5. Kết cấu khóa luận:
3.3.1. Dữ liệu nghiên cứu
Dữ liệu trong bài nghiên cứu được thu thập từ các nguồn đáng tin cậy và chính
thống. Các biến đo lường thanh khoản (LIQ), chỉ số giá chứng khoán (VNI), thay đổi
tỷ giá USD/VND (EXC) sử dụng nguồ n dữ liệu của Investing.com. Các dữ liệu tăng trưởng cung tiền (M2), chỉ số giá tiêu dùng (CPI), chỉ số sản xuất công nghiệp (IPI) lây trên trang web của Vietstock. Thước đo lạm phát phổ biến nhất chính là chỉ số quả sản xuất kinh doanh của ngành công nghiệp. Do vậy sinh viên đã lấy biến CPI để
đại diện cho ảnh hưởng của lạm phát và biến IPI đại diện cho ảnh hưởng tăng trưởng kinh tế tới tính thanh khoản. Dữ liệu về lãi suất (LR) được lấy từ nguồn của IMF là lãi suất được NHTW sử dụng để thực hiện hoặc báo hiệu lập trường CSTT của mình. Các dữ liệu về tính thanh khoản, chỉ số VNIndex, thay đổi tỷ giá USD/VND được tính theo hàm log. Bên cạnh đó bài viết đã sử dụng số liệu lấy theo tháng từ tháng 01/2010 đến tháng 12/2020.Ba ng 3.2. Bảng tổng hợp các biến trong mô hình
Nguồn: Sinh viên tự tổng hợp
3.3.2. Mô hình nghiên cứu đánh giá ảnh hưởng của CSTT đến thanh
khoản
TTCK Việt Nam
Trước đấy, khi nghiên cứu về mối quan hệ giữa CSTT và tính thanh khoản TTCK, các tác giả đều sử dụng mồ hình VAR như Chordia và cộng sự (2005); Nguyễn Hữu Huy Nhựt (2013), Đặng Thị Quỳnh Anh (2018). Do số liệu sử dụng trong bài nghiên cứu là số liệu chuỗi thời gian nên sinh viên đã chọn VAR là mô hình
phù hợp. Mồ hình VAR là mồ hình vector mà trong đó các biến tự hồi quy với nhau. Mỗi một biến số sẽ phụ thuộc tuyến tính vào các biến trễ của chính nó và biến trễ của
các biến khác trong mồ hình. Ưu điểm của mô hình VAR là nó không phức tạp. Đồng
Trong đó: Yt = [Yul Y2t Y ɪ Llmt- Uit u2t umt. Ai là ma trận vuông cấp m*m, i = 1,2,3, ..., p; St = ( sit,s2t,s3t, ...,smt)'
Y bao gồm m biến ngẫu nhiên dừng, U vector các nhiễu trắng, St vector các yếu tố xác định.
Vì có sự tương tác lẫn nhau giữa các biến của CSTT, biến số vĩ mô và biến đo
lường thanh khoản thị trường, do đó đối với bài nghiên cứu này, sinh ứng dụng mô hình VAR để tìm ra ảnh hưởng của CSTT đến thanh khoản TTCK Việt Nam với dữ liệu theo tháng.
Mô hình nghiên cứu đề xuất:
Yt= β0 + ∑ Ai ■ Yt-i + εt (3.2) Y-li=i
Trong đó:
Yt: là một ma trận vuông 7 × 1 gôm 7 biến (LIQ, M2, LR, CPI, IPI, VNI, EXC);
Ai: mỗi một Ai là một ma trận các hệ số 7x7;
εt: một ma trận nhiễu trắng (white noise) 7x 1;
p: số độ trễ của biến.
Đề phòng hôi quy giả mạo, ta có phương trình đông liên kết tổng quát như sau:
LIQ = β0 + βi ■ M2 + β3-LR + β4∙ CPI + β5 ∙ IPI + β6 ∙ VNI + β7 ∙ EXC (3.3) Các tiêu chuẩn t-test và F-test vẫn có ý nghĩa thống kê nếu mô hình (3.3) là mô hình đô ng liên kết, do đó không xảy ra trường hợp hô i quy giả mạo.
