3.2.1 Nghiên cứu định lượng
Arbitrage Pricing Theory (APT) - lý thuyết kinh doanh chênh lệch giá được phát triển năm 1976, bởi nhà kinh tế học Stephen Ross. Đây là một lý thuyết tổng quát về định giá tài sản. Với APT, Stephen Ross cho rằng tỷ suất sinh lợi kỳ vọng của tài sản có thể đo lường thông qua các yếu tố thị trường ngành hoặc các yếu tố vĩ mô. Lý thuyết này đang có sức ảnh hưởng lớn dần trong việc định giá tài sản. Mô hình định giá tài sản vốn CAPM và APT là hai lý thuyết phổ biến dùng để định giá tài sản nhưng APT có ít giả định hơn CAPM. Thông qua các hệ số beta thể hiện sự nhạy cảm của giá tài sản đối với sự thay đổi từng yếu tố. Do đó, APT giải thích tốt hơn mô hình trong bài so với CAPM.
Quá trình phân tích gồm ba bước. Bước đầu tiên thống kê số liệu, phân tích giá trị trung bình, độ lệch chuẩn, độ lệch và độ nhiễu của từng biến. Bước thứ hai, thực hiện kiểm định nghiệm đơn vị (tính dừng) trên tất cả các chuỗi dữ liệu bằng kiểm định ADF đưa ra bởi Dickey và Fuller (1979) và kiểm định Philips and Perron (1988). Sau khi xem xét tính dừng, ta sử dụng mô hình OLS ước tính mối quan hệ giữa giá các cổ phiếu ngân hàng và các nhân tố kinh tế. Nội dung các phương pháp được trình bày sau đây:
a. về mô hình OLS
Bài luận tìm hiểu ảnh hưởng của năm nhân tố vĩ mô tới giá cổ phiếu các Ngân hàng phù hợp với mô hình hồi quy đa biến. Năm 2011, Kasman, Vardar và Tunc đã ước tính mối quan hệ giữa biến động tỷ giá ngoại hối, lãi suất và biến động giá cổ phiếu Ngân hàng tại Thổ Nhĩ Kỳ bằng mô hình OLS. Mô hình hồi quy OLS (Ordinary Least Square) - Ước lượng bình phương thông thường nhỏ nhất. OLS là phương pháp được sử dụng phổ biến để ước lượng mô hình hồi quy tuyến tính, từ đó xác định mối quan hệ phụ thuộc dạng tuyến tính giữa một biến phụ thuộc dạng liên tục với một (hồi quy tuyến tính giản đơn) hoặc nhiều biến giải thích (hồi quy tuyến tính đa biến). Nhà
toán học người Đức Carl Friedrich Gaus là người đưa ra phương pháp bình phương nhỏ nhất. Vấn đề đặt ra của phương pháp này là làm sao cho tổng bình phương các phần dư nhỏ nhất.
Rt = βo + βι CPItI + β2 EXt2 + β3 IPIt3 +β4 IRt4 +β5 VN-Indext5 + Pt
Trong đó:
Rt - giá cổ phiếu ngân hàng tại thời điểm t
β0 - hệ số chặn (cho biết giá trị của R khi các biến độc lập = 0)
β∣... β6 - hệ số góc (cho biết khi biến độc lập tăng thêm một đơn vị thì giá trị trung bình của R tăng thêm tương ứng bao nhiêu đơn vị)
CPIt - chỉ số giá tiêu dùng thời điểm t EXt - tỷ giá Đô la Mỹ tại thời điểm t
IPIt - chỉ số sản xuất công nghiệp tại thời điểm t IRt - lãi suất tại thời điểm t
VN-Indext - chỉ số biến động giá chứng khoán Việt Nam tại thời điểm t P - sai số ngẫu nhiên
Sau khi lập được mô hình, chạy mô hình OLS trên phần mềm Eview để xác định nhân tố nào tác động tới biến phụ thuộc lần lượt là giá sáu cổ phiếu ngân hàng được lựa chọn.
