CHƯƠNG 5 : KẾT LUẬN VÀ HÀM Ý CHÍNH SÁCH
5.4. Hướng nghiên cứu tiếp theo
Rõ ràng, bài nghiên cứu là bằng chứng thực nghiệm cho thấy khơng có cơ sở để bác bỏ sự ảnh hưởng của hai nhân tố rủi ro moment bậc cao skewness và kurtosis đến lợi nhuận kỳ vọng cổ phiếu. Tuy nhiên, để làm rõ hơn các vấn đề và đảm bảo độ tin cậy chính xác hơn, luận văn kiến nghị gia tăng số lượng quan sát thông qua việc mở rộng thêm số lượng cổ phiếu ở các sàn giao dịch khác và độ dài thời gian quan sát, kết hợp so sánh với các mơ hình định giá truyền thống để lựa chọn mơ hình phù hợp hơn tại thị trường chứng khoán Việt Nam.
Trong bài, luận văn sử dụng phương pháp của Kraus và Litzenberger (1976) để tính tốn trực tiếp hai nhân tố rủi ro skewness và kurtosis và hồi quy toàn bộ hai nhân tố này cùng nhân tố beta để xem xét tác động của lợi nhuận. Tuy nhiên, nhiều nghiên cứu khác lại đưa ra phương pháp khác tính các nhân tố này, ngoài ra việc phân chia các cổ phiếu thành các cấp bật khác nhau để tạo ra các danh mục mô phỏng sẽ thể hiện rõ hơn về xu hướng tác động của các nhân tố này. Do đó, luận văn kiến nghị sử dụng thêm phương pháp nghiên cứu khác để thực hiện tại thị trường Việt Nam.
Về phương pháp ước lượng hồi quy, GMM vẫn được ưu tiên lựa chọn, tuy nhiên cần thu thập bổ sung thêm các biến vào mơ hình để tìm sự phù hợp hơn hoặc làm đa dạng biến công cụ như: quy mô công ty, giá trị công ty, đà tăng tưởng, các chỉ số vĩ mô, tỷ lệ sở hữu nhà nước trong công ty, rủi ro vỡ nợ, giá trị nợ công ty….
TÀI LIỆU THAM KHẢO
Agarwal, V., Bakshi, G. & Huij, J. (2008). Higher-Moment Equity Risk and the Cross- Section of Hedge Fund Returns, in: Robert H. Smith School of Business, University of Maryland, US Working Paper.
Ajibola, A., Kunle, O. A. & Prince, N. C. (2015). Empirical Proof of the CAPM with Higher Order Co-Moments in Nigerian Stock Market: The Conditional and Unconditional Based Tests. Journal of Applied Finance and Banking, 5(1), 145. Aracioglu, B., Demircan, F. & Soyuer, H. (2011). Mean-Variance-Skewness-Kurtosis Approach to Portfolio Optimization: An Application in Istanbul Stock Exchange/Portfưy Optimizasyonunda Ortalama-Varyans-Çarpiklik- BasiklikYaklasimi: IMKB Uygulamasi. Ege Akademik Bakis, 11, 9.
Arellano, M. & Bond, S. (1991). Some Tests of Specification for Panel Data: Monte Carlo Evidence and an Application to Employment Equations. The Review of Economic Studies, 58(2), 277.
Aswath, D. (2012). Investment Valuation.
Baum, C. F. (2007). Instrumental Variables Estimation in Stata. Boston College.
Baum, C. F., Schaffer, M. E., Stillman, S. & others. (2003). Instrumental Variables and GMM: Estimation and Testing. Stata journal, 3(1), 1–31.
Beardsley, X. W., Field, B. & Xiao, M. (2012). Mean-Variance-Skewness-Kurtosis Portfolio Optimization with Return and Liquidity. Communications in Mathematical Finance, 1(1), 13–49.
Black, F., Jensen, M. C. & Scholes, M. (1972). The Capital Asset Pricing Model : Some Empirical Tests. Studies in the theory of capital markets : [papers of the Conference on Modern Capital Theory, held at the University of Rochester in August, 1969, augmented by several closely related papers].
Bodie, Z., Kane, A., & Marcus, A. J. (2011). Investments (9th ed). New York: McGraw-Hill/Irwin.
Brentani, C. (2004). Portfolio management in practice. Amsterdam: Butterworth-
Cameron, A. C. & others. (2007). Panel Data Methods for Microeconometrics Using Stata, in: West Coast Stata Users’ Group Meetings 2007. Stata Users Group. Carhart, M. M. (1997). On Persistence in Mutual Fund Performance. The Journal of
Finance, 52(1), 57–82.
Chaussé, P. (2009). GMM and GEL with R.
Chaussé, P. & others. (2010). Computing Generalized Method of Moments and Generalized Empirical Likelihood with R. Journal of Statistical Software,
34(11), 1–35.
Cliff, M. T. (2003). GMM and MINZ Program Libraries for MATLAB. Krannert Graduate School of Management Purdue University.
Đỗ Đức Thái và Nguyễn Tiến Dũng. (2010). Nhập Môn Hiện Đại: Xác Suất và Thống
Kê. Hà Nội.