3.3.3. Mô tả các biến trong mô hình và giả thuyết nghiên cứu
3.3.3.1. Biến đo lường tính thanh khoản TTCK
Giả định rằng khối lượng giao dịch cao có nghĩa là thị trường có tính thanh khoản cao. Theo Brennan và cộng sự (1998), khối lượng giao dịch là thước đo phù hợp cho hoạt động giao dịch và tính thanh khoản TTCK. Các nghiên cứu trước của Đặng Thị Quỳnh Anh (2018), Nguyễn Hữu Huy Nhựt (2013) cũng sử dụng biến này là một trong các biến đại diện tính thanh khoản TTCK. Gia tri giao dịch được tính
theo công thức lấy log của phép nhân giá chỉ số chứng khoán nhân với khối lượng giao dịch trong tháng, kí hiệu biến trong bài là LIQ:
LIQm ln( ʃm ' Qm) 3.3.3.2. Các biến đại diện CSTT
Các tài liệu, nghiên cứu trước đây khi nghiên cứu hướng ảnh hưởng của CSTT
đến thanh khoản TTCK đều sử dụng tăng trưởng cung tiền M2 và lãi suất đại diện cho biến CSTT. Cụ thể, các nghiên cứu về tác động của CSTT đến TTCK ở Mỹ (Bernanke và Blinder, 1992; Hayford và Malliaris, 2004; Ioannidis và Kontonikas, 2008) thường lựa chọn lãi suất liên bang (Fed fund rate) là đại diện cho CSTT của Mỹ vì FED chủ yếu sử dụng lãi suất này để điều hành CSTT. Các nghiên cứu ở châu Âu như (Corallo, 2006) tại Đức và Anh lại lựa chọn lãi suất ngắn hạn làm đại diện cho CSTT; Hofmann và Mizen (2004) sử dụng lãi suất cơ bản khi nghiên cứu tại Anh.
Vì vậy, việc lựa chọn lãi suất nào đại diện cho CSTT dựa vào tính quan trọng của từng loại trong điều hành thực tế tại từng quốc gia. Trong các nghiên cứu trên thị trường Mỹ ở giai đoạn trước năm 1990, khi FED chọn cung tiền là mục tiêu trung gian, Homa và Jaffee (1971) dùng biến này trong mô hình của họ.
Nghiên cứu của Aziza (2010), Nguyễn Hữu Huy Nhật (2013), Trần Thị Xuân Anh và Ngô Thị Hằng (2012) thì biến cung tiền thường được lựa chọn là biến đại diện của CSTT. Kế thừa từ các nghiên cứu trước và thực tiễn điều hành CSTT, cung tiền M2 và lãi suất của NHTW được lựa chọn là các biến số đại diện cho CSTT của NHNN trong bài nghiên cứu này tại Việt Nam.
Theo lý luận của Brunnermeier và Pedersen’s (2009), tính TK của thị trường sẽ tăng lên nếu những người tham gia thị trường tiếp cận được các nguồn tài chính dễ dàng và ít tốn kém hơn. Cơ chế tác động của CSTT đến thanh khoản TTCK như sau: Thứ nhất, khi có tác động tiêu cực ảnh hưởng đến nền kinh tế, NHNN quyết định
tăng cung tiền M2 sẽ làm cho lượng tiền lưu thông tăng lên. Từ đó hỗ trợ các hoạt động trong nền kinh tế, người dân có tiền để đầu tư. Khi có nguồn tiền đầu tư chảy vào TTCK, giá chứng khoán tăng, điều này khiến số lượng và khối lượng giao dịch tăng lên, thị trường hấp dẫn hơn và tính thanh khoản tăng theo. Thứ hai, trong giai
Các biến số Tính thanh khoản
Cung tiền M2 +
và phát triển hoạt động kinh doanh, do đó DN làm ăn có lãi khiến giá cổ phiếu của DNNY cũng tăng. Khi giá cổ phiếu tăng sẽ thu hút được NĐT trên thị trường. Kèm theo đó, NĐT sẽ rút vốn từ ngân hàng vào đầu tư TTCK, hơn nữa đối với NĐT kí quỹ được vay với lãi vay thấp nên khối lượng và giá trị giao dịch tăng lên khiến thanh
khoản tăng.
Các giả thuyết sau có thể được đề xuất trong nghiên cứu:
H1: Sự tăng của cung tiền làm cho thị trường tăng tính thanh khoản.