Bollerslev, Engle, Nelson 1990 đã sử dụng mô hình ARCH phân tích chuỗi thời gian tài chính để kiểm định hiện tượng tự tương quan chuỗi hay phương sai sai số thay đổi. Mô hình ARCH được Engle giới thiệu vào năm 1982, đang được sử dụng rộng rãi để phân tích và dự báo biến động giá chứng khoán. Vì vậy, tác giả chọn sử dụng ARCH để kiểm định cho mô hình OLS lập bên trên.
b. Kiểm định tính dừng
Kiểm định tính dừng là một kiểm định được sử dụng khá phổ biến để kiểm định một chuỗi thời gian là dừng hay không dừng. Theo Ramanathan (2002) hầu hết các chuỗi thời gian về kinh tế là không dừng vì các chuỗi này thường có một xu hướng tuyến tính hoặc mũ theo thời gian. Theo Gujarati (2003) một chuỗi thời gian là dừng khi giá trị trung bình, hiệp phương sai và phương sai (tại các độ trễ khác nhau) không thay đổi tại bất kỳ thời điểm nào. Xu hướng của chuỗi dừng là trở về giá trị trung bình và những biến động tăng giảm quanh giá trị trung bình được lặp lại giống nhau. Ngược lại, một chuỗi không dừng sẽ có giá trị trung bình thay đổi theo thời gian, hoặc giá trị phương sai thay đổi theo thời gian thậm chí là cả hai.
Nếu một chuỗi không dừng, chúng ta có thể nghiên cứu hành vi của nó chỉ cho riêng giai đoạn đang xem xét, ví dụ tỷ giá USD/VND giai đoạn 1/1/2010 đến 31/12/2015. Vì vậy, kết quả một giai đoạn này không thể tương đồng với kết quả phân tích của các giai đoạn khác. Các hồi quy chuỗi không dừng sẽ làm cho kết quả trở nên vô nghĩa hoặc không hợp lệ và cần được xử lý đặc biệt. Kiểm tra tính dừng có vai trò quan trọng trong dữ liệu chuỗi thời gian và để tránh vấn đề hồi quy sẽ vi phạm giả định của Mô hình hồi quy cổ điển (CRM - Classical Regression Model).
Vì các lý do vừa được nói ở trên, nên chúng ta cần xem xét một chuỗi có dừng hay không dừng. Phương pháp kiểm định được dùng trong bài sẽ được trình bày phần tiếp theo đây.
- Kiểm định ADF
Dickey và Fuller (1981) đã đưa ra kiểm định Dickey và Fuller mở rộng (ADF). Tác giả sử dụng kiểm định ADF để thực hiện kiểm định nghiệm đơn vị nên chỉ tập trung vào lý thuyết của mô hình này. Cụ thể, mô hình kiểm định nghiệm đơn vị ADF có dạng:
Kiểm định PP
Thử nghiệm Philip và Perron (PP) (Philip & Perron, 1988) sử dụng các phương pháp thống kê không theo tỷ lệ để xử lý mối tương quan nối tiếp trong các sai sót mà không cần thêm các nhiễu sai phân. Một lợi thế của kiểm định PP là các kiểm định PP khoái quát hoá các giả định về phân bố lỗi, ít hạn chế hơn so với kiểm định ADF. Một ưu điểm khác là người dùng không cần thiết chỉ định độ trễ cho mô hình hồi quy.
Trong khi kết quả của kiểm định ADF thường rất nhạy cảm với sự lựa chọn chiều dài độ trễ.
Mô hình kiểm định nghiệm đơn vị PP có dạng:
ΔYt = α + π 2t _ 1 + φ(t - ɪ) + ∑L 1 φi(AY t _ i) + ε2t
Trong cả hai mô hình kiểm định ADF và PP:
AYt = Yt - Yt-1
Yt - chuỗi số liệu theo thời gian tại thời điểm t m - chiều dài độ trễ
εt và ε2t - nhiễu trắng
- Giả thuyết kiểm định:
H0: β = 0 (Yt là chuỗi dữ liệu không dừng) H1: β < 0 (Yt là chuỗi dữ liệu dừng)
Chấp nhận giả thuyết H0 dữ liệu không có tính dừng nếu giá trị tuyệt đối của τ - statistic của biến được kiểm định nhỏ hơn trị tuyệt đối giá τ - statistic tại các mức ý nghĩa 1%, 5% và 10%; giả thuyết H0 sẽ bị bác bỏ trong trường hợp ngược lại, tức chuỗi dữ liệu có tính dừng.
