Bên cạnh hiệu ứng Trăng Non, các nhà nghiên cứu tiếp tục thực hiện kiểm định đối ảnh hưởng của chu kỳ trăng tròn đối với thị trường tại chính. Mặc dù các kết quả từ nghiên cứu tính đến thời điểm năm 2019 vẫn còn chưa được thống nhất nhưng sự tồn tại của hiệu ứng Trăng Tròn này trong quá khứ là điều không thể phủ nhận.
Trong đó, một bài nghiên cứu Keef và Khaled (2011) đã tìm thấy được hiệu ứng Trăng Non trên thị trường chứng khoán nhưng lại không thể tìm thấy tác động của chu kỳ trăng tròn đối với thị trường. Tuy nhiên, một bài nghiên cứu khác của Lucey (2010) lại ghi nhận những tín hiệu xấu do tác động của chu ky trăng tròn đối với tỷ suất lợi nhuận của hai kim loại quý là bạc và bạch kim. Ngoài ra, số lượng các kết quả cho thấy sự ảnh hưởng tiêu cực của chu kỳ mặt trăng đối với thị trường tài chính còn rất hạn chế.
Dù vậy, bài khóa luận vẫn đặt ra giả định với hiệu ứng Trăng Tròn như sau:
Trường hợp 1: Thị trường có phản ứng tích cực đối với hiệu ứng chu kỳ trăng tròn
thể hiện qua tỷ suất lợi nhuận trung bình của các tài sản tài chính tại giai đoạn này mang
giá trị dương.
Trường hợp 2: Thị trường có phản ứng tiêu cực đối với hiệu ứng chu kỳ trăng tròn
thể hiện qua tỷ suất lợi nhuận trung bình của các tài sản tài chính tại giai đoạn này mang
giá trị âm.
Tuy nhiên, không chỉ dừng lại ở đó, các công trình nghiên cứu trước khi tìm thấy đồng thời cả hai hiệu ứng chu kỳ của mặt trăng đã ghi nhận rằng lợi nhuận trung bình của các loại tài sản tài chính tại hai giai đoạn này thường có xu hướng chênh lệch với nhau. Trong đó, kết luận của Yuan và cộng sự (2006) đã chỉ ra rằng lợi nhuận mà các cá thể có thể thu được trong giai đoạn trăng non nhìn chung thường cao hơn so với lợi nhuận có thể thu được trong giai đoạn trăng tròn.
Do đó, bài khóa luận cũng đặt ra giả thiết Hiệu ứng Trăng Tròn như sau:
Trường hợp 1: Lợi nhuận của tài sản tài chính trong giai đoạn chu kỳ trăng tròn sẽ cao hơn so với trong giai đoạn trăng non.
Trường hợp 2: Lợi nhuận của tài sản tài chính trong giai đoạn chu kỳ trăng tròn sẽ thấp hơn so với trong giai đoạn trăng non.
Như vậy, bài khóa luận sau đây sẽ thực hiện kiểm chứng ảnh hưởng của yếu tố chu
kỳ Mặt Trăng đến thị trường chứng khoán thông qua tỷ suất sinh lời của chỉ số và phản biện một trong hai trường hợp của giả thiết trong phần kết quả nghiên cứu từ các chuỗi dữ liệu. Đồng thời, bài khóa luận cũng cân nhắc sự ảnh hưởng lẫn nhau của các hiệu ứng Niên Lịch khác như hiệu ứng thứ Hai và hiệu ứng tháng Giêng đối với từng hiệu ứng chu kỳ mặt trăng này.
CHƯƠNG 3: DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU 3.1. Dữ liệu nghiên cứu
Tất cả các dữ liệu thu thập được để phục vụ mục đích nghiên cứu của bài được hạn
chế trong khoảng thời gian từ ngày 20 tháng 7 năm 2000 đến thời điểm bắt đầu làm nghiên cứu, ngày 21 tháng 2 năm 2019 với các dữ liệu nghiên cứu được thu thập từ nhiều nguồn khác nhau. Trong đó, dữ liệu chủ yếu của bài khóa luận là chỉ số trung bình
giá chứng khoán của các nước được thu thập từ trang YahooFinance. Dữ liệu về các cặp tỷ giá hối đoái, giá dầu thô và vàng được thu thập từ trang www.investing.com. với cặp tỷ giá được lựa chọn là EUR/USD. Ngoài ra, dữ liệu về bằng chứng giá của đồng tiền mã hóa phổ biến nhất là Bitcoin (BTC) được thu thập từ trang
www.coinmarketcap.com.
