, 2001; Truong, 2011), HànQuốc (Shin và cộng sự, 2018), và Việt Nam (Vo và cộng sự, 2017) Tuy nhiên, NĐT nước ngoài cũng được tìm thấy có xu hướng làm gia tăng bất cân xứng thông tin và do đó cản trở quá trình phản ánh vào giá (Choi và cộng sự, 2013) Các kết luận đối lập này thúc đẩy luận án tiến

5 hành kiểm định vai trò của NĐT nước ngoài trong việc phản ánh thông tin vào giá đối với một loại hình thông tin cụ thể đó là lợi nhuận bất thường.

Vai trò của cổ đông nội bộ được đề cập trong các nghiên cứu trước đó theo chiều hướng làm gia tăng độ lớn của hiệu ứng PEAD Dargenidou và cộng sự (2018) cho thấy những giao dịch của cổ đông nội bộ nếu cùng (ngược) chiều sẽ làm tăng (giảm) độ lớn của TSSL cổ phiếu sau khi thông tin được công bố Trong khi Huang và cộng sự (2013) cho rằng các giám đốc với tỷ lệ sở hữu lớn sẽ dẫn đến “lạm quyền quản lý” (managerial entrenchment) và khiến cho lợi nhuận doanh nghiệp trở nên “mờ ám” hơn NĐT sẽ cần nhiều thời gian hơn để nắm bắt hàm ý dự báo của số liệu lợi nhuận được công bố Lập luận này có vẻ phù hợp với TTCK Việt Nam với một tỷ lệ lớn NĐT cá nhân tham gia và các giao dịch nội bộ được quản lý bởi các quy định lỏng lẻo (Vo và cộng sự, 2017) Điều này khiến việc kiểm định sự hiện diện của NĐT đối với độ lớn của hiệu ứng PEAD là cần thiết.

Các nghiên cứu nổi bật trên thị trường Mỹ đều cho thấy mối quan hệ cùng chiều giữa sự không chắc chắn về mặt thông tin (IU) và độ lớn của hiệu ứng PEAD IU có thể đo lường bằng độ biến động trong dự báo của chuyên viên phân tích (Ayers và cộng sự, 2011; Imhoff và Lobo, 1992; Liang, 2003), độ biến động của TSSL (Jiang và cộng sự, 2005), khối lượng giao dịch bất thường (Garfinkel và Sokobin, 2006), phần dư trong mối quan hệ giữa lợi nhuận và dồn tích (Francis và cộng sự, 2007) Kimbrough (2005) cho rằng các hoạt động bổ sung thông tin đến thị trường (như giải trình kết quả kinh doanh, báo cáo cập nhật của phân tích viên) diễn ra sau khi thông tin lợi nhuận được công bố sẽ làm giảm tác động của IU lên độ lớn của hiệu ứng PEAD Điều này càng có ý nghĩa trong bối cảnh các TTCK non trẻ nơi các dịch vụ của công ty môi giới và hoạt động quan hệ NĐT của doanh nghiệp đang trong giai đoạn đầu của quá trình phát triển Lý do này thúc đẩy luận án tìm hiểu vai trò của IU đối với độ lớn của hiệu ứng PEAD nhằm cho thấy hiện trạng và nhu cầu phát triển của các dịch vụ bổ sung, lý giải thông tin BCTC trên TTCK.

Một nhánh nghiên cứu gần đây sử dụng mức độ chú ý của NĐT để giải thích cho phản ứng của thị trường trong và sau khi thông tin lợi nhuận được công bố Theo đó, Các nghiên cứu tâm lý học hành vi chỉ ra rằng việc xử lý nhiều thông tin cùng một lúc là rất khó Các thông

6 tin gây nhiễu tác động đến sự chú ý hữu hạn của NĐT và khiến họ phản ứng chậm trước thông tin liên quan Kết quả nghiên cứu nhìn chung cho thấy sự mất tập trung của NĐT sẽ khiến phản ứng xung quanh ngày công bố thông tin (CBTT) yếu đi và độ lớn của hiệu ứng PEAD tăng lên Sự tập trung của NĐT đối với một cổ phiếu cụ thể sẽ giảm xuống vào Thứ Sáu (DellaVigna và Pollet, 2009), có nhiều thông tin lợi nhuận được công bố trong cùng một ngày (Hirshleifer và cộng sự, 2009), thị trường chung biến động mạnh (Jacobs và Weber, 2016; Kottimukkalur, 2019) Nổi bật trong số các nghiên cứu về mối liên hệ giữa hai yếu tố này, Drake (2012) cho rằng nhu cầu thông tin trong và sau khi lợi nhuận được công bố thể hiện sự chú ý của NĐT đối với cổ phiếu Sử dụng lượng tìm kiếm bất thường trên Google (SVI) cho từng cổ phiếu riêng lẻ làm đại diện cho sự chú ý của NĐT đối với cổ phiếu đó, các tác giả cho thấy SVI có quan hệ cùng chiều với phản ứng giá trong thời gian công bố và ngược chiều với độ lớn của hiệu ứng PEAD Chúng tôi mở rộng các bằng chứng thực nghiệm cho dự đoán này của các tác giả bằng cách tái kiểm định mối quan hệ này trên TTCK Việt Nam, một trong 20 quốc gia có lượng người dùng internet cao nhất thế giới trong năm 2020 (theo CIA’s The World Factbook ).

Bên cạnh hiệu ứng PEAD, chiến lược đầu tư dựa vào (các) chỉ số tài chính, điển hình như chỉ số F-Score, là một trong những nhánh nghiên cứu được cho là triển vọng trong thời gian gần đây được sử dụng phổ biến bởi các quỹ phòng hộ (Kothari, 2001; Richardson và cộng sự, 2010; Novy-Marx 2014) Các nghiên cứu nổi bật trong lĩnh vực kế toán cho thấy thông tin BCTC có thể dự báo thành quả hoạt động của doanh nghiệp và giá cổ phiếu Ou và Penman (1989) cho thấy các chỉ báo được xây dựng từ thông tin BCTC có thể dự báo thay đổi lợi nhuận tương lai Lev và Thiagarajan (1993) chỉ ra các chỉ báo tài chính được sử dụng bởi chuyên viên phân tích có thể dự báo TSSL cùng kỳ và lợi nhuận trong tương lai Sloan (1996) đưa ra bằng chứng rằng thành phần dòng tiền và thành phần dồn tích trong lợi nhuận có mức bền vững khác nhau và chiến lược đầu tư phòng ngừa bằng cách bán các cổ phiếu có thành phần dồn tích cao và mua các cổ phiếu có thành phần dồn tích thấp tạo ra TSSL bất thường Piotroski (2000) chỉ ra có thể phân biệt được cổ phiếu tốt và cổ phiếu xấu thông qua việc sử dụng chỉ báo tài chính tổng hợp F-Score và qua đó cải thiện khả

7 năng sinh lời của chiến lược đầu tư giá trị (value investing) Chỉ số F-Score được xây dựng từ các chỉ báo đo lường khả năng sinh lời (profitability), thanh khoản (liquidity), đòn bẩy (leverage), và hiệu quả hoạt động (operating efficiency) Mohanram (2005) sử dụng phương pháp luận tương tự như Piotroski (2000) nhưng áp dụng cho các công ty tăng trưởng (công ty có hệ số BM thấp) và tạo ra chỉ số G-Score Tác giả chỉ ra chỉ số G- Score có thể phân biệt được công ty tăng trưởng “tốt” và công ty tăng trưởng “xấu”. Mohanram, Saiy, và Vyas (2018) tạo ra chỉ số B-Score từ 14 chỉ số định giá của các ngân hàng và tìm thấy rằng B-Score có thể dự báo thay đổi khả năng sinh lời và TSSL một năm tiếp theo Đồng thời, các tác giả cho thấy chiến lược phòng ngừa dựa vào chỉ số B- Score cũng tạo ra TSSL bất thường dương.

Nếu như các thông tin trên BCTC hữu ích, thì các chiến lược đầu tư dựa vào số liệu BCTC có thể tạo ra TSSL bất thường và điều này có ý nghĩa rất lớn đối với cộng đồng đầu tư Có rất nhiều cổ phiếu giá trị trên TTCK Việt Nam không được các NĐT chú ý đến bởi vì rất ít hoặc không có chuyên viên phân tích nào theo dõi những cổ phiếu này. Đối với những cổ phiếu này, BCTC là nguồn thông tin sẵn có và giá trị nhất Khi những thông tin hàm chứa trong BCTC bị bỏ qua vì môi trường thông tin yếu kém thì đây là cơ hội cho các chiến lược đầu tư dựa vào chỉ số tài chính tạo ra lợi nhuận vượt trội.

Các nghiên cứu gần đây cung cấp các bằng chứng thực nghiệm thúc đẩy tôi kiểm định mối liên hệ giữa hiệu ứng PEAD và chỉ số F-Score Thứ nhất, Turtle và Wang

Mục tiêu và câu hỏi nghiên cứu

Luận án này nhằm chỉ ra tính hữu dụng của các thông tin BCTC sẵn có trong việc dự báo TSSL tương lai thông qua việc kiểm định hai bất thường nổi bật trong nghiên cứu kế toán bao gồm hiệu ứng PEAD và chiến lược đầu tư dựa vào F-Score.

Thứ nhất, các nghiên cứu về PEAD cho thấy rằng giá cổ phiếu có chuyển động bất thường sau khi CBTT lợi nhuận của doanh nghiệp Giá cổ phiếu của các doanh nghiệp có lợi nhuận bất thường dương (âm) sẽ có xu hướng tăng (giảm) và do đó chiến lược đầu tư phòng ngừa dựa vào lợi nhuận bất thường sẽ tạo ra TSSL bất thường Luận án tái kiểm định các dự báo này nhằm bổ sung các bằng chứng cho cuộc tranh luận về sự tồn tại của hiệu ứng PEAD, đặc biệt trong bối cảnh TTCK cận biên như Việt Nam.

Câu hỏi nghiên cứu: Liệu các công ty có lợi nhuận bất thường (SUE) có tạo ra

TSSL bất thường sau khi công bố? Chiến lược đầu tư phòng ngừa bằng cách mua cổ phiếu các công ty có SUE lớn nhất và bán cổ phiếu các công ty có SUE thấp nhất có tạo ra TSSL bất thường?

Bên cạnh đó, luận án này thực hiện các phân tích nhằm xác định những yếu tố tác động đến độ lớn của hiệu ứng PEAD trên TTCK Việt Nam Trong đó, rào cản giao dịch, loại hình NĐT, sự chú ý của NĐT, và sự không chắc chắn về mặt thông tin được đưa vào xem xét Nếu như các nghiên cứu trên thị trường Mỹ đa phần đồng thuận về mối quan hệ ngược chiều giữa rào cản giao dịch và PEAD, vai trò của loại hình NĐT đối với hiệu ứng vẫn còn gây tranh cãi, đặc biệt trong thời gian gần đây và tại các thị trường khác nhau.

Nghiên cứu này kiểm định vai trò của các loại hình NĐT, bao gồm NĐT tổ chức,NĐT nước ngoài, và cổ đông nội bộ, đối với độ lớn của hiệu ứng PEAD trước những bằng chứng đối lập càng gia tăng về vai trò của từng loại hình NĐT trên các TTCK khác nhau. Bartov và cộng sự (2000), Ali và cộng sự (2004), Ke và Ramalingegowda (2005), và Boehmer và Kelley (2009) đều cho thấy rằng NĐT tổ chức có xu hướng tăng tốc quá trình phản ánh hàm ý của lợi nhuận bất thường vào giá cổ phiếu và theo đó làm giảm độ lớn của hiệu ứng PEAD Trong khi các nghiên cứu trên thị trường mới nổi đưa ra các kết luận ngược lại Cai và cộng sự (2021) cho thấy mối quan hệ cùng chiều giữa tỷ lệ sở hữu của NĐT tổ chức và độ lớn của hiệu ứng PEAD trên TTCK Trung Quốc Tác giả lý giải mối quan hệ này bởi sự đặc trưng của NĐT tổ chức với vai trò hạn chế trong điều hành, giám sát hoạt động doanh nghiệp và khuynh hướng ngắn hạn trong thời gian nắm giữ. Thêm nữa, Chen và cộng sự (2017) cho thấy hành vi bầy đàn của các định chế làm trầm trọng hơn hiệu ứng PEAD, trong khi yếu tố này được tìm thấy phổ biến trên TTCK Trung Quốc (Zheng và cộng sự, 2015).

Luận án này kiểm định mối liên hệ giữa tỷ lệ sở hữu NĐT nước ngoài và độ lớn của hiệu ứng PEAD để làm rõ liệu rằng NĐT nước ngoài là đối tượng làm tăng tốc (Chen và cộng sự, 2001; Truong, 2011; Shin và cộng sự, 2018; Vo và cộng sự, 2017) hay trì hoãn (Choi và cộng sự, 2013) quá trình phản ánh thông tin vào giá Kết quả kiểm định sẽ chi tiết vai trò của đối tượng này đối với một loại hình thông tin cụ thể trên BCTC là lợi nhuận Bên cạnh đó, vai trò của cổ đông nội bộ cũng được luận án đưa vào xem xét để làm rõ lập luận của Huang và cộng sự (2013) cho rằng các giám đốc với tỷ lệ sở hữu lớn sẽ dẫn đến

“lạm quyền quản lý” và khiến hàm ý lợi nhuận trở nên khó nắm bắt hơn Điều này dẫn đến dự đoán của luận án cho rằng tỷ lệ sở hữu của cổ đông nội bộ sẽ có mối quan hệ cùng chiều với độ lớn của hiệu ứng PEAD.

Drake và cộng sự (2012) sử dụng mức độ tìm kiếm Google bất thường (SVI) của từng mã cổ phiếu để đại diện cho nhu cầu thông tin của NĐT cá nhân đối với cổ phiếu đó Các tác giả tìm thấy mối quan hệ ngược chiều giữa SVI và độ lớn của hiệu ứng PEAD trên TTCK

Mỹ Luận án sẽ tái kiểm định mối quan hệ này trên TTCK Việt Nam, một trong 20 quốc gia có lượng người dùng internet nhiều nhất (theo The World Factbook của CIA), nhằm cung cấp thêm bằng chứng thực nghiệm cho dự báo của các tác giả.

 Liệu rào cản giao dịch, bao gồm chi phí giao dịch, rủi ro kinh doanh chênh lệch giá, rủi ro thanh khoản, có tác động đến độ lớn của hiệu ứng PEAD?

 Liệu các loại hình nhà đầu tư khác nhau, bao gồm nhà đầu tư tổ chức, nhà đầu tư nước ngoài, và nhà đầu tư nội bộ, có tác động đến độ lớn của hiệu ứng PEAD?

 Liệu sự chú ý của nhà đầu tư đến thông tin lợi nhuận có tác động đến độ lớn của hiệu ứng PEAD?

 Liệu sự không chắc chắn về mặt thông tin có tác động đến độ lớn của hiệu ứng PEAD?

Thứ hai, nghiên cứu này thực hiện các phân tích nhằm chỉ ra sự hữu dụng của chỉ số sức mạnh tài chính F-Score trong việc dự báo TSSL cổ phiếu trong tương lai Nghiên cứu này không những tái lập lại việc sử dụng F-Score đối với các công ty giá trị, những công ty có tỷ số giá trị sổ sách trên giá trị thị trường (tỷ số BM) cao mà còn áp dụng vào các công ty tăng trưởng, những công ty có tỷ số BM thấp Thêm nữa, vai trò của quy mô và thanh khoản của công ty cũng được đưa vào xem xét để đánh giá tác động của F-Score. Câu hỏi nghiên cứu:

 Liệu các công ty có chỉ số F-Score cao (thấp) hơn có tạo ra TSSL bất thường cao (thấp) hơn hay không? Chiến lược đầu tư phòng ngừa bằng cách mua cổ phiếu các công ty có F-Score cao và bán cổ phiếu các công ty có F-Score thấp có tạo ra TSSL bất thường hay không?

 Liệu khả năng sinh lời của chiến lược đầu tư dựa vào chỉ số F-Score có tập trung vào các công ty có môi trường truyền dẫn thông tin kém hay không?

 Liệu khả năng sinh lời của chiến lược đầu tư dựa vào chỉ số F-Score chỉ tập trung vào nhóm cổ phiếu có giao dịch thấp và do đó khó để ghi nhận thành quả đầu tư hay không?

Thiết kế và phương pháp nghiên cứu

Đối với kiểm định về sự tồn tại của hiệu ứng PEAD và các yếu tố tác động lên nó, luận án sử dụng khung phân tích sự kiện (kiểm định thị trường hiệu quả dạng vừa) được đề xuất rộng rãi bởi các nghiên cứu tiên phong trước đó (Fama 1969, 1991; Bernard và Thomas, 1989, 1990;) Theo đó, việc đo lường và cộng dồn TSSL cổ phiếu sẽ được neo vào thời gian diễn ra sự kiện của doanh nghiệp nhằm xem xét phản ứng của thị trường đối với thông tin lợi nhuận được công bố. Đối với kiểm định khả năng sinh lời của chiến lược đầu tư dựa vào chỉ số F-Score, luận án sử dụng khung phân tích kiểm định dữ liệu chéo về khả năng dự đoán TSSL (kiểm định thị trường hiệu quả dạng yếu) Trong khung phân tích loại này, tương tự các nghiên cứu trước đó (Piotroski, 2000; Mohanram, 2005, 2008;), luận án sẽ bắt đầu cộng dồn TSSL tương lai của cổ phiếu sau khi bỏ qua bốn tháng kể từ thời điểm kết thúc năm tài khóa để chắc chắn những thông tin trên báo cáo tài chính đã được phản ánh vào giá. Khung phân tích này sẽ không đòi hỏi doanh nghiệp phải trải qua các sự kiện (như chia cổ tức, công bố lợi nhuận, phát hành lần đầu ra công chúng) và việc thiết lập danh mục dựa vào độ lớn của biến được quan tâm sẽ diễn ra tại một thời điểm chung trên lịch.

Trong cả hai khung phân tích, luận án sử dụng đồng thời phương pháp thiết lập danh mục (một và hai chiều) và phương pháp hồi quy để kiểm định các giả thiết nghiên cứu. Điều này là tương tự với các nghiên cứu trước đó về PEAD (Bernard và Thomas, 1989, 1990; Livnat và cộng sự, 2005; Hirshleifer và cộng sự, 2009; Drake và cộng sự, 2012; Cai và cộng sự, 2021) và F-Score (Piotroski, 2000; Piotroski và So, 2012; Turtle và Wang, 2017) Trong khi phương pháp thiết lập danh mục được sử dụng để xem xét khả năng sinh lời của các chiến lược phòng ngừa, phương pháp hồi quy cho phép tác giả kiểm định khả năng giải thích của biến quan tâm (SUE hoặc F-Score) đối với TSSL bất thường của cổ phiếu sau khi kiểm soát các yếu tố đại diện cho rủi ro được sử dụng phổ biến trong các nghiên cứu trước đó như quy mô, tỷ số BM, động lượng (Cai và cộng sự, 2021). Đo lường TSSL bất thường là trọng tâm của kiểm định khả năng dự báo TSSL cổ phiếu dựa vào thông tin kế toán Luận án sẽ trình bày chi tiết về vấn đề này trong CHƯƠNG 4.

Hình 1.2 Sơ đồ thiết kế nghiên cứu

Nguồn: tổng hợp của tác giả

PEAD: Nghiên cứu sự kiện

F-SCORE: Kiểm định dữ liệu chéo về khả năng dự đoán TSSL

Những đóng góp mới của luận án

Luận án cho thấy khả năng dự báo TSSL tương lai của lợi nhuận bất thường hiện tại, hàm ý về tính hữu dụng của các thông tin sẵn có trên BCTC đối với quyết định đầu tư trên TTCK Việt Nam Chiến lược đầu tư dựa vào SUE tạo ra TSSL bất thường ở mức 3.99% đối với kỳ hạn nắm giữ 30 ngày và 6.94% đối với kỳ hạn nắm giữ 60 ngày Khả năng sinh lời của chiến lược này giữ vững ý nghĩa thống kê khi tác giả thay đổi cách đo lường TSSL bất thường Thông qua kết quả nghiên cứu này, luận án cung cấp thêm bằng chứng thực nghiệm phản biện lại các dự báo của giả thuyết thị trường hiệu quả Bên cạnh đó, luận án còn cho thấy độ lớn của hiệu ứng PEAD trên TTCK Việt Nam (một thị trường cận biên) lớn hơn đáng kể so với các TTCK phát triển như Mỹ, Nhật, Anh, Úc.

Mặt khác, theo sự hiểu biết tốt nhất của tôi thì luận án này là một trong những nghiên cứu tiên phong kiểm định hiệu ứng PEAD và các yếu tố tác động lên nó sử dụng một mẫu nghiên cứu thống nhất Trước đó, Fink (2021) đã sơ lược một số lượng lớn các nghiên cứu về PEAD và phân nhóm cách giải thích cho hiệu ứng này thành i) rủi ro và sự không chắc chắn (Bernard và Thomas, 1989; Ball và cộng sự, 1993; Kimbrough, 2005

;Francis và cộng sự 2007; Dargenidou và cộng sự, 2018), ii) rào cản giao dịch (Bhushan,1994; Mendenhall, 2004; Garfinkel và Sokobin, 2006; Ng và cộng sự, 2008; Chordia và cộng sự, 2009), và iii) kỳ vọng sai lệch của thị trường (Bernard và Thomas, 1990;Bernard và Abarbanell, 1992; Bartov và cộng sự, 2000; Livnat và Mendenhall, 2006;DellaVigna và Pollet, 2009; Hirshleifer và cộng sự, 2009, 2011; Drake và cộng sự, 2012;Hung và cộng sự, 2015; Ben- Rephael và cộng sự, 2017) Luận án này mở rộng công việc của Fink (2021) bằng cách cung cấp các kết quả thực nghiệm dựa trên một mẫu dữ liệu nghiên cứu thống nhất Theo đó, tôi thực hiện toàn bộ các tính toán và kiểm định trên mẫu dữ liệu các doanh nghiệp Việt Nam niêm yết trên HOSE và HNX từ 2008-2021.Điều này gợi ý cho các nghiên cứu tiếp theo trong việc thực hiện một kiểm định bao gồm nhiều yếu tố giải thích cho PEAD để kiểm tra sự cạnh tranh lẫn nhau giữa chúng.

Cụ thể hơn về kết quả kiểm định, luận án chỉ ra rằng rào cản giao dịch, sự hiện diện của cổ đông nội bộ, và sự chú ý của NĐT là những yếu tố tác động đến độ lớn của hiệu ứng PEAD trên TTCK Việt Nam.

Thứ nhất, đối với yếu tố rào cản giao dịch, luận án tái khẳng định mối quan hệ cùng chiều giữa chi phí giao dịch và độ lớn PEAD (Bernard và Thomas, 1989; Mendenhall, 2004; Garfinkel và Sokobin, 2005; Chordia và cộng sự, 2009) Chi phí giao dịch sẽ khiến việc khai thác định giá sai trở nên kém hấp dẫn hơn đối với nhà kinh doanh chênh lệch giá và do đó làm chậm quá trình phản ánh thông tin Ngoài ra, luận án còn đóng góp vào nhánh nghiên cứu này bằng việc kiểm định sự canh tranh giữa các biến đại diện cho yếu tố rào cản giao dịch trong việc giải thích xu hướng của giá cổ phiếu sau khi thông tin lợi nhuận được công bố Kết quả cho thấy rủi ro hệ thống và khối lượng giao dịch bất thường là hai biến vững trong việc giải thích độ lớn PEAD khi tôi đưa các biến cạnh tranh khác như giá cổ phiếu, khối lượng giao dịch, rủi ro kinh doanh chênh lệch giá, và sự thiếu thanh khoản vào xem xét trong mô hình.

Thứ hai, đối với sự hiện diện của cổ đông nội bộ, luận án chỉ ra mối quan hệ cùng chiều giữa tỷ lệ sở hữu của loại hình nhà đầu tư này và độ lớn của hiệu ứng PEAD Kết quả này củng cố cho giả thiết “lạm quyền quản lý” được đề cập bởi Hung và cộng sự

(2013) cho rằng nhà điều hành doanh nghiệp, với tỷ lệ sở hữu lớn, sẽ có xu hướng gia tăng các hoạt động thao túng lợi nhuận và khiến hàm ý dự báo của thông tin này trở nên khó hiểu hơn đối với cổ đông bên ngoài Luận án cũng đưa ra bằng chứng đối lập với các nghiên cứu trước đó trên TTCK Mỹ (Bartov 2000; Ali và cộng sự, 2004; Hirshleifer và cộng sự, 2009) về vai trò của nhà đầu tư tổ chức trong việc tăng tốc quá trình phản ánh thông tin vào giá cổ phiếu.

Thứ ba, luận án bổ sung kết quả cho một nhánh nghiên cứu đang nổi lên trong việc sử dụng các công cụ tìm kiếm làm biến đại diện cho sự chú ý của nhà đầu tư nhằm giải thích cho độ lớn của hiệu ứng PEAD (Drake và cộng sự, 2012; Da và cộng sự, 2014;Ben- Rephael và cộng sự, 2017).Việc tìm kiếm thông tin bất thường bằng Google thể hiện nhu cầu thông tin của NĐT đối với một cổ phiếu cụ thể, làm tăng mức độ phản ứng xung quanh thời điểm công bố và giảm độ lớn của hiệu ứng PEAD Kết quả nghiên cứu cho thấy mối quan hệ ngược chiều giữa độ lớn của hiệu ứng PEAD và sự chú ý của nhà đầu tư xung quanh thời điểm công bố thông tin Kết quả này nhất quán với những gì được tìm thấy trên TTCK Mỹ (Hirshleifer và cộng sự, 2003; 2009; 2011; Dellavigna và cộng sự, 2009; Drake và cộng sự, 2012). Đối với nhánh nghiên cứu sử dụng thông tin tổng hợp từ các thông tin trên BCTC, luận án cho thấy khả năng sinh lời vượt trội của chiến lược đầu tư dựa vào chỉ số F-Score trên TTCK Việt Nam Chiến lược đầu tư phòng ngừa bằng cách mua cổ phiếu có F-Score cao và bán cổ phiếu có F-Score thấp tạo ra TSSL bất thường ở mức 18.10% đối với thời gian nắm giữ 12 tháng sau khi điều chỉnh cho TSSL thị trường Nghiên cứu còn tìm thấy TSSL bất thường của chiến lược đầu tư phòng ngừa tập trung vào những cổ phiếu có môi trường truyền tải thông tin kém như quy mô nhỏ và mệnh giá cổ phiếu thấp Tuy nhiên, lợi nhuận của chiến lược này có thể gặt hái được khi TSSL bất thường vẫn được tạo ra khi áp dụng đối với nhóm cổ phiếu có khối lượng giao dịch trung bình và cao Cuối cùng, F-Score vẫn có thể giải thích cho TSSL tương lai của cổ phiếu sau khi kiểm soát các yếu tố đại diện cho rủi ro như quy mô, tỷ số BM, động lượng, và dồn tích.