H2: Sự tăng của lãi suất làm cho thị trường giảm tính thanh khoản.
3.3.3.3. Các biến khác
Chi số sản xuất công nghiệp (IPI) Đây cũng là biến số được Ioannidis và
Kontonikas (2008), Ben Naceur và cộng sự (2007) sử dụng. Hướng tác động của IPI đên thanh khoản chứng khoán như sau:
ỈPỈ tầng → Giả trị sản xuất ngành cồng nghiệp tầng → Lợi nhuận DN tầng → Giá cổ phiẽu tầng →
Thanh khoản cổ phiẽu tầng → Thanh khoản thị trường tầng
Vì vậy, IPI được dùng để đánh giá ảnh hưởng của tổng sản lượng trong nước đến thay đổi tính thanh khoản trên TTCK.
Chỉ sô giá tiêu dùng (CPI) nếu CPI tăng cao có thể gây ra lạm phát trong
nền
kinh tế, ảnh hưởng của CPI đến thanh khoản TTCK diễn ra như sau:
CPI tầng → Mức giá trung bình tầng → Chi phí sử dụng vốn của DN tầng → Lợi nhuận của DNNY giảm → Giá cổ phiẽu giảm
→ Thanh khoản chứng khoán giảm → Thanh khoản thị trường giảm
Đồng thời đối với các NĐT:
Lạm phát cao → Lẵi suất cao → Chi phí lẵi vay tầng → Giảm nhu cầu đầu tư
Thay đổi ty giá USD/ VND (EXC) Đối với DN, khi USD/VND tăng sẽ tăng
lợi ích của các DN xuât khẩu, dẫn đến cổ phiếu của các DN này tăng, vì vậy mà hoạt động NĐT giao dịch trên thị trường cũng sôi nổi hơn, tính thanh khoản tốt hơn nhưng
điều này ngược lại với DN nhập khẩu. Xét vị trí là NĐT, biến động ty giá hối đoái sẽ nước ngoài rút vốn ra khỏi thị trường CK dẫn đến tính thanh khoản chứng khoán giảm.
Chỉ số chứng khoán VNI được lựa chọn là biến kiểm soát vì VNI đại diện
cho giá của toàn thị trường. Trên TTCK Việt Nam hiện nay có hai SGDCK là HOSE và HNX với hai chỉ số chứng khoán đại diện lần lượt là VNI và HNI. Vì HOSE được thành lập đầu tiên, có nhiều DNNY với vốn hóa lớn nên dùng VNI làm đại diện cho giá cổ phiếu trên TTCK Việt Nam là hợp lý. Hơn nữa HNI và HOSE có tương quan cùng chiều cao. Ioanidis và Kontonikas (2008), Stoica và Diaconasu (2012), Rigobon
và Sack (2004), Raghavan và Dungey (2015) lấy chỉ số giá chứng khoán làm biến đại
diện cho sự thay đổi của TTCK. Tuy nhiên chưa có một nghiên cứu nào sử dụng chỉ số VNI là một biến của mô hình nghiên cứu ảnh hưởng CSTT đến thanh khoản chứng
khoán Việt Nam nên đây là một điểm mới của bài nghiên cứu. Do tính chất nhà đầu tại thị trường Việt Nam tham gia đầu tư nhưng chưa hiểu rõ thị trường, đầu tư theo tâm lí bầy đàn nên sẽ gây sự bất ổn trên thị trường (Nguyễn Trọng Tài, 2016). Từ đóTTCK theo kỳ vọng
Lãi suất -
Chỉ số giá tiêu dùng -
Sản xuất công nghiệp +
Chỉ số VNI +