Ngoài ra, khung thời gian được lựa chọn để thực hiện nghiên cứu một chu kỳ mặt trăng của bài khóa luận sẽ được tính từ 7 ngày trước hiện tượng trăng tròn hoặc trăng non và 7 ngày tiếp sau đó. Vớih khung thời gian này, bài khóa luận có thể thực hiện quan sát và tính toán số liệu trung bình của tỷ suất lợi nhuận thu theo chuỗi thời gian một cách linh hoạt. Khi đó, hiệu ứng của chu kỳ trăng non và hiệu ứng của chu kỳ trăng
tròn được tách biệt và tồn tại một cách độc lập với nhau. Nói cách khác, khung thời gian
này còn cho phép bài khóa luận có thể quan sát được ảnh hưởng của cả hai chu kỳ mặt trăng đối với thị trường chứng khoán của một số nước và một số công cụ đầu tư khác một cách đầy đủ.
Bên cạnh đó, để xác định được chu kỳ mặt trăng và thiết lập khung thời gian nghiên
cứu, bài khóa luận thực hiện quan sát theo lịch dựa trên chu kỳ mặt trăng, hay còn gọi là Âm lịch. Trong đó, ngày đầu tiên của tháng Âm lịch được coi là ngày trăng non và ngày 15 của tháng được coi là ngày trăng tròn. Như vậy, dữ liệu thu thập theo ngày của bài khóa luận sẽ được chuyển đổi theo ngày Âm lịch để thực hiện phân tích các chu kỳ mặt trăng một cách hiệu quả.
(2) ∆y =
k
α0 + dt+ βyt-ι+ ∑ βi tyt-i+£t i = 1
Hình 1 - Ngày tháng âm lịch
Nguồn: theo https://lichvannien365.com
3.2. Phương pháp xử lý dữ liệu
3.2.1. Kiểm định nghiệm đơn vị (unit root tests)
về lý thuyết, dữ liệu của một chuỗi thời gian bất kỳ có thể được coi là kết quả của một quá trình có tính ngẫu nhiên. Như vậy, một tập những dữ liệu có đặc tính riêng có thể coi là kết quả đặc biệt của quá trình đó. Nói một cách khác, nếu như coi quá trình có
tính ngẫu nhiên là một tổng thể thì tệp dữ liệu thu được trong tổng thể đấy là sẽ là một mẫu quan sát.
Trong đó, một yếu tố quan trọng được các nhà nghiên cứu thực hiện kiểm định trước tiên là Tính dừng (stationary) của tổng thể. Nếu như kỳ vọng (expectation), phương sai (variance) và hiệp phương sai (correlation) của tổng thể Yt không thay đổi theo thời gian tại cùng độ trễ nhất định. Tuy nhiên trong một thị trường đạt hiệu quả yếu, các kiểm định sẽ không thể thấy được tính dừng của tỷ suất lợi nhuận theo chuỗi thời gian. Nói một cách khác, các nhà phân tích không thể sử dụng dữ liệu lịch sử để dự báo giá của giá chứng khoán trong tương lai.
