giai đoạn 2000 - 2011.
Bắt đầu từ năm 2006, thị trường có những bước phát triển đột phá, tạo ra một diện mạo hoàn toàn mới với hoạt động giao dịch sôi nổi ở cả 2 sàn, đặc biệt là Sở giao dịch Thành phố Hồ Chí Minh. Với mức tăng trưởng đạt tới 60% từ đầu đến giữa năm 2006, thị trường chứng khoán Việt Nam trở thành “điểm” có tốc độ tăng trưởng nhanh thứ 2 thế giới. Và sự bừng dậy của thị trường non trẻ này đang ngày càng “hút hồn” các nhà đầu tư trong và ngoài nước. Mức vốn hóa của thị trường đã tăng đột biến, tháng 12-2006 đạt 13,8 tỉ USD (chiếm 22,7% GDP). Số lượng các nhà đầu tư mới tham gia thị trường ngày càng đông, tính đến cuối tháng 12- 2006, có trên 120.000 tài khoản giao dịch chứng
khoán được mở, trong đó gần 2.000 tài khoản của nhà đầu tư nước ngoài. Năm 2006, kỷ lục mới của VN-Index được xác lập ở mốc 809,86 điểm.
Hình 3.1: Chỉ số VNINDEX trong giai đoạn 2000-2011
Nguồn: http://www.cophieu68.com
Những diễn biến bất thường của thị trường chứng khoán Việt Nam trong năm 2006 đã tạo đà cho một sự bùng nổ vào năm 2007. Đặc biệt, chỉ số VN-Index đã đạt mức đỉnh là 1.170,67 điểm sau 7 năm hoạt động. Có thể nói, đây là giai đoạn thị trường đạt mức tăng trưởng với tốc độ lớn nhất khi đạt mức tăng 126% chỉ trong vòng 3 tháng giao dịch. Trong giai đoạn này, giá các cổ phiếu tăng trưởng với tốc độ phi mã, đồng loạt các cổ phiếu từ Blue – chip, Penny stock, các cổ phiếu mới niêm yết trên sàn… tất cả đều đạt mức tăng trưởng trên 50% giá trị so với mức giá giao dịch đầu năm, trong đó có những cổ phiếu đạt mức tăng trưởng trên 100% như: STB (113,57%), REE (122,66%), ACB (197%).
Những phiên tăng điểm kịch trần liên tiếp bắt đầu từ cuối năm 2006 kéo dài đến gần cuối quý I năm 2007 là chỉ báo cho một thời kì bùng nổ. Phải chăng bong bóng đã được hình
thành trong thời điểm này? Tuy nhiên, ngay sau đó, VN-Index lại diễn biến một cách bất thường. Sau khi thiết lập đỉnh, “bong bóng” không vỡ tung ngay, mà trong suốt một khoảng thời gian hơn 6 tháng, VN-Index lao dốc rồi lại tạo đỉnh, liên tiếp 2 lần. Những diễn biến này tạo ra sự hoài nghi về việc: liệu sự tăng điểm trong giai đoạn trước có phải do hoạt động đầu cơ hay thị trường đang điều chỉnh theo các chỉ số kinh tế vĩ mô thuận lợi. Phải nhắc lại là chỉ tính đến hết quý II năm 2007 , tốc độ tăng trưởng của Việt Nam đã là 7,87%, cao nhất trong vòng 5 năm.
Chúng tôi sẽ nhận diện “bong bóng” thông qua các chỉ số thống kê cơ bản đó là độ lệch (skewness) và độ nhọn (leptokurtosis).
Sự lệch âm. (Negative Skewness)
Mô hình bong bóng đầu cơ hợp lí chỉ ra sự hợp lí của việc một nhà đầu tư ở lại trong một thị trường mặc cho sự định giá cao hơn giá trị thưc của nó, tức là không có một cơ hội kinh doanh chênh lệch giá nào nếu có bong bóng hợp lí. Xác suất bong bóng lớn lên phải lớn hơn xác suất bong bóng vỡ. Điều này cho phép những thu nhập nhỏ bất thường có thể bù đắp lại những tổn thất rất lớn khi bong bóng bể (Jirasakuldech và Zorn 2002). Nghĩa là, nếu bong bóng được duy trì, phần tăng thêm của nó là dương, và nhỏ hơn tương đối so với phần thiệt hại khi bong bóng bể, nhưng hiếm khi xảy ra hơn, tức có sự lệch âm.