Chỉ tiêu DLIQ M2 DLR CPI DIPI DVNI DEXC Trung bình 0,0276 9,7995 -0,0305 0,444 0 0,0122 0,0078 0,0017 Trung vị 0,0100 8,6300 0,0000 0,280 0 0,0000 0,0096 0,0001 Tối đa 1,0800 29,140 0 3,0000 3,320 0 46,1000 0,2858 0,1891 Tối thiểu -1,1200 0,2500 -3,0000 -1,5400 -35,5000 -0,2863 -0,1865 Độ lệch chuẩn 0,3647 6,8442 0,4864 0,661 3 11,8138 0,0663 0,0334 Độ xiên 0,0318 0,9181 0,4305 1,226 2 1,2413 -0,1519 -0,1572 Độ nhọn 3,4585 3,1385 25,875 7 6,062 7 8,1763 7,0918 28,9187 Số quan sát 131 131 131 131 131 131 131
Nguồn: Sinh viên tự tổng hợp
3.3.4. Kết quả nghiên cứu
3.3.4.1. Thống kê mô tả các biến
Giá trị p value
Biến Kiểm định ADF Kiểm định PP
Chuỗi gốc Sai phân bậc
1
Chuỗi gốc Sai phân bậc
1 TĨQ 0,9542 0,0000 0,9999 0,0000 ^w 0,0154 0,0375 TR 0,3128 0,0007 0,3392 0,0000 ^CPI 0,0000 0,0000 IPI 0,2647 0,0000 0,0000 VNI 0,9537 0,0000 0,9537 0,0000 EXC 0,9782 0,0000 0,9913 0,0000
Nguồn: Sinh viên tự tổng hợp từ phần mềm Eviews
Các biến được tính toán và trình bày bởi giá trị trung bình, trung vị, tối đa, tối thiểu, độ lệch chuẩn, độ xiên, độ nhọn thông qua phần mềm Eviews. Tổng số quan sát sử dụng trong bài nghiên cứu là 131 quan sát. Biến DLIQ có giá trị trung bình là 0,0276. Đặc biệt biến cung tiền M2 có giá trị cao nhất là 29,14 và tối thiểu là 0,25. Mức độ chênh lệch giữa giá trị tối đa và tối thiểu là rất lớn. Biến DLR có giá trị trung bình ở mức dưới 0. Ngoài ra, biến DIPI có độ lệch chuẩn cao nhất còn biến DEXC lại có độ nhọn cao nhất trong tất cả các biến.
3.3.4.2. Các kiểm định của mô hình
Kiểm định tính dừng của các biến và phần dư
Biến P value Resid_dliq 0,0000 Resid_m2 0,0000 Resid_dlr 0,0000 Resid_cpi 0,0000 Resid_dipi 0,0000 Resid_dvni 0,0000 Resid_dexc 0,0000
Lag LogL LR FPE AIC SC HQ
~0 -721,146 ^NA 0,000173 11,20225 11,35665 11,26499
1 -525,874 366,5108* 1,82e-05* 8,951907* 10,18715
* 9,453829*
Nguồn: Sinh viên tự tổng hợp từ phần mềm Eviews
Nghiên cứu thực hiện kiểm định các biến bằng 2 kiểm định: (1) Kiểm định ADF bắt nguồn từ kiểm định Dickey và Fuller (DF)
do Dickey và Fuller (1979) đưa ra và mở rộng thành ADF (2) Kiểm định PP do Phillips và Perron (1988) phát triển.
Biến có chuỗi dừng khi p value < 0,05. Việc kiểm định tính dừng của biến trong mô hình để xem xét tính dừng và không dừng của chuỗi thời gian các biến trong mô hình để tránh hiện tượng hồi quy giả mạo trong quá trình sinh viên phân tích dữ liệu. Bảng 3.5 cho thấy các biến M2, CPI đã dừng ở chuỗi gốc ban đầu, còn lại các biến đều không dừng. Tuy nhiên các biến đã dừng khi lấy sai phân bậc 1. Riêng biến IPI thì dừng ở dạng gốc khi dung kiểm định PP nhưng lại không dừng khi dùng kiểm định ADF. Dựa vào các nghiên cứu trước, sinh viên chọn kiểm định ADF là kiểm định tính dừng chính. Do đó các biến sử dụng để chạy mô hình VAR gồm DLIQ, M2, DLR, CPI, DIPI, DVNI và DEXC.