Bài khóa luận dưới đây sử dụng kiểm định ADF (Augmented Dickey — Fuller)
được đưa ra bởi Dickey (1976) với 2 dạng mô hình:
k
Trong đó:
∆yt = yt- Δyt-1
yt =β0+ β3, +£
yt : Chuỗi dữ liệu theo thời gian k : Độ dài của độ trễ
εt : Nhiễu trắng (white noise)
Có thể thấy, mô hình (2) là sự mở rộng của mô hình (1) với sự bổ sung của biến xu hướng t. Biến t được nhận các giá trị trong khoảng từ 1 đến n với giá trị 1 là đại diện của quan sát thứ nhất trong mẫu dữ liệu và n là đại diện của quan sát đứng cuối cùng trong chuỗi các dữ liệu. Bên cạnh đó, nhiễu trắng đại diện cho sai số ngẫu nhiên. Đồng thời, theo giả định của kinh tế cổ điển thì biến nhiễu nhận giá trị trung bình là 0 và phương sai là một hằng số không có sự tự tương quan. Giả thiết của kiểm định như sau:
H0: β = 0 ( yt là chuỗi không có tính dừng) H1: β < 0 ( ytlà chuỗi có tính dừng) 3.2.2. Kiểm định bằng mô hình hồi quy
Sau khi có được kết quả kiểm định rằng mẫu quan sát có tính dừng, bài khóa luận sử dụng 2 mô hình hồi quy dưới đây để tiếp tục thực hiện phân tích chuỗi dữ liệu:
a) Mô hình ARIMA
Mô hình ARIMA hay còn gọi là mô hình “Autoregressive Integrated Moving Average - tự hồi quy tích hợp trung bình trượt” được ra đời với mục đích dự báo các giá
trị của tỷ suất sinh lời trong trong tương lai. Đặc biệt trong dự báo ngắn hạn, mô hình ARIMA thường được các nhà phân tích sử dụng vì tính đơn giản của nó.
Các dạng mô hình ARIMA gồm có:
Mô hình p - AR (p) với quá trình tự hồi quy phụ thuộc vào tổng các trọng số của giá trị quá khứ và biến nhiễu ngẫu nhiên. Phương trình:
rt = φ1rt-1 + φrt-2 + - + φrt-p + ∂ + εt
Mô hình q - MA (q) với quá trình tự hồi quy được mô tả bằng tổng các trọng số của biến ngẫu nhiên tại thời điểm có cùng độ trễ. Phương trình:
rt= μ + εt- θ1^rt-1 - θ2rt-2 + - + θprt-q
Mô hình ARMA (p,q) là sự kết hợp của 2 mô hình trên hay còn gọi là “Mô hình
Hồi Quy Kết Hợp Trung Bình Trượt”. Phương trình:
rt = Φ1rt-1+Φ2rt-2+---+φprt-p+ d + ε
t- Θιεt-1 -θ2εt-2+ - +θpεt-q
Các tham số sau khi được ước lượng trong mô hình sẽtiếp tục được kiểm định để xác định rằng mô hình là thích hợp. Các bước thực hiện cụ thể như sau:
Thứ nhất, kiểm định phần dư 0t có tính chất là nhiễu trắng hay không. Nếu kết quả 0t là nhiễu, mô hình là phù hợp. Ngược lại, mô hình sẽ trở nên không thích hợp nếu 0t không phải là nhiễu trắng và quá trình nghiên cứu phải bắt đầu lại.
Thứ hai, trong các kết quả của kiểm định thu được có tồn tại số lượng mô hình phù
hợp nhiều hơn 1, mô hình có AIC (Akaike Information Criterion) đạt giá trị nhỏ nhất được ưu tiên lựa chọn.
b) Mô hình GARCH
Mô hình GARCH viết tắt của “Generalized Autoregressive Conditional Heteroskedasticity” là mô hình được phát triển dựa trên mô hình ARCH. Trong đó, mô hình ARCH ra đời năm 1982 bởi Engle và mô hình GARCH ra đời năm 1986 bởi Bollerslev. Có thể nói, mô hình GARCH được sử dụng một cách rộng rãi nhất trong kinh tế lượng khi được đưa vào dự báo biến động (volatility) với độ tổng quá hóa có phần cao hơn mô hình ARCH với các điều kiện cụ thể của biến phương sai.