Một đóng góp nổi bật của luận án là chỉ ra mối quan hệ cùng chiều giữa chỉ số F- Score và độ lớn của hiệu ứng PEAD Nghiên cứu này đã bổ sung thêm hai cơ chế tiềm năng (bên cạnh cơ chế sự không chắc chắn về mặt thông tin được đề xuất bởi Turtle và cộng sự, 2017) giải thích cho mối liên hệ giữa chỉ số F-Score và độ lớn của hiệu ứng PEAD Thứ nhất, vì F-Score có thể tác động đến nhu cầu tổ chức (Choi và Sias, 2012), một đối tượng được cho là giảm độ lớn của hiệu ứng PEAD (Bartov và cộng sự, 2009; Ali và cộng sự, 2004; Ke và Ramalingegowda, 2005; Boehmer và Kelly, 2009), nên tác giả cho rằng F-Score có mối quan hệ ngược chiều với độ lớn PEAD Thứ hai, các nghiên cứu về đặc điểm của chuỗi lợi nhuận cho thấy mối liên hệ giữa lợi nhuận hiện tại và lợi nhuận ở các quý liền kề (Foster, 1977, Griffin, 1977; Brown và Rozeff, 1979) và NĐT có xu hướng không nắm bắt chính xác thuộc tính chuỗi thời gian của lợi nhuận (Bernard vàThomas, 1990) Mặt khác, các nghiên cứu về F-Score cũng cho thấy rằng chỉ số này có khả năng giải thích cho lợi nhuận kỳ vọng trong tương lai (Piotroski, 2000; Piotroski và So, 2012).

Do đó, SUE và F-Score có thể bổ sung hoặc triệt tiêu lẫn nhau trong việc dự báo cho TSSL kỳ tới và do đó kéo dài hoặc rút ngắn quá trình NĐT nắm bắt hàm ý dự báo của cả hai chỉ số.

Luận án cho thấy mối quan hệ cùng chiều giữa độ lớn của hiệu ứng PEAD và chỉ sốF-Score Điều này hàm ý rằng chỉ số F-Score có thể khiến NĐT gặp nhiều khó khăn hơn trong việc nắm bắt hàm ý dự báo của lợi nhuận bất thường hiện tại lên thành quả hoạt động của công ty trong tương lai và do đó dẫn đến phản ứng của giá cổ phiếu sau khiCBTT trở nên lớn hơn.

Cấu trúc chuyên đề

Chương tiếp theo của luận án sẽ sơ lược về giả thuyết thị trường hiệu quả và các bất thường nổi bật trong nghiên cứu tài chính Tổng quan các nghiên cứu về kiểm định hiệu ứng PEAD, khả năng dự báo tỷ suất sinh lợi tương lai của chỉ số F-Score, và mối liên hệ giữa hai yếu tố cũng được trình bày trong phần này Phương pháp thiết lập và hồi quy được tác giả sử dụng để thực hiện các kiểm định trong bài được trình bày ở chương 3,trong khi đo lường các biến nghiên cứu sẽ được trình bày trong chương 4 Phần 5 sẽ trình bày về dữ liệu và kết quả nghiên cứu, trong khi chương 6 sẽ nói về kết luận và các hàm ý chính sách.

TỔNG QUAN LÝ THUYẾT

Thị trường hiệu quả về mặt thông tin báo cáo tài chính

2.1.1 Sự phát triển của giả thuyết thị trường hiệu quả

Fama (1965) là nghiên cứu đầu tiên sử dụng thuật ngữ “thị trường hiệu quả” mặc dù các nghiên cứu trước đó đã bắt đầu đề cập đến mẫu hình của sự thay đổi giá cổ phiếu và khả năng sinh lời của các chiến lược đầu tư (Bachelier, 1900; Dibblee, 1912; Mandelbrot,

1963) Tác giả dựa vào mô hình bước đi ngẫu nhiên chỉ ra rằng mặc dù thông tin và nhiễu (sự khác biệt giữa giá thực tế và giá trị nội tại) có thể không được tạo ra một cách độc lập (tin xấu có xu hướng được tiếp nối bởi tin xấu, tin tốt có xu hướng được tiếp nối bởi tin tốt), thị trường có các cơ chế để sự thay đổi giá là độc lập Theo tác giả, có hai thứ khiến cho sự thay đổi giá là độc lập bao gồm: 1) sự tồn tại của các nhà đầu chuyên nghiệp theo trường phái phân tích kỹ thuật và 2) sự tồn tại của các nhà đầu tư chuyên nghiệp theo trường phái phân tích cơ bản (những người có khả năng tốt hơn trong việc dự đoán sự xuất hiện của các sự kiện kinh tế, chính trị và đánh giá tác động của các sự kiện này lên giá cổ phiếu) Kết luận của nghiên cứu cho rằng sự độc lập của thay đổi giá cổ phiếu là nhất quán với sự tồn tại của một thị trường hiệu quả nơi mà giá cổ phiếu là một ước lượng tốt của giá trị nội tại (với một lượng thông tin sẵn có) tại mọi thời điểm.

Fama (1970) định nghĩa một thị trường được gọi là hiệu quả nếu giá cả phản ánh hoàn toàn các thông tin sẵn có Tác giả chia thị trường hiệu quả thành ba dạng (dạng yếu, dạng vừa, dạng mạnh) và cho thấy không có nhiều bằng chứng bác bỏ giả thuyết thị trường hiệu quả ở cả ba dạng Fama (1991) tái phân loại các dạng kiểm định EMH Theo đó, tác giả sử dụng kiểm định chéo khả năng dự báo TSSL thay cho kiểm định thị trường dạng yếu để mở rộng phạm vi kiểm định Đối với kiểm định dạng vừa và kiểm định dạng mạnh, tác giả thay đổi tên thành nghiên cứu sự kiện và kiểm định thông tin nội bộ Sự thay đổi tên gọi này chỉ nhằm khiến các dạng kiểm định được mô tả phù hợp hơn chứ không thay đổi về phạm vi nghiên cứu Gần đây, Malkiel (2003) cho rằng một thị trường tài chính hiệu quả là nơi không cho phép các nhà đầu tư kiếm được TSSL cao hơn trung bình nếu không chịu chấp nhận một mức rủi ro cao hơn trung bình Dựa vào ý tưởng này, tác giả phản biện các nghiên cứu đối lập với thị trường hiệu quả.

Sự phát triển của thị trường hiệu quả gắn liền với sự ra đời của các nghiên cứu đối lập nhau về sự tồn tại của một trong ba dạng nêu trên Theo đó, kiểm định về khả năng dự báo TSSL (thị trường hiệu quả dạng yếu) là trung tâm của sự tranh luận với ngày càng nhiều các nghiên cứu ủng hộ lẫn phản biện Các nghiên cứu này phát triển ở khía cạnh nêu ra các yếu tố mới (các hệ số định giá E/P, D/P) hoặc phương pháp nghiên cứu mới để nâng cao độ tin cậy của kết quả kiểm định (mô hình một nhân tố, mô hình ba nhân tố). Nhánh nghiên cứu này bắt đầu bằng ý tưởng về bước đi ngẫu nhiên và sự độc lập của thay đổi giá Các nghiên cứu ban đầu cho thấy sự thay đổi giá tuân theo bước đi ngẫu nhiên và thông qua đó hàm ý kết luận về thị trường hiệu quả (Cootner, 1964; Fama,

1965) Tuy nhiên, ngày càng nhiều các nghiên cứu (theo hướng tài chính hành vi) cho thấy TSSL cổ phiếu tương lai có thể được dự báo bởi TSSL quá khứ (Lo và MacKinlay, 1988; Conrad và Kaul, 1988; Lo và MacKinlay, 1999; Lo, Mamaysky, và Wang, 2000). Các nghiên cứu này cho rằng “tâm lý đám đông” (“bandwagon effect”) hoặc sự phản ứng dưới mức là hai cơ chế phản hồi tâm lý học có thể giải thích cho sự phụ thuộc trong TSSL cổ phiếu Mặc dù sự nổi lên của các nghiên cứu cho thấy TSSL cổ phiếu có thể dự đoán được bằng thông tin quá khứ, khả năng sinh lời của các chiến lược đầu tư được xây dựng trên các ý tưởng này là khá hạn chế, đặc biệt sau khi tính đến chi phí giao dịch (Odean, 1999; Lesmond, Schill và Zhou, 2001).

Một nội dung quan trọng khác thu hút sự tranh luận sôi nổi trong nhánh nghiên cứu này là khả năng giải thích cho biến động của TSSL tăng lên đáng kể đối với kỳ hạn dài. Các kiểm định sử dụng dữ liệu ở tần suất cao như ngày, tuần, tháng đều cho thấy sự giải thích không đáng kể của các yếu tố xem xét đối với TSSL (Fama, 1991) Tuy nhiên, mức độ giải thích tăng lên đáng kể (từ 20% đến 40%) khi thời gian nắm giữ là hai đến 10 năm

(Fama và French, 1988; Poterba và Summers, 1988) Kết luận này gây ra nhiều tranh cãi vì chỉ có ý nghĩa trong giai đoạn Đại Suy Thoái và phụ thuộc vào kỹ thuật thống kê được sử dụng (Fama, 1991, 1998) Ngoài ra, Fama (1998) cho rằng các nghiên cứu phản biện thị trường hiệu quả không cung cấp một giả thuyết thay thế rõ ràng Theo tác giả, giả thuyết thay thế nên đưa ra một mô hình tốt để dự đoán hành vi của nhà đầu tư là phản ứng dưới mức hay phản ứng quá mức thay vì phát biểu chung chung rằng thị trường là không hiệu quả Một sự phát triển quan trọng trong nhánh nghiên cứu về khả năng dự báo TSSL là việc sử dụng các thông tin khác (ngoài TSSL quá khứ) trong việc dự báo TSSL tương lai bao gồm các hệ số định giá (tỷ lệ cổ tức, tỷ số E/P), chênh lệch rủi ro vỡ nợ của trái phiếu xếp hạng thấp và cao (Keim và Stambaugh, 1986; Campbell và Shiller, 1988b; Fama và French, 1988b, 1989), chênh lệch kỳ hạn (Campbell, 1987; Fama và French, 1989; Chen, 1991) Nhìn chung, các hệ số này giải thích được một phần đáng kể biến động của TSSL tương lai (đặc biệt đối với thời gian nắm giữ dài từ 2 năm đến 10 năm) và đáng tin cậy hơn khi so với sự tự tương quan được đề cập ở trên (Fama, 1991; Malkiel, 2003).

Các bằng chứng rõ ràng nhất về tính hiệu quả của thị trường chứng khoán đến từ nhánh nghiên cứu sự kiện (thị trường hiệu quả dạng vừa) Theo đó, phần lớn các nghiên cứu về phản ứng giá cổ phiếu xung quanh các sự kiện, như chia tách cổ phiếu (Fama,Fisher, Jensen, và Roll, 1969), thông báo lợi nhuận năm (Ball và Brown, 1968), phát hành lần thứ hai (Scholes, 1969), quyết định tài trợ (Smith, 1986), sự kiện kiểm soát doanh nghiệp (Jensen và Ruback, 1983; Jensen và Warner, 1988), đều ủng hộ tính hiệu quả của thị trường trong việc phản ánh thông tin Mặc dù danh mục các sự kiện ngày càng được mở rộng, các kỹ thuật nền tảng trong nghiên cứu sự kiện không có nhiều sự thay đổi (Kothari, 2007) Sự ra đời của hệ thống CRSP với số liệu theo ngày cho phép các nghiên cứu quan sát chính xác hơn phản ứng của giá cổ phiếu xung quanh thời điểm công bố thông tin Điều này là trọng tâm của giả thuyết thị trường hiệu quả về việc liệu thông tin có được phản ánh một cách nhanh chóng vào giá cổ phiếu hay không Thêm nữa, vì giá trị trung bình của TSSL theo ngày là nhỏ (gần như bằng 0) nên TSSL bất thường, nếu có, sẽ là đáng kể bất chấp các mô hình định giá được sử dụng Do đó, các nghiên cứu áp dụng phương pháp này có độ tin cậy cao trong việc đưa ra kết luận về giả thuyết thị trường hiệu quả. Đối với nhánh nghiên cứu về thông tin nội bộ, khả năng tạo ra TSSL vượt trội thông qua việc độc quyền trong tiếp cận thông tin của cổ đông nội bộ, chuyên viên sàn giao dịch, và nhà quản lý quỹ đầu tư (Scholes, 1969; Jensen, 1968; Malkiel, 1995) được đưa ra xem xét Các nghiên cứu trên hai đối tượng đầu tiên cung cấp các bằng chứng đối lập với thị trường hiệu quả Thứ nhất, cổ đông nội bộ nắm giữ các thông tin không được phản ánh vào giá (Jaffe, 1974; Seyhun, 1986) Thứ hai, những chuyên viên nắm được thông tin lệnh giao dịch (Niederhoffer và Osborne, 1966) hoặc các chuyên viên phân tích của Value Line Investment Survey (Stickel, 1985) có thể tận dụng sự hiểu biết vượt trội về thông tin lợi nhuận của doanh nghiệp để tạo ra TSSL cao hơn so với tiêu chuẩn Cuối cùng, Malkiel (2003) cho rằng khả năng đánh bại thị trường của nhà quản lý quỹ là bài kiểm tra quan trọng nhất đối với tính hiệu quả của thị trường bởi vì các đối tượng này có nhiều động lực để đạt TSSL cao hơn so với chỉ số Một số nghiên cứu cho thấy các nhà quản lý quỹ tạo ra TSSL vượt trội so với chỉ số chung (Henriksson, 1984; Chang và Lewellen, 1984; Ippolito, 1989) Tuy nhiên, mức TSSL vượt trội là tương đối nhỏ sau khi xem xét yếu tố chi phí và phụ thuộc nhiều vào mô hình định giá, đặc biệt trở nên thách thức hơn khi kỳ hạn nắm giữ dài do vấn đề “thiên vị sống sót” (Malkiel, 1995, 2003).

2.1.2 Các nghiên cứu EMH đối với số liệu trên báo cáo tài chính

Các nghiên cứu về EMH đối với số liệu kế toán chủ yếu tập trung vào nhánh nghiên cứu sự kiện và nhánh khả năng dự báo TSSL (Kothari, 2001) Trong nhánh thứ nhất, các sự kiện giành được sự quan tâm và tranh luận sôi nổi bao gồm công bố thông tin lợi nhuận (Ball và Brown, 1968; Bernard và Thomas, 1989, 1990), phương pháp và sự thay đổi phương pháp kế toán (Watts và Zimmerman, 1986, 1990; Revsine và cộng sự, 1999; Dhaliwal và cộng sự, 2000), quản trị dồn tích và sự tự tin trong dự báo của chuyên viên phân tích đối với khung thời gian dài hạn (Teoh và Wong, 1999; Dechow và cộng sự,

2000) Thứ nhất, phản ứng giá cổ phiếu xung quanh thời điểm công bố thông tin lợi nhuận là một trong số những câu đố hóc búa nhất đối với nghiên cứu thị trường hiệu quả(Fama,

1998; Kothari, 2001; Hou và cộng sự, 2020) Mặc dù giá cổ phiếu phản ứng ngay lập tức theo chiều của lợi nhuận bất thường khi thông tin được công khai đến nhà đầu tư đối với các tần suất dữ liệu khác nhau (trong ngày (Lee, 1992), theo ngày (Foster và cộng sự,

1984), theo tuần (Beaver, 1968; May, 1971)), đà chuyển động của nó vẫn tiếp diễn trong một tháng sau đó (Bernard và Thomas, 1989, 1990) Điều này ngược lại với nhận định của EMH cho rằng giá cổ phiếu sẽ phản ánh ngay lập tức và đầy đủ thông tin được công bố Thứ hai, đối với nghiên cứu về phương pháp kế toán và sự thay đổi, các kết luận cho thấy rằng mặc dù các phương pháp kế toán khác nhau tạo ra sự khác biệt lớn trong con số được trình bày trên báo cáo tài chính, sự khác biệt này không liên quan tới dòng tiền và giá cổ phiếu Kết luận này ủng hộ giả thuyết thị trường hiệu quả vì phần nào bác bỏ luận lập cho rằng nhà đầu tư chú trọng quá mức đến con số lợi nhuận kế toán Thứ ba, các nghiên cứu về quản trị dồn tích và sự lạc quan trong dự báo của chuyên viên phân tích đưa ra các bằng chứng ngược lại kết luận của thị trường hiệu quả Trong khi thị trường thất bại trong việc nhận ra số liệu được điều chỉnh cho phù hợp với mục tiêu của nhà quản trị (thể hiện qua việc giá cổ phiếu biến động ngược chiều sau đó) (Teoh và Wong, 1999; Rangan, 1998), nhà đầu tư cũng không nhận ra được sự lạc quan quá mức trong dự báo tăng trưởng lợi nhuận dài hạn do chuyên viên phân tích công bố (Dechow và cộng sự, 2000; Rajan và Servaes, 1997; Lin và McNichols, 1998a).

Trong nhánh nghiên cứu về khả năng dự báo TSSL, hai nhóm nghiên cứu được đề cập tới bao gồm chỉ số định giá đơn lẻ (Basu, 1983; Lakonishok và cộng sự, 1994; Sloan,

1996) và chỉ số định giá tổng hợp (Ou và Penman, 1989a, 1989b; Frankel và Lee, 1998;Piotroski, 2000; Mohanram, 2005, 2018) Các nghiên cứu ở cả hai nhóm đều đưa ra các bằng chứng thực nghiệm về TSSL bất thường với quy mô lớn và do đó thách thức EMH.Tuy nhiên, vì hầu hết các nghiên cứu về khả năng dự báo TSSL được triển khai trên khung thời gian dài hạn (một năm đến ba năm) nên kết quả nghiên cứu sẽ gánh chịu các vấn đề gây tranh cãi liên quan tới phương pháp nghiên cứu bao gồm: i) mô hình định giá tài sản để đo lường TSSL bình thường và bất thường; ii) “thiên lệch tồn tại” và vấn đề dữ liệu; iii) sự tương quan giữa quy trình thiết lập danh mục và sự thay đổi của biến được quan tâm; iv) sự tương quan giữa các công ty do việc thiết lập danh mục dựa vào thời điểm trên lịch (Kothari, 2001).

Mặc dù đa dạng về khía cạnh khi xem xét tính hiệu quả của thị trường đối với thông tin trên báo cáo tài chính, PEAD và khả năng dự báo TSSL sử dụng chỉ số tài chính tổng hợp F-Score vẫn thu hút được quan tâm đáng kể của cộng đồn nghiên cứu Một mặt, sự phản ứng dần dần của nhà đầu tư đối với thông tin lợi được xem là một trong những thách thức bật nhất đối với giả thuyết thị trường hiệu quả (Fama, 1991, 1998; Kothari, 2001; Richardson, 2010, Ball và Brown, 2019, Hou và cộng sự, 2020) Mặt khác, chiến lược đầu tư dựa vào (các) chỉ số tài chính, điển hình như chỉ số F-Score, là một trong những nhánh nghiên cứu được cho là triển vọng trong thời gian gần đây được sử dụng phổ biến bởi các quỹ phòng hộ (Kothari, 2001; Richardson và cộng sự, 2010; Novy-Marx

Kiểm định EMH đối với sự kiện công bố thông tin lợi nhuận: hiệu ứng PEAD

2.2.1 Sự hiện diện của hiệu ứng PEAD trong nghiên cứu hàn lâm

PEAD là hiện tượng giá cổ phiếu tiếp tục chuyển động theo hướng lợi nhuận bất thường (earnings surprises) sau khi thông tin BCTC được công bố Fama (1998) cho rằng PEAD là một trong hai bất thường vững nhất có thể thách thức EMH, trong khi Ball và Brown (2019) tái lập lại nghiên cứu của họ năm thập niên trước đó và cho thấy hiện tượng này vẫn duy trì độ lớn và ý nghĩa kinh tế của nó Thêm vào đó, Hou và cộng sự

(2020), một trong các nghiên cứu nổi bật gần đây, tái kiểm định 452 bất thường trong nghiên cứu tài chính và phát hiện 65% trong số này thất bại sau khi các tác giả kiểm soát tác động của yếu tố cổ phiếu siêu nhỏ (microcaps) Tuy nhiên, hiệu ứng PEAD vẫn vững vàng bất chấp các kỹ thuật kiểm định tính vững được các tác giả thực hiện Điều này củng cố động lực cho các nghiên cứu tiếp tục kiểm định và giải thích cho sự tồn tại của hiệu ứng này.

Trong giai đoạn sơ khởi của các nghiên cứu về PEAD, Ball và Brown (1968), dựa trên các phát triển gần đó trong nghiên cứu thị trường hiệu quả về mặt thông tin, là nghiên cứu tiên phong quan sát mối liên hệ giữa TSSL và lợi nhuận bất thường của công ty nhằm đánh giá tính hữu ích của thông tin BCTC Tác giả mô hình hóa thay đổi lợi nhuận công ty theo thay đổi lợi nhuận toàn thị trường để tách phần sai số dự báo của từng công ty từ mô hình Công ty sẽ được phân loại có “tin tốt” (“good news”) nếu giá trị sai số dự báo lớn hơn không, có “tin xấu” (“bad news”) nếu sai số dự báo nhỏ hơn không. Mặt khác, tác giả điều chỉnh TSSL của từng cổ phiếu riêng lẻ bằng TSSL thị trường để tách phần phản ứng của thị trường đối với các thông tin được cho là chỉ liên quan tới mỗi công ty khỏi các thông tin chung tác động đến toàn bộ các cổ phiếu Kết quả nghiên cứu cho thấy rằng TSSL điều chỉnh thị trường của danh mục các công ty có “tin tốt” lớn hơn so với danh mục các công ty có “tin xấu” Sự chênh lệch này vẫn có ý nghĩa thống kê và kéo dài tới hai tháng sau khi thông tin lợi nhuận được công bố Bên cạnh việc cho thấy sự hữu ích của thông tin BCTC, nghiên cứu này còn nổi lên như một thách thức đối với EMH khi giá cổ phiếu phản ánh dần dần thay vì ngay lập tức toàn bộ thông tin lợi nhuận doanh nghiệp Trong cùng thời gian này, Beaver (1968) quan sát đồng thời biến động khối lượng giao dịch và giá cổ phiếu xung quanh ngày CBTT để xem xét nội dung thông tin (information content) của báo cáo lợi nhuận năm Mặc dù không xác định được thông tin lợi nhuận là tiêu cực hay tích cực, nhưng tác giả cho thấy rằng khối lượng giao dịch và độ biến động TSSL tăng lên đáng kể trong tuần thông tin được công bố Khối lượng giao dịch và mức thay đổi giá (giá trị tuyệt đối của TSSL) trong tuần công bố cao hơn lần lượt 33% và 67% so với giai đoạn thông thường Điều này cho thấy báo cáo lợi nhuận năm có mang nội dung thông tin.

Các nghiên cứu sau đó quan sát hiện tượng này đối với báo cáo quý và khai thác đặc điểm chuỗi thời gian (time-series properties) của dữ liệu lợi nhuận doanh nghiệp nhằm tìm kiếm mô hình mô tả hành vi tốt nhất Từ đó xác định giá trị dự báo và sai số dự báo tương ứng tốt nhất Theo đó, Jones (1970) quan sát mối liên hệ giữa lợi nhuận công ty theo quý và TSSL theo sau thời gian CBTT Tác giả cố gắng đo lường lợi nhuận bất thường của doanh nghiệp thông qua việc mô hình hóa lợi nhuận tám quý trước đó theo dạng đường thẳng (straight line) và dự báo lợi nhuận cho quý thứ chín, đồng thời xem giá trị này đại diện cho kỳ vọng của các NĐT chuyên nghiệp trên thị trường Tác giả, sau đó, quan sát chuyển động giá của các cổ phiếu có mức lợi nhuận mỗi cổ phiếu (EPS) cao hơn EPS dự báo 1.5 lần độ lệch chuẩn và chọn TSSL của chỉ số Standard and Poor (S&P Industrial Index) làm chuẩn so sánh Kết quả nghiên cứu, dựa vào kiểm định phi tham số (non- parametric test) cho thấy rằng có 136 cổ phiếu trong tổng số 211 cổ phiếu quan sát có TSSL cao hơn so với TSSL của chỉ số S&P.

Trong một phân tích kỹ càng hơn về vai trò khác biệt giữa báo cáo hàng quý và báo cáo hàng năm, Brown và Kennelly (1972) sử dụng cách thức đo lường và mô hình dự báo của Ball và Brown (1968) cho báo cáo hàng quý để kiểm định nội dung thông tin của lợi nhuận doanh nghiệp Các tác giả cho thấy mô hình dự báo lợi nhuận theo quý có nội dung dự báo (predictive content) cao hơn 30% đến 40% so với mô hình dự báo lợi nhuận thường niên Sự vượt trội của mô hình dự báo lợi nhuận theo quý được giải thích bởi chiến lược giao dịch có thể khai thác sự khác biệt giữa lợi nhuận thực tế và lợi nhuận kỳ vọng từng quý và do đó các chiến lược này sẽ theo sát với lợi nhuận bất thường hơn Joy và cộng sự (1977) sử dụng hai mô hình dự báo lợi nhuận quý và ba cách phân loại lợi nhuận bất thường khác nhau Kết quả nghiên cứu của tác giả cũng cho thấy những công ty có báo cáo tốt (favorable) có TSSL điều chỉnh thị trường vượt trội hơn so với những công ty có báo cáo không tốt (unfavorable) Hiện tượng này kéo dài sau thời điểm CBTT và do đó tác giả cho rằng thị trường phản ánh thông tin một cách dần dần thay vì ngay lập tức như dự đoán của lý thuyết thị trường hiệu quả (EMH) Khác với các nghiên cứu trước đó, nghiên cứu này xem xét mối liên hệ giữa TSSL sau khi CBTT và độ lớn thay vì dấu của lợi nhuận bất thường, được đo lường bằng chênh lệch giữa EPS thực tế và EPS dự báo Kết quả nghiên cứu cũng xác nhận mối quan hệ giữa hai yếu tố này Foster (1977) áp dụng các mô hình dự báo theo phương pháp Box-Jenkins vào chuỗi dữ liệu lợi nhuận quý của 69 doanh nghiệp từ giai đoạn 1964-1974 để kiểm định khả năng dự báo của mô hình cho lợi nhuận kỳ kế tiếp và quan sát phản ứng của thị trường đối với lợi nhuận bất thường được tính toán từ các mô hình này Theo đó, dựa vào các tiêu chí đánh giá mức độ dự báo chính xác và tiêu chí độ phân tán của sai số dự báo, tác giả cho thấy rằng mô hình trong đó thay đổi lợi nhuận so với cùng kỳ (seasonal difference) tuân theo quá trình tự hồi quy bậc một (Auto Regressive-AR(1)) dự báo chính xác nhất lợi nhuận của doanh nghiệp trong quý tài khóa tiếp theo Hơn nữa, tồn tại mối liên hệ giữa dấu của phần dư trung bình cộng dồn (cumulative average residual – CAR, với khung thời gian kéo dài 60 ngày kể từ ngày CBTT) và dấu của lợi nhuận bất thường.