Sinh viên còn xem xét tính dừng của phần dư. Kết quả cho thấy hầu hết phần dư của các biến đều có tính dừng sau khi được kiểm tra. Cụ thể như sau:
Bảng 3.6: Kiểm định tính dừng của phần dư
Nguôn: Sinh viên tự tông hợp từ phần mêm Eviews 3.3.4.3. Lựa chọn độ trễ tối ưu
Các biến Độ trễ tối ưu DLIQ ĩ M2 ĩ DLR ĩ CPI ĩ DIPI ĩ DVNI ĩ DEXC ĩ
Nguôn: Sinh viên tự tông hợp từ phần mêm Eviews
Phần mềm Eviews đã giúp tìm ra độ trễ tối ưu ở mỗi tiêu chuẩn bằng cách đánh dấu sao (*). Bài nghiên cứu lựa chọn biến trễ theo kết quả thu được phù hợp với hầu hết các tiêu chuẩn nhất. Theo đó, các tiêu chuẩn FPE (sai số dự báo cuối cùng), AIC (Akaike Information Criterion) và HQ (Hannan and Quinn) cùng ra kết quả số biến trễ tối đa là 1. Như vậy, độ trễ tối ưu được lựa chọn để chạy mô hình là 1, tức là các biến trong mô hình có độ trễ là 1 tháng: DLIQ(-1), M2(-1), DLR(-1), CPI(-1), DIPI(-1), DVNI(-1) và DEXC(-1).
DLIQ M2 DLR CPI DIPI DVNI DEXC DLIQ(-1) -0,3571*** -1,4273 0,1400 -0,0305 -6,3096** 0,0603*** -0,0107 M2(-1) 0,0031 0,7621*** 0,0217*** 0,0309*** -0,1889 0,0011 0,0006 DLR(-1) -0,1395** 0,2018 -0,1395 0,0069 0,1412 -0,0096 0,0022 CPI(-1) 0,0445 0,5997 0,1277** 0,4782*** 1,5982 -0,0102 -0,0011 DIPI(-1) -0,0007 0,0214 -0,0032 0,0002 -0,5049 -0,0016*** 0,0009*** DVNI(-1) 1,1513** -1,1369 0,0358 1,5168** 25,3746 -0,0491** 0,0093 DEXC(-1) -1,2791 4,5016 -0,5719 0,4668 -68,0076 -0,1627*** -0,4074*** ~C -0,0167 2,0207*** -0,3060*** -0,0914 1,2712 -0,0002 -0,0026 -R- squared 0,2022 0,6700 0,1626 0,5239 0,4508 0,1226 0,3129
Nguôn: Sinh viên tự tông hợp từ phần mêm Eviews
Kiểm định tính ổn định
Sinh viên đã lựa chọn phương pháp nghịch đảo của đơn vị gốc đa thức đặc trưng (AR) để kiểm định tính ổn định của mô hình. Mô hình nghiên cứu là tốt khi nhận thấy các điểm xanh đều nằm trong hình tròn.
Inverse Roots OfAR Characteristic Polynomial
1.5-∣--- 1.0- 0.5- 0.0- 4---*—•— -*- -0.5- -1.0- -1 -5 - I I I I I -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Nguôn: Kết quả từ phần mêm Eviews 3.3.4.4. Kết quả mô hình VAR đánh giá ảnh hưởng của CSTT đến thanh khoản
TTCK
Ghi chú: (***), (**), (*) ứng với mức ý nghĩa lần lượt là 1%, 5% và 10%
Nguồn: Sinh viên tự tổng hợp từ Eviews
Thứ nhất, kết quả hồi quy thu được biến trễ 1 tháng của tăng trưởng cung tiền M2 không có tác động đến khối lượng giao dịch trong tháng. Ket quả cho ra cùng dấu kì vọng ban đầu nhưng lại không có ý nghĩa thống kê. Mặc dù vậy, kết luận này lại có cùng kết luận với Trần Thị Xuân Anh và Ngô Thị Hằng (2012). Các tác giả đã kiểm định xem CSTT có ảnh hưởng đến thanh khoản TTCK Việt Nam không. Kết quả là cung tiền M2 tương quan cùng chiều với thanh khoản tuy nhiên tính thanh khoản với đại diện là khối lượng giao dịch bình quân tháng trên HOSE không chịu tác động của CSTT thời kỳ trước hay độ trễ của CSTT. CSTT ban hành giai đoạn nào sẽ ngay lập tức tác động đến tâm lý giao dịch của NĐT, biểu hiện qua khối lượng giao dịch trong ngày, từ đó tác động đến thanh khoản của thị trường.
Thứ hai, biến trễ của lãi suất có tác động ngược chiều với tính thanh