Độ nhọn. (Leptokurtosis)
Độ nhọn được tạo ra từ sự trộn lẫn trong phân phối xác suất của các phần tăng thêm trong giá. Khi bong bóng được duy trì, những phần thu nhập tăng thêm dương nhỏ sẽ được tạo ra. Chính chúng sẽ làm cho độ biến thiên trong phân phối thu nhập thấp. Ngược lại, khi bong bóng bể, phần thu nhập âm vượt mức là rất lớn sẽ được tạo ra dẫn đến một phương sai cao trong phân phối thu nhập (Blanchard và Watson 1982.)
Tuy nhiên McQueen và Thorley cho rằng, những thuộc tính như tự tương quan, độ lệch, độ nhọn hay thừa nhận về tính dừng và quan hệ tuyến tính của thu nhập không phải là chỉ báo tốt nhất cho bong bóng vì chúng thường có liên hệ với những yếu tố thuộc về giá trị
nội tại. Theo Tauchen và Pitts 1983, độ lệch có thể có nguyên nhân từ việc bất cân xứng trong các tin tức về giá trị nội tại và độ nhọn có thể xuất phát từ các luồng thông tin mới đến. Thêm vào đó, sự lệch và độ nhọn trong phân phối thu nhập cũng có thể bắt nguồn từ những thay đổi về kinh tế chính trị của các yếu tố nội tại. Phần bù rủi ro biến đổi thời gian (Fama và French 1988), sự thích thú nhất thời (Poterba và Summers 1998), kinh doanh không đồng bộ (Lo và Mackinlay 1990a) và ảnh thường tâm lí học thuần túy
(Westrhoff 2003) tất cả đều có thể gây ra hiện tượng tự tương quan dương.
Do đó, chúng tôi kết luận, sử dụng ba thuộc tính trên để chẩn đoán về sự tồn tại của bong
bong cổ phiếu là chưa hoàn toàn thuyết phục, nhưng chúng sẽ là những chỉ báo hữu ích
trong việc “chẩn đoán sơ bộ” về sự tồn tại của bong bóng cổ phiếu trên thị trường.
Với chuỗi số liệu theo tuần và theo tháng, ta có bảng tổng hợp thống kê mô tả dữ liệu:
Tỷ suất thu nhâp Mean 0.206177 Median -0.12411 Maximum 17.6825 Minimum -16.6892 Std. Dev. 4.561462 Skewness 0.149652 Kurtosis 4.688668 Jarque-Bera 53.92168 Probability 0 Sum 90.71777 Sum Sq. Dev. 9134.246 Observations 440
Bảng 3.1: Thống kê mô tả chuỗi số liệu tuần
Nguồn: Tính toán của nhóm nghiên cứu
Tỷ suất thu nhập Mean 0.824707 Median -0.87646 Maximum 30.13219 Minimum -28.3572 Std. Dev. 10.83592 Skewness 0.202052 Kurtosis 3.632354 Jarque-Bera 2.581202 Probability 0.275105 Sum 90.71777 Sum Sq. Dev. 12798.47 Observations 110
Bảng 3.2: Thống kê mô tả chuỗi số liệu tháng
Nguồn: tính toán của nhóm nghiên cứu
Qua bảng hai thống kê mô tả ta có nhận xét: đối với cả chuỗi tỷ suất thu nhập theo tháng và theo tuần, độ lệch đều là dương, phản ánh một tính chất riêng biệt của thị trường chứng khoán Việt Nam, đó là tăng nhanh, nhưng giảm chậm. Ngoài ra độ nhọn của cả hai
chuỗi số liệu đều lớn hơn 3, cho thấy phân phối thu nhập “nhọn” hơn so với phân phối chuẩn,và đây cũng là một chỉ báo cho thấy sự tồn tại của bong bóng cổ phiếu.