c. Kiểm định tính phù hợp của mô hình
Tác giả tiến hành các kiểm định để xác định kết quả của mô hình là có ý nghĩa. Các kiểm định bao gồm: phân tích hiệp phương sai, kiểm định Breusch-Godfrey (BG), kiểm định ARCH, kiểm định Ramsey RESET và kiểm định Jacque-Bera (JB). Tương ứng với năm sai sót có thể xuất hiện trong mô hình lần lượt là hiện tượng đa cộng tuyến, tự tương quan, phương sai sai số thay đổi (heteroscedasticity), kiểm định các biến bỏ sót và kiểm định tính phân phối chuẩn của sai số ngẫn nhiên.
- Hệ số phóng đại phương sai VIF.
Thứ nhất, phân tích hiệp phương sai để phát hiện ra hiện tượng đa cộng tuyến:
Nếu VIF (variance inflation factor) > 5 thì có dấu hiệu đa cộng tuyến. Nếu VIF > 10 chắc chắn có đa cộng tuyến. Ngược lại nếu VIF <5 mô hình không có đa cộng tuyến giữa các biến độc lập.
- Kiểm định Breusch-Godfrey (BG) là phương pháp kiểm định hiện tượng tự
tương quan chuỗi bậc p (với p ≥ 1) với cặp giả thiết:
H0: Không có tự tương quan H1: Có tự tương quan
Bác bỏ giả thiết H0 khi Prob của Chi-square nhỏ hơn 0.05, mô hình có hiện tượng tự tương quan. Ngược lại không có sơ sở bác bỏ giả thiết H0.
- Kiểm định Autoregressive Conditional Heteroscedasticity (ARCH), kiểm định này được dùng để biết được liệu phương sai sai số có thay đổi hay không. Kiểm định cặp giả thiết:
H0: Phương sai sai số không thay đổi H1: Phương sai sai số có thay đổi
Bác bỏ H0 nếu Prob của F-Statistic nhỏ hơn 0.05, mô hình có phương sai sai số thay đổi; ngược lại chấp nhận H0, phương sai sai số của mô hình không thay đổi.
- Kiểm định bỏ sót biến bằng kiểm định Ramsey với cặp giả định: H0: Mô hình không bỏ sót biến
H1: Mô hình bỏ sót biến
Tương tự, bác bỏ H0 nếu Prob của F-Statistic nhỏ hơn 0.05, mô hình có phương sai sai số thay đổi; ngược lại chấp nhận H0, phương sai sai số của mô hình không thay đổi.
- Kiểm định Jarque-Bera (JB) là một loại kiểm định xem thử dữ liệu có đạt quy luật phân phối chuẩn hay không. Nếu đảm bảo quy luật phân phối chuẩn (N(m,e)) thì độ tin cậy của bộ dữ liệu sẽ cao hơn, các kết quả tính toán theo các công thức thống kê sẽ tốt hơn. Kiểm định JB sẽ xem xét hệ số bất đối xứng S (skewness = 0 là đối xứng, nếu > 0 hoặc < 0 là lệch phải, lệch trái) và hệ số nhọn K (kurtosis = 3 là cân, > 3 hoặc < 3 là tù hay nhọn). Cặp giả thuyết với mức ý nghĩa 5% . Công thức tính:
m__ Fs 2 -I- (κ~3 )2
JB = n — + ———Ló 24 J Ta có các giả thiết:
H0: Phân phối chuẩn (S = 0, K = 0)
H1: Phân phối không chuẩn (S ≠ 0, K ≠ 0)
Đối với một biến phân phối thông thường, S = 0 và K = 3. Trong trường hợp đó, giá trị của thống kê JB được dự kiến là 0. Bác bỏ H0 nếu JB lớn hơn Chi-square, sai số ngẫu nhiên không có phân phối chuẩn; ngược lại chấp nhận H0, sai số ngẫu nhiên có phân phối chuẩn. Theo giáo trình Kinh tế lượng, Học viện Tài chính, 2004.
