Khi giá trị sản lượng công nghiệp có mức tăng trưởng, điều này cho thấy nền kinh tế đang trong giai đoạn phát triển và các công ty làm ăn hiệu quả, có lãi, gia tăng lợi nhuận cho các cổ đông. Khi đó làm cho chứng khoán của công ty sẽ trở nên hấp dẫn hơn và giá cổ phiếu của các công ty cũng như chỉ số giá cổ phiếu trên TTCK cũng sẽ tăng lên.
Giả thuyết: Chỉ số sản xuất công nghiệp có tác động tỷ lệ thuận (+) đến giá cổ phiếu trên TTCK.
1.3.9 Chỉ số thị trường mới nổi MSCI
Chỉ số thị trường mới nổi của MSCI là viết tắt của Morgan Stanley Capital
International (MSCI) và là một chỉ số được sử dụng để đo lường hiệu suất thị trường vốn tại các thị trường mới nổi toàn cầu. Nó là một chỉ số được tạo bởi MSCI, công ty
đã xây dựng và duy trì chúng từ cuối những năm 1960.
Theo tờ thông tin của mình, chỉ số thị trường mới nổi của MSCI nắm bắt được mức
số này là chỉ số vốn hóa thị trường thả nổi có điều chỉnh và chiếm 13% vốn hóa thị trường toàn cầu.
Chỉ số thị trường mới nổi của MSCI bao gồm 26 nền kinh tế đang phát triển bao gồm
Argentina, Brazil, Chile, Trung Quốc, Colombia, Cộng hòa Séc, Ai Cập, Hy Lạp, Hungary, Ản Độ, Indonesia, Hàn Quốc, Malaysia, Mexico, Pakistan, Peru, Philippines, Ba Lan, Qatar, Nga, Ả Rập Saudi, Nam Phi, Đài Loan, Thái Lan, Thổ Nhĩ Kỳ và Các tiểu vương quốc Ả Rập thống nhất.
Kể từ khi thành lập vào năm 1988, chỉ số thị trường mới nổi củaMSCI đã tăng
trưởng
một cách đáng kể. Những gì trước kia chỉ là 10 quốc gia được đại diện bởi ít hơn 1% vốn hóa thị trường giờ đã tăng lên gấp 10 lần. Do những thành công mà nó đạt được, MSCI thường được sử dụng làm chuẩn mực hiệu suất cho các quĩ tương hỗ và tăng trưởng thị trường.
Tính đến tháng 6 năm 2019, lợi nhuận một năm của quĩ cho các NĐT là 1.21%, trong
khi lợi nhuận 10 năm của NĐT này đã thu về là 5.81%. Lợi nhuận này thấp hơn đáng
kể so với MSCI ACWI và MSCI World Indexes, cả hai chỉ số này đều cho lợi nhuận một năm là 5.74% và 6.33% và lợi nhuận 10 năm của họ là 10.15% và 10.72%. NĐT có thể đầu tư trực tiếp vào chỉ số. Một số cổ phiếu của quĩ hoán đổi danh mục thị trường mới nổi (ETF) của MSCI sở hữu một số chứng khoán và nắm giữ khoảng 90% chỉ số có sẵn trên iShares.
Do những rủi ro chính trị và tiền tệ vốn có, các thị trường mới nổi được coi là một khoản đầu tư rủi ro. Các NĐT chuyển sang các thị trường mới nổi nên được chuẩn bị để nhận được lợi nhuận không ổn định.
Trong khi những lợi nhuận này có thể là đáng kể nhưng khả năng xuất hiện các khoản
lỗ còn có thể lớn hơn thế. Các thị trường mới nổi cho phép sự đa dạng trong danh mục đầu tư của NĐT, vì chúng ít xuất hiện trong các thị trường phát triển. Điều này có thể làm giảm các rủi ro ngoài tầm với liên quan đến chúng.
1.4 Mô hình nghiên cứu
1.4.1 Cơ sở lí luận về mô hình nghiên cứu
Nghiên cứu sẽ tiếp cận phương pháp của Johansen và Juselius (1990) để kiểm định đồng tích hợp và ước lượng mô hình vectơ hiệu chỉnh sai số VECM cho việc kiểm tra sự ảnh hưởng của các biến kinh tế vĩ mô đến giá cổ phiếu trên TTCK Việt Nam trong ngắn hạn và dài hạn.
Mô hình này có ưu điểm hơn so với các mô hình trước đó không chỉ là vì các đặc tính của số liệu được kiểm định kỹ lưỡng trước khi lựa chọn kỹ thuật ước tính thích hợp mà cấu trúc trễ được chọn lựa trên cơ sở dữ liệu tạo ra quá trình vận động cho các biến kinh tế giữa ngắn hạn và dài hạn. Do vậy mà kết quả ước lượng theo mô hình VECM cho ta thông tin về các đặc tính không chỉ trong ngắn hạn mà cả trong dài hạn. Hơn nữa, mô hình này còn tránh được một số lỗi của phương pháp OLS thông thường như hồi quy giả mạo hay hiện tượng tự tương quan của mô hình OLS.