Một loạt các nghiên cứu tiếp theo tiếp tục kiểm định hiệu ứng PEAD thông qua việc giải quyết “vấn đề giả thuyết nghiên cứu đồng thời” (“joint hypothesis” problem) được đề xuất bởi Fama (1979) Các nghiên cứu này đưa ra những cách đo lường lợi nhuận và TSSL bất thường khác nhau đồng thời lý giải nguyên nhân của hiệu ứng PEAD theo hai hướng là thị trường không hiệu quả (market inefficiency) và việc sử dụng mô hình đo lường rủi ro không chính xác (deficiency in risk-adjustment) Ball (1978) cho rằng hiện tượng giá cổ phiếu tiếp tục chuyển động theo hướng sai số dự báo của lợi nhuận có nguyên nhân từ việc mô hình dùng để tính TSSL bất thường bị định dạng sai (misspecificed) Tuy nhiên, Watts (1987) lại đi theo hướng ngược lại, nghiên cứu này áp dụng phương pháp thiết lập danh mục được đề xuất bởi Black và Scholes (1973) để thu được danh mục các công ty có lợi nhuận bất thường tích cực (“positive”) và danh mục các công ty lợi nhuận bất thường tiêu cực (“negative”) với các hệ số beta (beta ratio) bằng nhau Đồng thời tác giả cũng tiến hành kiểm định đặc điểm của các biến quan tâm và mẫu dữ liệu để đảm bảo rằng thiết kế nghiên cứu sẽ khắc phục được “hiệu ứng đại diện” (“proxy effect”) được nêu ra bởi Ball (1978) Kết quả cho thấy rằng danh mục các công ty có lợi nhuận bất thường tích cực tạo ra TSSL bất thường lớn hơn so với danh mục còn lại Ngoài ra, chiến lược đầu tư không tốn chi phí ban đầu (zero investment) bằng cách mua danh mục lợi nhuận bất thường tích cực và bán danh mục lợi nhuận bất thường tiêu cực với cùng một giá trị đầu tư là một chiến lược không có rủi ro khi hệ số beta của hai vị thế là bằng nhau Vì chiến lược không vốn đầu tư ban đầu và không rủi ro lại tạo ra một TSSL bất thường nên tác giả đưa ra một kết luận trái ngược với Ball (1978) cho rằng hiệu ứng PEAD là do thị trường không hiệu quả (market inefficiency) Foster và cộng sự

(1984) kiểm định quan sát của Ball và Brown (1968) trên dữ liệu lợi nhuận của công ty được công bố hàng quý Các tác giả sử dụng đồng thời mô hình dựa vào dữ liệu lợi nhuận công ty (earnings-based models) và mô hình dựa vào TSSL trước ngày công bố (return-based models) để đo lường sai số dựa báo (forecast error) Theo các tác giả, sai số dự báo tính bằng dạng mô hình thứ hai giảm được “hiệu ứng đại diện” (“proxy effect”) được đề xuất trong Ball (1978) Các tác giả, sau đó, chia các công ty thành thập phân vị dựa vào việc so sánh độ lớn của sai số dự báo hiện tại với phân phối sai số dự báo của kỳ trước đó Cách làm này giúp chiến lược đầu tư có thể phân chia công ty vào các thập phân vị ngay khi BCTC được công bố Điều này khắc phục vấn đề “thông tin nhận thức muộn” (“hindsight information”) được đề xuất trong các nghiên cứu trước đó Kết quả nghiên cứu này cho thấy có sự tồn tại hiệu ứng PEAD khi sử dụng mô hình dựa vào lợi nhuận (earings-based models) nhưng hiệu ứng này biến mất khi tác giả sử dụng mô hình dựa vào TSSL (return-based models) Điều này dẫn đến các nghiên cứu sau đó, nổi bật là Foster và cộng sự (1984), quy hiệu ứng TSSL bất thường sau khi công ty CBTT lợi nhuận cho sự thất bại trong việc sử dụng các mô hình ước tính rủi ro Cũng trong nghiên cứu này, các tác giả kiểm định mối quan hệ của hiệu ứng PEAD với hiệu ứng quy mô (size effect) sử dụng đồng thời phương pháp thiết lập danh mục và hồi quy Kết quả nghiên cứu cho thấy độ lớn TSSL bất thường sau khi CBTT lợi nhuận tỷ lệ nghịch với quy mô công ty Bernard và Thomas (1989) tái tạo các bước tính toán từ Foster và cộng sự (1984) cùng với một số phân tích đầy đủ hơn nhằm kiểm định các tranh luận về bản chất của hiện tượng TSSL bất thường theo sau CBTT lợi nhuận của các doanh nghiệp Trước tiên, các nghiên cứu này khẳng định sự tồn tại của bất thường PEAD khi cho thấy chiến lược đầu tư được thiết lập bằng cách mua các công ty có lợi nhuận bất thường (SUE) cao nhất và bán các công ty có SUE thấp nhất sẽ tạo ra một TSSL bất thường 4% với thời gian nắm giữ 60 ngày kể từ khi công bố, tương ứng với mức TSSL bất thường 18% hàng năm Sau đó, tác giả thực hiện các kiểm định để làm rõ hai hướng giải thích chính cho PEAD bao gồm (1) sự thất bại trong mô hình điều chỉnh rủi ro và (2) phản ứng trễ của giá cổ phiếu đối với thông tin lợi nhuận Một mặt, các tác giả cho rằng các bằng chứng không ủng hộ cho hướng giải thích liên quan tới việc điều chỉnh rủi ro Hệ số beta chỉ giải thích một phần không đáng kể độ lớn của hiệu ứngPEAD như Ball, Kothari và Watts (1988) đề xuất trong khi các yếu tố rủi ro được nêu ra bởi Chen, Roll và Ross (1986), như tăng trưởng bất thường của sản lượng công nghiệp, thay đổi bất thường trong phần bù rủi ro vỡ nợ, thay đổi trong lạm phát kì vọng, lạm phát bất thường, thay đổi bất thường trong cấu trúc kỳ hạn, không có ý nghĩa trong việc giải thích cho độ lớn của hiện tượng này Mặt khác, kết quả thực nghiệm ủng hộ việc giải thích PEAD do sự phản ứng trễ của giá cổ phiếu đối với thông tin lợi nhuận được công bố Trong đó, chi phí giao dịch và sự thất bại của NĐT trong việc nắm bắt hàm ý dự báo của lợi nhuận hiện tại đối với lợi nhuận tương lai được xem là hai cách giải thích hợp lý nhất Bernard và Thomas (1989) và Freeman và Tse (1989) cho thấy một phần chuyển động của giá cổ phiếu sau khi thông tin lợi nhuận quý hiện tại được công bố sẽ bị trì hoãn (“delayed”) cho đến khi lợi nhuận của quý kế tiếp được công bố. Hơn nữa, Bernard và Thomas (1989) cho thấy rằng bằng chứng này nhất quán với nhận định thị trường đã thất bại trong việc điều chỉnh kỳ vọng lợi nhuận của quý tiếp theo dựa trên thông tin lợi nhuận của quý hiện tại Bernard và Thomas (1990) đi sâu vào kiểm định cách giải thích này Các tác giả thiết lập chiến lược đầu tư bằng cách mua cổ phiếu các công ty có lợi nhuận bất thường cao nhất và bán cổ phiếu các công ty có lợi nhuận bất thường thấp nhất từ thông tin lợi nhuận quý hiện tại Sau đó, các tác giả quan sát thành quả của chiến lược đầu tư này đối với thời hạn nắm giữ 3 ngày giao dịch trước (có bao gồm) ngày CBTT lợi nhuận của 4 quý tiếp theo Trong khi chiến lược này tạo ra các TSSL bất thường dương có độ lớn giảm dần ở 3 kỳ công bố đầu tiên, một TSSL bất thường âm và có ý nghĩa thống kê được ghi nhận tại đợt công bố lợi nhuận thứ tư Hơn nữa, TSSL bất thường 3 ngày trước thời điểm công bố có mẫu hình tự tương quan tương tự với mẫu hình tự tương quan của chuỗi lợi nhuận bất thường Các bằng chứng thực nghiệm này ủng hộ giả thuyết của các tác giả cho rằng kỳ vọng lợi nhuận của thị trường tuân theo mẫu hình bước đi ngẫu nhiên mùa vụ (seasonal random walk), trong đó lợi nhuận kỳ vọng đơn giản là lợi nhuận cùng kỳ năm trước cộng thêm một tỷ lệ tăng trưởng bình quân Thêm nữa, kết quả cũng cho thấy rằng chênh lệch mùa vụ (seasonal difference) của lợi nhuận được mô tả tốt nhất bởi mẫu hình của Brown và Rozeff (1979) và thị trường thất bại trong việc nắm bắt mẫu hình này Do đó, TSSL bất thường xung quanh thời gian CBTT sẽ tự tương quan dương trong 3 quý tiếp theo trong khi ngược chiều với TSSL bất thường ở kỳ công bố thứ 4 Độ lớn và dấu của sự tự tương quan này tương tự với độ lớn và dấu trong mẫu hình tự tương quan của thay đổi lợi nhuận Theo đó, các tác giả kết luận rằng NĐT thất bại trong việc điều chỉnh lợi nhuận kỳ vọng của quý tiếp theo dựa vào thông tin lịch sử của chuỗi lợi nhuận hiện tại. Mendenhall (1991) dựa vào các kết quả nghiên cứu của Bernard và Thomas (1989,1990) và Freeman và Tse (1989) tiến hành kiểm định liệu các thành viên của thị trường, bao gồm chuyên viên phân tích (analyst) và NĐT, có đánh giá thấp sự kéo dài (persistence) của sai số dự báo hay không Đây là một trong các nghiên cứu đầu tiên sử dụng cơ sở dữ liệu Value Line Investment Survey để tiến hành đo lường giá trị sai số dự báo và điều chỉnh dự báo từ báo cáo của các chuyên viên phân tích Nghiên cứu của tác giả bao gồm ba kiểm định chính Thứ nhất, tác giả kiểm định lại nhận xét của Givoly (1985) cho rằng nếu chuyên viên phân tích đánh giá thấp hàm ý thông tin của quý hiện tại từ đợt công bố thì sai số dự báo của hai quý liên tiếp sẽ tương quan dương với nhau Kết quả hồi quy của tác giả cho thấy hệ số ước lượng có ý nghĩa thống kê dương Điều này ám chỉ chuyên viên phân tích đánh giá thấp khả năng dự báo của số liệu lợi nhuận được công bố trong quý hiện tại Thứ hai, tương tự với nhận định của Freeman và Tse (1989), nghiên cứu này cho rằng phản ứng của NĐT xung quanh thời điểm đánh giá lại dự báo của Value Line phụ thuộc vào sự tương quan giữa giá trị sai số dự báo trong quý trước đó và giá trị điều chỉnh dự báo cho quý hiện tại Nếu lợi nhuận được điều chỉnh cùng hướng với sai số dự báo, giá cổ phiếu xung quanh thời gian điều chỉnh sẽ tăng hoặc giảm cùng chiều với sai số dự báo Ngược lại, nếu lợi nhuận được điều chỉnh ngược chiều với sai số dự báo, giá cổ phiếu sẽ chuyển động ngược chiều với sai số dự báo Kết quả nghiên cứu của tác giả ủng hộ giả thuyết này Điều này cho thấy việc công bố điều chỉnh dự báo lợi nhuận của các chuyên viên phân tích có mang nội dung thông tin (information content) Cuối cùng, tác giả muốn kiểm định xem liệu NĐT có đánh giá thấp hàm ý dự báo lợi nhuận sắp tới từ đợt công bố điều chỉnh dự báo hay không bằng cách quan sát mối quan hệ giữa TSSL xung quanh ngày CBTT và mức độ điều chỉnh dự báo trước đó Kết quả cho thấy NĐT vẫn đánh giá thấp sự dai dẳng của sai số dự báo ngay cả khi số liệu điều chỉnh dự báo đã được công bố Đặc biệt, khi tác giả thêm sai số dự báo của kỳ hiện tại vào mô hình thì hệ số ước lượng của biến này vẫn theo dự đoán trước đó của Bernard và Thomas (1989,

1990) và có ý nghĩa thống kê Điều này càng củng cố giả thuyết rằng NĐT không nắm bắt toàn bộ hàm ý dự báo lợi nhuận sắp tới từ các sự kiện liên quan như CBTT hoặc công bố điều chỉnh dự báo trước đó Bartov (1992) sử dụng hồi quy LOGIT của SUE lên bốn giá trị trễ gần nhất của nó nhằm tính toán xác suất ước tính của việc SUE có giá trị dương trong quý tiếp theo Tác giả xem giá trị này là đại diện cho hàm ý dự báo của lợi nhuận quá khứ đối với lợi nhuận tương lai Sau đó, tác giả quan sát TSSL bất thường cộng dồn từ ngày giao dịch thứ ba sau ngày công bố lợi nhuận quý này cho tới ngày giao dịch đầu tiên sau ngày công bố lợi nhuận quý kế tiếp của danh mục các cổ phiếu có giá trị xác suất lớn hơn 0.6 (“danh mục tốt”) và danh mục các cổ phiếu có giá trị xác suất nhỏ hơn 0.4 (“danh mục xấu”) Nghiên cứu thu được các bằng chứng thực nghiệm ủng hộ việc giải thích hiện tượng PEAD bằng sự thất bại của thị trường trong việc nắm bắt toàn bộ hàm ý dự báo cho lợi nhuận quý tới từ các thông tin hiện có Thứ nhất, các “danh mục tốt” có SUE và TSSL bất thường lớn hơn 0 ở quý tiếp theo, trong khi “danh mục xấu” cho kết quả ngược lại Điều này cho thấy xác suất ước tính từ mô hình LOGIT có thể dự báo lợi nhuận và TSSL bất thường trong quý tiếp theo. Ngoài ra, bởi vì xác suất ước tính cho quý tới và SUE của quý hiện tại có tương quan cao nên tác giả sử dụng các quan sát có tính chất ngược lại trong mỗi danh mục (các công ty có SUE hiện tại âm trong danh mục dương và các công ty có SUE hiện tại dương trong danh mục âm) để kiểm định Kết quả cho thấy danh mục gồm những cổ phiếu được lọc theo cách này cũng cho kết quả tương tự Điều này hàm ý rằng, bên cạnh biến trễ liền trước, các biến trễ trước đó của SUE cũng cộng thêm giá trị dự báo cho lợi nhuận hiện tại Thứ hai và nổi bật nhất, tác giả kiểm định mối quan hệ giữa SUE quý hiện tại và TSSL bất thường quý tiếp theo sau khi kiểm soát yếu tố hàm ý dự báo Cụ thể, bằng việc phân chia mẫu thành bốn danh mục dựa vào việc xếp hạng giá trị SUE quý hiện tại, tác giả chỉ ra SUE và TSSL bất thường ở quý tiếp theo tăng dần theo hạng của danh mục. Kết quả này nhất quán với các nghiên cứu trước đó Sau đó, tác giả kiểm soát yếu tố hàm ý dự báo bằng cách chia mẫu thành “danh mục tốt” và “danh mục xấu” Ở mỗi danh mục vừa được chia, tác giả tiếp tục chia thành bốn danh mục nhỏ hơn dựa vào độ lớn SUE của quý hiện tại Tám danh mục được tạo ra sau hai bước này Cuối cùng, tác giả phân các công ty thành bốn danh mục dựa vào độ lớn của SUE Cách làm này giúp tác giả tạo ra bốn danh mục có giá trị trung bình của SUE quý hiện tại khác nhau nhưng giá trị hàm ý dự báo là xấp xỉ nhau Kết quả từ phương pháp này cho thấy mối tương quan dương giữa SUE quý hiện tại và TSSL quý tới không còn tồn tại nữa Điều này cho thấy NĐT thực sự không nắm bắt được hàm ý dự báo cho lợi nhuận tương lai từ lợi nhuận quá khứ NĐT sẽ cập nhật dự báo dựa vào các thông tin liên quan được công bố trước khi số liệu lợi nhuận quý tới được công khai Bên cạnh đó, Bartov (1992) đóng góp trong việc sử dụng mẫu ngoài mô hình ước lượng (out-of- sample/ handout sample) để kiểm định các giả thuyết Điều này làm tăng độ tin cậy của kết quả nghiên cứu trước các tranh luận liên quan tới mô hình hóa và phương pháp chọn mẫu.

Giả thiết nghiên cứu 1 (H1): SUE có mối quan hệ cùng chiều với độ lớn của TSSL bất thường của cổ phiếu trong giai đoạn sau khi công ty công bố thông tin lợi nhuận.

2.2.2 PEAD và rào cản giao dịch

Một nhóm các nghiên cứu sử dụng các yếu tố rào cản giao dịch (trading frictions), bao gồm chi phí giao dịch và rủi ro kinh doanh chênh lệch giá, để giải thích cho sự phản ứng dưới mức của NĐT.

Chi phí giao dịch được kết luận, một cách gián tiếp, có mối quan hệ cùng chiều với độ lớn hiệu ứng PEAD trong các nghiên cứu đầu tiên Watts (1978) cho rằng chi phí giao dịch cao sẽ khiến việc khai thác định giá sai từ hiệu ứng PEAD trở nên kém hấp dẫn và chỉ có chuyên viên môi giới, với mức chi phí giao dịch tương đối thấp so với phần còn lại của thị trường, là những người có thể tận dụng được hiệu ứng này Mặt khác, Bernard và Thomas (1989) sử dụng một phân tích chặt chẽ hơn cho thấy độ lớn của hiệu ứng PEAD có một ngưỡng chặn trên Các tác giả suy luận rằng chỉ khi hiệu ứng PEAD đủ hấp dẫn sau khi loại trừ chi phí, những NĐT kinh doanh chênh lệch giá (arbitraguers) sẽ tham gia khai thác nó.

Các nghiên cứu sau đó đưa ra các kiểm định đầy đủ hơn vai trò của chi phí giao dịch và hiệu ứng PEAD Đa phần các nghiên cứu này đều chỉ ra mối quan hệ cùng chiều giữa chi phí giao dịch và độ lớn của hiệu ứng PEAD (Bhushan, 1994; Chordia và cộng sự,2009; Garfinkel và Sokobin, 2006; Ng và cộng sự, 2008) Sự phát triển của các nghiên cứu này tập trung vào việc phát triển các thước đo đại diện cho chi phí giao dịch Bhushan (1994) kế thừa ý tưởng của Grossman và Stiglitz (1976, 1980) cho rằng chi phí giao dịch cao có thể ngăn cản các NĐT chuyên nghiệp, bao gồm NĐT kinh doanh chênh lệch giá và NĐT dựa vào thông tin cơ bản, khai thác sự định giá sai cổ phiếu Do đó, độ lớn của hiệu ứng PEAD được dự báo có tương quan dương với chi phí giao dịch Trong phần đo lường biến nghiên cứu, các tác giả dựa vào Bhardwaj và Brooks (1992) để chọn giá cổ phiếu làm biến đại diện cho chi phí giao dịch trực tiếp và giá trị giao dịch tính bằng đô-la là biến đại diện cho chi phí giao dịch gián tiếp Theo đó, hai thành phần cấu thành nên chi phí giao dịch trực tiếp là chênh lệch giá mua - giá bán và chi phí hoa hồng đều biến động ngược chiều với giá cổ phiếu Mặt khác, chi phí giao dịch gián tiếp, bao gồm tác động bất lợi lên giá và sự trì hoãn khi thực hiện giao dịch, có tương quan ngược chiều với giá trị giao dịch tính bằng đô-la Kết quả nghiên cứu cho thấy độ lớn của hiệu ứng PEAD có mối quan hệ ngược chiều với giá cổ phiếu và giá trị giao dịch tính bằng đô-la Điều này ám chỉ hiệu ứng PEAD có nguyên nhân từ thị trường không hiệu quả Chi phí giao dịch cao sẽ ngăn cản các NĐT chuyên nghiệp thực hiện các hoạt động mua/bán nhằm tận dụng các định giá sai của thị trường Ngoài ra, kết quả hồi quy còn cho thấy biến quy mô công ty chuyển sang không có ý nghĩa thống kê khi các biến đại diện cho chi phí giao dịch được đưa vào mô hình.

Garfinkel và Sokobin (2006) sử dụng tỷ lệ vòng quay giao dịch (turnover) được đo lường bằng tổng giá trị giao dịch của năm tài khóa trước đó chia số lượng cổ phiếu đang lưu hành ở cuối năm để đại diện cho một phần chi phí giao dịch và tìm thấy sự tương quan ngược chiều giữa biến giải thích này và độ lớn hiệu ứng PEAD Ng và cộng sự

(2008) sử dụng dữ liệu giao dịch trong ngày (intra-day data) từ cơ sở dữ liệu Trades and Quotes (TAQ) để ước tính chi phí giao dịch một cách trực tiếp hơn so với các nghiên cứu trước đó Cụ thể, tác giả sử dụng giá mua, giá bán, và giá khớp để ước tính mức chênh lệch mua

- bán thực tế (effective spread) và mức chênh lệch mua – bán theo yết giá (quotes spread) cho các thời điểm giao dịch trong ngày Các giá trị này được tác giả tổng hợp bằng phương pháp bình quân theo trọng số giá trị giao dịch để tạo ra các quan sát theo ngày.Sau đó, các giá trị chênh lệch mua – bán này được cộng thêm chi phí môi giới mỗi ngày để tạo ra các biến đại diện cho chi phí giao dịch trực tiếp Dựa vào các đo lường này, tác giả kiểm định mối liên hệ giữa chi phí giao dịch trực tiếp và độ lớn PEAD Nghiên cứu đưa ra hai kết luận quan trọng Thứ nhất, kết quả hồi quy cho thấy phản ứng của thị trường xung quanh ngày CBTT lợi nhuận có quan hệ ngược chiều với chi phí giao dịch Thứ hai, TSSL bất thường của chiến lược đầu tư dựa vào SUE (mua những cổ phiếu có SUE cao nhất và bán những cổ phiếu có SUE thấp nhất) chuyển sang âm sau khi điều chỉnh chi phí giao dịch.

Kiểm định EMH đối với chỉ số tài chính: Chiến lược đầu tư dựa vào chỉ số F- Score 51

Các nghiên cứu trước đây cho thấy tính hữu ích của thông tin trên BCTC trong việc dự báo lợi nhuận và TSSL tương lai Ou và Penman (1989) tìm thấy thông tin trên BCTC giúp dự báo thay đổi lợi nhuận tương lai Lev và Thiagarajan (1993) cho thấy các tín hiệu tài chính được sử dụng bởi các phân tích viên có tương quan với TSSL cùng kỳ và lợi nhuận tương lai Sloan (1996) chỉ ra thành phần dồn tích và thành phần dòng tiền của lợi nhuận có mức bền vững khác nhau và chiến lược phòng ngừa bằng cách bán cổ phiếu có tỷ lệ dồn tích tương đối cao và mua các cổ phiếu có tỷ lệ dồn tích tương đối thấp sẽ tạo ra TSSL dương vượt trội Abarbanell và Bushee (1997) chỉ ra rằng chiến lược đầu tư dựa vào các chỉ báo cơ bản có thể tạo ra TSSL bất thường Đồng thời, nghiên cứu còn chỉ ra các phân tích viên thất bại trong việc phản ánh hàm ý dự báo của các chỉ báo cơ bản này vào dự báo lợi nhuận tương lai và NĐT có thể khai thác phản ứng chậm này Frankel và Lee (1998) tìm thấy giá trị cơ bản của công ty tương quan cao với giá cổ phiếu, và do đó, chiến lược đầu tư bằng cách mua các cổ phiếu có thị giá chưa phản ánh được giá trị cơ bản sẽ tạo ra TSSL bất thường dương.

Các nghiên cứu ban đầu tìm hiểu hàm ý dự báo của một chỉ số tài chính đơn lẻ đối với lợi nhuận và TSSL tương lai Bernard và Thomas (1989, 1990) tập trung khai thác thông tin lợi nhuận doanh nghiệp, yếu tố được xem là chỉ tiêu sau cùng để đánh giá thành quả hoạt động của doanh nghiệp Các tác giả cũng đồng thời so sánh sự khác biệt giữa giá trị thực tế của lợi nhuận với giá trị kỳ vọng nhằm đo lường lợi nhuận bất thường Kết quả nghiên cứu cho thấy lợi nhuận bất thường của doanh nghiệp ở quý hiện tại có thể dự báo lợi nhuận bất thường ở quý liền kề Đồng thời, NĐT sẽ dần phản ánh thông tin vào giá và tạo ra TSSL bất thường sau khi thông tin được công bố Sloan (1996) tìm thấy vai trò khác biệt của yếu tố dồn tích và yếu tố dòng tiền, hai thành phần được phân tách từ lợi nhuận, trong việc dự báo lợi nhuận doanh nghiệp trong kỳ kế toán tiếp theo Sự khác biệt này sẽ dần dần được phản ánh vào trong giá và khiến chiến lược phòng ngừa (bằng cách mua các cổ phiếu có mức dồn tích thấp và bán các cổ phiếu có mức dồn tích cao) tạo ra TSSL bất thường.

Một nhánh năng động hơn sử dụng một tập hợp bao gồm nhiều chỉ số tài chính thay vì một chỉ số đơn nhất để khai thác hàm ý dự báo của các chỉ số này mà các tác giả cho rằng NĐT không thể nắm bắt hoàn toàn Trong đó, F-Score, được đề xuất bởi Piotroski

(2000), nhận được sự quan tâm lớn từ cả cộng đồng nghiên cứu (Kothari, 2001; Richardson và cộng sự, 2010; Lewellen, 2010) và cộng đồng đầu tư (Novy-Marx, 2014).

Piotroski (2000) đã đề xuất một bộ lọc đơn giản để cải thiện khả năng sinh lời của chiến lược đầu tư giá trị (value investing) dựa trên lập luận về tính hữu dụng của các thông tin trên BCTC được đề xuất bởi các nghiên cứu nêu trên Tác giả quan sát thấy khả năng sinh lời của chiến lược đầu tư giá trị tập trung vào một số ít các công ty có tỷ số BM cao nhưng vượt qua được giai đoạn khó khăn (chiếm không quá 44% số lượng công ty). Điều này hàm ý việc áp dụng một bộ lọc để tìm ra được những công ty vượt qua được giai đoạn khó khăn với kết quả kinh doanh ấn tượng thì sẽ giúp cải thiện đáng kể TSSL của chiến lược đầu tư giá trị Tác giả cho thấy danh mục các cổ phiếu có chỉ số F-Score cao (lớn hơn

7) tạo ra TSSL bất thường cao hơn so với chiến lược đầu tư vào toàn bộ danh mục các cổ phiếu có tỷ số BM cao Hơn nữa, chiến lược phòng ngừa bằng cách mua cổ phiếu các công ty có chỉ số F-Score cao và bán cổ phiếu các công ty có chỉ số F-Score thấp (nhỏ hơn 3) tạo ra TSSL bất thường có ý nghĩa thống kê với thời gian nắm giữ 1 năm hoặc 2 năm kể từ thời điểm thiết lập danh mục (tháng thứ 5 kể từ thời điểm kết thúc năm tài khóa) Vì TSSL của chiến lược phòng ngừa tập trung vào các cổ phiếu có môi trường truyền tải thông tin yếu (quy mô nhỏ, có ít chuyên viên phân tích dõi theo, có khối lượng giao dịch thấp) Nên tác giả cho rằng phản ứng dưới mức của NĐT là nguyên nhân giải thích khả năng sinh lời vượt trội của chiến lược đầu tư này Tác giả cũng tìm thấy F-Score có thể dự báo lợi nhuận của doanh nghiệp kỳ tiếp theo Nhưng vì NĐT không nắm bắt hoàn toàn hàm ý này nên 1/6 TSSL của chiến lược phòng ngừa tập trung chủ yếu vào các khung thời gian công bố kết quả kinh doanh (3 ngày xung quanh ngày CBTT).Điều này, một lần nữa, cung cấp thêm các bằng chứng thực nghiệm phản biện lại những kết luận của giả thiết thị trường hiệu quả. Được đề xuất và áp dụng đầu tiên trên TTCK Mỹ (Piotroski, 2000; Piotroski và So,

2012), khả năng sinh lời của chiến lược đầu tư đơn giản dựa vào chỉ số F-Score ngày càng được kiểm chứng trờn cỏc thị trường khỏc như: chõu Âu (Walkshọusl, 2017, 2019; Tikkanen và Äijử, 2018), cỏc thị trường phỏt triển khu vực chõu Á (Ng và Shen, 2019), Úc (Hyde, 2018) Các nghiên cứu về F-Score với mẫu nghiên cứu nằm ngoài phạm vi TTCK Mỹ có xu hướng gia tăng sau khi Piotroski và So (2012) tái lập lại phân tích của Piotroski (2000) cho toàn bộ các công ty trong mẫu nghiên cứu thay vì tập trung vào những công ty có chỉ số BM cao như trước đó Điều này làm gia tăng sự hấp dẫn của chiến lược đầu tư này không chỉ đối với cộng đồng nghiên cứu mà còn đối với cộng đồng đầu tư.