Mean Max Min SJ Skewness Kurtosis Jarque-Berra ACB 24,7673 49,918 14,777 9,24767 1,054512 3,161238 22,36991 CTG 21,42697 39,389 14,044 5,280257 1,108563 3,986444 27,72604 EIB 14,32916 25,301 9,442 3,170961 1,387405 5,201109 57,49538 SHB 10,19183 8,1825 4,708 6,25916 2,349358 8,078257 231,3554 STB 17,14678 37,809 7,825 5,636613 1,180836 5,088049 49,68724 VCB 38,18148 71,812 21,099 11,35819 0,819543 2,978966 12,76347 CPI 1,18507 1,111425 0,9036 0,185801 0,170086 1,545251 11,16006 EX 21044,41 23318,09 17273,34 1592,352 ■0,773875 2,817855 12,14353 IPI 1,562225 2,672 0,89 0,352792 1,281206 4,860285 50,13305 IR 0,08025 0,15 0,0625 0,025143 1,691669 4,635825 70,61452 VNindex 581,6733 1146,14 262,04 186,6889 1,210921 4,061563 34,96118 3.3. Tổng kết phần 3
Trong phần ba, tác giả đã tiến hành thu thập dữ liệu, sau đó sử dụng phương pháp định lượng để phân tích. Các mô hình được tiến hành hồi quy và kiểm định các giả thiết xảy ra sai sót như đã trình bày ở trên bằng phần mềm Eview 10. Đến với phần bốn sau đây sẽ bàn luận về các kết quả nhận được này.
Phần 4: Đánh giá tác động các nhân tố vĩ mô tới giá cổ phiếu ngân hàng tại Việt Nam
Trong phần 4, tác giả trình bày kết quả thống kê mô tả và kết quả mô hình hồi quy, tìm ra yếu tố vĩ mô tác động tới biến động giá cổ phiếu sáu ngân hàng tại Việt Nam. Thứ hai, đưa ra kiểm định nghiệm đơn vị cho các nhân tố bằng kiểm định ADF và PP. Thứ ba, tính toán mức độ tác động các yếu tố vĩ mô ảnh hưởng tới giá cố phiếu từng ngân hàng trong mô hình OLS và các kiểm định. Cuối cùng là phân tích kết quả thu được ở các phần trên.
4.1 Thống kê mô tả
Các dữ liệu được thống kê mô tả các đặc tính cơ bản. Tất cả dữ liệu được phân tích theo: giá trị trung bình (mean), độ lệch chuẩn (Std. Dev), hệ số bất đối xứng (Skewness), hệ số nhọn (Kurtosis), hệ số Jarque-Bera (Jarque-Bera). Kết quả thu được trong bảng 4.1.
Chuỗi dữ liệu gốc
Số liệu thống kê mô tả của dữ liệu sáu Ngân hàng cho thấy tất cả các phân phối là không cân xứng và đều có độ lệch dương (positive skewness) đáng kể S > 0,5. Có nghĩa là số yếu vị (mode) nhỏ hơn số trung vị (median), và số trung vị (median) lại nhỏ hơn số bình quân (mean). Giá trị tuyệt đối của hệ số bất đối xứng Skewness càng cao thì phân phối đó càng bất đối xứng. Ngân hàng SHB có giá trị hệ số Skewness cao nhất nên phân phối lệch dương nhiều nhất.
Phân phối chuẩn có Kurtosis = 3. Ngoại trừ VCB, các ngân hàng đều có giá trị hệ số nhọn Kurtosis lớn hơn 3. Khi đó, Excess Kurtosis = Kurtosis - 3 mang giá trị dương được gọi là phân phối Leptokurtic, hay phân phối có đuôi “béo” hơn phân phối chuẩn (fatter tail). Ngược lại, VCB có giá trị Excess Kurtosis nhỏ hơn 0 nên gọi là phân phối Platykurtic, hay phân phối có đuôi “mỏng” hơn phân phối chuẩn.