1.4.2 Cơ sở lí luận về phương pháp nghiên cứu
Chuỗi thời gian
Khái niệm
Chuỗi thời gian là một chuỗi các điểm dữ liệu của một biến được đo lường, quan sát, thu thập theo từng mốc thời gian liền nhau với một tần suất thời gian thống nhất như theo năm, theo quý, theo tháng, theo ngày, theo tuần. Một chuỗi thời gian gồm dãy các giá trị quan sát X được ký hiệu: {X1, X2, X3.. .Xt-1, Xt} với X1 là giá trị quan sát tại thời điểm đầu tiên và Xt là giá trị quan sát tại thời điểm cuối cùng. Đặc biệt số liệu chuỗi thời gian phải được sắp xếp theo một trình tự thời gian nhất định, trong đó quan sát xảy ra sau luôn được xếp ngay sau quan sát xảy ra trước nó tức là Xt luôn được xếp ngay sau Xt-1.
Thông thường, dữ liệu tài chính được thu thập dưới dạng chuỗi thời gian với số lượng quan sát lớn, được ghi nhận trong thời gian dài để tiến hành phân
Trong phân tích hồi quy liên quan đến chuỗi dữ liệu thời gian có một khái niệm quan trong là “biến trễ”. Mô hình hồi quy không chỉ bao gồm giá trị hiện tại mà còn có giá trị quá khứ (giá trị trễ). Mô hình hồi quy có chứa biến giải thích (biến
X) là biến trễ, được gọi là mô hình phân phối trễ, còn mô hình chứa biến phụ thuộc ở vế phải phương trình (biến Y) là biến trễ thì được goi là mô hình tự hồi quy. Mô hình có độ trễ càng cao thì càng dễ mất nhiều quan sát, đây là yếu tố cần chú ý khi lựa chọn mô hình.
Các thành phần của một chuỗi thời gian
Tính tự tương quan: chuỗi các quan sát trong số liệu chéo thường được xem như là độc lập với nhau và do đó không tương quan với nhau, tuy nhiên với số liệu chuỗi thời gian, ta thường thấy chúng có tính tự tương quan: corr (Xt, Xt-k) thường khác 0.
Thành phần xu hướng (trend): một chuỗi thời gian được xem là có tính xu hướng khi các quan sát Xt của nó thể hiện sự tăng lên hay giảm xuống theo thời gian trong một khoảng thời gian đủ dài. về mặt đồ thị, tính xu hướng của chuỗi thời gian có thể được biểu diễn dưới dạng một đường thẳng hoặc đường cong trơn. Ví dụ như tốc độ tăng dân số của Việt Nam có xu hướng giảm, tỷ trọng nông nghiệp trong GDP của Việt Nam có xu hướng giảm, mức giá có xu hướng tăng.
Thành phần mùa vụ (seasonal): là sự thay đổi lặp đi lặp lại tính theo mùa trong năm. Thành phần này có tính ngắn hạn với chu kỳ lặp lại thường là một năm xảy ra do khí hậu, ngày lễ, phong tục tập quán. Ví dụ như lượng khách du lịch thường tăng mạnh vào mùa hè, giá hàng hóa, thực phẩm thường cao vào dịp lễ Tết.
Hình 1-2: Xu hướng và thời vụ
Ngu ồn: Problem set 7, Analytic method for Policy Making, Chương trình Giả ng d ạy Kinh tế
Fulbright Việt Nam 2000.
Thành phần chu kỳ (cyclical): là sự tăng lên hay giảm xuống của các quan sát chuỗi dữ liệu trong khoảng thời gian dài (thường là từ 2 - 10 năm). Thành phần chu kỳ thường có dao động dạng sóng xung quanh trục xu hướng. Ví dụ như chu kỳ kinh tế tăng trưởng, suy thoái, hồi phục.
Thành phần ngẫu nhiên (irregular): là những thay đổi bất thường của chuỗi thời gian xảy ra trong thời gian ngắn và không tuân theo quy luật vận động nào. Các nguyên nhân gây ra biến động ngẫu nhiên có thể là thời tiết bất thường, chiến tranh, khủng hoảng năng lượng, biến động chính trị.