Doan, M. P. (2011). The Roles of Systematic Skewness and Systematic Kurtosis in Asset Pricing.
Drukker, D. M. (2010). An Introduction to GMM Estimation Using Stata, in: German
STATA Users’ Group Meeting, unpublished.
Efendic, A., Pugh, G. & Adnett, N. (2009). Institutions and Economic Performance: System GMM Modelling of Institutional Effects in Transition. Unpublished Paper, Staffordshire University Business School, Stoke-on-Trent, UK. Accessed June, 10, 2009.
Fama, E. F. & French, K. R. (1992). The Cross-Section of Expected Stock Returns. The
Journal of Finance, 47(2), 427–465.
Fama, E. F. & French, K. R. (1993). Common Risk Factors in the Returns on Stocks and Bonds. Journal of financial economics, 33(1), 3–56.
Fang, H. & Lai, T.-Y. (1997). Co-Kurtosis and Capital Asset Pricing. Financial Review, 32(2), 293–307.
Grinblatt, M., Titman, S. & Wermers, R. (1995). Momentum Investment Strategies, Portfolio Performance, and Herding: A Study of Mutual Fund Behavior. The
American Economic Review, 85(5), 1088–1105.
Hansen, L. P. (1982). Large Sample Properties of Generalized Method of Moments Estimators. Econometrica, 50(4), 1029–54.
Hansen, L. P. (2010). Generalized Method of Moments Estimation, in:
Macroeconometrics and Time Series Analysis, (pp. 105–118). Springer.
Hansen, L. P. (2012). Proofs for large sample properties of generalized method of moments estimators. Journal of Econometrics, 170(2), 325–330.
Harvey, C. R. & Siddique, A. (2000). Conditional Skewness in Asset Pricing Tests. The
Journal of Finance, 55(3), 1263–1295.
Hasan, M. Z. & Kamil, A. A. (2014). Contribution of Co-Skewness and Co-Kurtosis of the Higher Moment CAPM for Finding the Technical Efficiency. Economics Research International, 2014, 1–9.
Hendricks, D., Patel, J. & Zeckhauser, R. (1993). Hot Hands in Mutual Funds: Short- Run Persistence of Relative Performance, 1974–1988. The Journal of Finance, 48(1), 93–130.
Hung, D. C.-H., Shackleton, M. & Xu, X. (2004). CAPM, Higher Co-Moment and Factor Models of UK Stock Returns. Journal of Business Finance & Accounting, 31(1–2), 87–112.
Hwang, S. & Satchell, S. E. (1999). Modelling Emerging Market Risk Premia Using Higher Moments. International Journal of Finance & Economics, 4(4), 271–296. Retrieved August 27, 2016.
Iqbal, J., Brooks, R. & Galagedera, D. U. (2007). Testing Asset Pricing Models in Emerging Markets: An Examination of Higher Order Co-Moments and Alternative Factor Models.
Jegadeesh, N. & Titman, S. (1993). Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency. Journal of Finance, 48(1), 65–91. Jensen, M. C., Black, F. & Scholes, M. S. (2006). The Capital Asset Pricing Model:
Jondeau, E. & Rockinger, M. (2006). Optimal Portfolio Allocation under Higher Moments. European Financial Management, 12(1), 29–55.
Kostakis, A., Muhammad, K. & Siganos, A. (2012). Higher Co-Moments and Asset Pricing on London Stock Exchange. Journal of Banking & Finance, 36(3), 913– 922.
Kraus, A. & Litzenberger, R. H. (1976). Skewness Preference and the Valuation of Risk Assets. The Journal of Finance, 31(4), 1085–1100.
Lawrence, T. D. (1997). On the Meaning and Use of Kurtosis. , 2(3), 292–307.
Levišauskait, K. (2010). Investment Analysis and Portfolio Management. Leonardo da
Vinci programme project.
Lintner, J. (1965). The Valuation of Risk Assets and the Selection of Risky Investments in Stock Portfolios and Capital Budgets. The Review of Economics and Statistics, 47(1), 13–37.
Markowitz, H. (1952). Portfolio Selection. Journal of Finance, 7(1), 77–91.
Messis, P., Iatridis, G. & Blanas, G. (2007). CAPM and the Efficacy of Higher Moment CAPM in the Athens Stock Market: An Empirical Approach. International Journal of Applied Economics, 4(1), 60–75.
Mossin, J. (1966). Equilibrium in a Capital Asset Market. Econometrica, 34(4), 768. Neyman, J. & Pearson, E. S. (1928). On the Use and Interpretation of Certain Test
Criteria for Purposes of Statistical Inference. Biometrika, 20A(3–4), 263–294. Nickell, S. (1981). Biases in Dynamic Models with Fixed Effects. Econometrica, 49(6),
1417–26.
Nielsen, H. B. (2005). Generalized Method of Moments Estimation. Ekonometri 2 Ders
Notları.
Pearson, K. (1895). Contributions to the Mathematical Theory of Evolution. II. Skew Variation in Homogeneous Material. Philosophical Transactions of the Royal Society of London. A, 186, 343–414.
Und Pearson.’ A Rejoinder. Biometrika, 4(1/2), 169–212.