VNI JSKE KLSE PSI SCI Số quan sát 2980 2980 2980 2980 2980 Giá trị trung bình 0.0006 0.0008 0.0003 0.0005 -0.0001 Giá trị trung vị 0.0006 0.0005 0.0002 0.0000 0.0000 Độ lệch chuẩn 0.0155 0.0138 0.0089 0.0131 0.0158 Giá trị lớn nhất 0.0774 0.0839 0.1279 0.1526 0.1220 Giá trị nhỏ nhất -0.0766 -0.1131 -0.1297 -0.1309 -0.0926 Skewness -0.3551 -0.5647 -0.8907 -0.0967 -0.4196 Kurtosis 6.4538 11.2978 41.8291 15.8264 8.9134 Skewness test 0.0000 0.0000 0.0000 0.0312 0.0000 pvalue Kurtosis test 0.0000 0.0000 0.0000 0.0000 0.0000 pvalue ADF test statistics -38.4190 45.0850 -44.6500 -41.1500 -51.4520 ADF p-value 0.0000 0.0000 0.0000 0.0000 0.0000
Bài khóa luận dưới đây khi thực hiện phân tích dữ liệu chỉ sử dụng dạng đơn giản nhất trong mô hình GARCH là GARCH (1,1) được mô tả như sau:
∂2 = ω + a1εt-1 + β∂t2-1
Trong đó, yêu cầu đối với β cần phải đạt điều kiện có tính dừng để mô hình có thể được tiếp tục và E = nʃ √h^.
Như vậy, bài khóa luận dưới đây sẽ sử dụng 2 mô hình hồi quy này để thực hiện phân tích chuỗi dữ liệu của các chỉ số trung bình chứng khoán và một số tài sản tài chính
khác để tìm kiếm ảnh hưởng của hiệu ứng chu kỳ mặt trăng đối với hành vi đầu tư của các cá thể tham gia vào thị trường.
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
4.1. Ket quả nghiên cứu và phân tích đối với các chỉ số trung bình chứng khoán
4.1.1. Mô tả dữ liệu
Sau khi thực hiện xử lý dữ liệu, bài khóa luận đã lựa chọn 5 chỉ số trung bình chứng
khoán của các thị trường có mức độ thích hợp và phản ứng rõ ràng nhất với các mô hình kiểm định. Cụ thể các chỉ số được lựa chọn là: chỉ số VN-Index (VNI), chỉ số Jakarta Stock Exchange Composite (JSKE), chỉ số Kuala Lumpur KLCI (KLSE), chỉ số PSEi Composite (PSI) và chỉ số Shanghai (SCI). Trong đó, các quốc gia có thị trường chứng khoán tương ứng với các chỉ số trên lần lượt là: Việt Nam, Indonesia, Malaysia, Philippines và Trung Quốc.
Số liệu tổng quan sau khi thực hiện kiểm định ban đầu như sau:
Nguồn: Tính toán của tác giả
Với 2980 quan sát, trước hết có thể thấy kết quả thu được từ các chỉ số đều có giá trị trung bình và trung vị xấp xỉ bằng nhau. Trong đó, chỉ số SCI của thị trường chứng khoán Thượng Hải có giá trị trung bình nhỏ hơn 0, có sự khác biệt với các chỉ số còn lại. Bên cạnh đó, qua kiểm định về độ nhọn (skewness) với giả thiết:
H0: skewness = 0
H1: skewness ≠ 0
Đều cho những kết quả kiểm định có độ nhọn khác 0, với giá trị dao động trong khoảng -1 đến 1. Như vậy, bác bỏ giả thiết H0, chấp nhận giả thiết H1, dữ liệu được sử dụng trong bài có phân phối chuẩn.