3.2 Kết quả kiểm định Duration Dependence (Phụ thuộc thời khoảng)
3.2.1 Nguồn dữ liệu
Gọi rt là tỷ suất thu nhập và cũng là chỉ số phân tích thống kê mẫu. (adsbygoogle = window.adsbygoogle || []).push({});
rt = ln(Pt / Pt-1) x 100
và Pt là mức giá đóng cửa tại thời điểm t.
Theo Campbell, Lo&MacKenlay 1997, biểu diễn tỷ suất thu nhập theo Logarithm tự nhiên sẽ làm cho phương sai của chuỗi thời gian ổn dịnh hơn cũng như kết hợp đưa vào tính chất tăng trưởng theo hàm số mủ của cổ phiếu.
Số liệu nghiên cứu được thu thập là chỉ số VN-Index của Sở giao dịch chứng khoán thành phố Hồ Chí Minh (HOSE). Mặc dù được thành lập từ tháng 7/2000 nhưng chúng tôi chỉ lấy số liệu VN-Index trong giai đoạn từ 01/03/2002 đến 29/04/2011, do bắt đầu từ ngày 1/3/2002 HOSE mới giao dịch 5 ngày một tuần. Hiện nay HOSE được xem như sở giao dịch chứng khoán lớn nhất Việt Nam và VN-Index được xem như một chỉ báo rất quan trọng cho nền kinh tế.
Chỉ số VN-Index được thu thập theo tháng và tuần. Việc sử dụng số liệu theo tuần thay vì theo ngày sẽ làm giảm thiểu độ nhiễu và những thiên lệch tồn tại ở chuỗi dữ liệu ngày
(Lo& MacKinlay,1998). Mặt khác thì theo McQueen và Thorley (1994), thu nhập theo tháng thì ít bị nhiễu hơn thu nhập theo tuần. Hơn thế nữa, Harman và Zuehlke (2004) tìm thấy những bằng chứng cho rằng phương pháp Phụ thuộc thời khoảng nhạy hơn đối với những số liệu về thu nhập bất thường theo tháng, so với số liệu theo tuần. Tuy nhiên, do
HOSE chỉ mới thành lập được hơn 10 năm nên chuỗi số liệu theo tháng là tương đối ngắn. Vì vậy, số liệu về thu nhập theo tuần vẫn được sử dụng. Thêm vào đó, không có chỉ báo nào về sự kéo dài của bong bóng, vì thế sử dụng cả số liệu theo tuần và theo tháng sẽ làm kết quả nghiên cứu thêm phần chắc chắn.
Chuỗi số liệu về mức giá theo tuần được tính dựa theo mức giá đóng của các ngày thứ Tư của mỗi tuần nhằm tránh những hiệu ứng phụ tạo ra bởi 2 ngày quan trọng là thứ Hai và thứ Sáu. Số liệu theo tháng được tính vào ngày 15 mỗi tháng, nếu ngày 15 là ngày nghỉ thì lấy ngày 14 hoặc 16. Tất cả đều có trên www.hsx.vn.
3.2.2 Quy trình kiểm định Duration Dependence
Để thực hiện kiểm định Phụ thuộc thời khoảng, đầu tiên cần phải thu thập các chuỗi thu nhập bất thường âm và dương. Ý tưởng là xây dựng mô hình để mô tả và dự báo tỷ suất thu nhập của VN-Index và sau đó sử dụng phần dư để làm tỷ suất thu nhập bất thường. (theo Zang 2003)
McQueen và Thorley sử dụng mô hình sau để tính thu nhập vượt mức:
Rt = α0 + α1Rt-1 + α2Rt-2 + α3Rt-3 + α4TERM + α5D/Pt-1 + εt
Trong đó:
Rt là tỷ suất thu nhập thực gộp liên tục. Đây chính là tỷ suất thu nhập danh nghĩa của thị trường đã loại bỏ yếu tố lạm phát.
TERM là sai biệt giữa lãi suất dài hạn và ngắn hạn. Trong bài nghiên cứu của họ, sai biệt này là mức chênh lệch trong lãi suất đáo hạn của danh mục trái phiếu doanh nghiệp AAA, và thương phiếu kho bạc Mỹ kì hạn 1 tháng.