Mặc dù chỉ số F-Score ban đầu được xây dựng nhằm phân biệt các công ty được dự báo sẽ có thành quả hoạt động tốt trong tương lai khỏi các doanh nghiệp có tỷ số BM cao còn lại, các bằng chứng thực nghiệm ngày càng cho thấy khả năng dự báo của chỉ số này vượt ngoài phạm vi các công ty đang đối mặt với vấn đề căng thẳng tài chính Theo Piotroski và So (2012), mặc dù độ lớn của chiến lược đầu tư dựa vào chỉ số F-Score (mua cổ phiếu các công ty có F-Score cao và bán cổ phiếu các công ty có F-Score thấp) giảm dần từ nhóm cổ phiếu có tỷ số BM cao (cổ phiếu giá trị) sang nhóm cổ phiếu có tỷ số BM thấp (cổ phiếu tăng trưởng), tất cả TSSL của chiến lược này đều dương và có ý nghĩa thống kê Tương tự, Hyde (2018) cho thấy chiến lược đầu tư dựa vào F-Score khi áp dụng trên mẫu 500 cổ phiếu cấu thành của chỉ số All Ordinaries Index tạo ra TSSL ở mức 1.34% mỗi tháng và có ý nghĩa thống kê Ngoài ra, chiến lược này còn đạt được TSSL ở mức 1.09% mỗi tháng khi áp dụng lên các cổ phiếu trong chỉ số S&P/ ASX 200 (200 công ty có vốn hóa lớn nhất) và ở mức 2.00% mỗi tháng khi áp dụng lên nhóm các cổ phiếu nhỏ hơn (300 công ty có vốn hóa nhỏ nhất) Kiểm định của tác giả được triển khai dựa trên cách phân nhóm theo quy mô thay vì trên cách phân nhóm theo tỷ số BM như các nghiên cứu trước đó Ng và Shen (2019) tìm hiểu khả năng sinh lời của chiến lược đầu tư cổ phiếu chất lượng (đại diện bằng chỉ số F-Score) trên năm thị trường phát triển ở khu vực châu Á bao gồm

Hồng Kông, Nhật Bản, Hàn Quốc, Singapore, và Đài Loan Nghiên cứu cho thấy chiến lược đầu tư bằng cách mua các cổ phiếu có chất lượng cao (F-Score lớn hơn hoặc bằng 7) và bán các cổ phiếu có chất lượng thấp (thấp hơn hoặc bằng 3) tạo ra TSSL bất thường lần lượt ở mức 1.29%, 0.41%, 0.27%, 0.97%, và 0.59% trên thị trường Hồng Kông, Nhật Bản, Hàn Quốc, Singapore, và Đài Loan Chiến lược này được áp dụng trên toàn bộ mẫu nghiên cứu và TSSL của nó ở 4 (trong tổng số 5) thị trường đều có ý nghĩa thống kê.

Có hai cách giải thích khác nhau cho sự thành công của chiến lược đầu tư dựa vào chỉ số F-Score bao gồm: (1) cách giải thích dựa vào định giá sai (mispricing) (Piotroksi, 2000; Piotroski và So, 2012; Choi và Sias, 2012) và (2) cách giải thích dựa vào rủi ro (Fama và French, 2006, 2008; Chen và cộng sự, 2011) Cả hai cách giải thích trên đều chỉ ra mối quan hệ cùng chiều giữa F-Score (một trong số các đo lường đại diện cho sức mạnh doanh nghiệp) và TSSL tương lai Theo đó, lập luận dựa vào rủi ro cho rằng các công ty có khả năng sinh lời kỳ vọng cao sẽ đi kèm với rủi ro lớn và do đó có TSSL kỳ vọng lớn Vì các chỉ số sức khỏe doanh nghiệp đại diện cho khả năng sinh lời kỳ vọng nên mối liên hệ giữa chúng và TSSL kỳ vọng cũng có thể giải thích bằng yếu tố rủi ro.Mặt khác, theo cách giải thích dựa vào định giá sai, F-Score có khả năng dự báo lợi nhuận của doanh nghiệp trong kỳ kế toán tiếp theo Tuy nhiên, NĐT không nắm bắt được hàm ý dự báo này nên thông tin sẽ được phản ánh một cách dần dần vào giá cổ phiếu.Piotroski (2000) đưa ra các bằng chứng cho thấy chỉ số F-Score có mối tương quan dương với lợi nhuận bất thường trong tương lai Điều này minh chứng cho khả năng dự báo của chỉ số tài chính này đối với hoạt động của doanh nghiệp Ngoài ra, tác giả còn tìm thấy 1/6 TSSL của chiến lược đầu tư dựa vào chỉ số F-Score tập trung xung quanh khung thời gian công bố báo cáo lợi nhuận (ba ngày xung quanh ngày công bố BCTC).Điều này hàm ý về việc NĐT không nắm được mối liên hệ giữa F-Score và lợi nhuận doanh nghiệp trong kỳ kế toán tiếp theo Choi và Sias (2012) sử dụng yếu tố nhu cầu tổ chức (institutional demand) để giải thích cho việc phản ánh dần hàm ý dự báo của F-Score vào giá cổ phiếu Theo đó, các tác giả tìm thấy rằng những công ty có F-Score cao(lớn hơn hoặc bằng 7) sẽ có tỷ lệ sở hữu của NĐT tổ chức tăng lên nhiều hơn đáng kể so với nhóm cổ phiếu có F-Score thấp (nhỏ hơn hoặc bằng

3) Ngoài ra, chênh lệch TSSL bất thường giữa nhóm cổ phiếu có F-Score cao và nhóm cổ phiếu có F-Score thấp là dương và khác 0 có ý nghĩa thống kê Nghiên cứu này còn chỉ ra rằng TSSL bất thường của chiến lược đầu tư dựa vào F-Score được dẫn dắt với giao dịch của NĐT tổ chức thay vì mối quan hệ nhân quả ngược lại Điều này củng cố lập luận của tác giả về việc NĐT tổ chức là thành phần lý trí hơn NĐT cá nhân và họ sẽ thực hiện giao dịch để kiếm lời từ sự sai giá Thông qua quá trình giao dịch của họ, hàm ý thông tin sẽ được phản ánh dần dần vào trong giá cổ phiếu Cụ thể, NĐT nhận ra những cổ phiếu có chỉ số sức mạnh tài chính cao (thấp) là những cổ phiếu bị định giá thấp (cao) và do đó sẽ mua (bán) để tận dụng sự sai giá này và khiến giá cổ phiếu tăng lên (giảm xuống) Hơn nữa, khi xem xét các loại hình khác nhau của NĐT tổ chức, những NĐT ngắn hạn sẽ lý trí hơn những đối tượng còn lại khi tỷ lệ sở hữu của loại hình này trong nhóm các công ty có F-Score tăng nhiều hơn đáng kể so với phần còn lại.

Dựa trên tinh thần của Piotroski (2000), một nhánh nghiên cứu phát triển các chỉ số sức mạnh tài chính mới phù hợp với ngữ cảnh khác nhau của doanh nghiệp Trong đó, Mohamran (2005) phát triển chỉ số G-Score nhằm phân chia các cổ phiếu có tỷ số BM thấp (cổ phiếu tăng trưởng) thành nhóm “tốt” và “xấu” Tác giả cho thấy các động cơ để sử dụng chỉ số F-Score như một bộ lọc cơ bản không còn phù hợp đối với nhóm cổ phiếu tăng trưởng Các cổ phiếu này nhận được sự quan tâm của cộng đồng đầu tư và có triển vọng kinh doanh được dự đoán dựa vào một lượng lớn thông tin không nằm trên BCTC.

Do đó, các chỉ số tài chính thể hiện sự cải thiện trong khả năng hoạt động, khả năng thanh khoản, khả năng chi trả của doanh nghiệp không còn phù hợp trong việc dự báo lợi nhuận tương lai Thêm vào đó, Mohanram (2018) đo lường chỉ số B-Score từ 14 chỉ số tài chính được cho là phù hợp với mô hình kinh doanh đặc trưng của các ngân hàng (Ohlson, 1995; Feltham và Ohlson, 1995; Calomiris và Nissim, 2007; Koller và cộng sự, 2010) Theo đó, B-Score khắc phục được sự soi xét quá mức của nhà quản lý và NĐT vào chỉ số ROE, chỉ số được ECB đánh giá là không đại diện toàn bộ cho khả năng sinh lời của ngân hàng và nên được bổ sung bởi các chỉ số khác để có thể thấy được bức tranh tổng thể (ECB,

2010) Bên cạnh các chỉ số thể hiện khả năng sinh lời (ROE và ROA), tác giả sử dụng các yếu tố khác cấu thành nên khả năng sinh lời, tính thận trọng, và sự tăng trưởng trong hoạt động kinh doanh để tính toán chỉ số B-Score Kết quả nghiên cứu cho thấy chỉ số B-Score dự báo kết quả hoạt động kinh doanh của các ngân hàng trong tương lai Tuy nhiên, NĐT không nắm bắt được hoàn toàn hàm ý dự báo này và chiến lược phòng ngừa (bằng cách mua cổ phiếu các ngân hàng có B-Score cao nhất và bán cổ phiếu các ngân hàng có B- Score thấp nhất) tạo ra TSSL bất thường trong thời gian nắm giữ một năm sau đó.

Giả thiết nghiên cứu 8 (H1): chỉ số F-Score có mối quan hệ cùng chiều với TSSL bất thường của cổ phiếu trong tương lai.

Mối liên hệ giữa PEAD và F-Score

Các nghiên cứu trực tiếp mối quan hệ giữa hiệu ứng PEAD và chỉ số F-Score rất hạn chế Tuy nhiên, có những điểm tương đồng về cách giải thích cho sự thành công của hai chiến lược đầu tư dựa vào SUE và F-Score khiến tôi thực hiện kiểm định mối liên hệ giữa chúng.

Thứ nhất, Choi và Sias (2012) đưa ra bằng chứng cho thấy chỉ số F-Score tác động đến nhu cầu tổ chức Những cổ phiếu có sức khỏe tài chính (đo lường bằng chỉ số F- Score) tốt (xấu) là những cổ phiếu bị đánh giá thấp (cao) NĐT tổ chức là đối tượng lý trí hơn so với NĐT cá nhân và họ sẽ sớm nhận ra sự sai giá này Thông qua quá trình giao dịch, NĐT tổ chức sẽ phản ánh hàm ý dự báo của chỉ số F-Score vào giá cổ phiếu Điều này làm tăng (giảm) giá cổ phiếu có chỉ số F-Score cao (thấp) Mặt khác, sự hiện diện của NĐT tổ chức và giao dịch của họ cũng làm tăng tốc quá trình phản ánh hàm ý của lợi nhuận hiện tại và giảm độ lớn của hiệu ứng PEAD (Bartov và cộng sự, 2000; Ali và cộng sự, 2004; Ke và Ramalingegowda, 2005; Boehmer và Kelley, 2009) Do đó, nghiên cứu này đặt ra giả thuyết cho rằng một công ty có chỉ số F-Score cao sẽ làm tăng nhu cầu tổ chức và do đó làm giảm độ lớn của hiệu ứng PEAD Một cách trực tiếp hơn, F-Score sẽ có quan hệ ngược chiều với độ lớn của hiệu ứng PEAD.

Thứ hai, các nghiên cứu về đặc điểm của chuỗi lợi nhuận cho thấy mối liên hệ giữa lợi nhuận hiện tại và lợi nhuận ở các quý liền kề Foster (1977), sử dụng phương pháp chuỗi thời gian Box-Jenkin, kết luận rằng thay đổi lợi nhuận so với cùng kỳ tuân theo mẫu hình tự hồi quy bậc một Do đó, lợi nhuận kỳ tới có thể được dự báo dựa vào thông tin lợi nhuận sẵn có Mức tương quan của lợi nhuận hiện tại với các quý tiếp theo giảm dần từ quý một tới quý ba, trong khi chuyển sang âm ở quý tư (Griffin, 1977; Brown và Rozeff, 1979) Các nghiên cứu trên đều chỉ ra lợi nhuận hiện tại có khả năng dự báo cho lợi nhuận tương lai Hơn nữa, NĐT có xu hướng không nắm bắt chính xác thuộc tính chuỗi thời gian của lợi nhuận và phản ánh dần giá cổ phiếu Mặt khác, các nghiên cứu về F-Score cũng xác nhận về việc chỉ số này có khả năng giải thích cho lợi nhuận kỳ vọng trong tương lai (Piotroski, 2000; Piotroski và So, 2012) Piotroski (2000) cho thấy mối quan hệ cùng chiều giữa hệ số F-Score hiện tại và tỷ số ROA của năm tiếp theo, trong khi Piotroski và So (2012) cho rằng F-Score là chỉ số đại diện cho sức khỏe nền tảng của doanh nghiệp Như vậy, SUE và F-Score có thể bổ sung hoặc triệt tiêu lẫn nhau trong việc dự báo cho TSSL kỳ tới và do đó kéo dài hoặc rút ngắn quá trình NĐT nắm bắt hàm ý dự báo của cả hai chỉ số.

Thứ ba, Turtle và Wang (2017) tìm thấy lợi nhuận của chiến lược đầu tư dựa vào chỉ số F-Score (bằng cách mua cổ phiếu của công ty có F-Score cao và bán cổ phiếu của công ty có F-Score thấp) tăng cùng chiều với độ lớn của sự không chắc chắn thông tin (IU) Chiến lược này tạo ra TSSL cho thời gian nắm giữ một năm đạt mức 0.05% đối với nhóm IU thấp trong khi đạt mức 3.28% đối với nhóm IU cao Kết quả ủng hộ cho việc lý giải cho khả năng dự báo TSSL tương lai của F-Score bằng cơ chế phản ứng dưới mức hoặc thông tin được phản ánh dần dần Các kết quả kiểm định mối liên hệ giữa PEAD và

IU đưa ra các kết luận tương tự về vai trò của IU đối với quá trình phản ánh thông tin vào giá Imhoff và Lobo (1992) chỉ ra mức hệ số ước lượng của TSSL 2 ngày trước thời điểm CBTT lên lợi nhuận bất thường là giảm dần theo độ lớn của IU Các tác giả kết luận rằng

IU giảm mức độ phản ánh thông tin vào giá Jiang và cộng sự (2005) chỉ ra chiến lược đầu tư dựa vào SUE tăng từ nhóm có IU thấp lên nhóm có IU cao Ngoài ra, Francis và cộng sự (2007) tìm thấy hệ số ước lượng của biến tương tác giữa xếp hạng IU và xếp hạng SUE

(SUE*DecileIU) trong mô hình hồi quy của TSSL bất thường cộng dồn trong hai ngày sau khi CBTT có dấu âm.

Giả thiết nghiên cứu 9 (H1): chỉ số F-Score có mối quan hệ ngược chiều với độ lớn của hiệu ứng PEAD.

Kết luận chương

Mặc dù độ lớn của hiệu ứng PEAD có xu hướng suy giảm do việc cải thiện môi trường thông tin, sự phát triển của hạ tầng giao dịch, và khả năng học hỏi của nhà đầu tư (Ng và cộng sự, 2008; Chordia và cộng sự, 2014; Hung và cộng sự, 2015; Martineau,

2019), các nghiên cứu gần đây vẫn đưa ra các bằng chứng thực nghiệm ủng hộ cho sự tồn tại của bất thường này Ball và Brown (2019) tái kiểm định nghiên cứu trước đó 50 năm và cho thấy cả ý nghĩa thống kê và ý nghĩa kinh tế của hiệu ứng này Hou và cộng sự

(2020) cho thấy sự vững vàng của hiệu ứng PEAD bất chấp các kỹ thuật kiểm định tính vững của tác giả đã loại bỏ đi 65% trên tổng số 452 bất thường trong nghiên cứu tài chính.

Dù sự tồn tại của hiệu ứng PEAD là vững vàng, số lượng các nghiên cứu kiểm định các nguyên nhân khác nhau trên cùng một mẫu nghiên cứu đơn nhất là hạn chế Điều này thúc đẩy luận án kiểm định các yếu tố đại diện cho rủi ro và sự không hiệu quả của thị trường trong việc giải thích cho PEAD trên thị trường chứng khoán Việt Nam giai đoạn 2008-2021 Các yếu tố được đưa ra kiểm định bao gồm: rào cản giao dịch, loại hình nhà đầu tư, sự không chắc chắn về mặt thông tin, và sự không chú ý của nhà đầu tư. Đối với rào cản giao dịch, phần lớn các nghiên cứu chỉ ra mối quan hệ cùng chiều giữa yếu tố này và độ lớn của hiệu ứng PEAD Các nghiên cứu ban đầu dựa trên những quan sát gián tiếp như khả năng tiếp cận chi phí giao dịch thấp của chuyên viên phân tích (Watts, 1978) hoặc ngưỡng chặn trên của độ lớn PEAD (Bernard và Thomas, 1989) Các nghiên cứu về sau đưa ra những kiểm định trực tiếp cùng với sự gia tăng của số lượng thước đo đại diện cho rào cản giao dịch Bushan (1994) tìm thấy giá cổ phiếu (đại diện cho chi phí giao dịch trực tiếp) và giá trị giao dịch (đại diện cho chi phí giao dịch gián tiếp) có mối quan hệ ngược chiều với độ lớn của PEAD Các nghiên cứu cho thấy rằng độ lớn của hiệu ứng PEAD giảm đi đáng kể và thậm chí mất ý nghĩa thống kê nếu đưa yếu tố chi phí giao dịch vào tính toán (Garfinkel và Sokobin, 2006; Chordia và cộng sự, 2009). Thêm vào đó, sự hiện diện của rủi ro kinh doanh chênh lệch giá khiến nhà đầu tư ngần ngại trong việc đưa ra quyết định khai thác định giá sai của thị trường và ngăn cản quá trình tăng tốc phản ánh thông tin lợi nhuận bất thường vào giá (Mendenhall, 2004) Luận án tiến hành đưa vào xem xét các biến đại diện cho rào cản giao dịch trong cùng một mẫu nghiên cứu và trong cùng một mô hình để xem xét sự cạnh tranh lẫn nhau trong việc giải thích cho hiệu ứng PEAD.

Về loại hình nhà đầu tư, các nghiên cứu trước đó trên thị trường Mỹ đa phần ủng hộ vai trò của nhà đầu tư tổ chức trong việc tăng tốc quá trình phản ánh thông tin vào giá (Bhushan, 1994; Bartov và cộng sự 2000; Ali và cộng sự, 2004; Ke và cộng sự, 2005; Campbell và cộng sự, 2009; Boehmer và Kelley, 2009) Cụ thể, tỷ lệ sở hữu của nhà đầu tư tổ chức sẽ có mối quan hệ ngược chiều với độ lớn của hiệu ứng PEAD Tuy nhiên, các nghiên cứu gần đây trên thị trường chứng khoán Trung Quốc đưa ra các bằng chứng ngược lại (Cai và cộng sự, 2021) Nguyên nhân cho sự đối lập này được giải thích bởi sự khác biệt giữa bối cảnh định chế ở thị trường chứng khoán Trung Quốc và các thị trường phát triển như Mỹ Nhà đầu tư tổ chức trên thị trường chứng khoán Trung Quốc sẽ có ít quyền lực hơn trong việc giám sát và trừng phạt các quyết định của nhà quản lý và do đó họ có xu hướng giao dịch theo đà tăng/giảm của giá cổ phiếu thay vì khai thác định giá sai trên thị trường Điều này khiến luận án cho rằng vai trò của nhà đầu tư tổ chức đối với quá trình phản ánh thông tin lợi nhuận bất thường vào giá cổ phiếu sẽ phụ thuộc vào đặc điểm định chế riêng biệt của từng thị trường Do đó, việc tái kiểm định mối quan hệ giữa hiệu ứng PEAD và tỷ lệ sở hữu nhà đầu tư tổ chức trên thị trường chứng khoán Việt Nam là cấp thiết Với lập luận tương tự vai trò của bối cảnh định chế đặc trưng, luận án cũng tiến hành kiểm định vai trò của nhà đầu tư nước ngoài và cổ đông nội bộ đối với hiệu ứng PEAD.

Về sự chú ý của nhà đầu tư, các nghiên cứu về tâm lý học hành vi đưa ra bằng chứng về sự khó khăn trong việc xử lý nhiều thông tin cùng lúc (Kahneman, 1973). Trong nghiên cứu thí nghiệm của Libby và cộng sự (2002), sự chú ý hạn chế gây khó khăn cho nhà đầu tư cá nhân và ngay cả nhà đầu tư lý trí (chuyên gia tài chính) trong việc xử lý các thông tin kế toán Xem xét cụ thể thông tin lợi nhuận, các nghiên cứu cho thấy rằng sự chú ý của nhà đầu tư đối với một cổ phiếu cụ thể sẽ giảm xuống vào ngày giao dịch Thứ Sáu trong tuần (Dellavigna và Pollet, 2009) hoặc những ngày có số lượng công ty công bố lợi nhuận cao (Hirshleifer, Lim, và Toeh, 2009) Các nghiên cứu gần đây sử dụng dữ liệu tìm kiếm bất thường của một mã cổ phiếu đại diện cho nhu cầu thông tin và sự tập trung của nhà đầu tư Điển hình, Drake và cộng sự (2012) sử dụng số lượng tìm kiếm bất thường trên Google đại diện cho sự quan tâm của nhà đầu tư cá nhân và tìm thấy mối quan hệ ngược chiều giữa biến này và độ lớn PEAD Ben-Rephael và cộng sự (2017) sử dụng mức độ tìm kiếm và mức độ đọc tin tức về một cổ phiếu cụ thể trên Bloomberg Terminal đại diện cho mức độ quan tâm của nhà đầu tư tổ chức Nghiên cứu tìm thấy mối quan hệ cùng chiều giữa mức độ tìm kiếm bất thường trên Bloomberg và mức độ phản ứng của thị trường đối với thông tin lợi nhuận xung quanh ngày công bố thông tin Đồng thời, các tác giả cũng chỉ ra quan hệ ngược chiều giữa yếu tố này và phản ứng của nhà đầu tư sau ngày công bố lợi nhuận Việc sử dụng các công cụ tìm kiếm đặc biệt là Google để đại diện cho sự quan tâm của nhà đầu tư tổ chức mở ra cơ hội cho việc kiểm định vai trò của nhà đầu tư cá nhân trên thị trường chứng khoán Việt Nam, đặc biệt trong bối cảnh COVID-19 làm gia tăng đáng kể việc tham gia thị trường lần đầu của loại hình nhà đầu tư này Thêm vào đó, Việt Nam thuộc 20 quốc gia có lượng người dùng internet cao nhất thế giới trong năm

2020 (theo CIA’s The World Factbook) làm gia tăng tính cấp thiết của việc kiểm định mối quan hệ giữa biến tìm kiếm bất thường trên Google và độ lớn của hiệu ứng PEAD.

Xem xét vai trò của sự không chắc chắn về mặt thông tin (IU) trong việc giải thích cho độ lớn của hiệu ứng PEAD, đa phần kết quả nghiên cứu ủng hộ mối quan hệ cùng chiều giữa hai yếu tố này (Imhoff và Lobo, 1992; Jiang và cộng sự, 2005; Francis và cộng sự, 2007) Tuy nhiên, cả lý thuyết hành vi phi lý và lý thuyết hành vi hợp lý đều có thể giải thích cho mối quan hệ cùng chiều này Một mặt, việc nhà đầu tư phản ứng chậm do yếu tố thông tin không chắc chắn có thể xem là một yếu tố hành vi Mặt khác, lý thuyết hành vi hợp lý cho rằng NĐT lý trí sẽ bắt đầu với tỷ trọng nhỏ và tăng dần tỷ trọng khi sự không chắc chắn được giải quyết thông qua các hoạt động bổ sung thông tin như giải trình kết quả kinh doanh hoặc điều chỉnh dự báo của chuyên viên phân tích(Kimbrough và cộng sự, 2005; Jiang và cộng sự, 2008) Cách thức đo lường đóng một vai trò quan trọng trong nghiên cứu tác động của IU lên độ lớn của hiệu ứng PEAD Các đo lường này có thể phân thành hai nhóm bao gồm: nhóm dựa vào sự khác biệt về quan điểm của các đối tượng trên thị trường (Imhoff và cộng sự, 1992; Jiang và cộng sự, 2005) và nhóm dựa vào mối liên hệ giữa lợi nhuận và các khoản mục khác trên báo cáo tài chính (Francis và cộng sự, 2007; Callen và cộng sự, 2013) Với đặc trưng của một thị trường chứng khoán cận biên, Việt Nam sở hữu những hạn chế trong hoạt động bổ sung như giải trình kết quả kinh doanh và điều chỉnh dự báo của chuyên viên phân tích Điều này thúc đẩy luận án kiểm định mối liên hệ giữa IU và độ lớn của hiệu ứng PEAD trên mẫu nghiên cứu này.

Bên cạnh hiệu ứng PEAD, các nghiên cứu trong lĩnh vực tài chính còn đề cập đến khả năng dự báo TSSL của cổ phiếu sử dụng thông tin trên BCTC Các nghiên cứu trong nhánh này sử dụng các khoản mục riêng lẻ (Basu, 1983; Lakonishok và cộng sự, 1994; LaPorta, 1996; Dechow và Sloan, 1997; Collins và Hribar, 2000) hoặc các chỉ số tổng hợp (Ou và Penmann, 1989; Houlthausen và Larcker, 1992; Abarbanell và Bushee 1997; Piotroski, 2000; Mohanram, 2005) để phân chia cổ phiếu và thiết lập các chiến lược đầu tư phòng ngừa Chỉ số F-Score của Piotroski (2000) được xem là nổi bật nhất trong nhánh nghiên cứu này khi nhận được sự quan tâm của cả cộng đồng nghiên cứu (Kothari, 2001; Richardson và cộng sự, 2010; Lewellen, 2010) và cộng đồng đầu tư (Novy-Marx, 2014). Piotroski (2000) dựa vào bối cảnh kiệt quệ tài chính của các công ty có tỷ số BM cao đã xây dựng nên chỉ số F-Score bằng cách tổng hợp chín chỉ số tài chính đại diện cho ba khía cạnh của doanh nghiệp bao gồm: (1) khả năng sinh lời, (2) đòn bẩy, thanh khoản, và nguồn tài trợ, (3) hiệu quả hoạt động Tác giả cho rằng thông tin BCTC là nguồn đáng tin cậy đối với những công ty có tỷ số BM cao và chỉ số F-Score cao thể hiện khả năng công ty sẽ vượt qua giai đoạn khó khăn Do đó, chiến lược đầu tư bằng cách mua cổ phiếu có chỉ số F- Score cao và bán cổ phiếu có chỉ số F-Score thấp sẽ tạo ra TSSL bất thường. Các nghiên cứu sau đó cho thấy rằng khả năng dự báo TSSL cổ phiếu của chỉ số F-Score có thể áp dụng cho toàn bộ mẫu nghiên cứu thay vì tập trung vào nhóm cổ phiếu giá trị(Piotroski và So, 2012; Hyde, 2018; Ng và Shen, 2019) Thị trường chứng khoán ViệtNam mang những đặc điểm thúc đẩy luận án tiến hành kiểm định khả năng sinh lời của chiến lược F-Score Mặc dù phạm vi kiểm định đã được mở rộng ra khỏi thị trường chứng khoán Mỹ, các nghiên cứu về F-Score vẫn tập trung ở các thị trường phát triển như Anh (Chau và cộng sự, 2014), Úc (Hyde, 2018), Hồng Kông, Nhật Bản, Hàn Quốc, và Đài Loan (Ng và Shen, 2019) Các nghiên cứu thực nghiệm tương tự trên các thị trường mới nổi và cận biên, như Việt Nam, còn hạn chế và điều này thúc đẩy luận án đưa mối quan hệ giữa F- Score và TSSL tương lai vào xem xét Hơn nữa, với bối cảnh là một thị trường chứng khoán đang trong giai đoạn đầu của quá trình phát triển, sự phụ thuộc vào các thông tin BCTC của nhà đầu tư, đặc biệt là nhà đầu tư cá nhân, trở nên đáng kể hơn Điều này gia cố thêm tính cấp thiết của việc kiểm định sự hữu dụng của loại hình thông tin này (đặc biệt là một chỉ số đại diện cho nhiều khía cạnh tài chính của doanh nghiệp như F-Score) trong việc đưa ra quyết định của nhà đầu tư.