Hình 1-3Chu kỳ và ngẫu nhiên - Tăng trưởng kinh tế của Hoa Kỳ 1961-1999
Nguồn: World Development Indicator CD - Rom 2000, World Bank
Tính dừng của chuỗi thời gian
Khái niệm
Dữ liệu của chuỗi thời gian có thể xem là được tạo ra nhờ một quá trình ngẫu nhiên và tập hợp dữ liệu cụ thể có thể coi là một kết quả cá biệt hay một mẫu của quá trình ngẫu nhiên đó. Nếu xem quá trình ngẫu nhiên là một tổng thể và sử dụng dữ liệu mẫu để suy ra các ước lượng về một tập hợp, thì đối với chuỗi thời gian, chúng ta cũng có thể dùng kết quả để suy ra các ước lượng về quá trình ngẫu nhiên.
Một cách tổng quát, theo Gujarati (2003), một chuỗi thời gian được coi là dừng nếu kì vọng và phương sai không đổi theo thời gian và giá trị hiệp phương sai giữa hai thời đoạn chỉ phụ thuộc vào khoảng cách và độ trễ về thời gian giữa hai thời đoạn này chứ không phụ thuộc vào thời điểm thực tế mà hiệp phương sai được tính.
Kì vọng không đổi: E (Xt) = = const
Phương sai không đổi: Var (Xt) = E (Xt - )2 = σ2 = const Hiệp phương sai không phụ thuộc vào thời điểm tính toán: Cov Q t, Xt-k) = E [(Xt - ■■ í) (Xt-k - >•)] = ρk = const với mọi t
Neu một trong ba điều kiện trên không được thỏa mãn thì chuỗi thời gian đó được xem là chuỗi không dừng.
Hậu quả của chuỗi không dừng
Nếu một chuỗi thời gian không dừng áp dụng vào mô hình hồi quy cổ điển thì giả định về yếu tố ngẫu nhiên có kì vọng bằng không, phương sai không đổi và không tồn tại tự tương quan sẽ bị vi phạm. Khi đó, kiểm định t, F sẽ không còn hiệu quả và ước lượng hay dự báo cho chuỗi thời gian đó sẽ không còn chính xác hay nói cách khác phương pháp OLS không áp dụng cho các chuỗi không dừng.
Điển hình là hiện tượng hồi quy giả mạo. Nếu mô hình tồn tại ít nhất một biến độc lập có cùng xu thế với biến phụ thuộc, khi ước lượng mô hình ta có thể thu được các hệ số có ý nghĩa thống kê và hệ số xác định R2 rất cao. Nhưng điều này có thể chỉ là giả mạo, R2 cao có thể là do hai biến này có cùng xu thế chứ không phải do chúng tương quan chặt chẽ với nhau.
Trong thực tế, phần lớn các chuỗi thời gian đều là chuỗi không dừng, kết hợp với những hậu quả trình bày trên cho thấy tầm quan trọng của việc xác định chuỗi thời gian có tính dừng hay không.
Biến đổi chuỗi không dừng thành chuỗi dừng
Để biến đổi một chuỗi thời gian không dừng thành chuỗi thời gian dừng, ta lấy sai phân bậc d của nó với d = {1,2,.. .n}. Nếu sau phân bậc 1 của chuỗi Xt chưa dừng thì tiếp tục lấy sai phân các bậc tiếp theo cho đến khi thỏa mãn điều kiện dừng. Nghiên cứu đã chứng minh luôn tồn tại một giá trị d xác định để sai phân
bậc d của Xt là chuỗi dừng. Khi đó Xt được gọi là liên kết bậc d, kí hiệu I(d). Cách lấy sai phân bậc d như sau:
- Sai phân bậc 1: D (Xt) = Xt - Xt-1
- Sai phân bậc 2: D (D(Xt)) = (Xt - Xt-1) - (Xt-1 - Xt-2)
- ...
- Sai phân bậc d: D (Dd-1 (Xt))
Nhiễu trắng (white noise error term)
Giả sử ta có phương trình Xt = Xt -1 + Ut
Nhiễu trắng là một thuật chữ khoa học chỉ yếu tố ngẫu nhiên Ut. Nếu Ut đáp ứng đầy đủ các giả thuyết của mô hình hồi quy tuyến tính cổ điển (OLS), tức thỏa mãn đồng thời cả 3 yếu tố kỳ vọng bằng không, phương sai không đổi và hiệp phương sai giữa chúng bằng không thì ut được gọi là nhiễu trắng hay chuỗi sai số ut có tính dừng.
Khi hồi quy với chuỗi thời gian có tính dừng hay sai số ut là nhiễu trắng thì cho ta các thống kê có độ tin cậy cao, miễn là mẫu quan sát đủ lớn. Nếu ut còn tồn tại tự tương quan nghĩa là còn có những thông tin ẩn trong ut mà ta có thể khai thác để cải thiện mô hình hồi quy.