D/P là tỷ suất cổ tức được tính bằng cách chia tổng cổ tức trong 12 tháng trước cho giá hiện tại.
Thu nhập bất thường được xác định như là phần dư εt trong phương trình hồi quy.
McQueen và Thorley đưa 2 biến TERM và D/P vào mô hình hồi quy trên do Fama và French 1989 cho rằng 2 biến này thì hữu dụng trong việc xác định và dự báo phần bù rủi ro biến đổi thời gian (time-varying risk premium).
Tuy nhiên, tại thị trường HoSE, rất khó để xác định giá trị hai biến TERM và D/P, do đó chúng tôi đề xuất mô hình hồi quy đơn giản hơn như sau:
Rt = α0 + α1Rt-1 + α2Rt-2 + α3Rt-3 + εt
Trong đó Rt = rt được tính như trong phương trình (1) Kết quả hồi quy cho ta:
Với chuỗi số liệu theo tuần:
RT = 0.2155125685*RT-1 + 0.007834251333*RT-2 + 0.07198751361*RT-3 + 0.152421626 + εt
Với chuỗi số liệu theo tháng:
RT = 0.291319724*RT-1 + 0.1379574155*RT-2 - 0.1578252611*RT-3 + 0.6941236549 + εt
Sau đó, sử dụng các giá trị của Rtđể tính εt . Sau khi tính được giá trị của εt , ta sẽ tính số các chuỗi thu nhập bất thường dương và thu nhập bất thường âm, tức các chuỗi εt dương hay âm liên tiếp, đồng thời tính độ dài i của các chuỗi và tính số lượng các chuỗi có cùng độ dài i. Chuỗi số liệu bây giờ sẽ chuyển thành một tập ST gồm các giá trị là độ dài các chuỗi dương và chuỗi âm.
Tỷ suất rủi ro h(i) đo lường xác suất mà một chuỗi có độ dài i kết thúc. h(i) = Ni / (Ni + Mi)
Trong đó: Ni là số lượng các chuỗi có cùng độ dài i Mi là số lượng các chuỗi có độ dài lớn hơn i
Tỷ suất h(i) giảm theo độ dài của i sẽ cho ta thấy một mối quan hệ âm giữ độ dài chuỗi và xác suất chuỗi đó kết thúc, tức biểu thị tính phụ thuộc thời khoảng âm, hay dấu hiệu của bong bóng tài sản. Tuy nhiên theo McQueen và Thorley thì bong bóng không thể âm, nên về lí thuyết, tỷ số h(i) với các chuỗi âm phải là hằng số.
(13) (adsbygoogle = window.adsbygoogle || []).push({});
Mô hình hàm hợp lí Log-likelihood được định nghĩa như sau:
L = ∑ [ (ℎ ) + (1− ℎ )]
Tỷ suất rủi ro h(i) của mẫu sẽ được xác định bằng cách tối đa hóa hàm hợp lí L
Tương tự như McDonald và cộng sự 1992, McQueen và Thorley 1994, hàm tỷ suất rủi ro Log-logistic được định nghĩa:
hi = ( )
Trong đó β là hệ số ước lượng của độ dài chuỗi. Hàm trên chuyển một khoảng không giới hạn − − ( ) thành một khoảng hẹp hơn (0,1) của hi , tức xác suất mà một chuỗi có độ dài i sẽ kết thúc.
Kiểm định phụ thuộc thời khoảng cho hàm rủi ro logistic sẽ được tạo lập khi ta thế hàm hi
vào phương trình của hàm hợp lí L, đồng thời tối đa hóa giá trị làm L. Giá trị của α và β làm L đạt cực trị sẽ xác định sự tồn tại của bong bóng cổ phiếu.
Trong mô hình kiểm định, ta có:
Giả thiết H0: β = 0 tức không có bong bóng H1: β < 0 tức có bong bóng
Nhìn chung, một ước tính giá trị β < 0 và khác 0 có ý nghĩa cho những chuỗi dương được xem như một bằng chứng cho sự tồn tại của bong bóng cổ phiếu.