Mặc dù lợi nhuận bất thường và F-Score là hai thông tin kế toán nổi bật trong việc dự đoán TSSL cổ phiếu Mối liên hệ giữa hai yếu tố này chưa được đề cập một cách trực tiếp trong các nghiên cứu trước đó Luận án cho rằng F-Score có thể ảnh hưởng đến độ lớn của hiệu ứng PEAD thông qua ba cơ chế sau đây Thứ nhất, Choi và Sias (2012) cho thấy F- Score có tác động đến nhu cầu của nhà đầu tư tổ chức Nhà đầu tư có thể sớm nhận ra rằng cổ phiếu các công ty có F-Score cao (thấp) đang bị định giá thấp (cao) và tiến hành mua (bán) để khai thác sự định giá sai này Mặt khác, những nghiên cứu trước đó đưa ra bằng chứng ủng hộ việc nhà đầu tư tổ chức làm giảm độ lớn của hiệu ứng PEAD (Bartov và cộng sự, 2000; Ali và cộng sự, 2004; Boehmer và Kelly, 2009) Thứ hai, lợi nhuận hiện tại có khả năng dự báo cho lợi nhuận trong kỳ tiếp theo (Foster, 1977; Griffin, 1977; Brown và Rozeff, 1979), trong khi Piotroski (2000) cho thấy mối liên hệ cùng chiều giữa F-Score hiện tại và ROA của năm tiếp theo Điều này hàm ý rằng lợi nhuận bất thường hiện tại và F-Score có thể bổ sung hoặc triệt tiêu lẫn nhau trong việc giải thích cho lợi nhuận bất thường của kỳ tiếp theo Do đó, F-Score có tác động đến độ lớn của hiệu ứng PEAD Cuối cùng, Turtle và Wang (2017) cho thấy rằng lợi nhuận của chiến lược đầu tư dựa vào chỉ số F-Score tăng cùng chiều với độ lớn của sự không chắc chắn thông tin (IU) Trong khi đó, môi trường có IU cao cản trở nhà đầu tư đưa ra quyết định và do đó gia tăng phản ứng của giá cổ phiếu sau khi thông tin lợi nhuận được công bố (Imhoff và Lobo,1992; Jiang và cộng sự 2005; Francis và cộng sự, 2007) Điều này gợi ý sự liên hệ giữa F-Score và PEAD thông qua yếu tố không chắc chắn về thông tin Dựa trên những lập luận trên, luận án tiến hành kiểm định tác động của hệ số F-Score lên độ lớn của hiệu ứng PEAD sử dụng mẫu nghiên cứu các công ty niêm yết trên sàn chứng khoán ở Việt Nam.

PHƯƠNG PHÁP

Kiểm định sự tồn tại của hiệu ứng PEAD

3.1.1 Khung phân tích nghiên cứu sự kiện

Tương tự như các nghiên cứu về PEAD trước đó (Bernard và Thomas, 1989, 1990; Livnat và Mendenhall, 2005; Cai và cộng sự, 2021), luận án này sử dụng khung phân tích nghiên cứu sự kiện (event study) để kiểm định giả thuyết về mối liên hệ giữa lợi nhuận bất thường và TSSL của cổ phiếu xung quanh ngày công bố thông tin Dựa vào quy trình bảy bước được đề xuất bởi Campell, Lo, và MacKinlay (2012), luận án sử dụng khung phân tích sự kiện bao gồm bốn bước để kiểm định sự tồn tại của hiệu ứng PEAD và các yếu tố tác động lên độ lớn của nó Bốn bước này bao gồm: định nghĩa sự kiện, tiêu chí lựa chọn, đo lường TSSL bất thường, và quy trình kiểm định So với quy trình của Campell, Lo, và MacKinlay (2012), luận án thay đổi phần quy trình ước lượng (bước 4 trong nghiên cứu của các tác giả), phần kết quả nghiên cứu (bước 6 trong nghiên cứu của các tác giả), và phần giải thích (bước 7 trong nghiên cứu của các tác giả) Trong khi phần quy trình ước lượng sẽ trở thành một trong số các nội dung của bước đo lường TSSL bất thường thì phần kết quả nghiên cứu và phần giải thích sẽ được trình bày chi tiết trong các chương sau của luận án.

- Bước 1: Định nghĩa sự kiện

Sự kiện quan tâm của đề tài sẽ được xác định trong bước này Theo đó, sự kiệnCBTT lợi nhuận của doanh nghiệp trên TTCK Việt Nam được xác định một cách thuận tiện và không chứa nhiều tranh cãi Tôi sử dụng ngày CBTT từ cơ sở dữ liệu củaBloomberg Terminal Ngoài ra, ngày CBTT lợi nhuận của doanh nghiệp còn có thể được thu thập từ trang thông tin của Ủy Ban Chứng Khoán Nhà Nước Tuy nhiên, vì mẫu dữ liệu này chỉ bắt đầu tư năm 2017 nên các phân tích trong nghiên cứu sẽ bị hạn chế Trọng tâm của vấn đề xác định sự kiện nằm ở việc phân chia khung thời gian sự kiện Tương tự như Campell, Lo, MacKinlay (2012), nghiên cứu này cũng chia khung thời gian sự kiện thành ba giai đoạn: khung thời gian ước lượng, khung thời gian sự kiện, và khung thời gian sau sự kiện Hình 3.2 minh họa các mốc thời gian được tôi sử dụng trong bài.

Hình 3.1 Các bước trong nghiên cứu sự kiện

Nguồn: Tác giả biên soạn

Quá trình phát triển của việc xác định sự kiện đi từ tần suất theo tháng, theo tuần, theo ngày, và theo giờ Sự kiện sẽ ngày càng được định nghĩa chính xác với sự phát triển hạ tầng giao dịch của thị trường chứng khoán Trong các nghiên cứu về PEAD trước đó, Ball và Brown (1968) sử dụng tần suất tháng trong nghiên cứu tiền đề của mình vì sự hạn chế của dữ liệu theo ngày Theo đó, các tác giả sử dụng tháng công bố báo cáo lợi nhuận làm điểm gốc (t=0) để phân chia các giai đoạn Khung thời gian trước sự kiện sẽ bao gồm

12 tháng liền trước và khung thời gian sau sự kiện sẽ bao gồm 6 tháng liền kề sau đó. Jones và Litzenberger (1970) xác định khung thời gian sau sự kiện bao gồm 6 tháng bắt đầu kể từ tháng thứ hai sau khi kết thúc quý tài khóa Tác giả bỏ qua hai tháng kể từ tháng kết thúc của quý tài khóa để đảm bảo rằng thông tin lợi nhuận đã được phản ánh vào giá Tương tự, Brown và Kennelly (1972) áp dụng cách thức chọn mốc thời gian và phân chia tương tự Sự phát triển của thị trường tài chính cùng với sự ra đời của các cơ sở dữ liệu có tần suất

Tiêu chí lựa chọn Đo lường TSSL bất thường

Giải thích Đo lường TSSL bất thường:

TSSL cổ phiếu điều chỉnh cho TSSL của danh mục có cùng nhóm quy mô.

Giả thuyết H 1 : SUE có tương quan cùng chiều với TSSL bất thường của cổ phiếu sau khi doanh nghiệp công bố thông tin lợi nhuận

Các công ty niêm yết trên HOSE và HNX Định nghĩa sự kiện:

Sự kiện công bố thông tin lợi nhuận của doanh nghiệp.

Luận án lớn hơn cho phép các nghiên cứu thực hiện việc chọn mốc sự kiện theo tuần hoặc ngày. Joy và cộng sự (1977) và Watts (1978) sử dụng tuần CBTT làm mốc sự kiện và cộng dồn các TSSL hàng tuần để kiểm định phản ứng của giá cổ phiếu đối với thông tin lợi nhuận được công bố.

Hình 3.2 Các mốc sự kiện và các khung thời gian trong kiểm định hiệu ứng PEAD

Khung thời gian sau khi diễn ra sự kiện

Khung thời gian sự kiện

Lưu ý: 𝐸𝐴 𝑗,𝑡 là ngày CBTT lợi nhuận của công ty j, kỳ kế toán quý t Khung thời gian sự kiện bắt đầu từ ngày giao dịch -1 và kết thúc vào ngày giao dịch +1 so với 𝐸𝐴 𝑗,𝑡 Khung thời gian phản ứng trễ bắt đầu từ ngày giao dịch +2 và kết thúc vào ngày giao dịch +61 so với 𝐸𝐴 𝑗,𝑡

Nguồn: tác giả biên soạn

Foster (1977) sử dụng dữ liệu theo ngày và xem ngày CBTT lợi nhuận là thời điểm gốc để phân chia giai đoạn Tác giả, sau đó, sử dụng TSSL cộng dồn cho 60 ngày giao dịch trước ngày CBTT để đánh giá khả năng dự báo của sáu mô hình chuỗi thời gian lợi nhuận khác nhau Đa phần các nghiên cứu sau đó đều sử dụng dữ liệu giao dịch cổ phiếu hàng ngày và do đó neo thời điểm gốc vào ngày CBTT (Bernard và Thomas, 1989, 1990; Livnat và Mendenhall, 2005; Dellavigna và Pollet, 2009; Hirshleifer và cộng sự, 2009; Drake và cộng sự, 2012; Kaniel và cộng sự, 2012; Cai và cộng sự, 2021).

Các nghiên cứu gần đây quan sát thời điểm CBTT ở mức độ theo giờ nhằm giải quyết vấn đề thông tin này được đưa tới NĐT sau giờ giao dịch Friedman và Zeng (2022) tìm hiểu tác động của các giao dịch được thực hiện bởi NĐT cá nhân lên hiệu ứng PEAD và phân loại các thông tin được công bố sau giờ giao dịch sang ngày giao dịch tiếp theo.Điều này hết sức quan trọng đối với các nghiên cứu đo lường mức độ phản ứng của thị trường ngay khi thông tin lợi nhuận được công bố (earnings response coefficient - ERC) khi khung thời gian quan sát của loại kiểm định này tương đối ngắn.

- Bước 2: Tiêu chí lựa chọn

Bước này đề cập đến vấn đề chọn mẫu của đề tài Theo đó, nghiên cứu này lựa chọn các công ty niêm yết trên sàn chứng khoán HOSE và HNX từ năm 2008 đến năm 2021 Luận án sẽ đề cập chi tiết hơn nội dung này trong phần chọn mẫu nghiên cứu.

- Bước 3: Đo lường TSSL bất thường

Nghiên cứu này sử dụng phương pháp danh mục tham chiếu để đo lường TSSL bất thường Theo đó, TSSL bất thường hàng ngày của cổ phiếu sẽ bằng TSSL thực tế của nó trừ đi TSSL của danh mục các cổ phiếu có cùng đặc điểm quy mô (đo lường) Đây là đo lường được sử dụng trong phần lớn các phân tích của luận án TSSL điều chỉnh thị trường (đo lường 2) và TSSL điều chỉnh đồng thời quy mô và tỷ số BM (đo lường 3) cũng được sử dụng để kiểm định tính vững của kết quả nghiên cứu.

Bên cạnh việc sử dụng TSSL của danh mục các cổ phiếu có đặc điểm tương đồng làm TSSL tham chiếu, các nghiên cứu trước đó còn sử dụng các mô hình định giá tài sản và Jensen’s alpha để đo lường TSSL bất thường Tuy nhiên, các nghiên cứu về PEAD trước đó có xu hướng sử dụng phương pháp danh mục tham chiếu vì ưu điểm của nó so với cả hai phương pháp trên Nội dung về cách thức xác định TSSL bất thường sẽ được luận án trình bày cụ thể hơn trong CHƯƠNG 4.

- Bước 4: Quy trình kiểm định

Luận án sử dụng phương pháp thiết lập danh mục và phương pháp hồi quy để kiểm định sự tồn tại của hiệu ứng PEAD Trong khi phương pháp thiết lập danh mục được sử dụng nhằm tìm hiểu khả năng sinh lời của chiến lược đầu tư phòng ngừa dựa vào độ lớn của lợi nhuận bất thường (SUE), thì phương pháp hồi quy được thực hiện nhằm kiểm định khả năng giải thích của SUE đối với TSSL cổ phiếu trong tương lai khi các biến giải thích khác (quy mô, tỷ số BM, động lượng) được đưa vào mô hình Luận án sẽ trình bày chi tiết về phương pháp thiết lập danh mục trong mục 3.1.2 và phương pháp hồi quy trong mục 3.1.3 ngay sau đây.

3.1.2 Phương pháp thiết lập danh mục

Kiểm định quan trọng nhất trong nghiên cứu hiệu ứng PEAD là xem xét sự tồn tại của TSSL bất thường theo sau sự kiện CBTT lợi nhuận của doanh nghiệp Nói cách khác, chiến lược đầu tư dựa vào lợi nhuận bất thường chuẩn tắc (SUE) bằng cách mua các công ty có SUE cao nhất và bán các công ty có SUE thấp nhất có tạo ra TSSL bất thường sau khi thông tin lợi nhuận là có sẵn trên thị trường hay không? Vì các công ty có thời điểm công bố tình hình tài chính hàng quý khác nhau, nên nghiên cứu này thiết kế ngày 0 là thời điểm diễn ra sự kiện (CBTT) và theo dõi diễn biến giá cổ phiếu trước (ngày -1, -2,

…) và sau (ngày +1, +2, …) sự kiện Nghiên cứu này triển khai việc thiết lập các kiểm định liên quan đến hiệu ứng PEAD thông qua hai bước như sau:

Thứ nhất, ở mỗi quý tài khóa, các công ty sẽ được chia thành 5 nhóm dựa vào độ lớn lợi nhuận bất thường (SUE) Để tránh hiệu ứng “thông tin nhận thức muộn” (“hindsight information”), luận án tiến hành phân nhóm dựa vào việc so sánh giá trị SUE ở quý tài khóa hiện tại với các điểm chia cắt từ phân phối của SUE trong quý liền trước (Bernard và Thomas, 1989; Livnat và Mendenhall, 2005; Cai và cộng sự, 2021) Thứ hai, nghiên cứu thực hiện đo lường TSSL bất thường và cộng dồn với khung đầu tư 30 ngày và 60 ngày kể từ ngày giao dịch thứ hai ngay sau thời điểm công ty CBTT lợi nhuận Thứ ba, TSSL bất thường của cổ phiếu sẽ được cộng dồn lên cấp độ danh mục Bước này sẽ tạo ra năm chuỗi thời gian TSSL bất thường của danh mục đồng thời kiểm định khác biệt trung bình giữa danh mục SUE cao nhất và danh mục SUE thấp nhất.

Trong bước thứ nhất, những nghiên cứu tiên phong thường chia các công ty làm hai nhóm: nhóm có SUE dương và nhóm có SUE âm (Ball và Brown, 1968; Beaver, 1968;Brown và Kennelly, 1972) Joy, Litzenberger, và McEnally (1977) được xem là một trong những phân tích đầy đủ đầu tiên sử dụng việc phân chia công ty theo độ lớn thay vì dấu như các nghiên cứu trước đó Foster, Olsen và Shevlin (1984) phân chia công ty thành thập phân vị dựa vào độ lớn của SUE Các nghiên cứu nổi bật sau đó (Ball vàBartov, 1996;

Kiểm định yếu tố tác động đến hiệu ứng PEAD

Trong kiểm định yếu tố tác động đến hiệu ứng PEAD, việc thiết lập danh mục bằng phương pháp sắp xếp hai chiều (two-dimension sorting) được sử dụng thay cho sắp xếp một chiều Theo đó, ở từng quý, các công ty, một cách độc lập, sẽ được chia thành M nhóm dựa vào độ lớn của biến quan tâm và 5 nhóm dựa vào độ lớn SUE Sau quá trình sắp xếp này, Mx5 danh mục sẽ được tạo ra Ngoại trừ các biến liên quan đến loại hình nhà đầu tư (tỷ lệ sở hữu của NĐT nước ngoài, tỷ lệ sở hữu của NĐT tổ chức, tỷ lệ sở hữu của cổ đông nội bộ), M sẽ nhận giá trị bằng 5 đối với các biến quan tâm Nói cách khác, luận án sẽ phân các công ty thành năm nhóm khác nhau Đối với các biến tỷ lệ sở hữu, do một tỷ lệ lớn các quan sát có giá trị bằng 0, nên việc chia các quan sát theo ngũ phân vị là không khả thi Luận án tiến hành chia các quan sát thành ba nhóm dựa vào phân vị 30 và phân vị 70 của phân phối.

Bảng 3.1 Phân nhóm cho từng biến quan tâm

Biến quan tâm Nhóm Số nhóm

VOLUME Rào cản giao dịch 5

PRICE Rào cản giao dịch 5

ARBRISK Rào cản giao dịch 5

EXPRISK Rào cản giao dịch 5

ILLIQ Rào cản giao dịch 5

FO Loại hình nhà đầu tư 3

IO Loại hình nhà đầu tư 3

INSID Loại hình nhà đầu tư 3

IU Sự không chắc chắn thông tin 5

SVI Sự chú ý của nhà đầu tư 5

Nguồn: tác giả biên soạn Độ lớn của hiệu ứng PEAD (chênh lệch TSSL bất thường giữa danh mục SUE cao nhất và danh mục có SUE thấp nhất) sẽ được tính cho M nhóm Kiểm định t (t-student test) được sử dụng để kiểm định chênh lệch giá trị trung bình của độ lớn PEAD giữa danh mục có giá trị biến quan tâm lớn nhất và danh mục có giá trị quan tâm nhỏ nhất Việc tính toán

TSSL bất thường cho danh mục sẽ được áp dụng tương tự như kiểm định sự tồn tại của hiệu ứng PEAD được trình bày trong mục 3.1.

Tương tự như các nghiên cứu trước đó, nghiên cứu này sử dụng hồi quy với các biến tương tác để kiểm định tác động của các yếu tố như quy mô (Bartov và cộng sự,

2000), rào cản giao dịch (Mendenhall, 2004), sự không chắc chắn về thông tin (deHaan, Shevlin, và Thornock, 2015; Francis và cộng sự, 2007), giao dịch của NĐT cá nhân (Hirshleifer và cộng sự, 2008; Kaniel và cộng sự, 2012), sự chú ý của NĐT (Dellavigna và Pollet, 2009; Drake, Roulstone, và Thornock, 2012; Hirshleifer, Lim, và Teoh, 2009), sự hiện diện của NĐT tổ chức (Ali và cộng sự, 2004; Bartov và cộng sự, 2000; Cai và cộng sự, 2021) đến độ lớn của hiệu ứng PEAD Mô hình ước lượng được biểu diễn dưới dạng sau đây:

Hệ số ước lượng γj của biến tương tác sẽ có dấu âm nếu yếu tố quan tâm được kỳ vọng giảm bớt độ lớn của hiệu ứng PEAD và có dấu dương nếu yếu tố quan tâm được kỳ vọng phóng đại hiệu ứng PEAD.

Các biến giải thích (explanatory_variable) được sử dụng bao gồm:

 Các biến đại diện cho rào cản giao dịch: giá cổ phiếu (PRICE), giá trị giao dịch (VOLUME), rủi ro kinh doanh chênh lệch giá (ARBRISK), rủi ro có thể phòng ngừa (EXPRISK), và rủi ro thanh khoản (ILLIQ).

 Các biến đại diện cho sự hiện diện của các loại hình NĐT khác nhau: tỷ lệ sở hữu NĐT nước ngoài (FO), tỷ lệ sở hữu NĐT tổ chức (IO), và tỷ lệ sở hữu cổ đông nội bộ (INSID).

 Sự không chắc chắn thông tin (IU)

 Chỉ số tìm kiếm bất thường trên Google (SVI) đại diện cho sự tập trung của NĐT.

Những biến kiểm soát (control_variable) được dùng trong mô hình tương tự như phần kiểm định của hiệu ứng PEAD được trình bày trong mục 3.1.2.

Phương pháp đo lường của biến giải thích và biến kiểm soát được trình bày cụ thể trong CHƯƠNG 4 (ĐO LƯỜNG).

Hình 3.3 Sơ đồ định dạng mô hình trong kiểm định các yếu tố tác động PEAD

Nguồn: tác giả biên soạn

Kiểm định khả năng sinh lời của chiến lược F-Score

Với mỗi kỳ kế toán, nghiên cứu xác định phân vị thứ 30 và 70 trong phân phối của biến tỷ số BM và sử dụng để phân nhóm các công ty ở kỳ kế toán tiếp theo Các công ty sẽ được phân loại là lớn, trung bình, và nhỏ dựa vào tương quan giá trị BM của chúng ở kỳ hiện tại so với hai phân vị được xác định ở kỳ trước đó Việc so sánh giữa giá trị BM kỳ hiện tại với phân phối của kỳ trước giúp tránh vấn đề “thông tin nhận thức muộn” (hindsight information) Trong mỗi nhóm tỷ số BM, các công ty tiếp tục được phân thành

3 danh mục nhỏ hơn dựa vào chỉ số F-Score của chúng Danh mục F-Score thấp bao gồm những công ty có hệ số F-Score nhỏ hơn hoặc bằng 2 trong khi danh mục F-Score cao sẽ bao gồm các công ty có hệ số F-Score lớn hơn hoặc bằng 7 Để đảm bảo thông tin trên BCTC được phản ánh vào giá, nghiên cứu bỏ qua 4 tháng (kể từ tháng kết thúc năm tài khoá) trước khi tính TSSL bất thường của chiến lược đầu tư cho các kỳ hạn nắm giữ một năm và hai năm Việc phân nhóm công ty dựa vào chỉ số F-Score và xác định thời điểm cộng dồn TSSL được áp dụng tương tự như Piotroski (2000) và Ho và cộng sự (2021). Để đánh giá khả năng tạo ra TSSL bất thường của chiến lược F-Score, nghiên cứu sử dụng hai kiểm định thành phần Thứ nhất, so sánh khác biệt TSSL (vượt trội) giữa chiến lược F-Score áp dụng vào nhóm cổ phiếu có tỷ số BM cao và chiến lược đầu tư giá trị truyền thống (traditional value investing) Kết quả nghiên cứu được sử dụng để đánh giá việc cải thiện chiến lược đầu tư giá trị truyền thống của hệ số F-Score Thứ hai, so sánh khác biệt TSSL (vượt trội) của danh mục có F-Score cao và danh mục có F-Score thấp trong các mẫu có tỷ số BM cao, trung bình, và thấp Kiểm định này nhằm xem xét liệu chiến lược phòng ngừa bằng cách mua các công ty có hệ số F-Score cao và bán các công ty có hệ số F-Score thấp có tạo ra TSSL bất thường.

Nghiên cứu còn sử dụng phương pháp hồi quy để kiểm soát tác động của các yếu tố rủi ro phổ biến khác khi xem xét tác động của chỉ số F-Score đến TSSL tương lai của cổ phiếu Tôi sử dụng định dạng mô hình được đề xuất bởi Piotroski (2000) Theo đó, các biến phổ biến đại diện cho rủi ro bao gồm quy mô (MVE), tỷ số BM (BM), động lượng

(MOMENTUM), và dồn tích (ACCRUAL) được đưa vào xem xét Cụ thể, định dạng mô hình hồi quy được thể hiện như sau:

Trong đó: MARETi,t là TSSL điều chỉnh thị trường cộng dồn trong một năm (từ tháng thứ 5 kể từ tháng kết thúc năm tài khóa) TSSL điều chỉnh thị trường được đo lường bằng TSSL cổ phiếu trừ đi TSSL của chỉ số VNINDEX MVE i,t giá trị vốn hóa thị trường tại thời điểm kết thúc năm tài khóa BMi,t là tỷ số giá trị sổ sách của vốn cổ phần chia cho MVE tại thời điểm kết thúc năm tài khóa MOMENTUMi,t được đo lường bằng TSSL điều chỉnh thị trường cộng dồn trong vòng sáu tháng ngay trước thời điểm thiết lập danh mục đầu tư theo F-Score ACCRUAL i,t được đo lường bằng lợi nhuận sau thuế trừ đi dòng tiền từ hoạt động kinh doanh Phần chênh lệch này sẽ được tỷ lệ hóa bằng cách chia cho tổng tài sản của năm tài khóa liền trước. Được đề xuất đầu tiên bởi Piotroski (2000), các biến kiểm soát trong mô hình ít có sự thay đổi trong các nghiên cứu sau đó Mohanram (2005) sử dụng tương tự các biến này nhằm kiểm soát vai trò của chúng trong khi xem xét tác động của chỉ số G-Score (chỉ số đại diện cho sức khỏe nền tảng của nhóm cổ phiếu có chỉ số BM thấp) lên TSSL tương lai của cổ phiếu Piotroski và So (2012), trong kiểm định tác động của sự thống nhất giữa F- Score và tỷ số BM đến TSSL tương lai, đã giữ lại biến quy mô và động lượng trong mô hình hồi quy Ngoài ra, biến liên tục BM được thay thế bởi các biến giả đại diện cho các nhóm cổ phiếu có BM khác nhau.

Kiểm định mối liên hệ giữa F-Score và hiệu ứng PEAD

Để thực hiện kiểm định tác động của hệ số F-Score đến độ lớn của hiệu ứng PEAD,tôi bổ sung F-Score và biến tương tác giữa nó với SUE vào trong mô hình (5) Hệ số ước lượng β4 được kỳ vọng có ý nghĩa thống kê hay F-Score có tác động đến quá trình phản ánh hàm ý thông tin lợi nhuận vào giá cổ phiếu.

Trong đó: F-Score là biến giải thích được quan tâm và được đo lường từ 9 chỉ số đại

∑ diện cho ba khía cạnh tài chính của công ty.

Kết luận chương

Chương này trình bày về khung phân tích và phương pháp để kiểm định các giả thuyết nghiên cứu được nêu ra Một mặt, luận án trình bày các bước trong khung phân tích nghiên cứu sự kiện được sử dụng để kiểm định sự tồn tại hiệu ứng PEAD và các yếu tố tác động lên nó Dựa vào Campell, Lo, và MacKinlay (2012), bốn bước của khung phân tích này (bao gồm định nghĩa sự kiện, tiêu chí lựa chọn, đo lường TSSL bất thường, và quy trình kiểm định) được luận án sử dụng để phù hợp với bối cảnh cụ thể Mặt khác, đối với các kiểm định liên quan tới chiến lược đầu tư dựa vào chỉ số F-Score, luận án sử dụng khung phân tích kiểm định dữ liệu chéo về khả năng dự đoán TSSL.