Peñaranda, F. (2007). Portfolio Choice beyond the Traditional Approach. Available at
SSRN 1003123.
Pettengill, G. N., Sundaram, S. & Mathur, I. (1995). The Conditional Relation between Beta and Returns. Journal of Financial and quantitative Analysis, 30(1), 101–
116.
Roodman, D. (2006). How to Do xtabond2: An Introduction to Difference and System GMM in Stata. Center for Global Development working paper, (103). Retrieved July 9, 2016, from http://papers.ssrn.com/sol3/papers.cfm?abstract_id=982943 Roodman, D. (2009). A Note on the Theme of Too Many Instruments. Oxford Bulletin
of Economics and statistics, 71(1), 135–158.
Võ Xuân Vinh và Nguyễn Quốc Chí (2014). Quan hệ giữa rủi ro hiệp moment bậc cao và lợi nhuận cổ phiếu: Nghiên cứu thực nghiệm trên thị trường Việt Nam. Tạp
chí phát triển kinh tế, 288, 71-89.
Sharpe, W. F. (1964). Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk. The Journal of Finance, 19(3), 425.
Teplova, T. & Shutova, E. (2011). A Higher Moment Downside Framework for Conditional and Unconditional CAPM in the Russian Stock Market. Eurasian Economic Review, 1(2), 157–178.
Wermers, R. (1996). Momentum Investment Strategies of Mutual Funds, Performance Persistence, and Survivorship Bias. University of Colorado. Working Paper. Zsohar, P. (2010). Short Introduction to the Generalized Method of Moments.
PHỤ LỤC
Phụ lục 1: Mơ hình CAPM.
. regress rif beta
Source | SS df MS Number of obs = 1743 -------------+------------------------------ F( 1, 1741) = 15.10 Model | 5.79086798 1 5.79086798 Prob > F = 0.0001 Residual | 667.552162 1741 .383430306 R-squared = 0.0086 -------------+------------------------------ Adj R-squared = 0.0080 Total | 673.34303 1742 .38653446 Root MSE = .61922 ------------------------------------------------------------------------------ rif | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- beta | -.1357275 .0349252 -3.89 0.000 -.2042273 -.0672277 _cons | .039701 .0302 1.31 0.189 -.0195311 .098933 ------------------------------------------------------------------------------
Phụ lục 2: Kiểm định tác động của các nhân tố rủi ro tới lợi nhuận cổ phiếu.
Phụ lục 2A: Kiểm định tác động của các nhân tố rủi ro tới lợi nhuận cổ phiếu – Ước lượng bằng phương pháp Pooled OLS.
. regress rif beta skew kurt
Source | SS df MS Number of obs = 1743 -------------+------------------------------ F( 3, 1739) = 14.36 Model | 16.2819044 3 5.42730148 Prob > F = 0.0000 Residual | 657.061126 1739 .377838485 R-squared = 0.0242 -------------+------------------------------ Adj R-squared = 0.0225 Total | 673.34303 1742 .38653446 Root MSE = .61469 ------------------------------------------------------------------------------ rif | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- beta | .1469268 .0893847 1.64 0.100 -.028386 .3222396 skew | .0364655 .0082991 4.39 0.000 .0201882 .0527427 kurt | -.3638619 .0956348 -3.80 0.000 -.5514332 -.1762906 _cons | .0677806 .0317317 2.14 0.033 .0055444 .1300169 ------------------------------------------------------------------------------
Phụ lục 2B: Kiểm định tác động của các nhân tố rủi ro tới lợi nhuận cổ phiếu – Ước lượng bằng phương pháp Fixed Effect.
. xtreg rif beta skew kurt,fe
Fixed-effects (within) regression Number of obs = 1743 Group variable: name Number of groups = 259 R-sq: within = 0.0263 Obs per group: min = 4 between = 0.0003 avg = 6.7 overall = 0.0199 max = 10 F(3,1481) = 13.32 corr(u_i, Xb) = -0.1062 Prob > F = 0.0000 ------------------------------------------------------------------------------ rif | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- beta | .3824192 .1098041 3.48 0.001 .1670311 .5978072 skew | .043901 .0091314 4.81 0.000 .0259892 .0618127 kurt | -.5490376 .1111574 -4.94 0.000 -.7670802 -.330995 _cons | .0251554 .044858 0.56 0.575 -.0628367 .1131474 -------------+---------------------------------------------------------------- sigma_u | .19866062 sigma_e | .63872728
rho | .08820438 (fraction of variance due to u_i)
------------------------------------------------------------------------------ F test that all u_i=0: F(258, 1481) = 0.50 Prob > F = 1.0000
Phụ lục 2C: Kiểm định tác động của các nhân tố rủi ro tới lợi nhuận cổ phiếu – Ước lượng bằng phương pháp Random Effect.
. xtreg rif beta skew kurt,re
Random-effects GLS regression Number of obs = 1743 Group variable: name Number of groups = 259 R-sq: within = 0.0231 Obs per group: min = 4 between = 0.0496 avg = 6.7 overall = 0.0242 max = 10 Wald chi2(3) = 43.09 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000