(16) (15)
3.2.3 Kết quả kiểm định
Kết quả thống kê và ước lượng giá trị của chuỗi số liệu tuần và số liệu tháng:
Chuỗi dương Chuỗi âm
Chiều dài Số lương
Tỷ suất rủi
ro số lượng Tỷ suất rủi ro
1 65 0.5963 46 0.4259 2 19 0.4318 34 0.5484 3 11 0.44 15 0.5357 4 9 0.6429 5 0.3846 5 1 0.2 1 0.125 6 2 0.5 2 0.2857 7 2 1 2 0.4 8 0 0 2 0.6667 10 0 0 1 1 α 0.2940099910 -0.1582034239 β -0.305446443 -0.02006477400 Tổng cộng 109 108
Bảng 3.3: Kết quả thống kê và ước lượng giá trị β chuỗi số liệu tuần
Chuỗi dương Chuỗi âm
Chiều dài Số lương
Tỷ suất rủi ro số lượng Tỷ suất rủi ro 1 13 0.5 9 0.36 2 8 0.6154 6 0.375 3 2 0.4 7 0.7 4 2 0.6667 1 0.3333 5 1 1 0 0 6 0 0 0 0 7 0 0 1 0.5 8 0 0 1 1 9 0 0 0 0 10 0 0 0 0 α 0.0059171730 -0.5056600061 β 0.3861868653 0.218033505 Tổng cộng 26 25
Bảng 3.4: Kết quả thống kê và ước lượng giá trị β chuỗi số liệu tháng.
Nguồn: tính toán của nhóm nghiên cứu
(Cách tính giá trị của α và β được thực hiện bằng phần mềm Maple 13, xem thêm trong phần phụ lục)
3.2.4 Phân tích và giải thích kết quả
Bảng 4 và bảng 5 trình bày tỷ suất rủi ro, số lượng các chuỗi dương và âm, đồng thời cho biết số lượng của các chuỗi có cùng độ dài. Như đã trình bày ở trên, tỷ suất rủi ro đo lường xác suất mà một chuỗi có độ dài i sẽ kết thúc, ví dụ, đối với chuỗi thu nhập tuần, tỷ suất rủi ro cho chuỗi dương có độ dài i = 2 là 0.4318 tức là có 43,18% một chuỗi thu nhập dương trong 2 tuần liên tiếp sẽ kết thúc. Theo cơ sở lý thuyết trình bày ở trên, đối
với chuỗi dương, khi có bong bóng, hi sẽ giảm theo i, tuy nhiên cả hai bảng số liệu theo tháng là theo tuần để không cho thấy một xu hướng giảm rõ ràng.
Đối với chuối số liệu tháng, β = 0.3861868653>0 tức là không phù hợp với giả thiết về (adsbygoogle = window.adsbygoogle || []).push({});
sự tồn tại của bong bóng.
Tuy nhiên, kết quả của chuỗi số liệu tuần cho ta β = -0.305446443 < 0 , theo kiểm định
Log-logistic thì đủ cơ sở để bác bỏ giả thiết H0 , tức thừa nhận sự tồn tại của bong bóng cổ phiếu đối với chuỗi số liệu tuần.
3.2.5 Hạn chếvà đề xuất cho phương pháp
Hạn chế đầu tiên của kiểm định thể hiện ở chuỗi dữ liệu sử dụng cho kiểm định.
Chuỗi dữ liệu trong hơn 9 năm của HOSE là chưa thực sự đầy đủ cho việc kiểm định. Do tính chất non trẻ của thị trường chứng khoán Việt Nam nói riêng và thị trường tài chính Việt Nam nói chung, việc thu thập đầy đủ số liệu cho mô hình, bao gồm các biến TERM và biến D/P trong việc hồi quy tỷ suất sinh lợi Rt để tính tỷ suất sinh lợi vượt trội εt .
Hạn chế thứ hai nằm trong chính phương pháp Duration Dependence. Phương pháp kiểm định Duration Dependence trong bài nghiên cứu này áp dụng cho mô hình rủi ro rời rạc. Tuy nhiên, theo Sichel (1991), mô hình rủi ro rời rạc là chưa thích hợp khi các thời