Trong cả hai khung phân tích, phương pháp thiết lập danh mục và phương pháp hồi quy đều được đề cập Theo đó, luận án sử dụng phương pháp thiết lập danh mục để xem xét khả năng sinh lời của từng chiến lược đầu tư phòng ngừa cụ thể (chiến lược mua/bán đồng thời cổ phiếu dựa vào độ lớn SUE hoặc độ lớn F-Score) Còn lại, phương pháp hồi quy được sử dụng để xem xét tác động của biến quan tâm đến TSSL tương lai sau khi kiểm soát các yếu tố đại diện cho rủi ro được nêu ra trong các nghiên cứu trước đó Trong phương pháp này, phần định dạng mô hình sẽ được xây dựng dựa trên các nghiên cứu liên quan trước đó.

ĐO LƯỜNG

Lợi nhuận bất thường

Trong nghiên cứu này, tôi đo lường lợi nhuận bất thường chuẩn tắc (standardized unexpected earnings - SUE) dựa vào phương pháp chuỗi thời gian, được đề xuất trong nghiên cứu của Livnat và Mendenhall (2006) Theo đó, SUE được xác định theo công thức sau:

Trong đó: EPSi,q, EPSi,q-4, và Pi,q lần lượt là lợi nhuận mỗi cổ phần của công ty i tại quý tài khóa q, q-4, và giá cổ phiếu tại ngày giao dịch cuối cùng trong quý tài khóa q.

EPSi,q-4 sẽ được điều chỉnh cho các sự kiện doanh nghiệp tác động đến số lượng cổ phiếu đang lưu hành của công ty diễn ra từ quý tài khóa q-4 cho đến quý tài khóa q Do đó, EPSi,q, EPSi,q-4, và Pi,q được tính toán trên cơ sở số lượng cổ phiếu lưu hành giống nhau.

Trong các nghiên cứu đầu tiên về hiệu ứng PEAD, công thức tính toán lợi nhuận bất thường được trình bày một cách tổng quát hơn Cụ thể, lợi nhuận bất thường của công ty i tại quý tài khóa q (SUEi,q) được tính bằng chênh lệch giữa lợi nhuận thực tế (Qi,q) và lợi nhuận kỳ vọng (E(Qi,q)), chia cho hệ số điều chỉnh (Deflatori,q) để khiến giá trị chênh lệch này có thể so sánh giữa các công ty.

Trong đó, E(Qi, q) là lợi nhuận kỳ vọng được đo lường từ mô hình chuỗi thời gian. Lợi nhuận được xác định bằng lợi nhuận sau thuế (net income) hoặc lợi nhuận trên mỗi cổ phần (EPS) Biến Deflator i,q có thể là Qi,q để xác định tỷ lệ phần trăm sai khác so với dự báo, độ lệch chuẩn của sai số dự báo trước đó σ[Qi,q- E(Qi,q)], hoặc giá cổ phiếu Pi,t.

Chúng tôi đo lường SUE dựa vào các mô hình chuỗi thời gian thay vì sử dụng dự báo của chuyên viên phân tích (Abarbanell và Bernard, 1992; Kaniel và cộng sự, 2012;Livnat và Mendenhall, 2006) vì sự hạn chế của cơ sở dữ liệu lợi nhuận dự báo trên TTCK Việt Nam Mặc dù những nhà cung cấp dữ liệu như Bloomberg, Eikon, và Fiinpro gần đây đã tiến hành theo dõi và ghi nhận các khuyến nghị của chuyên viên phân tích từ hơn 30 công ty chứng khoán, nhưng loại số liệu này gần như chỉ tập trung vào một số các công ty có quy mô lớn Điều này khiến nghiên cứu của tôi không thể đưa ra sự so sánh độ lớn của hiệu ứng PEAD khi sử dụng kỳ vọng từ mô hình chuỗi thời gian và từ dự báo của phân tích viên.

Bên cạnh phương pháp của Livnat và Mendenhall (2006), các mô hình chuỗi thời gian khác được sử dụng phổ biến trong tính toán SUE bao gồm: mô hình lợi nhuận thị trường (Ball và Brown, 1968), mô hình kỳ vọng ngây thơ (Ball và Brown, 1968), mô hình bước đi ngẫu nhiên mùa vụ (Bernard và Thomas, 1989; Foster, 1977; Foster và cộng sự, 1984), mô hình tự hồi quy bậc một (Foster và cộng sự, 1984) Foster (1977) cho thấy rằng bất chấp sự đơn giản trong định dạng, mô hình bước đi ngẫu nhiên mùa vụ vẫn cho thấy khả năng dự báo lợi nhuận và TSSL tương tự như các mô hình phức tạp khác. Nghiên cứu này cũng sẽ báo cáo kết quả kiểm định với các đo lường SUE dựa vào các mô hình chuỗi thời gian khác nhau để tăng tính vững cho kết quả nghiên cứu.

Hệ số F-Score

Tương tự như Piotroski (2000), nghiên cứu này đo lường F-Score dựa vào 9 hệ số cơ bản, đại diện cho ba khía cạnh tài chính của doanh nghiệp bao gồm: khả năng sinh lời (profitability), đòn bẩy tài chính (financial leverage), và hiệu quả hoạt động (operation efficiency) Dựa vào mối liên hệ giữa các hệ số cơ bản và thành quả hoạt động doanh nghiệp hoặc TSSL cổ phiếu đã được tìm thấy trong các nghiên cứu trước đó, tôi tiến hành phân loại các hệ số cơ bản này thành “tốt” và “xấu” Một hệ số cơ bản được xem là “tốt” (“xấu”) nếu có tương quan dương (âm) với thành quả hoạt động của doanh nghiệp hoặc TSSL cổ phiếu Hệ số nhị phân tương ứng sẽ có giá trị bằng 1 nếu hệ số cơ bản “tốt” (“xấu”) là dương (âm) và sẽ có giá trị bằng 0 trong trường hợp ngược lại Ví dụ, ROA tăng lên thường gợi ý rằng công ty sử dụng tài sản hiệu quả hơn và làm tăng lợi nhuận.

Do đó, ROA được xem là hệ số cơ bản “tốt” và hệ số nhị phân tương ứng F_ROA sẽ nhận giá trị bằng 1 nếu ROA dương và nhận giá trị bằng 0 nếu ROA âm Hệ số F-Score là tổng của 9 hệ số nhị phân riêng lẻ và có giá trị biến động từ 0 đến 9 Các công ty có F-Score bằng 9 được xem là những công ty có nền tảng cơ bản tốt nhất, trong khi những công ty có F-Score bằng 0 được xem là những công ty có nền tảng cơ bản tệ nhất Bảng bên dưới trình bày cụ thể cách đo lường của hệ số cơ bản, mối liên hệ giữa chúng với lợi nhuận doanh nghiệp hoặc TSSL cổ phiếu được nêu trong các nghiên cứu trước đó, và đo lường hệ số nhị phân.

Bảng 4.1 Đo lường chỉ số F-Score

Hệ số cơ bản Đo lường

Mối liên hệ trong các nghiên cứu trước

Hệ số tài chính: Khả năng sinh lời

ROA Lợi nhuận trước thuế chia cho tổng tài sản năm trước + F_ROA = 1 nếu ROA dương, 0 trường hợp khác

CFO Dòng tiền hoạt động chia cho tổng tài sản năm trước + F_CFO = 1 nếu CFO dương, 0 trường hợp khác ΔROAROA ROA năm hiện tại trừ ROA năm trước + F_ΔROAROA = 1 nếu ΔROAROA dương, 0 trường hợp khác

ACCRUAL Lợi nhuận trước thuế trừ dòng tiền hoạt động, chia cho tổng tài sản năm trước - F_ACCRUAL = 1 nếu

ACCRUAL âm, 0 trường hợp khác

Hệ số tài chính: Đòn bẩy, thanh khoản, và nguồn tài trợ ΔROALEVER

Thay đổi tỷ số nợ dài hạn trên tổng tài sản bình quân so với năm trước -

F_ΔROALEVER = 1 nếu ΔROALEVER âm, 0 trường hợp khác ΔROALIQUID Thay đổi tỷ số thanh toán hiện hành so với năm trước +

F_ΔROALIQUID = 1 nếu ΔROALIQUID dương, 0 trường hợp khác

EQ_OFFER Giá trị phát hành vốn chủ sở hữu - EQ_OFFER = 1 nếu công ty không phát hành, 0 trường hợp khác

Hệ số tài chính: Hiệu quả hoạt động ΔROAMARGIN

Thay đổi tỷ số biên lãi gộp so với năm trước Hệ số lãi gộp tính bằng lãi gộp chia cho doanh thu

F_ΔROAMARGIN = 1 nếu ΔROAMARGIN dương, 0 trường hợp khác ΔROATURN

Thay đổi tỷ số vòng quay tài sản Tỷ số vòng quay tài sản được tính bằng doanh thu chia cho tổng tài sản năm trước

+ F_ΔROATURN = 1 nếu ΔROATURN dương, 0 trường hợp khác

F-Score= F_ROA+ F_CFO+ F_ΔROAROA + F_ACCRUAL+ F_ΔROALEVER + F_ΔROALIQUID + EQ_OFFER + F_ΔROAMARGIN + F_ΔROATURN

Nguồn: Tác giả tổng hợp

Tỷ suất sinh lợi bất thường

4.3.1 Kiểm định PEAD và các yếu tố tác động

Nghiên cứu này cộng dồn TSSL bất thường hàng ngày cho khung thời gian đầu tư (-

1, +1) và (+2, +61) (với 0 là ngày giao dịch đầu tiên sau khi thông tin lợi nhuận được công bố) để lần lượt đánh giá phản ứng của giá cổ phiếu xung quanh và sau sự kiện công bố lợi nhuận của doanh nghiệp Trong đó, TSSL bất thường hàng ngày được xác định bằng TSSL của cổ phiếu trừ đi TSSL của danh mục các cổ phiếu có cùng quy mô Việc phân nhóm các công ty theo quy mô và tính toán TSSL cho các danh mục này được thực hiện tương tự như Fama và French (1993) Cách tính toán TSSL bất thường này được áp dụng bởi nhiều nghiên cứu khác về hiệu ứng PEAD.

Ngoài ra, TSSL điều chỉnh thị trường và TSSL điều chỉnh quy mô/ tỷ số BM cũng được luận án tính toán để cho thấy tính vững của kết luận về sự tồn tại của hiệu ứng PEAD khi thay đổi phương pháp tính toán TSSL bất thường.

Bảng 4.2 Các mô hình được sử dụng để tính toán TSSL bất thường

Phương pháp Nhóm Nghiên cứu

Mô hình thị trường Mô hình định giá Ball và Brown (1968), Imhoff và

Lobo (1992), Bartov (1992), Dellavigna và Pollet (2009), Hirshleifer và cộng sự (2009), Kaniel và cộng sự (2012), deHaan và cộng sự (2015) Fama-French ba nhân tố Mô hình định giá Sadka (2005), Li và cộng sự

(2020) Fama-French bốn nhân tố Mô hình định giá Ke và Ramalingegowda (2005) TSSL của danh mục chứa các công ty có cùng quy mô

Foster, Olsen và Shevlin (1984), Bernard và Thomas (1989, 1990), Abarbanell và Bernard (1992), Bhushan (1994), Ball và Bartov

(1996), Bartov (2000), Collins và Hribar (2000), Mendenhall

(2004), Ali và cộng sự (2004), Garfinkel và Sokobin (2005), Ng và cộng sự (2008), Zhang (2008),Chordia và cộng sự (2009),

TSSL của danh mục chứa các công ty có cùng quy mô và tỷ số BM

Livnat và Mendenhall (2005), Ayers và cộng sự (2011), Schaub

(2017), Liang và Zhang (2020), Cai và cộng sự (2021).

Nguồn: Tổng hợp của tác giả

Theo Kothari (2007), có hai phương pháp đo lường TSSL bất thường được sử dụng trong các nghiên cứu về PEAD trước đó bao gồm: phương pháp đo lường TSSL bình thường (thông qua mô hình định giá tài sản hoặc sử dụng TSSL tham chiếu của danh mục có chung đặc điểm) và phương pháp Jensen-alpha.

Trong nhánh thứ nhất, phương pháp xác định TSSL bình thường của cổ phiếu có sự kiện bao gồm việc sử dụng các mô hình định giá tài sản hoặc sử dụng TSSL của danh mục các cổ phiếu có cùng đặc điểm Các mô hình định giá tài sản thường được sử dụng bao gồm: mô hình TSSL có trung bình không đổi (constant-mean-return model), mô hình thị trường (market model) Theo đó, các hệ số ước lượng của mô hình sẽ được thu thập trong khung thời gian ước lượng và được sử dụng để đo lường TSSL bình thường trong giai đoạn sự kiện Bartov (1992) sử dụng khung thời gian ước lượng bao gồm 100 ngày (kết thúc vào

310 ngày trước ngày CBTT lợi nhuận quý) để ước tính các tham số trong mô hình thị trường cho từng công ty Các hệ số ước lượng này sau đó được sử dụng để tính toán TSSL bình thường mỗi ngày của cổ phiếu cho các giai đoạn trong và sau sự kiện. Dellavigna và Pollet (2009) sử dụng khung thời gian ước lượng từ ngày thứ 300 cho tới ngày thứ 46 ngay trước khi CBTT lợi nhuận để ước tính các hệ số chặn và hệ số góc của mô hình thị trường Các tác giả sử dụng kết quả này để tính toán TSSL bất thường mỗi ngày cho các cổ phiếu.

Nhược điểm của việc sử dụng các mô hình định giá là các hệ số ước lượng mang tính quá khứ (bởi vì mô hình ước lượng được thực hiện trên khung thời gian ước lượng ngay trước khi xảy ra sự kiện), nên việc sử dụng các hệ số này để tính toán TSSL kỳ vọng của cổ phiếu trong giai đoạn sự kiện hoặc giai đoạn sau sự kiện có thể dẫn đến việc điều chỉnh rủi ro không đầy đủ Ball, Kothari, và Watts (1988) chỉ ra rằng hệ số beta của các công ty có lợi nhuận bất thường cao (thấp) sẽ có xu hướng tăng (giảm) Điều này khiến cho TSSL bất thường bị ước tính quá mức (dưới mức) và làm giảm giá trị của các kiểm định.

Ngoài ra, theo MacKinlay (1997), phương sai của TSSL bất thường cộng dồn chứa hai thành phần, trong đó thành phần 2 là sai số chọn mẫu (sampling error) và dẫn đến tương quan chéo giữa các cổ phiếu với nhau Tuy nhiên, với mẫu ước lượng đủ lớn thì thành phần này sẽ tiến về không.

Khi áp dụng kiểm định giá trị trung bình của một chuỗi TSSL bằng thống kê t, phương sai (σ 2 ) của giá trị trung bình sẽ được ước lượng bằng 1 ∑ 𝑁 𝜀 2 Ước lượng này giả định rằng

TSSL bất thường giữa các cổ phiếu sẽ không có tương quan với nhau Nhưng trong khung thời gian sau sự kiện (post-event window), TSSL bất thường của các cổ phiếu trong cùng phân nhóm lợi nhuận bất thường sẽ có xu hướng tương quan chéo do sự trùng lắp giữa các sự kiện, các yếu tố vĩ mô chung, hoặc các yếu tố ngành Do đó, giá trị σ 2 (mẫu số trong công thức tính thống kê t) bị ước tính thấp và khiến việc giả thuyết H 0 bị bác bỏ thường xuyên hơn.

Việc xây dựng các danh mục có cùng đặc điểm nhằm mục đích tạo ra TSSL của cổ phiếu không trải qua sự kiện Một công ty có cùng đặc điểm về quy mô, tỷ số BM, và động lượng là một đại diện tốt để tính toán rủi ro tham chiếu cho công ty có sự kiện nếu các yếu tố này là đủ để xác định rủi ro của một cổ phiếu như Carhart (1997) đã đề xuất.

Trong nhánh thứ hai, phương pháp Jensen’s alpha được đề xuất trong nghiên cứu tài chính lần đầu bởi Jaffe (1974), Mandelker (1974) và sau đó được ủng hộ bởi nhiều nghiên cứu sau đó bao gồm cả Fama (1998) và Mitchell và Stafford (2000) Cách thức thực hiện của phương pháp này được triển khai theo các bước như sau Đầu tiên, ở mỗi tháng, danh mục bao gồm các công ty xảy ra sự kiện quan tâm sẽ được thiết lập Vì số lượng công ty trải qua sự kiện ở mỗi tháng là khác nhau nên sẽ xuất hiện việc thêm vào cũng như loại ra khỏi danh mục các cổ phiếu ở mỗi tháng Việc tái thiết lập danh mục này sẽ diễn ra ở mỗi tháng trong suốt giai đoạn nghiên cứu Kết quả là, chúng ta sẽ tính toán được một TSSL ở mỗi tháng bằng cách trung bình có hoặc không trọng số các cổ phiếu trong danh mục Tiếp theo, chuỗi TSSL của danh mục sẽ được hồi quy với các yếu tố thị trường được đề xuất trong mô hình ba nhân tố Fama-French (1993) hoặc mô hình bốn nhân tố Carhart (1997).

Hệ số chặn α trong mô hình hồi quy thể hiện cho TSSL bất thường của các công ty xảy ra sự kiện.

4.3.2 Kiểm định khả năng sinh lời của chiến lược F-Score

Trong kiểm định khả năng sinh lời của chiến lược đầu tư F-Score, luận án sử dụngTSSL điều chỉnh thị trường để làm thước đo cho TSSL bất thường Theo đó, TSSL bất thường của cổ phiếu trong một tháng cho trước sẽ bằng TSSL cổ phiếu trừ đi TSSL của chỉ số VNINDEX Giá trị này sẽ được cộng dồn cho khung thời gian nắm giữ 12 tháng và thời điểm bắt đầu cộng dồn sẽ là tháng thứ 5 kể từ thời điểm kết thúc năm/quý tài khóa(bỏ qua 4 tháng) Cách tính toán TSSL bất thường này là tương tự với những gì được đề xuất bởi Piotroski (2000).

Các biến giải thích

Nghiên cứu này đo lường các biến đại diện cho chi phí giao dịch và chi phí kinh doanh chênh lệch giá, hai yếu tố của rào cản giao dịch Trong đó, thị giá cổ phiếu (share price), giá trị giao dịch (dollar trading volume) (Bhardwaj và Brooks, 1992), vòng quay giao dịch (turnover) (Garfinkel và Sokobin, 2006), tỷ số thiếu thanh khoản (Amihud, 2002; Chordia và cộng sự, 2009), rủi ro kinh doanh chênh lệch giá (Wurgler và Zhuravskaya, 2002) được sử dụng để đại diện cho các thành phần của chi phí giao dịch.

Giá cổ phiếu của công ty i (PRICEi,q) được xác định bằng giá đóng cửa tại phiên giao dịch cuối cùng của quý tài khóa q.

Vòng quay giao dịch của công ty i trong tháng t với Dt ngày giao dịch(TURNOVERi,t) được tính bằng tổng khối lượng giao dịch (Volumei,d) trong tháng chia cho khối lượng cổ phiếu đang lưu hành (Shrouti,d).

Giá trị trung bình 12 tháng trước ngày CBTT của TURNOVERi,t sẽ được tính để xác định xếp hạng mức độ vòng quay giao dịch của các công ty.

Tỷ số thiếu thanh khoản hàng tháng được đo lường bằng tỷ số giá trị tuyệt đối của TSSL chia cho giá trị giao dịch để đại diện cho mức độ tác động của lệnh giao dịch lên sự chuyển động của giá cổ phiếu Theo đó, tỷ số thiếu thanh khoản của công ty i trong tháng t với Dt ngày giao dịch (IILIQi,t) được đo lường như sau:

Giá trị trung bình 12 tháng trước ngày CBTT của IILIQi,t sẽ được tính để xác định xếp hạng mức độ thiếu thanh khoản của các công ty.

Rủi ro kinh doanh chênh lệch giá không thể phòng ngừa (unhedgable arbitrage risk) của công ty i tại quý tài khóa q (ARBRISKi,q) được xác định bằng phương sai của phần dư thu được từ mô hình thị trường (market model) cho khung thời gian từ tháng thứ 48 (t-

48) đến tháng thứ nhất (t-1) trước tháng kết thúc quý tài khóa.

Trong đó Ri,t và Rm,t lần lượt là TSSL của cổ phiếu i và TSSL chỉ số VNINDEX (đại diện cho thị trường) trong tháng t α * và β * là hệ số chặn và hệ số góc ước lượng từ mô hình thị trường trong khung thời gian tháng t-48 đến tháng t-1 (với t là tháng kết thúc quý tài khóa).

Rủi ro hệ thống hay rủi ro có thể phòng ngừa (hedgable risk) của công ty i tại quý tài khóa q (EXPRISK i,q ) được đo lường bằng phương sai của giá trị ước tính (predicted value) trong mô hình hồi quy được sử dụng để tính toán ARBRISKi,q.

4.4.2 Loại hình nhà đầu tư

Trong kiểm định vai trò của loại hình NĐT đến độ lớn của hiệu ứng PEAD, luận án đo lường tỷ lệ sở hữu NĐT tổ chức (institutional investor ownership- IO) và tỷ lệ sở hữu của cổ đông nội bộ (insider ownership- INSID) bằng tỷ lệ số lượng cổ phiếu lưu hành được nắm giữ lần lượt bởi NĐT tổ chức và cổ đông nội bộ Trong các kiểm định sử dụng phương pháp thiết lập danh mục, các công ty sẽ được xếp loại mỗi quý kế toán thành ba nhóm khác nhau dựa vào độ lớn của biến IO hoặc INSID Theo đó, biến IOR (INSIDR) sẽ nhận giá trị bằng 3 nếu công ty có IO (INSID) nằm trong nhóm lớn nhất và nhận giá trị bằng 1 nếu công ty có IO (INSID) nằm trong nhóm nhỏ nhất Trong phân tích hồi quy, IOR (INSIDR) được chuẩn hóa về khoảng 0 đến 1 (Cai và cộng sự, 2021; Hung và cộng sự, 2015) để cho hệ số ước lượng của biến tương tác giữa biến lợi nhuận bất thường và biến IOR (INSIDR) đại diện cho khác biệt độ lớn hiệu ứng PEAD giữa nhóm có IOR (INSIDR) lớn nhất và nhóm có IOR (INSIDR) nhỏ nhất.

4.4.3 Sự chú ý của nhà đầu tư

Nghiên cứu này sử dụng chỉ số tìm kiếm Google (SVI-Google search index) được mô tả bởi Drake và cộng sự (2012) làm đại diện cho sự chú ý của NĐT Theo đó, SVI của một cổ phiếu tại một ngày xác định được đo lường bằng phần trăm thay đổi giữa chỉ số tìm kiếm của cổ phiếu tại ngày đó trừ đi giá trị trung bình của 10 quan sát cùng ngày trong những tuần trước đó Giá trị này càng cao cho thấy sự quan tâm của NĐT đối với cổ phiếu đang tăng lên bất thường so với trước đó và ngược lại Giá trị này sẽ được tính bình quân trong vòng 2 (-1,0) ngày hoặc 5 (-5,-1) ngày xung quanh ngày CBTT để đánh giá sự chú ý của NĐT đối với thông tin lợi nhuận doanh nghiệp.

Ngoài ra, nghiên cứu này còn đo lường sự chú ý của NĐT dựa vào số lượng báo cáo lợi nhuận được công bố trong cùng một ngày tương tự như Hirshleifer và cộng sự (2009). Các công ty sẽ được chia thành thập phân vị dựa vào sự so sánh giữa số lượng báo cáo công bố trong ngày so với các điểm cắt được xác định trong kỳ báo cáo quý trước đó. NRANK=1 (NRANK) nếu công ty có ít (nhiều) sự chú ý, đồng nghĩa với ngày CBTT của nó có nhiều (ít) công ty khác cùng công bố.

4.4.4 Sự không chắc chắn về mặt thông tin

Trong nghiên cứu này, tôi đo lường mức độ không chắc chắn về mặt thông tin (information uncertainty-IU) dựa vào mức độ lỏng lẻo trong mối liên hệ giữa yếu tố dồn tích (ACCRUAL) và dòng tiền từ hoạt động kinh doanh (cash flow from operating- CFO) Theo đó, IU được tính bằng độ lệch chuẩn của phần dư từ phương trình hồi quy của ACCRUAL lên CFO và các biến kiểm soát khác được đề xuất bởi Dechow và Dichev (2002); Francis và cộng sự (2007) Nghiên cứu sử dụng khung thời gian hồi quy 5 năm

(20 quý) tương tự như Francis và cộng sự (2007) để ước tính các hệ số ước lượng và phần dư của mô hình.

Trong đó: TACi,q, ΔRevRevi,q và PPEi,q lần lượt là tổng dồn tích, thay đổi doanh thu, và tài sản cố định của công ty i tại kỳ kế toán quý q CFOi,q, CFOi,q-1, và CFOi,q+1 lần lượt là dòng tiền từ hoạt động kinh doanh của công ty i trong kỳ kế toán quý q-1, q, và q+1.

Các biến kiểm soát

Luận án sử dụng các biến kiểm soát được sử dụng trong nghiên cứu của Cai và cộng sự (2021) để kiểm soát các yếu tố có thể tác động đến TSSL cổ phiếu như:

• SIZE được đo lường bằng giá trị vốn hóa thị trường của cổ phiếu ở thời điểm cuối quý tài khóa

• BM là giá trị sổ sách trên giá thị trường tại thời điểm cuối quý tài khóa.

• MOMENTUM được đo lường bằng TSSL điều chỉnh thị trường cộng dồn 12 tháng trước thời điểm CBTT lợi nhuận.

• TURNOVER là tỷ lệ khối lượng giao dịch một tháng trên khối lượng cổ phiếu lưu hành và được lấy bình quân cho 12 tháng trước khi thời điểm CBTT lợi nhuận.

• LEVERAGE đo lường bằng tỷ lệ nợ trên tổng tài sản tại thời điểm cuối quý.

• Biến giả LOSS nhận giá trị bằng 1 nếu công ty ghi nhận lỗ trong quý đó, nhận giá trị 0 trong trường hợp khác.

• Biến giả Q4 bằng 1 nếu đó là quý 4, bằng 0 trường hợp khác.

• Biến giả QUARTER được sử dụng để kiểm soát tính đặc thù hoạt động kinh doanh của các quý trong một năm tài khóa.

• Các biến giả INDUSTRY cũng được sử dụng để kiểm soát tính đặc thù trong mô hình kinh doanh của các nhóm ngành khác nhau.

DỮ LIỆU VÀ KẾT QUẢ NGHIÊN CỨU

Dữ liệu nghiên cứu

Nghiên cứu chọn mẫu gồm các doanh nghiệp niêm yết trên sàn Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) và sàn Giao dịch Chứng khoán Hà Nội (HNX). Tương tự các nghiên cứu trước đó, nghiên cứu này loại các công ty tài chính (ngân hàng, chứng khoán và bảo hiểm) bởi vì sự khác biệt trong mô hình kinh doanh Thêm vào, một số quan sát cũng bị loại do không có đủ số liệu để tính toán một số biến quan trọng Tôi sử dụng cơ sở dữ liệu Bloomberg Terminal để thu thập các biến trong bài Như vậy, mẫu nghiên cứu chính trong đề tài sẽ bao gồm 14,275 quan sát công ty-quý của các công ty phi tài chính niêm yết trên HOSE và HNX trong giai đoạn 2008-2021.