Đồng thời, kiểm định ADF về tính dừng của chuỗi dữ liệu với giả thiết:
Ho': β = 0 H1: β < 0
Cũng cho các kết quả có giá trị nhỏ hơn 0. Có thể thấy các kiểm định đều cho kết quả tương tự nhau, vậy nên có thể kết luận rằng các chỉ số được phân tích đều có tính dừng (stationary). Biểu đồ biểu diễn phân phối của 5 chỉ số trung bình chứng khoán ở các thị trường sẽ được thể hiện như sau:
Hình 2 - Phân phối dữ liệu tỷ suất sinh lời của chỉ số VN-Index
1/1/2000 1/1/2005 1/1/2010
date 1/1/2015 1/1/2020
Hình 3 - Phân phối dữ liệu tỷ suất sinh lời của chỉ số Jakarta Stock Exchange Composite (JSKE)
Hình 4 - Phân phối của dữ liệu tỷ suất sinh lời của chỉ số Kuala Lumpur (KLSE)
rVNI rJSKE rKLSE rPSI rSCI ARMA L.ar -0.086 -0.213 -0.404*** 0.034 0.070 (-1.098) (-1.240) (-4.042) (0.201) (0.215) L.ma 0.287*** 0.287* 0.485*** 0.047 -0.114 (3.654) (1.667) (5.354)+ (0.275) (-0.351) HET full_moon7 0.103*** 0.133*** -0.046*** 0.088*** 0.153*** (3.743) (6.404) (-3.248) (5.660) (6.518) _cons -8.444*** -8.668*** -9.528*** -8.729*** -8.353***
Hình 6 - Phân phối dữ liệu tỷ suất sinh lời của chỉ số Shanghai - Trung Quốc (SCI)
4.1.2. Ảnh hưởng của trăng tròn lên thị trường chứng khoán
Sau khi kiểm định chuỗi dữ liệu của các chỉ số đều cho kết quả phù hợp, bài khóa luận tiếp tục thực hiện kiểm định ảnh hưởng hiệu ứng Trăng Tròn thông qua mô hình hồi quy với mô hình ARIMA (1,1).
Mô hình hồi quy có dạng: rt = φ1rt-1 + 0t — θ10t-1 + φ2Fullmoon
Với 0t = ∂t∈t
Trong đó, hiệu ứng Trăng Tròn có tính chất định tính đã được thể hiện bằng biến giả (dummy) “Fullmoon” để thực hiện phân tích một cách định lượng thông qua các chuỗi dữ liệu của 5 chỉ số.
Kết quả của quá trình hồi quy được thể hiện qua bảng sau:
rVNI rJSKE rKLSE rPSI rSCI ARMA L.ar 0.169*** 0.089*** 0.035*** 0.082*** -0.029 (7.462) (3.747) (3.736) (5.486) (-1.356) HET full_moon7 -0.126 0.397*** -0.036*** 0.054*** 9.257*** (-1.030) (2.725) (-3.934) (4.948) (27.751) _cons -10.809*** -11.068*** -8.739*** -8.001*** -21.177 (-131.612) (-36.687) (-266.416) (-142.853) (.) ARCH L.arch 0.634*** 0.323*** -0.002*** 0.001 0.212*** (24.171) (19.873) (-7.930) (0.815) (17.623) L.garch 0.372*** 0.591*** -0.995*** -0.928*** 0.755*** (19.097) (17.164) (-13.537) (-8.290) (82.571) N 4472 4472 4472 4472 4472 AIC -25986.615 -26357.110 -30079.550 -26213.824 -24836.785 BIC -25954.587 -26325.082 -30047.522 -26181.796 -24811.163 t statistics in parentheses * p<0.1, ** p<0.05, *** p<0.01
Như vậy, tại mức ý nghĩa 1%, bảng dữ liệu kiểm định cho thấy hiệu ứng Trăng Tròn đều có tác động lên cả 5 chỉ số. Mức độ phản ứng lại với hiệu ứng của mỗi thị trường khác nhau là khác nhau tại thời điểm trăng tròn. Trong đó, chỉ số có phản ứng tiêu cực là chỉ số KLSE của thị trường chứng khoán Kuala Lumpur - Malaysia được thể
hiện qua tỷ suất sinh lời mang dấu âm tại thời điểm quan sát. Nói cách khác, các cá thể trên thị trường chứng khoán Kuala Lumpur đã lựa chọn bán ra nhiều cổ phiếu hơn và khiến tỷ suất lợi nhuận thu được theo ngày tại thời điểm trăng tròn này có giá trị nhỏ hơn 0. Ngược lại, các chỉ số còn lại đều có phản ứng tích cực trong chu kỳ trăng tròn với tỷ suất lợi nhuận theo ngày mang giá trị dương.
Mặc dù việc kiểm định được thực hiện bằng mô hình ARIMA (1,1) có phần đơn