Một số khái niệm liên quan đến mô hình vectơ hiệu chỉnh sai số VECM
Bậc tích hợp
Trước khi đi vào ước lượng mô hình vectơ hiệu chỉnh sai số, cần phải xác định bậc tích hợp của các biến được xem xét đưa vào mô hình. Chỉ có những biến có cùng bậc tích hợp mới có thể có đồng tích hợp và khi có sự tồn tại của đồng tích hợp mới hàm ý rằng có cơ sở vững chắc cho việc vận dụng mô hình hiệu chỉnh sai số. Chuỗi Xt không dừng, sai phân bậc d-1 của Xt không dừng, nhưng sai phân bậc d dừng, khi đó Xt được gọi là tích hợp bậc d, ký hiệu I (d). Nếu d = 0, chuỗi ban đầu là chuỗi dừng.
Đồng tích hợp
Đồng tích hợp là khái niệm cơ bản của kinh tế lượng hiện đại và mô hình hóa tài chính, phân tích chuỗi. Theo Engle & Granger (1987), khi xét mô hình có nhiều
biến số theo thời gian, sẽ có nhiều trường hợp, mặc dù các biến số đều không dừng, nhưng khi hồi quy hay tổ hợp tuyến tính các biến này thì vẫn có nhiễu trắng. Trong trường hợp này mô hình vẫn có thể ước lượng được mà không bị hiện tượng hồi quy giả mạo. Nói cách khác, nếu sự kết hợp tuyến tính của các chuỗi thời gian không dừng tạo thành chuỗi dừng thì các chuỗi thời gian không dừng đó có tính đồng liên kết và các kiểm định t, F vẫn có ý nghĩa thống kê.
Có nhiều phương pháp thường dùng để kiểm định mối quan hệ đồng tích hợp như kiểm định Engle - Granger, kiểm định CRDW. Nhưng phổ biến nhất vẫn là phương pháp của Johansen & Juselius gồm kiểm định Trace và kiểm định Max - Eigen.
Mô hình Vectơ hiệu chỉnh sai số VECM
Khi hồi quy mô hình với các biến là chuỗi thời gian thì yêu cầu đặt ra là các chuỗi này phải dừng. Trong trường hợp chuỗi chưa dừng thì ta phải lấy sai phân của chúng cho đến khi có được chuỗi dừng. Tuy nhiên, khi mà ta hồi quy các giá trị sau khi đã lấy sai phân có thể sẽ bỏ sót những thông tin dài hạn trong mối quan hệ giữa các biến. Chính vì thế khi hồi quy những mô hình đã lấy sai phân phải có thêm phần dư E.
Ví dụ đối với mô hình hai biến X1, X2, ta có:
∆X1tt= β1 + β2 ∆X2 + β3 Et-1 + εt
Số hạng β3 Et-1 chính là phần mất cân bằng. Mô hình ước lượng sự phụ thuộc của mức thay đổi X1 vào mức thay đổi của X2 và mức mất cân bằng ở thời kỳ trước. Mô hình trên được gọi là mô hình hiệu chỉnh sai số ECM (Error Correction Model).
Mô hình vectơ hiệu chỉnh sai số VECM (Vectơ Error Correction Model) là một dạng của mô hình VAR tổng quát, được sử dụng trong trường hợp chuỗi dữ liệu là không dừng và chứa đựng mối quan hệ đồng tích hợp.
Mô hình VECM tổng quát có dạng:
∆Xt= Π Xt-1 + Cl AXt-1 + C2Xt-2 +. + Cρ-1+A1Xt-ρ+1 + εt
Trong đó:
- Π = - (I - Al - A2 - A- ... Aρ)
- Cj = - ∑ '∙∙∙^∙∙ζ' ; I = 1,2,. ρ-1
Lưu ý rằng để chạy được mô hình VECM, dữ liệu phải dừng và giữa các biến có tồn tại mối quan hệ đồng tích hợp (mối tương quan dài hạn) với nhau. Điều này đồng nghĩa với việc thực hiện đồng thời kiểm định tính dừng và kiểm định đồng tích hợp trước khi thực hiện mô hình VECM.
Phương pháp ước lượng mô hình vectơ hiệu chỉnh sai số VECM
Kiểm định tính dừng của chuỗi thời gian — kiểm định nghiệm đơn vị
Tính dừng của chuỗi thời gian có thể được nhận biết dựa trên đồ thị của chuỗi thời gian, đồ thị hàm tự tương quan mẫu hay kiểm định Dickey-Fuller (kiểm định nghiệm đơn vị). Nếu đồ thị Y = f(t) của chuỗi thời gian cho thấy trung bình và phương sai của quá trình Yt không đổi theo thời gian, thì chuỗi thời gian đó có thể có tính dừng.
Kiểm định nghiệm đơn vị (Unit root test) là phương pháp xác định tính dừng