Bảng 5.1 Cách chọn mẫu cho nghiên cứu

Mẫu ban đầu: số quan sát theo công ty/quý niêm yết trên HOSE và HNX giai đoạn 2008-2021

- Số quan sát không đủ dữ liệu để tính toán SUE -4,040

- Số quan sát không đủ điều kiện để tính toán TSSL bất thường cộng dồn từ ngày thứ hai đến ngày thứ 61 sau khi

- Số quan sát không đủ điều kiện để tính toán các biến kiểm soát -611

Hiệu ứng PEAD

5.2.1 Kiểm định hiệu ứng PEAD bằng phương pháp danh mục Để kiểm định độ lớn của hiệu ứng PEAD trên TTCK Việt Nam, luận án tuân theo các bước sau Đầu tiên, các công ty sẽ được phân thành ngũ phân vị dựa vào giá trị lợi nhuận bất thường chuẩn tắc (SUE) D1 là phân vị có SUE thấp nhất trong khi D5 là phân vị có SUE cao nhất Tương tự như Livnat và Mendenhall (2006), luận án đo lường SUE bằng chênh lệch giữa EPS của quý hiện tại và EPS của 4 quý trước đó chia cho giá cổ phiếu tại thời điểm kết thúc quý tài khóa hiện tại TSSL điều chỉnh quy mô cho mỗi ngày được đo lường bằng TSSL cổ phiếu trừ cho TSSL của danh mục có cùng nhóm quy mô Tác giả cộng dồn TSSL này cho các khung đầu tư (-1,+1), (+2,+31), và (+2,+61) (với 0 là ngày giao dịch đầu tiên sau khi CBTT) để tính TSSL điều chỉnh cộng dồn (cumulative market- adjusted return-CAR) D5-D1 là chênh lệch CAR giữa phân vị có SUE cao nhất và phân vị có SUE thấp nhất Chênh lệch CAR(-1,+1) đại diện cho hệ số của phản ứng thị trường trước thông tin lợi nhuận, trong khi chênh lệch CAR(+2,+31) và chênh lệch CAR(+2,+61) đại diện cho độ lớn của hiệu ứng PEAD Dựa trên các danh mục này tôi sẽ tiến hành kiểm định sự tồn tại của hiệu ứng PEAD trên TTCK Việt Nam.

Kết quả nghiên cứu (được trình bày trong Bảng 5.2 ) cho thấy có sự tồn tại hiệu ứng chuyển động giá theo chiều lợi nhuận bất thường sau khi thông tin kết quả hoạt động kinh doanh được công bố (post earnings announcement drift-PEAD) trên TTCK Việt Nam Cụ thể, chiến lược đầu tư bằng cách mua các công ty có lợi nhuận bất thường chuẩn tắc (SUE) cao nhất (D5) và bán các công ty có lợi nhuận bất thường chuẩn tắc thấp nhất (D1) sẽ tạo ra TSSL bất thường ở mức 3.99% (tương ứng 32.02% mỗi năm) đối với kì hạn nắm giữ 30 ngày (+2, +31) và 6.94% (tương ứng 32.26% mỗi năm) đối với kỳ hạn nắm giữa 60 ngày (+2, +61) Trong đó ngày 0 là ngày giao dịch đầu tiên sau khi doanh nghiệp công bố thông tin BCTC TSSL bất thường được đo lường bằng TSSL của cổ phiếu trừ điTSSL của chỉ số VNINDEX.

Bảng 5.2 Kiểm định hiệu ứng PEAD bằng phương pháp thiết lập danh mục

Mẫu được phân thành ngũ phân vị dựa vào SUE với D1 là phân vị có SUE thấp nhất trong khi D5 là phân vị có SUE cao nhất D5-D1 là chênh lệch CAR giữa phân vị có SUE cao nhất và phân vị có SUE thấp nhất Chênh lệch CAR(-1,+1) đại diện cho hệ số của phản ứng thị trường trước thông tin lợi nhuận, trong khi chênh lệch CAR(+2,+31) và chênh lệch CAR(+2,+61) đại diện cho độ lớn của hiệu ứng PEAD.

Kết quả này nhất quán với các nghiên cứu trước đó trên thị trường Mỹ (Ball và Brown, 1968; 2019; Livnat và Mendenhall, 2006; Fink 2021), thị trường Trung Quốc (Cai và cộng sự, 2021; Truong, 2011), và các thị trường mới nổi khác (Hung, Li và Wang, 2015) Kết quả này cung cấp thêm bằng chứng ủng hộ cho sự hữu dụng của số liệu kế toán bất chấp một số nghiên cứu gần đây cho rằng độ lớn của PEAD đang có dấu hiệu giảm dần hoặc biến mất trên TTCK Mỹ (Chordia và cộng sự, 2014; Johnson và Schwartz, 2000; Martineau, 2019; Richardson và cộng sự, 2010)

Về mặt độ lớn, hiệu ứng PEAD ở TTCK Việt Nam có xu hướng vượt trội hơn với những gì được tìm thấy ở các TTCK phát triển (xem Bảng 5 3 ) Với chuẩn so sánh là khung thời gian nắm giữ 60 ngày giao dịch (bắt đầu từ ngày giao dịch đầu tiên ngay sau khi thông tin lợi nhuận được công bố), độ lớn của hiệu ứng PEAD trên TTCK Việt Nam là 6.94%, cao hơn so với mức trung bình 4.2% của thị trường Mỹ (Bernard và Thomas,1989; Fink 2021) và 3.09% của TTCK Trung Quốc (Cai và cộng sự, 2021) Thêm nữa, độ lớn này vượt trội so với 28 trong tổng số 30 TTCK được xem xét trong nghiên cứu củaHung và cộng sự (2015) Cụ thể hơn, ngoại trừ Thái Lan (8.01%) và Mexico (7.68%), độ lớn của hiệu ứng PEAD ở các TTCK còn lại đều thấp hơn đáng kể so với Việt Nam Sự vượt trội về độ lớn của hiệu ứng PEAD một mặt cho thấy mức độ hấp dẫn của thị trường Việt Nam đối với cộng đồng đầu tư trong việc khai thác thông tin lợi nhuận Mặt khác, nó cho thấy sự cấp thiết trong việc cải thiện môi trường thông tin để tăng hiệu quả của quá trình phản ánh thông tin BCTC vào giá cổ phiếu.

Bảng 5.3 Độ lớn của hiệu ứng PEAD trong các nghiên cứu trước đây

Nghiên cứu Khung thời gian nắm giữ Độ dài khung thời gian nắm giữ Thị trường chứng khoán Độ lớn hiệu ứng PEAD TSSL hàng năm

Truong (2011) 1 năm 1 năm Trung Quốc 9.00 9.00

Hung và cộng sự (2015) +2, +64 63 ngày Nhiều thị trường 3.20 13.28

Nguồn: Tác giả tổng hợp

Hình 5.1 TSSL cộng dồn của ngũ phân vị SUE theo số ngày nắm giữ

Hiệu ứng PEAD trên thị trường chứng khoán Việt Nam giai đoạn

SUE3 SUE2 SUE1 (nhỏ nhất)

Ngày giao dịch so với ngày công bố thông tin

Nguồn: Tác giả tính toán

Tương tự như các nghiên cứu trước đó (Bernard và Thomas, 1989; Cai và cộng sự,

2021), nghiên cứu này sử dụng các cách đo lường TSSL bất thường khác nhau để kiểm soát tác động của quy mô, tỷ số BM lên kết quả nghiên cứu Bên cạnh việc sử dụng TSSL bất thường điều chỉnh quy mô, nghiên cứu còn thực hiện kiểm định hiệu ứng PEAD với hai cách đo lường TSSL bất thường khác bao gồm: (1) TSSL bất thường điều chỉnh TSSL thị trường, (2) TSSL bất thường điều chỉnh đồng thời quy mô và tỷ số BM Theo đó, TSSL điều chỉnh thị trường của cổ phiếu được đo lường bằng TSSL cổ phiếu trừ đi TSSL của chỉ số VNINDEX Trong khi đó, để đo lường TSSL điều chỉnh đồng thời quy mô và tỷ số BM, các cổ phiếu sẽ được phân thành sáu danh mục kết hợp từ hai yếu tố quy mô và tỷ số B/M (ba phân vị theo quy mô và hai phân vị theo tỷ số B/M) Việc phân chia cổ phiếu thành các danh mục được thực hiện tương tự như Fama và French (1993) Kết quả nghiên cứu (được trình bày trong Bảng 5 4 ) cho thấy rằng không có sự khác biệt đáng kể về độ lớn lẫn ý nghĩa thống kê của hiệu ứng PEAD khi thay đổi cách đo lường TSSL bất thường Theo đó, độ lớn của hiệu ứng PEAD khi sử dụng TSSL điều chỉnh thị trường là 7.09% và giá trị này khi sử dụng TSSL điều chỉnh đồng thời hai yếu tố quy mô và tỷ số BM là 6.58% Cả hai giá trị này không những xấp xỉ với khi sử dụng TSSL điều chỉnh quy mô mà còn có ý nghĩa thống kê tương tự với giá trị p-value gần bằng 0.

Bảng 5.4 Hiệu ứng PEAD với các cách đo lường TSSL bất thường khác nhau

Bảng này trình bày độ lớn của hiệu ứng PEAD trên TTCK Việt Nam sử dụng 3 cách đo lường TSSL bất thường khác nhau (1) TSSL điều chỉnh quy mô mỗi ngày, (2) TSSL điều chỉnh thị trường, (3) TSSL điều chỉnh quy mô và tỷ số BM Mẫu được phân thành ngũ phân vị dựa vào SUE D1 là phân vị có SUE thấp nhất trong khi D5 là phân vị có SUE cao nhất CAR(+2,+61) được sử dụng để tính toán TSSL bất thường.

SUE TSSL điều chỉnh quy mô TSSL điều chỉnh thị trường TSSL điều chỉnh quy mô và tỷ số BM

5.2.2 Kiểm định hiệu ứng PEAD bằng phương pháp hồi quy

Nghiên cứu này sử dụng phân tích hồi quy để kiểm định tính vững của hiệu ứng PEAD trước các yếu tố cạnh tranh khác giải thích cho TSSL của cổ phiếu Tương tự như Cai và cộng sự (2021), luận án sử dụng các biến kiểm soát quy mô (SIZE), tỷ số thư giá trên thị giá (BM), động lực (MOMENTUM), mức độ giao dịch (TURNOVER), đòn bẩy tài chính (LEVERAGE), biến giả thua lỗ (LOSS), và biến giả quý 4 (Q4) bên cạnh biến giải thích chính lợi nhuận bất thường chuẩn tắc (SUE) trong mô hình để giải thích cho TSSL cổ phiếu sau khi công bố lợi nhuận Cách thức tính toán các biến trong mô hình được trình bày trong CHƯƠNG 4

Kết quả hồi quy được trình bày trong Bảng 5 5 là nhất quán với kết quả thiết lập danh mục trong việc ủng hộ sự tồn tại của hiệu ứng PEAD trên TTCK Việt Nam Hệ số ước lượng của biến SUE là dương và có ý nghĩa thống kê ở mức 1% hàm ý rằng cổ phiếu có lợi nhuận bất thường cao hơn sẽ tạo ra TSSL bất thường cao hơn so với các cổ phiếu có lợi nhuận bất thường thấp.

Bảng 5.5 Kết quả hồi quy kiểm định hiệu ứng PEAD

Trong đó, CAR (+2,+61): TSSL điều chỉnh quy mô với khung đầu tư (+2, +61) SUE: lợi𝑘=1 nhuận bất thường chuẩn tắc, các biến kiểm soát bao gồm: quy mô (SIZE), tỷ số thư giá trên thị giá (BM), động lực (MOMENTUM), mức độ giao dịch (TURNOVER), đòn bẩy tài chính (LEVERAGE), biến giả thua lỗ (LOSS), và biến giả quý 4 (Q4), tính mùa vụ (QUARTER), ngành (INDUSTRY)

Các yếu tố tác động đến độ lớn của hiệu ứng PEAD

5.3.1 PEAD và rào cản giao dịch

Trong phần này, nghiên cứu trình bày kết quả kiểm định mối quan hệ giữa hiệu ứng PEAD và các yếu tố đại diện cho rào cản giao dịch trên TTCK Việt Nam Rào cản giao dịch được phân loại thành chi phí giao dịch (trading costs), rủi ro kinh doanh chênh lệch giá (arbitrage risks), và rủi ro thanh khoản Trong chi phí giao dịch, luận án sử dụng các biến đại diện cho chi phí giao dịch gián tiếp được đề xuất trong Bhushan (1994) và Mendenhall (2004) bao gồm giá cổ phiếu (PRICE) và giá trị giao dịch (VOLUME) để giải thích cho độ lớn của hiệu ứng PEAD Các biến đại diện cho rủi ro kinh doanh chênh lệch giá (ARBRISK) và rủi ro có thể phòng ngừa (EXPRISK) đề cập trong nghiên cứu của Mendenhall (2004) cũng được sử dụng Cuối cùng, biến rủi ro thanh khoản (ILLIQ) (thể hiện mức độ tác động lên giá của các lệnh mua bán) được xem xét trong Chordia và cộng sự (2009) cũng được đưa vào đánh giá Ngoài ra, tác giả đưa biến khối lượng giao dịch bất thường (∆TO) của Garfinkel và Sokobin (2005) nhằm xem xét ảnh hưởng của sự bất đồng quan điểm (opinion divergence) lên độ lớn của hiệu ứng PEAD.

Các biến sẽ được sử dụng lần lượt trong phân tích thiết lập danh mục hai chiều để xem xét diễn biến của độ lớn PEAD khi giá trị của biến quan tâm thay đổi Trong phân tích hồi quy, luận án sử dụng định dạng mô hình tham chiếu (được trình bày trong phần kiểm định sự tồn tại của hiệu ứng PEAD) với các biến kiểm soát được đề xuất bởi Cai và cộng sự (2021) Các biến giải thích của Mendenhall (2004), Garfinkel và Sokobin (2005), và Chordia và cộng sự (2009) lần lượt được đưa vào phương trình hồi quy Sau cùng, nghiên cứu đưa tất cả các biến nêu trên vào một phương trình để xem xét sự cạnh tranh của các biến đại diện cho rào cản giao dịch Do sự hạn chế về mặt dữ liệu, các biến chi phí giao dịch cũng như lệnh giao dịch bất thường được đo lường dựa vào dữ liệu giao dịch trong ngày (intra-day transactions) sẽ không được xem xét trong nghiên cứu này. Đối với kết quả nghiên cứu bằng phương pháp thiết lập danh mục hai chiều,ARBRISK là biến duy nhất cho thấy sự biến thiên tăng đơn điệu (monotonically increase) với độ lớn hiệu ứng PEAD (D5-D1) Các biến còn lại bao gồm PRICE, VOLUME,

EXPRISK, ILLIQ, và ∆TO cho thấy sự biến thiên đơn điệu là không rõ ràng Khi so sánh với kết quả của các nghiên cứu nổi bật trong cùng nhánh (Bhusan, 1994; Mendenhall, 2004; Garfinkel và Sokobin, 2005; Chordia, 2009), nghiên cứu này tồn tại cả sự tương đồng và khác biệt Các kết quả sẽ được trình bày kỹ hơn bên dưới.

Bảng 5 6 trình bày kiểm định mối liên hệ giữa PEAD và các biến đại diện cho chi phí giao dịch trên TTCK Việt Nam Nghiên cứu sử dụng giá cổ phiếu (PRICE) và khối lượng giao dịch (VOLUME) đại diện cho chi phí giao dịch như đề xuất của Bhusan

(1994) Các công ty, một cách độc lập, sẽ được phân thành ngũ phân vị dựa vào giá trị lợi nhuận bất thường chuẩn tắc (SUE) và biến đại diện cho chi phí giao dịch (PRICE hoặc VOLUME) D1 là phân vị có giá trị thấp nhất trong khi D5 là phân vị có giá trị cao nhất. Tương tự như Livnat và Mendenhall (2006), nghiên cứu đo lường SUE bằng chênh lệch giữa EPS của quý hiện tại và EPS của 4 quý trước đó chia cho giá cổ phiếu tại thời điểm kết thúc quý tài khóa hiện tại TSSL điều chỉnh quy mô (size-adjusted return) cho mỗi ngày được đo lường bằng TSSL cổ phiếu trừ cho TSSL của danh mục có cùng nhóm quy mô và cộng dồn cho khung đầu tư (+2, +61) (với 0 là ngày giao dịch đầu tiên sau khi CBTT)) D5-D1 là chênh lệch TSSL bất thường cộng dồn giữa phân vị có giá trị cao nhất và phân vị có giá trị thấp nhất.

Kết quả thiết lập danh mục mối quan hệ giữa giá cổ phiếu và độ lớn hiệu ứng PEAD trong nghiên cứu này (phần A của Bảng 5 6 ) là ngược lại với những gì được tìm thấy trong Bhusan (1994) Trong khi Bhusan (1994) cho thấy mối quan hệ ngược chiều (mặc dù không đơn điệu) giữa hai yếu tố này, thì kết quả kiểm định trên TTCK Việt Nam cho thấy điều ngược lại Độ lớn của hiệu ứng PEAD trong ngũ phân vị có giá cổ phiếu cao nhất (D5) là 6.09% trong khi giá trị này đối với ngũ phân vị có giá cổ phiếu thấp nhất (D1) chỉ là 4.15% Phần B của Bảng 5 6 trình bày độ lớn của hiệu ứng PEAD với các ngũ phân vị khối lượng giao dịch (VOLUME) khác nhau Kết quả cho thấy hiệu ứng PEAD có xu hướng tăng lên khi VOLUME tăng lên Độ lớn của PEAD tăng từ 2.72% ở phân vị thấp nhất (D1) lên 3.40% ở phân vị cao nhất (D5) Tuy nhiên, sự tăng lên này là không đơn điệu độ lớn của hiệu ứng PEAD ở phân vị thứ 2 (D2) và phân vị thứ 4 (D4) đều lớn hơn phân vị D5.

Bảng 5.6 Kết quả kiểm định mối quan hệ giữa PEAD và chí phí giao dịch bằng phương pháp thiết lập danh mục

Bảng này trình bày kiểm định mối liên hệ giữa PEAD và các biến đại diện cho chi phí giao dịch trên TTCK Việt Nam, với giá cổ phiếu (PRICE) và khối lượng giao dịch

(VOLUME) đại diện cho chi phí giao dịch.

Bảng 5 7 trình bày kiểm định mối liên hệ giữa PEAD và rủi ro kinh doanh chênh lệch giá trên TTCK Việt Nam Tương tự Mendenhall (2004), biến rủi ro kinh doanh chênh lệch giá (ARBRISK) và rủi ro hệ thống (EXPRISK) được đưa vào xem xét. ARBRISK được đo lường bằng phương sai của phần dư mô hình thị trường được hồi quy từ tháng thứ 48 đến tháng thứ nhất trước tháng CBTT, trong khi EXPRISK được đo lường bằng phương sai của giá trị ước tính từ chính mô hình thị trường này Các công ty,một cách độc lập, sẽ được phân thành ngũ phân vị dựa vào giá trị lợi nhuận bất thường chuẩn tắc (SUE) và ARBRISK hoặc EXPRISK D1 là phân vị có giá trị thấp nhất trong khi D5 là phân vị có giá trị cao nhất.

Phần A của Bảng 5 7 trình bày kết quả thiết lập danh mục hai chiều giữa SUE và rủi ro kinh doanh chênh lệch giá (ARBRISK) Đây là biến đại diện cho rủi ro mà NĐT phải gánh chịu khi nắm giữ hoặc bán khống một cổ phiếu cụ thể nào đó và được kỳ vọng tương quan dương với độ lớn của hiệu ứng PEAD (Wurgler và Zhuravskaya, 2002; Mendenhall, 2004) Ngoài ra biến rủi ro hệ thống hay rủi ro có thể phòng ngừa (EXPRISK) cũng được đưa vào xem xét (Phần B của Bảng 5 7 ) Các công ty có ARBRISK hoặc EXPRISK lớn sẽ hạn chế quá trình phản ánh thông tin vào giá của NĐT và do đó làm gia tăng độ lớn của phản ứng giá cổ phiếu sau khi thông tin lợi nhuận được công bố Kết quả kiểm định của luận án nhất quán với nhận định này Đối với ARBRISK, độ lớn của hiệu ứng PEAD gần như là tăng đơn điệu khi thứ hạng phân vị tăng từ 1 đến 5. Độ lớn của PEAD đối với phân vị thứ nhất chỉ là 0.99% và tăng lên mức 6.18% đối với phân vị thứ 5 Sự chênh lệch này thậm chí còn có ý nghĩa thống kê ở mức 5% Đối với biến EXPRISK, độ lớn của hiệu ứng PEAD cũng có xu hướng tăng lên nhưng không đơn điệu khi thứ hạng phân vị tăng lên và sự chênh lệch độ lớn PEAD giữa phân vị cao nhất và phân vị thấp nhất cũng không có ý nghĩa thống kê.

Bảng 5.7 Kết quả kiểm định mối quan hệ giữa PEAD và rủi ro kinh doanh chênh lệch giá bằng phương pháp thiết lập danh mục

Bảng này trình bày kiểm định mối liên hệ giữa PEAD và rủi ro kinh doanh chênh lệch giá trên TTCK Việt Nam, với biến rủi ro kinh doanh chênh lệch giá (ARBRISK) và rủi ro hệ thống (EXPRISK)

Bảng 5 8 trình bày kiểm định mối liên hệ giữa PEAD và rủi ro thanh khoản trên TTCK Việt Nam Nghiên cứu sử dụng biến thiếu thanh khoản (ILLIQ), được đề xuất bởi Amihud (2002), và khối lượng giao dịch bất thường (∆TO), được đề xuất bởi Garfinkel và cộng sự (2005), đại diện cho yếu tố rủi ro thanh khoản ILLIQ cho mỗi tháng được đo lường bằng bình quân tỷ lệ mức thay đổi giá tuyệt đối chia cho giá trị giao dịch mỗi ngày.

∆TO được đo lường bằng giá trị cộng dồn của mức chênh lệch khối lượng giao dịch tương đối (ở dạng phần trăm so với khối lượng cổ phiếu đang lưu hành) giữa cổ phiếu và toàn thị trường trong hai ngày giao dịch liền trước ngày CBTT Giá trị này, sau đó, được điều chỉnh cho mức trung bình của nó trong 50 phiên giao dịch trước đó để xác định giá trị bất thường Các công ty, một cách độc lập, sẽ được phân thành ngũ phân vị dựa vào giá trị lợi nhuận bất thường chuẩn tắc (SUE) và ILLIQ hoặc ∆TO D1 là phân vị có giá trị thấp nhất trong khi D5 là phân vị có giá trị cao nhất.

Bảng 5 8 trình bày kết quả thiết lập danh mục hai chiều giữa SUE và rủi ro thanh khoản, được đại diện bởi biến mức độ thiếu thanh khoản (ILLIQ) và khối lượng giao dịch bất thường (∆TO) Phần A trình bày kết quả kiểm định mối liên hệ giữa hiệu ứng PEAD và ILLIQ thông qua phương pháp thiết lập danh mục hai chiều Trái ngược với sự tương quan dương giữa độ lớn của hiệu ứng PEAD và mức độ thiếu thanh khoản được tìm thấy trong nghiên cứu của Chordia và cộng sự (2009), luận án không chỉ ra được mối liên hệ giữa hai biến này Độ lớn của hiệu ứng PEAD không những giảm từ 6.33% ở phân vị nhỏ nhất xuống còn 5.99% ở phân vị lớn nhất mà chênh lệch độ lớn cũng không có ý nghĩa thống kê Phần B cho thấy không tồn tại mối liên hệ rõ ràng giữa độ lớn của hiệu ứngPEAD và ∆TO Điều này trái ngược với kết luận của Garfinkel và Sokobin (2005) khi các tác giả tìm thấy rằng TSSL bất thường sau khi CBTT của các công ty có ∆TO cao là vượt trội hơn so với các công ty có ∆TO thấp.

Bảng 5.8 Kết quả kiểm định mối quan hệ giữa PEAD và rủi ro thanh khoản bằng phương pháp thiết lập danh mục

Bảng này trình bày kiểm định mối liên hệ giữa PEAD và rủi ro thanh khoản trên TTCK Việt Nam với biến thiếu thanh khoản (ILLIQ) và khối lượng giao dịch bất thường (∆TO).

Phần này sử dụng phương pháp hồi quy để kiểm định mối liên hệ giữa PEAD và các yếu tố đại diện cho rào cản giao dịch Các biến đại diện cho rào cản giao dịch được luận án quan tâm bao gồm giá cổ phiếu (PRICE), khối lượng giao dịch (VOLUME), rủi ro kinh doanh chênh lệch giá (không thể phòng ngừa) (ARBRISK), rủi ro hệ thống (có thể phòng ngừa) (EXPRISK), khối lượng giao dịch bất thường (∆TO), và sự thiếu thanh khoản (ILLIQ) Nghiên cứu sử dụng lặp lại các biến kiểm soát trong nghiên cứu Cai và cộng sự (2021) Các biến kiểm soát bao gồm quy mô (SIZE), tỷ số BM (BTM), động lượng (MOMENTUM), vòng quay giao dịch (TURNOVER), đòn bẩy (LEVERAGE), và hai biến giả đại diện cho sự thua lỗ và tính mùa vụ của quý cuối cùng trong năm tài khóa.Các biến giả ngành (INDUSTRY) cũng được sử dụng Phương pháp hồi quy hiệu ứng cố định (fixed effect) được sử dụng để ước lượng các hệ số.

Chiến lược đầu tư F-Score

5.4.1 Phương pháp thiết lập danh mục

Bảng 5 16 trình bày khả năng sinh lời của chiến lược đầu tư dựa vào chỉ số tài chính F-Score bằng cách mua cổ phiếu các công ty có chỉ số F-Score cao (lớn hơn hoặc bằng 7) và bán cổ phiếu các công ty có chỉ số F-Score thấp (nhỏ hơn hoặc bằng 2) trên TTCK Việt Nam Kết quả cho thấy chiến lược đầu tự dựa vào F-Score tạo ra TSSL điều chỉnh quy mô ở mức 18.10% đối với thời gian nắm giữ 12 tháng kể từ tháng thiết lập danh mục. TSSL bất thường này có ý nghĩa thống kê ở mức 1% Điều này bổ sung vào kết luận của các nghiên cứu thực nghiệm trước đây trong việc ủng hộ tính hữu dụng của thông tin trên BCTC đối với quyết định đầu tư (Piotroski, 2000; Moharam, 2005) Ngoài ra, kết quả kiểm định còn bổ sung bằng chứng của nhánh nghiên cứu sử dụng chiến lược F-Score với phạm vi toàn bộ các công ty niêm yết (Turtle, 2017; Hyde, 2018; Ng và Shen, 2019; Walkshọusl, 2020) thay vỡ tập trung vào cỏc cụng ty cú hệ số BM cao như trong nghiờn cứu tiên phong của Piotroski (2000) Điều này đồng nghĩa rằng F-Score có thể dự báo TSSL tương lai và khả năng này không chỉ tập trung vào các công ty bị cộng đồng đầu tư từ bỏ mà còn là hiện tượng cho cả các công ty nhận được sự săn đón trên TTCK Kết quả kiểm định của luận án ủng hộ cho lập luận rằng chỉ số F-Score nắm bắt được yếu tố chất lượng cơ bản (fundamental quality) của doanh nghiệp và việc phản ánh yếu tố cơ bản vào giá sẽ diễn ra dần dần.