Tương tự đối với năm nhân tố vĩ mô, phân phối của tỷ giá (EX) có độ lệch âm. Có nghĩa là số yếu vị (mode) lớn hơn số trung vị (median), và số trung vị (median) lại lớn hơn số bình quân (mean). Bốn nhân tố còn lại là CPI, IPI, IR, VN-Index đều có phân phối lệch dương. IR là nhân tố có phân phối lệch dương nhiều nhất. IPI, IR, VN- Index có giá trị hệ số Kurtosis lớn hơn 3, tương ứng phân phối Leptokurtic. Hai nhân tố còn lại có phân phối Platykurtic.
Nhìn chung, các giá trị hệ số bất đối xứng Skewness và hệ số nhọn Kurtosis đều không sai khác quá lớn so với phân phối chuẩn. Do đó, mô hình hoá các phân phối này sẽ có kết quả không bị sai khác nghiêm trọng.
Theo kết quả kiểm định Jarque-Bera thu được trên bảng 4.1 tất cả các mã chứng khoán ngân hàng và các nhân tố đều có phân phối chưa chuẩn (P-value < 0,05).
4.2 Kiểm định nghiệm đơn vị
Tiến hành kiểm định Augmented DickyFulley (ADF) và kiểm định Phillips- Perron (PP) trên tất cả các biến phụ thuộc và độc lập trong nghiên cứu để kiểm định tính dừng của chuỗi số liệu. Giả thiết H0 của hai kiểm định là chuỗi dữ liệu không dừng. Kết quả thu được trình bày trong bảng 4.2 và 4.3.
ADF PP
Chuỗi không có
xu thế Chuỗi có xu thế Chuỗi không cóxu thế Chuỗi có xu thế
ACB -1,851507 -1,829141 -1,790078 -1,695752 CTG -3,637548** -3,43225* 3,589992***- -3,204555* EIB 3,764828***- -3,052682 3,737474***- -3,079063 SHB 6,572838***- 5,191157***- -1,863145 -1,846304 STB -2,609806* -3,957607** -2,131437 -2,98093 VCB -2,190912 -3,266831* -1,621388 -2,321144 CPI -1,689171 -1,470628 -1,713078 -1,472321 EX -2,602846* -2,478947 -2,355033 -2,190444 IPI -3,13835** -3,132555 -3,13835** -3,132555 IR -2,057824 -3,059233 -1,553899 -1,838866 VN-Index -0,675114 -1,714032 -0,82748 -1,714032
Nguồn: Kết quả kiểm định bằng phần mềm Eview 10.
Sai phân bậc 1 ADF PP Chuỗi không có xu thế Chuỗi có xu thế Chuỗi không có xu thế Chuỗi có xu thế ACB 7,565706***- 7,537897***- 7,669862***- -7,639706*** CTG 7,863639***- 7,944275***- 7,554494***- -8,137684*** EIB 9,091296***- 9,334237***- 9,069889***- -9,280971***
Theo bảng 4.2, với kiểm định ADF trên chuỗi dữ liệu gốc (the level). Ket quả cho thấy rằng ACB là chuỗi có nghiệm đơn vị, tức là chuỗi không dừng (P-value > 0,05) trong cả hai trường hợp chuỗi không có xu the (without trend) và chuỗi có xu the (with trend). Giá cổ phiếu CTG, SHB và STB đều là chuỗi có nghiệm đơn vị (P-value < 0,05) trong cả hai trường hợp. Chuỗi dữ liệu gốc không xu thế của cổ phiếu VCB là chuỗi không dừng và khi chuỗi có xu thế, đây lại là chuỗi có xu thế dừng. Ngược lại, giá cổ phiếu EIB là chuỗi không xu thế dừng, nhưng lại là chuỗi có xu thế không dừng. Trong nhóm nhân tố vĩ mô, hai chuỗi dữ liệu EX, IPI giống chuỗi giá cổ phiếu EIB thể