Bảng 5.16 TSSL của chiến lược đầu tư dựa vào chỉ số F-Score

Bảng này trình bày TSSL mua và nắm giữ (buy-and-hold returns) của các danh mục đầu tư được xây dựng dựa vào chỉ số F-Score Tương tự như Piotroski (2000), nghiên cứu đo lường F-Score bằng tổng của chín chỉ số nhị phân đại diện cho ba khía cạnh tài chính khác nhau của một công ty F-Score bằng 9 hàm ý một công ty có sức khỏe tài chính tốt nhất, trong khi F-Score bằng 0 hàm ý một công ty có sức khỏe tài chính tệ nhất Cách đo lường cụ thể của chỉ số F-Score được trình bày trong Phần 4.2 Mỗi năm, các công ty sẽ được phân loại thành danh mục các công ty có sức khỏe tài chính thấp (L), vừa (M) và cao (H) L bao gồm các công ty có F-Score từ 0 đến 2, M bao gồm các công ty có F- Score từ 3 đến 6, và H bao gồm các công ty có F-Score từ 7 đến 9 TSSL bất thường của các danh mục là bình quân TSSL bất thường của cổ phiếu thành phần Trong đó, TSSL bất thường của cổ phiếu thành phần đo lường bằng TSSL của một cổ phiếu riêng lẻ trừ đi TSSL của VNINDEX và được cộng dồn 12 tháng kể từ tháng thứ 4 sau thời điểm kết thúc năm tài khóa HML là chênh lệch TSSL bất thường cộng dồn của danh mục H và danh mục L.

Trung bình 10% 25% Trung vị 75% 90% Tỷ lệ dương N

9 0.1173 -0.3931 -0.2038 0.0909 0.3332 0.6716 0.5378 119 Thấp -0.0523 -0.5217 -0.3534 -0.1348 0.1152 0.5522 0.3552 411 Vừa 0.0761 -0.4467 -0.2681 -0.0302 0.2745 0.6723 0.4682 4233 Cao 0.1287 -0.3789 -0.2032 0.0306 0.3095 0.6820 0.5321 1229 HML 0.1810 0.1428 0.1503 0.1654 0.1943 0.1298 0.1769 818 p-value 0.0000 0.0000 0.0000

Bảng 5 17 trình bày TSSL bất thường của chiến lược đầu tư F-Score với các nhóm quy mô khác nhau Tương tự như Piotroski (2000), giá trị vốn hóa thị trường của cổ phiếu tại ngày giao dịch cuối cùng của năm tài khóa sẽ được sử dụng để phân nhóm.Phân vị thứ 30 và phân vị thứ 70 của phân phối quy mô trong năm tài khóa trước đó sẽ được sử dụng để phân chia các công ty thành nhóm quy mô nhỏ, quy mô vừa, và quy mô lớn trong năm tài khóa tiếp theo TSSL bất thường với kỳ hạn nắm giữ 12 tháng sẽ được đo lường cho ba nhóm quy mô Trong đó, TSSL bất thường được tính bằng TSSL của cổ phiếu trừ đi TSSL của chỉ số VNINDEX.

Kết quả thiết lập danh mục cho thấy rằng TSSL bất thường của chiến lược đầu tư F- Score có xu hướng tập trung vào nhóm công ty có quy mô nhỏ Theo đó, TSSL bất thường giảm từ 31.40% đối với nhóm quy mô nhỏ, xuống còn 22.84% đối với nhóm quy mô vừa, và xuống còn 3.79% đối với nhóm quy mô lớn Mức TSSL bất thường đối với nhóm quy mô vừa và nhỏ có ý nghĩa thống kê ở mức 1% trong khi không có ý nghĩa thống kê đối với nhóm có quy mô lớn Kết quả này tương đồng với những gì được tìm thấy trong các nghiên cứu trước đó cho rằng lợi nhuận của chiến lược F-Score tập trung vào các công ty có quy mô nhỏ (Piotroski, 2000).

Bảng 5.17 TSSL của chiến lược đầu tư dựa vào chỉ số F-Score theo quy mô

Bảng này trình bày khả năng sinh lời của chiến lược đầu tư dựa vào chỉ số F-Score cho các nhóm công ty có quy mô khác nhau Tại mỗi năm tài khóa, các cổ phiếu sẽ được phân thành ba nhóm (quy mô nhỏ, quy mô vừa, và quy mô lớn) dựa vào việc so sánh giá trị vốn hóa của cổ phiếu tại ngày giao dịch gần kề thời điểm kết thúc năm tài khóa và các điểm phân chia (cut-off points) phân vị 30 và phân vị 70 của phân phối vốn hóa năm tài khóa trước đó Sau đó, với mỗi nhóm quy mô, TSSL bất thường sẽ được tính toán cho từng nhóm F-Score riêng lẻ, nhóm F-Score thấp (từ 0 đến 2), nhóm F-Score cao (từ 7 đến

9) F-Score được đo lường bằng tổng của chín chỉ số nhị phân riêng lẻ đại diện cho ba khía cạnh tài chính của công ty Cách đo lường cụ thể của chỉ số F-Score được trình bày trong Phần 4.2 TSSL bất thường của các danh mục là bình quân TSSL bất thường của cổ phiếu thành phần Trong đó, TSSL bất thường của cổ phiếu thành phần đo lường bằng TSSL của một cổ phiếu trừ đi TSSL của VNINDEX và được cộng dồn 12 tháng kể từ tháng thứ 4 sau thời điểm kết thúc năm tài khóa HML là chênh lệch TSSL bất thường cộng dồn của danh mục F-Score cao và danh mục F-Score thấp.

Quy mô nhỏ Quy mô vừa Quy mô lớn

Trung bình Trung vị n Trung bình Trung vị n Trung bình Trung vị n Tất cả 0.1426 0.0019 1,553 0.0809 -0.0142 2,314 0.0252 -0.0516 1,980 F-Score

Thấp -0.0894 -0.1727 119 -0.0849 -0.1800 147 0.0116 -0.0970 140 Vừa 0.1456 -0.0090 1,139 0.0769 -0.0188 1,671 0.0191 -0.0569 1,409 Cao 0.2246 0.0949 295 0.1435 0.0618 496 0.0495 -0.0286 431 HML 0.3140 0.2675 176 0.2284 0.2418 349 0.0379 0.0684 291 p-value 0.0001 0.0000 0.0000 0.0000 0.3805 0.0701

Bảng 5.18 trình bày kết quả nghiên cứu mối liên hệ giữa khả năng sinh lời của chiến lược đầu tư F-Score và thị giá cổ phiếu Trước tiên, tương tự như Piotroski (2000),nghiên cứu này phân cổ phiếu vào ba nhóm khác nhau (giá cổ phiếu nhỏ, giá cổ phiếu vừa, và giá cổ phiếu lớn) dựa vào việc so sánh chênh lệch giữa giá cổ phiếu tại ngày giao dịch cuối cùng của năm tài khóa hiện tại và các phân vị thứ 30, 70 của phân phối giá cổ phiếu trong năm tài khóa trước đó TSSL bất thường của từng nhóm F-Score, nhóm F-Score thấp (từ

0 đến 2), nhóm F-Score vừa (3 đến 6), và nhóm F-Score cao (từ 7 đến 9) sẽ được tính toán TSSL của chiến lược phòng ngừa (HML) bằng cách mua cổ phiếu các công ty có F- Score cao và bán cổ phiếu các công ty có F-Score thấp cũng sẽ được đo lường.

Kết quả thiết lập danh mục cho thấy rằng khả năng sinh lời của chiến lược đầu tư F- Score là lớn nhất ở nhóm các cổ phiếu có thị giá nhỏ Theo đó, chiến lược F-Score tạo ra TSSL bất thường ở mức 34.10% tại nhóm cổ phiếu có mệnh giá nhỏ sau đó giảm dần về mức 15.52% và 4.96% tương ứng đối với nhóm cổ phiếu có thị giá vừa và lớn TSSL của chiến lược F-Score ở nhóm cổ phiếu có thị giá lớn thậm chí không có ý nghĩa thống kê. Kết quả kiểm định là tương đồng với những gì được tìm thấy trong Piotroski (2000) Mặc dù khả năng sinh lời của chiến lược F-Score là giảm dần theo thị giá cổ phiếu, nó vẫn tạo ra TSSL đáng kể đối với nhóm cổ phiếu có thị giá vừa Điều này phản biện nhận xét cho rằng TSSL của chiến lược F-Score không thể khai thác được khi chỉ tập trung vào nhóm cổ phiếu có thanh khoản thấp nơi NĐT sẽ gặp khó khăn trong việc gặt hái thành quả đầu tư của mình.

Bảng 5.18 TSSL của chiến lược đầu tư dựa vào chỉ số F-Score theo thị giá cổ phiếu

Bảng này trình bày khả năng sinh lời của chiến lược đầu tư dựa vào chỉ số F-Score cho các nhóm công ty có thị giá cổ phiếu khác nhau Tại mỗi năm tài khóa, các cổ phiếu sẽ được phân thành ba nhóm (giá cổ phiếu nhỏ, giá cổ phiếu vừa, và giá cổ phiếu lớn) dựa vào việc so sánh thị giá của cổ phiếu tại ngày giao dịch gần kề thời điểm kết thúc năm tài khóa và các điểm phân chia (cut-off points) phân vị 30 và phân vị 70 của phân phối thị giá cổ phiếu của năm tài khóa trước đó Sau đó, với mỗi nhóm thị giá cổ phiếu, TSSL bất thường sẽ được tính toán cho từng nhóm F-Score riêng lẻ, nhóm F-Score thấp (từ 0 đến

2), nhóm F- Score cao (từ 7 đến 9) F-Score được đo lường bằng tổng của chín chỉ số nhị phân riêng lẻ đại diện cho ba khía cạnh tài chính của công ty Cách đo lường cụ thể của chỉ số F-Score được trình bày trong Phần 4.2 TSSL bất thường của các danh mục là bình quân TSSL bất thường của cổ phiếu thành phần Trong đó, TSSL bất thường của cổ phiếu thành phần đo lường bằng TSSL của một cổ phiếu trừ đi TSSL của VNINDEX và được cộng dồn 12 tháng kể từ tháng thứ 4 sau thời điểm kết thúc năm tài khóa HML là chênh lệch TSSL bất thường cộng dồn của danh mục F-Score cao và danh mục F-Score thấp.

Giá cổ phiếu nhỏ Giá cổ phiếu vừa Giá cổ phiếu lớn Trung bình Trung vị n Trung bình Trung vị n Trung bình Trung vị n

9 0.2990 0.2006 38 -0.0041 -0.1233 46 0.0795 0.0999 35Thấp -0.1007 -0.1983 149 -0.0366 -0.1344 153 -0.0087 -0.0854 104Vừa 0.1599 -0.0168 1,327 0.0708 -0.0159 1,581 -0.0023 -0.0639 1,311Cao 0.2403 0.0948 366 0.1186 0.0430 460 0.0410 -0.0260 396HML 0.3410 0.2932 217 0.1552 0.1774 307 0.0496 0.0594 292 p-value 0.0000 0.0000 0.0009 0.0000 0.2821 0.0433

Bảng 5 19 trình bày kết quả kiểm định mối liên hệ giữa khả năng sinh lời của chiến lược F-Score và khối lượng giao dịch sử dụng phương pháp thiết lập danh mục Kiểm định này được thực hiện để xem xét liệu TSSL của chiến lược F-Score có tập trung vào các cổ phiếu có khối lượng giao dịch thấp và do đó gây khó khăn cho NĐT trong việc thu hoạch thành quả đầu tư của mình Theo đó, các công ty sẽ được phân thành ba nhóm dựa vào việc so sánh khối lượng giao dịch trong năm tài khóa với phân vị 30, 70 của phân phối khối lượng giao dịch năm tài khóa trước đó Tương tự Piotroski (2000), khối lượng giao dịch được đo lường bằng tổng số lượng cổ phiếu được giao dịch trong một năm tài khóa chia cho số lượng cổ phiếu lưu hành bình quân cùng năm.

Kết quả thiết lập danh mục cho thấy rằng sự thành công của chiến lược F-Score không tập trung vào những cổ phiếu có khối lượng giao dịch thấp TSSL của chiến lượcF-Score đối với nhóm khối lượng giao dịch thấp chỉ đạt 11.41%, trong khi giá trị này đối với nhóm khối lượng giao dịch vừa và cao lần lượt đạt 17.14% và 14.48% Thêm nữa,các mức TSSL của chiến lược F-Score tại nhóm cổ phiếu có khối lượng giao dịch vừa và cao là có ý nghĩa thống kê ở mức 10% trong khi không có ý nghĩa thống kê ở nhóm có khối lượng giao dịch thấp Kết quả này ủng hộ kết luận của Piotroski (2000) về tính khả thi của chiến lược F- Score trong việc gặt hái thành quả đầu tư.

Bảng 5.19 TSSL của chiến lược F-Score theo khối lượng giao dịch

Bảng này trình bày khả năng sinh lời của chiến lược đầu tư dựa vào chỉ số F-Score cho các nhóm công ty có khối lượng giao dịch khác nhau Tại mỗi năm tài khóa, các cổ phiếu sẽ được phân thành ba nhóm (khối lượng thấp, khối lượng vừa, và khối lượng cao) dựa vào việc so sánh khối lượng giao dịch của cổ phiếu tại ngày giao dịch cuối cùng của năm tài khóa hiện tại và các điểm phân chia (cut-off points) phân vị 30 và phân vị 70 của phân phối khối lượng giao dịch trong năm tài khóa trước đó Tương tự Piotroski (2000), khối lượng giao dịch được đo lường bằng tổng số lượng cổ phiếu được giao dịch trong một năm tài khóa chia cho số lượng cổ phiếu lưu hành bình quân cùng năm Sau đó, với mỗi nhóm khối lượng giao dịch, TSSL bất thường sẽ được tính toán cho từng nhóm F-Score riêng lẻ, nhóm F-Score thấp (từ 0 đến 2), nhóm F-Score cao (từ 7 đến 9) F-Score được đo lường bằng tổng của chín chỉ số nhị phân riêng lẻ đại diện cho ba khía cạnh tài chính của công ty Cách đo lường cụ thể của chỉ số F-Score được trình bày trong Phần 4.2. TSSL bất thường của các danh mục là bình quân TSSL bất thường của cổ phiếu thành phần Trong đó, TSSL bất thường của cổ phiếu thành phần đo lường bằng TSSL của một cổ phiếu trừ đi TSSL của VNINDEX và được cộng dồn 12 tháng kể từ tháng thứ 4 sau thời điểm kết thúc năm tài khóa HML là chênh lệch TSSL bất thường cộng dồn của danh mục F-Score cao và danh mục F-Score thấp.

Khối lượng thấp Khối lượng vừa Khối lượng cao Trung bình Trung vị n Trung bình Trung vị n Trung bình Trung vị n Tất cả 0.0632 -0.0045 1,740 0.0996 0.0207 1,866 0.1092 -0.0602 1,630 F-Score

9 0.0761 0.0923 37 0.2033 0.1571 40 0.0518 -0.0555 32 Thấp 0.0146 -0.0479 73 -0.0077 -0.0952 115 -0.0486 -0.1673 124 Vừa 0.0449 -0.0184 1,262 0.0900 0.0127 1,355 0.1292 -0.0564 1,186 Cao 0.1287 0.0545 405 0.1637 0.0920 396 0.0962 -0.0408 320 HML 0.1141 0.1024 332 0.1714 0.1873 281 0.1448 0.1265 196 p-value 0.1022 0.0101 0.0017 0.0001 0.0530 0.0063

Bảng 5 20 trình bày kết quả kiểm định khả năng sinh lời của chiến lược đầu tư dựa vào chỉ số F-Score trên TTCK Việt Nam sử dụng phương pháp hồi quy.

PEAD và F-Score

5.5.1 Phương pháp thiết lập danh mục

Phần này trình bày kết quả kiểm định mối liên hệ giữa F-Score (đại diện cho sức mạnh nền tảng của doanh nghiệp) và độ lớn của hiệu ứng PEAD thông qua phương pháp thiết lập danh mục hai chiều và phương pháp hồi quy Theo đó, các công ty sẽ được phân thành 5 nhóm dựa vào so sánh giá trị lợi nhuận bất thường (SUE) và các ngũ phân vị tại một quý tài khóa cụ thể Nhóm 1 bao gồm các công ty có lợi nhuận bất thường tệ nhất trong khi nhóm 5 bao gồm các công ty có lợi nhuận bất thường tốt nhất Tiếp theo, các công ty sẽ được phân thành 3 nhóm dựa vào giá trị F-Score của chúng Nhóm F-Score cao bao gồm các công ty có giá trị từ 7 đến 9, nhóm F-Score vừa bao gồm các công ty có giá trị từ 3 đến 6, và nhóm F-Score thấp bao gồm các công ty có giá trị từ 0 đến 2 TSSL điều chỉnh cho quy mô (CAR(+2,+61)) sẽ được tính toán và cộng dồn cho 60 ngày giao dịch (+2, +61) theo sau ngày thông tin lợi nhuận được công bố cho từng danh mục kết hợp SUE và F- Score khác nhau Độ lớn của hiệu ứng PEAD, đo lường bằng chênh lệch CAR(+2, +61) giữa cổ phiếu các công ty có SUE lớn nhất và cổ phiếu các công ty có SUE thấp nhất, sẽ được tính toán cho từng nhóm F-Score (thấp nhất đến cao nhất).

Kết quả nghiên cứu cho thấy F-Score hạn chế độ lớn của hiệu ứng PEAD đối với thời gian nắm giữ 30 ngày (phần A của Bảng 5 21 ) Tuy nhiên, tác động của F-Score lên độ lớn PEAD có xu hướng đổi chiều đối với thời gian năm giữ 60 ngày (phần B củaBảng 5 21 ) Cụ thể, chiến lược đầu tư dựa vào SUE tạo ra TSSL bất thường ở mức 6.56% đối với nhóm cổ phiếu có F-Score nhỏ nhưng giá trị này giảm xuống còn 4.17% đối với nhóm cổ phiếu có F-Score lớn Đối với thời gian nắm giữ 60 ngày, TSSL của chiến lược đầu tư dựa vào SUE có xu hướng tăng từ 6.51% ở nhóm cổ phiếu có F-Score thấp lên7.17% ở nhóm cổ phiếu có F-Score cao Điều này hàm ý rằng, chỉ số F-Score phần nào hạn chế độ lớn của hiệu ứng PEAD đối với thời gian nắm giữ 30 ngày, nhưng sau đó, F-Score có xu hướng phóng đại hiệu ứng PEAD.

Bảng 5.21 Kết quả thiết lập danh mục hai chiều giữa hiệu ứng PEAD và F-Score

Bảng này trình bày kiểm định mối liên hệ giữa PEAD và F-Score trên TTCK Việt Nam. Tương tự như Piotroski (2000), nghiên cứu này đo lường F-Score bằng tổng của chín chỉ số nhị phân đại diện cho ba khía cạnh tài chính khác nhau của một công ty F-Score bằng

9 hàm ý một công ty có sức khỏe tài chính tốt nhất, trong khi F-Score bằng 0 hàm ý một công ty có sức khỏe tài chính tệ nhất Cách đo lường cụ thể của chỉ số F-Score được trình bày trong Phần 4.2 Các công ty, một cách độc lập, sẽ được phân thành ngũ phân vị dựa vào giá trị lợi nhuận bất thường chuẩn tắc (SUE) và 3 nhóm khác nhau dựa vào F-Score. Đối với SUE, D1 là phân vị có giá trị thấp nhất trong khi D5 là phân vị có giá trị cao nhất Tương tự như Livnat và Mendenhall (2006), tác giả đo lường SUE bằng chênh lệch giữa EPS của quý hiện tại và EPS của 4 quý trước đó chia cho giá cổ phiếu tại thời điểm kết thúc quý tài khóa hiện tại Đối với F-Score, L bao gồm các công ty có F-Score từ 0 đến 2, M bao gồm các công ty có F-Score từ 3 đến 6, và H bao gồm các công ty có F- Score từ 7 đến 9 TSSL điều chỉnh quy mô (size-adjusted return) cho mỗi ngày được đo lường bằng TSSL cổ phiếu trừ cho TSSL của danh mục có cùng nhóm quy mô và cộng dồn cho khung đầu tư (+2, +61) (với 0 là ngày giao dịch đầu tiên sau khi CBTT) D5-D1 là chênh lệch TSSL bất thường cộng dồn giữa phân vị có giá trị cao nhất và phân vị có giá trị thấp nhất.

SUE L (thấp nhất) M H (cao nhất)

Kết quả hồi quy với thời gian nắm giữ 60 ngày phần nào xác nhận cho những gì được tìm thấy bằng phương pháp thiết lập danh mục hai chiều (xem Bảng 5 22 ) Sau khi kiểm soát các yếu tố tác động đến TSSL bất thường được đề cập trong nghiên cứu trước đó như quy mô (SIZE), tỷ số BM (BM), động lượng (MOMENTUM), luận án đưa biến tương tác giữa lợi nhuận bất thường và chỉ số F-Score (SUExFScore) vào mô hình Kết quả nghiên cứu cho thấy hệ số ước lượng của biến này là dương và có ý nghĩa thống kê ở mức 5% Điều này hàm ý rằng F-Score có xu hướng phóng đại độ lớn của hiệu ứng PEAD.

Kết quả kiểm định này là ngược lại với lập luận của So và Sias (2012) về vai trò của chỉ số sức mạnh nền tảng (F-Score) đối với quá trình phản ánh thông tin vào giá Luận án cho rằng F-Score không thể lí giải cho sự thay đổi của nhu cầu tổ chức Mặc dù sức mạnh nền tảng doanh nghiệp được xem là một tiêu chí quan trọng trong việc thu hút sự quan tâm của nhà đầu tư tổ chức trên thị trường Mỹ, yếu tố này lại không quá quan trọng trên thị trường chứng khoán Việt Nam nơi các loại hình đầu tư thụ động (như quỹ chỉ số) chiếm tỷ trọng lớn trong nhà đầu tư tổ chức Theo đó, các loại hình này đặt nặng yếu tố vốn hóa thị trường hơn là khả năng sinh lời và hiệu quả hoạt động Ke và cộng sự (2005) cho thấy rằng loại hình nhà đầu tư tổ chức dài hạn và mô phỏng chỉ số ít khai thác việc định giá sai hơn so với nhà đầu tư tổ chức ngắn hạn Điều này hàm ý vai trò hạn chế của nhà đầu tư tổ chức trên thị trường chứng khoán Việt Nam trong việc thúc đẩy quá trình phản ánh thông tin vào giá.

Bảng 5.22 Kết quả hồi quy mối liên hệ giữa hiệu ứng PEAD và F-Score

Bảng này trình bày kết quả hồi quy kiểm định mối liên hệ giữa PEAD và chỉ số sức khỏe nền tảng F-Score Tương tự như Piotroski (2000), nghiên cứu này đo lường F-Score bằng tổng chín chỉ số nhị phân đại diện cho ba khía cạnh tài chính khác nhau của một công ty. F-Score bằng 9 hàm ý một công ty có sức khỏe tài chính tốt nhất, trong khi F-Score bằng

0 hàm ý một công ty có sức khỏe tài chính tệ nhất Cách đo lường cụ thể của chỉ số F- Score được trình bày trong Phần 4.2 Tương tự như Livnat và Mendenhall (2006), SUE được đo bằng chênh lệch giữa EPS của quý hiện tại và EPS của 4 quý trước đó chia cho giá cổ phiếu tại thời điểm kết thúc quý tài khóa hiện tại Nghiên cứu sử dụng các biến kiểm soát được đề xuất bởi Cai và cộng sự (2021) vào mô hình Theo đó, SIZE được đo lường bằng giá trị vốn hóa thị trường của cổ phiếu ở thời điểm cuối quý tài khóa BM là giá trị sổ sách trên giá thị trường tại thời điểm cuối quý tài khóa MOMENTUM được đo lường bằng TSSL điều chỉnh thị trường cộng dồn 12 tháng trước thời điểm CBTT lợi nhuận TURNOVER là tỷ lệ khối lượng giao dịch một tháng trên khối lượng cổ phiếu lưu hành và được lấy bình quân cho 12 tháng trước khi thời điểm CBTT lợi nhuận. LEVERAGE đo lường bằng tỷ lệ nợ trên tổng tài sản tại thời điểm cuối quý Biến giả LOSS nhận giá trị bằng 1 nếu công ty ghi nhận lỗ trong quý đó, nhận giá trị 0 trong trường hợp khác Biến giả Q4 bằng 1 nếu đó là quý 4, bằng 0 trường hợp khác Các biến giả INDUSTRY cũng được sử dụng để kiểm soát tính đặc thù trong mô hình kinh doanh của các nhóm ngành khác nhau Phương pháp hồi quy hiệu ứng cố định (FE) được sử dụng để ước lượng các hệ số.

Kết luận chương

Chương này trình bày các kết quả kiểm định trong bài Cụ thể, luận án tìm thấy sự tồn tại của hiệu ứng PEAD trên thị trường chứng khoán Việt Nam Chiến lược đầu tư bằng cách mua cổ phiếu các công ty có SUE cao và bán cổ phiếu các công ty có SUE thấp tạo ra TSSL vượt trội ở mức 3.39% với thời gian nắm giữ ba tháng (tương ứng 32.02% một năm) và 6.94% (tương ứng 32.26% một năm) đối với thời gian nắm giữ sáu tháng Kết quả hồi quy củng cố cho những gì được tìm thấy khi sử dụng phương pháp thiết lập danh mục Trong phương pháp hồi quy, luận án sử dụng định dạng mô hình được đề xuất bởi Cai và cộng sự (2021) bao gồm các biến kiểm soát như: quy mô (SIZE), tỷ số BM (BM, động lượng (MOMENTUM), vòng quay giao dịch (TURNOVER), đòn bẩy tài chính (LEVERAGE), biến giả thua lỗ (LOSS), biến giả quý 4 (Q4), biến giả thời gian (QUARTER), và biến giả ngành (INDUSTRY) Kết quả kiểm định các yếu tố tác động đến hiệu ứng PEAD chỉ ra rằng chi phí giao dịch, rủi ro kinh doanh chênh lệch giá, rủi ro thanh khoản, sự hiện diện của cổ đông nội bộ, và sự chú ý của nhà đầu tư là các yếu tố tác động đến độ lớn của hiệu ứng này Bên cạnh đó, luận án tìm thấy chiến lược đầu tư phòng ngừa dựa vào chỉ số F-Score cũng tạo ra TSSL vượt trội ở mức 18.10% với thời hạn nắm giữ 1 năm Điều này củng cố cho sự hữu dụng của thông tin báo cáo tài chính trong việc dự báo TSSL tương lai Kết quả hồi quy nhất quán với những gì được tìm thấy khi sử dụng phương pháp thiết lập danh mục Cuối cùng, luận án tìm thấy chỉ số F-Score có quan hệ cùng chiều với độ lớn của hiệu ứng PEAD Kết quả này có thể được giải thích bởi vai trò hạn chế của các loại hình nhà đầu tư tổ chức trong việc tăng tốc quá trình phản ánh thông tin lợi nhuận vào giá cổ phiếu trên thị trường chứng khoán Việt Nam.